CN113610751B - 图像处理方法、装置及计算机可读存储介质 - Google Patents
图像处理方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113610751B CN113610751B CN202110622275.9A CN202110622275A CN113610751B CN 113610751 B CN113610751 B CN 113610751B CN 202110622275 A CN202110622275 A CN 202110622275A CN 113610751 B CN113610751 B CN 113610751B
- Authority
- CN
- China
- Prior art keywords
- pet
- image
- region
- template
- pet image
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 39
- 210000004556 brain Anatomy 0.000 claims abstract description 92
- 230000009466 transformation Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007499 fusion processing Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 15
- 210000003625 skull Anatomy 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 21
- 230000011218 segmentation Effects 0.000 abstract description 19
- 238000002600 positron emission tomography Methods 0.000 description 484
- 238000002595 magnetic resonance imaging Methods 0.000 description 19
- 208000024827 Alzheimer disease Diseases 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 208000037259 Amyloid Plaque Diseases 0.000 description 2
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 2
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 2
- 230000006933 amyloid-beta aggregation Effects 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000007428 craniotomy Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 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 1
- BIAWAXVRXKIUQB-UHFFFAOYSA-N 2-(2-phenylethenyl)pyridine Chemical class C=1C=CC=CC=1C=CC1=CC=CC=N1 BIAWAXVRXKIUQB-UHFFFAOYSA-N 0.000 description 1
- 206010003694 Atrophy Diseases 0.000 description 1
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 101150015738 Fev gene Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 102100037681 Protein FEV Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000011157 brain segmentation Effects 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000004295 hippocampal neuron Anatomy 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 210000002682 neurofibrillary tangle Anatomy 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000026731 phosphorylation Effects 0.000 description 1
- 238000006366 phosphorylation reaction Methods 0.000 description 1
- 230000007425 progressive decline Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 210000002637 putamen Anatomy 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 102000013498 tau Proteins Human genes 0.000 description 1
- 108010026424 tau Proteins Proteins 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种图像处理方法，包括以下步骤：将待处理PET影像配准至预设图谱库中的模板空间，并将第一PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配；基于所述第二PET影像，确定待第一预设数量的待筛选PET影像；基于预设图谱库中PET模板影像的感兴趣区域，确定待处理PET影像的感兴趣区域，在待筛选PET影像中确定第二预设数量的目标PET影像；对各个目标PET影像进行逆变换操作，对逆变换后的目标PET影像进行融合处理，以获得目标影像。本发明还公开了一种图像处理装置及计算机可读存储介质。本发明通过预设图谱库实现了待处理PET影像的自动分割，与现有脑区分割相比，降低了资源消耗，提高了PET影像自动分割的准确性以及精度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、装置及计算机可读存储介质。
背景技术
阿尔茨海默病(Alzheimer's disease，AD)是一种神经***退行疾病，属于老年痴呆症中最常见的类型。AD患者呈渐进性认知功能衰退，随年龄增长病情逐步加剧。一般将病程分为早、中、晚三期，在早中期患者认知相关的多种能力开始下降，包括记忆力、理解力和判断力等，此阶段进程缓慢，是疾病干预和治疗的最好时间段，但若发展到晚期患者基本完全丧失所有的认知能力和生活自理能力。因此找到阿尔茨海默特异的生物标记物，在初期做到有效诊断，对减轻疾病给患者带来的身心痛苦，经济压力和社会负担具有巨大意义。
