CN113724160B - 一种脑影像处理方法、装置、设备及存储介质 - Google Patents
一种脑影像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113724160B CN113724160B CN202110985316.0A CN202110985316A CN113724160B CN 113724160 B CN113724160 B CN 113724160B CN 202110985316 A CN202110985316 A CN 202110985316A CN 113724160 B CN113724160 B CN 113724160B
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- brain region
- images
- 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.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 380
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000000926 separation method Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 230000011157 brain segmentation Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000005481 NMR spectroscopy Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 5
- 230000003727 cerebral blood flow Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000004100 adrenal gland Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 210000004291 uterus 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
- G06T7/0002—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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- 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)
- Image Processing (AREA)
Abstract
本发明提供一种脑影像处理方法、装置、设备及存储介质，所述方法包括：获取重复采集的目标对象的多个脑影像；将所述多个脑影像配准到同一空间，然后进行脑区分割处理，得到多个脑区以及各个脑区对应的多个脑区影像；分别针对每个脑区，对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像；根据各个脑区对应的目标脑区影像生成所述目标对象的目标脑影像。本发明的脑影像处理方法，通过预先对重复采集的多个脑影像进行脑区分割，再分别对每个脑区对应的多个脑区影像进行平均处理，最后将得到的各个脑区的目标脑区影像组合成最终的脑影像，能够提高脑影像的信噪比，还能够有效的剔除伪影等异常数据，进一步提升脑影像的质量。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种脑影像处理方法、装置、设备及存储介质。
背景技术
核磁共振成像是一种利用核磁共振原理的最新医学影像新技术，对脑、甲状腺、肝、胆、脾、肾、胰、肾上腺、子宫、卵巢、前列腺等实质器官以及心脏和大血管有绝佳的诊断功能。与其他辅助检查手段相比，核磁共振具有成像参数多、扫描速度快、组织分辨率高和图像更清晰等优点，可帮助医生“看见”不易察觉的早期病变，已经成为肿瘤、心脏病及脑血管疾病早期筛查的利器。
由于核磁共振技术采集的影像总是存在一定的噪声，因此临床上对同一影像会进行多次采集，然后利用平均降噪法进行处理以提高一定的信噪比。特别是对于信噪比很差的情况，比如动脉自旋标记(Arterial Spin-Labeled，ASL)灌注扫描的脑血流(CerebralBlood Flow，CBF)图，如果不进行多次平均将直接影响医生的查阅。由于一次核磁采集通常需要一定的时间，在采集的过程中采集对象容易发生运动，导致采集的影像产生伪影。一旦某次或者多次采集的影像有伪影，直接进行多次采集影像的平均会导致最后得到的影像也出现伪影。
现有技术中去除伪影的方案大部分是基于某种规则(比如相关性)剔除掉有伪影的影像，然后再进行图像平均。由于伪影通常所在区域是整个影像的一小部分，因此这种方法浪费了有伪影的影像中大部分的数据，另外如果有多次采集的影像都产生了伪影，去掉过多的影像就无法取得较好的降噪效果。
发明内容
针对现有技术的上述问题，本发明的目的在于提供一种脑影像处理方法、装置、设备及存储介质，能够有效的剔除伪影等异常数据，提高脑影像的质量。
为了解决上述问题，本发明提供一种脑影像处理方法，包括：
获取重复采集的目标对象的多个脑影像；
对所述多个脑影像进行脑区分割处理，得到多个脑区以及各个脑区对应的多个脑区影像；
分别针对每个脑区，对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像；
