CN116363160A - 基于水平集的ct灌注影像脑组织分割方法和计算机设备 - Google Patents

Abstract

本申请涉及一种基于水平集的CT灌注影像脑组织分割方法和计算机设备，CT灌注影像脑组织分割方法包括：基于不同时刻的CT灌注影像序列，筛选获得预期层图像，对初始时刻的预期层图像进行一次滤波获得第一图像；进行边缘提取，获得梯度强度图像，进而获得第二图像；对第二图像进行sigmoid函数变换，改变变换中心，获得第三图像；从第三图像中获得初始种子点，确认为最终种子点，将第三图像作为水平集分割方法的输入图像、将最终种子点作为水平集分割方法的初始值，基于水平集方法获得分割完成的第四图像。本申请利用了CT影像的梯度信息，有利于实现更加精准的控制，能够消除模糊边缘，有利于提升脑组织分割的精度。

Description

基于水平集的CT灌注影像脑组织分割方法和计算机设备

技术领域

本申请涉及医疗影像处理技术领域，特别是涉及一种基于水平集的CT灌注影像脑组织分割方法和计算机设备。

背景技术

脑卒中是一种急性脑血管疾病，具有发病率高、死亡率高和致残率高的特点。缺血性脑卒中是因血管阻塞导致血液不能流入大脑而引起脑组织损伤的疾病，约占脑卒中总数的60%～70%，其治疗方法主要有时间窗内的溶栓治疗和机械取栓。

脑部CT灌注成像(CTP)是当前检查急性缺血性脑卒中的重要影像学方法，它可以计算出血流灌注参数(CBF,TTP,Tmax等)并生成灌注参数图，准确地反映脑组织的缺血程度，帮助医生评估病人的病情，采取更有效的治疗方案。CTP影像处理需要准确地计算脑组织灌注参数以及计算梗死核心和可再灌注的缺血半暗带的体积，而原始CT影像中包含了颅骨，脂肪等非脑组织的部分，这些都会干扰最后的计算结果，为此，需要先对脑组织进行分割。

常用的脑组织分割的方法有：人工分割，阈值法，区域生长。人工分割通常更准确，但耗时耗力，并且依赖操作者的经验，可重复性差。基于阈值的方法考虑了脑组织和颅骨在CT影像中的信号值差异，但没有考虑到空间位置和形状的信息。传统的区域生长需要一个或多个种子点，并且指定区域向外扩张条件，它考虑了信号值和空间连续性，但容易越过脑组织边界并包含外部的点，分割效果较差。

发明内容

基于此，有必要针对上述技术问题，提供一种基于水平集的CT灌注影像脑组织分割方法。

本申请基于水平集的CT灌注影像脑组织分割方法，包括：

基于不同时刻的CT灌注影像序列，筛选获得预期层图像，对初始时刻的预期层图像进行一次滤波，获得第一图像；

对所述第一图像进行边缘提取，获得梯度强度图像，进而获得第二图像；

对所述第二图像进行sigmoid函数变换，改变所述sigmoid函数的变换中心以消除模糊边缘，获得第三图像；

从所述第三图像中获得初始种子点，进而确认为最终种子点，将所述第三图像作为水平集分割方法的输入图像、将所述最终种子点作为水平集分割方法的初始值，基于水平集方法获得分割完成的第四图像。

可选的，所述CT灌注影像脑组织分割方法还包括，对所述第四图像进行阈值分割，获得分割完成的第五图像。

可选的，所述CT灌注影像序列包括划分的颅顶层、中间层和颅底层，所述预期层图像源于所述中间层。

可选的，所述初始种子点处于所述第二图像的质心或质心周围。

可选的，获得梯度强度图像，进而获得第二图像，采用以下两种方式的任意一种进行：

将所述梯度强度图像作为第二图像；

对所述梯度强度图像进行二次滤波获得图像噪声，将所述图像噪声加入所述梯度强度图像进行图像边缘增强，进而获得第二图像。

可选的，从所述第三图像中获得初始种子点，进而确认为最终种子点，具体包括：

若所述初始种子点的CT值小于第一阈值、且所述初始种子点的sigmoid函数值大于第二阈值，则将所述初始种子点确认为最终种子点；

若所述初始种子点的CT值大于等于第一阈值、或所述初始种子点的sigmoid函数值小于等于第二阈值，则重新确定所述初始种子点。

可选的，所述CT灌注影像序列包括划分的颅顶层、中间层和颅底层，所述中间层具有邻近所述颅顶层的首层，所述预期层图像源于所述中间层和所述颅顶层，所述CT灌注影像脑组织分割方法，包括：