阿尔茨海默是一种复杂的多因素疾病，与遗传、代谢和生活习惯等多种因素有关。对于AD的诊断主要是根据认知量表评估和临床症状诊断，由于患者个体病情表征和医护人员主观判断上的差异性，这种方式不利于对该疾病进行横向和纵向上的比较。
神经影像学，能够提供脑功能、结构以及分子水平上病理改变的证据，在研究诊断和辅助治疗阿尔茨海默症上具有广阔的应用前景。AD患者的大脑有大范围萎缩现象，并且在大脑皮质和海马区神经元细胞外β淀粉样蛋白(amyloid beta，Aβ)沉积形成老年斑(senile plaques，SP)以及神经元细胞内异常磷酸化tau蛋白形成神经纤维缠结(neuro-fibrillary tangles，NFTs)。
PET(Positron Emission Tomography，正电子发射断层成像)是一种具有高灵敏度、高特异性和无创伤性的成像方式，可在活体上显示生物分子代谢、神经介质活动等情况。其主要成像过程是：将与生命活动代谢过程中相关的物质如葡萄糖、蛋白质和核酸等用放射性元素(18F、12C等)进行标记，注入人体，以被标记的物质聚焦，反映生命的代谢活动情况，从而达到诊断的目的。18F标记的苯乙烯基吡啶衍生物(18F-AV45)，是一种靶向β－淀粉样蛋白示踪剂，可以与Aβ特异性结合，从而实现对阿尔茨海默症患者Aβ沉积情况的定量观察。AD在大脑皮质和海马等广泛的区域有出现Aβ沉积现象，关注的主要感兴趣区ROI有：前额叶、楔前叶、扣带回、侧颞叶、尾状核和壳核。要想横向和纵向定量比较患者在各个感兴趣区上Aβ沉积情况，就需要对PET图像进行精准脑区分割。
然而，PET空间分辨率低，即使经验丰富的医生进行手工分割，也需要花费大量的时间和精力，并且患者大脑萎缩和病变也为有效确定各感兴趣区的边界带来困难。
现有的PET图像的脑区分割可以借助磁共振结构像来辅助进行分割。先对磁共振结构像MRI进行自动分割，再将分割后的结构像配准到PET图像上，进而达到PET的脑区自动分割和感兴趣区提取，但是，这种方式需要患者同时提供正电子发射断层成像和磁共振成像数据，增加了患者经济压力和医院资源负担，耗费资源较大。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种图像处理方法、装置及计算机可读存储介质，旨在解决PET图像的脑区分割需要消耗大量的资源的技术问题。
为实现上述目的，本发明提供一种图像处理方法，所述图像处理方法包括以下步骤：
将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像，并将第一PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像；
基于所述第二PET影像，在预设图谱库的多个PET影像中确定待第一预设数量的待筛选PET影像；
基于预设图谱库中PET模板影像的感兴趣区域，确定待处理PET影像的感兴趣区域，并基于待处理PET影像的感兴趣区域以及预设图谱库中筛选PET影像对应的感兴趣区域，在待筛选PET影像中确定第二预设数量的目标PET影像；
对各个目标PET影像进行逆变换操作，以获得逆变换后的目标PET影像，并对逆变换后的目标PET影像进行融合处理，以获得目标影像。
进一步地，所述基于所述第二PET影像，在预设图谱库的多个PET影像中确定待第一预设数量的待筛选PET影像的步骤包括：
获取所述第二PET影像与各个所述PET影像之间的全脑互信息；
将全脑互信息最大的第一预设数量的PET影像作为所述待筛选PET影像。
进一步地，所述基于预设图谱库中PET模板影像的感兴趣区域，确定待处理PET影像的感兴趣区域，并基于待处理PET影像的感兴趣区域以及预设图谱库中筛选PET影像对应的感兴趣区域，在待筛选PET影像中确定第二预设数量的目标PET影像的步骤包括：
基于所述PET模板影像的感兴趣区域，对所述PET模板影像以及所述待处理PET影像进行局部直方图匹配，以获得待处理PET影像的感兴趣区域；
获取待处理PET影像的感兴趣区域与待筛选PET影像对应的感兴趣区域之间的局部互信息；
将待筛选PET影像中局部互信息最大的第二预设数量的PET影像作为所述目标PET影像。
进一步地，所述将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像，并将第一PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像的步骤包括：
将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像；
基于全脑模板去除第一PET影像中的颅骨信号，得到第三PET影像；
对第三PET影像进行部分体积效应矫正操作，得到矫正后的PET影像，并对矫正后的PET影像进行高斯滤波处理，得到滤波后的PET影像；
将滤波后的PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像。
进一步地，所述将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像的步骤之前，还包括：
获取预设数量的标准PET影像以及预设数量的脑磁共振影像；
对所述标准PET影像进行非线性融合得到PET模板影像，将脑磁共振影像进行非线性融合得到MRI模板影像，并将MRI模板影像准至PET模板影像，以获得模板空间；
将各个标准PET影像配准至PET模板影像，以获得第四PET影像，并基于所述PET模板影像以及第四PET影像，确定所述PET影像；
获取所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域；
基于所述模板空间、所述PET模板影像、所述PET影像、所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域，确定预设预设图谱库。
进一步地，所述基于所述PET模板影像以及第四PET影像，确定所述PET影像的步骤包括：
基于全脑模板去除第四PET影像中的颅骨信号，得到去颅后的第四PET影像，对去颅后的第四PET影像进行部分体积效应矫正操作，得到矫正后的第四PET影像，对矫正后的第四PET影像进行高斯滤波，得到预处理后的第四PET影像；
基于全脑模板去除PET模板影像中的颅骨信号，得到去颅后的PET模板影像，对去颅后的PET模板影像进行部分体积效应矫正操作，得到矫正后的PET模板影像，对矫正后的PET模板影像进行高斯滤波，得到预处理后的PET模板影像；
基于预处理后的第四PET影像以及预处理后的PET模板影像进行全脑直方图匹配，以获得所述PET影像。
进一步地，所述获取所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域步骤包括：
获取所述PET影像的第一子区标签以及所述PET模板影像对应的第二子区标签；
基于所述第一子区标签获取预处理后的第四PET影像对应的第一感兴趣区域，并基于所述第二子区标签获取预处理后的PET模板影像对应的第二感兴趣区域；
对第一感兴趣区域以及第二感兴趣区域进行直方图匹配，以获得PET模板影像的感兴趣区域，并基于所述第一感兴趣区域确定所述PET影像对应的感兴趣区域。
