CN112508872A - 颅内血管图像预处理方法和电子设备 - Google Patents

颅内血管图像预处理方法和电子设备 Download PDF

Info

Publication number
CN112508872A
CN112508872A CN202011322355.4A CN202011322355A CN112508872A CN 112508872 A CN112508872 A CN 112508872A CN 202011322355 A CN202011322355 A CN 202011322355A CN 112508872 A CN112508872 A CN 112508872A
Authority
CN
China
Prior art keywords
image
blood image
bright
black
bright blood
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202011322355.4A
Other languages
English (en)
Inventor
石文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Cresun Innovation Technology Co Ltd
Original Assignee
Xian Cresun Innovation Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Cresun Innovation Technology Co Ltd filed Critical Xian Cresun Innovation Technology Co Ltd
Priority to CN202011322355.4A priority Critical patent/CN112508872A/zh
Publication of CN112508872A publication Critical patent/CN112508872A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种颅内血管图像预处理方法，包括：获取颅内血管的亮血图像和黑血图像；以黑血图像作为参考图像，亮血图像作为浮动图像，对亮血图像进行坐标变换，并同时对亮血图像采用最近邻插值法进行插值处理；利用相似性度量计算插值处理后的亮血图像与黑血图像的相似性；利用搜索策略找取最优的相似性度量；根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，实现图像配准；根据亮血图像的扫描区域，提取黑血图像中相同的扫描区域，得到亮血图像和黑血图像的共同感兴趣区域。本发明的方案可以辅助医生进行精确的颅内疾病诊断。

