CN115841472A - 大脑中动脉高密度征识别方法、装置、设备及存储介质 - Google Patents
大脑中动脉高密度征识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115841472A CN115841472A CN202211566500.2A CN202211566500A CN115841472A CN 115841472 A CN115841472 A CN 115841472A CN 202211566500 A CN202211566500 A CN 202211566500A CN 115841472 A CN115841472 A CN 115841472A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- brain
- cerebral artery
- middle cerebral
- 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
Links
- 210000003657 middle cerebral artery Anatomy 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 47
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 131
- 210000004556 brain Anatomy 0.000 claims abstract description 121
- 238000000605 extraction Methods 0.000 claims abstract description 97
- 210000001367 artery Anatomy 0.000 claims abstract description 41
- 238000002591 computed tomography Methods 0.000 claims description 42
- 230000011218 segmentation Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 8
- 230000004927 fusion Effects 0.000 description 7
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 description 5
- 108091006623 SLC12A3 Proteins 0.000 description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 206010051290 Central nervous system lesion Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010048962 Brain oedema Diseases 0.000 description 2
- 208000006752 brain edema Diseases 0.000 description 2
- 210000004004 carotid artery internal Anatomy 0.000 description 2
- 210000001627 cerebral artery Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 206010066296 Cerebral calcification Diseases 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 210000004227 basal ganglia Anatomy 0.000 description 1
- 210000001841 basilar artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004720 cerebrum Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 210000003388 posterior cerebral artery Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000002385 vertebral artery Anatomy 0.000 description 1
Images
Abstract
本申请公开了一种大脑中动脉高密度征识别方法、装置、设备及存储介质。在该识别方法中，首先提取脑CT平扫图像的中动脉区域，得到区域提取图像；其后根据区域提取图像对应的血管增强图像，获得大脑中动脉高密度征候选框的位置信息；接着根据区域提取图像和位置信息得到纹理特征，并根据血管增强图像和位置信息得到形状特征；最后根据纹理特征和形状特征获得大脑中动脉高密度征识别结果。本申请能够实现复杂的脑病灶环境下HMCAS的准确、可靠的识别，并且对于扫描设备和个体成像差异具有较强的适应性。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种大脑中动脉高密度征识别方法、装置、设备及存储介质。
背景技术
大脑动脉包括基底动脉、椎动脉、颈内动脉、大脑前动脉、大脑中动脉、大脑后动脉。其中，大脑中动脉直接延续于同侧颈内动脉，参与大脑半球外侧、岛叶、基底节、丘脑的供血。在生物个体的大脑动脉中，有可能存在血管内容物密度增高或血管内红细胞比容升高,形成大脑中动脉高密度征(hyperdense middle cerebral artery sign,HMCAS)。