进一步地，所述获取所述PET影像的第一子区标签以及所述PET模板影像对应的第二子区标签的步骤包括：
对各个脑磁共振影像进行分割操作，以获得所述脑磁共振影像的子区标签；
将脑磁共振影像刚体变换配准至标准PET影像，以获得第二变换矩阵；
基于第二变换矩阵以及所述第四PET影像对应的变换参数，将脑磁共振影像的子区标签配准至第四PET影像，以获得PET影像的第一子区标签；
将所述MRI模板影像对应的子区标签配准至所述PET模板影像，以获得所述第二子区标签。
此外，为实现上述目的，本发明还提供一种图像处理装置，所述图像处理装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现前述的图像处理方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现前述的图像处理方法的步骤。
本发明通过将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像，并将第一PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像，接着基于所述第二PET影像，在预设图谱库的多个PET影像中确定待第一预设数量的待筛选PET影像，而后基于预设图谱库中PET模板影像的感兴趣区域，确定待处理PET影像的感兴趣区域，并基于待处理PET影像的感兴趣区域以及预设图谱库中筛选PET影像对应的感兴趣区域，在待筛选PET影像中确定第二预设数量的目标PET影像，然后对各个目标PET影像进行逆变换操作，以获得逆变换后的目标PET影像，并对逆变换后的目标PET影像进行融合处理，以获得目标影像，通过预设图谱库实现了待处理PET影像的自动分割，与现有脑区分割相比，降低了资源消耗，提高了PET影像自动分割的准确性以及精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中图像处理装置的结构示意图；
图2为本发明图像处理方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境中图像处理装置的结构示意图。
本发明实施例图像处理装置可以是PC，如图1所示，该图像处理装置可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对图像处理装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及图像处理程序。
在图1所示的图像处理装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的图像处理程序。
在本实施例中，图像处理装置包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的图像处理程序，其中，处理器1001调用存储器1005中存储的图像处理程序时，并执行以下各个实施例中图像处理方法的步骤。
本发明还提供一种图像处理方法，参照图2，图2为本发明图像处理方法第一实施例的流程示意图。
本实施例中，该图像处理方法包括以下步骤：
步骤S101，将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像，并将第一PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像；
需要说明的是，在进行PET影像的脑区分割之前，先根据多组PET影像以及脑磁共振影像，确定预设图谱库。其中，待处理PET影像为用户当前需要进行脑区分割的PET影像。本实施例中，在得到待处理PET影像之后，获取预设图谱库中的
模板空间，模板空间为模板影像，将待处理PET影像配准至该模板空间，得到第一PET影像，具体地，采用现有的配准算法将待处理PET影像配准至该模板空间，并对配准后的PET影像进行预处理得到第一PET影像。
在获取到第一PET影像之后，获取预设图谱库中的PET模板影像，并将第一PET影像与PET模板影像进行全脑直方图匹配，并将全脑直方图匹配得到的匹配结果作为第二PET影像，具体采用的直方图匹配算法，对第一PET影像与PET模板影像进行全脑的直方图匹配。
步骤S102，基于所述第二PET影像，在预设图谱库的多个PET影像中确定待第一预设数量的待筛选PET影像；
本实施例中，在获取到第二PET影像之后，获取预设图谱库中的多个PET影像，并根据该第二PET影像在各个PET影像中筛选第一预设数量的影像作为待筛选PET影像，具体地，先确定第二PET影像与各个PET影像之间的相关性，将PET影像中相关性最大的第一预设数量的影像作为待筛选PET影像，其中，该第一预设数量小于预设图谱库中PET影像的数量，其具体数值可以进行合理设置。
步骤S103，基于预设图谱库中PET模板影像的感兴趣区域，确定待处理PET影像的感兴趣区域，并基于待处理PET影像的感兴趣区域以及预设图谱库中筛选PET影像对应的感兴趣区域，在待筛选PET影像中确定第二预设数量的目标PET影像；
本实施例中，在获取到筛选PET影像之后，获取预设图谱库中PET模板影像的感兴趣区域以及PET影像对应的感兴趣区域，并基于PET模板影像的感兴趣区域确定待处理PET影像的感兴趣区域，并基于PET影像对应的感兴趣区域获取筛选PET影像对应的感兴趣区域。而后，基于筛选PET影像对应的感兴趣区域以及待处理PET影像的感兴趣区域，在待筛选PET影像中确定第二预设数量的目标PET影像，具体地，确定各个筛选PET影像对应的感兴趣区域与待处理PET影像的感兴趣区域之间的互信息，将待筛选PET影像中互信息最大的第二预设数量的PET影像作为目标PET影像。
其中，第二预设数量小于第一预设数量，感兴趣区域为阿尔兹海默病对应的脑区区域，即各个感兴趣区域均为阿尔兹海默病的感兴趣脑区。
步骤S104，对各个目标PET影像进行逆变换操作，以获得逆变换后的目标PET影像，并对逆变换后的目标PET影像进行融合处理，以获得目标影像。
本实施例中，在获取到目标PET影像，对各个目标PET影像进行逆变换操作，以将各个目标PET影像配准至待处理PET影像对应的原始空间，得到逆变换后的目标PET影像，而后对逆变换后的目标PET影像进行融合处理，具体可采用STAPLE算法对逆变换后的各个目标PET影像进行标签融合，以获得目标影像，通过对逆变换后的各个目标PET影像进行标签融合，以减少目标影像中感兴趣区域的毛刺、噪点和误判等，提高PET影像进行脑区分割的准确性。
本实施例实现了PET影像的自动分割，相比人工划分与基于磁共振成像的方法更加节约成本与时间，且能够保证目标影像的精度，降低资源耗费。
本实施例提出的图像处理方法，通过将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像，并将第一PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像，接着基于所述第二PET影像，在预设图谱库的多个PET影像中确定待第一预设数量的待筛选PET影像，而后基于预设图谱库中PET模板影像的感兴趣区域，确定待处理PET影像的感兴趣区域，并基于待处理PET影像的感兴趣区域以及预设图谱库中筛选PET影像对应的感兴趣区域，在待筛选PET影像中确定第二预设数量的目标PET影像，然后对各个目标PET影像进行逆变换操作，以获得逆变换后的目标PET影像，并对逆变换后的目标PET影像进行融合处理，以获得目标影像，通过预设图谱库实现了待处理PET影像的自动分割，与现有脑区分割相比，降低了资源消耗，提高了PET影像自动分割的准确性以及精度。
