CN114037681A - 图像处理方法、装置、可读存储介质及电子设备 - Google Patents

图像处理方法、装置、可读存储介质及电子设备 Download PDF

Info

Publication number
CN114037681A
CN114037681A CN202111314753.6A CN202111314753A CN114037681A CN 114037681 A CN114037681 A CN 114037681A CN 202111314753 A CN202111314753 A CN 202111314753A CN 114037681 A CN114037681 A CN 114037681A
Authority
CN
China
Prior art keywords
swi
brain tissue
bleeding point
image
micro
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
Application number
CN202111314753.6A
Other languages
English (en)
Inventor
冯莹莹
才品嘉
李戈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Original Assignee
Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd filed Critical Shenyang Neusoft Intelligent Medical Technology Research Institute Co Ltd
Priority to CN202111314753.6A priority Critical patent/CN114037681A/zh
Publication of CN114037681A publication Critical patent/CN114037681A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像处理方法、装置、可读存储介质及电子设备。方法包括：对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像；通过海森矩阵确定所述SWI脑组织图像中的微出血点候选区；从所述微出血点候选区中识别出微出血点。由此，可以实现微出血点的自动检测，避免了人为查找微出血点耗时长且存在人为误差的问题。另外，基于三维的SWI脑组织图像，通过海森矩阵提取该图像中的微出血点候选区，可有效减少能够造成干扰的非微出血点候选区，从而提升后续微出血点精确提取的效率和准确度。

Description

图像处理方法、装置、可读存储介质及电子设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种图像处理方法、装置、可读存储介质及电子设备。
背景技术
脑微出血(Cerebral Microbleeds，CMBs)是脑小血管损伤导致的血管局部含铁黄素沉积。CMBs通常在磁敏感加权成像(Susceptibility Weighted Imaging，SWI)序列上呈现点状、圆或椭圆形低信号影，直径在2mm～10mm之间，主要分布于脑干、基底节区、双侧大脑皮层下。在急性缺血性脑卒中的治疗中，CMBs具有重要的指导价值。研究发现，对于急性脑梗死患者，采用溶栓治疗或抗凝、抗聚集治疗时，有CMBs的患者发生出血转化的概率高于无CMBs的患者。因此，明确缺血性脑卒中患者的CMBs情况有助于减小患者治疗后出血的风险。现阶段往往通过人工方法视觉查找微出血点，不但耗时长，而且准确度较难保证。
发明内容
为了克服相关技术中存在的问题，本公开提供一种图像处理方法、装置、可读存储介质及电子设备。
为了实现上述目的，第一方面，本公开提供一种图像处理方法，包括：
对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像；
通过海森矩阵确定所述SWI脑组织图像中的微出血点候选区；
从所述微出血点候选区中识别出微出血点。
可选地，所述通过海森矩阵确定所述SWI脑组织图像中的微出血点候选区，包括：
针对所述SWI脑组织图像中的每一目标像素点，通过海森矩阵对该目标像素点进行特征提取，得到所述目标像素点对应的所述海森矩阵的三个特征值；若所述目标像素点对应的所述三个特征值表征所述目标像素点符合球形特征，则将所述SWI脑组织图像中以所述目标像素点为中心的预设大小的图像区域确定为微出血点候选区。
可选地，所述目标像素点通过以下方式确定：
根据所述SWI脑组织图像中的灰度分布特征，确定所述SWI脑组织图像中每一像素点是否为疑似微出血点；
将所述SWI脑组织图像中的疑似微出血点确定为目标像素点。
可选地，所述从所述微出血点候选区中识别出微出血点，包括：
针对每一所述微出血点候选区，确定该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率，并根据所述第一概率和所述第二概率，确定该微出血点候选区是否为微出血点。