根据各个脑区对应的目标脑区影像生成所述目标对象的目标脑影像。
进一步地，所述获取重复采集的目标对象的多个脑影像包括：
利用核磁共振技术对目标对象脑部的影像进行多次重复采集，得到所述目标对象的多个脑影像。
进一步地，所述对所述多个脑影像进行脑区分割处理，得到多个脑区以及各个脑区对应的多个脑区影像包括：
从所述多个脑影像中选择一个脑影像作为参考影像；
将所述多个脑影像中除所述参考影像之外的其他所有脑影像分别配准到所述参考影像；
对所述参考影像进行脑区分割处理，得到脑区分割模板，所述脑区分割模板包括多个脑区；
利用所述脑区分割模板分别对各个脑影像进行脑区分割处理，得到各个脑区对应的脑区影像。
具体地，所述从所述多个脑影像中选择一个脑影像作为参考影像包括：
确定所述多个脑影像的平均影像；
分别计算各个脑影像与所述平均影像之间的相关系数；
获取与所述平均影像之间的相关系数最大的脑影像作为参考影像。
进一步地，所述对所述参考影像进行脑区分割处理，得到脑区分割模板包括：
判断所述参考影像是否为T1结构影像；
如果所述参考影像是T1结构影像，则对所述参考影像进行脑区分割处理，得到脑区分割模板；
如果所述参考影像不是T1结构影像，则获取所述目标对象的T1结构脑影像；
对所述T1结构脑影像进行脑区分割处理，得到脑区分割结果；
将所述T1结构脑影像与所述参考影像进行图像配准，确定所述T1结构脑影像与所述参考影像之间的映射关系；
基于所述T1结构脑影像与所述参考影像之间的映射关系，将所述脑区分割结果映射到所述参考影像中，得到所述参考影像的脑区分割模板。
进一步地，所述分别针对每个脑区，对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像包括：
分别针对每个脑区，基于奇异值分解方法对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像。
具体地，所述分别针对每个脑区，基于奇异值分解方法对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像包括：
根据所述多个脑区影像生成图像矩阵；
对所述图像矩阵进行奇异值分解，得到所述图像矩阵对应的右矩阵和最大奇异值；
获取所述右矩阵中对应于所述最大奇异值的列向量；
根据所述图像矩阵和所述列向量计算目标图像矩阵；
根据所述目标图像矩阵生成对应的目标脑区影像。
本发明另一方面提供一种脑影像处理装置，包括：
获取模块，用于获取重复采集的目标对象的多个脑影像；
脑区分割模块，用于对所述多个脑影像进行脑区分割处理，得到多个脑区以及各个脑区对应的多个脑区影像；
图像处理模块，用于分别针对每个脑区，对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像；
生成模块，用于根据各个脑区对应的目标脑区影像生成所述目标对象的目标脑影像。
本发明另一方面提供一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的脑影像处理方法。
本发明另一方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的脑影像处理方法。
由于上述技术方案，本发明具有以下有益效果：
根据本发明实施例的脑影像处理方法，通过预先对采集的多个脑影像进行脑区分割，再分别对每个脑区对应的多个脑区影像进行平均处理，得到该脑区的目标脑区影像，最后将各个脑区的目标脑区影像组合成最终的脑影像，能够提高脑影像的信噪比，还能够有效的剔除伪影等异常数据，进一步提升脑影像的质量。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1是本发明一个实施例提供的实施环境示意图；
图2是本发明一个实施例提供的脑影像处理方法的流程图；
图3是本发明一个实施例提供的脑区分割的示意图；
图4是本发明一个实施例提供的脑影像处理结果的对比图；
图5是本发明一个实施例提供的脑影像处理装置的结构示意图；
图6是本发明一个实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅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的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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
参考说明书附图1，其示出了本发明一个实施例提供的实施环境示意图。如图1所示，该实施环境可以包括至少一个医学扫描设备110和计算机设备120，所述计算机设备120和各个医学扫描设备110可以通过有线或无线通信方式进行直接或间接地连接，本发明实施例对此不做限制。
所述计算机设备120可以获取由医学扫描设备110扫描得到的脑影像，并通过本发明实施例提供的脑影像处理方法将扫描的多个脑影像进行平均降噪，得到降噪后的脑影像。其中，所述医学扫描设备110可以但不限于是核磁共振成像设备等，所述计算机设备120可以但不限于是各种服务器、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备、服务器可以是独立的服务器或者是多个服务器组成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是，图1仅仅是一种示例。本领域技术人员可以理解，虽然图1中只示出了1个医学扫描设备110，但并不构成对本发明实施例的限定，可以包括比图示更多或更少的医学扫描设备110。