基于第一实施例，提出本发明图像处理方法的第二实施例，在本实施例中，步骤S102包括：
步骤S201，获取所述第二PET影像与各个所述PET影像之间的全脑互信息；
步骤S202，将全脑互信息最大的第一预设数量的PET影像作为所述待筛选PET影像。
本实施例中，本实施例中，在获取到第二PET影像之后，获取预设图谱库中的多个PET影像，并计算第二PET影像与各个PET影像之间的全脑互信息，其中，全脑互信息的计算公式为：
其中，U(IPETmg,i,IPETmg,test)为第二PET影像与第i个PET影像之间的全脑互信息，IPETmg,i为第i个PET影像，IPETmg,test为第二PET影像；其中，
I(X；Y)中X为IPETmg,i、Y为IPETmg,test，H(x)为信息熵计算公式，xi为IPETmg,test或者IPETmg,i中的像素点。
获取到第二PET影像与各个PET影像之间的全脑互信息之后，将全脑互信息最大的第一预设数量的PET影像作为所述待筛选PET影像。
本实施例提出的图像处理方法，通过获取所述第二PET影像与各个所述PET影像之间的全脑互信息，接着将全脑互信息最大的第一预设数量的PET影像作为所述待筛选PET影像，提高筛选全脑互信息最大PET影像，提高待筛选PET影像与待处理PET影像之间的相关性，进一步提高PET影像自动分割的准确性以及精度。
基于第一实施例，提出本发明图像处理方法的第三实施例，在本实施例中，步骤S103包括：
步骤S301，基于所述PET模板影像的感兴趣区域，对所述PET模板影像以及所述待处理PET影像进行局部直方图匹配，以获得待处理PET影像的感兴趣区域；
步骤S302，获取待处理PET影像的感兴趣区域与待筛选PET影像对应的感兴趣区域之间的局部互信息；
步骤S303，将待筛选PET影像中局部互信息最大的第二预设数量的PET影像作为所述目标PET影像。
本实施例中，在获取到筛选PET影像之后，获取预设图谱库中PET模板影像的感兴趣区域，基于该PET模板影像的感兴趣区域，对PET模板影像以及待处理PET影像进行局部直方图匹配，以获得待处理PET影像的感兴趣区域，即采用现有的直方图匹配算法，进行PET模板影像以及待处理PET影像之间感兴趣区域的局部直方图匹配，得到待处理PET影像的感兴趣区域。
而后，获取预设图谱库中以及PET影像对应的感兴趣区域，并计算待处理PET影像的感兴趣区域与待筛选PET影像对应的感兴趣区域之间的局部互信息，具体计算过程与第二实施例中的全脑互信息的计算过程类似，在此不再赘述。
最后，可以对各个局部互信息进行排序，以选取待筛选PET影像中局部互信息最大的第二预设数量的PET影像作为目标PET影像。
本实施例提出的图像处理方法，通过基于所述PET模板影像的感兴趣区域，对所述PET模板影像以及所述待处理PET影像进行局部直方图匹配，以获得待处理PET影像的感兴趣区域；接着获取待处理PET影像的感兴趣区域与待筛选PET影像对应的感兴趣区域之间的局部互信息；而后将待筛选PET影像中局部互信息最大的第二预设数量的PET影像作为所述目标PET影像，通过局部互信息在待筛选PET影像中筛选目标PET影像，提高目标PET影像与待处理PET影像之间的相关性，进一步提高PET影像自动分割的准确性以及精度。
基于第一实施例，提出本发明图像处理方法的第四实施例，在本实施例中，步骤S101包括：
步骤S401，将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像；
步骤S402，基于全脑模板去除第一PET影像中的颅骨信号，得到第三PET影像；
步骤S403，对第三PET影像进行部分体积效应矫正操作，得到矫正后的PET影像，并对矫正后的PET影像进行高斯滤波处理，得到滤波后的PET影像；
步骤S404，将滤波后的PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像。
本实施例中，在获取到待处理PET影像时，将该待处理PET影像配准至预设图谱库中的模板空间，具体采用现有的配准算法将待处理PET影像配准至该模板空间，以获得第一PET影像。
而后，对第一PET影像进行预处理，先获取全脑模板，基于全脑模板去除第一PET影像中的颅骨信号，得到第三PET影像，其中，全脑模板的公式为：
其中，Ltplabel(x)为PET模板影像的子区标签，MSKfull(x)为全脑模板，也就是说，预设图谱库中还包括PET模板影像的子区标签，本实施例中，先获取各个PET模板影像的子区标签，并根据PET模板影像的子区标签确定全脑模板。第三PET影像与全脑模板以及第一PET影像的公式为：
IPET 3，i＝IPET 1，i⊙MSKfull；
其中，IPET1,i为第一PET影像，IPET3,i为第三PET影像。
而后对第三PET影像进行部分体积效应矫正操作，得到矫正后的PET影像，并对矫正后的PET影像进行高斯滤波处理，得到滤波后的PET影像。其中，矫正公式、滤波公式以及高斯算子的公式依次为：
IPET4,i＝pvc(IPET3,i)；
IPET5,i＝smooth(IPET4,i)；
其中，IPET5,i为滤波后的PET影像，IPET4,i为矫正后的PET影像。
最后，将滤波后的PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像
本实施例提出的图像处理方法，通过将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像；接着基于全脑模板去除第一PET影像中的颅骨信号，得到第三PET影像；而后对第三PET影像进行部分体积效应矫正操作，得到矫正后的PET影像，并对矫正后的PET影像进行高斯滤波处理，得到滤波后的PET影像；然后将滤波后的PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像，通过对待处理PET影像进行去颅骨信号、部分体积效应矫正以及高斯平滑处理，进一步提高PET影像自动分割的准确性以及精度。
基于上述各个实施例，提出本发明图像处理方法的第五实施例，在本实施例中，步骤S101之前，该图像处理方法还包括：
步骤S101，获取预设数量的标准PET影像以及预设数量的脑磁共振影像；
步骤S102，对所述标准PET影像进行非线性融合得到PET模板影像，将脑磁共振影像进行非线性融合得到MRI模板影像，并将MRI模板影像准至PET模板影像，以获得模板空间；
步骤S103，将各个标准PET影像配准至PET模板影像，以获得第四PET影像，并基于所述PET模板影像以及第四PET影像，确定所述PET影像；
步骤S104，获取所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域；
步骤S105，基于所述模板空间、所述PET模板影像、所述PET影像、所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域，确定预设预设图谱库。
