CN112837226B - 基于形态学的大脑中矢面提取方法、系统、终端及介质 - Google Patents
基于形态学的大脑中矢面提取方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN112837226B CN112837226B CN202110055480.1A CN202110055480A CN112837226B CN 112837226 B CN112837226 B CN 112837226B CN 202110055480 A CN202110055480 A CN 202110055480A CN 112837226 B CN112837226 B CN 112837226B
- Authority
- CN
- China
- Prior art keywords
- skull
- brain
- image
- major axis
- module
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 210000001259 mesencephalon Anatomy 0.000 title claims description 14
- 210000004556 brain Anatomy 0.000 claims abstract description 77
- 210000003625 skull Anatomy 0.000 claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 230000000295 complement effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000000126 substance Substances 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000006740 morphological transformation Effects 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 208000003174 Brain Neoplasms Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000011157 brain segmentation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于形态学的大脑中矢面提取方法，方法包括：对头颅医学影像图像进行预处理得到预处理后的图像；将预处理后的图像进行颅骨去除，获得脑实质三维掩膜；对脑实质三维掩膜进行空洞补全，并膨胀至原颅骨处，得到膨胀后的图像；在膨胀后的图像中选取脑部中间切片作为参考切片，利用特征降维进行平面椭圆拟合；计算拟合椭圆的半长轴、半短轴和椭圆长轴特征向量和短轴特征向量，用长轴特征向量通过反三角函数计算旋转角；定位拟合椭圆长轴坐标，根据长轴坐标和旋转角得到中矢面。通过对大脑的MR或CT图像进行形态学变换，并利用特征提取及特征降维的方法进行中矢面的提取，能快速、准确地从头颅医学影像图像中提取中矢面。
Description
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种基于形态学的大脑中矢面提取方法、系统、终端及介质。
背景技术
磁共振图像中的脑分割是医学图像临床诊断工具的难点和关键步骤之一。大脑是人体中最复杂的器官，它可以用一个平面分成两个近似对称的半球。这个平面被称为中矢面(MSP)。在脑对称/非对称分析中，对对称和非对称脑区独立的MSP自动提取是一项基本的脑分割任务。临床专家利用大脑的对称性来识别定性的非对称模式，这些模式代表着大量的病理学现象，例如脑肿瘤、脑感染、代谢紊乱、脑损伤等。类似地，计算机辅助诊断和图像分析系统可以利用对称性和非对称性信息作为先验知识来修饰系统在分析大脑解剖改变时的效率。在选择大脑切片时需要进行偏角特征降维进行估计，因为目前假设每个轴向切片的偏角应该相同，但在大脑真正的解剖结构中，MSP不是正平面。对于正常的大脑来说MSP也是曲面。虽然偏角估计对于诸如配准和脑图像的对称/非对称分析等许多应用来说是足够的，但是偏角特征降维估计的结果会在信噪比较高时影响算法性能。
发明内容
针对现有技术中的缺陷，本发明实施例提供的一种基于形态学的大脑中矢面提取方法、系统、终端及介质，能快速、准确地从头颅医学影像图像中提取中矢面，提高了从医学影像中确定头颅对称面的一致性和准确性。
第一方面，本发明实施例提供的一种基于形态学的大脑中矢面提取方法，包括以下步骤：
对头颅医学影像图像进行预处理得到预处理后的图像；
将预处理后的图像进行颅骨去除，获得脑实质三维掩膜；
对脑实质三维掩膜进行空洞补全，并膨胀至原颅骨处，得到膨胀后的图像；
在膨胀后的图像中选取脑部中间切片作为参考切片，利用特征降维进行平面椭圆拟合；
计算拟合椭圆的半长轴、半短轴和椭圆长轴特征向量和短轴特征向量，用长轴特征向量通过反三角函数计算旋转角；
定位拟合椭圆长轴坐标，根据长轴坐标和旋转角得到中矢面。
第二方面，本发明实施例提供的一种基于形态学的大脑中矢面提取系统，包括：预处理模块、脑实质三维掩膜模块、空洞补全模块、平面椭圆拟合模块、计算模块和中矢面定位模块，其中；
所述预处理模块用于对头颅医学影像图像进行预处理得到预处理后的图像；
所述脑实质三维掩膜模块用于将预处理后的图像进行颅骨去除，获得脑实质三维掩膜；
所述空洞补全模块用于对脑实质三维掩膜进行空洞补全，并膨胀至原颅骨处，得到膨胀后的图像；
所述平面椭圆拟合模块用于在膨胀后的图像中选取脑部中间切片作为参考切片，利用特征降维进行平面椭圆拟合；
所述计算模块用于计算拟合椭圆的半长轴、半短轴和椭圆长轴特征向量和短轴特征向量，用长轴特征向量通过反三角函数计算旋转角；
