CN113222886A - 颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统 - Google Patents
颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统 Download PDFInfo
- Publication number
- CN113222886A CN113222886A CN202110232446.7A CN202110232446A CN113222886A CN 113222886 A CN113222886 A CN 113222886A CN 202110232446 A CN202110232446 A CN 202110232446A CN 113222886 A CN113222886 A CN 113222886A
- Authority
- CN
- China
- Prior art keywords
- image
- fossa
- target
- target frame
- jugular
- 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.)
- Granted
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种用于颞骨影像中颈静脉球窝和乙状窦沟的自动定位方法、智能颞骨影像处理系统,用于计算机辅助搏动性耳鸣诊断。该方法采用由粗到细的框架进行逐步精确定位,充分利用颈静脉球窝和乙状窦沟的形状信息、相对位置信息,使其检测与定位算法更高效轻量。通过结合多视图信息并融合,优化定位效果并提升对于多层连续变化目标的检测准确度。本发明所提供的自动定位方法与深度学习方法相比,不再依赖极大量的有标注数据,更容易实施和推广。
Description
技术领域
本发明涉及医学影像处理领域,特别涉及一种颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统。
背景技术
耳鸣表现为无外界刺激情况下人体对声音的异常感知,是耳科常见病、多发病。其中,搏动性耳鸣(Pulsatile Tinnitus,PT)约占耳鸣患者的4%-10%。近十年来,随着经济发展和人们对健康的重视,患者诊治需求激增。随着颞骨影像技术的普及,针对搏动性耳鸣的影像检查方法已成为重要的技术手段。
颞骨CT是诊断搏动性耳鸣骨质性病变的主要方法,颞骨CT可以显示中耳、内耳等多个细微结构,例如耳蜗、半规管、前庭、听小骨等。颞骨核磁影像可显示中耳、内耳等多层面细微结构,也可用于诊断耳鸣骨质性病变。搏动性耳鸣与颞骨区多部位的血管及骨质形态学因素密切相关,其中搏动性耳鸣发生的主要骨质性病变是颞骨区血管旁骨壁缺失。已报道的可引起搏动性耳鸣的骨壁缺失部位包括颈内动脉管周围骨壁、颈静脉球窝与乳突气房间骨壁、乙状窦沟周围骨壁、颈静脉球窝与鼓室间骨壁、岩上窦位置上半规骨壁等。搏动性耳鸣由骨壁缺失导致血流噪音传导至耳内而产生,在临床实践中,对骨质性病变精确诊断是治愈搏动性耳鸣的关键。搏动性耳鸣病变微小、位置多变,在临床实践中对医生的临床经验要求较高。且临床需求不断增加,医学影像数据每年急剧增长,也极大的增加了医生的工作负担。
近些年基于计算机视觉、深度学习的医学影像智能化分析成为研究热门,医学影像自动处理为临床诊断、手术规划、临床教学等任务提供了可靠的参考依据。在医学影像中自动检测到需要关注的结构并准确定位,不仅可以为医生快速地提供需要关注的区域,还可为后续解剖结构的分割、建模分析、异常检测等工作奠定基础。与单幅的2D自然图像不同,医学影像通常为一组连续的2D影像形成的3D体数据,同一解剖结构在一系列连续的层中存在,在连续的单层2D影像中显示为一系列形态变化。与自然图像中的待检目标不同,医学影像中需要检测、定位的解剖结构通常形状多变,在图像中所占比例较小,目标与背景之间对比度低。搏动性耳鸣相关的血管旁骨壁缺失时,其病变部位多变,影像学变现各异,周围结构毗邻复杂,成为影像诊断中的难点,这对其检测、定位带来了挑战。