本实施例中，通过标准化的正电子发射断层影像和高分辨率结构磁共振影像的扫描策略，对于每一个被试用户收集其扫描得到的正电子发射断层成像以及脑磁共振影像数据，作为标准PET影像以及脑磁共振影像，预设数量的标准PET影像以及预设数量的脑磁共振影像，预设数量可进行合理设置，例如预设数量为30，则脑磁共振影像IMRI,i,i∈[1,30]且IMRI,i(x):x∈Ω→R，标准PET影像IPET,i,i∈[1,30]且IPET,i(x):x∈Ω→R。
接着，对各个标准PET影像进行非线性融合得到PET模板影像，将各个脑磁共振影像进行非线性融合得到MRI模板影像，并将MRI模板影像准至PET模板影像，以获得模板空间。
而后，将各个标准PET影像配准至PET模板影像，以获得第四PET影像，该配准过程包括图像仿射变换与微分同胚变换。而后，基于所述PET模板影像以及第四PET影像，确定所述PET影像，具体地，分别对PET模板影像以及第四PET影像进行预处理，得到预处理后的PET模板影像以及预处理后的第四PET影像，基于预处理后的PET影像以及预处理后的PET模板影像进行全脑直方图匹配，进而获得PET影像。
最后，获取所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域；并基于所述模板空间、所述PET模板影像、所述PET影像、所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域，确定预设预设图谱库，即预设图谱库包括模板空间、PET模板影像、PET影像、PET影像对应的感兴趣区域以及PET模板影像对应的感兴趣区域。
本实施例提出的图像处理方法，通过获取预设数量的标准PET影像以及预设数量的脑磁共振影像；接着对所述标准PET影像进行非线性融合得到PET模板影像，将脑磁共振影像进行非线性融合得到MRI模板影像，并将MRI模板影像准至PET模板影像，以获得模板空间；而后将各个标准PET影像配准至PET模板影像，以获得第四PET影像，并基于所述PET模板影像以及第四PET影像，确定所述PET影像；然后获取所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域；最后基于所述模板空间、所述PET模板影像、所述PET影像、所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域，确定预设预设图谱库，能够根据标准PET影像以及脑磁共振影像得到预设图谱库，提高了预设图谱库的实用性与适用性，进而能够提升PET影像自动分割的准确性以及精度。
基于第五实施例，提出本发明图像处理方法的第六实施例，在本实施例中，步骤S503包括：
步骤S601，基于全脑模板去除第四PET影像中的颅骨信号，得到去颅后的第四PET影像，对去颅后的第四PET影像进行部分体积效应矫正操作，得到矫正后的第四PET影像，对矫正后的第四PET影像进行高斯滤波，得到滤波后的第四PET影像；
步骤S602，基于全脑模板去除PET模板影像中的颅骨信号，得到去颅后的PET模板影像，对去颅后的PET模板影像进行部分体积效应矫正操作，得到矫正后的PET模板影像，对矫正后的PET模板影像进行高斯滤波，得到预处理后的PET模板影像；
步骤S603，基于预处理后的第四PET影像以及预处理后的PET模板影像进行全脑直方图匹配，以获得所述PET影像。
本实施例中，先分别对PET模板影像以及第四PET影像进行预处理，得到预处理后的PET模板影像以及预处理后的第四PET影像，具体的预处理过程与第四实施例中第一PET影像得到滤波后的PET影像的预处理过程类似，在此不再赘述。而后，基于预处理后的PET影像以及预处理后的PET模板影像进行全脑直方图匹配，进而获得PET影像。
本实施例提出的图像处理方法，通过基于全脑模板去除第四PET影像中的颅骨信号，得到去颅后的第四PET影像，对去颅后的第四PET影像进行部分体积效应矫正操作，得到矫正后的第四PET影像，对矫正后的第四PET影像进行高斯滤波，得到预处理后的第四PET影像；接着基于全脑模板去除PET模板影像中的颅骨信号，得到去颅后的PET模板影像，对去颅后的PET模板影像进行部分体积效应矫正操作，得到矫正后的PET模板影像，对矫正后的PET模板影像进行高斯滤波，得到预处理后的PET模板影像；而后基于预处理后的第四PET影像以及预处理后的PET模板影像进行全脑直方图匹配，以获得所述PET影像，能够根据PET模板影像以及第四PET影像准确得到PET影像，进一步提升预设图谱库的准确性。
基于第六实施例，提出本发明图像处理方法的第七实施例，在本实施例中，步骤S504包括：
步骤S701，获取所述PET影像的第一子区标签以及所述PET模板影像对应的第二子区标签；
步骤S702，基于所述第一子区标签获取预处理后的第四PET影像对应的第一感兴趣区域，并基于所述第二子区标签获取预处理后的PET模板影像对应的感兴趣区域；
步骤S703，对第一感兴趣区域以及第二感兴趣区域进行直方图匹配，以获得PET模板影像的感兴趣区域，并基于所述第一感兴趣区域确定所述PET影像对应的感兴趣区域。
本实施例中，在获取到PET影像之后，先获取PET影像的第一子区标签以及PET模板影像对应的第二子区标签，并基于所述第一子区标签获取预处理后的第四PET影像对应的第一感兴趣区域，基于所述第二子区标签获取预处理后的PET模板影像对应的第二感兴趣区域，其中，第一感兴趣区域为预处理后的第四PET影像中第一子区标签对应的区域，第二感兴趣区域为预处理后的PET模板影像中第二子区标签对应的区域。
而后，对第一感兴趣区域以及第二感兴趣区域进行直方图匹配，以获得PET模板影像的感兴趣区域，并基于所述第一感兴趣区域确定所述PET影像对应的感兴趣区域，或者根据第一子区标签提取PET影像对应的感兴趣区域。
需要说明的是，本实施例中，PET模板影像对应的第二子区标签即为PET模板影像的子区标签，在确定预设图谱库时，将第二子区标签作为PET模板影像的子区标签添加至该预设图谱库中。
本实施例提出的图像处理方法，通过获取所述PET影像的第一子区标签以及所述PET模板影像对应的第二子区标签；接着基于所述第一子区标签获取预处理后的第四PET影像对应的第一感兴趣区域，并基于所述第二子区标签获取预处理后的PET模板影像对应的第二感兴趣区域；而后对第一感兴趣区域以及第二感兴趣区域进行直方图匹配，以获得PET模板影像的感兴趣区域，并基于所述第一感兴趣区域确定所述PET影像对应的感兴趣区域，能够通过根据第一子区标签以及第二子区标签准确得到PET模板影像的感兴趣区域以及PET影像对应的感兴趣区域，进一步提升预设图谱库的准确性，进而能够提升PET影像自动分割的准确性以及精度。
基于第七实施例，提出本发明图像处理方法的第八实施例，在本实施例中，步骤S701包括：
步骤S801，对各个脑磁共振影像进行分割操作，以获得所述脑磁共振影像的子区标签；
步骤S802，将脑磁共振影像刚体变换配准至标准PET影像，以获得第二变换矩阵；
步骤S803，基于第二变换矩阵以及所述第四PET影像对应的变换参数，将脑磁共振影像的子区标签配准至第四PET影像，以获得PET影像的第一子区标签；
步骤S804，将所述MRI模板影像对应的子区标签至所述PET模板影像，以获得所述第二子区标签。
本实施例中，先采用现有的分割算法分别对各个脑磁共振影像进行分割操作，以获得所述脑磁共振影像的子区标签，该子区标签可以为283个标签的分割结果，在其他实施例中，其标签的数量还可以为其他值，例如，150、200等。接着，将脑磁共振影像刚体变换配准至标准PET影像，以获得第二变换矩阵，即第二变换矩阵包括各个脑磁共振影像刚体分别配准至对应的标准PET影像的参数，获取第四PET影像对应的变换参数，即各个标准PET影像配准至PET模板影像的变换参数，而后基于第二变换矩阵以及变换参数，将脑磁共振影像的子区标签配准至第四PET影像，以获得PET影像的第一子区标签。
