CN111429457B - 图像局部区域亮度智能评价方法、装置、设备及介质 - Google Patents
图像局部区域亮度智能评价方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111429457B CN111429457B CN202010495453.1A CN202010495453A CN111429457B CN 111429457 B CN111429457 B CN 111429457B CN 202010495453 A CN202010495453 A CN 202010495453A CN 111429457 B CN111429457 B CN 111429457B
- Authority
- CN
- China
- Prior art keywords
- region
- subsection
- image
- image frame
- 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
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
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了图像局部区域亮度智能评价方法、装置、设备及介质,该方法通过获取灌注显像视频的图像帧序列;调用图像分割模型对图像帧序列所包含的每一帧图像帧提取目标区域轮廓,该图像分割模型用于动态地分割图像帧所包含的目标区域轮廓,目标区域轮廓包括多个子节段区域;基于子节段区域内所包含的像素亮度值进行灌注显像评分。根据本申请实施例的技术方案,可以有效地降低图像处理的数据量,提升图像局部亮度信息处理的效率。
Description
技术领域
本申请一般涉及图像处理技术领域,尤其涉及图像局部区域亮度智能评价方法、装置、设备及介质。
背景技术
心肌灌注显像方法包括心肌灌注断层显像和门控心肌灌注断层显像,前者仅获得心肌血流灌注信息,而后者通过心电R波触发采集若干心动周期收缩至舒张的系列心肌灌注图像,重建后可以同时获得心肌血流灌注、室壁运动、左心室功能和左心室机械收缩同步性等多方面信息。心肌灌注显像根据显像设备的不同,又可以分为心肌灌注单光子发射型计算机断层显像(single photon emission computed tomography,SPECT)和心肌灌注正电子发射型计算机断层显像(positron emission computed tomography,PET)。
其中,利用SPECT追踪放射性元素在心肌内的分布代谢情况来判断心肌活性,是目前评价心肌灌注、存活心肌的“金标准”。但是SPECT设备价格昂贵,需要使用放射性元素,并且急重病患者不能床旁检查,也不适合监测和随访,导致其未能临床普遍使用。
实时心肌声学造影(Myocardial Contrast Echocardiography,MCE),是利用声学微气泡作为造影剂进行心肌灌注显像的技术。但是,该技术可以通过自定义取样框来生成声学密度曲线,并利用声学密度曲线作为心肌血流量的评价标准。建立声学密度曲线的过程,取样框的自定义,通常是由医疗工作者手动输入,其不能很好地捕获心肌评价区域,自动追踪评价区域的准确性低,误差大,耗时长。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种图像局部区域亮度智能评价方法、装置、设备及介质,来有效地提高了灌注显影图像中目标区域的检测效率。
一方面,本申请实施例提供了一种图像局部区域亮度智能评价方法,该方法包括:
获取灌注显像视频的图像帧序列;
调用图像分割模型对所述图像帧序列所包含的每一帧图像帧提取目标区域轮廓,所述图像分割模型用于动态地分割所述图像帧所包含的目标区域轮廓,所述目标区域轮廓包括多个子节段区域;
基于所述子节段区域内所包含的像素亮度值进行灌注显像评分。
一方面,本申请实施例提供了一种图像局部区域亮度智能评价装置,该装置包括:
图像帧获取单元,用于获取灌注显像视频的图像帧序列;
目标轮廓提取单元,用于调用图像分割模型对所述图像帧序列所包含的每一帧图像帧提取目标区域轮廓,所述图像分割模型用于动态地分割所述图像帧所包含的目标区域轮廓,所述目标区域轮廓包括多个子节段区域;
灌注评分单元,用于基于所述子节段区域内所包含的像素亮度值进行灌注显像评分。
一方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现如本申请实施例描述的方法。
一方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序用于:
该计算机程序被处理器执行时实现如本申请实施例描述的方法。
本申请实施例提供的图像局部区域亮度智能评价方法、装置、设备及介质,该方法通过获取灌注显像视频的图像帧序列;调用图像分割模型对图像帧序列所包含的每一帧图像帧提取目标区域轮廓,该图像分割模型用于动态地分割图像帧所包含的目标区域轮廓,目标区域轮廓包括多个子节段区域;基于子节段区域内所包含的像素亮度值进行灌注显像评分。通过上述方法获取图像帧中所包含的目标区域轮廓的像素亮度信息来对局部区域的亮度进行评价,其可以有效地降低图像处理的数据量,提升图像局部亮度信息处理的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了本申请实施例提供的图像局部区域亮度智能评价方法的环境架构图。