脑CT平扫图像(又称：NCCT图像)常用于观察是否存在HMCAS。医生人眼检测HMCAS需要丰富的影像检查经验，且耗时长、效率低、容易出现疲劳误诊。通过自动化的方式从NCCT图像中检测识别HMCAS已成为医学领域中的一种趋势。
目前比较常见的HMCAS识别方法是基于大脑形态和CT值范围来进行判别。HMCAS病灶形态多变，基于大脑形态和位置信息来提取HMCAS候选区，容易定位偏移。CT值易受扫描设备、脑形态和人体差异等影响产生波动，基于CT阈值的判断方法，无法适应扫描设备和个体成像差异。因此当前的HMCAS识别方法适应扫描设备和个体成像差异的能力较差，难以获得高准确性的识别结果。
此外，头摆位不正、脑水肿、小结节状病灶、脑钙化或者其他高密度噪声在图像中的表现，也容易对判别HMCAS造成干扰，影响识别的准确性和可靠性。可见，当前有待提供一种能够适应复杂的脑病灶环境下的HMCAS识别方案，避免在伴随有其他复杂的脑病灶时无法正常识别出HMCAS。
发明内容
基于上述问题，本申请提供了一种大脑中动脉高密度征识别方法、装置、设备及存储介质，以提升对于大脑中动脉高密度征识别的准确性和可靠性。
本申请实施例公开了如下技术方案：
本申请第一方面提供了一种大脑中动脉高密度征识别方法。该识别方法包括：
提取脑CT平扫图像的中动脉区域，得到区域提取图像；
根据所述区域提取图像对应的血管增强图像，获得大脑中动脉高密度征候选框的位置信息；
根据所述区域提取图像和所述位置信息得到纹理特征，并根据所述血管增强图像和所述位置信息得到形状特征；
根据所述纹理特征和所述形状特征获得大脑中动脉高密度征识别结果。
在可选的实现方式中，所述根据所述区域提取图像和所述位置信息得到纹理特征，并根据所述血管增强图像和所述位置信息得到形状特征，具体包括：
根据所述区域提取图像和所述位置信息获得候选大脑中动脉高密度征图像，并根据所述血管增强图像和所述位置信息获得候选血管增强图像；
从所述候选大脑中动脉高密度征图像中提取纹理特征，并从所述候选血管增强图像中提取形状特征。
在可选的实现方式中，所述根据所述纹理特征和所述形状特征获得大脑中动脉高密度征识别结果，具体包括：
获取所述候选大脑中动脉高密度征图像的多个尺度的特征；
将所述多个尺度的特征融合后与所述纹理特征和所述形状特征进行合并，得到合并后的特征；
根据所述合并后的特征得到所述候选大脑中动脉高密度征图像的识别结果，所述识别结果为具有大脑中动脉高密度征或不具有大脑中动脉高密度征。
在可选的实现方式中，大脑中动脉高密度征识别方法还包括：
对识别的具有大脑中动脉高密度征的候选大脑中动脉高密度征图像，采用血管掩膜进行分割，得到大脑中动脉高密度征分割结果。
在可选的实现方式中，所述根据所述区域提取图像和所述位置信息得到纹理特征，具体包括：
从多个不同的预设角度分别计算得到所述区域提取图像的各层图像中所述大脑中动脉高密度征候选框对应的灰度共生矩阵；
根据计算得到的多个灰度共生矩阵求取均值，得到目标灰度共生矩阵；
根据所述目标灰度共生矩阵构建纹理特征。
在可选的实现方式中，所述根据所述目标灰度共生矩阵构建纹理特征，包括：
根据所述目标灰度共生矩阵计算得到对比度、互相关、能量和同质性作为纹理特征。
在可选的实现方式中，所述提取脑CT平扫图像的中动脉区域，得到区域提取图像，具体包括：
通过脑掩膜剔除脑CT平扫图像中非脑实质的区域，得到目标脑图像；
通过参考脑模板图像和所述参考脑模板图像的中动脉区域标签对所述目标脑图像进行配准，得到候选中动脉区域标签；
通过所述候选中动脉区域标签对所述目标脑图像进行区域提取，得到区域提取图像。
在可选的实现方式中，所述通过脑掩膜剔除脑CT平扫图像中非脑实质的区域，得到目标脑图像，具体包括：
对脑CT平扫图像进行去噪处理，得到处理后的脑CT平扫图像；
从所述处理后的脑CT平扫图像中提取脑掩膜；
通过所述脑掩膜剔除所述处理后的脑CT平扫图像中非脑实质的区域，得到目标脑图像。
在可选的实现方式中，所述根据所述区域提取图像对应的血管增强图像，获得大脑中动脉高密度征候选框的位置信息，具体包括：
采用滤波方式对所述区域提取图像进行血管增强，得到所述区域提取图像对应的血管增强图像；
根据所述血管增强图像中灰度值的分布情况确定出血管分割阈值；
根据所述血管分割阈值对所述血管增强图像进行处理，得到血管掩膜图像；
从所述血管掩膜图像中确定出各个连通区域对应的最小外接矩形作为大脑中动脉高密度征候选框；
获取所述大脑中动脉高密度征候选框在图像中的位置信息。
在可选的实现方式中，所述根据所述血管增强图像中灰度值的分布情况确定出血管分割阈值，具体包括：
根据所述血管增强图像中灰度值为0的像素点之外其余像素点的灰度值，计算灰度值的分布曲线；所述分布曲线的横轴代表灰度值，纵轴代表像素点的数量；
确定所述分布曲线在纵轴的最大值；
根据预设系数和所述最大值确定参考数量；
从所述分布曲线中确定出所述参考数量对应的最小的一个灰度值作为血管分割阈值。
本申请第二方面提供了一种大脑中动脉高密度征识别装置。该识别装置包括：
区域提取模块，用于提取脑CT平扫图像的中动脉区域，得到区域提取图像；
候选框位置获取模块，用于根据所述区域提取图像对应的血管增强图像，获得大脑中动脉高密度征候选框的位置信息；
特征提取模块，用于根据所述区域提取图像和所述位置信息得到纹理特征，并根据所述血管增强图像和所述位置信息得到形状特征；
识别模块，用于根据所述纹理特征和所述形状特征获得大脑中动脉高密度征识别结果。
本申请第三方面提供了一种大脑中动脉高密度征识别设备。该识别设备包括：
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，以实现第一方面提供的大脑中动脉高密度征识别方法的步骤。
本申请第四方面提供了一种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第一方面提供的大脑中动脉高密度征识别方法的步骤。
相较于现有技术，本申请具有以下有益效果：
在本申请提供的一种大脑中动脉高密度征识别方法中，首先提取脑CT平扫图像的中动脉区域，得到区域提取图像；其后根据区域提取图像对应的血管增强图像，获得HMCAS候选框的位置信息；接着根据区域提取图像和位置信息得到纹理特征，并根据血管增强图像和位置信息得到形状特征；最后根据纹理特征和形状特征获得大脑中动脉高密度征识别结果。