常规的目标检测方法在定位的过程中采用滑动窗口的方式在一整幅图像中进行检测,时间复杂度较高;解剖结构随连续层序列在形态上会发生变化,常规的目标检测方法难以将变化的目标分为同一类,因此在检测连续变化的解剖结构时错误率通常较高;常规的目标检测方法通常需要大量的标注数据进行模型的训练,这对人力、时间等方面的消耗巨大。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的技术方案。因此,本发明的一个方面,提供了一种用于颞骨影像中颈静脉球窝和乙状窦沟的自动定位方法,该方法包括:
根据颞骨影像灰度值对每层横截面图像进行颈静脉球窝和乙状窦沟的联合粗定位,获取目标区域;
基于目标区域图像的体素灰度值进行内骨壁位置提取,并把图像转换为灰度图像,从而得到内骨壁图像;
对所述内骨壁图像进行圆形检测,并根据圆心与内骨壁外侧的相对位置对所检测到的圆进行修正;
基于所检测到的圆形成颈静脉球窝横截面目标框、乙状窦沟横截面目标框;
根据所述颈静脉球窝横截面目标框对原始颞骨影像进行裁剪,获得目标3D立方体;
获取目标3D立方体的每一幅失状面图像,并进行目标检测,得到矢状面上的颈静脉球窝失状面目标框;
基于所述乙状窦沟横截面目标框对乙状窦沟进行定位;
结合所述颈静脉球窝的矢状面目标框以及横截面目标框确定颈静脉球窝的定位。
可选的,所述颞骨影像为CT影像时,在所述联合粗定位的步骤中包括对颞骨影像进行阈值分割,选择的阈值大于等于226。
可选的,所述进行圆形检测以及对所检测到的圆进行修正的步骤包括:
设置检测内侧圆心的累加器的初始阈值,并设置两个圆心的最小距离以及圆半径最小值、最大值;
对所述内骨壁图像进行圆形检测;
根据圆形检测结果调整所述阈值,
依据前后层图像圆形的数量、位置、大小和/或两个圆心之间的距离对各层所检测的圆形进行修正,所述修正包括删除圆形、补足圆形中的至少一个。
可选的,根据所述颈静脉球窝目标框横截面目标框对原始颞骨影像进行裁剪时保留原始坐标以及原始层号。
可选的,对裁剪后的图像进行闭运算处理。
可选的,按照所述检测的颈静脉球窝横截面目标框的横向坐标顺序保存目标3D立方体的每一张矢状面图像,并依序对其进行目标检测,得到矢状面图像上的颈静脉球窝失状面目标框。
可选的,将目标3D立方体左上角的纵坐标、右下角的纵坐标分别作为整例颈静脉球窝的初始层号和结束层号。
可选的,将颈静脉球窝横截面目标框的横向宽度作为最终定位的颈静脉球窝的宽,将横截面目标框的纵向宽度、矢状面目标框的纵向宽度较大的作为最终定位的颈静脉球窝的高度。
本发明还提供一种智能颞骨影像处理系统,该系统包括:
联合粗定位模块,用于根据颞骨影像灰度值对每层横截面图像进行颈静脉球窝和乙状窦沟的联合粗定位,获取目标区域;
内骨壁图像获取模块,用于基于目标区域图像的体素灰度值进行内骨壁位置提取,并把图像转换为灰度图像,从而得到内骨壁图像;
圆形检测修正模块,用于对所述内骨壁图像进行圆形检测,并根据圆心与骨壁外侧的相对位置对所检测到的圆进行修正;
横截面目标框形成模块,用于基于所检测到的圆形成颈静脉球窝横截面目标框、乙状窦沟横截面目标框;
目标3D立方体获取模块,用于根据所述颈静脉球窝横截面目标框对原始颞骨影像进行裁剪,获得目标3D立方体;
颈静脉球窝失状面目标框获取模块,用于获取目标3D立方体的每一幅失状面图像,并进行目标检测,得到矢状面上的颈静脉球窝失状面目标框;
乙状窦沟定位模块,用于基于所述乙状窦沟横截面目标框对乙状窦沟进行定位;
颈静脉球窝定位模块,用于结合所述颈静脉球窝的矢状面目标框以及横截面目标框确定颈静脉球窝的定位。