图2示出了本申请实施例提供的图像局部区域亮度智能评价方法的流程示意图。
图3示出了本申请实施例提供的图像局部区域亮度智能评价方法的流程示意图。
图4示出了本申请实施例提供的图像局部区域亮度智能评价方法的流程示意图。
图5示出了本申请实施例提供的图像局部区域亮度智能评价方法的流程示意图。
图6示出了本申请实施例提供的心肌节段示意图;
图7示出了根据本申请实施例提供的电子计算机断层扫描图像分割装置的示例性结构框图;
图8示出了适于用来实现本申请实施例的电子设备或服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关公开,而非对该公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与公开相关的部分。
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。下面将参考附图并结合实施例来详细说明本申请。
本申请实施例提出的图像局部区域亮度智能评价方法具体实施环境参见图1。图1示出了本申请实施例提供的图像局部区域亮度智能评价方法的环境架构图。如图1所示,该实施环境架构包括:终端设备101和服务器102。
终端设备101用于向用户展示图像显示界面,并接收用户通过人机交互装置输入的操作指令,响应于操作指令,开始执行图像采集。终端设备可以是超声图像采集设备、计算机设备等设备,但并不局限于此。
服务器102可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务的云服务器。其中,服务器102从终端设备101接收采集得到的图像,服务器102调用存储的程序获取图像内局部区域的像素亮度值。
终端设备101与服务器102之间通过有线或无线通信方式进行直接或间接地连接。可选地,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网,也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(MetropolitanArea Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。
本申请实施例提供的图像局部区域亮度评价方法可以由图像局部区域亮度评价装置来实施。图像局部区域亮度评价装置可以安装在终端设备或者服务器上。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作指令步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作指令步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时,可按照实施例或者附图所示的方法顺序执行或者并行执行。
请参考图2,图2示出了本申请实施例提供的图像局部区域亮度智能评价方法的流程示意图。如图2所示,该方法包括:
步骤201,获取灌注显像视频的图像帧序列;
步骤202,调用图像分割模型对图像帧序列所包含的每一帧图像帧提取目标区域轮廓,该图像分割模型用于动态地分割图像帧所包含的目标区域轮廓,该目标区域轮廓包括多个子节段区域;
步骤203,基于子节段区域内所包含的像素亮度值进行灌注显像评分。
在上述步骤中,灌注显像视频是包含运动目标的图像视频。运动目标可以是X摄像成像、计算机断层扫描、超声波诊断成像获得的运动目标的动态图像。运动目标可以是任何运动的器官,例如左心室心肌。灌注显像视频可以包括多个维度采集得到的视频数据。例如可以包括对运动的器官采集多个维度的视频数据。以心脏为例,可以采集心尖两腔心切面图像视频,心尖三腔心切面图像视频、心尖四腔心切面图像视频。
将灌注显像视频转换成图像帧序列,可以通过调用分帧工具或语句对灌注显像视频进行处理得到图像帧序列。例如,灌注显像视频V分解成包含n帧的图像帧序列,其中,表示灌注显像视频V所包含的第i帧图像帧。对于每个维度采集的视频数据均需要进行分帧,得到与之对应的图像帧序列。例如,对心尖两腔心切面图像视频进行分帧,得到与心尖两腔心切面图像视频对应的第一图像帧序列;对心尖三腔心切面图像视频进行分帧,得到与心尖三腔心切面图像视频对应的第二图像帧序列;对心尖四腔心切面图像视频进行分帧,得到与心尖四腔心切面图像视频对应的第三图像帧序列。
然后调用图像分割模型对图像帧序列所包含的每一帧图像帧提取目标区域轮廓。目标区域轮廓是运动目标的轮廓,例如左心室心肌对应的心肌区域。
例如,对于第一图像帧序列所包含的每一帧图像帧提取目标区域轮廓,该目标区域轮廓可以包括多个子阶段区域。例如心肌的第4节段、第10 节段、第15节段、第17节段、第13节段、第7节段、第1节段。其中,第4节段表示左心室下壁的基底段,第10节段表示左心室下壁的中间段,第15节段表示左心室下壁的心尖段,第17节段表示左心室心尖部。上述其他的节段也分别对应左心室前壁、前间隔、下间隔、下壁、下侧壁、前侧壁的基底段、中间段、心尖段等位置。具体的对应的关系与相关技术采用17节段方式标记心肌位置的方式相同。
上述图像分割模型可以是由多个子模型构成的,例如可以包括边界框提取子模型和第一目标区域分割子模型,或者动态追踪子模型和第二目标区域分割子模型,或者动态追踪子模型、边界框提取子模型和第二目标区域分割子模型。其中,边界框提取子模型可以采用卷积神经网络算法构建。例如,可以是基于区域的卷积神经网络(Region-basedConvolutional Neural Networks,缩写为RCNN)。