Description

颅内血管图像预处理方法和电子设备
技术领域
本发明图像处理技术领域，具体涉及一种颅内血管图像预处理方法、电子设备和计算机可读存储介质。
背景技术
随着医学影像技术的发展，医学图像的多种获取设备与成像模式不断涌现，从而也带来了对来自不同医疗设备，或同一医疗设备的不同采集模式得到的医学图像进行有效结合的需求，促进了对医学图像配准技术的发展。
医学图像配准技术能够将同一患者来自单一或多种成像模式下得到的成像结果综合起来分析，配准图像需在同一个坐标系或者在同一个基准上反映人体的不同解剖或功能信息，而无需医生通过自己的想象来实现图像空间变换，便于医生理解和利用这些新的综合信息。图像配准也是很多后续图像处理(如图像分割、图像融合)的预处理步骤的基础。配准后的医学图像可以给医生对病人病情的诊断带来巨大便利，辅助医生对医学图像进行分析，研究某种疾病的发生和发展过程，进而更容易理解病症的发生原因，有利于医生的临床手术规划，提高医学诊断和治疗水平。
然而由于人体内组织结构复杂、器官多样，器官之间的黏连、或人体的呼吸运动所带来的器官的运动，以及成像设备的条件限制都会使得医学图像出现模糊，灰度分布不均匀，器官边缘不清楚，存在多种伪影等问题；其次，不同个体的同一个器官在图像上的差异也很大，同时在成像过程中使用不同的设备和成像角度的偏差也会造成不同个体同一器官在成像上的不同表现；此外，磁共振图像的同一个器官在不同序列扫描图中，也存在形状亮度、分辨率，以及位置和方向不同等问题。且颅内动脉血管来自颈动脉和椎动脉，在脑底部吻合成Willis环，结构形态特殊，走形曲折，且动脉管壁极薄，类似颅外其他部位同等粗细的静脉，因此结构复杂的颅内血管图像更需要经过配准等预处理操作来给医生提供精确的诊断参考。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种颅内血管图像预处理方法、电子设备和计算机可读存储介质。本发明要解决的技术问题通过以下技术方案实现：
第一方面，本发明实施例提供了一种颅内血管图像预处理方法，包括：
获取颅内血管的亮血图像和黑血图像；
以所述黑血图像作为参考图像，所述亮血图像作为浮动图像，对所述亮血图像进行坐标变换，并同时对所述亮血图像采用最近邻插值法进行插值处理；
利用相似性度量计算插值处理后的亮血图像与所述黑血图像的相似性；
利用搜索策略找取最优的相似性度量；
根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，实现图像配准；
根据所述亮血图像的扫描区域，提取所述黑血图像中相同的扫描区域，得到所述亮血图像和所述黑血图像的共同感兴趣区域。
在本发明的一个实施例中，所述黑血图像为使用造影剂的增强黑血图像。
在本发明的一个实施例中，所述以所述黑血图像作为参考图像，所述亮血图像作为浮动图像，对所述亮血图像进行坐标变换，并同时对所述亮血图像采用最近邻插值法进行插值处理，包括：
获取所述亮血图像和所述黑血图像的DICOM方位标签信息；
根据所述DICOM方位标签信息，以所述黑血图像坐标系作为标准坐标系，对所述亮血图像坐标系进行坐标变换至所述标准坐标系；
同时对所述亮血图像采用最近邻插值法进行插值处理。
在本发明的一个实施例中，所述最近邻插值法采用如下公式：
Figure BDA0002793287860000031
其中，x为周围像素点的像素灰度值，x0为当前像素点的像素灰度值，m为阈值，h(x)为输出的像素灰度值。
在本发明的一个实施例中，所述相似性度量采用信息熵度量。
在本发明的一个实施例中，所述搜索策略采用(1+1)-ES进化策略。
在本发明的一个实施例中，所述根据所述亮血图像的扫描区域，提取所述黑血图像中相同的扫描区域，得到所述亮血图像和所述黑血图像的共同感兴趣区域，包括：
输入所述亮血图像和所述黑血图像；
对所述亮血图像使用Sobel边缘检测方法，得到所述亮血图像中颅内血管的边缘轮廓信息；
分别提取所述边缘轮廓信息中的最小横坐标值、最大横坐标值、最小纵坐标值、最大纵坐标值作为初始提取边框；
在所述亮血图像的尺寸边界大小以内，将所述初始提取边框向外扩大，作为最终的提取边框；
使用所述最终的提取边框对所述黑血图像进行图像感兴趣区域提取，得到所述亮血图像和所述黑血图像的共同感兴趣区域。
在本发明的一个实施例中，所述初始提取边框向外扩大的范围为10～30个像素大小。
第二方面，本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上面任一种所述的方法步骤。
第三方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现任一种所述的方法步骤。
本发明的有益效果：对颅内血管的亮血图像和黑血图像选择合适的方法进行配准，且在配准后提取共同感兴趣区域，该方法对于结构形态特殊，走形曲折的颅内血管图像是一种非常有必要的预处理方法，可以给医生提供有效的辅助诊断信息，辅助医生进行精确的颅内疾病诊断。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种颅内血管图像预处理方法流程图；
