CN113450314A - 图像处理方法、装置、存储介质及产品 - Google Patents
图像处理方法、装置、存储介质及产品 Download PDFInfo
- Publication number
- CN113450314A CN113450314A CN202110628348.5A CN202110628348A CN113450314A CN 113450314 A CN113450314 A CN 113450314A CN 202110628348 A CN202110628348 A CN 202110628348A CN 113450314 A CN113450314 A CN 113450314A
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- pet image
- striatum
- region
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 41
- 210000001577 neostriatum Anatomy 0.000 claims abstract description 95
- 230000009466 transformation Effects 0.000 claims abstract description 63
- 210000004556 brain Anatomy 0.000 claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002582 magnetoencephalography Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000002600 positron emission tomography Methods 0.000 description 250
- 238000000034 method Methods 0.000 description 14
- 208000018737 Parkinson disease Diseases 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 210000001638 cerebellum Anatomy 0.000 description 3
- 229960003638 dopamine Drugs 0.000 description 3
- 230000003291 dopaminomimetic effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 210000003523 substantia nigra Anatomy 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004227 basal ganglia Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000001159 caudate nucleus Anatomy 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 208000015122 neurodegenerative disease Diseases 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 210000002637 putamen Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 210000001009 nucleus accumben Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based 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
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
Abstract
本发明公开了一种图像处理方法，包括以下步骤：基于参考图像，获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像；基于所述第一PET影像，在PET影像图谱中，获取待筛选PET影像；基于子区标签，分别确定第一PET影像的第一纹状体区域以及目标PET影像的第二纹状体区域，并基于所述第一纹状体区域以及所述第二纹状体区域，在所述待筛选PET影像中确定目标PET影像；基于所述第一变换关系矩阵对所述目标PET影像进行逆变换操作，以获得所述待处理PET影像对应的目标影像。本发明还公开了一种图像处理装置、存储介质及产品。本发明通过预设图谱库实现了PET影像纹状体的自动分割，与现有脑区分割相比，降低了资源消耗，提高了PET影像自动分割的准确性以及精度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、存储介质及产品。
背景技术
