CN113658234A - 脑部图像处理方法、电子设备及计算机可读存储介质 - Google Patents
脑部图像处理方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113658234A CN113658234A CN202110824597.1A CN202110824597A CN113658234A CN 113658234 A CN113658234 A CN 113658234A CN 202110824597 A CN202110824597 A CN 202110824597A CN 113658234 A CN113658234 A CN 113658234A
- Authority
- CN
- China
- Prior art keywords
- image
- curve
- target
- brain
- template
- 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- Withdrawn
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 71
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 210000000877 corpus callosum Anatomy 0.000 abstract description 25
- 230000000875 corresponding effect Effects 0.000 description 37
- 206010020649 Hyperkeratosis Diseases 0.000 description 8
- 230000000877 morphologic effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 208000020016 psychiatric disease Diseases 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004770 neurodegeneration Effects 0.000 description 2
- 208000015122 neurodegenerative disease Diseases 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 238000001558 permutation test Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 201000000980 schizophrenia Diseases 0.000 description 2
- 229920000018 Callose Polymers 0.000 description 1
- 206010012239 Delusion Diseases 0.000 description 1
- 206010019070 Hallucination, auditory Diseases 0.000 description 1
- 208000004547 Hallucinations Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/30—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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06T7/13—Edge detection
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (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
本申请公开了一种脑部图像处理方法、电子设备及计算机可读存储介质。本申请的脑部图像处理方法包括:获取三维磁共振脑图像;将所述三维磁共振脑图像配准至标准坐标系中并进行图像分割,得到分割图像;根据区域标签对所述分割图像进行图像提取得到目标图像;对所述目标图像进行曲线提取得到模板曲线;对所述模板曲线、目标曲线进行曲线配准得到形变标志。本申请所提供的脑部图像处理方法,通过对模板曲线、目标曲线进行曲线配准,以得到有效表征胼胝体形变状态的形变标志。
Description
技术领域
本申请涉及生物图像处理技术领域,尤其涉及一种脑部图像处理方法、电子设备及计算机可读存储介质。
背景技术
随着对神经退行性疾病以及精神疾病的深入研究,通过获取人类脑部的磁共振图像,并根据磁共振图像中信息判断形态是否异常,以对患者病情进行研究。
例如,通过从人类脑部的磁共振图像中分离出胼胝体的图像,并根据对应的图像得到平均胼胝体厚度,以平均胼胝体厚度作为胼胝体形态的表征,从判断对应患者是否健康。然而,仅通过对孤立点的二维边界特征进行研究,容易忽略整体或孤立点邻域所携带的形变信息,从而降低诊断结果的精确性。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种脑部图像处理方法、电子设备及计算机可读存储介质。本申请所提供的脑部图像处理方法,通过对模板曲线、目标曲线进行曲线配准,以得到有效表征胼胝体形变状态的形变标志。