将首层图像作为所述预期层图像，根据如本申请所述的CT灌注影像脑组织分割方法，获得所述首层图像的最终种子点；

依次将距离所述首层由近及远的各个颅顶层作为所述预期层图像，执行如本申请所述的CT灌注影像脑组织分割方法，当前所述预期层图像的默认初始种子点为前一预期层图像的最终种子点。

可选的，所述CT灌注影像序列包括划分的颅顶层、中间层和颅底层，所述中间层具有邻近所述颅底层的尾层，所述预期层图像源于所述中间层和所述颅底层：

将尾层图像作为所述预期层图像，根据如本申请所述的CT灌注影像脑组织分割方法，获得所述尾层图像的最终种子点；

依次将距离所述尾层由近及远的各个颅底层作为所述预期层图像，执行如本申请所述的CT灌注影像脑组织分割方法，当前所述预期层图像的默认初始种子点为前一预期层图像的最终种子点。

可选的，还包括，利用如本申请所述的第五图像，获得以下参数：

脑组织灌注参数；

梗死核心体积、以及可再灌注的缺血半暗带的体积。

本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现本申请所述的基于水平集的CT灌注影像脑组织分割方法的步骤。

本申请基于水平集的CT灌注影像脑组织分割方法至少具有以下效果：

本申请获得的梯度强度图像利用了CT影像的梯度信息，有利于实现更加精准的控制；

本申请在第二图像的基础上进行sigmoid函数变换，通过改变函数的变换中心能够消除模糊边缘，使第三图像更加符合预期，有利于提升脑组织分割的精度；

本申请利用水平集方法进行分割，提高了准确度并保证了不同层分割结果的空间连续性。

附图说明

图1为本申请一实施例中CT灌注影像脑组织分割方法的流程示意图；

图2为图1中第三图像标注有初始种子点的二值图像示意图；

图3为本申请一实施例中CT灌注影像脑组织分割方法的流程示意图；

图4为本申请一实施例中CT灌注影像脑组织分割方法的流程示意图；

图5a为图1中预期层图像的示意图（图中预期层源于中间层）；

图5b为根据图5b获得的边缘增强的第二图像的示意图；

图5c为根据图5b获得的第三图像的示意图；

图5d为根据图5c获得的第四图像的示意图；

图6为一个实施例中计算机设备的内部结构图；

图7为本申请一实施例中CT灌注影像脑组织分割方法的流程示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

参见图1，本申请一实施例中提供一种基于水平集的CT灌注影像脑组织分割方法，包括步骤S100～步骤S400。其中：

步骤S100，基于不同时刻的CT灌注影像序列，筛选获得预期层图像，对初始时刻的预期层图像进行一次滤波，获得第一图像；

步骤S200，对第一图像进行边缘提取，获得梯度强度图像，进而获得第二图像；

步骤S300，对第二图像进行sigmoid函数变换，改变sigmoid函数的变换中心以消除模糊边缘，获得第三图像；

步骤S400，从第三图像中获得初始种子点，进而确认为最终种子点，将第三图像作为水平集分割方法的输入图像、将最终种子点作为水平集分割方法的初始值，基于水平集方法获得分割完成的第四图像（即图7下方以I3和种子点）作为输入，求解水平集方程得到I4。

本实施例中第一图像～第四图像均表示预期层图像在分割过程中的不同阶段。获得的梯度强度图像利用了CT影像的梯度信息，有利于实现更加精准的控制。本实施例在第二图像的基础上进行sigmoid函数变换，通过改变函数的变换中心能够消除模糊边缘，使第三图像更加符合预期，有利于提升脑组织分割的精度。此外本实施例利用水平集方法进行分割，提高了准确度并保证了不同层分割结果的空间连续性。

步骤S100～步骤S400针对不同时刻的某一层的CT灌注影像序列进行，当前执行脑组织分割图像的即为当前的预期层图像。CT灌注影像序列包括划分的颅顶层、中间层和颅底层。