本申请提供的技术方案,提供了一种颞骨影像中颈静脉球窝和乙状窦沟的自动定位方法,用于计算机辅助搏动性耳鸣诊断。该方法采用由粗到细的框架进行逐步精确定位,充分利用颈静脉球窝和乙状窦沟的形状信息、相对位置信息,使其检测与定位算法更高效轻量。通过结合多视图信息并融合,优化定位效果并提升对于多层连续变化目标的检测准确度。本发明所提供的定位方法与深度学习方法相比,不再依赖极大量的有标注数据,更容易实施和推广。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述技术方案和其目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明提供的用于颞骨影像中颈静脉球窝和乙状窦沟的自动定位方法的架构图;
图2示出了本发明提供的用于颞骨影像中颈静脉球窝和乙状窦沟的自动定位方法的流程图;
图3示出了内骨壁提取结果的示意图;
图4中a-c示出了圆形检测以及校正过程的结果。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明充分考虑医学影像中不同层解剖结构之间的位置关系以及各解剖结构本身的形状特征,并且考虑其为3D数据的特点,充分利用多视图信息来提升检测定位的精度。本发明提出了一种颞骨CT影像中颈静脉球窝和乙状窦沟自动定位方法,如图1所示,在该方法中,进行粗定位缩小待定位区域,降低定位的时间复杂度,然后在粗定位的基础上,充分利用颈静脉球窝和乙状窦沟的形状信息与相对位置信息进行检测,既考虑其形态的变化,取代了常规方法中的分类过程从而提升其精度与效率,结合多视图信息提升定位效果,更加有效的规避了由于形态变化导致的误检测问题,从而实现了颞骨影像中颈静脉球窝、乙状窦沟的自动定位。
本发明的一个方面,提供了一种用于颞骨影像中颈静脉球窝和乙状窦沟的自动定位方法,如图2所示,该方法包括:
S1.根据颞骨影像灰度值对每层横截面图像进行颈静脉球窝和乙状窦沟的联合粗定位,获取目标区域;
S2.基于目标区域图像的体素灰度值进行内骨壁位置提取,并把图像转换为灰度图像,从而得到内骨壁图像;
S3.所述内骨壁图像进行圆形检测,并根据圆心与内骨壁外侧的相对位置对所检测到的圆进行修正;
S4.基于所检测到的圆形成颈静脉球窝横截面目标框、乙状窦沟横截面目标框;
S5.根据所述颈静脉球窝横截面目标框对原始颞骨影像进行裁剪,获得目标3D立方体;
S6.获取目标3D立方体的每一幅失状面图像,并进行目标检测,得到矢状面上的颈静脉球窝失状面目标框;
S7.基于所述乙状窦沟横截面目标框对乙状窦沟进行定位;
S8.结合所述颈静脉球窝的矢状面目标框以及横截面目标框确定颈静脉球窝的定位。
在医学影像中,颞骨影像分为核磁影像和CT影像,核磁影像和CT影像均为3D影像,本发明适用于核磁影像、CT影像等多层扫描医学影像、3D医学影像进行颈静脉球窝、乙状窦沟的自动定位,对于不同类型医学影像,处理过程相同,只是各处理步骤的具体参数不同。为了进行更详细地说明,下面主要以颞骨CT影像为实施例进行说明。
步骤S1具体包括下述过程:
1)对颞骨CT影像进行预处理:对颞骨CT影像立方体HU(体密度)值截断处理,将HU值小于Tmin的值设置为Tmin,HU值大于Tmax的设置为Tmax,其中,Tmin和Tmax的取值范围在最低HU值到最高HU值之间,通常情况下,在颞骨CT中,空气HU值为-1024,骨质的HU值在300以上,将数据截断到最低-1024,最高截断至2000或以上即可完整的保留颞骨区域,在具体实施中,采用2347作为截断上限。后面步骤,在截断处理后的颞骨CT影像进行分析,以此降低无关背景对于目标结构检测定位的影响。
2)对截断处理后的颞骨CT影像进行阈值分割,将HU值小于Hmid的值设置为0,将HU值大于Hmid的值设置为255,将每一层数据存储为8位灰度图像。HU值的阈值Hmid的值大于等于226即可,应用时根据数据存在的噪点情况选择最佳阈值,在具体实施中,设置260作为阈值。