帕金森病(Parkinson’s disease，PD)是一种发病率第二高的神经系统变性疾病，其诊断却主要依靠病史、临床症状及特征。帕金森病的老龄化与运动障碍性致使帕金森病为病人家庭和社会造成严重影响和并带来沉重负担，因而对帕金森病的预防、诊断和治疗显得尤为重要。帕金森病最主要的病理改变是基底神经节受损以及中脑黑质多巴胺(dopamine,DA)能神经元的变性死亡，致使多巴胺在黑质和纹状体之间通路的转运下降，由此而引起纹状体DA含量显著性减少而致病，因此，我们可以选取一种能够表现出该病理改变的医学图像来帮助我们分析并诊断。
正电子发射断层成像(Positron Emission Tomography，PET)是目前常用医疗诊断成像方法中的一种，它具有超高灵敏度与特异性。PET的主要工作原理是正电子与组织中负离子结合发生湮灭辐射，产生两个能量相等方向相反的光子，光子在体内路径不同，到达探测器的时间以及产生定时脉冲的时间也有一定差别，这些定时脉冲经过相应的处理电路后分别输入符合线路进行符合甄别。利用这个原理，可以将生物生命代谢中必须的物质，例如：葡萄糖、蛋白质、核酸、脂肪酸，标记上寿命较短的放射性核素，例如：F18、C11等，注入人体，通过观测该物质在代谢中的聚集情况，分析生命代谢活动的状况，实现诊断目的。[18F]FP-DTBZ-PET分子图像在人类多巴胺系统中呈现显著的高信号，而由于帕金森病的存在，基底神经节受损导致多巴胺在黑质和纹状体之间通路的转运下降，进而导致纹状体区域的信号下降。由于神经退行性疾病是一个长期的、渐进的过程，在PET图像上定量分析代谢信息的方案对疾病程度的识别有很大帮助。
在实际的临床检查中，纹状体的边界划分是直接对低分辨率的PET图像进行操作，在很大程度上依赖于医生经验对边界的人工识别，且对纹状体信号严重下降的帕金森患者，更加难以确认其真实纹状体边界，导致纹状体划分的准确性较低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种图像处理方法、装置、存储介质及产品，旨在解决现有通过PET影像纹状体划分的准确性较低的技术问题。
为实现上述目的，本发明提供一种图像处理方法，所述图像处理方法包括以下步骤：
基于预设图谱库中的参考图像，获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像；
基于所述第一PET影像，在预设图谱库中标准MNI空间下的PET影像图谱中，获取待筛选PET影像；
基于预设图谱库中的子区标签，分别确定第一PET影像的第一纹状体区域以及目标PET影像的第二纹状体区域，并基于所述第一纹状体区域以及所述第二纹状体区域，在所述待筛选PET影像中确定目标PET影像；
基于所述第一变换关系矩阵对所述目标PET影像进行逆变换操作，以获得所述待处理PET影像对应的目标影像。
进一步地，所述基于预设图谱库中的子区标签，分别确定第一PET影像的第一纹状体区域以及待筛选PET影像的第二纹状体区域，并基于所述第一纹状体区域以及所述第二纹状体区域，在所述待筛选PET影像中确定目标PET影像的步骤包括：
基于所述子区标签提取所述第一PET影像中的纹状体区域，以获得所述第一纹状体区域，并基于所述子区标签提取所述待筛选PET影像中的纹状体区域，以获得所述第二纹状体区域；
获取所述第一纹状体区域与各个所述第二纹状体区域之间的区域互信息；
确定所述区域互信息中的最大互信息，并将所述待筛选PET影像中最大互信息对应的PET影像作为所述目标PET影像。
进一步地，所述基于所述第一PET影像，在预设图谱库中标准MNI空间下的PET影像图谱中，获取待筛选PET影像的步骤包括：
获取所述第一PET影像与各个PET影像图谱之间的全脑互信息，并确定各个全脑互信息对应的互信息均值；
将PET影像图谱中全脑互信息大于互信息均值的PET影像作为所述待筛选PET影像。
进一步地，所述基于预设图谱库中的参考图像，获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像的步骤包括：
基于预设图谱库中的标准预处理模版，对所述待处理PET影像进行非线性配准，以获得预处理后的PET影像；
对预处理后的PET影像进行滤波操作，以获得滤波后的PET影像；
基于微分同胚变换非线性配准，将滤波后的PET影像配准至所述参考图像，以获得所述第一变换关系矩阵以及所述第一PET影像。
进一步地，所述基于预设图谱库中的参考图像，获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像的步骤之前，还包括：
获取多个影像样本组，其中，所述样本影像组包括PET影像以及脑磁共振影像；
分别对影像样本组中的PET影像与对应的脑磁共振影像进行刚性配准，以获得原始MRI空间下的PET影像；
获取影像样本组中的各个脑磁共振影像对应的子区标签，并对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱；
基于PET影像图谱，确定参考图像；
基于所述参考图像、所述子区标签以及PET影像图谱，确定所述预设图谱库。
进一步地，所述获取影像样本组中的各个脑磁共振影像对应的子区标签，并对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱的步骤包括：
对影像样本组中的各个脑磁共振影像进行分割操作，以获得标准MNI空间下的脑磁共振影像以及第二变换关系矩阵；
对标准MNI空间下的脑磁共振影像的纹状体区域进行亚分区处理，以获得所述子区标签；
基于第二变换关系矩阵对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱。