在一个实施例中，预期层图像源于中间层，即针对中间层的各层图像进行脑组织分割。一般来说，中间层的脑织信信息更为丰富，颅骨相对完整，分割结果更可靠。可以理解，在一次滤波后获得第一图像，期望能够保留图像边缘，以有利于进行步骤S200中的边缘提取。

在步骤S200中，获得梯度强度图像，进而获得第二图像，采用以下两种方式的任意一种进行：（1）将梯度强度图像作为第二图像；（2）对梯度强度图像进行二次滤波获得图像噪声，将图像噪声加入梯度强度图像进行图像边缘增强，进而获得第二图像。二次滤波例如可以是高斯滤波，在梯度强度图像中加入高斯滤波过滤图像中的噪声，第二图像的边缘增强加粗。在梯度强度图像上加入图像噪声，能够进行边缘增强，边缘增强使脑组织的边缘更明晰，有利于完成后续的脑组织分割。

在步骤S400中，从第三图像中获得初始种子点，进而确认为最终种子点，具体包括：

步骤S410，如图7下方所示，若初始种子点的CT值小于第一阈值thres1、且初始种子点的sigmoid函数值大于第二阈值thres2，则将初始种子点确认为最终种子点；

步骤S420，若初始种子点的CT值大于等于第一阈值、或初始种子点的sigmoid函数值小于等于第二阈值，则重新确定初始种子点。

参见图2，在步骤S400中，初始种子点处于第二图像的质心或质心周围。当然，也可以选择重心或重心周围、形心或形心周围。一般情况下，质心与重心和形心三者重合。具体地，首先将质心作为初始种子点，若不满足步骤S410的要求，则在质心周围重新确定初始种子点，直到满足步骤S410的条件。

可以理解，S400中使初始种子点处于预期的区域内，具体为脑组织区域的中心。若初始种子点CT值（Hu值）大于等于第一阈值（例如100）、或sigmoid函数值小于等于第二阈值（例如0.5），均视为脱离脑组织区域，则重新确定初始种子点，具体为在质心周围（如根据经验设定的方形区域）寻找满足条件的点，作为新的初始种子点。

参见图3，进一步地，CT灌注影像脑组织分割方法还包括：步骤S500，对第四图像进行阈值分割，获得分割完成的第五图像（即图7下方对I4运用阈值thres，分割得到二值图B，二值图B为第五图像）。在执行步骤S400中，水平集方法分割获得的第四图像可能过分包括颅骨边沿，本步骤通过阈值分割（选用能够区别脑组织和颅骨的CT阈值），实现水平集方法的修正，进一步提高脑组织分割的精度。

更进一步地，CT灌注影像脑组织分割方法还包括：利用步骤S500中获得的第五图像，获得以下参数：脑组织灌注参数；梗死核心体积、以及可再灌注的缺血半暗带的体积。

在一个实施例中，还提供一种基于水平集的CT灌注影像脑组织分割方法，对应步骤S100～步骤S500的步骤及子步骤。

参见图4，首先对CT灌注影像进行前处理，筛选中间层。读取原始CT灌注影像序列，根据其标签中包含的时间和空间位置信息，对影像进行分层处理，得到每个层面的不同时刻的影像序列。对原始影像做运动校正前处理得到运动校正后的数据。根据总层数，选择位于中间的n层作为第一轮分割的层面，n为整数，例如为所有图层数量的三分之一。前处理例如包括分层处理和运动校正。本实施例将CT灌注影像按空间位置分为中间层、颅底层和颅顶层三个区域，分别对三个区域做分割。三个区域的划分根据人体生理结构进行，三者的比例例如可以大致相同。

水平集分割中间层：针对中间层内的各层图像，执行基于水平集的CT灌注影像脑组织分割方法。

水平集分割颅底层：根据中间层（邻近颅底层的中间层）的分割结果，针对颅底层，执行基于水平集的CT灌注影像脑组织分割方法。

水平集分割颅顶层：根据中间层（邻近颅顶层的中间层）的分割结果，针对颅顶层，执行基于水平集的CT灌注影像脑组织分割方法。

水平集分割中间层、水平集分割颅底层、水平集分割颅顶层执行的先后次序只要满足各实施例的要求、不发生矛盾即可，并不必然按照图中所示的箭头方向进行。

参见图5a～图5d、图7，针对中间层内的各层图像，执行基于水平集的CT灌注影像脑组织分割方法，可理解为步骤S100～步骤S400的细化和应用，也对应解释了步骤S100～步骤S400。包括步骤S110～步骤S410：