3)采用常规的目标检测算法(如SSD、Faster-Rcnn、YOLO等)对阈值分割后的每一层横截面图像进行颈静脉球窝和乙状窦沟的联合粗定位,要求定位结果区域能够同时包含颈静脉球窝和乙状窦沟所在区域,且要求在不同层中不同形态的颈静脉球窝均需要检测到,同时要求检测得到的目标框在包含目标的前提下尽可能小。将目标框从阈值分割后的图中裁剪下来作为后一阶段的输入,但注意保留其裁剪时的坐标和层信息。当目标框左上角顶点的横坐标x小于原始图像的宽的一半时,检测到的目标为颞骨CT中的右耳侧,否则为左耳侧。以空间分辨率512í512、层间距0.312mm,层厚0.625mm参数设置的CT影像为例,颞骨CT图像尺寸通常为512í512,则x的区分值为256。
步骤S2具体包括下述过程:
1)将S1得到的裁剪后的图像作为本步骤的输入,进行闭运算操作。由于S1得到的裁剪后的图像上有锯齿,影响圆形检测,因此有必要进行校正。用来填补图片中的一些较小的缺失并使骨壁边缘变得更为平滑,以保证圆形骨壁能够被提取到。闭运算的卷积核大小由输入图像的尺寸及缺失情况来定,通常情况下选择(5*5)大小即可,如果后面过程2)中内骨壁提取发生错误,则可程序自适应性的选择(7*7)或(9*9)以满足后续条件。
2)将闭运算后得到的结果图进行内骨壁提取。在提取内骨壁时,对于右耳侧,将图像右下角像素点标记为待判断点作为起点进行判断,若像素点的值为0(黑色、背景)则将该点标记为已判断点,若像素点的值为255(白色、骨壁)则记录该像素点位置并标记为已判断点。接下来将当前点的八邻域像素点标记为待判断点(若标记为已判断点则不改变其标记)。以相同标准判断所有待判断点,直至所有待判断点完成判断。将得到的所有白点位置保留原像素值(255),其他像素点值置为0,则可得到提取后的内骨壁图像。提取后的内骨壁图像的示意如图3所示。对于左侧耳,则将图像左下角像素点标记为待判断点作为起点进行判断,其他步骤如右侧耳即可。
步骤S3具体包括下述过程:
1)将步骤S2得到的内骨壁图片作为本步骤输入,利用霍夫变换进行圆形检测。基于霍夫变换的圆形检测算法输入为灰度图像。基于霍夫变换的圆形检测方法可以通过现有的开源软件工具实现,主要设置如下参数:
a)设置检测内侧圆心的累加器的图像分辨率与输入图像具有相同的分辨率;
b)两个圆之间圆心的最小距离,取值如公式(1)所示。式中x为输入图像宽,y为输入图像高;
c)Param1表示传递给Canny边缘检测算子的高阈值,本方法中选择Param1=700;
d)Param2表示在检测阶段圆心的累加器阈值,是本方法中最关键的经验参数。Param2越小越可以检测到更多的圆,但也会产生更多非目标区域的错误圆。在本方法中默认选择Param2=8,如果未能检测到圆,则程序将自适应的调节Param2=6。
e)minRadius为检测到的圆半径的最小值,本方法中选择minRadius=5;
f)maxRadius为检测到的圆半径的最大值,本方法中选择minRadius=15。
2)对上面过程1)中检测到的圆进行修正。圆形检测与修正的示意图如图4所示。图4a)示意圆形检测前的结果,图4b)示意出删除错误圆后的结果,图4c)示意出了包含颈静脉球窝和乙状窦沟的矫正后圆形检测结果。
3)修正的大致内容是依据前后层图像圆形的数量、位置、大小和/或两个圆心之间的距离对各层所检测的圆形进行修正,所述修正包括删除圆形、补足圆形中的至少一个。