所述中矢面定位模块用于定位拟合椭圆长轴坐标，根据长轴坐标和旋转角得到中矢面。
第三方面，本发明实施例提供了一种大脑中矢面提取终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述实施例描述的方法步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法步骤。
本发明的有益效果：
本发明实施例提供的一种基于形态学的大脑中矢面提取方法、系统、终端及介质，通过对大脑的MR或CT图像进行形态学变换，并利用特征提取及特征降维的方法进行中矢面的提取，能快速、准确地从头颅医学影像图像中提取中矢面，提高了从医学影像中确定头颅对称面的一致性和准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种基于形态学的大脑中矢面提取方法的流程图；
图2a示出了本发明第一实施例中的待分析的头颅原始CT图像；
图2b示出了本发明第一实施例中预处理后的图像；
图3a示出了本发明第一实施例中的二值化图像；
图3b示出了本发明第一实施例中膨胀处理后的颅骨图像；
图4a示出了本发明第一实施例中的脑实质三维掩膜图像；
图4b示出了本发明第一实施例中的脑空洞补全后的图像；
图5示出了本发明第一实施例中的参考切片图像；
图6示出了本发明第一实施例中的拟合椭圆及其长短轴；
图7示出了本发明第一实施例提取到的中矢面图像；
图8示出了本发明第二实施例所提供的一种基于形态学的大脑中矢面提取系统的结构框图；
图9示出了本发明第三实施例所提供的一种大脑中矢面提取终端的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
图1示出了本发明第一实施例所提供的一种基于形态学的大脑中矢面提取方法的流程图，该方法包括以下步骤：
S1:对头颅医学影像(MR或CT)图像进行预处理得到预处理后的图像。
S2:将预处理后的图像进行颅骨去除，获得脑实质三维掩膜。
S3:对脑实质三维掩膜进行空洞补全，并膨胀至原颅骨处，得到膨胀后的图像。
S4:在膨胀后的图像中选取脑部中间切片作为参考切片，利用特征降维进行平面椭圆拟合。
S5:计算拟合椭圆的半长轴、半短轴和椭圆长轴特征向量和短轴特征向量，用长轴特征向量通过反三角函数计算旋转角。
S6:定位拟合椭圆长轴坐标，根据长轴坐标和旋转角得到中矢面。
如图2a所示，示出了本实施例中待分析的头颅原始CT图像，对原始图像刚体配准至模板，并用高斯滤波器进行降噪，滤波半径采用0.5，如图2b所示，示出了预处理后的图像。根据颅骨最小HU值提取颅骨，对提取的图像进行二值化处理得到二值化图像，如图3a所示，示出了提取的颅骨图像，hounsfield unit(HU值)是计算机断层扫描(CT)中普遍使用的无量纲单位,用于标准、便捷的表达CT数值。Hounsfield单位是通过对测量得到的衰减系数进行线性变换得到的。将颅骨设为前景，其余部分设为背景，进行膨胀，填充颅骨空洞得到膨胀处理后的颅骨图像，如图3b所示。在颅内设定种子点，利用区域生长在颅内合并与种子点像素相近的区域，得到脑实质三维掩膜，如图4a所示。种子点为像素种子点或种子像素点，是指在区域生长算法中，也即26点邻域生长法中的起始像素点或中心像素点。区域生长算法是由Levine等人提出的一种自动提取算法，其可以有效的提取出连续图像中特定灰度的像素点集合。本发明实施例使用区域生长法从脑部CT图像中提取大脑组织。由于脑部CT图像中，大脑组织的影像连续且均匀，其灰度与背景区域(如颅骨、毛发等)的灰度差异明显，因此采用区域生长法这一“半自动”组织提取方法来获取脑部CT图像中大脑组织对应的像素点的集合。利用填充算法对脑空洞进行补全，并膨胀至原颅骨处，得到脑空洞补全后的图像，如图4b所示。如图5所示，选取脑部中间切片作为参考切片图像，获得非零像素的坐标矩阵X，计算横纵坐标均值向量mx，根据非零像素坐标矩阵X及均值向量计算2*2的协方差矩阵Px。通过协方差矩阵求解特征方程，得到特征值λ1，λ2(即拟合椭圆的半长轴、半短轴)，并根据特征值求得椭圆长短轴特征向量e1，e2(即椭圆半轴的方向)，如图6所示，示出了拟合椭圆及其长短轴；用长轴特征向量e1，通过反三角函数求得旋转角θ，该旋转角即为位于图像坐标系的与参考切片垂直的中矢面角度(相对于理想坐标系)。根据非零像素坐标矩阵X定位拟合椭圆长轴坐标，通过长轴坐标及旋转角θ最终获得中矢面，如图7所示。
本发明实施例提供的基于形态学的大脑中矢面提取方法，不依赖于脑部内部结构变化，而是基于脑部三维拓扑形状进行分析，即大脑内部变异，如中风、脑瘤、出血和脑损伤，只会改变局部成像的强度和对称性，它们不会影响头部三维形状拓扑特性。此外，当头部容积显示低信噪比时，基于大脑外表面的分割比基于大脑内部结构层面的分割更加容易。
本发明实施例提供的基于形态学的大脑中矢面提取方法，通过对大脑的MR或CT图像进行形态学变换，并利用特征提取及特征降维的方法进行中矢面的提取，能快速、准确地从头颅医学影像图像中提取中矢面，提高了从医学影像中确定头颅对称面的一致性和准确性。
在上述的第一实施例中，提供了一种基于形态学的大脑中矢面提取方法，与之相对应的，本申请还提供一种基于形态学的大脑中矢面提取形态。请参考图8，其为本发明第二实施例提供的一种基于形态学的大脑中矢面提取形态的结构框图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图8所示，示出了本发明第二实施例提供的一种基于形态学的大脑中矢面提取系统的结构框图，该系统包括：预处理模块、脑实质三维掩膜模块、空洞补全模块、平面椭圆拟合模块、计算模块和中矢面定位模块，其中；所述预处理模块用于对头颅医学影像图像进行预处理得到预处理后的图像；所述脑实质三维掩膜模块用于将预处理后的图像进行颅骨去除，获得脑实质三维掩膜；所述空洞补全模块用于对脑实质三维掩膜进行空洞补全，并膨胀至原颅骨处，得到膨胀后的图像；所述平面椭圆拟合模块用于在膨胀后的图像中选取脑部中间切片作为参考切片，利用特征降维进行平面椭圆拟合；所述计算模块用于计算拟合椭圆的半长轴、半短轴和椭圆长轴特征向量和短轴特征向量，用长轴特征向量通过反三角函数计算旋转角；所述中矢面定位模块用于定位拟合椭圆长轴坐标，根据长轴坐标和旋转角得到中矢面。
