CN117731330A - 一种颅脑容积测量方法、装置、设备及介质 - Google Patents
一种颅脑容积测量方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117731330A CN117731330A CN202311832055.4A CN202311832055A CN117731330A CN 117731330 A CN117731330 A CN 117731330A CN 202311832055 A CN202311832055 A CN 202311832055A CN 117731330 A CN117731330 A CN 117731330A
- Authority
- CN
- China
- Prior art keywords
- craniocerebral
- target
- outline
- contour
- cranium
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 210000004556 brain Anatomy 0.000 claims abstract description 65
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000691 measurement method Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 238000002604 ultrasonography Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012285 ultrasound imaging Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 11
- 239000000523 sample Substances 0.000 description 9
- 210000000988 bone and bone Anatomy 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000001605 fetal effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请公开了一种颅脑容积测量方法、装置、设备及介质,涉及图像处理技术领域,包括:检测颅脑超声图像中的颅脑轮廓区域图像;对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心,并基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点;利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积。本申请能够快速准确的测量出颅脑容积。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种颅脑容积测量方法、装置、设备及介质。
背景技术
颅脑容积能够反映一个人大脑的结构和功能状况,例如胎儿颅脑容积是临床上反应胎儿生成水平的重要指标。
当前,颅脑容积的策略的主要是通过Vocal(Virtual Organ Computer-aidedAnalysis,虚拟器官计算机辅助分析)的方式通过在三维容积不同位置的二维切片上通过医生手动描迹颅脑轮廓线,根据一系列二维轮廓线对三维容积进行分割和容积统计,然而该方法需要医生手动描迹多张切片,工作量较大,且不同水平的医生最终结果也会不同。另外,随着深度学习的发展,目前也有很多通过深度学习的方式来对三维颅脑进行分割,但该方法需要采集较大的数据集,同时需要医生标注大量的数据,效率较低,且准确性无法保障。
综上,如何快速准确的测量颅脑容积是目前有待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种颅脑容积测量方法、装置、设备及介质,能够快速准确的测量颅脑容积。其具体方案如下:
第一方面,本申请公开了一种颅脑容积测量方法,包括:
检测颅脑超声图像中的颅脑轮廓区域图像;
对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心,并基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点;
利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积。
可选的,所述检测颅脑超声图像中的颅脑轮廓区域图像,包括:
利用边缘检测算法和目标灰度阈值检测颅脑超声图像中的颅脑轮廓区域图像。
可选的,所述目标灰度阈值的确定过程为:
基于灰度值对所述颅脑超声图像进行直方图统计,得到灰度直方图;
将按照所述灰度值从大到小的顺序从所述灰度直方图中筛选出的满足目标数据量的灰度值确定为所述目标灰度阈值;其中,所述目标数据量为所述颅脑超声图像的总数据量与预设比例的乘积。
可选的,所述对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心,包括:
对所述颅脑轮廓区域图像进行霍夫变换,并基于累加器投票原理和预设数量确定所述颅脑轮廓区域图像中与颅脑轮廓对应的相应数量个圆心;
若所述预设数量大于一,则针对每一所述圆心,将所述颅脑轮廓区域图像中所有非零像素点与所述圆心之间的平均距离值作为所述圆心对应的半径,并将最大半径对应的圆心作为所述颅脑轮廓对应的目标圆心;