首先删除明显不属于目标圆的圆,即对于右耳侧时圆心出现在骨壁外侧(实际CT图像中对应显示为骨壁左侧),对于左耳侧时圆心出现在骨壁外侧(实际CT图像中对应显示为骨壁右侧)。随后记录此时每幅图中检测到的圆的数量和位置、半径信息。由于检测的图为一系列连续的CT影像层,则图中的待检测目标形态一定是类似的,按一定规律连续变化的。由于图中一定存在颈静脉球窝、乙状窦沟或其中一个,则对于一张图检测到的圆数量一定为1或2,且连续的图之间检测到的圆数量应该相等。此时将判断除第一幅和最后一幅图中检测到的圆是否正确,并对检测错误的予以修正。若当前图中检测到的圆数量大于其前后图中检测到的圆数量(其前后图中检测到的圆数量相等),则当前图中检测到的圆将被删除,以其前后图中的圆位置和半径的平均值取代。若当前图中检测到的圆数量小于其前后图中检测到的圆数量(其前后图中检测到的圆数量相等),则将通过判断缺少的圆的位置信息将其缺少的圆进行补足,为之补充的圆的位置、半径同样为其前后图中圆位置和半径的平均值。以上述方法修正所有待修正图像直至结束。
在步骤S4中,根据得到的每幅图像(即对应含目标的CT影像的每一层图像)中的圆所在位置,即应为检测定位到的颈静脉球窝或乙状窦沟位置。将圆心作为方框中心,方框半径为圆半径加3体素。由颈静脉球窝和乙状窦沟相对位置信息判断,在图像上半部分的方框为颈静脉球窝,下半部分的方框为乙状窦沟。对于整例数据,最终检测到的目标框位置取各层相应目标框的中左上角坐标位置最小值,右下角坐标位置最大值,即取最大方框作为整例数据的定位目标框。目标框左上角坐标为(x1,y1),右下角坐标为(x2,y2)。第一张包含颈静脉球窝的图像层号记为z1,最后一张包含颈静脉球窝的图像层号记为z2,由此获取到颈静脉球窝横截面目标框、乙状窦沟横截面目标框的具体坐标。
在步骤S5中,根据步骤S4中得到的整例数据目标框位置信息,将数据截断后的原始3D数据进行裁剪,形成一个包含目标的小3D立方体。此时裁剪得到的小3D立方体的左上角坐标为(x1′′,y1′),右下角坐标为(x2′′,y2′),首层和末层分别为z1′和z2′。计算方式如公式(2)所示。
在步骤S6中,根据步骤S5中得到的包含目标的小3D立方体数据,保存该小3D立方体数据数据的每一幅矢状面图像,按照所述检测的颈静脉球窝横截面目标框的横向坐标顺序保存目标3D立方体的每一张矢状面图像,此时每幅图像则依顺序对应步骤S4得到的整例目标框中的横坐标x。依序对其进行目标检测,得到矢状面图像上的颈静脉球窝失状面目标框,在目标检测时利用常规目标检测方法进行,具体的目标检测方法不再具体阐述。小3D立方体整例目标框坐标选取方法同步骤S3中的第3)过程,即取最大目标框作为结果,其左上角坐标为(xS1,yS1),右下角坐标为(xS2,yS2)。Z1,z2表示层号。
在步骤S7中,利用乙状窦沟的横截面目标框进行乙状窦沟的最终定位。
在步骤S8中,利用前面步骤得到的整例数据颈静脉球窝横截面目标框、颈静脉球窝的矢状面目标框,进行最终颈静脉球窝的定位。将步骤S5得到目标3D立方体左上角的纵坐标、右下角的纵坐标分别作为整例颈静脉球窝的初始层号和结束层号。即将小3D立方体整例目标框中的yS1作为整例颈静脉球窝的初始层号,yS2作为整例颈静脉球窝的结束层号(矢状面的初始层号、矢状面的结束层号)(即新的z值)。S表示矢状面,s1表示左上角,s2表示右下角。将颈静脉球窝横截面目标框的横向宽度作为最终定位的颈静脉球窝的宽,将横截面目标框的纵向宽度、矢状面目标框的横向宽度中较大的作为最终定位的颈静脉球窝的高度。即将所述整例数据颈静脉球窝横截面目标框的宽(对应坐标x)即为最终结果目标框的宽,最终结果目标框的高(对应坐标y)取横截面目标框的高(对应坐标y)和矢状面目标框的宽(对应坐标x)中能够使目标框更大者。
本申请提供的技术方案,提供了一种颞骨影像中颈静脉球窝和乙状窦沟的自动定位方法,用于计算机辅助搏动性耳鸣诊断。该方法采用由粗到细的框架进行逐步精确定位,充分利用颈静脉球窝和乙状窦沟的形状信息、相对位置信息,使其检测与定位算法更高效轻量。通过结合多视图信息并融合,优化定位效果并提升对于多层连续变化目标的检测准确度。本发明所提供的定位方法与深度学习方法相比,不再依赖极大量的有标注数据,更容易实施和推广。
本发明还提供一种智能颞骨影像处理系统,该系统包括:
联合粗定位模块,用于根据颞骨影像灰度值对每层横截面图像进行颈静脉球窝和乙状窦沟的联合粗定位,获取目标区域;
内骨壁图像获取模块,用于基于目标区域图像的体素灰度值进行内骨壁位置提取,并把图像转换为灰度图像,从而得到内骨壁图像;
圆形检测修正模块,用于对所述内骨壁图像进行圆形检测,并根据圆心与骨壁外侧的相对位置对所检测到的圆进行修正;
横截面目标框形成模块,用于基于所检测到的圆形成颈静脉球窝横截面目标框、乙状窦沟横截面目标框;
目标3D立方体获取模块,用于根据所述颈静脉球窝横截面目标框对原始颞骨影像进行裁剪,获得目标3D立方体;
颈静脉球窝失状面目标框获取模块,用于获取目标3D立方体的每一幅失状面图像,并进行目标检测,得到矢状面上的颈静脉球窝失状面目标框;
乙状窦沟定位模块,用于基于所述乙状窦沟横截面目标框对乙状窦沟进行定位;
颈静脉球窝定位模块,用于结合所述颈静脉球窝的矢状面目标框以及横截面目标框确定颈静脉球窝的定位。
所述智能颞骨影像处理系统作为颞骨影像成像装置、医学诊断的计算机辅助系统,具体实施方式可为服务器(医学影像工作站)、颞骨影像成像及分析设备,为医生直接显示颈静脉球窝、乙状窦沟的定位结果。为医生的诊断提供了便利。
本发明针对颞骨影像中颈静脉球窝和乙状窦沟的形态特点,通过对圆形进行检测来定位目标。通过对形状先验信息的利用,不再需要像常规目标检测方法一样设计复杂的网络结构,也不再需要大量标注数据;本发明通过利用颞骨影像中颈静脉球窝和乙状窦沟的位置信息,取代了常规目标检测算法中的分类步骤,降低了算法的复杂度;本发明利用颞骨影像的多视图信息,规避了对于连续层中形态变化较大的解剖结构利用常规目标检测算法需要分为不同类的错误,并优化了定位结果。本发明提出的智能颞骨影像处理系统,不需要进行累加大量实践数据进行深度学习,需要的处理资源少,便于实现。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。
Claims (9)
1.一种用于颞骨影像中颈静脉球窝和乙状窦沟的自动定位方法,其特征在于,该方法包括:
根据颞骨影像灰度值对每层横截面图像进行颈静脉球窝和乙状窦沟的联合粗定位,获取目标区域;
基于目标区域图像的体素灰度值进行内骨壁位置提取,并把图像转换为灰度图像,从而得到内骨壁图像;
对所述内骨壁图像进行圆形检测,并根据圆心与内骨壁外侧的相对位置对所检测到的圆进行修正;
基于所检测到的圆形成颈静脉球窝横截面目标框、乙状窦沟横截面目标框;
根据所述颈静脉球窝横截面目标框对原始颞骨影像进行裁剪,获得目标3D立方体;
获取目标3D立方体的每一幅失状面图像,并进行目标检测,得到矢状面上的颈静脉球窝失状面目标框;
基于所述乙状窦沟横截面目标框对乙状窦沟进行定位;
结合所述颈静脉球窝的矢状面目标框以及横截面目标框确定颈静脉球窝的定位。
2.根据权利要求1所述的自动定位方法,其特征还在于,所述颞骨影像为CT影像时,在所述联合粗定位的步骤中包括对颞骨影像进行阈值分割,选择的阈值大于等于226。
3.根据权利要求1所述的自动定位方法,其特征还在于,所述进行圆形检测以及对所检测到的圆进行修正的步骤包括:
设置检测内侧圆心的累加器的初始阈值,并设置两个圆心的最小距离以及圆半径最小值、最大值;
对所述内骨壁图像进行圆形检测;
根据圆形检测结果调整所述阈值,
依据前后层图像圆形的数量、位置、大小和/或两个圆心之间的距离对各层所检测的圆形进行修正,所述修正包括删除圆形、补足圆形中的至少一个。
4.根据权利要求1所述的自动定位方法,其特征还在于,根据所述颈静脉球窝目标框横截面目标框对原始颞骨影像进行裁剪时保留原始坐标以及原始层号。
5.根据权利要求4所述的自动定位方法,其特征还在于,对裁剪后的图像进行闭运算处理。
6.根据权利要求1所述的自动定位方法,其特征还在于,按照所述检测的颈静脉球窝横截面目标框的横向坐标顺序保存目标3D立方体的每一张矢状面图像,并依序对其进行目标检测,得到矢状面图像上的颈静脉球窝失状面目标框。