动态追踪子模型可以是利用光流法来计算子节段区域的连续运动光流场。心脏在多个心动周期内,心室按照收缩和舒张周期运动。通过光流场可以很好地捕捉到子节段区域的运动信息。根据该运动信息可以预测相邻图像帧子节段区域的中心位置的偏移量。基于中心位置的偏移量跟踪子节段区域在连续的图像帧序列中的运动情况。
第一目标区域分割子模型,可以从边界框对应的子图像中提取目标区域轮廓,例如可以采用随机森林算法,对子图像区域进行像素级分类,从而分割出目标区域轮廓。
第二目标区域分割子模型可以是形状公式约束的水平集模型,通过水平集模型可以很好地捕捉到心肌区域。根据预测得到的子节段区域的中心位置,确定心肌区域的子节段区域,从而从心肌区域分割得到多个子节段区域。
在获取子节段区域后,通过对子节段区域内的像素亮度值进行统计,例如可以将子节段区域中相邻多个像素合并处理成一个观测对象,该观测对象例如可以用于表征经过造影剂显像得到的微气泡区域。考虑到不同声学造影剂注入后,形成的微气泡可能直径不同,可以根据不同的声学造影剂预设观测对象对应的观测区域。例如每个微气泡的直径约2.5,其包含的像素的个数约为4-9个。
然后,通过统计图像帧序列中观测对象的变化值,例如观测对象的方差值,利用该方差值的变化趋势来评价每个子节段区域的灌注显像效果,优选地,通过标记相应的等级分值来表示灌注效果。
本申请实施例提供的图像局部区域亮度评价方式,通过图像分割模型可以动态地捕捉目标区域轮廓所包含的子节段区域,并通过对子节段区域所包含的像素亮度值进行统计来进行灌注显像评分,相对于相关技术复杂的生成声学密度曲线,其有效地提高了灌注显像的处理效率。
下面结合图3进一步说明利用图像分割模型包括边界框提取子模型和第一目标区域分割子模型进行目标区域轮廓的提取过程。请参考图3,图3示出了本申请实施例提供的图像局部区域亮度智能评价方法的流程示意图。该方法包括:
步骤301,获取灌注显像视频的图像帧序列;
步骤302,调用边界框提取子模型确定目标区域对应的边界框;
步骤303,按照边界框对每帧图像帧进行裁剪处理得到子图像;
步骤304,调用第一目标区域分割子模型对子图像进行分割,得到目标区域轮廓;
步骤305,将目标区域轮廓按照等分处理得到与目标区域轮廓对应的多个子节段区域;
步骤306,基于子节段区域内所包含的像素亮度值进行灌注显像评分。
在上述步骤中,获取图像帧序列之后,对图像帧序列中每一帧图像帧通过边界框提取子模型确定目标区域对应的边界框。边界框提取子模型可以采用卷积神经网络算法构建,然后按照边界框对每帧图像帧进行裁剪,本申请实施例通过边界框裁剪处理图像帧,可以有效地减少数据处理量,缩小图像处理范围,有利于提高图像局部区域的分割精确度。
在得到裁剪处理后的子图像,利用第一目标区域分割子模型来对子图像进行分割,第一目标区域分割子模型可以是随机森林算法构建的分类模型,对子图像所包含的目标区域进行分类识别,从而快速地确定目标区域。在确定目标区域轮廓之后,可以采用等分处理方式对目标区域轮廓进行等分得到多个子节段区域。
当灌注显像视频包括多个维度的图像视频时,对每个维度的图像视频并行地执行上述步骤,可以进一步地缩短图像处理时间,从而有效地提高图像局部区域亮度评价的速度。
下面结合图4进一步说明利用图像分割模型包括动态追踪子模型和第二目标区域分割子模型进行目标区域轮廓的提取过程。请参考图4,图4示出了本申请实施例提供的图像局部区域亮度智能评价方法的流程示意图。该方法包括:
步骤401,获取灌注显像视频的图像帧序列;
步骤402,调用动态追踪子模型获取图像帧序列所包含的运动信息;
步骤403,根据运动信息预测图像帧序列中每一帧图像帧所包含的子节段区域的中心位置;
步骤404,调用第二目标区域分割子模型分割提取出目标区域轮廓;
步骤405,将目标区域轮廓按照中心位置进行划分处理,得到与目标区域轮廓对应的多个子节段区域;
步骤406,基于子节段区域内所包含的像素亮度值进行灌注显像评分。
在上述步骤中,通过动态追踪子模型获取图像帧序列所包含的运动信息。例如可以采用Lucas-Kanade光流算法来计算区域的连续运动光流场,或者Lucas-Kanade改进光流算法。动态追踪子模型可以捕捉图像帧序列中目标区域的运动信息,其可以通过计算目标区域内每个像素的矩阵和最小特征值;然后,在整个目标区域内查找每个子节段区域中的最小特征值中的最大特征;如果最小特征值大于预设的阈值,则保留最小特征值对应的像素点作为局部观察区域,在局部观察区域内继续按照相邻像素之间的距离值大于预设距离阈值来对局部观察区域进行像素点删除处理,最后得到每个子节段区域对应的追踪目标点,确定追踪目标点对应的位置为中心位置。然后,按照水平集模型来提取目标区域轮廓。
然后根据中心位置将目标轮廓区域划分成多个子节段区域。
本申请上述实施例通过光流信息来动态追踪子节段区域的变化,从而准确地捕捉图像帧序列中子节段区域的亮度值,其有效地提高图像区域检测的准确率。
下面结合图5-6说明图像局部区域亮度智能评价方法的实施过程。以灌注显像视频包括心尖两腔心切面图像视频、心尖三腔心切面图像视频和心尖四腔心切面图像视频为例。请参考图5,图5示出了本申请实施例提供的图像局部区域亮度评价方法的流程示意图。该方法包括:
步骤501,获取心尖两腔心切面图像视频、心尖三腔心切面图像视频和心尖四腔心切面图像视频;
步骤502a,对心尖两腔心切面图像视频进行分帧进行分帧,得到与心尖两腔心切面图像视频对应的第一图像帧序列;