步骤S110，基于不同时刻的CT灌注影像序列，筛选获得预期层图像，预期层图像源于中间层，对初始时刻的预期层图像进行一次滤波），获得第一图像。

具体地，读取预期层图像的第0时刻影像作为水平集分割的输入图像，如图5a所示。对输入图像进行一次滤波，对图像做平滑，但不希望损失边缘处的细节，选择保持边界的滤波器，如曲率各向异性滤波，获得第一图像。

步骤S210，对第一图像进行边缘提取，获得梯度强度图像，进而获得第二图像图5b。具体地，将高斯滤波后得到的图像噪声加入梯度强度图像，获得边缘增强的第二图像。

步骤S310，对第二图像进行sigmoid函数变换，改变sigmoid函数的变换中心以消除模糊边缘，获得第三图像I3（图5c）。

步骤S310，提取的脑组织边缘图像，作为水平集方程的速度场参数。sigmoid函数变换后将梯度强度值变换到0到1范围内，同时可以设置sigmoid变换的中心，提取强度大的边缘作为主要边缘，同时过滤掉小的边缘。这些小的边缘一般对应于脑组织中不同部分之间的交界，通过sigmoid变换可以消除它们对分割的影响。sigmoid函数变换后得到第三图像。

步骤S410，从第三图像中获得初始种子点，进而确认为最终种子点，将第三图像作为水平集分割方法的输入图像、将最终种子点作为水平集分割方法的初始值，基于水平集方法获得分割完成的第四图像（图5d）。

对于获得水平集分割的初始种子点，具体地，初始种子点例如为质心，计算质心的方式为用阈值法对第三图像CT影像做粗分割，得到二值图像，计算二值图像的质心，作为初始种子点。确认后的最终种子点作为求解水平集方程的初始值。

将经过sigmoid变换的第三图像作为快速步进水平集分割算法的输入图像，最终种子点作为初始值。

水平集分割方法求解一个隐式曲线在由输入图像（第三图像）定义的速度场下的运动方程。在脑组织内部梯度较小，曲线快速向外扩张，到边缘处梯度很大运动速度急剧减小，使得曲线停留在边缘处，从而达到分割脑组织的效果。得到第四图像。

参见图7，在一个实施例中，提供针对颅顶层的脑组织分割方法，CT灌注影像序列包括划分的颅顶层、中间层和颅底层，中间层具有邻近颅顶层的首层，预期层图像源于中间层和颅顶层，CT灌注影像脑组织分割方法，包括：

步骤S610，将首层图像作为预期层图像，根据如步骤S100～步骤S400的CT灌注影像脑组织分割方法，获得首层图像的最终种子点；

步骤S620，依次将距离首层由近及远的各个颅顶层作为预期层图像，执行如步骤S100～步骤S400的CT灌注影像脑组织分割方法，当前预期层图像的默认初始种子点为前一预期层图像的最终种子点。

本实施例中，前一预期层图像是指图像处理的先后次序，而非CTP灌注影像的空间次序，也并非是获得CTP灌注影像的过程中自然形成的时序维度。具体可用以下例子进一步理解：颅顶层包括依次邻近首层的A层和B层，当A层图像为预期层图像时，首层图像为前一预期层图像，A层图像的默认初始种子点为首层图像的最终种子点。当B层图像为预期层图像时，A层图像为前一预期层图像，B层图像的默认初始种子点为A层图像的最终种子点。

步骤S620中，利用相邻层的最终种子点，作为当前预期层的初始种子点，实现自动选取初始种子点，提高了准确度并保证了不同层分割结果的空间连续性。

具体包括：（1）将距离首层由近及远的各个颅顶层作为预期层图像，应用各向异性滤波、边缘提取、sigmoid变换。（2）进行种子点选取。取前一预期层图像的最终种子点，作为水平集分割的初始种子点。（3）对得到的初始种子点，检查它是否满足条件：a.Hu值小于阈值thres1，b.sigmoid图像值小于阈值thres2。如果满足条件，取其为最终种子点x’。如果不满足条件，那么在x的附近的一个方形区域中寻找满足条件的点，如果找到了，取其为最终种子点x’，如果附近没有满足条件的点，那么认为这一层没有脑组织，停止此过程。（4）如果找到满足条件的最终种子点，那么将经过sigmoid变换的图像和最终种子点x’作为快速步进水平集分割的输入，对输出图像用阈值法得到这一层的分割结果二值图像B（第五图像），计算第五图像中脑组织点的个数，若小于阈值thres3（例如1000）则丢弃这一层的分割结果，输出空图像，视为本层不存在脑组织，并停止此过程。