可选地，所述确定该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率，包括：
对所述SWI脑组织图像进行灰度值标准化；
将标准化后所得的SWI脑组织图像中的该微出血点候选区输入到预先训练好的预测模型中，得到该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率。
可选地，所述预测模型包括第一卷积层、第二卷积层、第三卷积层、池化层、全局平均层、拼接模块以及预测模块；
其中，所述第一卷积层用于对标准化后所得的SWI脑组织图像中的该微出血点候选区进行特征提取，得到第一特征图；
所述第二卷积层用于对所述第一特征图进行特征提取，得到第二特征图；
所述第三卷积层用于对所述第二特征图进行特征提取，得到第三特征图；
所述池化层用于对所述第三特征图进行池化处理，得到第四特征图；
所述全局平均层用于对所述第四特征图进行压缩；
所述拼接模块用于将所述第二特征图、第三特征图以及压缩后所得的第四特征图进行拼接；
所述预测模块用于根据拼接后所得的特征图，预测该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率。
可选地，所述对所述SWI脑组织图像进行灰度值标准化，包括：
获取所述SWI脑组织图像的横截面积最大层中各像素点的灰度值的中值；
利用所述中值，对所述SWI脑组织图像进行灰度值标准化。
可选地，所述对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像，包括：
对所述目标SWI图像进行去颅骨处理，得到脑组织三维掩膜；
对所述目标SWI图像和所述脑组织三维掩膜分别进行各向同性重采样，以使得重采样后的图像的三维像素间距一致；
将重采样后所得的目标SWI图像和重采样后所得的脑组织三维掩膜的乘积作为所述目标SWI图像对应的SWI脑组织图像。
可选地，所述方法还包括：
针对每一所述微出血点，对该微出血点进行三维区域增长；
确定三维区域增长后的微出血点的体积，并输出所述体积。
第二方面，本公开提供一种图像处理装置，包括：
提取模块，用于对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像；
确定模块，用于通过海森矩阵确定所述提取模块提取到的所述SWI脑组织图像中的微出血点候选区；
识别模块，用于从所述确定模块确定出的所述微出血点候选区中识别出微出血点。
第三方面，本公开提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。
在上述技术方案中，首先对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像；然后，通过海森矩阵确定SWI脑组织图像中的微出血点候选区；从微出血点候选区中识别出微出血点。由此，可以实现微出血点的自动检测，避免了人为查找微出血点耗时长且存在人为误差的问题。另外，基于三维的SWI脑组织图像，通过海森矩阵提取该图像中的微出血点候选区，可有效减少能够造成干扰的非微出血点候选区，从而提升后续微出血点精确提取的效率和准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种图像处理方法的流程图。
图2是根据一示例性实施例示出的一种预测模型的结构示意图。
图3是根据另一示例性实施例示出的一种图像处理方法的流程图。
图4是根据一示例性实施例示出的一种图像处理装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
正如背景技术中论述的那样，现阶段主要通过人工方法视觉查找微出血点，不但耗时长，而且准确度较难保证。为此，需要借助计算机自动查找微出血点。CMBs通常在SWI序列上呈现类球形低信号影，因此，现阶段通常采用斑点检测算法，在二维层面上对类圆形低密度影进行检测，以得到微出血点候选区，进而从微出血点候选区中精确提取出微出血点。由于从二维层面上看，部分血管与微出血点皆呈现类圆形，因此，可能存在同一微出血点对应多个二维候选区的现象，并且，也可能将血管作为候选区，这将对后续的微出血点精确提取造成干扰，使得微出血点检测效率和准确度均受到影响。
鉴于此，本公开提供一种图像处理方法、装置、可读存储介质及电子设备。
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据一示例性实施例示出的一种图像处理方法的流程图。如图1所示，该方法包括S101～S103。
在S101中，对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像。
在本公开中，由于目标SWI图像中除了包含脑组织外，还包含颅骨，为了避免颅骨对后续微出血点识别产生干扰，需要对目标SWI图像中的脑组织进行提取，以得到三维的SWI脑组织图像。
在S102中，通过海森矩阵确定SWI脑组织图像中的微出血点候选区。
在一种实施方式中，海森矩阵可以为SWI脑组织图像的二阶偏导。
在另一种实施方式中，海森矩阵可以为SWI脑组织图像的二阶偏导与高斯函数的卷积。其中，高斯函数用于去除高斯噪声，它具有良好的低通滤波效果，并且，卷积不会影响SWI脑组织图像整体的结构，而且一定程度上对SWI脑组织图像进行了去噪，保证了从SWI脑组图像中提取到的特征的准确度，进而提升了微出血点候选区的准确度。