在本申请中，HMCAS候选框的位置信息是在区域提取图像对应的血管增强图像基础上得到的，因此候选框的位置与中动脉区域以及相关的血管具有较强的位置对应性。从位置上能够辅助实现准确的HMCAS识别。此外，该方案在区域提取图像、血管增强图像上基于候选框的位置分别提取出纹理特征和形状特征，纹理特征能够反映出图像中相关部位纹理的变化程度，形状特征能够反映出图像中血管的形状特点，二者的结合有利用将图像中存在的HMCAS与其他病灶或者影响因素区分开，从而能够实现复杂的脑病灶环境下HMCAS的准确、可靠的识别。此外，该方案并不是简单地依据CT值进行HMCAS识别，因此对于扫描设备和个体成像差异具有较强的适应性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种大脑中动脉高密度征识别方法的流程图；
图2为本申请实施例提供的一种区域提取图像的示意图；
图3为本申请实施例提供的一种提取中动脉区域得到区域提取图像的实现方式流程图；
图4本申请实施例提供的一种获得大脑中动脉高密度征候选框的位置信息的流程图；
图5为对于图2所示的区域提取图像进行血管增强后得到的血管增强图像示意图；
图6为本申请实施例提供的一种血管增强图像的灰度值分布曲线的示意图；
图7为血管掩膜图像示意图；
图8为基于图7得到HMCAS候选框的示意图；
图9为本申请实施例提供的一种提取纹理特征的实现方式流程图；
图10为本申请实施例提供的一种特征融合网络的示意图；
图11为通过本申请技术方案识别出的HMCAS的效果图；
图12为本申请实施例提供的另一种大脑中动脉高密度征识别方法的流程图；
图13为本申请实施例提供的一种大脑中动脉高密度征识别装置的结构示意图。
具体实施方式
人工识别HMCAS需要依赖于专业经验，且存在低效、容易误判的问题。自动识别HMCAS的技术尽管在识别效率上有所突破，但是存在准确性和可靠性不足的问题。一方面，当前已有的自动识别HMCAS方案存在定位偏差、对设备和个体差异适应力差的问题，导致上述偏差或者变化将严重影响识别结果；另一方面，当前已有的自动识别HMCAS方案较难在复杂脑病灶环境下去除干扰，导致准确识别HMCAS的难度大，识别准确性差。例如，头摆位不正、脑水肿、小结节状病灶、脑钙化等因素为判别HMCAS增加了难度。
结合以上问题，在本申请实施例中提供了解决方案，提出一种大脑中动脉高密度征(HMCAS)识别方法、装置、设备及存储介质。在本申请技术方案中，提取脑CT平扫图像的中动脉区域，得到区域提取图像；根据区域提取图像对应的血管增强图像，获得HMCAS候选框的位置信息；根据区域提取图像和位置信息得到纹理特征，并根据血管增强图像和位置信息得到形状特征；根据纹理特征和形状特征获得大脑中动脉高密度征识别结果。通过纹理特征和形状特征的结合应用，大幅度提升HMCAS识别的准确性和可靠性。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1，该图为本申请实施例提供的一种大脑中动脉高密度征识别方法的流程图。如图1所示的大脑中动脉高密度征识别方法包括：
S101、提取脑CT平扫图像的中动脉区域，得到区域提取图像。
本申请实施例中，脑CT平扫图像是指医学领域业内常称的NCCT图像。脑CT平扫图像中存在多种类型的区域，考虑到HMCAS存在于中动脉区域，为了便于后续的处理，可以通过本步骤提取脑CT平扫图像中的中动脉区域，得到区域提取图像。图2为区域提取图像的示意图。脑CT平扫图像为三维影像，其每一层具有对应的二维影像，图2的左右两侧展示了对脑CT平扫图像不同层的中动脉区域提取效果。
下面介绍本步骤的一种可选的实现方式。图3为一种提取中动脉区域得到区域提取图像的实现方式流程图。在图3提供的实现方式中，提取脑CT平扫图像的中动脉区域，得到区域提取图像，具体包括：
S1011、通过脑掩膜剔除脑CT平扫图像中非脑实质的区域，得到目标脑图像。
采用标准的脑掩膜能够将脑CT平扫图像中与脑实质无关的区域剔除。例如将图像中头骨部分剔除。将剔除完非脑实质的区域的图像作为目标脑图像进行后续的区域提取处理。通过将非脑实质的区域剔除，能够简化后续的图像处理的复杂度，提升图像处理的针对性，方便对大脑中动脉区域的精准提取，进而提升HMCAS识别准确性和可靠性。
S1012、通过参考脑模板图像和参考脑模板图像的中动脉区域标签对目标脑图像进行配准，得到候选中动脉区域标签。
S1013、通过候选中动脉区域标签对目标脑图像进行区域提取，得到区域提取图像。
本申请实施例中，可以采取刚性和仿射配准的方式对目标脑图像进行配准。刚性和仿射配准属于本领域较为成熟的技术，此处不做赘述。在此实现方式中，通过参考脑模板图像和参考脑模板图像的中动脉区域标签对目标脑图像进行刚性和仿射配准，能够降低因个体差异或者个体摆位不正对于区域定位和提取的准确性的干扰，从而更准确地锁定目标脑图像中的中动脉区域。
通过配准实现区域提取的过程中主要涉及两个环节，分别对应于上述步骤S1012和S1013：
1)首先是通过配准得到目标脑图像中能够用于识别HMCAS的中动脉区域，通过标签标识出来。本申请实施例中将该标签命名为候选中动脉区域标签，具体可以表现为0或1的形式。1代表选中，0代表不选中，从而根据候选中动脉区域标签能够对需要提取的图像区域作出区分。
2)由于候选中动脉区域标签已经对需要提取的图像区域作出区分，因此在第二个环节中，只需要根据候选中动脉区域标签便可以从已剔除非脑实质区域的目标脑图像中提取出中动脉区域，得到图2所示的区域提取图像。在区域提取图像中对于所提取的中动脉区域做出了标识。在一种可能的实现方式中，区域提取图像中通过与其他区域不同的颜色将提取的区域标识出来；在另一种可能的实现方式中，其他区域灰度值为0，仅提取的中动脉区域存在灰度值的变化；在又一种可能的实现方式中，区域提取图像中的中动脉区域外轮廓被标识。
