CN114140487A - 脑部图像分割方法及装置 - Google Patents

脑部图像分割方法及装置 Download PDF

Info

Publication number
CN114140487A
CN114140487A CN202010807934.1A CN202010807934A CN114140487A CN 114140487 A CN114140487 A CN 114140487A CN 202010807934 A CN202010807934 A CN 202010807934A CN 114140487 A CN114140487 A CN 114140487A
Authority
CN
China
Prior art keywords
image
brain
images
skull
module
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
CN202010807934.1A
Other languages
English (en)
Inventor
刘玲
赵周社
饶林尚
张陈
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.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
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 GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Priority to CN202010807934.1A priority Critical patent/CN114140487A/zh
Publication of CN114140487A publication Critical patent/CN114140487A/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供了一种脑部图像分割方法及装置，医学成像系统以及非暂态计算机可读存储介质。所述脑部图像分割方法包括获取医学扫描图像；对医学扫描图像进行颅骨剔除，以获取脑实质图像；基于第一深度学习网络，对脑实质图像进行分割，以获取多个单独的区域图像；以及对多个单独的区域图像进行区域连通，以获取脑解剖结构图像。

Description

脑部图像分割方法及装置
技术领域
本发明涉及医学图像处理，尤其涉及一种脑部图像分割方法及装置，医学成像系统，以及非暂态计算机可读存储介质。
背景技术
大脑是人体的神经中枢，控制着人的思维和情感，包含很多复杂的解剖结构，这些复杂的结构变化于很多脑部疾病密切相关，因此脑解剖结构的分割是很多脑疾病计算机辅助分析的重要步骤，对于广泛的神经退行性疾病(例如，痴呆和阿尔兹海默症)的诊断、进展评估和治疗具有重要意义。另外脑组织中的白质、灰质和脑脊液对于测量和可视化解剖结构至关重要，还能分析大脑变化，进行手术计划和进行图像引导干预措施。
目前大多数医学脑结构分割技术是基于磁共振(MR)图像，由于计算机断层扫描(CT)脑图像的解剖结构的空间分辨率低，因此针对CT图像的脑分割技术少，而四维动态CT图像的空间分辨率比三维CT图像的空间分辨率更低，从而使用四维动态CT数据进行脑分割的研究非常具有挑战性。
然而，从三维图像手动分割脑结构是一项非常费力且耗时的任务，首先，这需要操作者具有大量关于大脑解剖学相关的知识，其次，即便有了扎实的知识贮备，操作层面也难以大规模地执行；再者，手动分割具有低再现性，由于操作者之间的可变性而容易出错。
通常的，可以采用基于区域的方法进行脑结构的自动或半自动分割，具体的，该类方法主要是通过区域标记，针对平行区域中生长的像素点进行细化，依赖属于同一区域的体素的不同性质的相似性。
还可以采用基于形变模型的方法进行脑结构的自动或半自动分割，具体的，该方法是根据脑结构的大小、形状、位置等先验信息，通过手动或自动生成的轮廓不断迭代变形得到最终的分割结构。
还可以采用基于多图谱融合的方法进行脑结构的自动或半自动分割，具体的，该类方法是利用图谱原图和目标图像的相关性和图谱标签中的先验信息将加权投票的结果或者重构误差作为分类的依据，从而判断目标像素的类别。
然而现有的方法也存在一定的问题，例如，一方面，某些方法为半自动分割方法，在分割的过程中需要人工干预，这就造成其结果可重复性差、容易受到噪声的影响、分割的准确性较低且模型的鲁棒性不高。另一方面，这些方法往往针对常规MR或CT图像进行研究，针对四维CT图像的脑结构分割的研究甚少。
发明内容
本发明提供一种脑部图像分割方法及装置，医学成像系统，以及非暂态计算机可读存储介质。
本发明的示例性实施例提供了一种脑部图像分割方法，所述方法包括获取医学扫描图像；对所述医学扫描图像进行颅骨剔除，以获取脑实质图像；基于第一深度学习网络，对所述脑实质图像进行分割，以获取多个单独的区域图像；以及对所述多个单独的区域图像进行区域连通，以获取脑解剖结构图像。
具体的，所述医学扫描图像包括多个三维图像，且所述多个三维图像具有不同的时间信息。
具体的，获取医学扫描图像包括基于原始扫描数据，以预设的时间间隔获取所述多个三维图像。
具体的，在获取医学扫描图像之后进一步包括确定参考图像。
具体的，确定参考图像包括在所述医学扫描图像中选择对应相同的血管位置的像素，并获取该位置所对应的像素与时间之间的对应关系，基于所述对应关系，确定造影剂进入所述血管位置处的时间，以及选择所述造影剂进入所述血管位置处的时间所对应的三维图像作为参考图像。
具体的，在颅骨剔除之前还包括对所述医学扫描图像进行预处理。
具体的，对医学扫描图像进行预处理包括：基于所述参考图像，对所述医学扫描图像进行刚性配准。
具体的，脑部图像分割方法进一步包括基于所述刚性配准获取的医学扫描图像之间的对应关系，对所述脑解剖结构图像进行配准，以获取多个具有不同的时间信息的脑解剖结构图像。
具体的，所述颅骨剔除包括基于第二深度学习网络，对所述医学扫描图像进行颅骨剔除。
具体的，所述颅骨剔除进一步包括基于经颅骨剔除后的图像的像素，确定颅骨周边组织的像素阈值范围，对所述颅骨周边组织进行剔除。
具体的，所述多个单独的区域图像包括左大脑，右大脑，左小脑，右小脑，脑室，左海马，右海马，左丘脑，右丘脑，左基底节和右基底节的区域图像。
具体的，脑部图像分割方法进一步包括基于所述脑解剖结构图像，获取多个中心面，其中所述多个中心面包括所述左大脑和所述右大脑之间的第一面，左小脑和右小脑之间的第二面，左海马和右海马之间的第三面，左丘脑和右丘脑之间的第四面，左基底节和右基底节之间的第五面，以及基于所述多个中心面，确定中心线。
具体的，脑部图像分割方法进一步包括基于半监督学习，对所述脑实质图像进行脑组织分割，以获取脑组织图像。
具体的，脑部图像分割方法进一步包括在所述脑解剖结构图像上显示所述中心线。
本发明的示例性实施例还提供了一种非暂态计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行上述的用于脑部图像分割方法的指令。