若所述预设数量为一,则直接将基于所述累加器投票原理和所述预设数量确定的圆心作为目标圆心。
可选的,所述基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点,包括:
在所述颅脑轮廓区域图像上以所述目标圆心为起点发射射线,并将所述射线旋转一周,以从所述射线与所述颅脑轮廓的首次交点中筛选出满足预设轮廓点提取规则的目标轮廓点。
可选的,所述预设轮廓点提取规则包括用于将所述目标圆心与所述目标轮廓点之间的半径长度控制在第一预设范围内的第一提取规则,以及用于将相邻目标轮廓点对应半径的差值控制在第二预设范围内的第二提取规则。
可选的,所述基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域之前,还包括:
以所述颅脑超声图像中的真实颅脑区域为基准,利用预设轮廓优化模型对所述椭圆轮廓进行轮廓优化,以得到优化后的所述椭圆轮廓。
可选的,所述基于所述目标颅脑区域计算颅脑容积,包括:
遍历与目标切面类型相同的所有颅脑超声图像,以基于各所述颅脑超声图像对应的目标颅脑区域得到所述目标切面类型下的三维颅脑轮廓数据;所述目标切面类型为矢状面、冠状面和横断面中的任意一种;
基于单个像素点与实际物理尺寸的对应关系,利用所述三维颅脑轮廓数据计算颅脑容积。
可选的,所述基于所述目标颅脑区域计算颅脑容积,包括:
针对多种预设切面类型,分别遍历与每一所述预设切面类型相同的所有颅脑超声图像,以基于所述各所述颅脑超声图像对应的目标颅脑区域得到每一所述预设切面类型下的三维颅脑轮廓数据;所述多种预设切面类型包括矢状面、冠状面和横断面中的至少两种;
对各所述预设切面类型下的所述三维颅脑轮廓数据进行求交集操作,以利用交集轮廓数据计算颅脑容积。
可选的,所述基于所述目标颅脑区域计算颅脑容积,包括:
以所述颅脑轮廓中的任意一点为中心点,并将过所述中心点的平面绕任意方向旋转一周,以遍历所有颅脑超声图像;
基于各所述颅脑超声图像对应的目标颅脑区域得到三维颅脑轮廓数据;
基于单个像素点与实际物理尺寸的对应关系,利用所述三维颅脑轮廓数据计算颅脑容积。
可选的,所述基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积,包括:
基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出颅脑骨外轮廓区域,以基于颅脑骨外轮廓区域计算外轮廓颅脑容积;
和/或,基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出颅脑骨内轮廓区域,以基于颅脑骨内轮廓区域计算内轮廓颅脑容积。
可选的,所述颅脑容积测量方法,还包括:
基于所述外轮廓颅脑容积和所述内轮廓颅脑容积的差值确定颅脑骨容积。
第二方面,本申请公开了一种颅脑容积测量装置,包括:
轮廓区域检测模块,用于检测颅脑超声图像中的颅脑轮廓区域图像;
霍夫变换模块,用于对所述颅脑轮廓区域图像进行霍夫变换,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心;
轮廓点提取模块,用于基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点;
颅脑容积计算模块,用于利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的颅脑容积测量方法的步骤。
可选的,所述电子设备为超声诊断设备或超声影像工作站。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的颅脑容积测量方法的步骤。
可见,本申请通过检测颅脑超声图像中的颅脑轮廓区域图像;对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心,并基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点;利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积。由此可见,本申请首先检测颅脑超声图像中的颅脑轮廓区域图像,并对颅脑轮廓区域图像进行处理,处理的目的是为了确定出颅脑轮廓区域图像中与颅脑轮廓对应的目标圆心,从而基于目标圆心和预设轮廓点提取规则从颅脑轮廓上提取目标轮廓点;进一步的,根据提取到的目标轮廓点进行椭圆拟合,得到拟合后的椭圆轮廓,再基于椭圆轮廓从颅脑轮廓区域图像中分割出目标颅脑区域;最后基于分割出的目标颅脑区域计算颅脑容积。如此一来,通过本申请的方案,无需医生对数据集进行手动标注,而是采用霍夫变换和利用轮廓点拟合椭圆轮廓的方式,从颅脑轮廓区域图像中分割出目标颅脑区域,从而基于目标颅脑区域快速准确的测量出颅脑容积。
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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种颅脑容积测量方法流程图;
图2为本申请公开的一种轮廓优化前后的对比图;
图3为本申请公开的一种图像遍历流程图;
图4为本申请公开的一种具体的颅脑容积测量方法流程图;
图5为本申请公开的一种颅脑超声原图与颅脑轮廓区域图像的示意图;
图6为本申请公开的一种正反向扫查的示意图;
图7为本申请公开的一种颅脑容积测量装置结构示意图;
图8为本申请公开的一种电子设备结构图。
具体实施方式
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。