进一步地，所述基于所述参考图像、所述子区标签以及标准MRI空间下的PET影像图谱，确定所述预设图谱库的步骤包括：
基于标准MNI空间下的脑磁共振影像确定标准预处理模版；
基于所述标准预处理模版、所述参考图像、所述子区标签以及标准MRI空间下的PET影像图谱，确定所述预设图谱库。
此外，为实现上述目的，本发明还提供一种图像处理装置，所述图像处理装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现前述的图像处理方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现前述的图像处理方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现前述的图像处理方法的步骤。
本发明通过基于预设图谱库中的参考图像，获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像；接着基于所述第一PET影像，在预设图谱库中标准MNI空间下的PET影像图谱中，获取待筛选PET影像；而后基于预设图谱库中的子区标签，分别确定第一PET影像的第一纹状体区域以及目标PET影像的第二纹状体区域，并基于所述第一纹状体区域以及所述第二纹状体区域，在所述待筛选PET影像中确定目标PET影像；然后基于所述第一变换关系矩阵对所述目标PET影像进行逆变换操作，以获得所述待处理PET影像对应的目标影像，通过预设图谱库实现了PET影像纹状体的自动分割，与现有脑区分割相比，降低了资源消耗，提高了PET影像自动分割的准确性以及精度。
同时，通过子区标签对纹状体的进一步亚分区，实现了对纹状体的深度精准分析以及单个脑区的亚分割，能够为帕金森病等脑慢性疾病的机理研究提供重要辅助。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中图像处理装置的结构示意图；
图2为本发明图像处理方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境中图像处理装置的结构示意图。
本发明实施例图像处理装置可以是PC。如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对图像处理装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像处理程序。
在图1所示的图像处理装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的图像处理程序。
在本实施例中，图像处理装置包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的图像处理程序，其中，处理器1001调用存储器1005中存储的图像处理程序时，并执行以下各个实施例中图像处理方法的步骤。
本发明还提供一种图像处理方法，参照图2，图2为本发明图像处理方法第一实施例的流程示意图。
本实施例中，该图像处理方法包括以下步骤：
步骤S101，基于预设图谱库中的参考图像，获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像；
需要说明的是，在进行PET影像的纹状体划分之前，先根据多组PET影像以及脑磁共振影像，确定预设图谱库。其中，待处理PET影像为用户当前需要进行纹状体划分识别的PET影像。
本实施例中，在得到待处理PET影像之后，获取预设图谱库中的参考图像，并根据该参考图像获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像，具体地，先对待处理PET影像进行预处理，得到预处理后的PET影像，将预处理后的PET影像配准至参考图像，得到第一PET影像以及第一变换关系矩阵。
步骤S102，基于所述第一PET影像，在预设图谱库中标准MNI空间下的PET影像图谱中，获取待筛选PET影像；
本实施例中，在获得第一PET影像之后，获取预设图谱库中标准MNI空间下的PET影像图谱，并根据第一PET影像对PET影像图谱进行筛选，以得到待筛选PET影像，具体地，先确定第一PET影像与各个PET影像图谱之间的相关性，根据该相关性在PET影像图谱中筛选待筛选PET影像。
步骤S103，基于预设图谱库中的子区标签，分别确定第一PET影像的第一纹状体区域以及待筛选PET影像的第二纹状体区域，并基于所述第一纹状体区域以及所述第二纹状体区域，在所述待筛选PET影像中确定目标PET影像；
本实施例中，在获取到待筛选PET影像时，获取预设图谱库中的子区标签，根据该子区标签确定第一PET影像的第一纹状体区域以及待筛选PET影像的第二纹状体区域，具体地，将该子区标签所覆盖的所有有效区域作为纹状体整体感兴趣区域的Mask，根据该Mask分部提取第一PET影像的第一纹状体区域以及待筛选PET影像的第二纹状体区域。
而后，基于第一纹状体区域以及第二纹状体区域，在待筛选PET影像中确定目标PET影像，具体地，根据第一纹状体区域以及所述第二纹状体区域，确定第一PET影像与各个待筛选PET影像之间的相关性，根据该相关性在待筛选PET影像中确定目标PET影像，例如，将筛选PET影像中相关性最高的PET影像作为目标PET影像。
步骤S104，基于所述第一变换关系矩阵对所述目标PET影像进行逆变换操作，以获得所述待处理PET影像对应的目标影像。