本发明的示例性实施例还提供了一种脑部图像分割装置，所述装置包括扫描图像获取模块，颅骨剔除模块，解剖结构分割模块以及解剖结构分割模块，其中，所述扫描图像获取模块用于获取医学扫描图像，所述颅骨剔除模块用于对所述医学扫描图像进行颅骨剔除，以获取脑实质图像，所述解剖结构分割模块用于基于第一深度学习网络，对所述脑实质图像进行分割，以获取多个单独的区域图像，所述区域连通模块用于对所述多个单独的区域图像进行区域连通，以获取脑解剖结构图像。
具体的，所述医学扫描图像包括多个三维图像，且所述多个三维图像具有不同的时间信息。
具体的，所述扫描图像获取模块进一步用于基于原始扫描数据，以预设的时间间隔获取所述多个三维图像。
具体的，脑部图像分割装置进一步包括参考图像获取模块，所述参考图像获取模块用于确定参考图像。
具体的，所述参考图像获取模块进一步用于在所述医学扫描图像中选择对应相同的血管位置的像素，并获取该位置所对应的像素与时间之间的对应关系；基于所述对应关系，确定造影剂进入所述血管位置处的时间；以及选择所述造影剂进入所述血管位置处的时间所对应的图像作为参考图像。
具体的，脑部图像分割装置进一步包括预处理模块，所述预处理模块用于基于所述参考图像，对医学扫描图像进行刚性配准。
具体的，所述颅骨剔除模块进一步用于基于第二深度学习网络，对所述医学扫描图像进行颅骨剔除。
具体的，脑部图像分割装置进一步包括颅骨优化模块，所述颅骨优化模块用于基于经颅骨剔除后的图像的像素，确定颅骨周边组织的像素阈值范围，对所述颅骨周边组织进行剔除。
具体的，脑部图像分割装置进一步包括脑组织分割模块，所述脑组织分割模块用于基于半监督学习，对所述脑实质图像进行脑组织分割，以获取脑组织图像。
具体的，脑部图像分割装置进一步包括中心确定模块，所述中心确定模块用于基于所述脑解剖结构图像，获取中心面和中心线。
本发明的示例性实施例还提供了一种医学成像系统，所述系统包括上述的脑部图像分割装置。
通过下面的详细描述、附图以及权利要求，其他特征和方面会变得清楚。
附图说明
通过结合附图对于本发明的示例性实施例进行描述，可以更好地理解本发明，在附图中：
图1是根据本发明一些实施例的CT系统的示意图；
图2是根据本发明一些实施例的脑部图像分割装置的示意图；以及
图3是根据本发明另一些实施例的脑部图像分割装置的示意图；
图4是根据本发明一些实施例的图像分割方法的流程图；
图5是根据本发明另一些实施例的图像分割方法的流程图；
图6是根据图5所示的方法中的确定参考图像的流程图；以及
图7是根据本发明又一些实施例的图像分割方法的流程图。
具体实施方式
以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本公开揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本公开的内容不充分。
除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，也不限于是直接的还是间接的连接。
如本发明中所使用，术语“被检测对象”可包括任何被成像的物体。
需要指出的是，从本领域或者相关领域普通技术人员的角度来看，这样的描述不应当理解为只将本发明限制在CT系统中，实际上，这里描述的图像降噪方法和装置可以被合理地应用于与医疗领域和非医疗领域中的其他成像领域，例如，X射线系统、PET系统、SPECT系统、MR系统或其任何组合。
图1示出了根据本发明一些实施例的CT系统10的示意图。如图1所示，系统10包括机架12，机架12上相对设置有X射线源14和探测器阵列18，探测器阵列18由多个检测器20和数据采集系统(DAS)26构成，DAS26用于对多个检测器20接收的模拟衰减数据进行将采样的模拟数据转化为数字信号以用于后续处理。在一些实施例中，系统10用于在不同的角度采集被检测对象的投影数据，因此，机架12上的部件用于绕旋转中心24旋转以采集投影数据。在旋转过程中，X射线辐射源14用于朝向探测器阵列18投射穿透被检测对象的X射线16，该衰减的X射线束数据经预处理后作为对象的目标体积的投影数据，基于该投影数据可以重建被检测对象的图像，重建的图像可以显示被检测对象的内部特征，这些特征包括，例如，身体组织结构的病变、尺寸、形状等。机架的旋转中心24也定义了扫描域80的中心。
系统10进一步包括图像重建模块50，如上所述，DAS 26采样并数字化多个检测器20采集的投影数据。接着，图像重建模块50基于上述经过采样和数字化的投影数据来进行高速图像重建。在一些实施例中，图像重建模块50将重建的图像存储在存储设备或大容量存储器46中。或者，图像重建模块50将重建图像传输到计算机40，以生成用于诊断、评估的患者信息。
尽管图1中将图像重建模块50图示为单独实体，但是在某些实施例中，图像重建模块50可以形成计算机40的一部分。或者，图像重建模块50可以不存在于系统10中，或者，计算机40可以执行图像重建模块50的一个或多个功能。此外，图像重建模块50可以位于本地或远程位置，并且可以使用有线或无线通讯网络连接到系统10。在一些实施例中，云通讯网络集中的计算资源可用于图像重建模块50。
在一些实施例中，系统10包括控制机构30。控制机构30可以包括X射线控制器34，其用于向X射线辐射源14提供功率和定时信号。控制机构30还可以包括机架控制器32，其用于基于成像要求控制机架12的旋转速度和/或位置。控制机构30还可以包括承载床控制器36，其用于驱动承载床28移动到合适的位置以将被检测对象定位在机架12中，以采集被检测对象的目标体积的投影数据。进一步地，承载床28包括驱动装置，承载床控制器36可以通过控制驱动装置以控制承载床28。
在一些实施例中，系统10进一步包括计算机40，由DAS 26采样和数字化的数据和/或图像重建模块50重建得到的图像传输到计算机或计算机40进行处理。在一些实施例中，计算机40将数据和/或图像存储在例如大容量存储器46的存储设备中。该大容量存储器46可以包括硬盘驱动器、软盘驱动器、光盘读/写(CD-R/W)驱动器、数字通用磁盘(DVD)驱动器、闪存驱动器和/或固态存储装置等。在一些实施例中，计算机40将重建的图像和/或其他信息传输到显示器42，显示器42与计算机40和/或图像重建模块50通信地连接。在一些实施例中，计算机40可以连接本地或远程的显示器、打印机、工作站和/或类似的设备，例如，可以连接医疗机构或医院的这类设备，或者通过一个或多个配置的电线或者诸如因特网和/或虚拟专用通讯网络等无线通讯网络连接远程设备。
此外，计算机40可以基于用户提供的和/或系统定义的以向DAS 26、以及控制机构30(包括机架控制器32，X射线控制器34和承载床控制器36)等提供命令和参数，以控制系统操作，例如数据采集和/或处理。在一些实施例中，计算机40基于用户输入控制系统操作，例如，计算机40可以通过连接其的操作者控制台48接收用户输入，包括命令、扫描协议和/或扫描参数。操作者控制台48可以包括键盘(未示出)和/或触摸屏以允许用户输入/选择命令、扫描协议和/或扫描参数。虽然图1仅示例性示出了一个操作者控制台48，但是计算机40可以连接更多的操作台，例如，用于输入或输出系统参数、请求医学检查和/或查看图像。