步骤502b,对心尖三腔心切面图像视频进行分帧,得到与心尖三腔心切面图像视频对应的第二图像帧序列;
步骤502c,对心尖四腔心切面图像视频进行分帧,得到与心尖四腔心切面图像视频对应的第三图像帧序列;
步骤503,调用边界框提取子模型确定目标区域对应的边界框;
步骤504,按照边界框对每帧图像帧进行裁剪处理得到子图像;
步骤505,调用第一目标区域分割子模型对子图像进行分割,得到目标区域轮廓;
步骤506,将目标区域轮廓按照等分处理得到与目标区域轮廓对应的多个子节段区域;
步骤507,针对图像帧序列中每一帧图像帧,获取目标区域轮廓内每个子节段区域的像素亮度评价指标;
步骤508,利用像素亮度评价指标对每个子节段区域进行灌注显像评分。
可以通过定义边界框的5个参数,质心,大小和方向。采用Selective Search方法生成1K~2K个候选区域。对每个候选区域,使用深度卷积网络提取特征CNN预测边界框参数的值,将边界框检测转换为回归问题。
通过在图像处理器(Graphics Processing Unit,缩写GPU)上实现时CNN算法,可以自动学习从低到高特征的层次结构,以准确预测MCE图像中的心肌位置,大幅提高其计算效率。
然后,利用随机森林决策树对子图像进行分割,得到心肌轮廓。将子图像输入到随机森林决策树算法构建的分类模型对子图像所包含的心肌节段区域进行分类识别,其可以实现像素级的类别标注。从而有效地分割心肌节段轮廓区域。
确定第i帧图像帧中每一个子节段区域,可以在得到心肌轮廓图像之后,先确定心肌轮廓的顶点位置,如图6(a)所示,图6(a)为心尖两腔心切面图像视频的第i帧图像帧,心肌轮廓对应的外轮廓的顶点位置a,心肌轮廓对应的内轮廓的顶点位置b,沿着心肌轮廓对应的内轮廓顶点位置b确定切线M,可以确定左心室心尖部,即对应第17节段。在确定心肌轮廓之后,心肌轮廓除去心尖部后的剩余部分,按照至上而下等间隔划分的方式,将剩余部分的心肌轮廓在至上而下的方向划分出三个区域,每个区域包括左边的心肌节段区域和右边的心肌节段区域,如图6(a)所示,区域15和区域13分别对应心肌的第15节段和第13节段,第15节段表示左心室下壁的心尖段,第13节段表示左心室前壁的心尖段。区域10和区域7分别对应心肌的第10节段和第7节段,第10节段表示左心室下壁的中间段,第7节表示左心室前壁的中间段。区域4和区域1分别对应心肌的第4节段和第1节段,第4节段表示左心室下壁的基底段,第1节段表示左心室前壁的基底段。
图6(b)示出了心尖三腔心切面图像视频进行分帧后得到的第二图像帧序列中第i图像帧,图中示意心肌的各个节段,如第17节段,第16节段,第11节段,第5节段,第14节段,第8节段,第2节段。其可以采用如图6(a)的划分方式来获取各个心肌节段对应的区域。
图6(c)示出了心尖四腔心切面图像视频进行分帧后得到的第三图像帧序列中第i图像帧,图中示意心肌的各个节段,如第17节段,第16节段,第12节段,第6节段,第14节段,第9节段,第3节段。其可以采用如图6(a)的划分方式来获取各个心肌节段对应的区域。
然后,通过分析某个心肌节段上,微气泡的充盈情况来评价其灌注效果。假设第i图像帧的第k个节段对应的子节段区域表示为,对于该子节段区域所包含的像素点对应的亮度值进行统计,例如在子节段区域内4个亮度值为255的像素点构成一个微气泡。然后,在对子节段区域内显示的微气泡数量进行统计,得到该子节段区域对应的微气泡数量。同理,对图像帧序列所包含的每帧图像帧对应的该子节段区域的微气泡数量进行统计,得到图像帧序列对应的微气泡数量统计结果,其中n表示图像帧序列的最大取值。
针对第k节段可以按照下述公式计算第k节段对应的方差值
其中,n表示图像帧序列的最大取值;
若比较结果表示子节段区域对应的微泡数量方差值与所述最大值为第一分值关系,则标记子节段区域对应的灌注显像评分为第一分值,第一分值关系表示子节段区域对应的微泡数量方差值与最大值的差值小于阈值且位于邻近范围内;邻近范围取值理解为微泡数量方差值与最大值的差值近似为零或者0.01。也可以理解为微泡数量方差值趋近于最大值。
若比较结果表示子节段区域对应的微泡数量方差值与最大值为第二分值关系,则标记子节段区域对应的灌注显像评分为第二分值。第二分值关系表示子节段区域对应的微泡数量方差值与最大值的差值小于阈值且不位于邻近范围内;
若比较结果表示子节段区域对应的微泡数量方差值与最大值为第三分值关系,则标记子节段区域对应的灌注显像评分为第三分值。第三分值关系表示子节段区域对应的微泡数量方差值与最大值的差值大于阈值且不位于邻近范围内。
上述方法,将其他子节段区域的方差值与最大值进行比较,比较结果表示子节段区域的方差值越接近最大值,则该子节段区域的评分标识为1,说明其灌注效果明显。相反,若越远离最大值,则将其评分标识为3。如图6(d)所示,在心肌灌注评分界面中显示每个节段相应的评分结果。若灌注正常即充盈程度对应的方差值越接近最大值,则评分标识设置为1,若灌注稀疏,则评分标识为2,若灌注缺失则评分标识为3,其充盈程度对应的方差值越远离最大值。
可选地,上述评分标识可以采用数字标识,或者颜色标识,利用颜色的渐变关系来显示评分结果,颜色越深表示灌注效果越好,其对应的评分值也就越低。颜色越浅,表示灌注效果越差,对应的评分值也就越低高。
通过上述方式可以有效地跟踪心肌的子节段区域,并对子节段区域的微泡充盈程度进行评价。