在一些可能的实现方式中，为了提升区域提取效果，减少不必要的干扰对提取结果的准确性的影响，区域提取之前还可以进行去噪处理。具体而言，通过脑掩膜剔除脑CT平扫图像中非脑实质的区域，得到目标脑图像，包括：对脑CT平扫图像进行去噪处理(例如通过高斯滤波处理图像进行去噪)，得到处理后的脑CT平扫图像。从处理后的脑CT平扫图像中提取脑掩膜。最后通过脑掩膜剔除处理后的脑CT平扫图像中非脑实质的区域，得到目标脑图像。由于脑掩膜是在去噪后的图像中提取出来的，因此能够更有针对剔除非脑实质的区域，使目标脑图像更加准确，减少了噪声干扰，提升后续处理操作的数据基础的准确性。
在以上步骤中，完成了对于区域的提取，这一步骤可以视为粗选取，为了更加准确地识别出HMCAS，还需要通过定位候选框的方式，对容易出现HMCAS的血管所在位置进行细选取。具体通过下方S102步骤进行介绍。
S102、根据区域提取图像对应的血管增强图像，获得大脑中动脉高密度征候选框的位置信息。
通过对区域提取图像进行血管增强，能够降低小结节状的HMCAS的漏检率。本申请实现对大脑中动脉高密度征候选框(即HMCAS候选框)位置信息的提取方式为：对图像中的血管进行分割处理，再根据分割后的图形的连通性锁定候选框的位置。图4为本申请实施例提供的一种获得大脑中动脉高密度征候选框的位置信息的流程图。在图4所示的实现方式中，获取HMCAS候选框的位置信息具体包括如下步骤：
S1021、采用滤波方式对区域提取图像进行血管增强，得到区域提取图像对应的血管增强图像。
在可选的实现方式中，可以基于Frangi滤波实现图像中的血管增强。Frangi滤波作为经典血管强化、管状强化滤波算法，具有极好的数学证明与实验结果，本申请文件中对于Frangi滤波算法不进行赘述。图5为对于图2所示的区域提取图像进行血管增强后得到的血管增强图像示意图。图5左右两侧分别对应于图2左右两侧的不同层中动脉区域的血管增强效果。
S1022、根据血管增强图像中灰度值的分布情况确定出血管分割阈值。
在血管增强图像中，不同位置的像素点可能存在灰度值的差别。例如，血管增强图像中一些像素点的灰度值较大，呈现较为明亮的效果；另一些像素点的灰度值较小，呈现较为暗色的效果。为了提取出大脑中动脉高密度征候选框的位置信息，本申请实施例中提出根据血管增强图像中灰度值的分布情况确定出分割阈值，该阈值具体表现为灰度值。即通过灰度值的阈值来实现对图像的分割。
本申请实施例提供了一种确定血管分割阈值的示例实现方式。首先根据血管增强图像中灰度值为0的像素点之外其余像素点的灰度值，计算灰度值的分布曲线。图6展示了一种血管增强图像的灰度值分布曲线的示意图。分布曲线的横轴v代表灰度值，纵轴f代表像素点的数量。通过曲线图形，可以非常方便地确定出分布曲线在纵轴的最大值fmax。fmax在横轴上对应的值称为vm，vm代表了分布像素数量最多的灰度值。根据经验或者需求可以设置预设系数r，作为示例r取0.75。根据预设系数和最大值确定参考数量，例如将预设系数r与分布曲线在纵轴的最大值fmax相乘得到参考数量fk，其中fk＝r*fmax。对于该参考数量fk，可以从曲线中确定出对应的横坐标，即对应的灰度值。本申请实施例中，将fk对应的最小的一个灰度值vb作为血管分割阈值。实际应用中，可以结合经验或需求来设置其他取值的r。此处不做r值的限定。
S1023、根据血管分割阈值对血管增强图像进行处理，得到血管掩膜图像。
v＞vb时，Cm＝1；v≤vb时，Cm＝0。其中Cm的取值代表血管掩膜图像中相应像素点的灰度值取值。v代表血管增强图像中任一像素的灰度值。根据血管分割阈值对血管增强图像进行处理，即是将血管增强图像中灰度值大于血管分割阈值的像素点取新的灰度值1，将血管增强图像中灰度值小于或者等于血管分割阈值的像素点取新的灰度值0。依据实际像素点的灰度值处理为灰度值为0或1的图像，所得的图像称为血管掩膜图像。图7为血管掩膜图像示意图。图7左右两侧分别为对图5所示的血管增强图像左右两侧的处理效果。
S1024、从血管掩膜图像中确定出各个连通区域对应的最小外接矩形作为大脑中动脉高密度征候选框。
通过前述步骤S1023已经完成对于血管图形的筛选，为了更好地锁定HMCAS的分布位置，在本步骤中将血管掩膜图像中各个连通区域分别对应的最小外接矩形作为HMCAS候选框。图8为基于图7得到HMCAS候选框的示意图。如图8所示，图中标注了多个方框，分别代表不同的HMCAS候选框。
S1025、获取大脑中动脉高密度征候选框在图像中的位置信息。
当最小外接矩形已经确定，便可以根据最小外接矩形上的像素的位置，获得HMCAS在图像中的位置信息。
经过S101和S102分别得到了区域提取图像、区域提取图像对应的血管增强图像和HMCAS候选框。为了准确识别HMCAS候选框中是否存在HMCAS，本申请实施例提出通过S103进一步提取多种类型的特征作为对HMCAS的识别依据。下面结合S103说明不同类型的特征的获取方式。
S103、根据区域提取图像和位置信息得到纹理特征，并根据血管增强图像和位置信息得到形状特征。
在本申请实施例中提出提取纹理特征和形状特征。其中纹理特征主要来自于区域提取图像，形状特征则主要来自于血管增强图像。这是因为在区域提取图像中反映了脑组织尤其是大脑中动脉区域的较多细节，特别是纹理细节；血管增强图像则反映出相对精准的形状细节。
本申请实施例中，可以根据区域提取图像和HMCAS候选框的位置信息获得候选大脑中动脉高密度征图像，并根据血管增强图像和HMCAS候选框的位置信息获得候选血管增强图像。利用HMCAS候选框的位置信息可以在区域提取图像中扣取出与HMCAS候选框位置对应的候选大脑中动脉高密度图像，以及在血管增强图像中扣取出与HMCAS候选框位置对应的候选血管增强图像。候选大脑中动脉高密度征图像作为纹理特征的提取基础，候选血管增强图像作为形状特征的提取基础。
S104、根据纹理特征和形状特征获得大脑中动脉高密度征识别结果。
由于在S103中对于区域提取图像中对应于HMCAS候选框位置的纹理特征进行了提取，并对于血管增强图像中对应于HMCAS候选框位置的形状特征进行了提取，这些类型的特征均可以应用于HMCAS识别中，提供更加充足的判据。