在一些实施例中，系统10可以包括或连接图像存储与传输系统(PACS)(图中未示出)。在一些实施例中，PACS进一步连接至例如放射科信息系统、医院信息系统和/或内部或外部通讯网络(未示出)等远程系统，以允许位于不同地点的操作者提供命令和参数，和/或访问图像数据。
下文进一步描述的方法或过程可以作为可执行的指令存储系统10的计算设备上的非易失性存储器中。例如，计算机40可以包括非易失性存储器中的可执行指令，并且可以应用本文所述的方法自动执行扫描流程的部分或全部，例如选择合适的协议、确定合适的参数等，又如，图像重建模块50可以包括非易失性存储器中的可执行指令，并且可以应用本文所述的方法执行图像重建任务。
计算机40可以被设置和/或布置成以不同的方式使用。例如，在一些实现中，可以使用单个计算机40；在其他实现中，多个计算机40被配置成一起(例如，基于分布式处理配置)或单独地工作，每个计算机40被配置成处理特定方面和/或功能，和/或处理用于生成仅用于特定的医学成像系统10的模型的数据。在一些实现中，计算机40可以是本地的(例如，与一个或多个医学成像系统10在同一位置，例如在同一设施和/或同一局部通讯网络内)；在其他实现中，计算机40可以是远程的，因此只能经由远程连接(例如，经由因特网或其他可用的远程访问技术)来访问。
图2示出了根据本发明一些实施例的脑部图像分割装置100。如图2所示，脑部图像分割装置100包括扫描图像获取模块110，颅骨剔除模块120，解剖结构分割模块130以及区域连通模块140，其中，扫描图像获取模块110用于获取医学扫描图像103，颅骨剔除模块120用于对医学扫描图像103进行颅骨剔除，以获取脑实质图像105，解剖结构分割模块130用于基于第一深度学习网络，对脑实质图像105进行分割，以获取多个单独的区域图像，区域连通模块140用于对多个单独的区域图像进行区域连通，以获取脑解剖结构图像107。
医学扫描图像103包括多个三维图像，且多个三维图像具有不同的时间信息，也就是说，医学扫描图像103为四维(4D)图像。按照时间顺序，具有第n个时间信息的三维图像可以称为第n期三维图像或第n期图像，例如，具有最早的时间信息的三维图像为第一期图像。
在一些实施例中，扫描图像获取模块110可以基于原始扫描数据101，以预设的时间间隔获取多个三维图像。
具体的，原始扫描数据是指进行扫描之后获取的原始数据，即多个DCM文件，该多个原始数据具有时间信息，该原始扫描数据可以直接从医学成像系统(例如，CT系统、MRI系统、PET系统、PET-CT系统等)中获取，也可以是从工作站或PACS中获取。
扫描图像获取模块110可以基于预设的时间间隔对原始扫描数据进行整理(或挑选)，以获取多个具有时间信息的三维图像，通过对该多个具有时间信息的三维图像按照时间排序，即可获取四维图像，其中，预设的时间间隔可以为固定的时间间隔(例如，2秒)，当然也可以是不同的时间间隔分布，例如，1秒，2秒，3秒，1秒的循环时间间隔。
在一些实施例中，颅骨剔除模块120进一步用于基于第二深度学习网络，对医学扫描图像103进行颅骨剔除。具体的，颅骨剔除模块120可以基于第二深度学习网络，对医学扫描图像103中的第一期图像进行颅骨剔除，可选的，颅骨剔除模块120也可以基于第二深度学习网络，对医学扫描图像103中的任意一期图像进行颅骨剔除。
具体的，颅骨剔除模块120包括第二训练模块(图中未示出)，第二训练模块用于基于第二样本图像训练集训练得到第二深度学习网络，其中，第二样本图像集包括样本原始图像和对样本原始图像进行人工颅骨剔除后的样本脑实质图像。
具体的，样本原始图像为与实际操作中输入到颅骨剔除模块120的图像进行过相同处理或操作的多个三维图像的集合，例如，在实际操作过程中，对未经过预处理的医学扫描图像103直接进行颅骨剔除，则将同样未经过预处理的三维图像作为样本原始图像输入到第二训练模块中进行训练，然而，如果在实际操作过程中，是对经过预处理之后的医学扫描图像进行颅骨剔除，则将经过同样预处理操作的三维图像作为样本原始图像输入到第二训练模块中进行训练，当然的，也可以同时将未经过预处理、经过一种预处理以及经过多种预处理的三维图像全都作为样本原始图像输入到训练网络中进行训练，以更精准的训练第二深度学习网络，以得到更为精准的颅骨剔除。样本脑实质图像为对样本原始图像进行手动(或人工)或半自动颅骨剔除操作的三维脑实质图像的集合，更为精准的，样本脑实质图像可以包括在进行颅骨剔除的基础上，更进一步的剔除颅骨周边组织的三维脑实质图像的集合，以对解剖结构的分割提供更为精准的输入。
具体的，第二深度学习网络可以是五层全连接的3D卷积神经网络或其他公知的模型进行训练得到的，当第二深度学习网络创建或训练好时，只要将任一期医学扫描图像(或经过预处理的医学扫描图像)输入到网络中，就可以获取经过颅骨剔除的脑实质图像。
在一些实施例中，解剖结构分割模块130包括第一训练模块(图中未示出)，第一训练模块用于基于第一样本图像训练集训练得到第一深度学习网络，其中，第一样本图像集包括经过颅骨剔除后的样本脑实质图像和对样本脑实质图像进行人工脑解剖结构分割后的多个样本区域图像。
具体的，样本脑实质图像为与输入到解剖结构分割模块130的图像进行过相同处理或操作的多个脑实质图像的集合，样本脑实质图像可以是经过第二深度学习网络进行颅骨剔除之后的脑实质图像，也可以是经过人工颅骨剔除之后的脑实质图像。多个样本区域图像为对样本脑实质图像进行手动(或人工)或半自动脑解剖结构分割得到的多个单独的区域图像的集合，包括左大脑，右大脑，左小脑，右小脑，脑室，左海马，右海马，左丘脑，右丘脑，左基底节和右基底节的区域图像，也就是说，一个样本脑实质图像对应着11个样本区域图像。
具体的，第一深度学习网络可以是基于Dense Vnet卷积神经网络或其他公知的模型进行训练得到的。当第一深度学习网络创建或训练好时，只要将经过颅骨剔除之后的脑实质图像输入到网络中，就可以获取多个单独的区域图像。
上述的第一深度学习网络和/或第二深度学习网络可以包括输入层、输出层以及处理层(或称为隐藏层)，其中，输入层用于对输入的数据或图像进行预处理，例如，去均值、归一化或降维等，处理层可以包括用于进行特征提取的卷积层、对输入进行标准正太分布的批量归一化层以及对卷积层的输出结果做一次非线性映射的激励层。
每个卷积层都包括若干个神经元，且每个层中的神经元的数量可以相同，也可以根据需要进行不同的设置。基于样本原始图像(已知输入)和样本精准图像(期望输出)，通过设置网络中处理层的数量和每个处理层中神经元的数量，并估计(或调整或校准)网络的权重和/或偏差，以识别出已知输入和期望输出之间的数学关系和/或识别和表征每层的输入和输出之间的数学关系。
具体地，当其中一层的神经元数量为n，且该n个神经元中对应的值为X1,X2,…Xn，与所述其中一层连接的下一层的神经元数量为m，且该m个神经元中对应的值为Y1,Y2,…Ym，则所述相邻的两层之间可以表示为：
Figure BDA0002629847470000111