而后，获取MRI模板影像对应的子区标签，即采用现有的分割算法对MRI模板影像进行分割，以获得MRI模板影像对应的子区标签，而后将MRI模板影像对应的子区标签配准至所述PET模板影像，得到第二子区标签，进一步地，还而将配准结果进行手工矫正消除噪声及毛刺，最后得到第二子区标签。
本实施例提出的图像处理方法，通过对各个脑磁共振影像进行分割操作，以获得所述脑磁共振影像的子区标签；接着将脑磁共振影像刚体变换配准至标准PET影像，以获得第二变换矩阵；而后基于第二变换矩阵以及所述第四PET影像对应的变换参数，将脑磁共振影像的子区标签配准至第四PET影像，以获得PET影像的第一子区标签；然后将所述MRI模板影像对应的子区标签配准至所述PET模板影像，以获得所述第二子区标签，能够准确得到第一子区标签以及第二子区标签，以根据标签准确确定感兴趣区域，进一步提升预设图谱库的准确性，进而能够提升PET影像自动分割的准确性以及精度。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现如上所述的图像处理方法的步骤。
其中，在所述处理器上运行的图像处理程序被执行时所实现的方法可参照本发明图像处理方法各个实施例，此处不再赘述。
此外，本发明实施例还提出一种计算机程序产品，该计算机程序产品上包括图像处理程序，所述图像处理程序被处理器执行时实现如上所述的图像处理方法的步骤。
需要说明的是，在本文中，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***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***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，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种图像处理方法，其特征在于，所述图像处理方法包括以下步骤：
获取预设数量的标准PET影像以及预设数量的脑磁共振影像；
对所述标准PET影像进行非线性融合得到PET模板影像，将脑磁共振影像进行非线性融合得到MRI模板影像，并将MRI模板影像配准至PET模板影像，以获得模板空间；
将各个标准PET影像配准至PET模板影像，以获得第四PET影像；
基于全脑模板去除第四PET影像中的颅骨信号，得到去颅后的第四PET影像，对去颅后的第四PET影像进行部分体积效应矫正操作，得到矫正后的第四PET影像，对矫正后的第四PET影像进行高斯滤波，得到预处理后的第四PET影像；
基于全脑模板去除PET模板影像中的颅骨信号，得到去颅后的PET模板影像，对去颅后的PET模板影像进行部分体积效应矫正操作，得到矫正后的PET模板影像，对矫正后的PET模板影像进行高斯滤波，得到预处理后的PET模板影像；
基于预处理后的第四PET影像以及预处理后的PET模板影像进行全脑直方图匹配，以获得PET影像；
获取所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域；
基于所述模板空间、所述PET模板影像、所述PET影像、所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域，确定预设图谱库；
将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像，并将第一PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像；
基于所述第二PET影像，在预设图谱库的多个PET影像中确定待第一预设数量的待筛选PET影像；
基于预设图谱库中PET模板影像的感兴趣区域，确定待处理PET影像的感兴趣区域，并基于待处理PET影像的感兴趣区域以及预设图谱库中筛选PET影像对应的感兴趣区域，在待筛选PET影像中确定第二预设数量的目标PET影像；
对各个目标PET影像进行逆变换操作，以获得逆变换后的目标PET影像，并对逆变换后的目标PET影像进行融合处理，以获得目标影像；
所述获取所述PET影像对应的感兴趣区域以及所述PET模板影像对应的感兴趣区域步骤包括：
对各个脑磁共振影像进行分割操作，以获得所述脑磁共振影像的子区标签；
将脑磁共振影像刚体变换配准至标准PET影像，以获得第二变换矩阵；
基于第二变换矩阵以及所述第四PET影像对应的变换参数，将脑磁共振影像的子区标签配准至第四PET影像，以获得PET影像的第一子区标签；
将所述MRI模板影像对应的子区标签配准至所述PET模板影像，以获得PET模板影像对应的第二子区标签；
基于所述第一子区标签获取预处理后的第四PET影像对应的第一感兴趣区域，并基于所述第二子区标签获取预处理后的PET模板影像对应的第二感兴趣区域；
对第一感兴趣区域以及第二感兴趣区域进行直方图匹配，以获得PET模板影像的感兴趣区域，并基于所述第一感兴趣区域确定所述PET影像对应的感兴趣区域。
2.如权利要求1所述的图像处理方法，其特征在于，所述基于所述第二PET影像，在预设图谱库的多个PET影像中确定待第一预设数量的待筛选PET影像的步骤包括：
获取所述第二PET影像与各个所述PET影像之间的全脑互信息；
将全脑互信息最大的第一预设数量的PET影像作为所述待筛选PET影像。
3.如权利要求1所述的图像处理方法，其特征在于，所述基于预设图谱库中PET模板影像的感兴趣区域，确定待处理PET影像的感兴趣区域，并基于待处理PET影像的感兴趣区域以及预设图谱库中筛选PET影像对应的感兴趣区域，在待筛选PET影像中确定第二预设数量的目标PET影像的步骤包括：
基于所述PET模板影像的感兴趣区域，对所述PET模板影像以及所述待处理PET影像进行局部直方图匹配，以获得待处理PET影像的感兴趣区域；
获取待处理PET影像的感兴趣区域与待筛选PET影像对应的感兴趣区域之间的局部互信息；
将待筛选PET影像中局部互信息最大的第二预设数量的PET影像作为所述目标PET影像。
4.如权利要求1所述的图像处理方法，其特征在于，所述将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像，并将第一PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像的步骤包括：
将待处理PET影像配准至预设图谱库中的模板空间，以获得第一PET影像；
基于全脑模板去除第一PET影像中的颅骨信号，得到第三PET影像；
对第三PET影像进行部分体积效应矫正操作，得到矫正后的PET影像，并对矫正后的PET影像进行高斯滤波处理，得到滤波后的PET影像；
将滤波后的PET影像与预设图谱库中的PET模板影像进行全脑直方图匹配，以获得第二PET影像。
