CN114266789A - 基于脑部影像的梗死区域分割方法、装置、设备及介质 - Google Patents
基于脑部影像的梗死区域分割方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114266789A CN114266789A CN202111627058.5A CN202111627058A CN114266789A CN 114266789 A CN114266789 A CN 114266789A CN 202111627058 A CN202111627058 A CN 202111627058A CN 114266789 A CN114266789 A CN 114266789A
- Authority
- CN
- China
- Prior art keywords
- region
- area
- infarct
- point
- candidate
- 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.)
- Granted
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种基于脑部影像的梗死区域分割方法、装置、设备及介质。该方法包括:基于脑部影像内提取的候选脑室区域和大脑皮层区域,确定用于梗死区域分割的种子点区域;利用从所述种子点区域内各像素点到达所述脑部影像内中心点时的最优路径,确定所述候选脑室区域内的梗死分割点;利用所述梗死分割点,从所述候选脑室区域内分割对应的梗死区域。本申请采用蚁群算法,分析候选脑室区域内的梗死分割点,以便利用该梗死分割点,从候选脑室区域内分割对应的梗死区域,从而对与候选脑室区域内脑脊液粘连的梗死区域进行自动化的有效分割,增强梗死区域分割的通用性和高效性。
Description
技术领域
本申请实施例涉及图像处理技术领域,具体涉及一种基于脑部影像的梗死区域分割方法、装置、设备及介质。
背景技术
急性缺血性脑血管病,也称为急性缺血性卒中,是严重威胁我国人口健康和阻碍社会经济发展的重大疾病,致残率及病死率高。
在急性缺血性脑血管病的救治中,通常可以采用电子计算机断层扫描灌注成像(Computed Tomography Perfusion imaging,CTP)的方式,对患者脑部进行不同层面下的连续CT扫描,从而得到相应的脑部影像。然后,根据扫描得到的脑部影像内表征的各项灌注参数图谱,判断是否存在脑梗死,进而确定出相应的脑梗死区域。
然而,由于脑部影像属于CT单模影像,且脑室中的脑脊液在脑部影像内表征的某两个灌注参数上与梗死病灶存在相同的表现,使得脑部影像内的脑脊液和梗死区域灰度相近而在三维空间上存在粘连的情况,从而无法准确识别脑部影像内脑梗死的实际体积。
发明内容
本申请提供一种基于脑部影像的梗死区域分割方法、装置、设备及存储介质,实现脑部影像内的梗死区域准确分割,增强梗死区域分割的通用性和高效性。
第一方面,本申请实施例提供了一种基于脑部影像的梗死区域分割方法,该方法包括:
基于脑部影像内提取的候选脑室区域和大脑皮层区域,确定用于梗死区域分割的种子点区域;
利用从所述种子点区域内各像素点到达所述脑部影像内中心点时的最优路径,确定所述候选脑室区域内的梗死分割点;
利用所述梗死分割点,从所述候选脑室区域内分割对应的梗死区域。
第二方面,本申请实施例提供了一种基于脑部影像的梗死区域分割装置,该装置包括:
种子区域确定模块,用于基于脑部影像内提取的候选脑室区域和大脑皮层区域,确定用于梗死区域分割的种子点区域;
分割点确定模块,用于利用从所述种子点区域内各像素点到达所述脑部影像内中心点时的最优路径,确定所述候选脑室区域内的梗死分割点;
梗死区域分割模块,用于利用所述梗死分割点,从所述候选脑室区域内分割对应的梗死区域。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:
处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,以执行本申请第一方面中提供的基于脑部影像的梗死区域分割方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,用于存储计算机程序,所述计算机程序使得计算机执行如本申请第一方面中提供的基于脑部影像的梗死区域分割方法。
第五方面,本申请实施例提供了一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现如本申请第一方面中提供的基于脑部影像的梗死区域分割方法。
本申请实施例提供的一种基于脑部影像的梗死区域分割方法、装置、设备及介质,首先从脑部影像内提取出候选脑室区域和大脑皮层区域,以确定出用于梗死区域分割的种子点区域,然后分析从种子点区域内各像素点到达脑部影像内中心点时的最优路径,从而确定出候选脑室区域内的梗死分割点,以便利用该梗死分割点,从候选脑室区域内分割对应的梗死区域,从而对与候选脑室区域内脑脊液粘连的梗死区域进行自动化的有效分割,增强梗死区域分割的通用性和高效性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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的附图。
图1为本申请实施例示出的一种基于脑部影像的梗死区域分割方法的流程图;
图2为本申请实施例示出的初步断层扫描得到的脑部影像的示意图;
图3为本申请实施例示出的脑组织区域的示意图;
图4为本申请实施例示出的脑组织区域内像素点的灰度直方图的示意图;
图5为本申请实施例示出的候选脑室区域的示意图;
图6为本申请实施例示出的大脑皮层区域划分过程的示意图;
图7为本申请实施例示出的大脑皮层区域的示意图;
图8为本申请实施例示出的另一种基于脑部影像的梗死区域分割方法的流程图;
图9为本申请实施例示出的一种基于脑部影像的梗死区域分割装置的原理框图;
图10是本申请实施例提供的电子设备的示意性框图。
具体实施方式
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、系统、产品或服务器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它步骤或单元。
本申请适用于CT平扫和CT灌注成像下,对用户脑部进行断层扫描后得到的各种脑部影像,考虑到脑梗死主要病发于大脑皮层和大脑基底节区,而大脑皮层出现的梗死病灶通常与核心脑室内的脑脊液存在粘连,因此本申请设计一种对大脑皮层出现的梗死病灶进行准确识别的方法,以对用户脑部影像内与核心脑室内的脑脊液存在粘连的梗死区域进行自动化的有效分割,且保证脑部影像内梗死区域分割的高效稳定,具备梗死区域分割通用性强的特点。
图1为本申请实施例示出的一种基于脑部影像的梗死区域分割方法的流程图。参照图1,该方法具体可以包括如下步骤:
S110,基于脑部影像内提取的候选脑室区域和大脑皮层区域,确定用于梗死区域分割的种子点区域。
其中,本申请中的脑部影像可以为患者采用任意扫描设备对脑部进行断层扫描后得到的影像,例如CT平扫影像、CT灌注影像等。
考虑到大脑皮层出现的梗死病灶通常会与核心脑室内的脑脊液存在粘连,而梗死病灶和脑脊液在脑部影像内表征的某两个灌注参数上存在相同的表现,导致无法从脑部影像内准确识别出梗死病灶。因此,为了准确分割脑部影像内的梗死区域,本申请需要分析是否存在核心脑室内的脑脊液与梗死病灶之间的各个粘连点。
具体的,由于梗死病灶与核心脑室内的脑脊液存在粘连,所以在从脑部影像内提取相应的核心脑室时,需要按照脑脊液的特性,对脑部影像内的全脑脑外间隙进行分割,从而得到本申请中的候选脑室区域,该候选脑室区域并不能表示为精准分割的核心脑室区域,在脑部影像内存在梗死病灶时,该候选脑室区域除了包含脑脊液外,还会包含与脑脊液存在粘连的梗死区域。
进一步的,考虑到本申请主要对大脑皮层出现的梗死区域进行准确分割,说明如果候选脑室区域存在与脑脊液粘连的梗死病灶,且该梗死病灶病发于大脑皮层,那么候选脑室区域会与脑部影像内的大脑皮层区域存在一定的重合区域,该重合区域即可代表梗死病灶的部分区域。因此,从脑部影像内提取出相应的候选脑室区域和大脑皮层区域后,可以对候选脑室区域和大脑皮层区域进行区域位置分析,得到两者的重合区域。由于该重合区域代表脑部影像内梗死区域的一部分,因此可以将该重合区域作为本申请中用于梗死区域分割的种子点区域,以便后续从该种子点区域分析与脑脊液之间的粘连点。
作为本申请实施例中的一种可选实现方案,本申请对于确定用于梗死区域分割的种子点区域,具体可以执行如下步骤:从脑部影像中剔除对应的头骨区域,得到对应的脑组织区域;从脑组织区域内分割出对应的候选脑室区域和大脑皮层区域;将候选脑室区域和大脑皮层区域的交集,作为用于梗死区域分割的种子点区域。
示例性的,本申请中初步断层扫描得到的脑部影像如图2所示,说明脑部影像内包含头骨和脑组织,而脑脊液以及与脑脊液存在粘连的梗死病灶通常分布在脑组织和相应脑部沟回内。而且,考虑到脑部影像内骨头的CT值通常在150~1000HU之间,脑组织的CT值则远低于120HU。因此,本申请可以采用阈值法设定对应的头骨下限阈值,从脑部影像中剔除CT值超出该头骨下限阈值的像素点,然后结合三维形态学补形,从而得到对应的脑组织区域,如图3所示。然后,通过脑室特点和大脑皮层位置等信息,从脑组织区域内分割出相应的候选脑室区域和大脑皮层区域。最后,候选脑室区域和大脑皮层区域的重合区域即为候选脑室区域和大脑皮层区域的交集,将该交集直接作为用于梗死区域分割的种子点区域。
一方面,从脑组织区域内分割对应的候选脑室区域时,会采用下述方式:根据脑组织区域统计后的灰度直方图,确定脑组织区域内的脑脊液灰度阈值;按照脑脊液灰度阈值,从脑组织区域内分割出对应的脑脊液区域,并提取脑脊液区域内的三维最大连通域,作为候选脑室区域。
也就是说,考虑到核心脑室区域在脑组织区域内占有较大空间,且核心脑室内的脑脊液呈现低密度特征,与梗死病灶粘连,因此本申请可以通过统计脑组织区域内各个像素点的像素灰度,得到对应的灰度直方图,如图4所示。此时,核心脑室内的脑脊液呈现低密度特征,所具备的灰度值较低,因此可以将该灰度直方图内第二高峰(也就是低密度区域峰值)对应的灰度值作为脑组织区域内的脑脊液灰度阈值。然后,从脑组织区域中提取出CT值小于该脑脊液灰度阈值的各个像素点,从而分割出对应的脑脊液区域,也就是全脑脑外间隙,在存在与脑脊液粘连的梗死病灶时,该脑脊液区域内会包含与脑脊液粘连的梗死病灶。进一步的,由于核心脑室区域在脑脊液区域内主要占有较大空间,因此可以从脑脊液区域中提取出三维最大连通域,从而剔除零散小区域的沟回,并将该最大连通域作为本申请中的候选脑室区域CsfROI,如图5所示,该候选脑室区域CsfROI会包含核心脑室内的脑脊液以及与该脑脊液粘连的梗死病灶两部分。
另一方面,从脑组织区域内分割对应的大脑皮层区域时,会采用下述方式:按照预设大脑皮层占比,计算脑组织区域内每一边缘点下的大脑皮层深度,得到对应的大脑皮层区域。
也就是说,大脑皮层区域属于脑组织区域的外围,按照患者的脑组织发育状态,会设定相应的大脑皮层占比。然后,针对脑组织区域内的每一边缘点,可以计算该边缘点与脑组织区域内中心点(本申请中可采用脑部影像的中心点表示)之间的距离,并且在该距离的基础上,利用相应的大脑皮层占比即可计算出边缘点下的大脑皮层深度。此时,针对每一边缘点均可执行上述相同的步骤,得到每一边缘点下的大脑皮层深度,并组合各个边缘点下的大脑皮层深度,即可得到对应的大脑皮层区域CortexROI。如图6所示,对于脑组织区域内的某一边缘点p1和中心点p2,在两点之间建立直线方程,此时p1”
沿直线p1p2可以滑动指定长度αp1p2到达p1,此时p1p1即为边缘点p1下的大脑皮层深度。遍历所有边缘点,均执行上述步骤后,如图7所示,即可得到对应的大脑皮层区域CortexROI。
最后,候选脑室区域CsfROI和大脑皮层区域CortexROI的交集作为用于梗死区域分割的种子点区域SeedROI。
S120,利用从种子点区域内各像素点到达脑部影像内中心点时的最优路径,确定候选脑室区域内的梗死分割点。
由于种子点区域作为梗死病灶的一部分,与核心脑室内的脑脊液存在粘连,此时从种子点区域内的各个像素点开始向核心脑室内的脑脊液流通时,均会通过梗死病灶与脑脊液之间的各个粘连点。因此,本申请在分析梗死病灶与脑脊液之间的粘连点时,需要分析从种子点区域内各个像素点到达核心脑室内的脑脊液时的路径。其中,本申请中脑部影像内的中心点能够表示核心脑室的中心点,可以确保该中心点一定为脑脊液所在的部分。因此,本申请会分析从种子点区域内各个像素点到达脑部影像内中心点时的最优路径,以此确定最优路径途径概率最高的像素点,即为梗死病灶与脑脊液之间的粘连点,也就是本申请中的梗死分割点。
具体的,本申请可以采用蚁群算法,引导蚂蚁从种子点区域内的各个像素点开始,向脑部影像内的中心点移动,最终大部分蚂蚁都会从最优路径,也就是核心脑室枕角代表的各个粘连点,进入到核心脑室内,并在各粘连点所表示的粘连口径最狭窄的地方留下最高浓度的信息素。进而,本申请在对种子点区域内的各个像素点执行蚁群算法处理后,通过分析候选脑室区域内的信息素浓度高低,即可确定候选脑室区域内的梗死分割点。
S130,利用梗死分割点,从候选脑室区域内分割对应的梗死区域。
在确定候选脑室区域内的各个梗死分割点之后,将该梗死分割点作为梗死病灶与脑脊液之间的粘连点,即可判断出候选脑室区域内是否存在梗死区域,并按照该梗死分割点能够从候选脑室区域内分割出较为精准的梗死区域。
示例性的,考虑到脑部影像内可能不存在梗死病灶的情况,因此在分析出候选脑室区域内的梗死分割点时,首先判断梗死分割点是否为空,若是,说明未从候选脑室区域内检测到梗死分割点,也就确定候选脑室区域内不存在梗死病灶,且该候选脑室区域为脑部影像内的核心脑室区域。如果梗死分割点为非空,说明候选脑室区域内存在梗死病灶,进而按照该梗死分割点,对候选脑室区域进行精准分割,从而得到对应的梗死区域和核心脑室区域。
本申请实施例提供的技术方案,首先从脑部影像内提取出候选脑室区域和大脑皮层区域,以确定出用于梗死区域分割的种子点区域,然后分析从种子点区域内各像素点到达脑部影像内中心点时的最优路径,从而确定出候选脑室区域内的梗死分割点,以便利用该梗死分割点,从候选脑室区域内分割对应的梗死病灶,从而对与候选脑室区域内脑脊液粘连的梗死区域进行自动化的有效分割,增强梗死区域分割的通用性和高效性。
作为本申请实施例中的一种可选实现方案,由于梗死病灶与脑脊液之间的粘连点较多,通过从种子点区域内各像素点到达脑部影像内中心点的最优路径,分析梗死病灶与脑脊液之间的粘连点时,容易出现路径陷入局部最优的现象。因此,为了确保梗死病灶与脑脊液粘连的准确分割,本申请会采用改进的蚁群算法,也就是两步蚁群处理,来分成两步分别执行从种子点区域内各像素点到达脑部影像内中心点的步骤,先派一部分蚂蚁出动探路,根据其信息素浓度的情况,将容易陷入局部最优的区域信息素浓度复位为初始值;然后,第二部分蚂蚁在规避了局部最优的情况下按照上一步的路径转移状态继续探路,进而根据出行得到的信息素浓度的概率分布进一步确定候选脑室区域内的梗死分割点,使得候选脑室区域内的梗死分割点更逼近梗死病灶与脑脊液粘连的真实情况。
接下来本申请对利用从种子点区域内各像素点到达脑部影像内中心点时的最优路径,确定候选脑室区域内的梗死分割点的具体过程进行详细的说明。
图8为本申请实施例示出的另一种基于脑部影像的梗死区域分割方法的流程图。如图8所示,该方法具体可以包括如下步骤:
S810,基于脑部影像内提取的候选脑室区域和大脑皮层区域,确定用于梗死区域分割的种子点区域。
S820,对种子点区域内的各像素点进行分区。
为了确保梗死病灶与脑脊液粘连的准确分割,在采用两步蚁群处理,来分析从种子点区域内各像素点到达脑部影像内中心点时的最优路径时,首先会将种子点区域内的各个像素点进行分区,本申请中会将种子点区域内的像素点分为两部分,以便分别执行每一步的蚁群处理。
示例性的,本申请包括但不限于对种子点区域内的各像素点进行平均分区,使得每一分区内的像素点数量相同。
此外,为了确保两步蚁群处理的准确性,还需要设定蚁群算法的初始信息,例如从种子点区域内的各像素点到达脑部影像内中心点时途经各个区域的信息素浓度初始化设定为0.001。
而且,蚁群算法中每一像素点的能见度因素可以为:
记忆值为:memory_length=B×(0.3×A)+0.85×A;其中,A、B分别为蚁群处理中蚂蚁移动时信息素的初始经验值。
S830,对从第一分区内的各像素点到达脑部影像内中心点时的最优路径关联的路径转移概率进行复位。
本申请可以采用第一分区内的各个像素点执行第一步蚁群处理。此时,引导蚂蚁从第一分区内的各个像素点开始,向脑部影像内的中心点移动,从而得到大部分蚂蚁移动后的最优路径,并按照最优路径可以在各粘连点所表示的粘连口径最狭窄的地方留下最高浓度的信息素。本申请中采用路径转移概率表示根据各个路径下的信息素浓度确定的路径最优可能性。
此时,为了避免出现路径陷入局部最优的现象,本申请可以按照第一步蚁群处理后得到的信息素浓度高低,分析从第一分区内的各像素点到达脑部影像内中心点时的最优路径所关联的路径转移概率,并将最优路径所关联的路径转移概率复位为初始值,避免影响到第二步蚁群处理而陷入局部最优的问题。
示例性的,本申请中蚂蚁k从节点i到达节点j的路径转移概率可以为:
其中,α、β反映了蚂蚁k在移动过程中,像素点所积累的信息素浓度和像素点的能见因数在蚂蚁k选择转移时的相对重要性,本申请可以分别设置为0.5。表示t时刻下ij连线上的信息素浓度,表示t时刻下ij连线上的能见因素。
其中,Δτ=1/Q,Q为起点与终点间的距离,ρ为蚁群处理中信息素的挥发系数,1-ρ为蚁群处理中信息素的持久性系数,表示本次迭代后信息素的增量,也就是第k只蚂蚁在本次迭代中残留在边上的信息素。
因此,在第一分区内的所有像素点遍历执行完到达脑部影像内中心点的路径后,可以得到经过第一步蚁群处理后全局的信息素浓度。然后对全局的信息素浓度按照直方图的方式来确定相应的信息素浓度阈值,将高于该信息素浓度阈值的区域作为从第一分区内的各像素点到达脑部影像内中心点时的最优路径,并将其关联的路径转移概率进行归零复位操作,而对低于该信息素浓度阈值的区域不作复位处理,从而可以防止第二步蚁群处理时很快陷入局部最优。
S840,基于第一分区内各像素点经过路径探寻后得到的路径转移概率,确定从第二分区内各像素点到达脑部影像内中心点时的最优路径,以得到候选脑室区域内的梗死分割点。
按照第一分区内各像素点经过路径探寻后得到的路径转移概率,可以将全局的信息素浓度更新为第一步蚁群处理后得到的信息素。然后,基于第一步蚁群处理后经过部分信息素复位而确定的全局信息素浓度,继续从第二分区内各像素点到达脑部影像内中心点,来执行第二步蚁群处理,从而分析出从第二分区内各像素点到达脑部影像内中心点时的最优路径。进而按照最优路径可以在各粘连点所表示的粘连口径最狭窄的地方留下最高浓度的信息素,得到候选脑室区域内的梗死分割点。
S850,利用梗死分割点,从候选脑室区域内分割对应的梗死区域。
本申请实施例提供的技术方案,采用两步蚁群处理的方式,分析从种子点区域内各像素点到达脑部影像内中心点时的最优路径,确定出候选脑室区域内的梗死分割点,以便利用该梗死分割点,从候选脑室区域内分割对应的梗死区域,从而对与候选脑室区域内脑脊液粘连的梗死区域进行自动化的有效分割,增强梗死区域分割的通用性和高效性。
图9为本申请实施例示出的一种基于脑部影像的梗死区域分割装置的原理框图。如图9所示,该装置900可以包括:
种子区域确定模块910,用于基于脑部影像内提取的候选脑室区域和大脑皮层区域,确定用于梗死区域分割的种子点区域;
分割点确定模块920,用于利用从所述种子点区域内各像素点到达所述脑部影像内中心点时的最优路径,确定所述候选脑室区域内的梗死分割点;
梗死区域分割模块930,用于利用所述梗死分割点,从所述候选脑室区域内分割对应的梗死区域。
进一步的,所述分割点确定模块920,可以具体用于:
对所述种子点区域内的各像素点进行分区;
对从第一分区内的各像素点到达所述脑部影像内中心点时的最优路径关联的路径转移概率进行复位;
基于所述第一分区内各像素点经过路径探寻后得到的路径转移概率,确定从第二分区内各像素点到达所述脑部影像内中心点时的最优路径,以得到所述候选脑室区域内的梗死分割点。
进一步的,所述种子区域确定模块910,可以包括:
第一分割单元,用于从所述脑部影像中剔除对应的头骨区域,得到对应的脑组织区域;
第二分割单元,用于从所述脑组织区域内分割出对应的候选脑室区域和大脑皮层区域;
种子区域确定单元,用于将所述候选脑室区域和所述大脑皮层区域的交集,作为用于梗死区域分割的种子点区域。
进一步的,所述第二分割单元,可以具体用于:
根据所述脑组织区域统计后的灰度直方图,确定所述脑组织区域内的脑脊液灰度阈值;
按照所述脑脊液灰度阈值,从所述脑组织区域内分割出对应的脑脊液区域,并提取所述脑脊液区域内的最大连通域,作为所述候选脑室区域。
进一步的,所述第二分割单元,还可以具体用于:
按照预设大脑皮层占比,计算所述脑组织区域内每一边缘点下的大脑皮层深度,得到对应的大脑皮层区域。
进一步的,所述梗死区域分割模块930,可以具体用于:
如果所述梗死分割点为空,则确定所述候选脑室区域内不存在梗死区域,且所述候选脑室区域为所述脑部影像内的核心脑室区域;
如果所述梗死分割点为非空,则利用所述梗死分割点,从所述候选脑室区域内分割出对应的梗死区域和核心脑室区域。
本申请实施例中,首先从脑部影像内提取出候选脑室区域和大脑皮层区域,以确定出用于梗死区域分割的种子点区域,然后分析从种子点区域内各像素点到达脑部影像内中心点时的最优路径,从而确定出候选脑室区域内的梗死分割点,以便利用该梗死分割点,从候选脑室区域内分割对应的梗死区域,从而对与候选脑室区域内脑脊液粘连的梗死区域进行自动化的有效分割,增强梗死区域分割的通用性和高效性。
应理解的是,装置实施例与方法实施例可以相互对应,类似的描述可以参照方法实施例。为避免重复,此处不再赘述。具体地,图9所示的装置900可以执行本申请提供的任一方法实施例,并且装置900中的各个模块的前述和其它操作和/或功能分别为了实现本申请实施例的各个方法中的相应流程,为了简洁,在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置900。应理解,该功能模块可以通过硬件形式实现,也可以通过软件形式的指令实现,还可以通过硬件和软件模块组合实现。具体地,本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成,结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。可选地,软件模块可以位于随机存储器,闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法实施例中的步骤。
图10是本申请实施例提供的电子设备1000的示意性框图。
如图10所示,该电子设备1000可包括:
存储器1010和处理器1020,该存储器1010用于存储计算机程序,并将该程序代码传输给该处理器1020。换言之,该处理器1020可以从存储器1010中调用并运行计算机程序,以实现本申请实施例中的方法。
例如,该处理器1020可用于根据该计算机程序中的指令执行上述方法实施例。
在本申请的一些实施例中,该处理器1020可以包括但不限于:
通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本申请的一些实施例中,该存储器1010包括但不限于:
易失性存储器和/或非易失性存储器。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)。
在本申请的一些实施例中,该计算机程序可以被分割成一个或多个模块,该一个或者多个模块被存储在该存储器1010中,并由该处理器1020执行,以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述该计算机程序在该电子设备中的执行过程。
如图10所示,该电子设备还可包括:
收发器1030,该收发器1030可连接至该处理器1020或存储器1010。
其中,处理器1020可以控制该收发器1030与其他设备进行通信,具体地,可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。收发器1030可以包括发射机和接收机。收发器1030还可以进一步包括天线,天线的数量可以为一个或多个。
应当理解,该电子设备中的各个组件通过总线系统相连,其中,总线系统除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。
本申请实施例还提供了一种计算机存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说,本申请实施例还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,该模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。例如,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以该权利要求的保护范围为准。
Claims (10)
1.一种基于脑部影像的梗死区域分割方法,其特征在于,包括:
基于脑部影像内提取的候选脑室区域和大脑皮层区域,确定用于梗死区域分割的种子点区域;
利用从所述种子点区域内各像素点到达所述脑部影像内中心点时的最优路径,确定所述候选脑室区域内的梗死分割点;
利用所述梗死分割点,从所述候选脑室区域内分割对应的梗死区域。
2.根据权利要求1所述的方法,其特征在于,所述利用从所述种子点区域内各像素点到达所述脑部影像内中心点时的最优路径,确定所述候选脑室区域内的梗死分割点,包括:
对所述种子点区域内的各像素点进行分区;
对从第一分区内的各像素点到达所述脑部影像内中心点时的最优路径关联的路径转移概率进行复位;
基于所述第一分区内各像素点经过路径探寻后得到的路径转移概率,确定从第二分区内各像素点到达所述脑部影像内中心点时的最优路径,以得到所述候选脑室区域内的梗死分割点。
3.根据权利要求1所述的方法,其特征在于,所述基于脑部影像内提取的候选脑室区域和大脑皮层区域,确定用于梗死区域分割的种子点区域,包括:
从所述脑部影像中剔除对应的头骨区域,得到对应的脑组织区域;
从所述脑组织区域内分割出对应的候选脑室区域和大脑皮层区域;
将所述候选脑室区域和所述大脑皮层区域的交集,作为用于梗死区域分割的种子点区域。
4.根据权利要求3所述的方法,其特征在于,所述从所述脑组织区域内分割出对应的候选脑室区域,包括:
根据所述脑组织区域统计后的灰度直方图,确定所述脑组织区域内的脑脊液灰度阈值;
按照所述脑脊液灰度阈值,从所述脑组织区域内分割出对应的脑脊液区域,并提取所述脑脊液区域内的最大连通域,作为所述候选脑室区域。
5.根据权利要求3所述的方法,其特征在于,从所述脑组织区域内分割出对应的大脑皮层区域,包括:
按照预设大脑皮层占比,计算所述脑组织区域内每一边缘点下的大脑皮层深度,得到对应的大脑皮层区域。
6.根据权利要求1所述的方法,其特征在于,所述利用所述梗死分割点,从所述候选脑室区域内分割对应的梗死区域,包括:
如果所述梗死分割点为空,则确定所述候选脑室区域内不存在梗死区域,且所述候选脑室区域为所述脑部影像内的核心脑室区域;
如果所述梗死分割点为非空,则利用所述梗死分割点,从所述候选脑室区域内分割出对应的梗死区域和核心脑室区域。
7.一种基于脑部影像的梗死区域分割装置,其特征在于,包括:
种子区域确定模块,用于基于脑部影像内提取的候选脑室区域和大脑皮层区域,确定用于梗死区域分割的种子点区域;
分割点确定模块,用于利用从所述种子点区域内各像素点到达所述脑部影像内中心点时的最优路径,确定所述候选脑室区域内的梗死分割点;
梗死区域分割模块,用于利用所述梗死分割点,从所述候选脑室区域内分割对应的梗死区域。
8.一种电子设备,其特征在于,包括:
处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,以执行权利要求1-6中任一项所述的基于脑部影像的梗死区域分割方法。
9.一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序使得计算机执行如权利要求1-6中任一项所述的基于脑部影像的梗死区域分割方法。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现如权利要求1-6任一项所述的基于脑部影像的梗死区域分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627058.5A CN114266789B (zh) | 2021-12-28 | 2021-12-28 | 基于脑部影像的梗死区域分割方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627058.5A CN114266789B (zh) | 2021-12-28 | 2021-12-28 | 基于脑部影像的梗死区域分割方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114266789A true CN114266789A (zh) | 2022-04-01 |
CN114266789B CN114266789B (zh) | 2023-05-23 |
Family
ID=80830931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111627058.5A Active CN114266789B (zh) | 2021-12-28 | 2021-12-28 | 基于脑部影像的梗死区域分割方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266789B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008041946A1 (en) * | 2006-10-03 | 2008-04-10 | Agency For Science, Technology And Research | Segmenting infarct in diffusion-weighted imaging volume |
CN104143190A (zh) * | 2014-07-24 | 2014-11-12 | 东软集团股份有限公司 | Ct图像中组织的分割方法及系统 |
CN111489360A (zh) * | 2020-03-18 | 2020-08-04 | 上海商汤智能科技有限公司 | 一种图像分割方法及相关设备 |
-
2021
- 2021-12-28 CN CN202111627058.5A patent/CN114266789B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008041946A1 (en) * | 2006-10-03 | 2008-04-10 | Agency For Science, Technology And Research | Segmenting infarct in diffusion-weighted imaging volume |
CN104143190A (zh) * | 2014-07-24 | 2014-11-12 | 东软集团股份有限公司 | Ct图像中组织的分割方法及系统 |
CN111489360A (zh) * | 2020-03-18 | 2020-08-04 | 上海商汤智能科技有限公司 | 一种图像分割方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114266789B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108010021B (zh) | 一种医学图像处理系统和方法 | |
CN1670768A (zh) | 用于图像分割的局部分水岭算子 | |
CA3095408C (en) | Systems and methods for automated detection and segmentation of vertebral centrum(s) in 3d images | |
CN109509177B (zh) | 一种脑部影像识别的方法及装置 | |
CN103514597A (zh) | 图像处理装置 | |
CN112132265B (zh) | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 | |
CN112184656B (zh) | 基于超声动态图像的胎儿切面的确定方法及装置 | |
CN110570445B (zh) | 一种图像分割方法、装置、终端及可读介质 | |
CN111968130B (zh) | 脑部造影图像处理方法、装置、介质及电子设备 | |
CN110400299A (zh) | 一种肺部胸腔积液检出的方法及装置 | |
WO2021184799A1 (zh) | 医学图像处理方法、装置、设备及存储介质 | |
CN112419340B (zh) | 脑脊液分割模型的生成方法、应用方法及装置 | |
CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN113920109A (zh) | 医疗影像识别模型训练方法、识别方法、装置及设备 | |
EP2902969B1 (en) | Image processing device, image processing method, and image processing program | |
CN111429457A (zh) | 图像局部区域亮度智能评价方法、装置、设备及介质 | |
CN113160245A (zh) | 基于分块区域生长法的ct脑实质分割系统、方法及装置 | |
Vang et al. | SynergyNet: a fusion framework for multiple sclerosis brain MRI segmentation with local refinement | |
WO2021027240A1 (zh) | 识别脑萎缩的方法及装置 | |
CN113379741B (zh) | 基于血管特征的视网膜血管分割方法、设备和存储介质 | |
CN114533002A (zh) | 一种颈动脉中心线提取方法、装置、存储介质及电子设备 | |
CN114266789B (zh) | 基于脑部影像的梗死区域分割方法、装置、设备及介质 | |
CN116664594A (zh) | 基于共享cnn的三维医学图像两阶段分割方法及装置 | |
CN113393445B (zh) | 乳腺癌影像确定方法及系统 | |
Yi et al. | Global multi-level attention network for the segmentation of clinical target volume in the planning CT for cervical cancer |
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 |