本实施例中，在获取到目标影像之后，基于第一变换关系矩阵对目标PET影像进行逆变换操作，具体地，先获取第一变换关系矩阵对应的逆矩阵，根据该逆矩阵对目标PET影像进行逆变换操，以将目标PET影像变换至待处理PET影像的原始空间，得到目标影像，进而获得原始图像空间下待处理PET影像的纹状体以及小脑的分割结果。
本实施例提出的图像处理方法，通过基于预设图谱库中的参考图像，获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像；接着基于所述第一PET影像，在预设图谱库中标准MNI空间下的PET影像图谱中，获取待筛选PET影像；而后基于预设图谱库中的子区标签，分别确定第一PET影像的第一纹状体区域以及目标PET影像的第二纹状体区域，并基于所述第一纹状体区域以及所述第二纹状体区域，在所述待筛选PET影像中确定目标PET影像；然后基于所述第一变换关系矩阵对所述目标PET影像进行逆变换操作，以获得所述待处理PET影像对应的目标影像，通过预设图谱库实现了PET影像纹状体的自动分割，与现有脑区分割相比，降低了资源消耗，提高了PET影像自动分割的准确性以及精度。
同时，通过子区标签对纹状体的进一步亚分区，实现了对纹状体的深度精准分析以及单个脑区的亚分割，能够为帕金森病等脑慢性疾病的机理研究提供重要辅助。
基于第一实施例，提出本发明图像处理方法的第二实施例，在本实施例中，步骤S103包括：
步骤S201，基于所述子区标签提取所述第一PET影像中的纹状体区域，以获得所述第一纹状体区域，并基于所述子区标签提取所述待筛选PET影像中的纹状体区域，以获得所述第二纹状体区域；
步骤S202，获取所述第一纹状体区域与各个所述第二纹状体区域之间的区域互信息；
步骤S203，确定所述区域互信息中的最大互信息，并将所述待筛选PET影像中最大互信息对应的PET影像作为所述目标PET影像。
本实施例中，在获取到待筛选PET影像之后，获取预设图谱库中的子区标签，基于子区标签提取第一PET影像中的纹状体区域，以获得第一纹状体区域，并基于子区标签提取各个待筛选PET影像中的纹状体区域，以获得各个第二纹状体区域，即将该子区标签所覆盖的所有有效区域作为纹状体整体感兴趣区域的Mask，根据该Mask分部提取第一PET影像的第一纹状体区域以及待筛选PET影像的第二纹状体区域。
而后，获取第一纹状体区域与各个第二纹状体区域之间的区域互信息，该区域互信息即为第一PET影像与各个待筛选PET影像之间的相关性，该区域互信息的公式为：
其中，U(IPETmg,i,IPETmg,test)为第一纹状体区域与第i个第二纹状体区域之间的全脑互信息，IPETmg,i为第i个第二纹状体区域，IPETmg,test为第一纹状体区域；其中，
I(X；Y)中X为IPETmg,i、Y为IPETmg,test，H(x)为信息熵计算公式xi为IPETmg,test或者IPETmg,i中的像素点。
而后，确定所述区域互信息中的最大互信息，并将所述待筛选PET影像中最大互信息对应的PET影像作为所述目标PET影像。
本实施例提出的图像处理方法，通过基于所述子区标签提取所述第一PET影像中的纹状体区域，以获得所述第一纹状体区域，并基于所述子区标签提取所述待筛选PET影像中的纹状体区域，以获得所述第二纹状体区域；接着获取所述第一纹状体区域与各个所述第二纹状体区域之间的区域互信息；而后确定所述区域互信息中的最大互信息，并将所述待筛选PET影像中最大互信息对应的PET影像作为所述目标PET影像，通过第一PET影像与待筛选PET影像之间的局部互信息筛选目标PET影像，提高目标PET影像与待处理PET影像之间的相似性，进而提高了PET影像自动分割的准确性以及精度。
基于第一实施例，提出本发明图像处理方法的第三实施例，在本实施例中，步骤S102包括：
步骤S301，获取所述第一PET影像与各个PET影像图谱之间的全脑互信息，并确定各个全脑互信息对应的互信息均值；
步骤S302，将PET影像图谱中全脑互信息大于互信息均值的PET影像作为所述待筛选PET影像。
在本实施例中，在获取到第一PET影像以及待筛选PET影像之后，分别计算第一PET影像与各个PET影像图谱之间的全脑互信息，该全脑互信息的计算方式与第二实施例中局部互信息的计算方式类似，在此不再赘述。
而后，计算各个全脑互信息的均值，得到对应的互信息均值，并依次判断各个全脑互信息是否大于该互信息均值，得到全脑互信息中大于互信息均值的目标互信息，并在PET影像图谱中获取该目标互信息对应的PET影像，并将PET影像作为待筛选PET影像。
本实施例提出的图像处理方法，通过获取所述第一PET影像与各个PET影像图谱之间的全脑互信息，并确定各个全脑互信息对应的互信息均值，接着将PET影像图谱对应的全脑互信息大于互信息均值的PET影像作为所述待筛选PET影像，通过根据全脑互信息在PET影像图谱中筛选待筛选PET影像，提高待筛选PET影像与待处理PET影像之间的相似性，进而提高了PET影像自动分割的准确性以及精度。
基于第一实施例，提出本发明图像处理方法的第四实施例，在本实施例中，步骤S101包括：
步骤S401，基于预设图谱库中的标准预处理模版，对所述待处理PET影像进行非线性配准，以获得预处理后的PET影像；
步骤S402，对预处理后的PET影像进行滤波操作，以获得滤波后的PET影像；
步骤S403，基于微分同胚变换非线性配准，将滤波后的PET影像配准至所述参考图像，以获得所述第一变换关系矩阵以及所述第一PET影像。