5.一种图像处理装置，其特征在于，所述图像处理装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现如权利要求1至4中任一项所述的图像处理方法的步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现如权利要求1至4中任一项所述的图像处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110622275.9A CN113610751B (zh) | 2021-06-03 | 2021-06-03 | 图像处理方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110622275.9A CN113610751B (zh) | 2021-06-03 | 2021-06-03 | 图像处理方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610751A CN113610751A (zh) | 2021-11-05 |
| CN113610751B true CN113610751B (zh) | 2024-06-11 |
Family
ID=78303418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110622275.9A Active CN113610751B (zh) | 2021-06-03 | 2021-06-03 | 图像处理方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610751B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189668B (zh) * | 2023-04-24 | 2023-07-25 | 科大讯飞股份有限公司 | 语音分类、认知障碍检测方法、装置、设备及介质 |
| CN117974584A (zh) * | 2024-01-22 | 2024-05-03 | 暨南大学附属第一医院（广州华侨医院） | 一种脑影像的分析方法、***及计算机存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1952980A (zh) * | 2006-11-17 | 2007-04-25 | 南方医科大学 | 三维图像的快速配准方法 |
| CN102324089A (zh) * | 2011-07-13 | 2012-01-18 | 南方医科大学 | 基于广义熵与mr先验的pet图像最大后验重建方法 |
| CN103020976A (zh) * | 2012-12-31 | 2013-04-03 | 中国科学院合肥物质科学研究院 | 一种基于带权模糊互信息的三维医学图像配准方法及*** |
| CN107230206A (zh) * | 2017-06-02 | 2017-10-03 | 太原理工大学 | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 |
| WO2017210873A1 (zh) * | 2016-06-08 | 2017-12-14 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和*** |
| CN107993236A (zh) * | 2017-11-27 | 2018-05-04 | 上海交通大学 | 一种多模态图像处理的方法和平台 |
| CN108537773A (zh) * | 2018-02-11 | 2018-09-14 | 中国科学院苏州生物医学工程技术研究所 | 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法 |
| CN109035355A (zh) * | 2017-07-10 | 2018-12-18 | 上海联影医疗科技有限公司 | 用于pet图像重建的***和方法 |
| CN109741284A (zh) * | 2018-01-27 | 2019-05-10 | 上海联影医疗科技有限公司 | 用于校正pet成像中由呼吸运动引起的失配的***和方法 |
| CN109785340A (zh) * | 2019-01-09 | 2019-05-21 | 上海理工大学 | 基于多图谱的心脏磁共振图像右心室分割计算设备及方法 |
| CN112348861A (zh) * | 2020-11-02 | 2021-02-09 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7103399B2 (en) * | 2003-09-08 | 2006-09-05 | Vanderbilt University | Apparatus and methods of cortical surface registration and deformation tracking for patient-to-image alignment in relation to image-guided surgery |
| US8731334B2 (en) * | 2008-08-04 | 2014-05-20 | Siemens Aktiengesellschaft | Multilevel thresholding for mutual information based registration and image registration using a GPU |
| US9196063B2 (en) * | 2013-05-02 | 2015-11-24 | Korea Advanced Institute Of Science And Technology | Super-resolution apparatus and method |
-
2021
- 2021-06-03 CN CN202110622275.9A patent/CN113610751B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1952980A (zh) * | 2006-11-17 | 2007-04-25 | 南方医科大学 | 三维图像的快速配准方法 |
| CN102324089A (zh) * | 2011-07-13 | 2012-01-18 | 南方医科大学 | 基于广义熵与mr先验的pet图像最大后验重建方法 |
| CN103020976A (zh) * | 2012-12-31 | 2013-04-03 | 中国科学院合肥物质科学研究院 | 一种基于带权模糊互信息的三维医学图像配准方法及*** |
| WO2017210873A1 (zh) * | 2016-06-08 | 2017-12-14 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和*** |
| CN107230206A (zh) * | 2017-06-02 | 2017-10-03 | 太原理工大学 | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 |
| CN109035355A (zh) * | 2017-07-10 | 2018-12-18 | 上海联影医疗科技有限公司 | 用于pet图像重建的***和方法 |
| CN107993236A (zh) * | 2017-11-27 | 2018-05-04 | 上海交通大学 | 一种多模态图像处理的方法和平台 |