本申请实施例第一方面提供一种脑部图像处理方法,包括:获取三维磁共振脑图像;将所述三维磁共振脑图像配准至标准坐标系中并进行图像分割,得到分割图像;根据区域标签对所述分割图像进行图像提取得到目标图像;对所述目标图像进行曲线提取得到模板曲线;对所述模板曲线、目标曲线进行曲线配准得到形变标志。
本申请实施例中脑部图像处理方法包括如下技术效果:通过对目标图像进行曲线提取得到对应于胼胝体的模板曲线,根据模板曲线、对应于三维磁共振脑标本图像的目标曲线进行曲线配准,以得到表征胼胝体形变状态的形变标志。此外,医疗人员根据形变标志对对患者状况进行判断。
在一些实施例中,将所述三维磁共振脑图像配准至标准坐标系中并进行图像分割,得到分割图像,包括:将至少两个所述三维磁共振脑图像刚性配准至所述标准坐标系中;根据预设图谱对刚性配准后的所述三维磁共振脑图像进行分割,得到所述分割图像;其中,所述图谱包括磁共振图像及对应的分割图像,且每一个所述图谱预划分有至少两个分割区域;
在一些实施例中,所述对所述目标图像进行曲线提取得到模板曲线,还包括:识别至少两个所述目标图像的边界像素,提取得到对应的边界曲线;根据正中矢状面的平均面积从所述边界曲线中提取得到所述模板曲线;其中,每一个所述边界曲线对应于一个所述正中矢状面。
在一些实施例中,所述对所述模板曲线、目标曲线进行曲线配准得到形变标志,还包括:对所述模板曲线、所述目标曲线进行刚性对齐;对刚性对齐后的模板曲线、目标曲线进行配准得到微分同胚的动态流;根据微分同胚的动态流得到形变标志。
在一些实施例中,所述脑部图像处理方法,还包括:根据线性模型对所述形变标志进行数据统计,得到组间差异参数;对所述组间差异参数进行随机化、置换检验得到统计显著参数;其中,所述统计显著参数用于表征患者参数集、健康者参数集之间的差异。
在一些实施例中,所述线性模型,包括:
其中,Jk(s)为所述形变标志,βk,0为参照差异参数,βk,1为所述组间差异参数,γ(s)为二值变量,Xcou(s)为协变量参数,αcov为协变量常数,εk(s)为高斯噪声变量。
在一些实施例中,所述根据正中矢状面的平均面积从所述边界曲线中提取得到所述模板曲线,包括:对至少两个所述正中矢状面的面积进行计算得到所述平均面积;对每一个所述正中矢状面的面积与所述平均面积进行比较,选取面积差距最小的所述正中矢状面作为模板矢状面;将所述模板矢状面对应的边界曲线作为所述模板曲线。
本申请实施例第二方面提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现:如上述任一实施例中所述的脑部图像处理方法。
本申请实施例第三方面提供一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于:执行上述任一实施例中所述的脑部图像处理方法。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显。
附图说明
下面结合附图和实施例对本申请做进一步的说明,其中:
图1为本申请一实施例一种脑部图像处理方法的流程图;
图2为本申请另一实施例的脑部图像处理方法的流程图;
图3A至图3C为本申请另一实施例一种目标图像提取过程的示意图;
图4为本申请又一实施例一种脑部图像处理方法的流程图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
磁共振图像(如T1-加权图像),作为一种无侵入性技术手段,具有软组织结构显示清晰、无电离辐射等优点。
随着对神经退行性疾病以及精神疾病的深入研究,通过获取人类脑部的磁共振图像,并根据磁共振图像中信息判断形态是否异常,以对患者病情进行研究。然而,胼胝体作为大脑左右半球间的中继中心,其对半球间的信息传递出现异常,容易导致部分人类的行为表现出特定类型精神疾病的症状,如偏执妄想和幻听。
因此,医疗人员可通过从人类脑部的磁共振图像中分离出胼胝体的图像,并根据对应的图像得到平均胼胝体厚度,以平均胼胝体厚度作为胼胝体形态的表征,从判断对应患者是否健康。然而,仅通过对孤立点的二维边界特征进行研究,容易忽略整体或孤立点邻域所携带的形变信息,从而降低诊断结果的精确性。
基于上述的技术问题之一,本申请提供一种脑部图像处理方法,以从三维磁共振脑图像中提取特定部分的特征曲线,并将该特征曲线与目标曲线进行对比,以得到对应形变标志。其中,该形变标志可用于对辅助医疗人员对患者状况进行判断。
请参照图1,本申请提供一种脑部图像处理方法,包括:步骤S100、获取三维磁共振脑图像;步骤S200、将三维磁共振脑图像配准至标准坐标系中并进行图像分割,得到分割图像;步骤S300、根据区域标签对分割图像进行图像提取得到目标图像;步骤S400、对目标图像进行曲线提取得到模板曲线;步骤S500、对模板曲线、目标曲线进行曲线配准得到形变标志。
通过对患者的头部进行磁共振扫描,以获取对应的三维磁共振脑图像。由于获取得到的三维磁共振脑图像包括多幅。通过将三维磁共振脑图像配准至标准坐标系,以将所有图像归一化至相同的模板空间中,从而消除由于图像所处的原始空间不同,而导致后续对图像处理得到形变标志具有较大误差。
通过对配准至标准坐标系中的三维磁共振脑图像进行图像分割,以得到多个分割图像。根据用于定义图像中不同区域的区域标签对分割图像进行图像提取,根据区域标签之间的关系将提取得到的对应图像进行组合,以得对应目标图像。其中目标图形学可为正中矢状面图像。