在本申请中，HMCAS候选框的位置信息是在区域提取图像对应的血管增强图像基础上得到的，因此候选框的位置与中动脉区域以及相关的血管具有较强的位置对应性。从位置上能够辅助实现准确的HMCAS识别。此外，该方案在区域提取图像、血管增强图像上基于候选框的位置分别提取出纹理特征和形状特征，纹理特征能够反映出图像中相关部位纹理的变化程度，形状特征能够反映出图像中血管的形状特点，二者的结合有利用将图像中存在的HMCAS与其他病灶或者影响因素区分开，从而能够实现复杂的脑病灶环境下HMCAS的准确、可靠的识别。此外，该方案并不是简单地依据CT值进行HMCAS识别，因此对于扫描设备和个体成像差异具有较强的适应性。
下面介绍一种提取纹理特征的示例实现方式，参见图9。图9为本申请实施例提供的一种提取纹理特征的实现方式流程图。
S901、从多个不同的预设角度分别计算得到区域提取图像的各层图像中大脑中动脉高密度征候选框对应的灰度共生矩阵。
候选大脑中动脉高密度征图像是基于HMCAS候选框从区域提取图像中提取得到的，因此本质上区域提取图像的各层图像中大脑中动脉高密度征候选框对应的灰度共生矩阵，具体是指计算的各层候选大脑中动脉高密度征图像对应的灰度共生矩阵。即，灰度共生矩阵是基于候选大脑中动脉高密度征图像计算得到的。
考虑到血管在三维影像(NCCT)图像的各个方向都可能生长。为了更加准确、全面地识别HMCAS，本步骤中采用多个不同的预设角度来分别计算区域提取图像的各层图像中大脑中动脉高密度征候选框对应的灰度共生矩阵。作为示例，多个不同的预设角度包括：0°、45°、90°和135°。当然也可以基于实际情况和需求，设置更多角度作为预设角度，或者采取0°、45°、90°和135°以外的其他角度作为预设角度。
灰度共生矩阵，指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法。由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。计算灰度共生矩阵属于当前利用比较成熟的技术，此处不做赘述。灰度共生矩阵用gij表示，其中i表示图像的层序数，例如i＝1表示区域提取图像的第1层。j＝1、j＝2、j＝3、j＝4分别对应于4个不同的预设角度。
S902、根据计算得到的多个灰度共生矩阵求取均值，得到目标灰度共生矩阵。
目标灰度共生矩阵用G进行表示，G＝mean(gij)，表示对S901获取的多个灰度共生矩阵求均值。通过对多个灰度共生矩阵求取均值，能够融合多个不同角度、不同层计算的用于反映纹理特征的数据。
S903、根据目标灰度共生矩阵构建纹理特征。
纹理特征可以通过对比度、互相关、能量和同质性等方面体现。多种类型的纹理特征作为识别HMCAS的判据，也能够辅助实现更加全面的考量，获取准确度更高的识别结果。根据目标灰度共生矩阵计算得到对比度、互相关、能量和同质性作为纹理特征。公式(1)-(4)依次展示了对比度、互相关、能量和同质性的获取方式。
在以上公式中，con代表对比度，cor代表互相关，ene代表能量，hom代表同质性，p(m,n)代表目标灰度共生矩阵G中第m行第n列的位置的值。um，un，σm，σn四个参数表达式如下：
基于以上对比度、互相关、能量和同质性四种纹理特征，可以构建纹理特征向量ft＝[con,cor,ene,hom]。
下面介绍一种提取形状特征的示例实现方式。
在本申请实施例中，可以根据候选血管增强图像的灰度分部直方图获取管状特征向量。具体实现方式如下式(9)-(12)：
s＝FI*candNCCT 公式(9)
v＝{s, 10Hu＜s≤100Hu} 公式(10)
w＝hist(v) 公式(11)
fs＝w/max(w) 公式(12)
血管增强图像的数值用FI表示，其并非正常的CT灰度值范围，所以需要通过公式(9)与candNCCT表示区域提取图像相乘，从而映射到正常CT灰度值范围内。v代表去掉非脑实质灰度范围的数据。w为灰度分布曲线上的每个值。公式(12)将w与w中的最大值max(w)做除法，表示对其进行0～1数值区间的归一化(数据规范化)。将通过上式获得的fs作为管状特征向量(即形状特征)。
在前述实施例的步骤S104中介绍到，可以根据纹理特征和形状特征获得大脑中动脉高密度征识别结果。下面提供了获取HMCAS识别结果的一种示例实现方式。在可选的实现方式中，根据纹理特征和形状特征获得大脑中动脉高密度征识别结果，具体包括：
获取候选大脑中动脉高密度征图像的多个尺度的特征。举例而言，将候选大脑中动脉高密度征图像按照不同的尺度扩充到一个规定的尺寸(例如98*96*8)，接着分别通过3次大小为3、步长为2的卷积来提取不同视野下的特征，将这些不同视野下的特征融合。
在S103已然得到了纹理特征和形状特征。接下来，可以将将多个尺度的特征融合后与纹理特征ft和形状特征fs进行合并，得到合并后的特征Fc。根据合并后的特征得到候选大脑中动脉高密度征图像的识别结果。识别结果具有两种可能：一种为具有大脑中动脉高密度征，另一种为不具有大脑中动脉高密度征。
以上的识别HMCAS的过程可以通过特征融合网络来实现，图10为本申请实施例提供的一种特征融合网络的示意图。图10中F表示对形状特征fs和纹理特征ft的合并特征。Conv表示卷积网络，Add表示张量相加，Concat表示张量拼接。如图10所示的特征融合网络完成对同一幅候选大脑中动脉高密度征图像的多尺度特征提取及融合，并完成了对于多种不同类型的特征(形状特征fs、纹理特征ft)的融合，最后输出了合并后的特征Fc。以此合并后的特征Fc实现对于候选大脑中动脉高密度征图像中HMCAS存在与否的识别和判断。通过多尺度的特征的融合能够将不同视野下获取的特征综合考虑，避免单一尺度识别的特征较少、不全面影响识别准确性的问题。图11为通过本申请技术方案识别出的HMCAS的效果图。