本实施例中，在得到待处理PET影像之后，先获取预设图谱库中的标准预处理模版，基于标准预处理模版，对待处理PET影像进行非线性配准，以获得预处理后的PET影像，而后对预处理后的PET影像进行滤波操作，以获得滤波后的PET影像，具体地，采用现有的非线性配准算法，将待处理PET影像配准至标准预处理模版，以去除待处理PET影像的头皮信号，得到预处理后的PET影像，并采用FWHM为3mm的滤波器后对预处理后的PET影像进行滤波，以消除预处理后的PET影像的部分噪声，得到滤波后的PET影像。
而后，基于微分同胚变换非线性配准，将滤波后的PET影像配准至参考图像，以获得第一变换关系矩阵以及第一PET影像，即采用现有的微分同胚变换非线性配准，将滤波后的PET影像配准至参考图像，获得第一变换关系矩阵以及第一PET影像。
本实施例提出的图像处理方法，通过基于预设图谱库中的标准预处理模版，对所述待处理PET影像进行非线性配准，以获得预处理后的PET影像；接着对预处理后的PET影像进行滤波操作，以获得滤波后的PET影像；而后基于微分同胚变换非线性配准，将滤波后的PET影像配准至所述参考图像，以获得所述第一变换关系矩阵以及所述第一PET影像，通过将待处理PET影像配准至参考图像，能够准确得到第一变换关系矩阵以及第一PET影像，进一步提升PET影像自动分割的准确性以及精度。
基于上述各个实施例，提出本发明图像处理方法的第五实施例，在本实施例中，步骤S101之前，该图像处理方法还包括：
步骤S501，获取多个影像样本组，其中，所述样本影像组包括PET影像以及脑磁共振影像；
步骤S502，分别对影像样本组中的PET影像与对应的脑磁共振影像进行刚性配准，以获得原始MRI空间下的PET影像；
步骤S503，获取影像样本组中的各个脑磁共振影像对应的子区标签，并对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱；
步骤S504，基于PET影像图谱，确定参考图像；
步骤S505，基于所述参考图像、所述子区标签以及PET影像图谱，确定所述预设图谱库。
本实施例中，通过标准化的正电子发射断层影像和高分辨率结构磁共振影像的扫描策略，对于每一个被试用户收集其扫描得到的正电子发射断层成像以及脑磁共振影像数据(T1加权成像)，作为一影像样本组，其中，影像样本组可进行合理选择，例如影像样本组为12组。而后，分别对影像样本组中的PET影像与对应的脑磁共振影像进行刚性配准，对于每一组影像样本组，将其中的PET影像配刚性准至脑磁共振影像，以获得原始MRI空间下的PET影像。
接着，获取影像样本组中的各个脑磁共振影像对应的子区标签，并对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱；具体地，通过对各个脑磁共振影像进行分割得到子区标签以及第二变换关系矩阵，基于第二变换关系矩阵对MRI原始空间下的PET影像进行变换处理，得到PET影像图谱，该PET影像图谱为标准MRI空间下的PET影像图谱。
而后，基于PET影像图谱确定参考图像，具体地，将各个PET影像图谱进行算术平均处理，得到该参考图像，即将各个PET影像图谱的相同像素点的像素值进行算术平均，得到像素点的像素均值，将像素均值作为参考图像对应像素点的像素值。
最后，基于所述参考图像、所述子区标签以及标准PET影像图谱，确定所述预设图谱库，即预设图谱库包括参考图像、子区标签以及标准PET影像图谱。
本实施例提出的图像处理方法，通过获取多个影像样本组；截止分别对影像样本组中的PET影像与对应的脑磁共振影像进行刚性配准，以获得原始MRI空间下的PET影像；而后获取影像样本组中的各个脑磁共振影像对应的子区标签，并对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱；然后基于PET影像图谱，确定参考图像；最后基于所述参考图像、所述子区标签以及标准MRI空间下的PET影像图谱，确定所述预设图谱库，能够根据PET影像以及脑磁共振影像得到预设图谱库，提高了预设图谱库的实用性与适用性，进而能够提升PET影像自动分割的准确性以及精度。
基于第五实施例，提出本发明图像处理方法的第六实施例，在本实施例中，步骤S503包括：
步骤S601，对影像样本组中的各个脑磁共振影像进行分割操作，以获得标准MNI空间下的脑磁共振影像以及第二变换关系矩阵；
步骤S602，对标准MNI空间下的脑磁共振影像的纹状体区域进行分区处理，以获得所述子区标签；
步骤S603，基于第二变换关系矩阵对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱。
本实施例中，先采用现有的分割算法分别对各个脑磁共振影像进行分割操作，以获得标准MNI空间下的脑磁共振影像以及第二变换关系矩阵，其中该标准MNI空间下的脑磁共振影像可以包括283个标签的分割结果，在其他实施例中，其标签的数量还可以为其他值，例如，150、200等。
接着，对标准MNI空间下的脑磁共振影像的纹状体区域进行亚分区处理，以获得所述子区标签，具体地，在标准MNI空间下的脑磁共振影像的标签中选取出纹状体所对应的左右壳核、尾状核和伏隔核以及小脑区域作为感兴趣区域，并进一步将壳核与尾状核细分为前、中、后三个亚区，包括小脑在内总计共15个子区，为这些子区分配1-15的数值标签得到子区标签。当然，在其他实施例中，还可以将壳核与尾状核进行其他方式的划分，以得到预设数量的子区，预设数量可以为10、20等。其中，纹状体前、中、后分区主要参考脑区为穹窿与丘脑。