通过对目标图像进行曲线提取得到对应于胼胝体的模板曲线,根据模板曲线、对应于三维磁共振脑标本图像的目标曲线进行曲线配准,以得到表征胼胝体形变状态的形变标志。此外,医疗人员根据形变标志对对患者状况进行判断。通过将形变标志作为人脑病变情况的判断标准,可以有效地判断患者的实际的病情成因。
请参照图2、图3A至图3C,在一些实施例中,步骤S200、将三维磁共振脑图像配准至标准坐标系中并进行图像分割,得到分割图像,包括:步骤S210、将至少两个三维磁共振脑图像刚性配准至标准坐标系中;步骤S220、根据预设图谱对刚性配准后的三维磁共振脑图像进行分割,得到分割图像;其中,图谱包括磁共振图像及对应的分割图像,且每一个图谱预划分有至少两个分割区域。
根据脑部结构对图谱中的分割图像进行预划分,并对应得到多个分割图像。其中,对分割图像的分割方式与解刨学区域相对应。如图3A所示,根据人类脑部不同结构所执行的功能对大脑进行生物学划分,以定义289个解刨学区域。此外,通过从分割后所得到多个分割图像中进行图片提取,从而得到需要的目标图像。
可以理解地,通过对配准后的三维磁共振脑图像进行分割。得到不同层次的分割图像。而医疗人员需要对脑部特定部位的形态进行观测,以对患者的病情进行判断。因此,根据分割图像件的排列关系对多个分割图像进行指定性提取,以得到需要的目标图像。
请参照图3A至图3C、图4,在一些实施例中,步骤S300、根据区域标签对分割图像进行图像提取得到目标图像,包括:步骤S310、根据区域标签对分割图像提取得到子分割图像;步骤S320、对子分割图像进行组合得到中间图像;步骤S330、对中间图像进行二次提取得到目标图像;其中,目标图像包括正中矢状面图像。
如图3B所示,例如,胼胝体包括胼胝体膝部、胼胝体干部、胼胝体压部。而在对大脑进行生物学划分时,胼胝体被划分伟对应的三个解刨学区域(每一个解刨学区域对应于一个子分割图像)。
根据区域标签对与胼胝体各部分所对应的子分割图像进行提取,并根据区域标签之间的位置关系对提取得到的子分割图像进行二次组合,以得到与胼胝体的整体结构相对应的中间图像。其中,中间图像可为与胼胝体对应的三维二值分割图像。而中间图像对应有181个二维矢状面分割图像。通过对中间图像进行提取,以提取第91个二维矢状面切片图作为正中矢状面图像。其中,正中矢状面图像为需要提取的目标图像,目标图像可有效表征胼胝体正中矢状面位置的形态。
在一些实施例中,步骤S400、对目标图像进行曲线提取得到模板曲线,还包括:步骤S410、识别至少两个目标图像的边界像素,提取得到对应的边界曲线;步骤S420、根据正中矢状面的平均面积从边界曲线中提取得到模板曲线;其中,每一个边界曲线对应于一个正中矢状面。
通过对多个目标图像的边界像素进行边界追踪识别,以识别对应的边界像素。通过顺时针旋转排列识别到的边界像素,以得到用于表胼胝体正中矢状面的边界曲线。其中,边界曲线可用于对胼胝体进行形态学分析,以分析得到对应的形变特征。医疗人员根据形变特征以分析患者的胼胝体病变情况,从而对患者的病症进行解析。
在一些实施例中,对模板曲线、目标曲线进行曲线配准得到形变标志,还包括:对模板曲线、目标曲线进行刚性对齐;对刚性对齐后的模板曲线、目标曲线进行配准得到微分同胚的动态流;根据微分同胚的动态流得到形变标志。
可以理解地,根据实际情况设置,目标曲线包括多个与不同生理状态下的胼胝体形态对应的目标子曲。通过将模板曲线分别映射至每一个目标子曲线,以得到对应的形变标志。通过对模板曲线、目标曲线进行前置的刚性对齐处理,以降低后续曲线配准所需要地方计算量,并提高曲线配准的精度。
通过对模板曲线、目标曲线进行曲线配准,以得到微分同胚的动态流,并通过微分同胚的动态流表征模板曲线、目标曲线之间的对应关系。
例如,通过对曲线配准以对时变的速度矢量场进行优化,以时变的速度矢量场对微分同胚动态流参数化,从而使得配准中微分同胚变换步骤可将模板曲线准确地映射至目标曲线,并保证变换过程中曲线的平滑性。
具体地,通过微分同胚变换后所得到的微分同胚的动态流,并逐点计算模板曲线中每一个点对应的微分同胚动态流的雅可比矩阵D。根据雅可比矩阵D定义形变标志(J=det(D),det(D),雅可比矩阵的行列式),且每一点的形变标志J用于表征该点对应于模板曲线的局部形态变化。
以某一当前点为例,当形变标志J大于1时,目标曲线相对于模板曲线存在向外形变;当形变标志J小于1时,目标曲线相对于模板曲线存在向内形变。通过形变标准对表征目标曲线的形变状态,并根据形变状态反映脑部的当前的形态状态。
在一些实施例中,脑部图像处理方法,还包括:根据线性模型对形变标志进行数据统计,得到组间差异参数;对组间差异参数进行随机化、置换检验得到统计显著参数;其中,统计显著参数用于表征患者参数集、健康者参数集之间的差异。
根据预设的线性模型对形变标志进行数据统计,以得到用于表征形变标志组间差异的组间差异参数。通过使用费含尔的随机方法对组间差异参数进行随机化及置换检验,以得到用于衡量组间差异显著性的统计显著参数。
在一些实施例中,线性模型,包括:
其中,Jk(s)为形变标志,βk,0为参照差异参数,βk,1为组间差异参数,Y(s)为二值变量,Xcov(s)为协变量参数,αcov为协变量常数,εk(s)为高斯噪声变量。
当目标曲线属于患者组时,Y(s)等于1;当目标曲线属于健康组时,Y(s)等于0。通过对模板曲线上所有的K点进行验证,以βk,1=0对形变标志的组间差异参数进行计算。
其中,在置换检验的过程中,通过蒙特-卡罗方法模拟产生10000个均匀分布的随机排列,以计算统计显著参数。通过对模板曲线在每一点进行差异计算,以得到对应的组间差异参数。