在通过上述实施例介绍的技术方案实现对NCCT图像中HMCAS的识别判断之后，本申请提出还可以进一步将HMCAS提取出来。在可选的实现方式中，大脑中动脉高密度征识别方法还包括：对识别的具有大脑中动脉高密度征的候选大脑中动脉高密度征图像，采用血管掩膜进行分割，得到大脑中动脉高密度征分割结果。此处，血管掩膜可以是从候选血管增强图像中提取出的。另外可以进一步地将血管掩膜分割后的结果中超过100Hu的位置去除，得到最终的分割结果。这是因为个别高密度征的候选框内可能存在高于100Hu的部分，此部分一般为介入手术时的管，还有部分由于和脑实质接近，而难以去除的头骨。需要根据此阈值进行去除。当然实际应用中也可以对该阈值进行调整，不限于100Hu。通过对HMCAS进行分割，能够输出HMCAS的图形，从而便于为用户(例如医生、会诊专家等)提供简洁直观的影像供其参考、对比。
图12为本申请实施例提供的另一种大脑中动脉高密度征识别方法的流程图。脑CT平扫图像提取得到与大脑中动脉区域相关的区域提取图像，基于区域提取图像处理得到血管增强图像。血管增强图像进一步处理得到大脑中动脉高密度征候选框。该候选框与区域提取图像结合可以得到候选大脑中动脉高密度征图像，并进一步得到纹理特征。候选框与血管增强图像结合可以获得候选血管增强图像，并进一步得到形状特征。候选大脑中动脉高密度征图像经过多尺度变换得到的特征与形状特征和纹理特征融合，可以进一步实现对HMCAS的识别。
基于前述实施例提供的大脑中动脉高密度征识别方法，本申请还相应地提供了一种大脑中动脉高密度征识别装置。图13为一种大脑中动脉高密度征识别装置的结构示意图。如图13该识别装置包括：
区域提取模块1301，用于提取脑CT平扫图像的中动脉区域，得到区域提取图像。
候选框位置获取模块1302，用于根据区域提取图像对应的血管增强图像，获得大脑中动脉高密度征候选框的位置信息。
特征提取模块1303，用于根据区域提取图像和位置信息得到纹理特征，并根据血管增强图像和位置信息得到形状特征。
识别模块1304，用于根据纹理特征和形状特征获得大脑中动脉高密度征识别结果。
可选地，所述特征提取模块，具体包括：
根据所述区域提取图像和所述位置信息获得候选大脑中动脉高密度征图像，并根据所述血管增强图像和所述位置信息获得候选血管增强图像；
从所述候选大脑中动脉高密度征图像中提取纹理特征，并从所述候选血管增强图像中提取形状特征。
可选地，所述识别模块，具体包括：
获取所述候选大脑中动脉高密度征图像的多个尺度的特征；
将所述多个尺度的特征融合后与所述纹理特征和所述形状特征进行合并，得到合并后的特征；
根据所述合并后的特征得到所述候选大脑中动脉高密度征图像的识别结果，所述识别结果为具有大脑中动脉高密度征或不具有大脑中动脉高密度征。
可选地，大脑中动脉高密度征识别装置还包括：
分割模块，用于对识别的具有大脑中动脉高密度征的候选大脑中动脉高密度征图像，采用血管掩膜进行分割，得到大脑中动脉高密度征分割结果。
可选地，所述特征提取模块，具体包括：
矩阵获取单元，用于从多个不同的预设角度分别计算得到所述区域提取图像的各层图像中所述大脑中动脉高密度征候选框对应的灰度共生矩阵；
均值计算单元，用于根据计算得到的多个灰度共生矩阵求取均值，得到目标灰度共生矩阵；
纹理特征构建单元，用于根据所述目标灰度共生矩阵构建纹理特征。
可选地，纹理特征构建单元具体用于：
根据所述目标灰度共生矩阵计算得到对比度、互相关、能量和同质性作为纹理特征。
可选地，所述区域提取模块，具体包括：
区域剔除单元，用于通过脑掩膜剔除脑CT平扫图像中非脑实质的区域，得到目标脑图像；
配准单元，用于通过参考脑模板图像和所述参考脑模板图像的中动脉区域标签对所述目标脑图像进行配准，得到候选中动脉区域标签；
区域提取单元，用于通过所述候选中动脉区域标签对所述目标脑图像进行区域提取，得到区域提取图像。
可选地，所述区域剔除单元具体用于：
对脑CT平扫图像进行去噪处理，得到处理后的脑CT平扫图像；
从所述处理后的脑CT平扫图像中提取脑掩膜；
通过所述脑掩膜剔除所述处理后的脑CT平扫图像中非脑实质的区域，得到目标脑图像。
可选地，所述候选框位置获取模块，具体包括：
血管增强单元，用于采用滤波方式对所述区域提取图像进行血管增强，得到所述区域提取图像对应的血管增强图像；
阈值确定单元，用于根据所述血管增强图像中灰度值的分布情况确定出血管分割阈值；
分割单元，用于根据所述血管分割阈值对所述血管增强图像进行处理，得到血管掩膜图像；
候选框确定单元，用于从所述血管掩膜图像中确定出各个连通区域对应的最小外接矩形作为大脑中动脉高密度征候选框；
位置获取单元，用于获取所述大脑中动脉高密度征候选框在图像中的位置信息。
可选地，所述阈值确定单元，具体用于：
根据所述血管增强图像中灰度值为0的像素点之外其余像素点的灰度值，计算灰度值的分布曲线；所述分布曲线的横轴代表灰度值，纵轴代表像素点的数量；
确定所述分布曲线在纵轴的最大值；
根据预设系数和所述最大值确定参考数量；
从所述分布曲线中确定出所述参考数量对应的最小的一个灰度值作为血管分割阈值。
本申请还提供了一种大脑中动脉高密度征识别设备。该识别设备包括：
存储器，其上存储有计算机程序。
处理器，用于执行存储器中的计算机程序，以实现前述实施例介绍的大脑中动脉高密度征识别方法中部分或者全部步骤。
本申请还提供了一种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前述实施例介绍的大脑中动脉高密度征识别方法的部分或者全部步骤。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置和设备实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元提示的部件可以是或者也可以不是物理单元，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。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本申请的一种具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。
Claims (13)