在本实施例中，预处理模块包括配准单元和降噪单元，所述配准单元用于对获取的头颅医学影像图像刚体配准至模板；所述降噪单元采用高斯滤波器对头颅医学影像图像进行降噪。
在本实施例中，脑实质三维掩膜模块包括颅骨处理单元和区域生长处理单元，所述颅骨处理单元用于根据颅骨最小HU值提取颅骨，对预处理后的图像进行二值化，将颅骨设为前景，其余部分设为背景，进行膨胀处理，填充颅骨空洞；所述区域生长处理单元用于在颅内设定种子点，利用区域生长在颅内合并与种子点像素相近的区域，获得脑实质三维掩膜。
在本实施例中，平面椭圆拟合模块包括横纵坐标均值向量单元和协方差矩阵单元，所述横纵坐标均值向量单元用于根据参考切片获得非零像素的坐标矩阵，计算横纵坐标均值向量；所述协方差矩阵单元用于根据非零像素坐标矩阵及均值向量计算2*2的协方差矩阵。
以上，为本发明第二实施例提供的一种基于形态学的大脑中矢面提取系统的实施例说明。
本发明第二实施例提供的一种基于形态学的大脑中矢面提取系统与上述一种基于形态学的大脑中矢面提取方法出于相同的发明构思，具有相同的有益效果，此处不再赘述。
在本发明还提供一种大脑中矢面提取终端的第一实施例，如图9所示，示出了大脑中矢面提取终端的结构示意图，该终端包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一实施例描述的方法步骤。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备可以包括显示器(LCD等)、扬声器等。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器、输入设备、输出设备可执行本发明实施例提供的方法实施例所描述的实现方式，也可执行本发明实施例所描述的系统实施例的实现方式，在此不再赘述。
在本发明还提供一种计算机可读存储介质的实施例，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一实施例描述的方法步骤。
所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种基于形态学的大脑中矢面提取方法，其特征在于，包括以下步骤：
对头颅医学影像图像进行预处理得到预处理后的图像；
所述预处理具体包括：对获取的头颅医学影像图像刚体配准至模板，并用高斯滤波器进行降噪；
将预处理后的图像进行颅骨去除，获得脑实质三维掩膜；
所述将预处理后的图像进行颅骨去除，获得脑实质三维掩膜具体包括：
根据颅骨最小HU值提取颅骨，对预处理后的图像进行二值化，将颅骨设为前景，其余部分设为背景，进行膨胀处理，填充颅骨空洞得到膨胀处理后的颅骨图像；
在颅内设定种子点，利用区域生长在颅内合并与种子点像素相近的区域，获得脑实质三维掩膜；
对脑实质三维掩膜进行空洞补全，并膨胀至原颅骨处，得到膨胀后的图像；
在膨胀后的图像中选取脑部中间切片作为参考切片，利用特征降维进行平面椭圆拟合；
计算拟合椭圆的半长轴、半短轴和椭圆长轴特征向量和短轴特征向量，用长轴特征向量通过反三角函数计算旋转角；
定位拟合椭圆长轴坐标，根据长轴坐标和旋转角得到中矢面。
2.如权利要求1所述的方法，其特征在于，所述利用特征降维进行平面椭圆拟合具体包括：
根据参考切片获得非零像素的坐标矩阵，计算横纵坐标均值向量；
根据非零像素坐标矩阵及均值向量计算2*2的协方差矩阵。
3.一种基于形态学的大脑中矢面提取系统，其特征在于，包括：预处理模块、脑实质三维掩膜模块、空洞补全模块、平面椭圆拟合模块、计算模块和中矢面定位模块，其中；
所述预处理模块用于对头颅医学影像图像进行预处理得到预处理后的图像；
所述脑实质三维掩膜模块用于将预处理后的图像进行颅骨去除，获得脑实质三维掩膜；
所述空洞补全模块用于对脑实质三维掩膜进行空洞补全，并膨胀至原颅骨处，得到膨胀后的图像；
所述平面椭圆拟合模块用于在膨胀后的图像中选取脑部中间切片作为参考切片，利用特征降维进行平面椭圆拟合；
所述计算模块用于计算拟合椭圆的半长轴、半短轴和椭圆长轴特征向量和短轴特征向量，用长轴特征向量通过反三角函数计算旋转角；
所述中矢面定位模块用于定位拟合椭圆长轴坐标，根据长轴坐标和旋转角得到中矢面；
所述预处理模块包括配准单元和降噪单元，所述配准单元用于对获取的头颅医学影像图像刚体配准至模板；所述降噪单元采用高斯滤波器对头颅医学影像图像进行降噪；
所述脑实质三维掩膜模块包括颅骨处理单元和区域生长处理单元，所述颅骨处理单元用于根据颅骨最小HU值提取颅骨，对预处理后的图像进行二值化，将颅骨设为前景，其余部分设为背景，进行膨胀处理，填充颅骨空洞得到膨胀处理后的颅骨图像；所述区域生长处理单元用于在颅内设定种子点，利用区域生长在颅内合并与种子点像素相近的区域，获得脑实质三维掩膜。
4.如权利要求3所述的系统，其特征在于，所述平面椭圆拟合模块包括横纵坐标均值向量单元和协方差矩阵单元，所述横纵坐标均值向量单元用于根据参考切片获得非零像素的坐标矩阵，计算横纵坐标均值向量；所述协方差矩阵单元用于根据非零像素坐标矩阵及均值向量计算2*2的协方差矩阵。