当前,颅脑容积的策略的主要是通过Vocal的方式通过在三维容积不同位置的二维切片上通过医生手动描迹颅脑轮廓线,根据一系列二维轮廓线对三维容积进行分割和容积统计,然而该方法需要医生手动描迹多张切片,工作量较大,且不同水平的医生最终结果也会不同。另外,随着深度学习的发展,目前也有很多通过深度学习的方式来对三维颅脑进行分割,但该方法需要采集较大的数据集,同时需要医生标注大量的数据,效率较低,且准确性无法保障。为此,本申请实施例公开了一种颅脑容积测量方法、装置、设备及介质,能够快速准确的测量颅脑容积。
参见图1所示,本申请实施例公开了一种颅脑容积测量方法,该方法包括:
步骤S11:检测颅脑超声图像中的颅脑轮廓区域图像。
本实施例中,可以使用超声探头采集颅脑的三维超声体数据,得到颅脑超声图像;其中,超声探头具体可以是二维探头,容积探头,面阵探头等;颅脑超声图像具体可以是胎儿颅脑超声图像。
进一步的,本申请实施例对颅脑超声图像进行检测,以筛选出其中的颅脑轮廓区域图像。
步骤S12:对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心,并基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点。
本实施例中,对颅脑轮廓区域图像进行处理,处理方式包括但不限于霍夫变换、随机圆检测法、线段逼近法等方式,处理的目的是为了确定颅脑轮廓区域图像中颅脑轮廓对应的目标圆心,本申请实施例不限定处理的具体方式。在确定出颅脑轮廓区域图像中与颅脑轮廓对应的目标圆心后,即可基于目标圆心和预设轮廓点提取规则从颅脑轮廓上提取目标轮廓点。
步骤S13:利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积。
本实施例中,根据提取到的目标轮廓点进行椭圆拟合,得到拟合后的椭圆轮廓,再基于椭圆轮廓从颅脑轮廓区域图像中分割出目标颅脑区域,最后基于分割出的目标颅脑区域计算颅脑容积。
具体的,根据提取到的目标轮廓点,采用最小二乘法进行椭圆拟合。
其中,椭圆的一般方程为:
x2+Axy+By2+Cx+Dy+E=0;
假设需要拟合的目标函数T为:
对目标函数T求偏导:
得到:
其中:
则椭圆方程的系数A、B、C、D、E为:
如此一来,将上述系数代入一般方程,即可得到椭圆轮廓曲线。
在具体实施方式中,上述基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域之前,还包括:以所述颅脑超声图像中的真实颅脑区域为基准,利用预设轮廓优化模型对所述椭圆轮廓进行轮廓优化,以得到优化后的所述椭圆轮廓。也即,在基于椭圆轮廓提取目标颅脑区域之前,还可以进一步对拟合得到的椭圆轮廓进行优化处理,使得优化后的椭圆轮廓更近似于真实颅脑区域。故本实施例以颅脑超声图像中的真实颅脑区域为基准,利用预设轮廓优化模型对椭圆轮廓进行轮廓优化,以得到优化后的椭圆轮廓。相应的,再利用优化后的椭圆轮廓从颅脑轮廓区域图像中分割出目标颅脑区域。其中,预设轮廓优化模型具体可以是活动轮廓模型、测地线轮廓模型、图割方法等。
此外,在分割出目标颅脑区域之后,可在单张切片显示拟合的椭圆的圆心,并且用户仍然可以手动调整调整圆心的位置,半径,旋转角度等参数,以对拟合的椭圆进行进一步的优化,如图2所示。
本实施例中,需要遍历颅脑超声图像以得到三维颅脑轮廓数据,遍历的方式具体可以为平移遍历或旋转遍历,从而基于三维颅脑轮廓数据计算颅脑容积。
在一种具体实施方式中,上述基于所述目标颅脑区域计算颅脑容积,包括:遍历与目标切面类型相同的所有颅脑超声图像,以基于各所述颅脑超声图像对应的目标颅脑区域得到所述目标切面类型下的三维颅脑轮廓数据;所述目标切面类型为矢状面、冠状面和横断面中的任意一种;基于单个像素点与实际物理尺寸的对应关系,利用所述三维颅脑轮廓数据计算颅脑容积。也即,为了得到三维颅脑轮廓数据,本申请实施例需要平移遍历与目标切面类型相同的所有颅脑超声图像,从而可以基于各颅脑超声图像对应的目标颅脑区域得到目标切面类型下的三维颅脑轮廓数据,其中,目标切面类型为矢状面、冠状面和横断面中的任意一种。如图3所示,在通常情况下,首次采集到的颅脑超声图像为目标切面类型下的中心切片图像,再依次遍历与之相邻的切片图像以得到与每一切面图像对应的目标颅脑区域,直到遍历完所有的二维切片图像后,基于各目标颅脑区域得到目标切面类型下的三维颅脑轮廓数据。最后,再基于单个像素点代表的实际物理尺寸,利用三维颅脑轮廓数据计算对应的颅脑容积。
在另一种具体实施方式中,上述基于所述目标颅脑区域计算颅脑容积,包括:针对多种预设切面类型,分别遍历与每一所述预设切面类型相同的所有颅脑超声图像,以基于所述各所述颅脑超声图像对应的目标颅脑区域得到每一所述预设切面类型下的三维颅脑轮廓数据;所述多种预设切面类型包括矢状面、冠状面和横断面中的至少两种;对各所述预设切面类型下的所述三维颅脑轮廓数据进行求交集操作,以利用交集轮廓数据计算颅脑容积。也即,为了得到三维颅脑轮廓数据,本申请实施例可以平移遍历与多种预设切面类型分别对应的所有颅脑超声图像,从而基于各颅脑超声图像对应的目标颅脑区域得到每一预设切面类型下的三维颅脑轮廓数据,其中,多种预设切面类型包括矢状面、冠状面和横断面中的至少两种。可以理解的是,由于超声的特性,在经过强回声的组织后,会产生声影,导致颅脑骨扫查不全,因此本申请实施例可从多个切面类型分别进行对应的三维颅脑轮廓数据提取步骤。例如,可以从矢状面,冠状面,横断面三个方面分别进行,从而得到三个切面类型下的三维颅脑轮廓数据。然后再对各切面类型下的三维颅脑轮廓数据进行求交集操作,以利用交集轮廓数据计算颅脑容积,通过求交集可以保证最终用于计算颅脑容积的轮廓点存在于不同切面类型对应的分割结果中。