由于每一个模板曲线均需要对多个点的比较计算,通过将组间差异参数的范围设为P≤0.05,以对组间差异参数进行校正。
例如,将-βk,1以表示组间差异的长度。在以患者组对比健康组的情况下,若-βk,1为正值,则表示k点所对应的局部区域存在萎缩;若βk,1为负值,则表示k点所对应的局部区域存在膨胀。
在一些实施例中,根据正中矢状面的平均面积从边界曲线中提取得到模板曲线,包括:对至少两个正中矢状面的面积进行计算得到平均面积;对每一个正中矢状面的面积与平均面积进行比较,选取面积差距最小的正中矢状面作为模板矢状面;将模板矢状面对应的边界曲线作为模板曲线。
通过计算与所有边界曲线对应的正中矢状面面积的平均值,选取对应于最接近于平均面积的边界曲线作为模板曲线。通过将模板曲线作为配准的标准曲线,并对模板曲线、目标曲线进行曲线配准得到形变标志,以形变标志对患者胼胝体病变情况进行形态学分析。
在实际实验过程中,通过对首发精神分裂症的T1加权三维磁共振脑图像进行图像处理,并分别整个样本数据集、女性组的样本数集和男性组的样本数集进行统计或分析。通过形变标志对患者组、健康组之间的曲线所表征的组间差异,以得到对应的局部形状比较结果。
对胼胝体的局部形状进行分析时,胼胝体的膝部、干部均观察到明显的与首发精神分裂症相关的区域特定的向内变形。
通过对形变标志与区域厚度之间的关系进行验证,以计算整个二维CC的平均厚度(7.343±0.732)和平均形变标志(1.007±0.088)之间的皮尔逊相关系数(Pearsoncorrelation coefficient,PCC)。其中,对应的实际结果可表明明显的线性相关(PCC=0.8453,P<0.0000001)。
在实际二维情况下,形变标志测量一个无限小区域的相对面积变化,而非区域厚度。通过计算了整个二维胼胝体曲线的面积(692.3±85.7)和平均形变标志(1.007±0.088)之间的皮尔逊相关系数,并得到0.9869(P<0.0000001)的线性相关关系。
其中,两个测量值是高度相关的,且相关性明显强于形变标志、厚度之间的相关性(0.9869大于0.8453)。当使用面积来分析计算女性患者组与健康对照组之间的差异时,得到P=0.078,而本申请的形变标志则得到更为显著的P值:P=0.0028。可以理解地,脑部图像处理方法可以有效地对胼胝体进行的形变状态进行分析,并得到对应的局部形状特征。可以理解地,上述脑部图像处理方法利用微分几何方法自动提取胼胝体的形态学特征,并通过线性模型对形态学特征进行映射修正,保证解剖拓扑结构的正确性和光滑度。
本申请提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现:如上述任一实施例中的脑部图像处理方法。
本申请提供一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于:执行如上述任一实施例中的脑部图像处理方法。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
Claims (10)
1.脑部图像处理方法,其特征在于,包括:
获取三维磁共振脑图像;
将所述三维磁共振脑图像配准至标准坐标系中并进行图像分割,得到分割图像;
根据区域标签对所述分割图像进行图像提取得到目标图像;
对所述目标图像进行曲线提取得到模板曲线;
对所述模板曲线、目标曲线进行曲线配准得到形变标志。
2.根据权利要求1所述的脑部图像处理方法,其特征在于,所述将所述三维磁共振脑图像配准至标准坐标系中并进行图像分割,得到分割图像,包括:
将至少两个所述三维磁共振脑图像刚性配准至所述标准坐标系中;
根据预设图谱对刚性配准后的所述三维磁共振脑图像进行分割,得到所述分割图像;
其中,所述图谱包括磁共振图像及对应的分割图像,且每一个所述图谱预划分有至少两个分割区域。
3.根据权利要求1所述的脑部图像处理方法,其特征在于,所述根据区域标签对所述分割图像进行图像提取得到目标图像,包括:
根据所述区域标签对所述分割图像提取得到子分割图像;
对所述子分割图像进行组合得到中间图像;
对所述中间图像进行二次提取得到目标图像;
其中,所述目标图像包括正中矢状面图像。
4.根据权利要求3所述的脑部图像处理方法,其特征在于,所述对所述目标图像进行曲线提取得到模板曲线,还包括:
识别至少两个所述目标图像的边界像素,提取得到对应的边界曲线;
根据正中矢状面的平均面积从所述边界曲线中提取得到所述模板曲线;
其中,每一个所述边界曲线对应于一个所述正中矢状面。
5.根据权利要求1所述的脑部图像处理方法,其特征在于,所述对所述模板曲线、目标曲线进行曲线配准得到形变标志,还包括:
对所述模板曲线、所述目标曲线进行刚性对齐;
对刚性对齐后的模板曲线、目标曲线进行配准得到微分同胚的动态流;根据微分同胚的动态流得到形变标志。
6.根据权利要求1所述的脑部图像处理方法,其特征在于,所述脑部图像处理方法,还包括:
根据线性模型对所述形变标志进行数据统计,得到组间差异参数;
对所述组间差异参数进行随机化、置换检验得到统计显著参数;
其中,所述统计显著参数用于表征患者参数集、健康者参数集之间的差异。
8.根据权利要求4所述的脑部图像处理方法,其特征在于,所述根据正中矢状面的平均面积从所述边界曲线中提取得到所述模板曲线,包括:
对至少两个所述正中矢状面的面积进行计算得到所述平均面积;
对每一个所述正中矢状面的面积与所述平均面积进行比较,选取面积差距最小的所述正中矢状面作为模板矢状面;