而后，基于第二变换关系矩阵对MRI原始空间下的PET影像进行变换处理，得到PET影像图谱，该PET影像图谱为标准MRI空间下的PET影像图谱。
本实施例提出的图像处理方法，通过对影像样本组中的各个脑磁共振影像进行分割操作，以获得标准MNI空间下的脑磁共振影像以及第二变换关系矩阵；接着对标准MNI空间下的脑磁共振影像的纹状体区域进行亚分区处理，以获得所述子区标签；而后基于第二变换关系矩阵对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱，能够根据脑磁共振影像的纹状体区域得到子区标签，进一步提升PET影像自动分割的准确性以及精度。
基于第六实施例，提出本发明图像处理方法的第七实施例，在本实施例中，步骤S504包括：
步骤S701，基于标准MNI空间下的脑磁共振影像确定标准预处理模版；
步骤S702，基于所述标准预处理模版、所述参考图像、所述子区标签以及标准MRI空间下的PET影像图谱，确定所述预设图谱库。
本实施例中，先基于标准MNI空间下的脑磁共振影像确定标准预处理模版，具体地，在各个标准MNI空间下的脑磁共振影像中选取任意一个作为标准预处理模版，而后得到预设图谱库，该预设图谱库标准预处理模版、所述参考图像、所述子区标签以及标准MRI空间下的PET影像图谱。
本实施例提出的图像处理方法，通过基于标准MNI空间下的脑磁共振影像确定标准预处理模版；接着基于所述标准预处理模版、所述参考图像、所述子区标签以及标准MRI空间下的PET影像图谱，确定所述预设图谱库，通过在预设图谱库中增加标准预处理模版，进而便于对待处理PET影像进行处理，进一步提升PET影像自动分割的准确性以及精度。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现如上所述的图像处理方法的步骤。
其中，在所述处理器上运行的图像处理程序被执行时所实现的方法可参照本发明图像处理方法各个实施例，此处不再赘述。
此外，本发明实施例还提出一种计算机程序产品，该计算机程序产品上包括图像处理程序，所述图像处理程序被处理器执行时实现如上所述的图像处理方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种图像处理方法，其特征在于，所述图像处理方法包括以下步骤：
基于预设图谱库中的参考图像，获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像；
基于所述第一PET影像，在预设图谱库中标准MNI空间下的PET影像图谱中，获取待筛选PET影像；
基于预设图谱库中的子区标签，分别确定第一PET影像的第一纹状体区域以及目标PET影像的第二纹状体区域，并基于所述第一纹状体区域以及所述第二纹状体区域，在所述待筛选PET影像中确定目标PET影像；
基于所述第一变换关系矩阵对所述目标PET影像进行逆变换操作，以获得所述待处理PET影像对应的目标影像。
2.如权利要求1所述的图像处理方法，其特征在于，所述基于预设图谱库中的子区标签，分别确定第一PET影像的第一纹状体区域以及待筛选PET影像的第二纹状体区域，并基于所述第一纹状体区域以及所述第二纹状体区域，在所述待筛选PET影像中确定目标PET影像的步骤包括：
基于所述子区标签提取所述第一PET影像中的纹状体区域，以获得所述第一纹状体区域，并基于所述子区标签提取所述待筛选PET影像中的纹状体区域，以获得所述第二纹状体区域；
获取所述第一纹状体区域与各个所述第二纹状体区域之间的区域互信息；
确定所述区域互信息中的最大互信息，并将所述待筛选PET影像中最大互信息对应的PET影像作为所述目标PET影像。
3.如权利要求1所述的图像处理方法，其特征在于，所述基于所述第一PET影像，在预设图谱库中标准MNI空间下的PET影像图谱中，获取待筛选PET影像的步骤包括：
获取所述第一PET影像与各个PET影像图谱之间的全脑互信息，并确定各个全脑互信息对应的互信息均值；
将PET影像图谱中全脑互信息大于互信息均值的PET影像作为所述待筛选PET影像。
4.如权利要求1所述的图像处理方法，其特征在于，所述基于预设图谱库中的参考图像，获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像的步骤包括：
基于预设图谱库中的标准预处理模版，对所述待处理PET影像进行非线性配准，以获得预处理后的PET影像；
对预处理后的PET影像进行滤波操作，以获得滤波后的PET影像；
基于微分同胚变换非线性配准，将滤波后的PET影像配准至所述参考图像，以获得所述第一变换关系矩阵以及所述第一PET影像。
5.如权利要求1至4任一项所述的图像处理方法，其特征在于，所述基于预设图谱库中的参考图像，获取待处理PET影像对应的第一变换关系矩阵以及第一PET影像的步骤之前，还包括：
获取多个影像样本组，其中，所述样本影像组包括PET影像以及脑磁共振影像；
分别对影像样本组中的PET影像与对应的脑磁共振影像进行刚性配准，以获得原始MRI空间下的PET影像；
获取影像样本组中的各个脑磁共振影像对应的子区标签，并对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱；
基于PET影像图谱，确定参考图像；
基于所述参考图像、所述子区标签以及PET影像图谱，确定所述预设图谱库。