关于旋转遍历,在具体实施方式中,上述基于所述目标颅脑区域计算颅脑容积,包括:以所述颅脑轮廓中的任意一点为中心点,并将过所述中心点的平面绕任意方向旋转一周,以遍历所有颅脑超声图像;基于各所述颅脑超声图像对应的目标颅脑区域得到三维颅脑轮廓数据;基于单个像素点与实际物理尺寸的对应关系,利用所述三维颅脑轮廓数据计算颅脑容积。也即,除了平移遍历相平行的所有相邻切片图像以外,还可以旋转遍历相隔一定角度的相邻切片图像,以访问三维颅脑图像中的所有像素,具体的,以颅脑轮廓中的任意一点为中心点,并将过中心点的平面绕任意方向旋转一周,从而遍历所有的颅脑超声图像,计算每一颅脑超声图像对应的目标颅脑区域,最终组合得到三维颅脑轮廓数据,再以此计算颅脑容积。
可见,本申请通过检测颅脑超声图像中的颅脑轮廓区域图像;对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心,并基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点;利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积。由此可见,本申请首先检测颅脑超声图像中的颅脑轮廓区域图像,并对颅脑轮廓区域图像进行处理,处理的目的是为了确定出颅脑轮廓区域图像中与颅脑轮廓对应的目标圆心,从而基于目标圆心和预设轮廓点提取规则从颅脑轮廓上提取目标轮廓点;进一步的,根据提取到的目标轮廓点进行椭圆拟合,得到拟合后的椭圆轮廓,再基于椭圆轮廓从颅脑轮廓区域图像中分割出目标颅脑区域;最后基于分割出的目标颅脑区域计算颅脑容积。如此一来,通过本申请的方案,无需医生对数据集进行手动标注,而是采用霍夫变换和利用轮廓点拟合椭圆轮廓的方式,从颅脑轮廓区域图像中分割出目标颅脑区域,从而基于目标颅脑区域快速准确的测量出颅脑容积。
参见图4所示,本申请实施例公开了一种具体的颅脑容积测量方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体包括:
步骤S21:利用边缘检测算法和目标灰度阈值检测颅脑超声图像中的颅脑轮廓区域图像。
本实施例中,利用边缘检测算法和目标灰度阈值检测颅脑超声图像中的颅脑轮廓区域图像。具体的,通过边缘提取算子,对颅脑超声图像进行边缘提取增强,边缘提取包括但不限于canny算子,sobel算子,prewitt算子等方法,通过目标灰度阈值与边缘检测筛选可能的颅脑轮廓区域图像。图5为本申请提供的一种颅脑超声原图与颅脑轮廓区域图像的示意图。
其中,上述目标灰度阈值的确定过程为:基于灰度值对所述颅脑超声图像进行直方图统计,得到灰度直方图;将按照所述灰度值从大到小的顺序从所述灰度直方图中筛选出的满足目标数据量的灰度值确定为所述目标灰度阈值;其中,所述目标数据量为所述颅脑超声图像的总数据量与预设比例的乘积。也即,本申请实施例基于灰度值对颅脑超声图像中的像素点进行直方图统计,得到灰度直方图,直方图的横坐标是灰度值的取值;再将按照灰度值从大到小的顺序从灰度直方图中筛选出的满足目标数据量的灰度值确定为目标灰度阈值,其中,目标数据量为颅脑超声图像的总数据量与预设比例的乘积,具体算法过程如下:
遍历体数据
Hist[value]=Hist[value]+1
for(灰度值从大到小)
Num=Num+Hist[value]
当Num大于总数*Ratio时,此时阈值=value;
其中,Hist表示直方图,value表示直方图的横坐标取值,Ratio为预设比例,Num为数据量大小。
可以理解的是,如图5左边部分的原图所示,颅脑轮廓部分在超声图像中呈现较亮的区域,而灰度值取值越大,对应的亮度越高,因此本申请是按照灰度值从大到小的顺序从灰度直方图中筛选出满足目标数据量的灰度值作为目标灰度阈值。
进一步的,再检测得到颅脑轮廓区域图像后,还可以对颅脑轮廓区域图像进行腐蚀膨胀,中值滤波,连通域大小筛选等处理,以去除噪声影响。
步骤S22:对所述颅脑轮廓区域图像进行霍夫变换,并基于累加器投票原理和预设数量确定所述颅脑轮廓区域图像中与颅脑轮廓对应的相应数量个圆心。
本实施例中,具体是对颅脑轮廓区域图像进行霍夫圆变换,通过霍夫变换可以分析图像中近似圆心的位置以及圆半径等。需要指出的是,霍夫圆变换是将二维图像空间中一个圆转换为该圆半径、圆心横纵坐标所确定的三维参数空间中一个点的过程,因此,圆周上任意三点所确定的圆,经霍夫圆变换后在三维参数空间应对应一个点。该过程类似于选举投票过程,圆周上任意三个点为选举人,而这三个点所确定的圆则为一候选圆,通过遍历圆周上所有点,任意三个点所确定的候选圆进行投票,遍历结束后,得票数最高点所确定的圆即为该圆周上绝大多数点所确定的圆,具体的算法步骤可以如下:
(1)首先对图像使用边缘检测算法,比如使用canny边缘检测;
(2)使用sobel算子计算图像中所有像素点的梯度;
(3)遍历所有非0的像素点,沿着梯度方向画线,每个点都设置有累加器,只要有一条线经过该点,累加器则加1,最后对所有累加器进行排序,根据预设数量找到相应数量个圆心。
步骤S23:若所述预设数量大于一,则针对每一所述圆心,将所述颅脑轮廓区域图像中所有非零像素点与所述圆心之间的平均距离值作为所述圆心对应的半径,并将最大半径对应的圆心作为所述颅脑轮廓对应的目标圆心;若所述预设数量为一,则直接将基于所述累加器投票原理和所述预设数量确定的圆心作为目标圆心。
在一种具体实施方式中,若预设数量大于一,也即通过前述步骤确定出至少两个圆心,那么则针对每一圆心,则计算颅脑轮廓区域图像中所有非零像素点与该圆心之间距离,再计算平均距离值,以将平均距离值作为与该圆心对应的半径。最后再将最大半径对应的圆心作为颅脑轮廓对应的目标圆心,也即过滤较小半径对应的圆心。