在S103中，从微出血点候选区中识别出微出血点。
在上述技术方案中，首先对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像；然后，通过海森矩阵确定SWI脑组织图像中的微出血点候选区；从微出血点候选区中识别出微出血点。由此，可以实现微出血点的自动检测，避免了人为查找微出血点耗时长且存在人为误差的问题。另外，基于三维的SWI脑组织图像，通过海森矩阵提取该图像中的微出血点候选区，可有效减少能够造成干扰的非微出血点候选区，从而提升后续微出血点精确提取的效率和准确度。
下面针对上述S101中的对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像的具体实施方式进行详细说明。具体来说，可以通过以下步骤1)～步骤3)来实现：
1)对目标SWI图像进行去颅骨处理，得到脑组织三维掩膜。
在本公开中，可以通过主动轮廓法来对目标SWI图像进行去颅骨处理，以得到脑组织三维掩膜，其中，该脑组织三维掩膜为二分类图像，一类为脑组织，另一类为除脑组织外的其他结构。
2)对目标SWI图像和脑组织三维掩膜分别进行各向同性重采样，以使得重采样后的图像的三维像素间距一致。
在本公开中，可以通过线性插值、最近邻插值来对目标SWI图像和脑组织三维掩膜分别进行各向同性重采样，以使得重采样后的图像的三维像素间距一致，即使得目标SWI图像的三个维度的像素间距统一到预设间距(例如，0.5mm)、使得脑组织三维掩膜的三个维度的像素间距统一到上述预设间距。
3)将重采样后所得的目标SWI图像和重采样后所得的脑组织三维掩膜的乘积作为目标SWI图像对应的SWI脑组织图像。
在上述实施方式中，对目标SWI图像和脑组织三维掩膜分别进行各向同性重采样，以使得重采样后的图像的三维像素间距一致，从而可以保证SWI脑组织图像的三维像素间距一致，由此，保证了从SWI脑组图像中提取到的特征(例如，海森矩阵的三个特征值)的准确度，进而可以保证微出血点候选区的准确度。
下面针对上述S102中的通过海森矩阵确定SWI脑组织图像中的微出血点候选区的具体实施方式进行详细说明。具体来说，可以通过以下步骤(1)和步骤(2)来实现：
(1)针对SWI脑组织图像中的每一目标像素点，通过海森矩阵对该目标像素点进行特征提取，得到目标像素点对应的海森矩阵的三个特征值。
在本公开中，海森矩阵的三个特征值体现了目标像素点的灰度变化程度。
另外，目标像素点可以有多种确定方式，在一种实施方式中，可以将SWI脑组织图像中的每一像素点作为目标像素点，即此时，通过海森矩阵分别判断SWI脑组织图像中的每一像素点是否为微出血点候选区。
在另一种实施方式中，可以通过以下方式来确定上述目标像素点：根据SWI脑组织图像中的灰度分布特征，确定SWI脑组织图像中每一像素点是否为疑似微出血点；将SWI脑组织图像中的疑似微出血点确定为目标像素点。
在本公开中，脑部的微出血点在SWI图像上的灰度比脑组织部分的灰度要暗，即，脑部的微出血点在SWI图像上的灰度值比脑组织部分的灰度值低，因此，可以利用SWI脑组织图像中的灰度分布特征，来确定SWI脑组织图像中每一像素点是否为疑似微出血点。具体来说，针对SWI脑组织图像中每一像素点，若该像素点的灰度值小于或等于预设灰度值阈值，则确定该像素点为疑似微出血点；若该像素点的灰度值大于上述预设灰度值阈值，则确定该像素点为非疑似微出血点。
这样，仅对SWI脑组织图像中的疑似微出血点进行特征提取，而非是对SWI脑组织图像中的每一像素点进行特征提取，从而可以提升微出血点候选区的提取效率，并且，还可有效减少能够造成干扰的血管、钙化点等非微出血点候选区，从而提升微出血点候选区的准确度。
(2)若目标像素点对应的三个特征值表征目标像素点符合球形特征，则将SWI脑组织图像中以目标像素点为中心的预设大小的图像区域确定为微出血点候选区。
在本公开中，由于微出血点通常在SWI序列上呈现类球形，因此，根据目标像素点对应的三个特征值来判断目标像素点是否符合球形特征，以确定该目标像素点是否属于微出血点。若目标像素点符合球形特征，则确定该目标像素点属于微出血点，此时，可以将SWI脑组织图像中以目标像素点为中心的预设大小的图像区域确定为微出血点候选区；若目标像素点不符合球形特征，则确定该目标像素点不属于微出血点。
示例地，可以根据目标像素点对应的三个特征值，通过以下等式(1)来判断目标像素点是否符合球形特征：
Figure BDA0003343251590000081
其中，中间变量
Figure BDA0003343251590000082
中间变量
Figure BDA0003343251590000091
c、dt为常数，示例地，c＝0.7，dt＝0.5；当d＝1时，表明目标像素点符合球形特征，此时，可以将SWI脑组织图像中以目标像素点为中心的预设大小的图像区域确定为微出血点候选区；当d＝0时，表明目标像素点不符合球形特征。
示例地，可以将SWI脑组织图像中、以目标像素点为中心的25*25*25大小(即预设大小)的立方体区域确定为微出血点候选区。
下面针对上述S103中的从微出血点候选区中识别出微出血点的具体实施方式进行详细说明。具体来说，可以针对上述S102确定出的每一微出血点候选区，确定该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率，并根据第一概率和第二概率，确定该微出血点候选区是否为微出血点。