其中，Xi表示前一层的第i个神经元所对应的值，Yj表示后一层的第j个神经元所对应的值，ji表示权重，j表示偏差。在一些实施例中，函数f为修正线性函数。
因此，通过调整权重Wji和/或偏差Bj，即可识别出每层的输入和输出之间的数学关系，使得损失函数(Loss Function)收敛，以训练得到上述的第一深度学习网络和/或第二深度学习网络。
在一个实施例中，虽然深度学习网络的配置将由估计问题的先验知识、输入、输出等的维度引导，依赖于或者专门根据输入数据实现所需输出数据的最佳近似。在各种替代实施方式中，可以利用数据，成像几何，重建算法等的某些方面和/或特征来为深度学习网络中的某些数据表示赋予明确的含义，这可以有助于加速训练。因为这创建了在深度学习网络中单独训练(或预训练)或定义某些层的机会。
在一些实施例中，上述的训练的网络是基于外部载体(例如，医学成像系统之外的设备)上的训练模块训练得到的。在一些实施例中，训练系统可以包括用于存储训练数据集的第一模块，用于基于模型进行训练和/或更新的第二模块，以及用于连接第一模块和第二模块的通讯网络。在一些实施例中，第一模块包括第一处理单元和第一存储单元，其中第一存储单元用于存储训练数据集，第一处理单元用于接收相关的指令(例如，获取训练数据集)并根据指令发送训练数据集，此外，第二模块包括第二处理单元和第二存储单元，其中第二存储单元用于存储训练模型，第二处理单元用于接收相关的指令、进行网络的训练和/或更新等，在另一些实施例中，还可以将训练数据集存储在第二模块的第二存储单元中，训练系统可以不包括第一模块。在一些实施例中，通讯网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
一旦数据(例如，训练的网络)被生成和/或配置，数据就可以被复制和/或加载到医学成像系统10中，这可以以不同的方式完成。例如，可以通过医学成像系统10和计算机40之间的定向连接或链路加载模型。就这一点而言，可以使用可用的有线和/或无线连接和/或根据任何合适的通信(和/或网络)标准或协议来完成不同元件之间的通信。备选地或另外地，数据可以间接地加载到医学成像系统10中。例如，数据可以存储到合适的机器可读介质(例如，闪存卡等)中，然后使用该介质将数据加载到医学成像系统10(现场，诸如由系统的用户或授权人员)，或者数据可以下载到能够本地通信的电子设备(例如，笔记本电脑等)中，然后在现场使用(例如，由系统的用户或授权人员)该设备以将该数据经由直接连接(例如，USB连接器等)上传到医学成像系统10中。
如本文所讨论的，深度学习技术(又被称为深度机器学习、分层学习或深度结构化学习等)采用用于学习的人工神经网络。深度学习方法的特征在于使用一个或多个网络架构来提取或模拟感兴趣数据。深度学习方法可以使用一个或多个处理层(例如，输入层、输出层、卷积层、归一化层、采样层等等，按照不同的深度网络模型可以具有不同数量和功能的处理层)来完成，其中层的配置和数量允许深度网络处理复杂的信息提取和建模任务。通常通过所谓的学习过程(或训练过程)来估计网络的特定参数(又可以称为“权重”或“偏差”)。被学习或训练的参数通常会导致(或输出)一个对应于不同级别层的网络，因此提取或模拟初始数据的不同方面或前一层的输出通常可以表示层的层次结构或级联。在图像处理或重建的过程中，这可以表征为相对于数据中的不同特征级别的不同层。因此，处理可以分层进行，即，较早或较高级别的层可以对应于从输入数据中提取“简单”特征，接着是将这些简单特征组合成表现出更高复杂度的特征的层。实际上，每层(或者更具体地，每层中的每个“神经元”)可以采用一个或多个线性和/或非线性变换(所谓的激活函数)来将输入数据处理为输出数据表示。多个“神经元”的数量可以是在多个层之间恒定的，或者可以从层到层变化。
如本文所讨论的，作为解决特定问题的深度学习过程的初始训练的一部分，训练数据集包括已知输入值(例如，样本图像或图像进行坐标变换的像素矩阵)以及深度学习过程的最终输出的期望(目标)输出值(例如，图像或识别判断结果)。以这种方式，深度学习算法可以(以监督或引导的方式或以无监督或非指导的方式)处理该训练数据集，直到识别出已知输入和期望输出之间的数学关系和/或识别和表征每层的输入和输出之间的数学关系。学习过程通常利用(部分)输入数据，并为该输入数据创建网络输出，然后将创建的网络输出与该数据集的期望输出进行比较，然后使用创建的和期望的输出之间的差异来迭代地更新网络的参数(权重和/或偏差)。通常可以使用随机梯度下降(Stochastic gradientdescent,SGD)方法来更新网络的参数，然而本领域技术人员应当理解也可以使用本领域中已知的其他方法来更新网络参数。类似地，可以采用单独的验证数据集以对所训练的网络进行验证，其中已知输入和期望输出都是已知的，通过将已知输入提供给所训练的网络可以得到网络输出，然后将该网络输出与(已知的)期望输出进行比较以验证先前的培训和/或防止过度培训。
在一些实施例中，区域连通模块140除了可以对多个单独的区域图像进行区域连通，还可以进一步对图像上的像素缺失点进行像素填充，以得到更为精准的脑解剖结构图像。
在一些实施例中，通过每一期图像分别输入到颅骨剔除模块120，解剖结构分割模块130以及区域连通模块140中，可以获取具有多个不同时间信息的三维脑解剖结构图像，通过按照时间排序，则可以得到脑解剖结构的四维图像。
图3示出了根据本发明另一些实施例的脑部图像分割装置200。如图3所示，与图2所示的脑部图像分割装置100相比，脑部图像分割装置200进一步包括参考图像获取模块215，预处理模块225，颅骨优化模块235，脑组织解剖结构245以及中心确定模块255。
在一些实施例中，参考图像获取模块215用于确定参考图像。具体的，医学扫描图像中的多个具有不同时间信息的三维图像之间的尺寸(或大小)以及方向会略有不同，例如，在某一个时间的三维图像会较之前时间的三维图像发生偏移，该参考图像可以用于对发生了偏移的三维图像进行刚性配准，以使得每一期医学扫描图像具有相同的尺寸和方向，以对后续的解剖结构的图像的配准提供依据，节省对每一期图像都进行颅骨剔除、脑解剖结果分割以及区域连通所花费的时间和占用的空间。
具体的，参考图像获取模块215用于基于造影剂进入某一血管位置的时间所对应的三维图像作为参考图像。
首先，参考图像获取模块215可以在医学扫描图像中选择对应相同的血管位置的像素，并获取该位置所对应的像素与时间之间的对应关系。具体的，血管位置的选择是随机的或任意的，然而考虑到在不同时间下的三维图像会略有偏移，可以选择血管位置所在区域较大或较集中的位置，以确保可以获取造影剂的进入时间。通过获取每一个时间所对应的该血管位置(或像素点)所在的像素值，即可获取该像素点的像素值与时间之间的曲线202。
其次，参考图像获取模块215可以基于所述对应关系，确定造影剂进入所述血管位置处的时间。具体的，当该血管位置的像素值的变化超过预设阈值时，可以认定为有造影剂进入该血管，例如，当像素值的变化超过20％时，认为该时间即为造影剂进入血管的时间点。当然的，通过曲线202，也可以确定造影剂达峰时间以及造影剂结束时间。
最后，参考图像获取模块215可以选择造影剂进入血管位置处的时间所对应的图像作为参考图像。当然的，也可以选择造影剂达峰时间以及造影剂结束时间所对应的三维图像作为参考图像。
在一些实施例中，预处理模块225用于基于参考图像，对医学扫描图像进行刚性配准。
具体的，预处理模块225可以通过对除了参考图像之外的每一期三维图像进行刚性配准，使得所有的三维图像具有基本相同的尺寸和方向。
具体的，预处理模块225还可以对医学扫描图像进行重采样、拉普拉斯图像增强和去噪操作中的至少一个，其中，重采样可以使得医学扫描图像具有相同的间隔(spacing)，拉普拉斯图像增强可以增加图像的分辨率和\或对比度，增加图像的清晰度，去噪可以减少图像中的噪声和\或伪影，提供图像的质量。
由于预处理模块225可以基于参考图像，对医学扫描图像进行刚性配准，解剖结构分割模块130可以仅对某一期的三维图像(例如，第一期的三维图像或者参考图像)进行脑解剖结构的分割，并经过区域连通模块140获取脑解剖结构图像，而区域连通模块140还可以基于刚性配准获取的医学扫描图像之间的对应关系，对脑解剖结构图像进行配准，以获取多个具有不同的时间信息的脑解剖结构图像，即脑解剖结构的四维图像，例如，当第n期的三维医学扫描图像相对于参考图像向左旋转了10度，而当前的脑解剖结构图像是基于参考图像进行分割获取的，则通过将当前的脑解剖结构同样的向左旋转10度，则可以获取对应于第n期的脑解剖结构图像，通过对每一期图像进行相同的配准，即可获取脑解剖结构的四维图像。
在一些实施例中，由于颅骨剔除模块120中的第二深度学习网络中的训练数据是通过人工剔除颅骨获取的，在该过程中，会由于不同的操作流程或方法使得剔除效果不太好，也就使得通过第二深度学习网络进行颅骨剔除的效果不太好，因此，优选的，脑部图像分割装置200包括颅骨优化模块235，颅骨优化模块235用于基于经颅骨剔除后的图像的像素，确定颅骨周边组织的像素阈值范围，对颅骨周边组织进行剔除。
具体的，颅骨优化模块235可以基于像素法获取颅骨周边组织的像素阈值范围，例如，采用自适应迭代自动确定颅骨周边组织的像素的最大阈值和最小阈值，当然的，也可以采用其他像素法确定颅骨周边组织的像素阈值范围，例如，Ostu大津算法。
尽管图3中示出了颅骨优化模块235，然而本领域技术人员应该理解，颅骨优化模块是可选的，当然的，颅骨优化模块也可以集成在其他模块中，例如，在对第二深度学习网络的训练数据进行处理(人工颅骨剔除)的过程中，也可以对经颅骨剔除之后的图像进行颅骨周边组织去除的步骤，以获取更为精准的训练数据，以使得颅骨剔除模块120可以实现颅骨周边组织的去除。
在一些实施例中，脑组织包括白质、灰质以及脑脊液，而脑组织的分布和尺寸对于大脑的变化以及疾病的诊断都具有十分重要的意义，因此，脑部图像分割装置200包括脑组织分割模块245，脑组织分割模块245用于基于半监督学习，对脑实质图像进行脑组织分割，以获取脑组织图像。
脑组织分割模块245在进行脑组织分割之前，还进一步用于对脑实质图像进行灰度离散化，以将脑实质图像中的像素值限制在特定的像素范围内，例如，0～256之内，然后基于半监督学习对灰度离散化之后的图像进行脑组织分割。
具体的，半监督学习包括半监督聚类(Semi-Supervised Clustering)，其通过向无监督聚类中引入少量的先验知识指导聚类过程，从而提高聚类性能。
脑组织分割模块245可以利用半监督聚类中的K-means算法，将大部分的像素值分配到距离最近的类，以完成灰质、白质和脑脊液的分类。具体的，在K-means算法中，第一步，在灰度离散化之后的脑实质图像中选取若干个初始中心点；第二步，遍历所有的像素点，将所有的像素点划分到距离最近的初始中心点，而划分到相同中心点的区域构成一个聚类；第三步，计算每个聚类的平均值，并作为新的中心点，不断重复第二步和第三步以使得中心点不再变化，即完成了聚类分割，也即完成了脑组织的分割。
在一些实施例中，中心确定模块255用于基于脑解剖结构图像获取多个中心面和中心线。
具体的，多个中心面包括左大脑和右大脑之间的第一面，左小脑和右小脑之间的第二面，左海马和右海马之间的第三面，左丘脑和右丘脑之间的第四面，左基底节和右基底节之间的第五面，且通过对上述的五个中心面进行多项式拟合，即可获取中心线图像206。
在一些实施例中，中心确定模块255还可以用于将中心线显示在脑解剖结构图像上，通过显示中心线，可以更便于操作者获取病灶在脑部对侧的组织情况，例如，在左海马发现了一处病灶，可以更清晰更直观地了解右海马的组织情况。
图4示出了根据本发明一些实施例的图像分割方法300的流程图。如图4所示，图像分割方法300包括步骤310，步骤320，步骤330和步骤340。
在步骤310中，获取医学扫描图像。
在一些实施例中，医学扫描图像包括多个三维图像，且多个三维图像具有不同的时间信息，也就是说，通过按照时间信息进行排序的多个三维图像即为四维(4D)图像。
具体的，获取医学扫描图像包括基于原始扫描数据，以预设的时间间隔获取多个三维图像。
原始扫描数据是指进行扫描之后获取的原始数据，即多个DCM文件，该多个原始数据具有时间信息，该原始扫描数据可以直接从医学成像系统(例如，CT系统、MRI系统、PET系统、PET-CT系统等)中获取，也可以是从工作站或PACS中获取。
预设的时间间隔可以为固定的时间间隔(例如，2秒)，当然也可以是不同的时间间隔分布，例如，1秒，2秒，3秒，1秒的时间间隔循环。
在步骤320中，对所述医学扫描图像进行颅骨剔除，以获取脑实质图像。
在一些实施例中，基于第二深度学习网络，对医学扫描图像进行颅骨剔除。第二深度学习网络基于第二样本图像集训练获取，第二样本图像集包括样本原始图像和对样本原始图像进行人工颅骨剔除后的样本脑实质图像。其中，样本原始图像可以包括未经过预处理的医学扫描图像，也可以是经过预处理之后的医学扫描图像，其取决于在实际的操作过程中是否对医学扫描图像进行预处理。样本脑实质图像为对样本原始图像进行手动(或人工)或半自动颅骨剔除操作的三维脑实质图像的集合。
具体的，第二深度学习网络可以是五层全连接的3D卷积神经网络或其他公知的模型进行训练得到的，当第二深度学习网络创建或训练好时，只要将医学扫描图像(或经过预处理的医学扫描图像)输入到网络中，就可以获取经过颅骨剔除的脑实质图像。
所述颅骨剔除进一步包括基于经颅骨剔除后的图像的像素，确定颅骨周边组织的像素阈值范围，对所述颅骨周边组织进行剔除。
在步骤330中，基于第一深度学习网络，对脑实质图像进行分割，以获取多个单独的区域图像。
在一些实施例中，第一深度学习网络基于第一样本图像集训练获取，第一样本图像集包括经过颅骨剔除后的样本脑实质图像和对样本脑实质图像进行人工脑解剖结构分割后的多个样本区域图像。
样本脑实质图像可以是经过第二深度学习网络进行颅骨剔除之后的脑实质图像，也可以是经过人工颅骨剔除之后的脑实质图像，多个样本区域图像为对样本脑实质图像进行手动(或人工)或半自动脑解剖结构分割得到的多个单独的区域图像的集合。
多个单独的区域图像包括左大脑，右大脑，左小脑，右小脑，脑室，左海马，右海马，左丘脑，右丘脑，左基底节和右基底节的区域图像。
具体的，第一深度学习网络可以是基于Demse Vnet卷积神经网络或其他公知的模型进行训练得到的。当第一深度学习网络创建或训练好时，只要将经过颅骨剔除之后的脑实质图像输入到网络中，就可以获取多个单独的区域图像
在步骤340中，对多个单独的区域图像进行区域连通，以获取脑解剖结构图像。
在一些实施例中，步骤340进一步包括对多个单独的区域图像中的空白点或像素缺失点进行像素填充。
图5示出了根据本发明另一些实施例的图像分割方法400的流程图。与图4示出的图像分割方法300不同的是，图像分割方法400进一步包括步骤450，步骤460以及步骤401。
在步骤450中，确定参考图像。
图6示出了根据图5所示的方法中的确定参考图像450的流程图。如图6所示，确定参考图像450包括步骤451，步骤452以及步骤453。
在步骤451中，在医学扫描图像中选择对应相同的血管位置的像素，并获取该位置所对应的像素与时间之间的对应关系。具体的，通过获取每一个时间所对应的该血管位置(或像素点)所在的像素值，即可获取该像素点的像素值与时间之间的曲线，即为对应关系。
在步骤452中，基于对应关系，确定造影剂进入血管位置处的时间。具体的，当该血管位置的像素值的变化超过预设阈值时，可以认定为有造影剂进入该血管，例如，当像素值的变化超过20％时，认为该时间即为造影剂进入血管的时间点。
在步骤453中，选择造影剂进入血管位置处的时间所对应的三维图像作为参考图像。
返回图5中，在步骤460中，对所述医学扫描图像进行预处理。
在一些实施例中，对医学扫描图像进行预处理包括：基于参考图像，对医学扫描图像进行刚性配准。通过进行刚性配准，可以使得所有的三维图像具有基本相同的尺寸和方向。
对医学扫描图像进行预处理进一步包括对医学扫描图像进行重采样、拉普拉斯图像增强和去噪操作中的至少一个。其中，重采样可以使得医学扫描图像具有相同的间隔(spacing)，拉普拉斯图像增强可以增加图像的分辨率和\或对比度，增加图像的清晰度，去噪可以减少图像中的噪声和\或伪影，增加图像的质量。
与图4所示的步骤320不同的是，在步骤460之后的步骤420中，是对预处理之后的图像进行颅骨剔除，以获取脑实质图像。
在步骤401中，基于刚性配准获取的医学扫描图像之间的对应关系，对脑解剖结构图像进行配准，以获取多个具有不同的时间信息的脑解剖结构图像。例如，当第n期的三维医学扫描图像相对于参考图像向左旋转了10度，而当前的脑解剖结构图像是基于参考图像进行分割获取的，则通过将当前的脑解剖结构同样的向左旋转10度，则可以获取对应于第n期的脑结构图像，因此，基于刚性配准获取到的医学扫描图像之间的对应关系，并对脑解剖结构图像进行再次配准，即可获取到脑解剖结构的四维图像。
图7示出了根据本发明又一些实施例的图像分割方法500的流程图。与图5示出的图像分割方法400不同的是，图像分割方法500进一步包括步骤570，步骤580以及步骤590。
在步骤570中，基于半监督学习，对脑实质图像进行脑组织分割，以获取脑组织图像。
在一些实施例中，对脑实质图像进行脑组织分割之前还包括对脑实质图像进行灰度离散化，以将脑实质图像中的像素值限制在特定的像素范围内，然后基于半监督学习对灰度离散化之后的图像进行脑组织分割。
具体的，基于半监督学习，对脑实质图像进行脑组织分割包括基于半监督聚类中的K-means算法对脑实质图像进行脑组织分割。具体的，第一步，在灰度离散化之后的脑实质图像中选取若干个初始中心点；第二步，遍历所有的像素点，将所有的像素点划分到距离最近的初始中心点，而划分到相同中心点的区域构成一个聚类；第三步，计算每个聚类的平均值，并作为新的中心点，不断重复第二步和第三步以使得中心点不再变化，即完成了脑组织的分割。
在步骤580中，确定脑解剖结构图像中的中心线。
具体的，基于脑解剖结构图像，获取多个中心面，然后基于多个中心面确定中心线。其中，多个中心面包括所述左大脑和所述右大脑之间的第一面，左小脑和右小脑之间的第二面，左海马和右海马之间的第三面，左丘脑和右丘脑之间的第四面，左基底节和右基底节之间的第五面。通过对五个中心面进行多项式拟合，即可获取中心线。
在步骤590中，在脑解剖结构图像上显示所述中心线。通过显示中心线，可以更便于操作者获取病灶在脑部对侧的组织情况。
本发明提出的脑部图像分割方法，首先，通过第二深度学习网络进行颅骨剔除，并通过第一深度学习网络进行解剖结构的分割，实现了解剖结构的全自动分割，无需人工干预，提高了分割的准确性和稳定性；其次，通过对医学扫描图像进行刚性配准，并获取不同时间信息(每一期)的三维图像之间的配准关系，对某一期获取到的脑解剖结构图像再次进行配准，以获取脑解剖结构的四维图像，这样的分割方法不但适用于三维图像，还适用于四维图像，而且相较于对每一期医学扫描图像进行颅骨剔除和解剖结构的分割，更节省时间和空间；再者，在获取解剖结构图像之外，本发明的脑部图像分割方法还可以获取脑组织的四维图像以及脑解剖结构图像的中心线，对用户或操作者进行疾病的诊断提供更清晰直观的依据。
本发明还可以提供一种非暂态计算机可读存储介质，其用于存储指令集和/或计算机程序，该指令集和/或计算机程序由计算机执行时使计算机执行上述的图像降噪方法，执行该指令集和/或计算机程序的计算机可以为医学成像系统的计算机，也可以为医学成像系统的其它装置/模块，在一种实施例中，该指令集和/或计算机程序可以编制于计算机的处理器/控制器中。
具体地，该指令集和/或计算机程序由计算机执行时使计算机：
获取医学扫描图像；
对所述医学扫描图像进行颅骨剔除，以获取脑实质图像；
基于第一深度学习网络，对所述脑实质图像进行分割，以获取多个单独的区域图像；以及
对所述多个单独的区域图像进行区域连通，以获取脑解剖结构图像。
如上所述的指令可以被合并为一个指令执行，任一指令也可以被拆分成多个指令以执行，此外，也并不限于按照上述的指令执行顺序。
如本文使用的，术语“计算机”可包括任何基于处理器或基于微处理器的系统，其包括使用微控制器、精简指令集计算机(RISC)、专用集成电路(ASIC)、逻辑电路和能够执行本文描述的功能的任何其它电路或处理器的系统。上文的示例只是示范性的，并且从而不意在采用任何方式限制术语“计算机”的定义和/或含义。
指令集可包括各种命令，其指示作为处理机的计算机或处理器执行特定的操作，例如各种实施例的方法和过程。指令集可采用软件程序的形式，该软件程序可形成一个或多个有形的非暂时性计算机可读介质的一部分。该软件可采用例如系统软件或应用软件的各种形式。此外，该软件可采用独立程序或模块的集合、在更大程序内的程序模块或程序模块的一部分的形式。该软件还可包括采用面向对象编程的形式的模块化编程。输入数据由处理机的处理可响应于操作者命令，或响应于先前的处理结果，或响应于由另外一个处理机作出的请求。
上面已经描述了一些示例性实施例，然而，应该理解的是，可以做出各种修改。例如，如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充，则可以实现合适的结果。相应地，其他实施方式也落入权利要求的保护范围内。

Claims (21)

1.一种脑部图像分割方法，其包括：
获取医学扫描图像；
对所述医学扫描图像进行颅骨剔除，以获取脑实质图像；
基于第一深度学习网络，对所述脑实质图像进行分割，以获取多个单独的区域图像；以及
对所述多个单独的区域图像进行区域连通，以获取脑解剖结构图像。
2.如权利要求1所述的脑部图像分割方法，其中，所述医学扫描图像包括多个三维图像，且所述多个三维图像具有不同的时间信息。
3.如权利要求2所述的脑部图像分割方法，其中，获取医学扫描图像包括：基于原始扫描数据，以预设的时间间隔获取所述多个三维图像。
4.如权利要求1所述的脑部图像分割方法，其中，在获取医学扫描图像之后进一步包括：确定参考图像。
5.如权利要求4所述的脑部图像分割方法，其中，确定参考图像包括：
在所述医学扫描图像中选择对应相同的血管位置的像素，并获取该位置所对应的像素与时间之间的对应关系；
基于所述对应关系，确定造影剂进入所述血管位置处的时间；以及
选择所述造影剂进入所述血管位置处的时间所对应的三维图像作为参考图像。
6.如权利要求4所述的脑部图像分割方法，其中，在颅骨剔除之前还包括：对所述医学扫描图像进行预处理。
7.如权利要求6所述的脑部图像分割方法，其中，对医学扫描图像进行预处理包括：基于所述参考图像，对所述医学扫描图像进行刚性配准。
8.如权利要求6所述的脑部图像分割方法，其中，进一步包括：
基于所述刚性配准获取的医学扫描图像之间的对应关系，对所述脑解剖结构图像进行配准，以获取多个具有不同的时间信息的脑解剖结构图像。
9.如权利要求1所述的脑部图像分割方法，其中，所述颅骨剔除包括：
基于第二深度学习网络，对所述医学扫描图像进行颅骨剔除。
10.如权利要求9所述的脑部图像分割方法，其中，所述颅骨剔除进一步包括：
基于经颅骨剔除后的图像的像素，确定颅骨周边组织的像素阈值范围，对所述颅骨周边组织进行剔除。
11.如权利要求1所述的脑部图像分割方法，其中，所述多个单独的区域图像包括左大脑，右大脑，左小脑，右小脑，脑室，左海马，右海马，左丘脑，右丘脑，左基底节和右基底节的区域图像。
12.如权利要求11所述的脑部图像分割方法，其中，进一步包括：
基于所述脑解剖结构图像，获取多个中心面，其中所述多个中心面包括所述左大脑和所述右大脑之间的第一面，左小脑和右小脑之间的第二面，左海马和右海马之间的第三面，左丘脑和右丘脑之间的第四面，左基底节和右基底节之间的第五面；以及
基于所述多个中心面，确定中心线。
13.如权利要求1所述的脑部图像分割方法，其中，进一步包括：
基于半监督学习，对所述脑实质图像进行脑组织分割，以获取脑组织图像。
14.一种非暂态计算机可读存储介质，其用于存储计算机程序，所述计算机程序由计算机执行时使计算机执行权利要求1-13任一项所述的脑部图像分割方法。
15.一种脑部图像分割装置，其包括：
扫描图像获取模块，其用于获取医学扫描图像；
颅骨剔除模块，其用于对所述医学扫描图像进行颅骨剔除，以获取脑实质图像；
解剖结构分割模块，其用于基于第一深度学习网络，对所述脑实质图像进行分割，以获取多个单独的区域图像；以及
区域连通模块，其用于对所述多个单独的区域图像进行区域连通，以获取脑解剖结构图像。
16.如权利要求15所述的脑部图像分割装置，其中，所述医学扫描图像包括多个三维图像，且所述多个三维图像具有不同的时间信息。
17.如权利要求16所述的脑部图像分割装置，其中，进一步包括：
参考图像获取模块，其用于：
在所述医学扫描图像中选择对应相同的血管位置的像素，并获取该位置所对应的像素与时间之间的对应关系；
基于所述对应关系，确定造影剂进入所述血管位置处的时间；以及
选择所述造影剂进入所述血管位置处的时间所对应的图像作为参考图像。
18.如权利要求17所述的脑部图像分割装置，其中，进一步包括：
预处理模块，其用于基于所述参考图像，对医学扫描图像进行刚性配准。
19.如权利要求15所述的脑部图像分割装置，其中，进一步包括：
脑组织分割模块，其用于基于半监督学习，对所述脑实质图像进行脑组织分割，以获取脑组织图像。
20.如权利要求15所述的脑部图像分割装置，其中，进一步包括：
中心确定模块，其用于基于所述脑解剖结构图像，获取中心面和中心线。
21.一种医学成像系统，其包括如权利要求15-21中任一项所述的脑部图像分割装置。
CN202010807934.1A 2020-08-12 2020-08-12 脑部图像分割方法及装置 Pending CN114140487A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010807934.1A CN114140487A (zh) 2020-08-12 2020-08-12 脑部图像分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010807934.1A CN114140487A (zh) 2020-08-12 2020-08-12 脑部图像分割方法及装置