参见图7，在一个实施例中，提供针对颅底层的脑组织分割方法，CT灌注影像序列包括划分的颅顶层、中间层和颅底层，中间层具有邻近颅底层的尾层，预期层图像源于中间层和颅底层，CT灌注影像脑组织分割方法：

步骤S710，将尾层图像作为预期层图像，根据如步骤S100～步骤S400的CT灌注影像脑组织分割方法，获得尾层图像的最终种子点；

步骤S720，依次将距离尾层由近及远的各个颅底层作为预期层图像，执行根据如步骤S100～步骤S400的CT灌注影像脑组织分割方法，当前预期层图像的默认初始种子点为前一预期层图像的最终种子点。

本实施例中，颅底层包括依次邻近尾层的C层和D层，当C层图像为预期层图像时，C层图像的默认初始种子点为尾层图像的最终种子点。当D层图像为预期图像时，D层图像的默认初始种子点为C层图像的最终种子点。

具体包括：（1）将距离尾层由近及远的各个颅顶层作为预期层图像，依次应用各向异性滤波，边缘提取，sigmoid变换。（2）种子点选取。取前一预期层的最终种子点作为水平集分割的初始种子点。若预期层与尾层相邻，则取尾层图像的最终种子点作为初始种子点。（3）对得到的初始种子点，检查它是否满足条件：a.Hu值小于阈值thres1，b.sigmoid图像值小于阈值thres2。如果满足条件，取其为最终种子点x’。如果不满足条件，那么在x的附近的一个方形区域中寻找满足条件的点，如果找到了，取其为最终种子点x’，如果附近没有满足条件的点，那么认为这一层没有脑组织，停止此过程。（4）如果找到满足条件的最终种子点，那么将经过sigmoid变换的图像和最终种子点x’作为快速步进水平集分割的输入，对输出图像用阈值法得到这一层的分割结果二值图像B（第五图像），计算第五图像中脑组织点的个数，若小于阈值thres3（例如1000）则丢弃这一层的分割结果，输出空图像，视为本层不存在脑组织，并停止此过程。

整体来说，本申请各实施例包括：（1）读取原始CT灌注影像数据，依次做前处理分层处理和运动校正。根据总层数筛选中间的n层作为第一轮分割的层面。（2）对选择的中间层应用水平集分割，具体包括：各向异性滤波，边缘提取，sigmoid变换，种子点选取，求解水平集方程。（3）对靠近颅底层应用水平集分割，具体包括：各向异性滤波，边缘提取，sigmoid变换，根据相邻层分割结果计算初始种子点，种子点修改，求解水平集方程。（4）对靠近颅顶层应用水平集分割，具体包括：各向异性滤波，边缘提取，sigmoid变换，根据相邻层分割结果计算初始种子点，种子点修改，求解水平集方程。

本申请各实施例提供的基于水平集的CT灌注影像脑组织分割方法，能够自动分割CT影像数据并剔除不包含脑组织的层而不需要人工的操作，大大缩短了处理时间并且有高度的可重复性。在每一层分割出一个连续的脑组织区域，引入由图像梯度强度得到的速度场和水平集方法提高了分割的精确度。通过使用相邻层的分割结果作为水平集方程的初始化实现了不同层之间分割结果的连续性，同时也提高了分割的准确性。

水平集方法是一种通过平面（空间）中函数隐式地描述曲线（曲面）的方法，本申请各实施例使用CT影像的梯度信息和水平集方程引导脑组织边界的划分，与传统的区域生长相比，实现了更加精准的控制。

应该理解的是，虽然图1和图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1和图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于水平集的CT灌注影像脑组织分割方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