其中，若第一概率大于或等于第二概率，则确定该微出血点候选区为微出血点；若第一概率小于第二概率，则确定该微出血点候选区为非微出血点。
下面针对上述确定该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率的具体实施方式进行详细说明。具体来说，在一种实施方式中，可以通过以下步骤[1]和步骤[2]来实现：
[1]对SWI脑组织图像进行灰度值标准化。
[2]将标准化后所得的SWI脑组织图像中的该微出血点候选区输入到预先训练好的预测模型中，得到该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率。
具体来说，如图2所示，上述预测模型包括第一卷积层、第二卷积层、第三卷积层、池化层、全局平均层、拼接模块以及预测模块。
如图2所示，第一卷积层用于对标准化后所得的SWI脑组织图像中的该微出血点候选区进行特征提取，得到第一特征图；第二卷积层用于对第一特征图进行特征提取，得到第二特征图；第三卷积层用于对第二特征图进行特征提取，得到第三特征图；池化层用于对第三特征图进行池化处理，得到第四特征图；全局平均层用于对第四特征图进行压缩；拼接模块用于将第二特征图、第三特征图以及压缩后所得的第四特征图进行拼接；预测模块用于根据拼接模块拼接后所得的特征图，预测该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率。
示例地，预测模块可以包括多个串联的全连接层，如图2所示，预测模块可以包括三个串联的全连接层。
上述预测模型中将多级特征进行融合(即第二特征图、第三特征图以及压缩后所得的第四特征图)，从而能够通过利用多级特征信息和全局特征信息，更加精准地预测该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率，进而能够更加精准地区分微出血点和非微出血点，例如，区分类球形的血管和形状不规则的出血点。
下面针对上述步骤[1]中的对SWI脑组织图像进行灰度值标准化的具体实施方式进行详细说明。具体来说，可以通过以下步骤来实现：
首先，获取SWI脑组织图像的横截面积最大层中各像素点的灰度值的中值；
然后，利用上述中值，对SWI脑组织图像进行灰度值标准化。
示例地，可以利用上述中值，通过以下等式(2)来对SWI脑组织图像进行灰度值标准化：
Figure BDA0003343251590000101
其中，v′为SWI脑组织图像中、标准化后所得的像素点的灰度值；v为SWI脑组织图像中、像素点的灰度值；vr为上述中值。
由于SWI脑组织图像的横截面积最大层所包含的灰白质相对于其他层多，SWI脑组织图像的横截面积最大层中各像素点的灰度值的中值可以滤除噪声，从而很好地估计出正常灰白质部分的灰度值的均值，使得标准化后所得的SWI脑组织图像中的灰白质部分的灰度值接近1，进而能够很好的区分标准化后所得的SWI脑组织图像中的灰白质和其他组织。由此，可以更加精准地预测该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率，进一步提升后续微出血点精确提取的准确度。
另外，为了进一步提升后续微出血点精确提取的准确度，还可以将与上述目标SWI图像对应的磁敏感定量成像(Quantitative Susceptibility Mapping，QSM)图像或相位((Phase，Pha)图像共同作为微出血点识别的依据。具体来说，在另一种实施方式中，可以通过以下步骤1]和步骤2]来确定该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率。
1]对SWI脑组织图像和附加图像分别进行灰度值标准化，其中，附加图像为与上述目标SWI图像对应的QSM图像、与上述目标SWI图像对应的Pha图像中的一者。
2]将标准化后所得的SWI脑组织图像中的该微出血点候选区和标准化处理后的附加图像中、与该微出血点候选区对应的像素点输入到预先训练好的预测模型中，得到该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率。
在上述实施方式中，因为附加图像具有定量化信息，即微出血点和钙化点在附加图像的特征分别为亮点和暗点，且附加图像与SWI脑组织图像具有不同的图像特征，由此使得钙化点和微出血点能够更为准确地区分，即进一步提升后续微出血点精确提取的准确度。
图3是根据另一示例性实施例示出的一种图像处理方法的流程图。如图3所示，上述方法还包括S104和S105。
在S104中，针对每一微出血点，对该微出血点进行三维区域增长。
在本公开中，三维区域生长是按照事先定义的生长准则将一个像素或者子区域逐步聚合成一个完整独立的连通区域过程。由于三维区域增长属于本领域技术人员公知的技术手段，故在本公开中不再详细描述。
在S105中，确定三维区域增长后的微出血点的体积，并输出该体积。
在该种实施方式中，对微出血点进行三维区域增长，可以将微出血点的边缘区域包含进来，从而提升微出血点体积的计算精度。