参考说明书附图2，其示出了本发明一个实施例提供的脑影像处理方法的流程，该方法可以应用于图1中的计算机设备120中，具体的如图2所示，所述方法可以包括以下步骤：
S210：获取重复采集的目标对象的多个脑影像。
本发明实施例中，可以利用核磁共振技术对目标对象脑部的影像进行多次重复采集，得到所述目标对象的多个脑影像。例如，可以通过核磁共振成像扫描仪对目标对象脑部进行多次重复扫描得到多个脑影像，并将所述多个脑影像发送至所述计算机设备。其中，所述目标对象可以为可能患有脑部疾病的患者，所述脑影像可以包括T1和T2结构图、大脑动脉自旋标记(Arterial Spin Labeling，ASL)灌注图等，T1和T2结构图是指突出组织T1纵向弛豫和T2横向弛豫的影像。
S220：对所述多个脑影像进行脑区分割处理，得到多个脑区以及各个脑区对应的多个脑区影像。
本发明实施例中，为了尽量保留完好的数据，可以先对目标对象的脑影像先进行脑区分割处理，然后对每个脑区单独进行图像平均处理，再将处理得到的各个脑区的结果进行组合，得到最终的脑影像，以供医生进行查阅。通过对每个脑区单独进行处理，可以保留有伪影的影像中没有发生伪影的脑区的数据，保证降噪的效果。
在一个可能的实施例中，所述对所述多个脑影像进行脑区分割处理，得到多个脑区以及各个脑区对应的多个脑区影像可以包括：
步骤1：从所述多个脑影像中选择一个脑影像作为参考影像；
步骤2：将所述多个脑影像中除所述参考影像之外的其他所有脑影像分别配准到所述参考影像；
步骤3：对所述参考影像进行脑区分割处理，得到脑区分割模板，所述脑区分割模板包括多个脑区；
步骤4：利用所述脑区分割模板分别对各个脑影像进行脑区分割处理，得到各个脑区对应的脑区影像。
具体地，在步骤1中，所述从所述多个脑影像中选择一个脑影像作为参考影像可以包括：
确定所述多个脑影像的平均影像；
分别计算各个脑影像与所述平均影像之间的相关系数；
获取与所述平均影像之间的相关系数最大的脑影像作为参考影像。
在实际应用中，可以将所述多个脑影像的像素值进行平均，来得到所述平均影像的像素值，可以利用现有技术中计算相关系数的各种方法来计算各个脑影像与所述平均影像之间的相关系数，例如可以通过差的平方和(Sum of Squared Differences，SSD)算法进行计算，也可以通过皮尔森相关系数进行计算，本发明实施例对此不作限制。
具体地，将所述多个脑影像中除所述参考影像外的其他影像配准到所述参考影像后，可以先基于所述参考影像进行脑区分割，得到所述参考影像的脑区分割模板，由于其他影像都配准到所述参考影像的空间中了，因此参考影像的脑区分割模板可以直接用在其他脑影像上，以快速对其他脑影像进行脑区分割，得到多个脑区以及各个脑区对应的多个脑区影像。
具体地，在步骤3中，所述对所述参考影像进行脑区分割处理，得到脑区分割模板可以包括：
判断所述参考影像是否为T1结构影像；
如果所述参考影像是T1结构影像，则对所述参考影像进行脑区分割处理，得到脑区分割模板；
如果所述参考影像不是T1结构影像，则获取所述目标对象的T1结构脑影像；
对所述T1结构脑影像进行脑区分割处理，得到脑区分割结果；
将所述T1结构脑影像与所述参考影像进行图像配准，确定所述T1结构脑影像与所述参考影像之间的映射关系；
基于所述T1结构脑影像与所述参考影像之间的映射关系，将所述脑区分割结果映射到所述参考影像中，得到所述参考影像的脑区分割模板。
本发明实施例中，由于脑区分割最适合的是核磁的T1结构图，因此在对所述参考影像进行脑区分割处理之前，可以先判断其是否为T1结构影像，如果是，则可以直接对所述参考图像进行脑区分割处理，如果否，结合参考说明书附图3，则可以再次对所述目标对象脑部进行扫描来得到T1结构脑影像，将所述T1结构脑影像配准到所述参考影像，然后利用所述T1结构脑影像与所述参考影像之间的映射关系，将T1结构脑影像的脑区分割结果映射到所述参考影像的空间中，实现对所述参考图像进行脑区分割处理。
需要说明的是，可以采用现有技术中的脑区分割方法对所述参考影像或所述TI结构脑影像进行脑区分割，例如可以使用freesurfer软件或者深度学习算法模型进行脑区分割处理等，本发明实施例对此不作限制。
具体地，在步骤4中，对于每个脑影像，利用所述脑区分割模板对所述脑影像进行脑区分割处理，均可以得到各个脑区对应的一个脑区影像。由于脑影像有多个，因此，最终得到的各个脑区对应的脑区影像也为多个。
S230：分别针对每个脑区，对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像。
本发明实施例中，可以分别针对每个脑区，基于奇异值分解方法对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像。通过奇异值分解方法对各个脑区的多个脑区影像进行平均处理，能够有效去除有异常(例如有伪影)的脑区数据，提高各个脑区的脑区影像的信噪比。
具体地，所述分别针对每个脑区，基于奇异值分解方法对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像可以包括：
根据所述多个脑区影像生成图像矩阵；
对所述图像矩阵进行奇异值分解，得到所述图像矩阵对应的右矩阵和最大奇异值；
获取所述右矩阵中对应于所述最大奇异值的列向量；
根据所述图像矩阵和所述列向量计算目标图像矩阵；
根据所述目标图像矩阵生成对应的目标脑区影像。