可选地,在获取的图像帧序列中,还可以查找到图像帧序列中第k节段的对应的亮度值的最大值,即在图像帧序列中查找得到亮度值最大的第m帧图像帧。获取第m帧图像帧中第k节段的微气泡数量,其表示第m帧图像帧所包含的第k个节段的微气泡数量。将其他节段的微气泡数量与第m帧图像帧的第k节段的微气泡数量按照下述公式计算其他节段的方差值。
其中,n表示图像帧序列的最大取值;
其中,在图像帧序列中查找得到亮度值最大的第m帧图像帧,可以是根据全局亮度值确定第m帧图像帧,也可以根据局部亮度值确定第m帧图像帧。
优选地,还可以通过查找图像帧序列中子节段区域对应的像素亮度峰值和像素亮度峰值对应的时间值;
基于像素亮度峰值和时间值构建评价曲线,该评价曲线作为像素亮度评价指标;
将每个子节段区域对应的像素亮度值与像素亮度评价指标进行比较,对每个子节段区域进行灌注显像评分。
进一步地请参考图7,图7示出了根据本申请实施例提供的图像局部区域亮度智能评价装置的示例性结构框图。如图7所示,该装置包括:
图像帧获取单元701,用于获取灌注显像视频的图像帧序列;
目标轮廓提取单元702,用于调用图像分割模型对图像帧序列所包含的每一帧图像帧提取目标区域轮廓,图像分割模型用于动态地分割所述图像帧所包含的目标区域轮廓,目标区域轮廓包括多个子节段区域;
灌注评分单元703,用于基于子节段区域内所包含的像素亮度值进行灌注显像评分。
可选地,图像分割模型包括边界框提取子模型和第一目标区域分割子模型,则目标轮廓提取单元包括:
边界提取子单元,用于调用边界框提取子模型确定目标区域对应的边界框;
裁剪子单元,用于按照边界框对每帧图像帧进行裁剪处理得到子图像;
第一分割子单元,用于调用第一目标区域分割子模型对子图像进行分割,得到目标区域轮廓;
等分子单元,用于将目标区域轮廓按照等分处理得到与目标区域轮廓对应的多个子节段区域。
可选地,图像分割模型包括动态追踪子模型和第二目标区域分割子模型,则目标轮廓提取单元包括:
运动追踪子单元,用于调用动态追踪子模型获取图像帧序列所包含的运动信息;
预测子单元,用于根据运动信息预测图像帧序列中每一帧图像帧所包含的子节段区域的中心位置;
第二分割子单元,用于第二目标区域分割子模型对目标区域轮廓进行分割提取,得到目标区域轮廓;
划分子单元,用于将目标区域轮廓按照中心位置进行划分处理,得到与目标区域轮廓对应的多个子节段区域。
可选地,灌注评分单元还包括:
指标获取子单元,用于针对图像帧序列中每一帧图像帧,获取目标区域轮廓内每个子节段区域的像素亮度评价指标;
评分子单元,用于利用像素亮度评价指标对每个子节段区域进行灌注显像评分。
指标获取子单元还用于获取子节段区域所包含的像素点对应的像素亮度值;
根据像素亮度值的分布区域确定子节段区域内的微泡区域;
对微泡区域进行数量统计,得到微泡数量值;
基于微泡数量值计算图像帧序列中每个子节段区域对应的微泡数量方差值,
确定微泡数量方差值中的最大值作为像素亮度评价指标。
评分子单元还用于:
获取每个子节段区域对应的微泡数量方差值;
将每个所述子节段区域对应的微泡数量方差值与最大值进行比较;
若比较结果表示子节段区域对应的微泡数量方差值与最大值为第一分值关系,则标记子节段区域对应的灌注显像评分为第一分值。该第一分值关系表示子节段区域对应的微泡数量方差值与最大值的差值小于阈值且位于邻近范围内;
若比较结果表示子节段区域对应的微泡数量方差值与最大值为第二分值关系,则标记子节段区域对应的灌注显像评分为第二分值,第二分值关系表示子节段区域对应的微泡数量方差值与最大值的差值小于阈值且不位于邻近范围内;
若比较结果表示子节段区域对应的微泡数量方差值与最大值为第三分值关系,则标记子节段区域对应的灌注显像评分为第三分值。第三分值关系表示子节段区域对应的微泡数量方差值与最大值的差值大于阈值且不位于邻近范围内。
灌注评分单元还用于:
查找图像帧序列中子节段区域对应的像素亮度峰值和像素亮度峰值对应的时间值;
基于像素亮度峰值和时间值构建评价曲线,该评价曲线作为像素亮度评价指标;
将每个所述子节段区域对应的像素亮度值与像素亮度评价指标进行比较,对每个子节段区域进行灌注显像评分。
应当理解,装置中记载的诸单元或模块与上述描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作指令和特征同样适用于装置及其中包含的单元,在此不再赘述。装置可以预先实现在电子设备的浏览器或其他安全应用中,也可以通过下载等方式而加载到电子设备的浏览器或其安全应用中。装置中的相应单元可以与电子设备中的单元相互配合以实现本申请实施例的方案。
在上文详细描述中提及的若干模块或者单元,这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
下面参考图8,图8示出了适于用来实现本申请实施例的电子设备或服务器的计算机***的结构示意图。