另外，在确定出微出血点的体积后，输出该体积，这样，用户可以直接获知各微出血点的体积，便于根据该体积进行急性缺血性脑卒中的用药指导。
基于同样的发明构思，本公开还提供一种图像处理装置。如图4所示，该装置400包括：
提取模块401，用于对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像；
确定模块402，用于通过海森矩阵确定所述提取模块401提取到的所述SWI脑组织图像中的微出血点候选区；
识别模块403，用于从所述确定模块402确定出的所述微出血点候选区中识别出微出血点。
在上述技术方案中，首先对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像；然后，通过海森矩阵确定SWI脑组织图像中的微出血点候选区；从微出血点候选区中识别出微出血点。由此，可以实现微出血点的自动检测，避免了人为查找微出血点耗时长且存在人为误差的问题。另外，基于三维的SWI脑组织图像，通过海森矩阵提取该图像中的微出血点候选区，可有效减少能够造成干扰的非微出血点候选区，从而提升后续微出血点精确提取的效率和准确度。
可选地，所述确定模块402包括：第一确定子模块，用于针对所述SWI脑组织图像中的每一目标像素点，通过海森矩阵对该目标像素点进行特征提取，得到所述目标像素点对应的所述海森矩阵的三个特征值；第二确定子模块，用于若所述目标像素点对应的所述三个特征值表征所述目标像素点符合球形特征，则将所述SWI脑组织图像中以所述目标像素点为中心的预设大小的图像区域确定为微出血点候选区。
可选地，所述确定模块402还包括：第三确定子模块，用于根据所述SWI脑组织图像中的灰度分布特征，确定所述SWI脑组织图像中每一像素点是否为疑似微出血点；将所述SWI脑组织图像中的疑似微出血点确定为目标像素点。
可选地，所述识别模块403用于针对每一所述微出血点候选区，确定该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率，并根据所述第一概率和所述第二概率，确定该微出血点候选区是否为微出血点。
可选地，所述识别模块403包括：第一标准化子模块，用于对所述SWI脑组织图像进行灰度值标准化；预测子模块，用于将标准化后所得的SWI脑组织图像中的该微出血点候选区输入到预先训练好的预测模型中，得到该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率。
可选地，所述预测模型包括第一卷积层、第二卷积层、第三卷积层、池化层、全局平均层、拼接模块以及预测模块；其中，所述第一卷积层用于对标准化后所得的SWI脑组织图像中的该微出血点候选区进行特征提取，得到第一特征图；所述第二卷积层用于对所述第一特征图进行特征提取，得到第二特征图；所述第三卷积层用于对所述第二特征图进行特征提取，得到第三特征图；所述池化层用于对所述第三特征图进行池化处理，得到第四特征图；所述全局平均层用于对所述第四特征图进行压缩；所述拼接模块用于将所述第二特征图、第三特征图以及压缩后所得的第四特征图进行拼接；所述预测模块用于根据拼接后所得的特征图，预测该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率。
可选地，所述第一标准化子模块包括：获取子模块，用于获取所述SWI脑组织图像的横截面积最大层中各像素点的灰度值的中值；第二标准化子模块，用于利用所述中值，对所述SWI脑组织图像进行灰度值标准化。
可选地，所述提取模块401包括：处理子模块，用于对所述目标SWI图像进行去颅骨处理，得到脑组织三维掩膜；重采样子模块，用于对所述目标SWI图像和所述脑组织三维掩膜分别进行各向同性重采样，以使得重采样后的图像的三维像素间距一致；第四确定子模块，用于将重采样后所得的目标SWI图像和重采样后所得的脑组织三维掩膜的乘积作为所述目标SWI图像对应的SWI脑组织图像。
可选地，所述装置400还包括：区域增长模块，用于针对每一所述微出血点，对该微出血点进行三维区域增长；输出模块，用于确定三维区域增长后的微出血点的体积，并输出所述体积。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开提供的上述图像处理方法的步骤。
图5是根据一示例性实施例示出的一种电子设备500的框图。如图5所示，该电子设备500可以包括：处理器501，存储器502。该电子设备500还可以包括多媒体组件503，输入/输出(I/O)接口504，以及通信组件505中的一者或多者。
其中，处理器501用于控制该电子设备500的整体操作，以完成上述的图像处理方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该电子设备500的操作，这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件505可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的图像处理方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的图像处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器502，上述程序指令可由电子设备500的处理器501执行以完成上述的图像处理方法。