在实际应用中，针对某个脑区，可以将其对应的每个脑区影像的脑区内(三维空间)的像素按照一定顺序排列成一个一维向量hi，该向量的大小即为该脑区内的像素个数，可以将多个脑区影像对应的一维向量合成一个二维矩阵A＝[h1,h2,h3,……,hn]，即为所述图像矩阵。对所述图像矩阵A进行奇异值分解，可以得到A＝USV，其中S为奇异值矩阵，U为左矩阵，V为右矩阵，通过奇异值矩阵S可以确定所述图像矩阵A的奇异值。可以获取所述右矩阵V中对应于最大奇异值的列向量Vi，则可以根据所述图像矩阵A和所述列向量Vi计算目标图像矩阵M＝A*Vi，即为多个脑区影像的平均结果，最后将平均的一维向量M转换到脑区影像对应的三维空间，即可得到该脑区对应的目标脑区影像。
S240：根据各个脑区对应的目标脑区影像生成所述目标对象的目标脑影像。
本发明实施例中，可以利用所有脑区对应的目标脑区影像组成完整的脑影像，即可得到所述目标对象的目标脑影像。
参考说明书附图4，以ASL灌注的脑血流量(Cerebral Blood Flow，CBF)图为例，假设多次采集的脑影像中存在一个或多个有伪影的脑影像，那么利用现有技术的平均降噪法最终得到的脑影像如(a)所示，其中也会出现伪影(箭头位置)，而采用本发明实施例提供的脑影像处理方法能够有效去掉伪影，最终得到的脑影像如(b)所示，其中不会出现伪影。
综上所述，根据本发明实施例的脑影像处理方法，通过预先对采集的多个脑影像进行脑区分割，再分别对每个脑区对应的多个脑区影像进行平均处理，得到该脑区的目标脑区影像，最后将各个脑区的目标脑区影像组合成最终的脑影像，能够提高脑影像的信噪比，还能够有效的剔除伪影等异常数据，进一步提升脑影像的质量。
参考说明书附图5，其示出了本发明一个实施例提供的一种脑影像处理装置500的结构。如图5所示，所述装置500可以包括：
获取模块510，用于获取重复采集的目标对象的多个脑影像；
脑区分割模块520，用于对所述多个脑影像进行脑区分割处理，得到多个脑区以及各个脑区对应的多个脑区影像；
图像处理模块530，用于分别针对每个脑区，对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像；
生成模块540，用于根据各个脑区对应的目标脑区影像生成所述目标对象的目标脑影像。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与相应方法实施例属于同一构思，其具体实现过程详见对应方法实施例，这里不再赘述。
本发明一个实施例还提供了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的脑影像处理方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
在一个具体的实施例中，图6示出了一种用于实现本发明实施例所提供的脑影像处理方法的电子设备的硬件结构示意图，所述电子设备可以为计算机终端、移动终端或其他设备，所述电子设备还可以参与构成或包含本发明实施例所提供的脑影像处理装置。如图6所示，所述电子设备600可以包括一个或一个以上计算机可读存储介质的存储器610、一个或者一个以上处理核心的处理器620、输入单元630、显示单元640、射频(RadioFrequency，RF)电路650、无线保真(wireless fidelity，WiFi)模块660以及电源670等部件。本领域技术人员可以理解，图6中示出的电子设备结构并不构成对电子设备600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。其中：
所述存储器610可用于存储软件程序以及模块，所述处理器620通过运行或执行存储在所述存储器610的软件程序以及模块，以及调用存储在存储器610内的数据，从而执行各种功能应用以及数据处理。所述存储器610可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据所述电子设备的使用所创建的数据等。此外，存储器610可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器610还可以包括存储器控制器，以提供处理器620对存储器610的访问。
所述处理器620是电子设备600的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器610内的软件程序和/或模块，以及调用存储在存储器610内的数据，执行电子设备600的各种功能和处理数据，从而对电子设备600进行整体监控。所述处理器620可以是中央处理器，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，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。
所述输入单元630可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元630可包括触敏表面631以及其他输入设备632。具体地，触敏表面631可以包括但不限于触感板或者触摸屏，其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
所述显示单元640可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元640可包括显示面板641，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板641。