如图8所示,计算机***包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有***的操作指令所需的各种程序和数据。CPU 801、ROM802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本公开的实施例,上文参考流程图图2描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在机器可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的***中限定的上述功能。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作指令。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作指令的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括图像帧获取单元、目标轮廓提取单元以及灌注评分单元。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,图像帧获取单元,还可以被描述为“用于获取灌注显像视频的图像帧序列的单元”。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序,当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的图像局部区域亮度智能评价方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种图像局部区域亮度智能评价方法,其特征在于,该方法包括:
获取灌注显像视频的图像帧序列;
调用图像分割模型对所述图像帧序列所包含的每一帧图像帧提取目标区域轮廓,所述图像分割模型用于动态地分割所述图像帧所包含的目标区域轮廓,所述目标区域轮廓包括多个子节段区域;
基于所述子节段区域内所包含的用于表征经过造影剂显像得到的微气泡区域的像素亮度值进行灌注显像评分;
基于所述子节段区域内所包含的用于表征经过造影剂显像得到的微气泡区域像素亮度值进行灌注显像评分包括:
针对所述图像帧序列中每一张图像帧,获取所述目标区域轮廓内每个所述子节段区域的像素亮度评价指标;
利用所述像素亮度评价指标对每个所述子节段区域进行灌注显像评分;
其中,获取所述目标区域轮廓内每个所述子节段区域的像素亮度评价指标,包括:
获取所述子节段区域所包含的像素点对应的像素亮度值;
根据所述像素亮度值的分布区域确定所述子节段区域内的微泡区域;
对所述微泡区域进行数量统计,得到微泡数量值;
基于所述微泡数量值计算所述图像帧序列中每个所述子节段区域对应的微泡数量方差值,
确定所述微泡数量方差值中的最大值作为所述像素亮度评价指标,其中所述利用所述像素亮度评价指标对每个所述子节段区域进行灌注显像评分,包括:
获取每个所述子节段区域对应的微泡数量方差值;
将每个所述子节段区域对应的微泡数量方差值与所述最大值进行比较;
若比较结果表示所述子节段区域对应的微泡数量方差值与所述最大值为第一分值关系,则标记所述子节段区域对应的灌注显像评分为第一分值,所述第一分值关系表示所述子节段区域对应的微泡数量方差值与所述最大值的差值小于阈值且位于邻近范围内;
若比较结果表示所述子节段区域对应的微泡数量方差值与所述最大值为第二分值关系,则标记所述子节段区域对应的灌注显像评分为第二分值,所述第二分值关系表示所述子节段区域对应的微泡数量方 差值与所述最大值的差值小于阈值且不位于邻近范围内;
若比较结果表示所述子节段区域对应的微泡数量方差值与所述最大值为第三分值关系,则标记所述子节段区域对应的灌注显像评分为第三分值,所述第三分值关系表示所述子节段区域对应的微泡数量方 差值与所述最大值的差值大于阈值且不位于邻近范围内。
2.根据权利要求1所述的方法,其特征在于,所述图像分割模型包括边界框提取子模型和第一目标区域分割子模型,则所述调用图像分割模型对所述图像帧序列所包含的每一图像帧提取目标区域轮廓包括:
调用边界框提取子模型确定所述目标区域对应的边界框;
按照所述边界框对每帧所述图像帧进行裁剪处理得到子图像;
调用第一目标区域分割子模型对所述子图像进行分割,得到所述目标区域轮廓;
将所述目标区域轮廓按照等分处理得到与所述目标区域轮廓对应的多个子节段区域。
3.根据权利要求1所述的方法,其特征在于,所述图像分割模型包括动态追踪子模型和第二目标区域分割子模型,则所述调用图像分割模型对所述图像帧序列所包含的每一图像帧提取目标区域轮廓包括:
调用所述动态追踪子模型获取所述图像帧序列所包含的运动信息;
根据所述运动信息预测所述图像帧序列中每一个图像帧所包含的子节段区域的中心位置;
调用第二目标区域分割子模型对所述目标区域轮廓进行分割提取,得到所述目标区域轮廓;
将所述目标区域轮廓按照中心位置进行划分处理,得到与所述目标区域轮廓对应的多个子节段区域。
4.一种图像局部区域亮度智能评价装置,其特征在于,该装置包括:
图像帧获取单元,用于获取灌注显像视频的图像帧序列;
目标轮廓提取单元,用于调用图像分割模型对所述图像帧序列所包含的每一帧图像帧提取目标区域轮廓,所述图像分割模型用于动态地分割所述图像帧所包含的目标区域轮廓,所述目标区域轮廓包括多个子节段区域;
灌注评分单元,用于基于所述子节段区域内所包含的用于表征经过造影剂显像得到的微气泡区域的像素亮度值进行灌注显像评分,基于所述子节段区域内所包含的用于表征经过造影剂显像得到的微气泡区域像素亮度值进行灌注显像评分包括:
针对所述图像帧序列中每一张图像帧,获取所述目标区域轮廓内每个所述子节段区域的像素亮度评价指标;
利用所述像素亮度评价指标对每个所述子节段区域进行灌注显像评分;
其中,获取所述目标区域轮廓内每个所述子节段区域的像素亮度评价指标,包括:
获取所述子节段区域所包含的像素点对应的像素亮度值;
根据所述像素亮度值的分布区域确定所述子节段区域内的微泡区域;
对所述微泡区域进行数量统计,得到微泡数量值;
基于所述微泡数量值计算所述图像帧序列中每个所述子节段区域对应的微泡数量方差值,