图2是本发明实施例提供的图像配准框架图；
图3是采用不同搜索策略对亮血图像和黑血图像的配准结果图；
图4是本发明实施例提供的空间坐标变换示意图；
图5是本发明实施例提供的一种共同感兴趣区域提取流程图；
图6是本发明实施例提供的亮血图像和所述黑血图像的共同感兴趣区域图；
图7是本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
请参见图1，图1是本发明实施例提供的一种颅内血管图像预处理方法流程图，如图1所示，本发明实施例的颅内血管图像预处理方法，包括：
S1、获取颅内血管的亮血图像和黑血图像。
目前临床上对于颅内血管病变程度与血管狭窄化程度的评估，通常使用基于管腔成像的方法，如数字减影血管造影术(Digital Subtraction Angiography,DSA)、CT血管成像(Computed Tomography Angiography,CTA)以及高分辨率磁共振血管成像(High-Resolution Magnetic Resonance Angiography,HRMRA)等。本发明实施例的图像优选为HRMRA成像得到的图像，HRMRA作为一种对人体无创的成像方法，可以清晰地检测到血管壁结构并进行分析，扫描得到的磁共振图像对于软组织的分辨率高，没有骨伪影，图像质量好，且能够使用多种序列扫描得到具有不同成像特点的组织结构，在血管的显示上具有明显的优越性。
使用亮血序列扫描得到亮血图像，使用黑血序列扫描得到黑血图像，在亮血图像中，血液表现为亮色，血管壁及背景组织呈现低信号；在黑血图像中，血液表现为黑色，血管壁及背景组织呈现高信号。亮血序列能够抑制背景，更好的显示并定量分析血流信息，但是由于管腔信号的污染，靠近管腔的血管壁区域很难用亮血序列进行可靠地定量。为解决亮血技术不能评价薄血管壁的问题，常使用黑血序列，它能提供黑血液和亮血管壁信号的强烈对比，通过抑制血液信号，增强管壁信号来评估管壁病变程度，检测动脉粥样硬化斑块的症状，是评价薄血管壁的有效方法。然而在动脉弯曲处，包括近弯曲处和尖端附近的血液信号的污染，可能会导致图像对于血管和周围组织的不良描述，且污染信号形成的流空伪影会模拟正常个体的壁增厚或斑块外观，从而影响医生的诊断，这些原因都使得磁共振图像的血管壁检测与狭窄化分析有很高的难度。因此，需要对亮血图像和黑血图像进一步处理。
需要说明的是，本发明实施例的黑血图像可以是通过HRMRA成像的普通黑血图像，但优选为先注射造影剂，后使用黑血序列扫描得到的增强黑血图。在增强黑血图像中，血液信号抑制较好，实现了血管壁的增强显示，管壁结构表现更为清晰。
S2、以黑血图像作为参考图像，亮血图像作为浮动图像，对亮血图像进行坐标变换，并同时对亮血图像采用最近邻插值法进行插值处理。
示例性的，该步骤可以包括：
S21、获取亮血图像和黑血图像的DICOM方位标签信息。
只有熟悉医学图像文件的信息，才能实现对医学图像的准确处理，达到预期效果。医学数字成像与通信(Digital Imaging and Communications in Medicine,DICOM)已成为医学界中最流行的标准之一。对基于DICOM 3.0标准的医学图像进行处理时，必然要导入DICOM图像进行文件解析。
DICOM文件是CT或核磁共振等医疗设备的图像保存格式，DICOM标准中存储的内容除了图像信息，还包括患者的个人数据，图像层厚，时间戳，医疗设备信息等。对象信息定义(Information Object Definitions,IODs)是医学图像的核心数据，它描述了图像数据以及与这些图像数据相关的信息，且对象信息定义中的每个属性数据都有各自特定的含义。IODs主要是由Patient，Study，Series和Image这四大类别构成，Patient描述了患者姓名、性别、出生日期等个人信息；Study描述了检查日期、部位以及检查类型等；Series主要包括图像位置、方位、层厚、层与层之间的间距等属性；Image描述了图像像素、像素间距、截距、斜率等。
本步骤通过导入亮血图像和黑血图像进行文件解析，得到亮血图像和黑血图像各自的方位标签信息，该方位标签信息是DICOM3.0格式影像文件中与成像方向有关的数据，如下表1所示的图像方位属性。这些信息给出了患者与影像仪器之间的方位关系。
表1DICOM图像方位属性
属性名称 Tag VM
Patient Position (0008,5100) 1
Image Position(Patient) (0020,0032) 3
Image Orientation(Patient) (0020,0037) 6
Pixel Spacing (0028,0030) 2
Slice Thickness (0018,0050) 1
S22、根据DICOM方位标签信息，以黑血图像坐标系作为标准坐标系，对亮血图像坐标系进行坐标变换至标准坐标系。