6.如权利要求5所述的图像处理方法，其特征在于，所述获取影像样本组中的各个脑磁共振影像对应的子区标签，并对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱的步骤包括：
对影像样本组中的各个脑磁共振影像进行分割操作，以获得标准MNI空间下的脑磁共振影像以及第二变换关系矩阵；
对标准MNI空间下的脑磁共振影像的纹状体区域进行亚分区处理，以获得所述子区标签；
基于第二变换关系矩阵对MRI原始空间下的PET影像进行变换处理，以获得PET影像图谱。
7.如权利要求6所述的图像处理方法，其特征在于，所述基于所述参考图像、所述子区标签以及标准MRI空间下的PET影像图谱，确定所述预设图谱库的步骤包括：
基于标准MNI空间下的脑磁共振影像确定标准预处理模版；
基于所述标准预处理模版、所述参考图像、所述子区标签以及标准MRI空间下的PET影像图谱，确定所述预设图谱库。
8.一种图像处理装置，其特征在于，所述图像处理装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现如权利要求1至7中任一项所述的图像处理方法的步骤。
9.一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上存储有图像处理程序，所述图像处理程序被处理器执行时实现如权利要求1至7中任一项所述的图像处理方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图像处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110628348.5A CN113450314A (zh) | 2021-06-04 | 2021-06-04 | 图像处理方法、装置、存储介质及产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110628348.5A CN113450314A (zh) | 2021-06-04 | 2021-06-04 | 图像处理方法、装置、存储介质及产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113450314A true CN113450314A (zh) | 2021-09-28 |
Family
ID=77810863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110628348.5A Pending CN113450314A (zh) | 2021-06-04 | 2021-06-04 | 图像处理方法、装置、存储介质及产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113450314A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103930032A (zh) * | 2011-09-20 | 2014-07-16 | 通用电气健康护理有限公司 | 正电子发射断层摄影图像的空间归一化的方法 |
| CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
-
2021
- 2021-06-04 CN CN202110628348.5A patent/CN113450314A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103930032A (zh) * | 2011-09-20 | 2014-07-16 | 通用电气健康护理有限公司 | 正电子发射断层摄影图像的空间归一化的方法 |
| CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘岩松: "针对帕金森疾病的基底节运动环路分析方法研究", 《中国优秀硕士学位论文全文数据库（硕士）（医药卫生科技辑）》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jones et al. | The effect of filter size on VBM analyses of DT-MRI data | |
| Calabrese et al. | A diffusion MRI tractography connectome of the mouse brain and comparison with neuronal tracer data | |
| Liu et al. | Towards clinical diagnosis: Automated stroke lesion segmentation on multi-spectral MR image using convolutional neural network | |
| Parmar et al. | Spatiotemporal feature extraction and classification of Alzheimer’s disease using deep learning 3D-CNN for fMRI data | |
| Xiao et al. | Multi-contrast unbiased MRI atlas of a Parkinson’s disease population | |