1.一种大脑中动脉高密度征识别方法，其特征在于，包括：
提取脑CT平扫图像的中动脉区域，得到区域提取图像；
根据所述区域提取图像对应的血管增强图像，获得大脑中动脉高密度征候选框的位置信息；
根据所述区域提取图像和所述位置信息得到纹理特征，并根据所述血管增强图像和所述位置信息得到形状特征；
根据所述纹理特征和所述形状特征获得大脑中动脉高密度征识别结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述区域提取图像和所述位置信息得到纹理特征，并根据所述血管增强图像和所述位置信息得到形状特征，具体包括：
根据所述区域提取图像和所述位置信息获得候选大脑中动脉高密度征图像，并根据所述血管增强图像和所述位置信息获得候选血管增强图像；
从所述候选大脑中动脉高密度征图像中提取纹理特征，并从所述候选血管增强图像中提取形状特征。
3.根据权利要求2所述的方法，其特征在于，所述根据所述纹理特征和所述形状特征获得大脑中动脉高密度征识别结果，具体包括：
获取所述候选大脑中动脉高密度征图像的多个尺度的特征；
将所述多个尺度的特征融合后与所述纹理特征和所述形状特征进行合并，得到合并后的特征；
根据所述合并后的特征得到所述候选大脑中动脉高密度征图像的识别结果，所述识别结果为具有大脑中动脉高密度征或不具有大脑中动脉高密度征。
4.根据权利要求3所述的方法，其特征在于，还包括：
对识别的具有大脑中动脉高密度征的候选大脑中动脉高密度征图像，采用血管掩膜进行分割，得到大脑中动脉高密度征分割结果。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述区域提取图像和所述位置信息得到纹理特征，具体包括：
从多个不同的预设角度分别计算得到所述区域提取图像的各层图像中所述大脑中动脉高密度征候选框对应的灰度共生矩阵；
根据计算得到的多个灰度共生矩阵求取均值，得到目标灰度共生矩阵；
根据所述目标灰度共生矩阵构建纹理特征。
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标灰度共生矩阵构建纹理特征，包括：
根据所述目标灰度共生矩阵计算得到对比度、互相关、能量和同质性作为纹理特征。
7.根据权利要求1-4任一项所述的方法，其特征在于，所述提取脑CT平扫图像的中动脉区域，得到区域提取图像，具体包括：
通过脑掩膜剔除脑CT平扫图像中非脑实质的区域，得到目标脑图像；
通过参考脑模板图像和所述参考脑模板图像的中动脉区域标签对所述目标脑图像进行配准，得到候选中动脉区域标签；
通过所述候选中动脉区域标签对所述目标脑图像进行区域提取，得到区域提取图像。
8.根据权利要求7所述的方法，其特征在于，所述通过脑掩膜剔除脑CT平扫图像中非脑实质的区域，得到目标脑图像，具体包括：
对脑CT平扫图像进行去噪处理，得到处理后的脑CT平扫图像；
从所述处理后的脑CT平扫图像中提取脑掩膜；
通过所述脑掩膜剔除所述处理后的脑CT平扫图像中非脑实质的区域，得到目标脑图像。
9.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述区域提取图像对应的血管增强图像，获得大脑中动脉高密度征候选框的位置信息，具体包括：
采用滤波方式对所述区域提取图像进行血管增强，得到所述区域提取图像对应的血管增强图像；
根据所述血管增强图像中灰度值的分布情况确定出血管分割阈值；
根据所述血管分割阈值对所述血管增强图像进行处理，得到血管掩膜图像；
从所述血管掩膜图像中确定出各个连通区域对应的最小外接矩形作为大脑中动脉高密度征候选框；
获取所述大脑中动脉高密度征候选框在图像中的位置信息。
10.根据权利要求9所述的方法，其特征在于，所述根据所述血管增强图像中灰度值的分布情况确定出血管分割阈值，具体包括：
根据所述血管增强图像中灰度值为0的像素点之外其余像素点的灰度值，计算灰度值的分布曲线；所述分布曲线的横轴代表灰度值，纵轴代表像素点的数量；
确定所述分布曲线在纵轴的最大值；
根据预设系数和所述最大值确定参考数量；
从所述分布曲线中确定出所述参考数量对应的最小的一个灰度值作为血管分割阈值。
11.一种大脑中动脉高密度征识别装置，其特征在于，包括：
区域提取模块，用于提取脑CT平扫图像的中动脉区域，得到区域提取图像；
候选框位置获取模块，用于根据所述区域提取图像对应的血管增强图像，获得大脑中动脉高密度征候选框的位置信息；
特征提取模块，用于根据所述区域提取图像和所述位置信息得到纹理特征，并根据所述血管增强图像和所述位置信息得到形状特征；
识别模块，用于根据所述纹理特征和所述形状特征获得大脑中动脉高密度征识别结果。
12.一种大脑中动脉高密度征识别设备，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1-10中任一项所述的大脑中动脉高密度征识别方法的步骤。
13.一种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1-10中任一项所述的大脑中动脉高密度征识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211566500.2A CN115841472A (zh) | 2022-12-07 | 2022-12-07 | 大脑中动脉高密度征识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211566500.2A CN115841472A (zh) | 2022-12-07 | 2022-12-07 | 大脑中动脉高密度征识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115841472A true CN115841472A (zh) | 2023-03-24 |
Family