将亮血图像和黑血图像进行配准，实际上就是将亮血图像中的每个坐标位置通过一个映射关系，对应到黑血图像中。本发明实施例优选采用刚体变换的方式进行空间坐标变换。
刚体变换通过平移和旋转实现图像配准，配准前后图像中任意两点间的距离不变，如公式(1)所示，(x1,y1)为原图坐标，(x2,y2)为旋转θ角后得到的图像坐标，tx,ty分别为原图在x轴、y轴的位移。
Figure BDA0002793287860000081
S23、对亮血图像采用最近邻插值法进行插值处理。
在进行空间坐标变换的过程中，经过坐标变换后的亮血图像像素坐标与原图的采样网格并不会完全重合，即原先为整数的像素坐标点经过坐标变换后可能不再是整数，因此为重新确定经过变换后图像像素坐标点的灰度值，需要对亮血图像进行插值处理。
本发明实施例采用的是最近邻插值法进行插值处理。最近邻插值是计算最简单的插值方法，即经过插值后的像素输出值为输入图像中最近采样点的值，最近邻插值的基数如公式(2)所示，这种方法速度快且计算量小，处理效率高。
Figure BDA0002793287860000082
其中，x为周围像素点的像素灰度值，x0为当前像素点的像素灰度值，m为阈值，h(x)为输出的像素灰度值。
需要说明的是，上述步骤S23和步骤S22可交叉进行。
通过对图像插值方法进行仿真实验，先将原图缩小50％，然后使用不同插值算法得到与原图大小相同的效果图，并与原图像做对比。表2所示数据为重复100次插值操作的结果平均值，实验共设定了5项评价指标，分别是均方根误差RMSE、峰值信噪比PSNR、归一化互相关系数NCC、归一化互信息NMI以及耗时Time。
表2图像插值结果
Figure BDA0002793287860000091
S3、利用相似性度量计算插值处理后的亮血图像与黑血图像的相似性。
衡量两幅图像之间特征相似性的尺度为相似性度量，选择合适的相似性度量可以提高配准精度，有效抑制噪声等，它在图像的配准中有着非常重要作用。
示例性的，本发明实施例提供的一种相似性度量采用信息熵度量，信息熵包括互信息和归一化互信息，互信息(Mutual Information,MI)如公式(3)所示，它衡量了两幅图像之间的相关性，或是互相包含的信息量，用来解释两幅图像是否达到了最优配准，互信息的值越大，表示两幅图像越相似。
Figure BDA0002793287860000092
归一化互信息(Normalization Mutual Information,NMI)如公式(4)所示，是互信息测度的改良，当两幅待配准图像的像素灰度级数类似的时候，使用NMI作为相似性度量，得到的配准图像准确度更高，更加可靠。NMI的取值范围为[0,1]，值越接近于1，表明两幅图像越相似。
Figure BDA0002793287860000093
作为本发明实施例更优选的实施方式，采用归一化互信息作为相似性度量计算插值处理后的亮血图像与黑血图像的相似性，可以判断得更加精确。
S4、利用搜索策略找取最优的相似性度量。
请参见图2，图2是本发明实施例提供的图像配准框架图。图2中，浮动图像为亮血图像，参考图像为黑血图像，对亮血图像进行坐标变换并进行插值，同时相似性度量计算插值处理后的亮血图像与黑血图像的相似性；之后利用搜索策略找取最优的相似性度量，以坐标变换-插值-相似性度量-搜索策略循环反复迭代求优，直到相似性度量达到最优时，迭代停止。
图像配准实质上是一个多参数的优化问题，即通过使用某种搜索策略对图像进行空间坐标变化，最终使得两幅图像的相似性度量达到最优，其中搜索策略与空间坐标变化在实际计算过程中是彼此交叉进行的。算法思想是在每次迭代中计算两幅图像之间的相似性测度，并通过平移或旋转等空间坐标变换的操作调整浮动图像，同时对图像进行插值，一直到两幅图像的测度值最大为止。
作为一种实施方式，搜索策略采用(1+1)-ES进化策略。进化策略(EvolutionStrategy,ES)通过模拟生物的遗传变异过程，对问题进行分析解决，它提供了一系列用于评估一个问题候选解决方案的参数优化算法。进化策略采用实数值作为基因，并遵循N(0,σ)的高斯分布产生新个体。(1+1)-ES这种进化策略只有一个父代，每次也只产生一个子代，通过将变异后的个体与父代进行比较，从这两个个体中选择较好的一个。如公式(5)所示，其中Xt为第t代个体，N(0,σ)是均值为0，标准差为σ的正态分布。
Xt+1＝Xt+N(0,σ) (5)
进化策略的关键步骤在于交叉、变异、变异程度的变化以及选择。其中交叉通过交换两个父代个体的基因，重组出子代新个体的基因。变异则是在选择的各分量上加一个由N(0,σ)生成的新个体分量，其中σ为变异程度，σ不是固定不变的，而是在刚开始的时候较大，直到算法接近收敛时逐渐变小，同时为防止搜索算法陷入局部极值，可以指定收敛的最大迭代次数。最后从父代个体和子代个体中选择最优个体，作为最优解。
下面使用(1+1)-ES搜索策略进行实验，同时对比梯度下降优化器的实验结果。