5.一种大脑中矢面提取终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，其特征在于，所述处理器被配置用于调用所述程序指令，执行如权利要求1-2任一项所述的方法步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-2任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110055480.1A CN112837226B (zh) | 2021-01-15 | 2021-01-15 | 基于形态学的大脑中矢面提取方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110055480.1A CN112837226B (zh) | 2021-01-15 | 2021-01-15 | 基于形态学的大脑中矢面提取方法、系统、终端及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112837226A CN112837226A (zh) | 2021-05-25 |
| CN112837226B true CN112837226B (zh) | 2023-11-07 |
Family
ID=75928377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110055480.1A Active CN112837226B (zh) | 2021-01-15 | 2021-01-15 | 基于形态学的大脑中矢面提取方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112837226B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007105107A2 (en) * | 2006-03-14 | 2007-09-20 | Agency For Science, Technology And Research | Methods, apparatus and computer-readable media for image segmentation |
| CN107203997A (zh) * | 2016-03-16 | 2017-09-26 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
| CN108961292A (zh) * | 2018-05-31 | 2018-12-07 | 沈阳东软医疗系统有限公司 | 一种在脑部医学图像中检测msp的方法和装置 |
| CN109410221A (zh) * | 2018-10-31 | 2019-03-01 | 上海联影医疗科技有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
| CN111311626A (zh) * | 2020-05-11 | 2020-06-19 | 南京安科医疗科技有限公司 | 基于ct图像的颅骨骨折自动检测方法及电子介质 |
| CN111402305A (zh) * | 2020-06-05 | 2020-07-10 | 嘉兴太美医疗科技有限公司 | 医学影像配准方法、系统和计算机可读介质 |
| CN111862066A (zh) * | 2020-07-28 | 2020-10-30 | 平安科技（深圳）有限公司 | 基于深度学习的脑瘤图像分割方法、装置、设备及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008024082A2 (en) * | 2006-08-24 | 2008-02-28 | Agency For Science, Technology And Research | Localization of brain landmarks such as the anterior and posterior commissures based on geometrical fitting |
| US7986823B2 (en) * | 2007-05-14 | 2011-07-26 | Siemens Aktiengesellschaft | System and method for consistent detection of mid-sagittal planes for magnetic resonance brain scans |
-
2021
- 2021-01-15 CN CN202110055480.1A patent/CN112837226B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007105107A2 (en) * | 2006-03-14 | 2007-09-20 | Agency For Science, Technology And Research | Methods, apparatus and computer-readable media for image segmentation |
| CN107203997A (zh) * | 2016-03-16 | 2017-09-26 | 上海联影医疗科技有限公司 | 一种左右半脑的分割方法 |
| CN108961292A (zh) * | 2018-05-31 | 2018-12-07 | 沈阳东软医疗系统有限公司 | 一种在脑部医学图像中检测msp的方法和装置 |
| CN109410221A (zh) * | 2018-10-31 | 2019-03-01 | 上海联影医疗科技有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
| CN111311626A (zh) * | 2020-05-11 | 2020-06-19 | 南京安科医疗科技有限公司 | 基于ct图像的颅骨骨折自动检测方法及电子介质 |
| CN111402305A (zh) * | 2020-06-05 | 2020-07-10 | 嘉兴太美医疗科技有限公司 | 医学影像配准方法、系统和计算机可读介质 |