在另一种具体实施方式中,若预设数量为一,则直接将基于累加器投票原理和预设数量确定的圆心作为目标圆心。
步骤S24:在所述颅脑轮廓区域图像上以所述目标圆心为起点发射射线,并将所述射线旋转一周,以从所述射线与所述颅脑轮廓的首次交点中筛选出满足预设轮廓点提取规则的目标轮廓点。
本实施例中,在颅脑轮廓区域图像上以目标圆心为起点发射一条射线,并将射线旋转一周,以从射线与颅脑轮廓的首次交点中筛选出满足预设轮廓点提取规则的目标轮廓点。
其中,预设轮廓点提取规则包括用于将目标圆心与目标轮廓点之间的半径长度控制在第一预设范围内的第一提取规则,以及用于将相邻目标轮廓点对应半径的差值控制在第二预设范围内的第二提取规则。也即,目标圆心与目标轮廓点之间的半径长度需要控制在第一预设范围内,第一预设范围具体可以是颅脑轮廓区域图像中所有非零像素点与圆心之间的平均距离值的0.6至1.3倍。另外,相邻目标轮廓点对应半径的差值也需要控制在第二预设范围内,以保证轮廓的连续性,第二预设范围尽量设置较小,本申请对其取值不作限制。如此一来,通过设置预设轮廓点提取规则,以保证目标轮廓点提取的准确性。
此外,本申请对射线旋转的方向不作限制,既可以逆时针旋转(即正向扫查)也可以顺时针旋转(反向扫查),如图6所示。
步骤S25:利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出颅脑骨外轮廓区域,以基于颅脑骨外轮廓区域计算外轮廓颅脑容积;和/或,基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出颅脑骨内轮廓区域,以基于颅脑骨内轮廓区域计算内轮廓颅脑容积。
本实施例中,在从颅脑轮廓区域图像分割出目标颅脑轮廓时,可以根据颅脑骨的外轮廓和内轮廓进行分割。
在一种具体实施方式中,可以基于椭圆轮廓从颅脑轮廓区域图像中分割出颅脑骨外轮廓区域,以基于颅脑骨外轮廓区域计算外轮廓颅脑容积,
在另一种具体实施方式中,可以基于所述椭圆轮廓从颅脑轮廓区域图像中分割出颅脑骨内轮廓区域,以基于颅脑骨内轮廓区域计算内轮廓颅脑容积。依据内轮廓分割,可以将大脑组织分割,从而可以更方面的对大脑沟回等结构进行观察。
此外,上述方法还包括:基于外轮廓颅脑容积和内轮廓颅脑容积的差值确定颅脑骨容积。也即,依据外轮廓、内轮廓分割,可将颅脑骨组织结构进行分割,并计算得到颅脑骨容积,从而可以更好的对颅脑骨结构的发育进行观察。
也即,本申请实施例可以计算出与颅脑相关的三个容积值,分别是外轮廓颅脑容积、内轮廓颅脑容积和颅脑骨容积。
可见,本申请实施例利用边缘检测算法和目标灰度阈值检测颅脑超声图像中的颅脑轮廓区域图像,其中,通过基于灰度值对颅脑超声图像进行直方图统计,并将按照灰度值从大到小的顺序从灰度直方图中筛选出的满足目标数据量的灰度值作为目标灰度阈值。进一步的,本申请在对颅脑轮廓区域图像进行霍夫变换以确定目标圆心的过程中,若初始筛选出的圆心数量由多个,则需将所有非零像素点与圆心之间的最大平均距离值对应的圆心作为颅脑轮廓对应的目标圆心。并且,在提取目标轮廓点时,本申请通过设置预设轮廓点提取规则,可以保证目标轮廓点提取的准确性。最后,本实施例可以计算三个与颅脑相关的容积,分别是外轮廓颅脑容积、内轮廓颅脑容积和颅脑骨容积。通过上述方案,能够在采集较少的数据集的前提下,无需医生进行大量手动标注,快速对颅脑容积进行分析。
参见图7所示,本申请实施例公开了一种颅脑容积测量装置,该装置包括:
轮廓区域检测模块11,用于检测颅脑超声图像中的颅脑轮廓区域图像;
霍夫变换模块12,用于对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心;
轮廓点提取模块13,用于基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点;
颅脑容积计算模块14,用于利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积。
可见,本申请通过检测颅脑超声图像中的颅脑轮廓区域图像;对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心,并基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点;利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积。由此可见,本申请首先检测颅脑超声图像中的颅脑轮廓区域图像,并对颅脑轮廓区域图像进行处理,处理的目的是为了确定出颅脑轮廓区域图像中与颅脑轮廓对应的目标圆心,从而基于目标圆心和预设轮廓点提取规则从颅脑轮廓上提取目标轮廓点;进一步的,根据提取到的目标轮廓点进行椭圆拟合,得到拟合后的椭圆轮廓,再基于椭圆轮廓从颅脑轮廓区域图像中分割出目标颅脑区域;最后基于分割出的目标颅脑区域计算颅脑容积。如此一来,通过本申请的方案,无需医生对数据集进行手动标注,而是采用霍夫变换和利用轮廓点拟合椭圆轮廓的方式,从颅脑轮廓区域图像中分割出目标颅脑区域,从而基于目标颅脑区域快速准确的测量出颅脑容积。
在一些具体实施例中,所述轮廓区域检测模块11,具体用于利用边缘检测算法和目标灰度阈值检测颅脑超声图像中的颅脑轮廓区域图像。
在一些具体实施例中,所述装置还用于确定目标灰度阈值,具体包括:
直方图统计单元,用于基于灰度值对所述颅脑超声图像进行直方图统计,得到灰度直方图;
阈值确定单元,用于将按照所述灰度值从大到小的顺序从所述灰度直方图中筛选出的满足目标数据量的灰度值确定为所述目标灰度阈值;其中,所述目标数据量为所述颅脑超声图像的总数据量与预设比例的乘积。