7.根据权利要求1所述的自动定位方法,其特征还在于,将目标3D立方体左上角的纵坐标、右下角的纵坐标分别作为整例颈静脉球窝的初始层号和结束层号。
8.根据权利要求7所述的自动定位方法,其特征还在于,将颈静脉球窝横截面目标框的横向宽度作为最终定位的颈静脉球窝的宽,将横截面目标框的纵向宽度、矢状面目标框的纵向宽度较大的作为最终定位的颈静脉球窝的高度。
9.一种智能颞骨影像处理系统,其特征在于,该系统包括:
联合粗定位模块,用于根据颞骨影像灰度值对每层横截面图像进行颈静脉球窝和乙状窦沟的联合粗定位,获取目标区域;
内骨壁图像获取模块,用于基于目标区域图像的体素灰度值进行内骨壁位置提取,并把图像转换为灰度图像,从而得到内骨壁图像;
圆形检测修正模块,用于对所述内骨壁图像进行圆形检测,并根据圆心与骨壁外侧的相对位置对所检测到的圆进行修正;
横截面目标框形成模块,用于基于所检测到的圆形成颈静脉球窝横截面目标框、乙状窦沟横截面目标框;
目标3D立方体获取模块,用于根据所述颈静脉球窝横截面目标框对原始颞骨影像进行裁剪,获得目标3D立方体;
颈静脉球窝失状面目标框获取模块,用于获取目标3D立方体的每一幅失状面图像,并进行目标检测,得到矢状面上的颈静脉球窝失状面目标框;
乙状窦沟定位模块,用于基于所述乙状窦沟横截面目标框对乙状窦沟进行定位;
颈静脉球窝定位模块,用于结合所述颈静脉球窝的矢状面目标框以及横截面目标框确定颈静脉球窝的定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232446.7A CN113222886B (zh) | 2021-03-03 | 2021-03-03 | 颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232446.7A CN113222886B (zh) | 2021-03-03 | 2021-03-03 | 颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222886A true CN113222886A (zh) | 2021-08-06 |
CN113222886B CN113222886B (zh) | 2023-01-24 |
Family
ID=77084811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110232446.7A Active CN113222886B (zh) | 2021-03-03 | 2021-03-03 | 颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222886B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110137157A1 (en) * | 2009-12-08 | 2011-06-09 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
CN106778036A (zh) * | 2017-01-10 | 2017-05-31 | 首都医科大学附属北京友谊医院 | 一种数据处理的方法及装置 |
CN112419330A (zh) * | 2020-10-16 | 2021-02-26 | 北京工业大学 | 一种基于空间相对位置先验的颞骨关键解剖结构自动定位方法 |
-
2021
- 2021-03-03 CN CN202110232446.7A patent/CN113222886B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110137157A1 (en) * | 2009-12-08 | 2011-06-09 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method |