所述RF电路650可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器620处理；另外，将涉及上行的数据发送给基站。通常，RF电路650包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，RF电路650还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System ofMobilecommunication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultipleAccess，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。
WiFi属于短距离无线传输技术，电子设备600通过WiFi模块660可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了WiFi模块660，但是可以理解的是，其并不属于电子设备600的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
所述电子设备600还包括给各个部件供电的电源670(比如电池)，优选的，电源可以通过电源管理系统与处理器620逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源670还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
需要说明的是，尽管未示出，所述电子设备600还可以包括蓝牙模块等，在此不再赘述。
本发明一个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可设置于电子设备之中以保存用于实现一种脑影像处理方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的脑影像处理方法。
可选地，在本发明实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本发明一个实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现例中提供的脑影像处理方法。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种脑影像处理方法，其特征在于，包括：
获取重复采集的目标对象的多个脑影像；
对所述多个脑影像进行脑区分割处理，得到多个脑区以及各个脑区对应的多个脑区影像；
分别针对每个脑区，对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像；
根据各个脑区对应的目标脑区影像生成所述目标对象的目标脑影像，
其中，所述对所述多个脑影像进行脑区分割处理，得到多个脑区以及各个脑区对应的多个脑区影像包括：
从所述多个脑影像中选择一个脑影像作为参考影像；
将所述多个脑影像中除所述参考影像之外的其他所有脑影像分别配准到所述参考影像；
对所述参考影像进行脑区分割处理，得到脑区分割模板，所述脑区分割模板包括多个脑区；
利用所述脑区分割模板分别对各个脑影像进行脑区分割处理，得到各个脑区对应的脑区影像，
所述对所述参考影像进行脑区分割处理，得到脑区分割模板包括：
判断所述参考影像是否为T1结构影像；
如果所述参考影像是T1结构影像，则对所述参考影像进行脑区分割处理，得到脑区分割模板；
如果所述参考影像不是T1结构影像，则获取所述目标对象的T1结构脑影像；
对所述T1结构脑影像进行脑区分割处理，得到脑区分割结果；
将所述T1结构脑影像与所述参考影像进行图像配准，确定所述T1结构脑影像与所述参考影像之间的映射关系；
基于所述T1结构脑影像与所述参考影像之间的映射关系，将所述脑区分割结果映射到所述参考影像中，得到所述参考影像的脑区分割模板。
2.根据权利要求1所述的方法，其特征在于，所述获取重复采集的目标对象的多个脑影像包括：
利用核磁共振技术对目标对象脑部的影像进行多次重复采集，得到所述目标对象的多个脑影像。
3.根据权利要求1所述的方法，其特征在于，所述从所述多个脑影像中选择一个脑影像作为参考影像包括：
确定所述多个脑影像的平均影像；
分别计算各个脑影像与所述平均影像之间的相关系数；
获取与所述平均影像之间的相关系数最大的脑影像作为参考影像。
4.根据权利要求1所述的方法，其特征在于，所述分别针对每个脑区，对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像包括：
分别针对每个脑区，基于奇异值分解方法对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像。
5.根据权利要求4所述的方法，其特征在于，所述分别针对每个脑区，基于奇异值分解方法对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像包括：
根据所述多个脑区影像生成图像矩阵；
对所述图像矩阵进行奇异值分解，得到所述图像矩阵对应的右矩阵和最大奇异值；
获取所述右矩阵中对应于所述最大奇异值的列向量；
根据所述图像矩阵和所述列向量计算目标图像矩阵；
根据所述目标图像矩阵生成对应的目标脑区影像。
6.一种脑影像处理装置，其特征在于，包括：
获取模块，用于获取重复采集的目标对象的多个脑影像；
脑区分割模块，用于对所述多个脑影像进行脑区分割处理，得到多个脑区以及各个脑区对应的多个脑区影像；
图像处理模块，用于分别针对每个脑区，对所述脑区对应的多个脑区影像进行图像平均处理，得到对应的目标脑区影像；
生成模块，用于根据各个脑区对应的目标脑区影像生成所述目标对象的目标脑影像，
所述脑区分割模块具体用于：
从所述多个脑影像中选择一个脑影像作为参考影像；
将所述多个脑影像中除所述参考影像之外的其他所有脑影像分别配准到所述参考影像；