将所述模板矢状面对应的边界曲线作为所述模板曲线。
9.电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现:如权利要求1至8中任一项所述的脑部图像处理方法。
10.计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于:执行权利要求1至8中任一项所述的脑部图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110824597.1A CN113658234A (zh) | 2021-07-21 | 2021-07-21 | 脑部图像处理方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110824597.1A CN113658234A (zh) | 2021-07-21 | 2021-07-21 | 脑部图像处理方法、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113658234A true CN113658234A (zh) | 2021-11-16 |
Family
ID=78478075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110824597.1A Withdrawn CN113658234A (zh) | 2021-07-21 | 2021-07-21 | 脑部图像处理方法、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658234A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011352A (zh) * | 2023-09-27 | 2023-11-07 | 之江实验室 | 标准脑图谱构建方法、装置和计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104083170A (zh) * | 2014-07-04 | 2014-10-08 | 深圳安科高技术股份有限公司 | 一种自动提取磁共振图像胼胝体的方法及系统 |
US20170032520A1 (en) * | 2015-07-29 | 2017-02-02 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system for mapping of brain images |
WO2019044228A1 (ja) * | 2017-08-28 | 2019-03-07 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
CN112926537A (zh) * | 2021-04-07 | 2021-06-08 | 南方科技大学 | 图像处理方法、装置、电子设备以及存储介质 |
-
2021
- 2021-07-21 CN CN202110824597.1A patent/CN113658234A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104083170A (zh) * | 2014-07-04 | 2014-10-08 | 深圳安科高技术股份有限公司 | 一种自动提取磁共振图像胼胝体的方法及系统 |
US20170032520A1 (en) * | 2015-07-29 | 2017-02-02 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system for mapping of brain images |
WO2019044228A1 (ja) * | 2017-08-28 | 2019-03-07 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
CN112926537A (zh) * | 2021-04-07 | 2021-06-08 | 南方科技大学 | 图像处理方法、装置、电子设备以及存储介质 |
Non-Patent Citations (3)
Title |
---|
WEIKAI HUANG 等: "A Deformation-Based Shape Study of the Corpus Callosum in First Episode Schizophrenia", ORIGINAL RESEARCH, vol. 12, 4 June 2021 (2021-06-04), pages 1 - 10 * |
XIAOYING TANG 等: "Surface-Based Vertexwise Analysis of Morphometry and Microstructural Integrity for White Matter Tracts in Diffusion Tensor Imaging: With Application to the Corpus Callosum in Alzheimer’s Disease", HUMAN BRAIN MAPPING, vol. 38, no. 4, 30 April 2017 (2017-04-30), pages 1875 - 1893 * |