确定所述微泡数量方差值中的最大值作为所述像素亮度评价指标,其中所述利用所述像素亮度评价指标对每个所述子节段区域进行灌注显像评分,包括:
获取每个所述子节段区域对应的微泡数量方差值;
将每个所述子节段区域对应的微泡数量方差值与所述最大值进行比较;
若比较结果表示所述子节段区域对应的微泡数量方差值与所述最大值为第一分值关系,则标记所述子节段区域对应的灌注显像评分为第一分值,所述第一分值关系表示所述子节段区域对应的微泡数量方差值与所述最大值的差值小于阈值且位于邻近范围内;
若比较结果表示所述子节段区域对应的微泡数量方差值与所述最大值为第二分值关系,则标记所述子节段区域对应的灌注显像评分为第二分值,所述第二分值关系表示所述子节段区域对应的微泡数量方 差值与所述最大值的差值小于阈值且不位于邻近范围内;
若比较结果表示所述子节段区域对应的微泡数量方差值与所述最大值为第三分值关系,则标记所述子节段区域对应的灌注显像评分为第三分值,所述第三分值关系表示所述子节段区域对应的微泡数量方 差值与所述最大值的差值大于阈值且不位于邻近范围内。
5.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-3中任一项所述的方法。
6.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010495453.1A CN111429457B (zh) | 2020-06-03 | 2020-06-03 | 图像局部区域亮度智能评价方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010495453.1A CN111429457B (zh) | 2020-06-03 | 2020-06-03 | 图像局部区域亮度智能评价方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429457A CN111429457A (zh) | 2020-07-17 |
CN111429457B true CN111429457B (zh) | 2020-09-11 |
Family
ID=71553353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010495453.1A Active CN111429457B (zh) | 2020-06-03 | 2020-06-03 | 图像局部区域亮度智能评价方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429457B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111891691A (zh) * | 2020-07-23 | 2020-11-06 | 云南省烟草质量监督检测站 | 一种基于外包装的真假卷烟识别检测装置及其方法 |
CN113469948B (zh) * | 2021-06-08 | 2022-02-25 | 北京安德医智科技有限公司 | 左心室节段识别方法及装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101681508A (zh) * | 2007-05-11 | 2010-03-24 | 国家健康与医学研究院 | 一种用于分析对象的脑图像的方法、用于分析该图像的计算机程序产品以及用于实施该方法的设备 |
CN103927733A (zh) * | 2013-01-11 | 2014-07-16 | 上海市第六人民医院 | 一种利用核磁共振的图像数据建立方法 |
CN105705084A (zh) * | 2013-09-20 | 2016-06-22 | 国立大学法人旭川医科大学 | 血管内血流动态的图像处理方法及*** |
CN106296744A (zh) * | 2016-11-07 | 2017-01-04 | 湖南源信光电科技有限公司 | 一种结合自适应模型和多阴影属性的运动目标检测方法 |
CN109222952A (zh) * | 2018-07-17 | 2019-01-18 | 上海健康医学院 | 一种激光散斑血流灌注成像方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016176781A1 (en) * | 2015-05-07 | 2016-11-10 | Novadaq Technologies Inc. | Methods and systems for laser speckle imaging of tissue using a color image sensor |
-
2020
- 2020-06-03 CN CN202010495453.1A patent/CN111429457B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101681508A (zh) * | 2007-05-11 | 2010-03-24 | 国家健康与医学研究院 | 一种用于分析对象的脑图像的方法、用于分析该图像的计算机程序产品以及用于实施该方法的设备 |
CN103927733A (zh) * | 2013-01-11 | 2014-07-16 | 上海市第六人民医院 | 一种利用核磁共振的图像数据建立方法 |