图6是根据一示例性实施例示出的一种电子设备600的框图。例如，电子设备600可以被提供为一服务器。参照图6，电子设备600包括处理器622，其数量可以为一个或多个，以及存储器632，用于存储可由处理器622执行的计算机程序。存储器632中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器622可以被配置为执行该计算机程序，以执行上述的图像处理方法。
另外，电子设备600还可以包括电源组件626和通信组件650，该电源组件626可以被配置为执行电子设备600的电源管理，该通信组件650可以被配置为实现电子设备600的通信，例如，有线或无线通信。此外，该电子设备600还可以包括输入/输出(I/O)接口658。电子设备600可以操作基于存储在存储器632的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的图像处理方法的步骤。例如，该非临时性计算机可读存储介质可以为上述包括程序指令的存储器632，上述程序指令可由电子设备600的处理器622执行以完成上述的图像处理方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的图像处理方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (12)

1.一种图像处理方法，其特征在于，包括：
对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像；
通过海森矩阵确定所述SWI脑组织图像中的微出血点候选区；
从所述微出血点候选区中识别出微出血点。
2.根据权利要求1所述的方法，其特征在于，所述通过海森矩阵确定所述SWI脑组织图像中的微出血点候选区，包括：
针对所述SWI脑组织图像中的每一目标像素点，通过海森矩阵对该目标像素点进行特征提取，得到所述目标像素点对应的所述海森矩阵的三个特征值；若所述目标像素点对应的所述三个特征值表征所述目标像素点符合球形特征，则将所述SWI脑组织图像中以所述目标像素点为中心的预设大小的图像区域确定为微出血点候选区。
3.根据权利要求2所述的方法，其特征在于，所述目标像素点通过以下方式确定：
根据所述SWI脑组织图像中的灰度分布特征，确定所述SWI脑组织图像中每一像素点是否为疑似微出血点；
将所述SWI脑组织图像中的疑似微出血点确定为目标像素点。
4.根据权利要求1所述的方法，其特征在于，所述从所述微出血点候选区中识别出微出血点，包括：
针对每一所述微出血点候选区，确定该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率，并根据所述第一概率和所述第二概率，确定该微出血点候选区是否为微出血点。
5.根据权利要求4所述的方法，其特征在于，所述确定该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率，包括：
对所述SWI脑组织图像进行灰度值标准化；
将标准化后所得的SWI脑组织图像中的该微出血点候选区输入到预先训练好的预测模型中，得到该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率。
6.根据权利要求5所述的方法，其特征在于，所述预测模型包括第一卷积层、第二卷积层、第三卷积层、池化层、全局平均层、拼接模块以及预测模块；
其中，所述第一卷积层用于对标准化后所得的SWI脑组织图像中的该微出血点候选区进行特征提取，得到第一特征图；
所述第二卷积层用于对所述第一特征图进行特征提取，得到第二特征图；
所述第三卷积层用于对所述第二特征图进行特征提取，得到第三特征图；
所述池化层用于对所述第三特征图进行池化处理，得到第四特征图；
所述全局平均层用于对所述第四特征图进行压缩；
所述拼接模块用于将所述第二特征图、第三特征图以及压缩后所得的第四特征图进行拼接；
所述预测模块用于根据拼接后所得的特征图，预测该微出血点候选区属于微出血点的第一概率和该微出血点候选区不属于微出血点的第二概率。
7.根据权利要求5所述的方法，其特征在于，所述对所述SWI脑组织图像进行灰度值标准化，包括：
获取所述SWI脑组织图像的横截面积最大层中各像素点的灰度值的中值；
利用所述中值，对所述SWI脑组织图像进行灰度值标准化。
8.根据权利要求1所述的方法，其特征在于，所述对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像，包括：
对所述目标SWI图像进行去颅骨处理，得到脑组织三维掩膜；
对所述目标SWI图像和所述脑组织三维掩膜分别进行各向同性重采样，以使得重采样后的图像的三维像素间距一致；
将重采样后所得的目标SWI图像和重采样后所得的脑组织三维掩膜的乘积作为所述目标SWI图像对应的SWI脑组织图像。
9.根据权利要求1-8中任一项所述的方法，其特征在于，所述方法还包括：
针对每一所述微出血点，对该微出血点进行三维区域增长；
确定三维区域增长后的微出血点的体积，并输出所述体积。
10.一种图像处理装置，其特征在于，包括：
提取模块，用于对目标SWI图像中的脑组织进行提取，得到SWI脑组织图像；