| CN111862066A (zh) * | 2020-07-28 | 2020-10-30 | 平安科技（深圳）有限公司 | 基于深度学习的脑瘤图像分割方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| An Efficient Automatic Midsagittal Plane Extraction in Brain MRI;Hafiz etc,;《Applied Sciences》;20181109;正文第2-4节 * |
| 超声图像胎儿颅骨椭圆自动检测方法;陈凯等;《中国图象图形学报》;20091215(第12期);第59-63页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112837226A (zh) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | A review of image segmentation methodologies in medical image | |
| Dubey et al. | Evaluation of three methods for MRI brain tumor segmentation | |
| Xue et al. | Automatic segmentation and reconstruction of the cortex from neonatal MRI | |
| EP2102675B1 (en) | Segmentation of magnetic resonance diffusion data | |
| WO2021030629A1 (en) | Three dimensional object segmentation of medical images localized with object detection | |
| CN111354001B (zh) | 脑肿瘤图像分割方法、装置和存储介质 | |
| EP1728213B1 (en) | Method and apparatus for identifying pathology in brain images | |
| Alansary et al. | PVR: patch-to-volume reconstruction for large area motion correction of fetal MRI | |
| EP1997068B1 (en) | Method and system for discriminating image representations of classes of objects | |
| WO2007044508A2 (en) | System and method for whole body landmark detection, segmentation and change quantification in digital images | |
| Balan et al. | Smart histogram analysis applied to the skull-stripping problem in T1-weighted MRI | |
| CN110111296B (zh) | 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 | |
| WO2007079207A2 (en) | An integrated segmentation and classification approach applied to medical applications analysis | |
| CN110910335B (zh) | 一种图像处理方法、图像处理设备及计算机可读存储介质 | |
| CN113077479A (zh) | 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质 | |
| CN106709920B (zh) | 血管提取方法及其装置 | |
| CN110956634A (zh) | 一种基于深度学习的脑微出血自动检测方法及系统 | |
| US20170046826A1 (en) | High resolution intraoperative mri images | |
| EP3853814B1 (en) | Analyzing symmetry in image data | |
| WO2022006917A1 (zh) | 基于人工智能的磁共振肺部影像识别装置及方法 | |
| CN112837226B (zh) | 基于形态学的大脑中矢面提取方法、系统、终端及介质 | |
| CN112102327A (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
| Undeman et al. | Fully automatic segmentation of MRI brain images using probabilistic anisotropic diffusion and multi-scale watersheds | |
| Wu et al. | Fast and robust symmetry detection for brain images based on parallel scale‐invariant feature transform matching and voting | |
| Barbosa et al. | Semi-automatic active contour-based segmentation to remove eyes, meninges, and skull from MRI |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |