CN114359277B - 一种脑卒中患者的脑部图像处理方法及系统 - Google Patents

一种脑卒中患者的脑部图像处理方法及系统 Download PDF

Info

Publication number
CN114359277B
CN114359277B CN202210266385.0A CN202210266385A CN114359277B CN 114359277 B CN114359277 B CN 114359277B CN 202210266385 A CN202210266385 A CN 202210266385A CN 114359277 B CN114359277 B CN 114359277B
Authority
CN
China
Prior art keywords
pixel
region
image
brain
value
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
Application number
CN202210266385.0A
Other languages
English (en)
Other versions
CN114359277A (zh
Inventor
孙金燕
庞日宠
郝志峰
杨安平
谭海曙
艾毅龙
赵超超
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.)
Shantou University
Foshan University
Original Assignee
Shantou University
Foshan University
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 Shantou University, Foshan University filed Critical Shantou University
Priority to CN202210266385.0A priority Critical patent/CN114359277B/zh
Publication of CN114359277A publication Critical patent/CN114359277A/zh
Application granted granted Critical
Publication of CN114359277B publication Critical patent/CN114359277B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/20081—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种脑卒中患者的脑部图像处理方法及系统，利用核磁共振成像仪获得脑卒中患者的原始脑结构图像，并进行图像转换预处理、识别脑部各叶分区子区域，提取模糊沟回集合和脑部轮廓修复处理等方法过程，从而获得识别准确率较高的脑部修复图像。该脑部图像处理方法及系统能校正原始脑结构图像中阴影模糊的区域，使脑部结构轮廓更加清晰准确，提高了MRI脑部图像中脑部结构轮廓的识别准确率。

Description

一种脑卒中患者的脑部图像处理方法及系统
技术领域
本发明涉及医疗图像处理领域，具体涉及一种脑卒中患者的脑部图像处理方法及系统。
背景技术
脑卒中是一种高发病率、高致死率的急性脑血管疾病。主要包括缺血性卒中和出血性卒中，致病机理是由于局部脑血管破裂或阻塞导致脑组织损伤。借助医学成像技术可获得脑卒中患者的脑组织的真实伪影图像，能有效地提供更准确的生理信息帮助医生做初期的临床诊断。目前临床脑部成像技术广泛采用如电子计算机断层扫描（ComputedTomography, CT），正电子发射型计算机断层显像（Positron Emission Tomography,PET），磁共振成像（Magnetic Resonance Imaging, MRI）等。由于MRI可获得高空间分辨率的脑部解剖结构，且无需注射放射性等物质，能更全面完善地判断头颅冠状位、矢状位和横断面的病灶位置和性质，比CT、PET等成像技术更加准确可靠。
而现有的MRI图像处理方法主要有两种，一种是聚类技术或其改进方法，另一种是基于机器学习和深度学习算法进行特征建模。然而这两种方法都只是利用像素级特征进行图像处理，应用于脑部图像处理时忽略了脑部结构特征，会导致脑部轮廓识别准确率存在一定程度的局限性。而基于深度学习算法提取脑部图像特征，需要大量的训练集数据样本，且脑卒中患者之间的个体差异明显，可获得的医学图像数据无法满足大量的数据样本，容易引起过拟合问题影响训练结果。另外，脑卒中患者由于脑萎缩或局部血管破裂具有多变性，脑部图像较小且存在很多阴影区域，当脑部结构轮廓不清晰导致病灶位置和特性不明显，或成像区域误差过大时，容易产生误诊风险。
发明内容
鉴于以上所述现有方法的局限性，本发明的目的在于提供一种脑卒中患者的脑部图像处理方法及系统。为了进一步提高MRI图像中脑部结构轮廓的识别准确率，本发明提出了一种基于MRI图像的脑部结构轮廓修复方法，利用核磁共振成像仪获得脑卒中患者的原始脑结构图像，并进行图像转换预处理、识别脑部各叶分区子区域，提取模糊沟回集合和脑部轮廓修复处理等方法过程，从而获得识别准确率较高的脑部修复图像。该脑部图像处理方法及系统能定位校正原始脑结构图像中各叶分区子区域的阴影模糊结构，使脑部结构轮廓和病变特性更加清晰准确。
为了实现上述目的，根据本公开的一方面，提供一种脑卒中患者的脑部图像处理方法，所述方法包括以下步骤：
S100，利用核磁共振成像仪获得原始脑结构图像；
S200，通过边缘检测算法检测所述原始脑结构图像的灰白质外轮廓边缘线，获得灰白质结构子图像和脑脊液区域中心阈值；
S300，根据所述灰白质结构子图像和脑脊液区域中心阈值，识别中央沟上界线以及距状裂下界线，并标记得到灰白质结构子图像中的各叶分区子区域；
S400，对所述灰白质结构子图像中的各叶分区子区域，分别搜索获得模糊沟回集合；
S500，根据所述灰白质结构子图像和模糊沟回集合进行轮廓修复处理，得到脑结构轮廓修复图像。
进一步地，在S200中，通过边缘检测算法检测所述原始脑结构图像的灰白质外轮廓边缘线的方法为：通过边缘检测算法对原始脑结构图像进行检测获得距离图像边界最短且长度大于所有边缘线的平均长度的一条边缘线，或者，获取各个边缘线所构成的区域中面积最大的区域所对应的边缘线，记为所述灰白质外轮廓边缘线；
其中，获得灰白质结构子图像的方法为：根据所述原始脑结构图像中，将位于所述灰白质外轮廓边缘线外部且不包含所述灰白质外轮廓边缘线构成的区域对应像素值置零，得到所述灰白质结构子图像；获得脑脊液区域中心阈值的方法为：根据所述原始脑结构图像中，将位于所述灰白质外轮廓边缘线外部且不包含所述灰白质外轮廓边缘线上的区域对应全部像素值的平均值，得到所述脑脊液区域中心阈值。
优选地，该边缘检测算法可为Canny算子、Sobel算子、Laplace算子、Roberts算子、Krisch算子、Prewitt算子、Susan角点检测算法等其中一种方法实现。
进一步地，在S300中，根据所述灰白质结构子图像和脑脊液区域中心阈值，识别中央沟上界线以及距状裂下界线，并标记得到灰白质结构子图像中的各叶分区子区域的方法为：
S301，设定所述灰白质结构子图像的尺寸大小均为M×N个像素点，利用像素坐标(x, y)表示图像中像素位置，其中x值取值范围为[0, M-1]，y值取值范围为[0, N-1]，初始化x = y = 0；
S302，在x, y的取值范围内，遍历所述灰白质结构子图像上的所有像素坐标(x,y)，计算所述灰白质结构子图像的解剖结构中心；
Figure 958988DEST_PATH_IMAGE001
；
其中，(xB, yB)表示为所述校正灰白质结构子图像的解剖结构中心的像素点坐标， Bo(x, y)表示为灰白质结构子图像在像素坐标(x, y)上的像素值；
Figure 387695DEST_PATH_IMAGE002
表示为在 x, y的取值范围内作累加计算；(x0, y0)表示为所述灰白质结构子图像的中心像素点坐标；
或者，计算所述灰白质结构子图像的几何中心位置的像素点坐标为(xB, yB)作为解剖结构中心；
S303，在灰白质结构子图像中，以所述解剖结构中心为基准，沿着垂直方向，向上搜索各个像素值低于所述脑脊液区域中心阈值的像素点，标记为大脑纵裂区域点；依次连接各个大脑纵裂区域点作为大脑纵裂界线；并遍历所述大脑纵裂区域点，在大脑纵裂界线上，记当前的大脑纵裂区域点与下一个大脑纵裂区域点之间的连接线为当前的大脑纵裂区域点的纵裂线，计算各个纵裂线和坐标轴横轴的角度，筛选出相同角度的数量最多的角度所对应的纵裂线，以这些纵裂线在的坐标轴横轴上投影线段的长度作为大脑纵裂宽度集合，或者，计算当前的大脑纵裂区域点开始的纵裂线方向上，具有相同方向最多的纵裂线的各个纵裂线的长度作为大脑纵裂宽度集合；取大脑纵裂宽度集合中各个元素的平均值作为大脑纵裂宽度，或者，其中去掉所述大脑纵裂宽度集合中的最大值和最小值，取其均值得到大脑纵裂宽度；
S304，以所述大脑纵裂界线为垂直基线，将所述灰白质结构子图像分为脑部左侧结构区域和脑部右侧结构区域，其中位于所述大脑纵裂界线左侧的区域标记为脑部左侧结构区域，位于所述大脑纵裂界线右侧的区域标记为脑部右侧结构区域；取所述大脑纵裂界线上像素点的纵坐标的中间值对应的像素点为扫描起点，判断所述灰白质结构子图像中是否存在侧脑室结构的空腔区域；若是则跳转至步骤S305；否则跳转至步骤S306；
其中，侧脑室结构的获取方法为：记通过边缘检测算法获得的灰白质结构子图像中除了灰白质外轮廓边缘线之外的各个边缘线构成的区域的集合为BG，记集合BG中各个区域的平均面积为AVEM，筛选出集合BG中面积大于AVEM的各个区域中几何中心点到大脑纵裂界线的最短距离中距离值最小的几何中心点所对应的区域记为侧脑室结构；所述空腔区域为侧脑室结构内部的区域；
S305，根据所有所述侧脑室结构的空腔区域点，识别侧脑室结构边缘线、中央沟上界线以及距状裂下界线；根据所述中央沟上界线和距状裂下界线划分所述灰白质结构子图像中的各叶分区子区域；其中，分别在脑部左侧结构区域和脑部右侧结构区域中进行划分，将位于中央沟上界线以上的分区标记为额叶分区子区域，位于中央沟上界线以下且距状裂下界线以上的分区标记为顶叶分区子区域，位于距状裂下界线以下的分区标记为枕叶分区子区域；则所述灰白质结构子图像中的各叶分区子区域包括额叶分区子区域、顶叶分区子区域和枕叶分区子区域；
S306，根据所述灰白质结构子图像，识别半卵圆中心区域的形心位置以及中央沟上界线；根据中央沟上界线划分所述灰白质结构子图像中的各叶分区子区域；其中，分别在脑部左侧结构区域和脑部右侧结构区域中进行划分，将位于中央沟上界线以上的分区标记为额叶分区子区域，位于中央沟上界线以下的分区标记为顶叶分区子区域；则所述灰白质结构子图像中的各叶分区子区域包括额叶分区子区域和顶叶分区子区域。
进一步地，在S304中，判断所述灰白质结构子图像中是否存在侧脑室结构的空腔区域的方法为：
S3041，令所述大脑纵裂宽度记作WA ，在WA×WA个像素大小的滑动窗口内，以步长为NA-1个像素点沿着扫描起点的水平方向，分别在所述脑部左侧结构区域和脑部右侧结构区域中进行滑动扫描，步长为滑动窗口每次移动的距离；
S3042，移动滑动窗口，计算当前滑动窗口内像素点数值作为滑动窗口均值，若所述滑动窗口均值小于或等于所述脑脊液区域中心阈值，是则判断该滑动窗口内存在侧脑室结构的空腔子区域，将滑动窗口内数值低于脑脊液区域中心阈值的像素点标记为侧脑室结构的空腔区域点；否则判断该滑动窗口内不存在侧脑室结构的空腔子区域；
S3043，当连续出现Num个滑动窗口内不存在侧脑室结构的空腔子区域，则跳转至步骤S3044；否则判断该所述灰白质结构子图像中存在侧脑室结构的空腔区域并输出标记为侧脑室结构的空腔区域点；其中Num = floor( m/WA )，floor函数为高斯取整，m值取所述灰白质外轮廓边缘线上与所述扫描起点之间最短的欧式距离；
S3044，以当前滑动窗口的中心点为起始扫描点，沿着垂直方向继续滑动扫描并重复步骤S3042进行计算判断，当再次连续出现Num个滑动窗口内不存在侧脑室结构的空腔子区域，判断该所述灰白质结构子图像中不存在侧脑室结构的空腔区域。
进一步地，在S305中，根据所有所述侧脑室结构的空腔区域点，识别侧脑室结构边缘线、中央沟上界线以及距状裂下界线的方法为：
S3051，记所有空腔区域点的像素均值为侧脑室区域阈值；并计算各个空腔区域点与扫描起点之间的欧式距离，取其中欧式距离最大的空腔区域点的对应像素坐标为圆心，以m值为半径的圆形区域作为侧脑室圆区域，在所述侧脑室圆区域中遍历并标记像素值小于或等于侧脑室区域阈值的对应像素点为增补区域点；将所有增补区域点构成的各个区域中面积最大的区域的轮廓边缘线标记为侧脑室结构边缘线，m值取所述灰白质外轮廓边缘线上与所述扫描起点之间最短的欧式距离；
S3052，取所述侧脑室结构边缘线上像素坐标(x, y)的y值最大的像素点为侧脑室结构上界点；同样地，取所述侧脑室结构边缘线上像素坐标(x, y)的y值最小的像素点为侧脑室结构下界点；
S3053，以所述侧脑室结构上界点的水平基线作为侧脑室横界线，分别在所述脑部左侧结构区域和脑部右侧结构区域中的所述侧脑室横界线上的像素点进行判断，将满足判断条件的像素点定义为所述侧脑室横界线与中央沟上界线的交点，并标记为中央沟上界线的像素点，其中判断条件为像素值小于或等于所述脑脊液区域中心阈值且与所述侧脑室结构上界点之间的欧氏距离最小；设定所述侧脑室横界线与中央沟上界线的交点的像素坐标为(Xc, Yc)，当像素坐标(Xc, Yc)在脑部右侧结构区域中，跳转至步骤S3054；当像素坐标(Xc, Yc)在脑部左侧结构区域中，跳转至步骤S3055；
其中，水平基线为通过像素点的像素坐标(x, y)作的与x轴平行的平行线。
S3054，判断像素坐标为(Xc +1, Yc)，(Xc, Yc +1)，(Xc +1, Yc +1)的像素点对应的像素值是否小于或等于所述脑脊液区域中心阈值，是则标记像素坐标(Xc, Yc)的像素点为中央沟上界线的像素点，并将像素坐标(Xc, Yc)值更新为所述中央沟上界线的像素点中坐标值最大的像素坐标，判断像素坐标(Xc, Yc)值是否位于所述脑部右侧结构区域的边缘线上，是则跳转至步骤S3056；否则跳转至步骤S3054进行循环判断；
S3055，判断像素坐标为(Xc -1, Yc)，(Xc, Yc +1)，(Xc -1, Yc +1)的像素点对应的像素值是否小于或等于所述脑脊液区域中心阈值，是则标记像素坐标(Xc, Yc)的像素点为中央沟上界线的像素点，并将像素坐标(Xc, Yc)值更新为所述中央沟上界线的像素点中坐标值最小的像素坐标，判断像素坐标(Xc, Yc)值是否位于所述脑部左侧结构区域的边缘线上，是则跳转至步骤S3056；否则跳转至步骤S3055进行循环判断；
S3056，将分别在脑部左侧结构区域和脑部右侧结构区域中的所述侧脑室横界线与中央沟上界线的交点相连接，并依次与其他所述中央沟上界线的像素点连接获得在所述灰白质结构子图像中的中央沟上界线；
S3057，以所述侧脑室结构下界点的垂直基线作为侧脑室纵界线，在所述侧脑室纵界线上的像素点进行判断，将满足判断条件的像素点定义为所述侧脑室纵界线与距状裂下界线的交点，并标记为距状裂下界线的像素点，其中判断条件为像素值小于或等于所述脑脊液区域中心阈值且与所述侧脑室结构下界点之间的欧氏距离最小；
S3058，以所述侧脑室纵界线与距状裂下界线的交点，利用边缘跟踪算法连接得到与所述大脑纵裂界线相交的曲线，并获得该曲线与所述大脑纵裂界线相交的交点，即为所述距状裂下界线与大脑纵裂界线的交点；以所述侧脑室纵界线与距状裂下界线的交点作一条水平基线，与所述距状裂下界线与大脑纵裂界线的交点相连接，则得到所述距状裂下界线。
进一步地，在S306中，根据所述灰白质结构子图像，识别半卵圆中心区域的形心位置以及中央沟上界线的方法为：
S3061，根据所述灰白质结构子图像，利用边缘检测算法分别在所述脑部左侧结构区域和脑部右侧结构区域中检测获得大于所有边缘线的平均长度的边缘线中离图像边界最远的边缘线，识别为半卵圆中心区域的沟回边缘线；
S3062，将所述半卵圆中心区域的沟回边缘线构成区域，计算该区域的形心位置，即为所述半卵圆中心区域的形心位置；
S3063，以所述半卵圆中心区域的形心位置作一条水平基线，在脑部左侧结构区域和脑部右侧结构区域中沿着该水平基线上搜索像素值小于或等于所述脑脊液区域中心阈值的各个像素点中与所述半卵圆中心区域的形心位置之间的欧式距离最小的像素点，标记为所述中央沟上界线的内侧点；
S3064，从所述中央沟上界线的内侧点开始利用边缘跟踪算法连接得到与所述灰白质结构子图像边界相交的曲线，并以曲线连接分别在所述脑部左侧结构区域和脑部右侧结构区域中的所述中央沟上界线的内侧点，则得到所述中央沟上界线。其中，以曲线连接为以曲线的两个端点分别以与最近的所述脑部左侧结构区域和脑部右侧结构区域中的所述中央沟上界线的内侧点分别连接。
进一步地，在S400中，对所述灰白质结构子图像中的各叶分区子区域，分别搜索获得模糊沟回集合的方法为：
S401，分别遍历所述灰白质结构子图像中的各叶分区子区域，利用边缘检测算子得到所述各叶分区子区域的边缘线作为边缘沟回曲线，由各个边缘沟回曲线构成边缘沟回集合；
S402，依次计算所述边缘沟回集合中的所有边缘沟回曲线的模糊量值，由各个模糊量值构成模糊量值集合；模糊量值的计算方法为：
Figure 445781DEST_PATH_IMAGE003
；
其中，Dim(k)表示为所述边缘沟回集合中的第k条边缘沟回曲线对应的模糊量值，
Figure 491098DEST_PATH_IMAGE004
表示为所述边缘沟回集合中的第k条边缘沟回曲线上像素坐标为(x, y)的像素值， WA为所述大脑纵裂宽度，
Figure 683045DEST_PATH_IMAGE005
和
Figure 638362DEST_PATH_IMAGE006
分别为像素坐标为(x, y)的像素点上沿着水平方 向和垂直方向的边缘检测算子的卷积的平方，即sobel算子求的梯度值的平方，k为边缘沟 回集合中边缘沟回曲线的数量；
S403，将模糊量值集合中所有模糊量值的平均值记作AVEDim；遍历模糊量值集合，依次判断各个边缘沟回曲线的模糊量值是否满足Dim(k)<AVEDim条件，若是则令该边缘沟回曲线处于所述各叶分区子区域中的模糊次数Fuz加1；计算得到所有边缘沟回曲线的Fuz的平均值aveFuz，将所有Fuz＞aveFuz的边缘沟回曲线标记为模糊沟回曲线，由所有模糊沟回曲线构成模糊沟回集合。
进一步地，在S500中，根据所述灰白质结构子图像和模糊沟回集合进行轮廓修复处理，得到脑结构轮廓修复图像的方法为：
S501，根据所述模糊沟回集合，遍历计算沟回边缘轮廓算子；
Figure 726404DEST_PATH_IMAGE007
；
其中，g(u)为所述模糊沟回集合中第u个模糊沟回曲线对应的沟回轮廓结构算子的数值，u为曲线序号，设u取值范围为[1，N1]，N1为所述模糊沟回集合中模糊沟回曲线的数量；len(u)表示为对应第u个模糊沟回曲线上的像素点个数；Dim(u)为第u个模糊沟回曲线的模糊量值，k1为序号，k1∈[1,len(u)]；
S502，根据所述沟回边缘轮廓算子，计算沟回轮廓结构矩阵：
Figure 727858DEST_PATH_IMAGE008
Figure 723496DEST_PATH_IMAGE009
Figure 31855DEST_PATH_IMAGE010
Figure 290798DEST_PATH_IMAGE011
Figure 576286DEST_PATH_IMAGE012
其中，outline(x2,y2)表示为所述沟回轮廓结构矩阵在像素坐标(x2,y2)上的数 值；
Figure 313298DEST_PATH_IMAGE013
表示为所述模糊沟回集合中第u个模糊沟回曲线上像素坐标为(x2, y2)上的像素灰度值；
Figure 571104DEST_PATH_IMAGE014
表示为所述模糊沟回集合中第u个模糊沟回曲线上 所有像素灰度值的最大值，σ为轮廓比例系数，DGS(x2,y2)函数为像素坐标为(x2,y2)上灰 度倾向差，(x2,y2)为坐标值，沟回轮廓结构矩阵为原始脑结构图像的图像矩阵的每个坐标 (x2,y2)的outline(x2,y2)值按照图像矩阵的行列对应位置构成；
S503，根据所述模糊沟回集合和沟回轮廓结构矩阵，WA为所述大脑纵裂宽度，在像素大小为WA×WA的修复窗口内遍历计算局部沟回轮廓修复矩阵；
Fitline(x3,y3)=fx(u)∙outline(x3,y3)+fY(u)∙outline(x3,y3),
其中，Fitline(x3,y3)表示为局部沟回轮廓修复矩阵在像素坐标(x3, y3)上的数值，outline(x3,y3)表示为所述沟回轮廓结构矩阵在像素坐标(x3, y3)上的数值；fx(u)表示为所述模糊沟回集合中第u个模糊沟回曲线在水平方向上的修复系数，fY(u)表示为所述模糊沟回集合中第u个模糊沟回曲线在垂直方向上的修复系数；局部沟回轮廓修复矩阵为各个Fitline(x3,y3)在像素坐标(x3, y3)上的对应位置构成的图像矩阵；
Figure 673052DEST_PATH_IMAGE015
Figure 180257DEST_PATH_IMAGE016
Figure 455380DEST_PATH_IMAGE017
,
其中，
Figure 770955DEST_PATH_IMAGE018
表示为所述模糊沟回集合中第u个模糊沟回曲线上像素坐 标为(x3,y3)上的像素灰度值；fit(u)表示为所述模糊沟回集合中第u个模糊沟回曲线在所 述修复窗口内的结构特征均值，w(i, j)为大小为WA×WA的单位向量矩阵；修复窗口为WA× WA像素大小的矩形范围或者WA×WA像素大小的滑动窗口；
Figure 840542DEST_PATH_IMAGE019
为分别遍历i值的取值范围[1,WA]和j值的取值范围[1,WA]进 行累加计算；
S504，遍历局部沟回轮廓修复矩阵中所有像素坐标与所述灰白质结构子图像的相同像素坐标中对应像素值相叠加获得的图像矩阵为脑结构轮廓修复图像。
本公开还提供了一种脑卒中患者的脑部图像处理系统，所述一种脑卒中患者的脑部图像处理系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种脑卒中患者的脑部图像处理方法中的步骤，所述一种脑卒中患者的脑部图像处理系统可以运行于桌上型计算机、笔记本电脑、掌上电脑或云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。
如上所述，本发明所述的一种脑卒中患者的脑部图像处理方法及系统，具有以下有益效果：（1）基于图像边缘检测和机器视觉技术识别脑部各叶子区域，解决了由于人为选择脑部结构特征引起的误差识别问题；（2）避免了深度学习等方法由于数据样本过少导致的过拟合问题；（3）校正了原始MRI脑部图像中各叶分区子区域的阴影模糊沟回结构，提高了脑部结构轮廓的识别准确率，使脑部结构轮廓和病变特性更加清晰准确。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，在附图中：
图1所示为一种脑卒中患者的脑部图像处理方法于一实施例中的流程图；
图2所示为一种脑卒中患者的脑部图像处理系统于一实施例中的计算机程序流程图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，以下实施例中所提供的图示仅以是示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及此村绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示为根据本发明的一种脑卒中患者的脑部图像处理方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种脑卒中患者的脑部图像处理方法。
本公开提出一种脑卒中患者的脑部图像处理方法，所述方法具体包括以下步骤：
S100，利用核磁共振成像仪获得原始脑结构图像；
S200，通过边缘检测算法检测所述原始脑结构图像的灰白质外轮廓边缘线，获得灰白质结构子图像和脑脊液区域中心阈值；
S300，根据所述灰白质结构子图像和脑脊液区域中心阈值，识别中央沟上界线以及距状裂下界线，并标记得到灰白质结构子图像中的各叶分区子区域；
S400，对所述灰白质结构子图像中的各叶分区子区域，分别搜索获得模糊沟回集合；
S500，根据所述灰白质结构子图像和模糊沟回集合进行轮廓修复处理，得到脑结构轮廓修复图像。
其中，在S100中，通过核磁共振成像仪对脑卒中患者的脑部进行核磁共振成像得到原始脑结构图像。
进一步地，在S200中，通过边缘检测算法检测所述原始脑结构图像的灰白质外轮廓边缘线的方法为：通过边缘检测算法对原始脑结构图像进行检测获得距离图像边界最短且长度大于所有边缘线的平均长度的一条边缘线，或者，获取各个边缘线所构成的区域中面积最大的区域所对应的边缘线，记为所述灰白质外轮廓边缘线；
其中，获得灰白质结构子图像的方法为：根据所述原始脑结构图像中，将位于所述灰白质外轮廓边缘线外部且不包含所述灰白质外轮廓边缘线构成的区域对应像素值置零，得到所述灰白质结构子图像；获得脑脊液区域中心阈值的方法为：根据所述原始脑结构图像中，将位于所述灰白质外轮廓边缘线外部且不包含所述灰白质外轮廓边缘线上的区域对应全部像素值的平均值，得到所述脑脊液区域中心阈值。
优选地，该边缘检测算法可为Canny算子、Sobel算子、Laplace算子、Roberts算子、Krisch算子、Prewitt算子、Susan角点检测算法等其中一种方法实现。
进一步地，在S300中，根据所述灰白质结构子图像和脑脊液区域中心阈值，识别中央沟上界线以及距状裂下界线，并标记得到灰白质结构子图像中的各叶分区子区域的方法为：
S301，设定所述灰白质结构子图像的尺寸大小均为M×N个像素点，利用像素坐标(x, y)表示图像中像素位置，其中x值取值范围为[0, M-1]，y值取值范围为[0, N-1]，初始化x = y = 0；
S302，在x, y的取值范围内，遍历所述灰白质结构子图像上的所有像素坐标(x,y)，计算所述灰白质结构子图像的解剖结构中心；
Figure 366202DEST_PATH_IMAGE001
；
其中，(xB, yB)表示为所述校正灰白质结构子图像的解剖结构中心的像素点坐标， Bo(x, y)表示为灰白质结构子图像在像素坐标(x, y)上的像素值；
Figure 179437DEST_PATH_IMAGE002
表示为在 x, y的取值范围内作累加计算；(x0, y0)表示为所述灰白质结构子图像的中心像素点坐标；
其中计算所述灰白质结构子图像的解剖结构中心是根据所述灰白质结构子图像中的像素点坐标与中心像素点坐标之间的距离来量化该像素点对应的灰白质结构的位置区域，结合所述灰白质结构子图像中表示灰白质影像学结构的像素值大小来计算对应的灰白质结构中心点位置。或者，计算所述灰白质结构子图像的几何中心位置的像素点坐标表示为(xB, yB)作为解剖结构中心，该位置近似于所述灰白质结构子图像的解剖结构的实际上的中心位置。
S303，在灰白质结构子图像中，以所述解剖结构中心为基准，沿着垂直方向，向上搜索各个像素值低于所述脑脊液区域中心阈值的像素点，标记为大脑纵裂区域点；依次连接各个大脑纵裂区域点作为大脑纵裂界线；并遍历所述大脑纵裂区域点，在大脑纵裂界线上，记当前的大脑纵裂区域点与下一个大脑纵裂区域点之间的连接线为当前的大脑纵裂区域点的纵裂线，计算各个纵裂线和坐标轴横轴的角度，筛选出相同角度的数量最多的角度所对应的纵裂线，以这些纵裂线在的坐标轴横轴上投影线段的长度作为大脑纵裂宽度集合，或者，计算当前的大脑纵裂区域点开始的纵裂线方向上，具有相同方向最多的纵裂线的各个纵裂线的长度作为大脑纵裂宽度集合；其中去掉所述大脑纵裂宽度集合中的最大值和最小值，取其均值得到大脑纵裂宽度；
S304，以所述大脑纵裂界线为垂直基线，将所述灰白质结构子图像分为脑部左侧结构区域和脑部右侧结构区域，其中位于所述大脑纵裂界线左侧的区域标记为脑部左侧结构区域，位于所述大脑纵裂界线右侧的区域标记为脑部右侧结构区域；取所述大脑纵裂界线上像素点的纵坐标的中间值对应的像素点为扫描起点，判断所述灰白质结构子图像中是否存在侧脑室结构的空腔区域；若是则跳转至步骤S305；否则跳转至步骤S306；
其中，侧脑室结构的获取方法为：记通过边缘检测算法获得的灰白质结构子图像中除了灰白质外轮廓边缘线之外的各个边缘线构成的区域的集合为BG，记集合BG中各个区域的平均面积为AVEM，筛选出集合BG中面积大于AVEM的各个区域中几何中心点到大脑纵裂界线的最短距离中距离值最小的几何中心点所对应的区域记为侧脑室结构；
S305，根据所有所述侧脑室结构的空腔区域点，识别侧脑室结构边缘线、中央沟上界线以及距状裂下界线；根据所述中央沟上界线和距状裂下界线划分所述灰白质结构子图像中的各叶分区子区域；其中，分别在脑部左侧结构区域和脑部右侧结构区域中进行划分，将位于中央沟上界线以上的分区标记为额叶分区子区域，位于中央沟上界线以下且距状裂下界线以上的分区标记为顶叶分区子区域，位于距状裂下界线以下的分区标记为枕叶分区子区域；则所述灰白质结构子图像中的各叶分区子区域包括额叶分区子区域、顶叶分区子区域和枕叶分区子区域；
S306，根据所述灰白质结构子图像，识别半卵圆中心区域的形心位置以及中央沟上界线；根据中央沟上界线划分所述灰白质结构子图像中的各叶分区子区域；其中，分别在脑部左侧结构区域和脑部右侧结构区域中进行划分，将位于中央沟上界线以上的分区标记为额叶分区子区域，位于中央沟上界线以下的分区标记为顶叶分区子区域；则所述灰白质结构子图像中的各叶分区子区域包括额叶分区子区域和顶叶分区子区域。
其中，由于常用的头颅MRI断层解剖技术是分层成像检查，可获得头部多个横断面的MRI脑部图像，通过判断所述灰白质结构子图像中是否存在侧脑室结构的空腔区域，可辨别该灰白质结构子图像为大脑皮质层面以上或侧脑室层面以下的层面图像；当为大脑皮质层面以上的MRI脑部图像，只需识别出中央沟上界线，区分额叶子区域和顶叶子区域；为侧脑室层面以下的层面图像，可进一步识别中央沟上界线以及距状裂下界线，区分额叶子区域，顶叶子区域以及枕叶子区域；所述半卵圆中心区域为大脑半球中心中呈现为半卵圆形的白质区，在大脑半球上部的大脑皮质下层横切面中呈现的半卵圆形。
进一步地，在S304中，判断所述灰白质结构子图像中是否存在侧脑室结构的空腔区域的方法为：
S3041，令所述大脑纵裂宽度记作WA ，在WA×WA个像素大小的滑动窗口内，以步长为NA-1个像素点沿着扫描起点的水平方向，分别在所述脑部左侧结构区域和脑部右侧结构区域中进行滑动扫描，NA取值为5到200个像素；
S3042，移动滑动窗口，计算当前滑动窗口内像素点数值作为滑动窗口均值，若所述滑动窗口均值小于或等于所述脑脊液区域中心阈值，是则判断该滑动窗口内存在侧脑室结构的空腔子区域，将滑动窗口内数值低于脑脊液区域中心阈值的像素点标记为侧脑室结构的空腔区域点；否则判断该滑动窗口内不存在侧脑室结构的空腔子区域；
S3043，当连续出现Num个滑动窗口内不存在侧脑室结构的空腔子区域，则跳转至步骤S3044；否则判断该所述灰白质结构子图像中存在侧脑室结构的空腔区域并输出标记为侧脑室结构的空腔区域点；其中Num = floor(m/WA )，floor函数为高斯取整，m值取所述灰白质外轮廓边缘线上与所述扫描起点之间最短的欧式距离；
S3044，以当前滑动窗口的中心点为起始扫描点，沿着垂直方向继续滑动扫描并重复步骤S3042进行计算判断，当再次连续出现Num个滑动窗口内不存在侧脑室结构的空腔子区域，判断该所述灰白质结构子图像中不存在侧脑室结构的空腔区域。
进一步地，在S305中，根据所有所述侧脑室结构的空腔区域点，识别侧脑室结构边缘线、中央沟上界线以及距状裂下界线的方法为：
S3051，记所有空腔区域点的像素均值为侧脑室区域阈值；并计算各个空腔区域点与扫描起点之间的欧式距离，取其中欧式距离最大的空腔区域点的对应像素坐标为圆心，以m值为半径的圆形区域作为侧脑室圆区域，在所述侧脑室圆区域中遍历并标记像素值小于或等于侧脑室区域阈值的对应像素点为增补区域点；将所有增补区域点构成的各个区域中面积最大的区域的轮廓边缘线标记为侧脑室结构边缘线，m值取所述灰白质外轮廓边缘线上与所述扫描起点之间最短的欧式距离；
S3052，取所述侧脑室结构边缘线上像素坐标(x, y)的y值最大的像素点为侧脑室结构上界点；同样地，取所述侧脑室结构边缘线上像素坐标(x, y)的y值最小的像素点为侧脑室结构下界点；
S3053，以所述侧脑室结构上界点的水平基线作为侧脑室横界线，分别在所述脑部左侧结构区域和脑部右侧结构区域中的所述侧脑室横界线上的像素点进行判断，将满足判断条件的像素点定义为所述侧脑室横界线与中央沟上界线的交点，并标记为中央沟上界线的像素点，其中判断条件为像素值小于或等于所述脑脊液区域中心阈值且与所述侧脑室结构上界点之间的欧氏距离最小；设定所述侧脑室横界线与中央沟上界线的交点的像素坐标为(Xc, Yc)，当像素坐标(Xc, Yc)在脑部右侧结构区域中，跳转至步骤S3054；当像素坐标(Xc, Yc)在脑部左侧结构区域中，跳转至步骤S3055；
S3054，判断像素坐标为(Xc +1, Yc)，(Xc, Yc +1)，(Xc +1, Yc +1)的像素点对应的像素值是否小于或等于所述脑脊液区域中心阈值，是则标记该像素点为中央沟上界线的像素点，并将像素坐标(Xc, Yc)值更新为所述中央沟上界线的像素点中坐标值最大的像素坐标，判断像素坐标(Xc, Yc)值是否位于所述脑部右侧结构区域的边缘线上，是则跳转至步骤S3056；否则跳转至步骤S3054进行循环判断；
S3055，判断像素坐标为(Xc -1, Yc)，(Xc, Yc +1)，(Xc -1, Yc +1)的像素点对应的像素值是否小于或等于所述脑脊液区域中心阈值，是则标记该像素点为中央沟上界线的像素点，并将像素坐标(Xc, Yc)值更新为所述中央沟上界线的像素点中坐标值最小的像素坐标，判断像素坐标(Xc, Yc)值是否位于所述脑部左侧结构区域的边缘线上，是则跳转至步骤S3056；否则跳转至步骤S3055进行循环判断；
S3056，将分别在脑部左侧结构区域和脑部右侧结构区域中的所述侧脑室横界线与中央沟上界线的交点相连接，并依次与其他所述中央沟上界线的像素点连接获得在所述灰白质结构子图像中的中央沟上界线；
S3057，以所述侧脑室结构下界点的垂直基线作为侧脑室纵界线，在所述侧脑室纵界线上的像素点进行判断，将满足判断条件的像素点定义为所述侧脑室纵界线与距状裂下界线的交点，并标记为距状裂下界线的像素点，其中判断条件为像素值小于或等于所述脑脊液区域中心阈值且与所述侧脑室结构下界点之间的欧氏距离最小；
S3058，以所述侧脑室纵界线与距状裂下界线的交点，利用边缘跟踪算法连接得到与所述大脑纵裂界线相交的曲线，并获得该曲线与所述大脑纵裂界线相交的交点，即为所述距状裂下界线与大脑纵裂界线的交点；以所述侧脑室纵界线与距状裂下界线的交点作一条水平基线，与所述距状裂下界线与大脑纵裂界线的交点相连接，则得到所述距状裂下界线。
优选地，边缘跟踪算法通过以下文献中的方法实现：
[1]李茜, 文豪, 曲蕴慧,等. 边缘跟踪算法在多纸病图像分割中的应用[J]. 中国造纸, 2017, 036(008):41-45.
[2]丁明跃, 彭嘉雄, 万发贯. 一种修改的二值图象边缘跟踪算法[J]. 数据采集与处理, 1988(01):5-11.
[3]刘丽华. 基于方向形态滤波算子的快速边缘跟踪算法[J]. 计算机工程与应用, 2011, 47(24):4.。
进一步地，在S306中，根据所述灰白质结构子图像，识别半卵圆中心区域的形心位置以及中央沟上界线的方法为：
S3061，根据所述灰白质结构子图像，利用边缘检测算法分别在所述脑部左侧结构区域和脑部右侧结构区域中检测获得大于所有边缘线的平均长度的边缘线中离图像边界最远的边缘线，识别为半卵圆中心区域的沟回边缘线；
S3062，根据所述半卵圆中心区域的沟回边缘线所构成的区域，计算该区域的形心位置，即为所述半卵圆中心区域的形心位置；
S3063，以所述半卵圆中心区域的形心位置作一条水平基线，分别在脑部左侧结构区域和脑部右侧结构区域中沿着该水平基线上的像素点判断像素值是否小于或等于所述脑脊液区域中心阈值且与所述半卵圆中心区域的形心位置之间的欧式距离最小，是则标记为所述中央沟上界线的内侧点；否则继续沿着该水平基线上的像素点进行判断；
S3064，从所述中央沟上界线的内侧点开始利用边缘跟踪算法连接得到与所述灰白质结构子图像边界相交的曲线，并以曲线连接分别在所述脑部左侧结构区域和脑部右侧结构区域中的所述中央沟上界线的内侧点，则得到所述中央沟上界线。
进一步地，在S400中，对所述灰白质结构子图像中的各叶分区子区域，分别搜索获得模糊沟回集合的方法为：
S401，分别遍历所述灰白质结构子图像中的各叶分区子区域，利用边缘检测算子得到所述各叶分区子区域的边缘线作为边缘沟回曲线，由各个边缘沟回曲线构成边缘沟回集合；
S402，依次计算所述边缘沟回集合中的所有边缘沟回曲线的模糊量值，由各个模糊量值构成模糊量值集合；模糊量值的计算方法为：
Figure 349518DEST_PATH_IMAGE003
；
其中，Dim(k)表示为所述边缘沟回集合中的第k条边缘沟回曲线对应的模糊量值，
Figure 590007DEST_PATH_IMAGE004
表示为所述边缘沟回集合中的第k条边缘沟回曲线上像素坐标为(x, y)的像素值， WA为所述大脑纵裂宽度，
Figure 602962DEST_PATH_IMAGE005
和
Figure 219888DEST_PATH_IMAGE006
分别为像素坐标为(x, y)的像素点上沿着水平方 向和垂直方向的边缘检测算子的卷积的平方，即sobel算子求的梯度值的平方；
S403，根据所述边缘沟回集合中的模糊量值集合，计算其算术平均值记作
Figure 743011DEST_PATH_IMAGE020
；遍 历所述模糊量值集合中判断第k条边缘沟回曲线是否满足
Figure 419980DEST_PATH_IMAGE021
条件，是则令该边 缘沟回曲线处于所述各叶分区子区域中的模糊次数加1；若所述各叶分区子区域中的模糊 次数超过所述各叶分区子区域的全部边缘沟回曲线数量的三分之一，标记该各叶分区子区 域中满足
Figure 654652DEST_PATH_IMAGE021
条件的边缘沟回曲线为模糊沟回曲线，得到模糊沟回集合。
S403，将模糊量值集合中所有模糊量值的平均值记作AVEDim；遍历模糊量值集合，依次判断各个边缘沟回曲线的模糊量值是否满足Dim(k)<AVEDim条件，是则令该边缘沟回曲线处于所述各叶分区子区域中的模糊次数Fuz加1；计算得到所有边缘沟回曲线的Fuz的平均值aveFuz，将所有Fuz＞aveFuz的边缘沟回曲线标记为模糊沟回曲线或者所述各叶分区子区域中的模糊次数超过所述各叶分区子区域的全部边缘沟回曲线数量的三分之一的边缘沟回曲线标记为模糊沟回曲线，由所有模糊沟回曲线构成模糊沟回集合。
进一步地，在S500中，根据所述灰白质结构子图像和模糊沟回集合进行轮廓修复处理，得到脑结构轮廓修复图像的方法为：
S501，根据所述模糊沟回集合，遍历计算沟回边缘轮廓算子；
Figure 809690DEST_PATH_IMAGE022
其中，g(u)为所述模糊沟回集合中第u个模糊沟回曲线对应的沟回轮廓结构算子的数值，u为曲线序号，设u取值范围为[1，N1]，N1为所述模糊沟回集合中模糊沟回曲线的数量；len(u)表示为对应第u个模糊沟回曲线上的像素点个数；Dim(u)为第u个模糊沟回曲线的模糊量值，k1为序号，k1∈[1,len(u)]；
或者，
Figure 954364DEST_PATH_IMAGE023
其中，g(u)为所述模糊沟回集合中第u个模糊沟回曲线对应的沟回轮廓结构算子的数值，u为曲线序号，设u取值范围为[1，N1]，N1为所述模糊沟回集合中模糊沟回曲线的数量；len(u)表示为对应第u个模糊沟回曲线上的像素点个数；
Figure 536655DEST_PATH_IMAGE024
其中，
Figure 258623DEST_PATH_IMAGE025
为对应第u个模糊沟回曲线上遍历的第k1个像素点坐标值的复数表 达式，k1为序号，x1和y1为对应第u个模糊沟回曲线上第k1个像素点的像素坐标(x1, y1)，j 是虚数单位；
S502，根据所述沟回边缘轮廓算子，计算沟回轮廓结构矩阵：
Figure 217352DEST_PATH_IMAGE008
Figure 216532DEST_PATH_IMAGE009
Figure 235304DEST_PATH_IMAGE010
Figure 444568DEST_PATH_IMAGE011
Figure 941408DEST_PATH_IMAGE026
其中，
Figure 795095DEST_PATH_IMAGE027
表示为所述沟回轮廓结构矩阵在像素坐标(x2,y2)上的数值；
Figure 984768DEST_PATH_IMAGE028
表示为所述模糊沟回集合中第u个模糊沟回曲线上像素坐标为(x2,y2)上的像 素灰度值；Max(
Figure 681328DEST_PATH_IMAGE029
)表示为所述模糊沟回集合中第u个模糊沟回曲线上所有像素灰度值 的最大值；
S503，根据所述模糊沟回集合和沟回轮廓结构矩阵，WA为所述大脑纵裂宽度，在像素大小为WA×WA的修复窗口内遍历计算局部沟回轮廓修复矩阵；
Fitline(x3,y3)=fx(u)∙outline(x3,y3)+fY(u)∙outline(x3,y3),
其中，Fitline(x3,y3)表示为局部沟回轮廓修复矩阵在像素坐标(x3, y3)上的数值，outline(x3,y3)表示为所述沟回轮廓结构矩阵在像素坐标(x3, y3)上的数值；fx(u)表示为所述模糊沟回集合中第u个模糊沟回曲线在水平方向上的修复系数，fY(u)表示为所述模糊沟回集合中第u个模糊沟回曲线在垂直方向上的修复系数；
Figure 981860DEST_PATH_IMAGE015
Figure 188588DEST_PATH_IMAGE016
Figure 549162DEST_PATH_IMAGE017
,
其中，
Figure 733019DEST_PATH_IMAGE030
表示为所述模糊沟回集合中第u个模糊沟回曲线上像素坐标为 (x3, y3)上的像素灰度值；fit(u)表示为所述模糊沟回集合中第u个模糊沟回曲线在所述 修复窗口内的结构特征均值，w(i, j)为大小为WA×WA的单位向量矩阵；修复窗口为WA×WA 像素大小的矩形范围；
Figure 571662DEST_PATH_IMAGE031
为分别遍历i值的取值范围[1,WA]和j值的取值范围[1,WA]进 行累加计算；
S504，遍历局部沟回轮廓修复矩阵中所有像素坐标与所述灰白质结构子图像的相同像素坐标中对应像素值相叠加，得到脑结构轮廓修复图像。
本公开的一种脑卒中患者的脑部图像处理方法能校正原始脑结构图像中阴影模糊的区域，使脑部结构轮廓更加清晰准确。
本公开还提供了一种脑卒中患者的脑部图像处理系统，如图2所示，该实施例的一种脑卒中患者的脑部图像处理系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种脑卒中患者的脑部图像处理方法中的步骤，所述一种脑卒中患者的脑部图像处理系统可以运行于桌上型计算机、笔记本电脑、掌上电脑或云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
边缘检测处理单元，用于利用边缘检测算法检测所述原始脑结构图像的灰白质外轮廓边缘线，识别半卵圆中心区域的沟回边缘线，各叶分区子区域的全部边缘沟回曲线等；
各叶分区子区域标记单元，用于根据所述灰白质结构子图像和脑脊液区域中心阈值，识别中央沟上界线以及距状裂下界线，并标记得到灰白质结构子图像中的各叶分区子区域；
各叶分区子区域识别单元，用于对所述增强源脑部图像和标准化脑电地形图像进行图像变换，计算灰白质结构特征矩阵和标准化脑电地形图像的变换角度，得到校正脑部结构图像和转换脑电地形图像；
模糊沟回集合提取单元，用于对所述灰白质结构子图像中的各叶分区子区域，得到边缘沟回集合，计算模糊量值集合分别判断提取获得模糊沟回集合；
轮廓修复处理单元，用于根据所述灰白质结构子图像和模糊沟回集合进行轮廓修复处理，得到脑结构轮廓修复图像。
所述一种脑卒中患者的脑部图像处理系统可以运行于桌上型计算机、笔记本电脑、掌上电脑或云端数据中心等计算设备中。所述一种脑卒中患者的脑部图像处理系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种脑卒中患者的脑部图像处理方法及系统的示例，并不构成对一种脑卒中患者的脑部图像处理方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种脑卒中患者的脑部图像处理系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，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 Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路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，所述处理器是所述一种脑卒中患者的脑部图像处理系统的控制中心，利用各种接口和线路连接整个一种脑卒中患者的脑部图像处理系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种脑卒中患者的脑部图像处理方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，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，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, 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。

Claims (7)

1.一种脑卒中患者的脑部图像处理方法，其特征在于，所述方法包括以下步骤：
S100，利用核磁共振成像仪获得原始脑结构图像；
S200，通过边缘检测算法检测所述原始脑结构图像的灰白质外轮廓边缘线，获得灰白质结构子图像和脑脊液区域中心阈值；
S300，根据所述灰白质结构子图像和脑脊液区域中心阈值，识别中央沟上界线以及距状裂下界线，并标记得到灰白质结构子图像中的各叶分区子区域；
S400，对所述灰白质结构子图像中的各叶分区子区域，分别搜索获得模糊沟回集合；
S500，根据所述灰白质结构子图像和模糊沟回集合进行轮廓修复处理，得到脑结构轮廓修复图像；
其中，在S300中，根据所述灰白质结构子图像和脑脊液区域中心阈值，识别中央沟上界线以及距状裂下界线，并标记得到灰白质结构子图像中的各叶分区子区域的方法为：
S301，设定所述灰白质结构子图像的尺寸大小均为M×N个像素点，利用像素坐标(x,y)表示图像中像素位置，其中x值取值范围为[0, M-1]，y值取值范围为[0, N-1]，初始化x=0、y = 0；
S302，计算所述灰白质结构子图像的几何中心位置的像素坐标 (xB, yB)作为解剖结构中心；
S303，在灰白质结构子图像中，以所述解剖结构中心为基准，沿着垂直方向，向上搜索各个像素值低于所述脑脊液区域中心阈值的像素点，标记为大脑纵裂区域点；依次连接各个大脑纵裂区域点作为大脑纵裂界线；并遍历所述大脑纵裂区域点，计算当前的大脑纵裂区域点开始的纵裂线方向上，具有相同方向最多的纵裂线的各个纵裂线的长度作为大脑纵裂宽度集合；取大脑纵裂宽度集合中各个元素的平均值作为大脑纵裂宽度；
S304，以所述大脑纵裂界线为垂直基线，将所述灰白质结构子图像分为脑部左侧结构区域和脑部右侧结构区域，其中位于所述大脑纵裂界线左侧的区域标记为脑部左侧结构区域，位于所述大脑纵裂界线右侧的区域标记为脑部右侧结构区域；取所述大脑纵裂界线上各个像素点的纵坐标的中间值对应的像素点为扫描起点，判断所述灰白质结构子图像中是否存在侧脑室结构的空腔区域；若是则跳转至步骤S305；否则跳转至步骤S306；
其中，侧脑室结构的获取方法为：记通过边缘检测算法获得的灰白质结构子图像中除了灰白质外轮廓边缘线之外的各个边缘线构成的区域的集合为BG，记集合BG中各个区域的平均面积为AVEM，筛选出集合BG中面积大于AVEM的各个区域中几何中心点到大脑纵裂界线的最短距离中距离值最小的几何中心点所对应的区域记为侧脑室结构；
S305，根据所有侧脑室结构的空腔区域点，识别侧脑室结构边缘线、中央沟上界线以及距状裂下界线；根据所述中央沟上界线和距状裂下界线划分所述灰白质结构子图像中的各叶分区子区域；其中，各叶分区子区域分别在脑部左侧结构区域和脑部右侧结构区域中进行划分，将位于中央沟上界线以上的分区标记为额叶分区子区域，位于中央沟上界线以下且位于距状裂下界线以上的分区标记为顶叶分区子区域，位于距状裂下界线以下的分区标记为枕叶分区子区域；则所述灰白质结构子图像中的各叶分区子区域包括额叶分区子区域、顶叶分区子区域和枕叶分区子区域，空腔区域点为空腔区域中的像素点；
S306，根据所述灰白质结构子图像，识别半卵圆中心区域的形心位置以及中央沟上界线；根据中央沟上界线划分所述灰白质结构子图像中的各叶分区子区域；其中，各叶分区子区域分别在脑部左侧结构区域和脑部右侧结构区域中进行划分，将位于中央沟上界线以上的分区标记为额叶分区子区域，位于中央沟上界线以下的分区标记为顶叶分区子区域；则所述灰白质结构子图像中的各叶分区子区域包括额叶分区子区域和顶叶分区子区域；
其中，在S400中，对所述灰白质结构子图像中的各叶分区子区域，分别搜索获得模糊沟回集合的方法为：
S401，分别遍历所述灰白质结构子图像中的各叶分区子区域，利用边缘检测算子得到所述各叶分区子区域的边缘线作为边缘沟回曲线，由各个边缘沟回曲线构成边缘沟回集合；
S402，依次计算所述边缘沟回集合中的所有边缘沟回曲线的模糊量值，由各个模糊量值构成模糊量值集合；模糊量值的计算方法为：
Figure 235959DEST_PATH_IMAGE001
；
其中，Dim(k)表示为所述边缘沟回集合中的第k条边缘沟回曲线对应的模糊量值，
Figure 904837DEST_PATH_IMAGE002
为所述边缘沟回集合中的第k条边缘沟回曲线上像素坐标为(x, y)的像素值，WA为所述大脑纵裂宽度，
Figure 960518DEST_PATH_IMAGE003
和
Figure 714847DEST_PATH_IMAGE004
分别为像素坐标为(x, y)的像素点上沿着水平方向和垂直方向的边缘检测算子的卷积的平方，k为边缘沟回集合中边缘沟回曲线的数量；
S403，将模糊量值集合中所有模糊量值的平均值记作AVEDim；遍历模糊量值集合，依次判断各个边缘沟回曲线的模糊量值是否满足Dim(k)<AVEDim条件，是则令该边缘沟回曲线处于所述各叶分区子区域中的模糊次数Fuz加1；计算得到所有边缘沟回曲线的Fuz的平均值aveFuz，将所有Fuz＞aveFuz的边缘沟回曲线标记为模糊沟回曲线，由所有模糊沟回曲线构成模糊沟回集合。
2.根据权利要求1所述的一种脑卒中患者的脑部图像处理方法，其特征在于，在S200中，通过边缘检测算法检测所述原始脑结构图像的灰白质外轮廓边缘线的方法为：通过边缘检测算法对原始脑结构图像进行检测获得距离图像边界最短且长度大于所有边缘线的平均长度的一条边缘线，或者，获取各个边缘线所构成的区域中面积最大的区域所对应的边缘线，记为所述灰白质外轮廓边缘线；其中，获得灰白质结构子图像的方法为：根据所述原始脑结构图像中，将位于所述灰白质外轮廓边缘线外部且不包含所述灰白质外轮廓边缘线构成的区域对应像素值置零，得到所述灰白质结构子图像；获得脑脊液区域中心阈值的方法为：根据所述原始脑结构图像中，将位于所述灰白质外轮廓边缘线外部且不包含所述灰白质外轮廓边缘线构成的区域中对应全部像素值的平均值作为脑脊液区域中心阈值。
3.根据权利要求1所述的一种脑卒中患者的脑部图像处理方法，其特征在于，在S304中，判断所述灰白质结构子图像中是否存在侧脑室结构的空腔区域的方法为：
S3041，令所述大脑纵裂宽度记作WA ，在WA×WA个像素大小的滑动窗口内，以步长为NA-1个像素点沿着扫描起点的水平方向，分别在所述脑部左侧结构区域和脑部右侧结构区域中进行滑动扫描，步长为滑动窗口每次移动的距离；NA取值为5到200个像素；
S3042，按照步长依次移动滑动窗口，计算当前滑动窗口内像素点数值作为滑动窗口均值，若所述滑动窗口均值小于或等于所述脑脊液区域中心阈值，是则判断该滑动窗口内存在侧脑室结构的空腔子区域，将滑动窗口内像素点数值低于脑脊液区域中心阈值的像素点标记为侧脑室结构的空腔区域点；否则判断该滑动窗口内不存在侧脑室结构的空腔子区域；
S3043，当连续出现Num个滑动窗口内不存在侧脑室结构的空腔子区域，则跳转至步骤S3044；否则判断该所述灰白质结构子图像中存在侧脑室结构的空腔区域并输出标记为侧脑室结构的空腔区域点；其中Num = floor( m/WA )，floor函数为高斯取整，m值取所述灰白质外轮廓边缘线上与所述扫描起点之间最短的欧式距离；
S3044，以当前滑动窗口的中心点为起始扫描点，沿着垂直方向继续滑动扫描并重复步骤S3042进行计算判断，当再次连续出现Num个滑动窗口内不存在侧脑室结构的空腔子区域，判断该所述灰白质结构子图像中不存在侧脑室结构的空腔区域。
4.根据权利要求1所述的一种脑卒中患者的脑部图像处理方法，其特征在于，在S305中，根据所有所述侧脑室结构的空腔区域点，识别侧脑室结构边缘线、中央沟上界线以及距状裂下界线的方法为：
S3051，记所有空腔区域点的像素均值为侧脑室区域阈值；并计算各个空腔区域点与扫描起点之间的欧式距离，取其中欧式距离最大的空腔区域点的对应像素坐标为圆心，以m值为半径的圆形区域作为侧脑室圆区域，在所述侧脑室圆区域中遍历并标记像素值小于或等于侧脑室区域阈值的对应像素点为增补区域点；将所有增补区域点构成的各个区域中面积最大的区域的轮廓边缘线标记为侧脑室结构边缘线，m值取所述灰白质外轮廓边缘线上与所述扫描起点之间最短的欧式距离；
S3052，取所述侧脑室结构边缘线上像素坐标(x, y)的y值最大的像素点为侧脑室结构上界点；同样地，取所述侧脑室结构边缘线上像素坐标(x, y)的y值最小的像素点为侧脑室结构下界点；
S3053，以所述侧脑室结构上界点的水平基线作为侧脑室横界线，分别在所述脑部左侧结构区域和脑部右侧结构区域中的所述侧脑室横界线上的像素点进行判断，将满足判断条件的像素点定义为所述侧脑室横界线与中央沟上界线的交点，并标记为中央沟上界线的像素点，其中判断条件为像素值小于或等于所述脑脊液区域中心阈值且与所述侧脑室结构上界点之间的欧氏距离最小；设定所述侧脑室横界线与中央沟上界线的交点的像素坐标为(Xc, Yc)，当像素坐标(Xc, Yc)在脑部右侧结构区域中，跳转至步骤S3054；当像素坐标(Xc, Yc)在脑部左侧结构区域中，跳转至步骤S3055；其中，水平基线为通过像素点的像素坐标(x, y)的与x轴平行的平行线；
S3054，判断像素坐标为(Xc +1, Yc)，(Xc, Yc +1)，(Xc +1, Yc +1)的像素点对应的像素值是否小于或等于所述脑脊液区域中心阈值，是则标记像素坐标(Xc, Yc)的像素点为中央沟上界线的像素点，并将像素坐标(Xc, Yc)值更新为所述中央沟上界线的像素点中坐标值最大的像素坐标，判断像素坐标(Xc, Yc)值是否位于所述脑部右侧结构区域的边缘线上，是则跳转至步骤S3056；否则跳转至步骤S3054进行循环判断；
S3055，判断像素坐标为(Xc -1, Yc)，(Xc, Yc +1)，(Xc -1, Yc +1)的像素点对应的像素值是否小于或等于所述脑脊液区域中心阈值，是则标记像素坐标(Xc, Yc)的像素点为中央沟上界线的像素点，并将像素坐标(Xc, Yc)值更新为所述中央沟上界线的像素点中坐标值最小的像素坐标，判断像素坐标(Xc, Yc)值是否位于所述脑部左侧结构区域的边缘线上，是则跳转至步骤S3056；否则跳转至步骤S3055进行循环判断；
S3056，将分别在脑部左侧结构区域和脑部右侧结构区域中的所述侧脑室横界线与中央沟上界线的交点相连接，并依次与其他所述中央沟上界线的像素点连接获得在所述灰白质结构子图像中的中央沟上界线；
S3057，以所述侧脑室结构下界点的垂直基线作为侧脑室纵界线，在所述侧脑室纵界线上的像素点进行判断，将满足判断条件的像素点定义为所述侧脑室纵界线与距状裂下界线的交点，并标记为距状裂下界线的像素点，其中判断条件为像素值小于或等于所述脑脊液区域中心阈值且与所述侧脑室结构下界点之间的欧氏距离最小；
S3058，以所述侧脑室纵界线与距状裂下界线的交点，利用边缘跟踪算法连接得到与所述大脑纵裂界线相交的曲线，并获得该曲线与所述大脑纵裂界线相交的交点，即为所述距状裂下界线与大脑纵裂界线的交点；以所述侧脑室纵界线与距状裂下界线的交点作一条水平基线，与所述距状裂下界线与大脑纵裂界线的交点相连接，则得到所述距状裂下界线。
5.根据权利要求1所述的一种脑卒中患者的脑部图像处理方法，其特征在于，在S306中，根据所述灰白质结构子图像，识别半卵圆中心区域的形心位置以及中央沟上界线的方法为：
S3061，根据所述灰白质结构子图像，利用边缘检测算法分别在所述脑部左侧结构区域和脑部右侧结构区域中检测获得大于所有边缘线的平均长度的边缘线中离图像边界最远的边缘线，以离图像边界最远的边缘线作为半卵圆中心区域的沟回边缘线；
S3062，将所述半卵圆中心区域的沟回边缘线构成区域，计算该区域的形心位置，即为所述半卵圆中心区域的形心位置；
S3063，在所述半卵圆中心区域的形心位置作一条水平基线，分别在脑部左侧结构区域中和脑部右侧结构区域中沿着该水平基线上搜索像素值小于或等于所述脑脊液区域中心阈值的各个像素点中与所述半卵圆中心区域的形心位置之间的欧式距离最小的像素点，标记为所述中央沟上界线的内侧点；
S3064，从所述中央沟上界线的内侧点开始利用边缘跟踪算法连接得到与所述灰白质结构子图像边界相交的曲线，并以曲线分别连接在所述脑部左侧结构区域和脑部右侧结构区域中的所述中央沟上界线的内侧点，则得到所述中央沟上界线。
6.根据权利要求1所述的一种脑卒中患者的脑部图像处理方法，其特征在于，在S500中，根据所述灰白质结构子图像和模糊沟回集合进行轮廓修复处理，得到脑结构轮廓修复图像的方法为：
S501，根据所述模糊沟回集合，遍历计算第u个模糊沟回曲线对应的沟回轮廓结构算子；
Figure 984284DEST_PATH_IMAGE005
；
其中，g(u)为所述模糊沟回集合中第u个模糊沟回曲线对应的沟回轮廓结构算子的数值，u为曲线序号，u取值范围为[1，N1]，N1为所述模糊沟回集合中模糊沟回曲线的数量；len(u)表示为对应第u个沟回轮廓结构算子模糊沟回曲线上的像素点个数；Dim(u)为第u个模糊沟回曲线的模糊量值，k1为序号，k1∈[1,len(u)]；
S502，根据所述沟回轮廓结构算子，计算沟回轮廓结构矩阵：
Figure 366724DEST_PATH_IMAGE006
；
其中，
Figure 796568DEST_PATH_IMAGE007
Figure 851243DEST_PATH_IMAGE008
Figure 126367DEST_PATH_IMAGE009
其中，outline(x2,y2)表示为所述沟回轮廓结构矩阵在像素坐标(x2,y2)上的数值；
Figure 832154DEST_PATH_IMAGE010
为所述模糊沟回集合中第u个模糊沟回曲线上像素坐标为(x2,y2)上的像素灰度值；
Figure 478905DEST_PATH_IMAGE011
为所述模糊沟回集合中第u个模糊沟回曲线上所有像素灰度值的最大值，σ为轮廓比例系数，DGS(x2,y2)函数为像素坐标为(x2,y2)上灰度倾向差，(x2,y2)为坐标值，沟回轮廓结构矩阵为原始脑结构图像的图像矩阵的每个坐标(x2,y2)的outline(x2,y2)值按照图像矩阵的行列对应位置构成；
S503，根据所述模糊沟回集合和沟回轮廓结构矩阵，WA为所述大脑纵裂宽度，在像素大小为WA×WA的修复窗口内遍历计算局部沟回轮廓修复矩阵；
Fitline(x3,y3)=fx(u)∙outline(x3,y3)+fY(u)∙outline(x3,y3),
其中，Fitline(x3,y3)表示为局部沟回轮廓修复矩阵在像素坐标(x3, y3)上的数值，outline(x3,y3)表示为所述沟回轮廓结构矩阵在像素坐标(x3, y3)上的数值；fx(u)表示为所述模糊沟回集合中第u个模糊沟回曲线在水平方向上的修复系数，fY(u)表示为所述模糊沟回集合中第u个模糊沟回曲线在垂直方向上的修复系数；局部沟回轮廓修复矩阵为各个Fitline(x3,y3)在像素坐标(x3, y3)上的对应位置构成的图像矩阵；
Figure 207827DEST_PATH_IMAGE012
，
Figure 552221DEST_PATH_IMAGE013
，
Figure 50198DEST_PATH_IMAGE014
，
Figure 431632DEST_PATH_IMAGE015
，
其中，
Figure 382270DEST_PATH_IMAGE016
为所述模糊沟回集合中第u个模糊沟回曲线上像素坐标为(x3,y3)上的像素灰度值；fit(u)表示为所述模糊沟回集合中第u个模糊沟回曲线在所述修复窗口内的结构特征均值，w(i, j)为大小为WA×WA的单位向量矩阵，(x3,y3)为坐标值，修复窗口为WA×WA像素大小的矩形范围或者WA×WA像素大小的滑动窗口；
Figure 327093DEST_PATH_IMAGE017
表示分别遍历i值的取值范围[1,WA]和j值的取值范围[1,WA]进行累加计算；
S504，遍历局部沟回轮廓修复矩阵中所有像素坐标与所述灰白质结构子图像的相同像素坐标中对应像素值相叠加获得的图像矩阵为脑结构轮廓修复图像。
7.一种脑卒中患者的脑部图像处理系统，其特征在于，所述一种脑卒中患者的脑部图像处理系统包括：处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-6中任意一项所述的一种脑卒中患者的脑部图像处理方法的步骤，所述一种脑卒中患者的脑部图像处理系统运行于桌上型计算机、笔记本电脑、掌上电脑或云端数据中心中。
CN202210266385.0A 2022-03-18 2022-03-18 一种脑卒中患者的脑部图像处理方法及系统 Active CN114359277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210266385.0A CN114359277B (zh) 2022-03-18 2022-03-18 一种脑卒中患者的脑部图像处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210266385.0A CN114359277B (zh) 2022-03-18 2022-03-18 一种脑卒中患者的脑部图像处理方法及系统

Publications (2)

Publication Number Publication Date
CN114359277A CN114359277A (zh) 2022-04-15
CN114359277B true CN114359277B (zh) 2022-06-24

Family

ID=81094594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210266385.0A Active CN114359277B (zh) 2022-03-18 2022-03-18 一种脑卒中患者的脑部图像处理方法及系统

Country Status (1)

Country Link
CN (1) CN114359277B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740796B (zh) * 2022-05-24 2024-08-09 湖南金康光电有限公司 一种虹膜识别方法和系统
CN115482244B (zh) * 2022-09-14 2024-05-07 南京索图科技有限公司 一种内镜镜下影像处理方法
CN115376694B (zh) * 2022-10-24 2023-02-28 佛山科学技术学院 一种肢体功能障碍的多模态自适应评估系统及方法
CN117558428B (zh) * 2024-01-12 2024-03-22 华中科技大学同济医学院附属同济医院 一种用于肝脏mri的成像优化方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10799141B1 (en) * 2015-07-28 2020-10-13 Fonar Corporation Image directed cerebrospinal fluid (CSF) flow determination method and system
CN111968130A (zh) * 2020-07-23 2020-11-20 沈阳东软智能医疗科技研究院有限公司 脑部造影图像处理方法、装置、介质及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004077359A1 (en) * 2003-02-27 2004-09-10 Agency For Science, Technology And Research Method and apparatus for extracting cerebral ventricular system from images

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10799141B1 (en) * 2015-07-28 2020-10-13 Fonar Corporation Image directed cerebrospinal fluid (CSF) flow determination method and system
CN111968130A (zh) * 2020-07-23 2020-11-20 沈阳东软智能医疗科技研究院有限公司 脑部造影图像处理方法、装置、介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Connectivity properties in the prefrontal cortex during working memory: a near-infrared spectroscopy study;Sun JY et al;《JOURNAL OF BIOMEDICAL OPTICS》;20190531;第24卷(第5期);第051410-1至051410-7页 *

Also Published As

Publication number Publication date
CN114359277A (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN114359277B (zh) 一种脑卒中患者的脑部图像处理方法及系统
US11810296B2 (en) Interpretation and quantification of emergency features on head computed tomography
Haque et al. Deep learning approaches to biomedical image segmentation
US10692211B2 (en) Intra-perinodular textural transition (IPRIS): a three dimenisonal (3D) descriptor for nodule diagnosis on lung computed tomography (CT) images
Gonçalves et al. Hessian based approaches for 3D lung nodule segmentation
Van Rikxoort et al. Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection
Maitra et al. Technique for preprocessing of digital mammogram
JP4879028B2 (ja) 画像処理方法および画像解析方法ならびにプログラム記憶媒体
EP2158575B1 (en) Detecting haemorrhagic stroke in ct image data
US20090097728A1 (en) System and Method for Detecting Tagged Material Using Alpha Matting
US20110158491A1 (en) Method and system for lesion segmentation
Chen et al. Automated ventricular systems segmentation in brain CT images by combining low-level segmentation and high-level template matching
Bennai et al. A stochastic multi-agent approach for medical-image segmentation: application to tumor segmentation in brain MR images
US11200443B2 (en) Image processing apparatus, image processing method, and image processing system
JP2006034585A (ja) 画像表示装置、画像表示方法およびそのプログラム
Riaz et al. Impact of visual features on the segmentation of gastroenterology images using normalized cuts
Jaffar et al. Ensemble classification of pulmonary nodules using gradient intensity feature descriptor and differential evolution
US10307124B2 (en) Image display device, method, and program for determining common regions in images
Zheng et al. Adaptive segmentation of vertebral bodies from sagittal MR images based on local spatial information and Gaussian weighted chi-square distance
Mansoor et al. Near-optimal keypoint sampling for fast pathological lung segmentation
CN113724264B (zh) 图像分割方法、系统和可读存储介质
Khan et al. Morphology preserving segmentation method for occluded cell nuclei from medical microscopy image
Rebelo et al. Automatic epicardial fat segmentation and volume quantification on non-contrast cardiac Computed Tomography
JPWO2020174770A1 (ja) 領域特定装置、方法およびプログラム、学習装置、方法およびプログラム、並びに識別器
Susanto et al. Unsupervised Corpus Callosum Extraction for T2-FLAIR MRI Images

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 528000 No. 18, No. 1, Jiangwan, Guangdong, Foshan

Patentee after: Foshan University

Country or region after: China

Patentee after: SHANTOU University

Address before: 528000 No. 18, No. 1, Jiangwan, Guangdong, Foshan

Patentee before: FOSHAN University

Country or region before: China

Patentee before: SHANTOU University