对所述参考影像进行脑区分割处理，得到脑区分割模板，所述脑区分割模板包括多个脑区；
利用所述脑区分割模板分别对各个脑影像进行脑区分割处理，得到各个脑区对应的脑区影像，
所述对所述参考影像进行脑区分割处理，得到脑区分割模板包括：
判断所述参考影像是否为T1结构影像；
如果所述参考影像是T1结构影像，则对所述参考影像进行脑区分割处理，得到脑区分割模板；
如果所述参考影像不是T1结构影像，则获取所述目标对象的T1结构脑影像；
对所述T1结构脑影像进行脑区分割处理，得到脑区分割结果；
将所述T1结构脑影像与所述参考影像进行图像配准，确定所述T1结构脑影像与所述参考影像之间的映射关系；
基于所述T1结构脑影像与所述参考影像之间的映射关系，将所述脑区分割结果映射到所述参考影像中，得到所述参考影像的脑区分割模板。
7.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-5任意一项所述的脑影像处理方法。
8.一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中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-5任意一项所述的脑影像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110985316.0A CN113724160B (zh) | 2021-08-26 | 2021-08-26 | 一种脑影像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110985316.0A CN113724160B (zh) | 2021-08-26 | 2021-08-26 | 一种脑影像处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113724160A CN113724160A (zh) | 2021-11-30 |
| CN113724160B true CN113724160B (zh) | 2023-09-05 |
Family
ID=78677990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110985316.0A Active CN113724160B (zh) | 2021-08-26 | 2021-08-26 | 一种脑影像处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724160B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105957047A (zh) * | 2016-05-06 | 2016-09-21 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
| CN106156484A (zh) * | 2016-06-08 | 2016-11-23 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
| KR101718130B1 (ko) * | 2016-02-12 | 2017-03-20 | 서울대학교산학협력단 | 자기공명영상을 이용한 뇌 영역의 분할 방법 및 시스템 |
| CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 迈格生命科技（深圳）有限公司 | 一种神经指纹提取分类方法及系统 |
| 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 |
| CN110097968A (zh) * | 2019-03-27 | 2019-08-06 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、系统 |
| CN112991363A (zh) * | 2021-03-17 | 2021-06-18 | 泰康保险集团股份有限公司 | 脑肿瘤图像分割方法、装置、电子设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2844143B1 (en) * | 2012-05-04 | 2023-07-19 | Emory University | Method for imaging and determining information associated with regions of the brain |
| EP2988270A1 (en) * | 2014-08-22 | 2016-02-24 | Siemens Aktiengesellschaft | Method for volume evaluation of penumbra mismatch in acute ischemic stroke and system therefor |
| WO2019044077A1 (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 |
| US10768260B2 (en) * | 2017-09-18 | 2020-09-08 | Regents Of The University Of Minnesota | System and method for controlling noise in magnetic resonance imaging using a local low rank technique |