在一些具体实施例中,所述霍夫变换模块12,具体包括:
霍夫圆变换单元,用于对所述颅脑轮廓区域图像进行霍夫变换,并基于累加器投票原理和预设数量确定所述颅脑轮廓区域图像中与颅脑轮廓对应的相应数量个圆心;
第一圆心确定单元,用于若所述预设数量大于一,则针对每一所述圆心,将所述颅脑轮廓区域图像中所有非零像素点与所述圆心之间的平均距离值作为所述圆心对应的半径,并将最大半径对应的圆心作为所述颅脑轮廓对应的目标圆心;
第二圆心确定单元,用于若所述预设数量为一,则直接将基于所述累加器投票原理和所述预设数量确定的圆心作为目标圆心。
在一些具体实施例中,所述轮廓点提取模块13,具体用于在所述颅脑轮廓区域图像上以所述目标圆心为起点发射射线,并将所述射线旋转一周,以从所述射线与所述颅脑轮廓的首次交点中筛选出满足预设轮廓点提取规则的目标轮廓点。
在一些具体实施例中,所述基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域之前,所述装置还包括:
轮廓优化单元,用于以所述颅脑超声图像中的真实颅脑区域为基准,利用预设轮廓优化模型对所述椭圆轮廓进行轮廓优化,以得到优化后的所述椭圆轮廓。
在一些具体实施例中,所述颅脑容积计算模块14,具体包括:
第一图像遍历单元,用于遍历与目标切面类型相同的所有颅脑超声图像,以基于各所述颅脑超声图像对应的目标颅脑区域得到所述目标切面类型下的三维颅脑轮廓数据;所述目标切面类型为矢状面、冠状面和横断面中的任意一种;
第一容积计算单元,用于基于单个像素点与实际物理尺寸的对应关系,利用所述三维颅脑轮廓数据计算颅脑容积。
在一些具体实施例中,所述颅脑容积计算模块14,具体包括:
第一图像遍历单元,用于针对多种预设切面类型,分别遍历与每一所述预设切面类型相同的所有颅脑超声图像,以基于所述各所述颅脑超声图像对应的目标颅脑区域得到每一所述预设切面类型下的三维颅脑轮廓数据;所述多种预设切面类型包括矢状面、冠状面和横断面中的至少两种;
求交集单元,用于对各所述预设切面类型下的所述三维颅脑轮廓数据进行求交集操作,以利用交集轮廓数据计算颅脑容积。
在一些具体实施例中,所述颅脑容积计算模块14,具体包括:
旋转遍历单元,用于以所述颅脑轮廓中的任意一点为中心点,并将过所述中心点的平面绕任意方向旋转一周,以遍历所有颅脑超声图像;
第二容积计算单元,用于基于各所述颅脑超声图像对应的目标颅脑区域得到三维颅脑轮廓数据;基于单个像素点与实际物理尺寸的对应关系,利用所述三维颅脑轮廓数据计算颅脑容积。。
在一些具体实施例中,所述颅脑容积计算模块14,具体包括:
外轮廓颅脑容积计算单元,用于基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出颅脑骨外轮廓区域,以基于颅脑骨外轮廓区域计算外轮廓颅脑容积;
内轮廓颅脑容积计算单元,用于基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出颅脑骨内轮廓区域,以基于颅脑骨内轮廓区域计算内轮廓颅脑容积。
在一些具体实施例中,所述装置,还包括:
颅脑骨容积计算单元,用于基于所述外轮廓颅脑容积和所述内轮廓颅脑容积的差值确定颅脑骨容积。
图8为本申请实施例提供的一种电子设备的结构示意图。本实施例中的电子设备具体可以为超声诊断设备或超声影像工作站。其中,超声诊断设备主要有两大部分,即设备主机及超声探头,主机部分主要对从探头接收回来的信号进行处理及显示,超声探头可以发射和接收超声,进行电声信号转换,将由主机送来的电信号转变为高频振荡的超声信号,又能将从组织脏器反射回来的超声信号转变为电信号而显示于主机的显示器上;超声影像工作站主要由超声系统、工作台、影像存储和管理系统以及打印机组成,其中超声影像工作站可以包括超声探头和图像处理器,工作台提供操作界面和显示屏,影像存储和管理系统用于存储管理超声图像,打印机用于打印超声图像。
电子设备具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的由电子设备执行的颅脑容积测量方法中的相关步骤。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统221、计算机程序222及数据223等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量数据223的运算与处理,其可以是Windows、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的颅脑容积测量方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据,也可以包括由自身输入输出接口25采集到的数据等。
进一步的,本申请实施例还公开了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,实现前述任一实施例公开的颅脑容积测量方法步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本领域技术人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。本领域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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(Random AccessMemory,即RAM)、内存、只读存储器(Read-Only Memory,即ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、只读光盘(Compact Disc Read-Only Memory,即CD-ROM)、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种颅脑容积测量方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (16)