| Azadbakht et al. | Validation of high-resolution tractography against in vivo tracing in the macaque visual cortex | |
| Senda et al. | Progressive and widespread brain damage in ALS: MRI voxel-based morphometry and diffusion tensor imaging study | |
| Mazziotta et al. | A probabilistic atlas and reference system for the human brain: International Consortium for Brain Mapping (ICBM) | |
| Ye et al. | Discriminative multi-task feature selection for multi-modality classification of Alzheimer’s disease | |
| Hinne et al. | Structurally-informed Bayesian functional connectivity analysis | |
| US10074173B2 (en) | Methods and systems for analyzing anatomy from multiple granularity levels | |
| CN111640118B (zh) | 使用多参数磁共振成像的肿瘤组织表征 | |
| EP2747658B1 (en) | Method to compute and present brain amyloid in gray matter | |
| CN101626727A (zh) | 附加有pet/mr流动估计的自动诊断和对准 | |
| CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
| Del Re et al. | A new MRI masking technique based on multi‐atlas brain segmentation in controls and schizophrenia: A rapid and viable alternative to manual masking | |
| US20150356733A1 (en) | Medical image processing | |
| Abe et al. | 3D reconstruction of brain section images for creating axonal projection maps in marmosets | |
| Masuda et al. | Involvement of the caudate nucleus head and its networks in sporadic amyotrophic lateral sclerosis-frontotemporal dementia continuum | |
| Alahmadi | Effects of different smoothing on global and regional resting functional connectivity | |
| Liang et al. | Rat brain digital stereotaxic white matter atlas with fine tract delineation in Paxinos space and its automated applications in DTI data analysis | |
| Moraru et al. | Texture anisotropy technique in brain degenerative diseases | |
| Xanthis et al. | Simulator-generated training datasets as an alternative to using patient data for machine learning: an example in myocardial segmentation with MRI | |
| Rojas et al. | Brain structural changes in patients in the early stages of multiple sclerosis with depression | |
| Liu et al. | An unsupervised learning approach to diagnosing Alzheimer’s disease using brain magnetic resonance imaging scans |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |
|
| RJ01 | Rejection of invention patent application after publication |