确定模块，用于通过海森矩阵确定所述提取模块提取到的所述SWI脑组织图像中的微出血点候选区；
识别模块，用于从所述确定模块确定出的所述微出血点候选区中识别出微出血点。
11.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
12.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-9中任一项所述方法的步骤。
CN202111314753.6A 2021-11-08 2021-11-08 图像处理方法、装置、可读存储介质及电子设备 Pending CN114037681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111314753.6A CN114037681A (zh) 2021-11-08 2021-11-08 图像处理方法、装置、可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111314753.6A CN114037681A (zh) 2021-11-08 2021-11-08 图像处理方法、装置、可读存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN114037681A true CN114037681A (zh) 2022-02-11

Family

ID=80143410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111314753.6A Pending CN114037681A (zh) 2021-11-08 2021-11-08 图像处理方法、装置、可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN114037681A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071350A (zh) * 2023-03-06 2023-05-05 同心智医科技(北京)有限公司 基于深度学习的大脑微出血识别方法、装置及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071350A (zh) * 2023-03-06 2023-05-05 同心智医科技(北京)有限公司 基于深度学习的大脑微出血识别方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN106815481B (zh) 一种基于影像组学的生存期预测方法及装置
CN110889826B (zh) 眼部oct图像病灶区域的分割方法、装置及终端设备
CN105809175B (zh) 一种基于支持向量机算法的脑水肿分割方法及系统
CN111696089A (zh) 一种动静脉确定方法、装置、设备和存储介质
CN112132265B (zh) 模型训练方法、杯盘比确定方法、装置、设备及存储介质
CN109242863B (zh) 一种缺血性脑卒中图像区域分割方法及装置
CN111080654B (zh) 图像的病变区域分割方法、装置及服务器
CN112037287B (zh) 相机标定方法、电子设备及存储介质
CN111968130B (zh) 脑部造影图像处理方法、装置、介质及电子设备
CN112308846B (zh) 血管分割方法、装置及电子设备
CN114171197B (zh) 一种乳腺癌her2状态的预测方法及相关设备
CN110211086A (zh) 图像分割方法、装置及存储介质
CN115953393B (zh) 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质
EP3353743A2 (en) Method and apparatus for tissue recognition
CN112102351A (zh) 医学图像分析方法、装置、电子设备及可读存储介质
CN114037681A (zh) 图像处理方法、装置、可读存储介质及电子设备
CN115170571A (zh) 胸腹水细胞病理图像识别方法、图像识别装置、介质
CN113706444A (zh) 一种图像处理方法、装置、设备及存储介质
CN110910335A (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
CN110428431B (zh) 一种心脏医学图像的分割方法、装置、设备及存储介质
CN111814832A (zh) 一种目标检测方法、装置及存储介质
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN113034683B (zh) 确定血管中心线真伪以及截断位置的方法与装置
CN112529918B (zh) 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN112634226B (zh) 头部ct图像检测装置、方法、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