1.一种颅脑容积测量方法,其特征在于,包括:
检测颅脑超声图像中的颅脑轮廓区域图像;
对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心,并基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点;
利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积。
2.根据权利要求1所述的颅脑容积测量方法,其特征在于,所述检测颅脑超声图像中的颅脑轮廓区域图像,包括:
利用边缘检测算法和目标灰度阈值检测颅脑超声图像中的颅脑轮廓区域图像。
3.根据权利要求2所述的颅脑容积测量方法,其特征在于,所述目标灰度阈值的确定过程为:
基于灰度值对所述颅脑超声图像进行直方图统计,得到灰度直方图;
将按照所述灰度值从大到小的顺序从所述灰度直方图中筛选出的满足目标数据量的灰度值确定为所述目标灰度阈值;其中,所述目标数据量为所述颅脑超声图像的总数据量与预设比例的乘积。
4.根据权利要求1所述的颅脑容积测量方法,其特征在于,所述对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心,包括:
对所述颅脑轮廓区域图像进行霍夫变换,并基于累加器投票原理和预设数量确定所述颅脑轮廓区域图像中与颅脑轮廓对应的相应数量个圆心;
若所述预设数量大于一,则针对每一所述圆心,将所述颅脑轮廓区域图像中所有非零像素点与所述圆心之间的平均距离值作为所述圆心对应的半径,并将最大半径对应的圆心作为所述颅脑轮廓对应的目标圆心;
若所述预设数量为一,则直接将基于所述累加器投票原理和所述预设数量确定的圆心作为目标圆心。
5.根据权利要求1所述的颅脑容积测量方法,其特征在于,所述基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点,包括:
在所述颅脑轮廓区域图像上以所述目标圆心为起点发射射线,并将所述射线旋转一周,以从所述射线与所述颅脑轮廓的首次交点中筛选出满足预设轮廓点提取规则的目标轮廓点。
6.根据权利要求1所述的颅脑容积测量方法,其特征在于,所述预设轮廓点提取规则包括用于将所述目标圆心与所述目标轮廓点之间的半径长度控制在第一预设范围内的第一提取规则,以及用于将相邻目标轮廓点对应半径的差值控制在第二预设范围内的第二提取规则。
7.根据权利要求1所述的颅脑容积测量方法,其特征在于,所述基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域之前,还包括:
以所述颅脑超声图像中的真实颅脑区域为基准,利用预设轮廓优化模型对所述椭圆轮廓进行轮廓优化,以得到优化后的所述椭圆轮廓。
8.根据权利要求1所述的颅脑容积测量方法,其特征在于,所述基于所述目标颅脑区域计算颅脑容积,包括:
遍历与目标切面类型相同的所有颅脑超声图像,以基于各所述颅脑超声图像对应的目标颅脑区域得到所述目标切面类型下的三维颅脑轮廓数据;所述目标切面类型为矢状面、冠状面和横断面中的任意一种;
基于单个像素点与实际物理尺寸的对应关系,利用所述三维颅脑轮廓数据计算颅脑容积。
9.根据权利要求1所述的颅脑容积测量方法,其特征在于,所述基于所述目标颅脑区域计算颅脑容积,包括:
针对多种预设切面类型,分别遍历与每一所述预设切面类型相同的所有颅脑超声图像,以基于所述各所述颅脑超声图像对应的目标颅脑区域得到每一所述预设切面类型下的三维颅脑轮廓数据;所述多种预设切面类型包括矢状面、冠状面和横断面中的至少两种;
对各所述预设切面类型下的所述三维颅脑轮廓数据进行求交集操作,以利用交集轮廓数据计算颅脑容积。
10.根据权利要求1所述的颅脑容积测量方法,其特征在于,所述基于所述目标颅脑区域计算颅脑容积,包括:
以所述颅脑轮廓中的任意一点为中心点,并将过所述中心点的平面绕任意方向旋转一周,以遍历所有颅脑超声图像;
基于各所述颅脑超声图像对应的目标颅脑区域得到三维颅脑轮廓数据;
基于单个像素点与实际物理尺寸的对应关系,利用所述三维颅脑轮廓数据计算颅脑容积。
11.根据权利要求1至10任一项所述的颅脑容积测量方法,其特征在于,所述基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积,包括:
基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出颅脑骨外轮廓区域,以基于颅脑骨外轮廓区域计算外轮廓颅脑容积;
和/或,基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出颅脑骨内轮廓区域,以基于颅脑骨内轮廓区域计算内轮廓颅脑容积。
12.根据权利要求11所述的颅脑容积测量方法,其特征在于,还包括:
基于所述外轮廓颅脑容积和所述内轮廓颅脑容积的差值确定颅脑骨容积。
13.一种颅脑容积测量装置,其特征在于,包括:
轮廓区域检测模块,用于检测颅脑超声图像中的颅脑轮廓区域图像;
霍夫变换模块,用于对所述颅脑轮廓区域图像进行处理,以确定所述颅脑轮廓区域图像中颅脑轮廓对应的目标圆心;
轮廓点提取模块,用于基于所述目标圆心和预设轮廓点提取规则从所述颅脑轮廓上提取目标轮廓点;
颅脑容积计算模块,用于利用所述目标轮廓点拟合椭圆轮廓,并基于所述椭圆轮廓从所述颅脑轮廓区域图像中分割出目标颅脑区域,以基于所述目标颅脑区域计算颅脑容积。
14.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至12任一项所述的颅脑容积测量方法的步骤。
15.根据权利要求14所述的电子设备,其特征在于,所述电子设备为超声诊断设备或超声影像工作站。
16.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至12任一项所述的颅脑容积测量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311832055.4A CN117731330A (zh) | 2023-12-27 | 2023-12-27 | 一种颅脑容积测量方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311832055.4A CN117731330A (zh) | 2023-12-27 | 2023-12-27 | 一种颅脑容积测量方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117731330A true CN117731330A (zh) | 2024-03-22 |
Family
ID=90259200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311832055.4A Pending CN117731330A (zh) | 2023-12-27 | 2023-12-27 | 一种颅脑容积测量方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117731330A (zh) |
-
2023
- 2023-12-27 CN CN202311832055.4A patent/CN117731330A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110338841B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
CN102871686B (zh) | 基于3d医学影像测定生理参数的装置和方法 | |
US20110125016A1 (en) | Fetal rendering in medical diagnostic ultrasound | |
DE102012108121A1 (de) | Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
CN110313941B (zh) | 数据处理方法、装置、设备及存储介质 | |
US20100322495A1 (en) | Medical imaging system | |
CN104408398A (zh) | 一种肝脏边界的识别方法及系统 | |
CN111354006A (zh) | 超声图像中目标组织的描迹方法及装置 | |
CN110163907B (zh) | 胎儿颈部透明层厚度测量方法、设备及存储介质 | |
CN111820948B (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
CN115482231B (zh) | 图像分割方法、装置、存储介质和电子设备 | |
CN117731330A (zh) | 一种颅脑容积测量方法、装置、设备及介质 | |
CN112168211A (zh) | 一种腹部超声图像的脂肪厚度和肌肉厚度测量方法及系统 | |
CN110930394B (zh) | 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备 | |
US20220280139A1 (en) | Ultrasound system acoustic output control using image data | |
CN111383323B (zh) | 一种超声成像方法和系统以及超声图像处理方法和系统 | |
Xu et al. | A split-and-merge-based uterine fibroid ultrasound image segmentation method in HIFU therapy | |
US20240119705A1 (en) | Systems, methods, and apparatuses for identifying inhomogeneous liver fat | |
CN114699106A (zh) | 超声图像处理方法及设备 | |
CN117495693B (zh) | 用于内窥镜的图像融合方法、系统、介质及电子设备 | |
JP2023524543A (ja) | 超音波データのセグメンテーション | |
WO2020037563A1 (zh) | 一种超声成像的方法及相关设备 | |
WO2024013114A1 (en) | Systems and methods for imaging screening | |
CN117522857A (zh) | 受检对象成分分析、标签生成、模型训练方法及装置 |
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 |