Publications (1)

Publication Number Publication Date
CN114140487A true CN114140487A (zh) 2022-03-04

Family

ID=80438021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010807934.1A Pending CN114140487A (zh) 2020-08-12 2020-08-12 脑部图像分割方法及装置

Country Status (1)

Country Link
CN (1) CN114140487A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952962A (zh) * 2024-03-25 2024-04-30 南京科进实业有限公司 一种骨密度检测图像处理方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952962A (zh) * 2024-03-25 2024-04-30 南京科进实业有限公司 一种骨密度检测图像处理方法及系统

Similar Documents

Publication Publication Date Title
JP7039153B2 (ja) 敵対的生成ネットワークを使用した画像強調
AU2019449137B2 (en) sCT image generation using cyclegan with deformable layers
US11250569B2 (en) Systems and methods for functional imaging follow-up evaluation using deep neural network
US10762637B2 (en) Vascular segmentation using fully convolutional and recurrent neural networks
US10733788B2 (en) Deep reinforcement learning for recursive segmentation
US11941786B2 (en) Image noise reduction method and device
US9424644B2 (en) Methods and systems for evaluating bone lesions
US9811906B1 (en) Method and data processing unit for segmenting an object in a medical image
JP2017532092A (ja) 解剖学的ランドマークベースの特徴に基づいた医用画像をセグメント化するためのシステム及び方法
US11423554B2 (en) Registering a two-dimensional image with a three-dimensional image
CN112529919B (zh) 用于生成受试者的心脏的牛眼图生成的系统和方法
CN114140487A (zh) 脑部图像分割方法及装置
US20220198667A1 (en) Method and device for extracting blood vessel wall
WO2019190641A1 (en) System and method for evaluation of dynamic data
US11837352B2 (en) Body representations
Zhou et al. Learning stochastic object models from medical imaging measurements by use of advanced ambientgans
CN114255235A (zh) 用于自动定位三维图像中的器官分段的方法和布置
US20220378383A1 (en) Target area determination method and medical imaging system
EP3759685A1 (en) System and method for an accelerated clinical workflow
EP4345753A2 (en) Ct reconstruction for machine consumption
US20220392059A1 (en) Method and system for representation learning with sparse convolution
Upadhyay et al. Medical Imaging in Artificial Intelligence: a Literature Survey
Herold Using Deep Convolutional Networks to Regress a C-arm's Position from a single X-ray Image

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