CN106778036A (zh) * | 2017-01-10 | 2017-05-31 | 首都医科大学附属北京友谊医院 | 一种数据处理的方法及装置 |
CN112419330A (zh) * | 2020-10-16 | 2021-02-26 | 北京工业大学 | 一种基于空间相对位置先验的颞骨关键解剖结构自动定位方法 |
Non-Patent Citations (1)
Title |
---|
黄楹等: "乙状窦沟及周围骨性结构CT观察的临床意义", 《现代神经疾病杂志》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113222886B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN109636808B (zh) | 一种基于全卷积神经网络的肺叶分割方法 | |
CN107808156A (zh) | 感兴趣区域提取方法 | |
CN110796613B (zh) | 一种图像伪影的自动识别方法及装置 | |
CN107563998B (zh) | 医学图像中心脏图像处理方法 | |
WO2021115313A1 (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
CN107545584A (zh) | 医学图像中定位感兴趣区域的方法、装置及其系统 | |
CN111161241B (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
CN110458830A (zh) | 图像处理方法、装置、服务器及存储介质 | |
CN105678746A (zh) | 一种医学图像中肝脏范围的定位方法及装置 | |
CN114627067A (zh) | 一种基于图像处理的伤口面积测量及辅助诊疗方法 | |
WO2023186133A1 (zh) | 一种用于穿刺路径规划的系统及方法 | |
CN111402277B (zh) | 一种医学影像的物体外轮廓分割方法及装置 | |
CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
CN114176616A (zh) | 静脉血栓的检测方法、电子设备和存储介质 | |
CN112686897A (zh) | 一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法 | |
CN109087357A (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
CN113222886B (zh) | 颈静脉球窝、乙状窦沟定位方法和智能颞骨影像处理系统 | |
CN116934885A (zh) | 肺部分割方法、装置、电子设备及存储介质 | |
CN114298986A (zh) | 一种基于多视点无序x光片的胸腔骨骼三维构建方法及系统 | |
WO2021081839A1 (zh) | 基于vrds 4d的病情分析方法及相关产品 | |
JP5403431B2 (ja) | 断層画像処理方法及び装置 | |
CN112712508B (zh) | 一种确定气胸的方法及装置 | |
CN116344001B (zh) | 一种基于人工智能的医疗信息可视化管理系统及方法 | |
CN117442190B (zh) | 一种基于目标检测的创面自动测量方法及系统 |
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 |