搜索策略分别对160幅亮血图像与相应扫描层面的160幅增强黑血图像进行配准，其中增强黑血图像为参考图像，亮血图像为浮动图像，配准结果显示如图3所示，图3是采用不同搜索策略对亮血图像和黑血图像的配准结果图。图3(a)为未使用优化器配准的两幅图像成对显示结果，图3(b)为使用梯度下降优化器配准的图像成对显示结果，图3(c)为使用(1+1)-ES优化器配准的图像成对显示结果。图像显示采用蒙太奇效果，使用伪彩色透明处理增强黑血图像与亮血图像，其中紫色为增强黑血图像，绿色为亮血图像(由于图像处理为灰度图像，颜色在图中未示出)。从图中可以看出，未使用优化器进行配准的图像中，增强黑血图像与亮血图像并未重合，且阴影较多；当使用梯度下降优化器配准图像时，虽然较图3(a)配准效果较好，但在脑灰质处仍出现了明显的不重合现象；而使用(1+1)-ES优化器的图像中，配准结果精确，图像中不重合的阴影部分完全消失。表3所示数据为配准结果的3项评价指标，分别是归一化互信息NMI、归一化互相关系数NCC与算法耗时Time。
表3不同搜索策略下的结果分析
Figure BDA0002793287860000111
a中的值是基于160幅亮血图像与160幅增强黑血图像配准的评价指标平均值±均方误差
从实验结果图上看，(1+1)-ES的配准图像效果显示更清晰，优于梯度下降优化器；从实验数据上看，三项评价指标都表现了(1+1)-ES优化器的良好性能，因此本发明实施例优先选用(1+1)-ES作为搜索策略。
S5、根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，实现图像配准。
当相似性度量达到最优时，迭代停止，根据相似度量最优值对此时的亮血图像再次进行坐标变换，实现亮血图像和黑血图像的在同一坐标系下的完全配准。
请参见图4，图4是本发明实施例提供的空间坐标变换示意图。图4中，左侧图为黑血图像(增强黑血图像)，黑血图像是按冠状面扫描成像的；右侧上方图为原始亮血图像，原始亮血图像却是按轴状面成像的；序列扫描方向的不同导致最终的磁共振成像层面不同，因此需要通过空间坐标变换来实现在一个标准参考坐标系下，观察不同成像层面的磁共振图像。右侧下方图为经过空间变换的亮血图像；可以看出，经过空间变换的亮血图像和黑血图像已经处于同一坐标系下，可以观察不同成像层面的磁共振图像。
S6、根据亮血图像的扫描区域，提取黑血图像中相同的扫描区域，得到亮血图像和黑血图像的共同感兴趣区域。
由于患者的颅内血管成像在不同磁共振序列中的扫描范围不同，当亮血图像经过图像坐标变换后，其冠状面的信息并没有增强黑血图像的信息丰富，因此为能够更快速、准确地配准好两种序列下的同一区域，可以根据亮血图像的扫描区域，在增强黑血图像中提取出相同的扫描区域，得到的亮血图像和黑血图像不仅可以显示不同的图像信息，而且处于同一坐标系下，且感兴趣区域相同，便于医生有针对性的查看配准后的两幅图像，或者缩小后续进一步图像的配准范围。(后续进一步图像的配准在本专利未体现)。
请参见图5，图5是本发明实施例提供的一种共同感兴趣区域提取流程图。如图5所示，示例性的，该步骤可以包括：
S61、输入亮血图像和黑血图像；
S62、对亮血图像使用Sobel边缘检测方法，得到亮血图像中颅内血管的边缘轮廓信息；
S63、分别提取边缘轮廓信息中的最小横坐标值、最大横坐标值、最小纵坐标值、最大纵坐标值作为初始提取边框；
S64、在亮血图像的尺寸边界大小以内，将初始提取边框向外扩大，作为最终的提取边框；
由于在进行空间坐标变换后，亮血图像与增强黑血图像的扫描区域并不能完全重合，因此需要在亮血图像的尺寸边界大小以内，将初始提取边框向外扩大，作为最终的提取边框；最后使用该提取边框对增强黑血图像进行待配准区域提取。初始提取边框向外扩大的范围可以是10～30个像素大小，且优选为20个像素大小。
S65、使用最终的提取边框对黑血图像进行图像感兴趣区域提取，得到亮血图像和黑血图像的共同感兴趣区域。
请参见图6，图6是本发明实施例提供的亮血图像和黑血图像的共同感兴趣区域图。图中，左侧图为进行空间坐标变换后的亮血图像，右侧图为黑血图像(增强黑血图像)，其中，黑血图像上红色矩形框(由于图像处理为灰度图像，红色矩形框在图中显示为灰色矩形框)选定范围内的图像为与进行空间坐标变换后的亮血图像所对应的图像，称之为亮血图像和黑血图像的共同感兴趣区域。通过提取黑血图像上的共同感兴趣区域的图像，得到的亮血图像和黑血图像不仅可以显示不同的图像信息，而且处于同一坐标系下，且感兴趣区域相同，便于医生有针对性的查看配准后的两幅图像，或者缩小后续进一步图像的配准范围。
本发明实施例提供的方案，对颅内血管的亮血图像和黑血图像选择合适的方法进行配准，且在配准后提取共同感兴趣区域，该方法对于结构形态特殊，走形曲折的颅内血管图像是一种非常有必要的预处理方法，可以给医生提供有效的辅助诊断信息，辅助医生进行精确的颅内疾病诊断。
相应于上述方法实施例，本发明实施例还提供了一种电子设备，如图7所示，本发明实施例还提供的一种电子设备700，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701、通信接口702、存储器703通过通信总线704完成相互间的通信。