CN105705084A (zh) * | 2013-09-20 | 2016-06-22 | 国立大学法人旭川医科大学 | 血管内血流动态的图像处理方法及*** |
CN106296744A (zh) * | 2016-11-07 | 2017-01-04 | 湖南源信光电科技有限公司 | 一种结合自适应模型和多阴影属性的运动目标检测方法 |
CN109222952A (zh) * | 2018-07-17 | 2019-01-18 | 上海健康医学院 | 一种激光散斑血流灌注成像方法 |
Non-Patent Citations (1)
Title |
---|
三维超声左心室造影结合核素评价心力衰竭患者左心室收缩功能与同步性;安秀芝 等;《中华老年心脑血管病杂志》;20191130;第21卷(第11期);第1150-1154页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111429457A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583440B (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及*** | |
CN113781439B (zh) | 超声视频病灶分割方法及装置 | |
US7447344B2 (en) | System and method for visualization of pulmonary emboli from high-resolution computed tomography images | |
CN110458830B (zh) | 图像处理方法、装置、服务器及存储介质 | |
US7583829B2 (en) | Method and apparatus for embolism analysis | |
CN111667478B (zh) | Cta到mra跨模态预测的颈动脉斑块识别方法及*** | |
EP3975117A1 (en) | Image segmentation method and apparatus, and training method and apparatus for image segmentation model | |
JP2014534822A (ja) | モデルに基づいた冠動脈のカルシウムスコアリング | |
CN111445449A (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
US11468570B2 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
WO2021174992A1 (en) | Systems and methods for determining hemodynamic parameters | |
CN111429457B (zh) | 图像局部区域亮度智能评价方法、装置、设备及介质 | |
de Albuquerque et al. | Fast fully automatic heart fat segmentation in computed tomography datasets | |
CN112419484A (zh) | 三维血管合成方法、***及冠状动脉分析***和存储介质 | |
CN112102275A (zh) | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 | |
Gu et al. | Segmentation of coronary arteries images using global feature embedded network with active contour loss | |
CN114782358A (zh) | 一种血管形变自动计算的方法、装置及存储介质 | |
KR102628324B1 (ko) | 인공지능 기반의 사용자 인터페이스를 통한 수술 결과 분석 장치 및 그 방법 | |
Ramos et al. | Fast and smart segmentation of paraspinal muscles in magnetic resonance imaging with CleverSeg | |
CN113889238A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN112258476A (zh) | 超声心动图心肌异常运动模式分析方法、***及存储介质 | |
CN116580819A (zh) | 用于自动化地确定图像序列中的检查结果的方法和*** | |
CN113129297A (zh) | 基于多期相肿瘤影像的直径自动测量方法及*** | |
Hati et al. | Weakly Supervised Geodesic Segmentation of Egyptian Mummy CT Scans | |
Yan et al. | Automatic detection and localization of pulmonary nodules in ct images based on yolov5 |
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 |