| CN109741284A (zh) * | 2018-01-27 | 2019-05-10 | 上海联影医疗科技有限公司 | 用于校正pet成像中由呼吸运动引起的失配的***和方法 |
| CN108537773A (zh) * | 2018-02-11 | 2018-09-14 | 中国科学院苏州生物医学工程技术研究所 | 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法 |
| CN109785340A (zh) * | 2019-01-09 | 2019-05-21 | 上海理工大学 | 基于多图谱的心脏磁共振图像右心室分割计算设备及方法 |
| CN112348861A (zh) * | 2020-11-02 | 2021-02-09 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| PET与MRI三维脑图像高精度配准;任海萍, 吴文凯, 杨虎, 陈盛祖;中华核医学杂志;20020625(第03期);全文 * |
| 针对帕金森疾病的基底节运动环路分析方法研究;刘岩松;《中国优秀硕士学位论文全文数据库（硕士）（医药卫生科技辑）》(第2期);第E070-106页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113610751A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Uribe et al. | Cortical atrophy patterns in early Parkinson's disease patients using hierarchical cluster analysis | |
| CN113610751B (zh) | 图像处理方法、装置及计算机可读存储介质 | |
| Rüsch et al. | A voxel-based morphometric MRI study in female patients with borderline personality disorder | |
| Bruno et al. | A study of bipolar disorder using magnetization transfer imaging and voxel-based morphometry | |
| Xiao et al. | Multi-contrast unbiased MRI atlas of a Parkinson’s disease population | |
| El-Baz et al. | Accurate automated detection of autism related corpus callosum abnormalities | |
| US7751602B2 (en) | Systems and methods of classification utilizing intensity and spatial data | |
| JP5243865B2 (ja) | 脳疾患診断システム | |
| Chen et al. | Differential contributions of subregions of medial temporal lobe to memory system in amnestic mild cognitive impairment: insights from fMRI study | |
| CN112348785B (zh) | 一种癫痫病灶定位方法及*** | |
| Sargolzaei et al. | A practical guideline for intracranial volume estimation in patients with Alzheimer's disease | |
| US20050244036A1 (en) | Method and apparatus for evaluating regional changes in three-dimensional tomographic images | |
| CN110363760B (zh) | 用于识别医学图像的计算机*** | |
| CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
| CN112164082A (zh) | 基于3d卷积神经网络分割多模态mr脑部图像方法 | |
| Huang et al. | Graph theory and network topological metrics may be the potential biomarker in Parkinson’s disease | |
| Del Re et al. | A new MRI masking technique based on multi‐atlas brain segmentation in controls and schizophrenia: A rapid and viable alternative to manual masking | |
| Ma et al. | Mean apparent propagator-MRI: a new diffusion model which improves temporal lobe epilepsy lateralization | |
| CN109300124B (zh) | 一种基于非人灵长类动物的立体定位pet-mri脑模板建立的方法 | |
| CN113052800B (zh) | 一种阿尔茨海默症影像分析方法与装置 | |
| Pai et al. | BRAHMA: Population specific T1, T2, and FLAIR weighted brain templates and their impact in structural and functional imaging studies | |
| Alahmadi | Effects of different smoothing on global and regional resting functional connectivity | |
| Zhu et al. | Cortical and subcortical grey matter abnormalities in white matter hyperintensities and subsequent cognitive impairment | |
| Uscătescu et al. | Effective connectivity of the hippocampus can differentiate patients with schizophrenia from healthy controls: a spectral DCM approach | |
| Suzuki et al. | MRI characteristics of the glia limitans externa: a 7T study |
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 |