ID=85578219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211566500.2A Pending CN115841472A (zh) | 2022-12-07 | 2022-12-07 | 大脑中动脉高密度征识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115841472A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116630358A (zh) * | 2023-07-25 | 2023-08-22 | 潍坊医学院附属医院 | 一种脑部肿瘤ct影像的阈值分割方法 |
-
2022
- 2022-12-07 CN CN202211566500.2A patent/CN115841472A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116630358A (zh) * | 2023-07-25 | 2023-08-22 | 潍坊医学院附属医院 | 一种脑部肿瘤ct影像的阈值分割方法 |
| CN116630358B (zh) * | 2023-07-25 | 2023-09-26 | 潍坊医学院附属医院 | 一种脑部肿瘤ct影像的阈值分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210106299A1 (en) | Method and system for extracting lower limb vasculature | |
| Chen et al. | 3D intracranial artery segmentation using a convolutional autoencoder | |
| Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
| Wimmer et al. | A generic probabilistic active shape model for organ segmentation | |
| JP6329697B2 (ja) | 体組織の自動的なセグメンテーションおよび定量化のための方法 | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| Chen et al. | Automated ventricular systems segmentation in brain CT images by combining low-level segmentation and high-level template matching | |
| CN110415216B (zh) | 基于sd-oct和octa视网膜图像的cnv自动检测方法 | |
| CN111815663A (zh) | 一种基于Hessian矩阵和灰度法的肝血管分割系统 | |
| Vukadinovic et al. | Segmentation of the outer vessel wall of the common carotid artery in CTA | |
| CN116580068B (zh) | 一种基于点云配准的多模态医学配准方法 | |
| Pock et al. | Multiscale medialness for robust segmentation of 3d tubular structures | |
| Lee et al. | Unsupervised segmentation of lung fields in chest radiographs using multiresolution fractal feature vector and deformable models | |
| CN113408647A (zh) | 一种脑小血管结构特征的提取方法 | |
| CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及系统 | |
| JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
| US20210142470A1 (en) | System and method for identification of pulmonary arteries and veins depicted on chest ct scans | |
| CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
| WO2022086910A1 (en) | Anatomically-informed deep learning on contrast-enhanced cardiac mri | |
| Tsai et al. | Adaptive segmentation of vessels from coronary angiograms using multi-scale filtering | |
| CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
| CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
| Shang et al. | Adaptive directional region growing segmentation of the hepatic vasculature | |
| CN115496743A (zh) | 脑血管病变分割方法、装置、存储介质、电子装置 | |
| Macedo et al. | A centerline-based estimator of vessel bifurcations in angiography 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 |