存储器703，用于存放计算机程序；处理器701，用于执行存储器703上所存放的程序时，实现前述任意一种颅内血管图像预处理方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(PeripheralComponentInterconnect，PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
通过上述电子设备，能够实现：对颅内血管的亮血图像和黑血图像选择合适的方法进行配准，且在配准后提取共同感兴趣区域，经过预处理后的图像可以给医生提供有效的辅助诊断信息，辅助医生进行精确的颅内疾病诊断。
相应于上述实施例所提供的颅内血管图像预处理方法，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现前述任意一种颅内血管图像预处理方法的步骤。
上述计算机可读存储介质存储有在运行时执行本发明实施例所提供的颅内血管图像预处理方法的应用程序，因此能够实现：对颅内血管的亮血图像和黑血图像选择合适的方法进行配准，且在配准后提取共同感兴趣区域，经过预处理后的图像可以给医生提供有效的辅助诊断信息，辅助医生进行精确的颅内疾病诊断。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种颅内血管图像预处理方法，其特征在于，包括：
获取颅内血管的亮血图像和黑血图像；
以所述黑血图像作为参考图像，所述亮血图像作为浮动图像，对所述亮血图像进行坐标变换，并同时对所述亮血图像采用最近邻插值法进行插值处理；
利用相似性度量计算插值处理后的亮血图像与所述黑血图像的相似性；
利用搜索策略找取最优的相似性度量；
根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，实现图像配准；
根据所述亮血图像的扫描区域，提取所述黑血图像中相同的扫描区域，得到所述亮血图像和所述黑血图像的共同感兴趣区域。
2.根据权利要求1所述的颅内血管图像预处理方法，其特征在于，所述黑血图像为使用造影剂的增强黑血图像。
3.根据权利要求1所述的颅内血管图像预处理方法，其特征在于，所述以所述黑血图像作为参考图像，所述亮血图像作为浮动图像，对所述亮血图像进行坐标变换，并同时对所述亮血图像采用最近邻插值法进行插值处理，包括：
获取所述亮血图像和所述黑血图像的DICOM方位标签信息；
根据所述DICOM方位标签信息，以所述黑血图像坐标系作为标准坐标系，对所述亮血图像坐标系进行坐标变换至所述标准坐标系；
同时对所述亮血图像采用最近邻插值法进行插值处理。
4.根据权利要求1所述的颅内血管图像预处理方法，其特征在于，所述最近邻插值法采用如下公式：
Figure FDA0002793287850000021
其中，x为周围像素点的像素灰度值，x0为当前像素点的像素灰度值，m为阈值，h(x)为输出的像素灰度值。
5.根据权利要求1所述的颅内血管图像预处理方法，其特征在于，所述相似性度量采用信息熵度量。
6.根据权利要求1所述的颅内血管图像预处理方法，其特征在于，所述搜索策略采用(1+1)-ES进化策略。
7.根据权利要求1所述的颅内血管图像预处理方法，其特征在于，所述根据所述亮血图像的扫描区域，提取所述黑血图像中相同的扫描区域，得到所述亮血图像和所述黑血图像的共同感兴趣区域，包括：
输入所述亮血图像和所述黑血图像；
对所述亮血图像使用Sobel边缘检测方法，得到所述亮血图像中颅内血管的边缘轮廓信息；
分别提取所述边缘轮廓信息中的最小横坐标值、最大横坐标值、最小纵坐标值、最大纵坐标值作为初始提取边框；
在所述亮血图像的尺寸边界大小以内，将所述初始提取边框向外扩大，作为最终的提取边框；
使用所述最终的提取边框对所述黑血图像进行图像感兴趣区域提取，得到所述亮血图像和所述黑血图像的共同感兴趣区域。
8.根据权利要求7所述的颅内血管图像预处理方法，其特征在于，所述初始提取边框向外扩大的范围为10～30个像素大小。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-8任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤。
CN202011322355.4A 2020-11-23 2020-11-23 颅内血管图像预处理方法和电子设备 Withdrawn CN112508872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011322355.4A CN112508872A (zh) 2020-11-23 2020-11-23 颅内血管图像预处理方法和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011322355.4A CN112508872A (zh) 2020-11-23 2020-11-23 颅内血管图像预处理方法和电子设备