何小海 等: "图谱法脑部MRI图像自动分割技术发展及应用", 数据采集与处理, vol. 30, no. 5, 31 May 2015 (2015-05-31), pages 957 - 964 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011352A (zh) * | 2023-09-27 | 2023-11-07 | 之江实验室 | 标准脑图谱构建方法、装置和计算机设备 |
CN117011352B (zh) * | 2023-09-27 | 2024-01-16 | 之江实验室 | 标准脑图谱构建方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109166133B (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
Zhang et al. | Detecting anatomical landmarks for fast Alzheimer’s disease diagnosis | |
Arata et al. | Three-dimensional anatomical model-based segmentation of MR brain images through principal axes registration | |
US9251596B2 (en) | Method and apparatus for processing medical images | |
CN106659424B (zh) | 医用图像显示处理方法、医用图像显示处理装置及程序 | |
CN103249358B (zh) | 医用图像处理装置 | |
ES2914387T3 (es) | Estudio inmediato | |
US8634614B2 (en) | System and method for volumetric analysis of medical images | |
WO2005023086B1 (en) | Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning | |
Elnakib et al. | Dyslexia diagnostics by 3-D shape analysis of the corpus callosum | |
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
CN109523523A (zh) | 基于fcn神经网络和对抗学习的椎体定位识别分割方法 | |
Voineskos et al. | Quantitative examination of a novel clustering method using magnetic resonance diffusion tensor tractography | |
CN112349391A (zh) | 一种优化肋骨自动标号方法 | |
Sun et al. | Automated template-based PET region of interest analyses in the aging brain | |
Ivanovska et al. | A fast and accurate automatic lung segmentation and volumetry method for MR data used in epidemiological studies | |
CN102171725B (zh) | 脑室分析 | |
CN113658234A (zh) | 脑部图像处理方法、电子设备及计算机可读存储介质 | |
Somasundaram et al. | Brain extraction method for T1-weighted magnetic resonance scans | |
Supriyanti et al. | Coronal slice segmentation using a watershed method for early identification of people with Alzheimer's | |
Elnakib et al. | Image-based detection of corpus callosum variability for more accurate discrimination between autistic and normal brains | |
CN104106096B (zh) | 层析图像中的器官的分类方法 | |
Amiri et al. | An automated MR image segmentation system using multi-layer perceptron neural network | |
Ng et al. | Salient features useful for the accurate segmentation of masticatory muscles from minimum slices subsets of magnetic resonance images | |
WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211116 |