| JP2020185223A (ja) * | 2019-05-15 | 2020-11-19 | 国立大学法人北海道大学 | 単色ｃｔ画像作成方法、単色ｃｔ画像作成装置および単色ｃｔ画像作成プログラム |
-
2021
- 2021-08-26 CN CN202110985316.0A patent/CN113724160B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101718130B1 (ko) * | 2016-02-12 | 2017-03-20 | 서울대학교산학협력단 | 자기공명영상을 이용한 뇌 영역의 분할 방법 및 시스템 |
| CN105957047A (zh) * | 2016-05-06 | 2016-09-21 | 中国科学院自动化研究所 | 有监督的多模态脑影像融合方法 |
| CN106156484A (zh) * | 2016-06-08 | 2016-11-23 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和系统 |
| CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 迈格生命科技（深圳）有限公司 | 一种神经指纹提取分类方法及系统 |
| 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 |
| CN110097968A (zh) * | 2019-03-27 | 2019-08-06 | 中国科学院自动化研究所 | 基于静息态功能磁共振影像的婴儿脑龄预测方法、系统 |
| CN112991363A (zh) * | 2021-03-17 | 2021-06-18 | 泰康保险集团股份有限公司 | 脑肿瘤图像分割方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 针刺脑反应的功能性磁共振成像研究;方松华等;《中国中西医结合杂志》;第26卷(第11期);第965-968页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113724160A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6667572B2 (ja) | クラウド型医療画像分析のためのシステムおよび方法 | |
| CN108701220B (zh) | 用于处理多模态图像的系统和方法 | |
| CN113628207B (zh) | 一种图像区域分割方法、装置、设备及存储介质 | |
| CN104574316A (zh) | 一种数字化x线成像系统 | |
| US11107212B2 (en) | Methods and systems for displaying a region of interest of a medical image | |
| CN113706560A (zh) | 一种缺血区分割方法、装置、设备及存储介质 | |
| CN113256529B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN109692015B (zh) | 一种扫描参数调整方法、装置、设备及存储介质 | |
| CN109830270A (zh) | 医疗信息管理系统、方法、计算机设备及可读存储介质 | |
| CN109214876A (zh) | 一种基于增强现实的试衣方法和系统 | |
| CN111985197A (zh) | 一种基于医疗信息的模板生成方法 | |
| CN111178502A (zh) | 循环生成对抗网络模型的训练方法、系统以及电子设备 | |
| CN111462139A (zh) | 医学图像显示方法、装置、计算机设备和可读存储介质 | |
| CN108733967A (zh) | 云端医疗图像分析系统与方法 | |
| Lin et al. | Edge computing-based mobile health system: Network architecture and resource allocation | |
| CN113724160B (zh) | 一种脑影像处理方法、装置、设备及存储介质 | |
| CN108742678B (zh) | 图像配准方法、装置及计算机可读存储介质 | |
| CN113344926A (zh) | 胆胰超声图像识别方法、装置、服务器及存储介质 | |
| CN113077474B (zh) | 基于ct影像的床板去除方法、系统、电子设备及存储介质 | |
| CN115830014B (zh) | 缺血半暗带的误标记识别方法、装置、设备及存储介质 | |
| CN117789992A (zh) | 脑出血预后预测方法、装置、设备、介质及程序产品 | |
| CN110833429B (zh) | 计算机断层扫描成像方法、装置、设备及存储介质 | |
| CN115861662B (zh) | 基于组合神经网络模型的预测方法、装置、设备及介质 | |
| CN115908457A (zh) | 低密度梗死区分割方法、分析方法、装置、系统、设备及介质 | |
| CN110473599B (zh) | 信息处理方法及装置、电子设备及存储介质 |
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 |