Publications (1)

Publication Number Publication Date
CN112508872A true CN112508872A (zh) 2021-03-16

Family

ID=74959563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011322355.4A Withdrawn CN112508872A (zh) 2020-11-23 2020-11-23 颅内血管图像预处理方法和电子设备

Country Status (1)

Country Link
CN (1) CN112508872A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114187335A (zh) * 2021-11-09 2022-03-15 北京东软医疗设备有限公司 多视图医学图像的配准方法、装置及设备
CN116364229A (zh) * 2023-04-20 2023-06-30 北京透彻未来科技有限公司 宫颈癌前病变锥切标本的智能可视化病理报告系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114187335A (zh) * 2021-11-09 2022-03-15 北京东软医疗设备有限公司 多视图医学图像的配准方法、装置及设备
CN116364229A (zh) * 2023-04-20 2023-06-30 北京透彻未来科技有限公司 宫颈癌前病变锥切标本的智能可视化病理报告系统
CN116364229B (zh) * 2023-04-20 2023-11-10 北京透彻未来科技有限公司 宫颈癌前病变锥切标本的智能可视化病理报告系统

Similar Documents

Publication Publication Date Title
CN107909585B (zh) 一种血管内超声影像的血管中内膜分割方法
US9179881B2 (en) Physics based image processing and evaluation process of perfusion images from radiology imaging
CN110853111B (zh) 医学影像处理系统、模型训练方法及训练装置
CN108171738B (zh) 基于脑功能模板的多模态医学图像配准方法
CN109949318B (zh) 基于多模态影像的全卷积神经网络癫痫病灶分割方法
US8768436B2 (en) Coronary artery angiography image processing method to detect occlusion and degree effect of blood vessel occlusion to an organ
CN112508869A (zh) 颅内血管图像融合方法和计算机可读存储介质
WO2022105647A1 (zh) 一种颅内血管造影增强三维模型的建立方法
Wong et al. GCW-UNet segmentation of cardiac magnetic resonance images for evaluation of left atrial enlargement
WO2022105623A1 (zh) 一种基于迁移学习的颅内血管病灶识别方法
CN113420826A (zh) 一种肝脏病灶图像处理系统及图像处理方法
CN112508872A (zh) 颅内血管图像预处理方法和电子设备
CN112508880A (zh) 颅内血管图像配准方法、电子设备和计算机可读存储介质
Chen et al. MBANet: Multi-branch aware network for kidney ultrasound images segmentation
Hesse et al. Subcortical segmentation of the fetal brain in 3D ultrasound using deep learning
Hameeteman et al. Carotid wall volume quantification from magnetic resonance images using deformable model fitting and learning-based correction of systematic errors
CN112562058B (zh) 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
CN112509079A (zh) 颅内血管造影增强三维狭窄化分析模型的建立方法
CN112508882A (zh) 一种脑血管图像预处理方法
CN112508878A (zh) 一种脑血管图像配准与融合方法
Babin et al. Robust segmentation methods with an application to aortic pulse wave velocity calculation
CN112509085A (zh) 脑血管图像流空伪影消除方法和系统
CN112509084A (zh) 一种颅内血管图像流空伪影消除方法和系统
Chernyshov et al. Automated Segmentation and Quantification of the Right Ventricle in 2-D Echocardiography
CN112509081A (zh) 颅内血管造影增强三维狭窄化分析模型的建立方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210316

WW01 Invention patent application withdrawn after publication