步骤S100，基于不同时刻的CT灌注影像序列，筛选获得预期层图像，对初始时刻的预期层图像进行一次滤波，获得第一图像；

步骤S200，对第一图像进行边缘提取，获得梯度强度图像，进而获得第二图像；

步骤S300，对第二图像进行sigmoid函数变换，改变sigmoid函数的变换中心以消除模糊边缘，获得第三图像；

步骤S400，从第三图像中获得初始种子点，进而确认为最终种子点，将第三图像作为水平集分割方法的输入图像、将最终种子点作为水平集分割方法的初始值，基于水平集方法获得分割完成的第四图像。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时，可视为该附图也同时披露了所涉及的各个实施例的组合例。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.基于水平集的CT灌注影像脑组织分割方法，其特征在于，包括：

基于不同时刻的CT灌注影像序列，筛选获得预期层图像，对初始时刻的预期层图像进行一次滤波，获得第一图像；

对所述第一图像进行边缘提取，获得梯度强度图像，进而获得第二图像；

对所述第二图像进行sigmoid函数变换，改变所述sigmoid函数的变换中心以消除模糊边缘，获得第三图像；

从所述第三图像中获得初始种子点，进而确认为最终种子点，将所述第三图像作为水平集分割方法的输入图像、将所述最终种子点作为水平集分割方法的初始值，基于水平集方法获得分割完成的第四图像。

2.如权利要求1所述的CT灌注影像脑组织分割方法，其特征在于，所述CT灌注影像脑组织分割方法还包括，对所述第四图像进行阈值分割，获得分割完成的第五图像。

3.如权利要求1所述的CT灌注影像脑组织分割方法，其特征在于，所述CT灌注影像序列包括划分的颅顶层、中间层和颅底层，所述预期层图像源于所述中间层。

4.如权利要求3所述的CT灌注影像脑组织分割方法，其特征在于，所述初始种子点处于所述第二图像的质心或质心周围。

5.如权利要求1所述的CT灌注影像脑组织分割方法，其特征在于，获得梯度强度图像，进而获得第二图像，采用以下两种方式的任意一种进行：

将所述梯度强度图像作为第二图像；

对所述梯度强度图像进行二次滤波获得图像噪声，将所述图像噪声加入所述梯度强度图像进行图像边缘增强，进而获得第二图像。

6.如权利要求1所述的CT灌注影像脑组织分割方法，其特征在于，从所述第三图像中获得初始种子点，进而确认为最终种子点，具体包括：

若所述初始种子点的CT值小于第一阈值、且所述初始种子点的sigmoid函数值大于第二阈值，则将所述初始种子点确认为最终种子点；

若所述初始种子点的CT值大于等于第一阈值、或所述初始种子点的sigmoid函数值小于等于第二阈值，则重新确定所述初始种子点。

7.如权利要求1所述的CT灌注影像脑组织分割方法，其特征在于，所述CT灌注影像序列包括划分的颅顶层、中间层和颅底层，所述中间层具有邻近所述颅顶层的首层，所述预期层图像源于所述中间层和所述颅顶层，所述CT灌注影像脑组织分割方法，包括：

将首层图像作为所述预期层图像，根据如权利要求1所述的CT灌注影像脑组织分割方法，获得所述首层图像的最终种子点；

依次将距离所述首层由近及远的各个颅顶层作为所述预期层图像，执行如权利要求1所述的CT灌注影像脑组织分割方法，当前所述预期层图像的默认初始种子点为前一预期层图像的最终种子点。

8.如权利要求1所述的CT灌注影像脑组织分割方法，其特征在于，所述CT灌注影像序列包括划分的颅顶层、中间层和颅底层，所述中间层具有邻近所述颅底层的尾层，所述预期层图像源于所述中间层和所述颅底层：

将尾层图像作为所述预期层图像，根据如权利要求1所述的CT灌注影像脑组织分割方法，获得所述尾层图像的最终种子点；

依次将距离所述尾层由近及远的各个颅底层作为所述预期层图像，执行如权利要求1所述的CT灌注影像脑组织分割方法，当前所述预期层图像的默认初始种子点为前一预期层图像的最终种子点。

9.如权利要求2所述的CT灌注影像脑组织分割方法，其特征在于，还包括，利用如权利要求2所述的第五图像，获得以下参数：

脑组织灌注参数；

梗死核心体积、以及可再灌注的缺血半暗带的体积。

10.计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1～9任一项所述的CT灌注影像脑组织分割方法的步骤。

Images