CN114419084A - 基于医学影像的出血区域检测方法及装置、存储介质 - Google Patents
基于医学影像的出血区域检测方法及装置、存储介质 Download PDFInfo
- Publication number
- CN114419084A CN114419084A CN202111556341.3A CN202111556341A CN114419084A CN 114419084 A CN114419084 A CN 114419084A CN 202111556341 A CN202111556341 A CN 202111556341A CN 114419084 A CN114419084 A CN 114419084A
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel points
- points
- bleeding
- group
- 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
- 230000000740 bleeding effect Effects 0.000 title claims abstract description 124
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 210000004556 brain Anatomy 0.000 claims abstract description 76
- 230000002861 ventricular Effects 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 33
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 22
- 210000005013 brain tissue Anatomy 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 210000003625 skull Anatomy 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 208000032843 Hemorrhage Diseases 0.000 description 103
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 19
- 210000004369 blood Anatomy 0.000 description 15
- 239000008280 blood Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 230000001154 acute effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 210000003743 erythrocyte Anatomy 0.000 description 4
- 206010018852 Haematoma Diseases 0.000 description 3
- 206010022773 Intracranial pressure increased Diseases 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 201000009941 intracranial hypertension Diseases 0.000 description 3
- 208000007536 Thrombosis Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 208000003906 hydrocephalus Diseases 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 210000003140 lateral ventricle Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于医学影像的出血区域检测方法及装置、存储介质、计算机设备，该方法包括：获取脑部医学影像中的脑室边缘，基于组成所述脑室边缘的边缘像素点，识别所述边缘像素点中的至少一组目标共线边缘点；基于所述脑部医学影像中的像素点位置关系，获取每组所述目标共线边缘点各自对应的待分析像素点；分别根据每组所述待分析像素点的灰度值进行抛物线拟合，根据抛物线拟合结果，确定出血区域。有助于提升出血区域的识别准确率和效率。
Description
技术领域
本申请涉及医学影像技术领域，尤其是涉及到一种基于医学影像的出血区域检测方法及装置、存储介质、计算机设备。
背景技术
脑出血(ICH)是神经内外科最常见的难治性疾病之一，ICH有发病急、病情凶险、病死率及致残率高。ICH 1个月死亡率高达35～52％，6个月末仍有80％左右的存活患者遗留残疾，是中国居民死亡和残疾的主要原因之一。出血是否破入脑室是衡量脑出血严重程度的重要指标。脑室是人体脑脊液循环的一个通路。当脑室存在血肿之后，因为早期血肿主要是以血凝块的形式存在于脑室中，当脑室存在血凝块会导致脑脊液循环通路发生受阻，会引起急性脑积水，而急性脑积水又会导致急性颅内压增高的症状。颅内压增高到一定程度，患者会由最初的头痛、头晕、肢体功能障碍，演变为昏迷、呼之不应、甚至死亡。因此对于脑出血破入脑室，需要早期通过手术以缓解存在颅内压增高症状，同时对脑室内的血肿进行外引流。
目前临床上针对出血是否破入脑室尚没有非常有效的自动检测方法，基本通过人眼去筛查。人眼对于明显的破入脑室易识别到，针对脑脊液红细胞比积<＝12％没有明显显影的人眼筛查漏诊率非常高。识别的结果受主观因素影响，同一套数据不同的大夫给出的评价也不尽相同，同一个大夫前后两次看同一套数据，给出的结论也会存在差异。目前对于脑出血的识别存在效率低、准确性差的问题。
发明内容
有鉴于此，本申请提供了一种基于医学影像的出血区域检测方法及装置、存储介质、计算机设备，有助于实现脑部出血区域的自动识别，提升识别准确率和效率，降低人力成本。
根据本申请的一个方面，提供了一种基于医学影像的出血区域检测方法，包括：
获取脑部医学影像中的脑室边缘，基于组成所述脑室边缘的边缘像素点，识别所述边缘像素点中的至少一组目标共线边缘点；
基于所述脑部医学影像中的像素点位置关系，获取每组所述目标共线边缘点各自对应的待分析像素点；
分别根据每组所述待分析像素点的灰度值进行抛物线拟合，根据抛物线拟合结果，确定出血区域。
可选地，所述根据抛物线拟合结果，确定出血区域，具体包括：
若任一组待分析像素点对应的抛物线拟合结果为抛物线开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域。
可选地，所述将所述任一组待分析像素点所在的区域确定为所述出血区域之后，所述方法还包括：
确定所述出血区域内各像素点的扫描值均值，统计所述出血区域中扫描值大于所述扫描值均值的出血像素点的数量；
基于所述出血像素点的数量以及预设单位像素空间体积，确定所述出血区域的出血体积。
可选地，所述脑部医学影像包括多层；所述基于所述出血像素点的数量以及预设单位像素空间体积，确定所述出血区域的出血体积之后，所述方法还包括：
基于每层所述脑部医学影像对应的每个所述出血区域的出血体积，计算所述脑部医学影像对应的总出血体积。
可选地，所述基于所述脑部医学影像中的像素点位置关系，获取每组所述目标共线边缘点各自对应的待分析像素点，具体包括：
以所述目标共线边缘点构成的线段长度为矩形区域的长，预设宽度为所述矩形区域的宽，获取所述目标共线边缘点下方的所述矩形区域，所述矩形区域内包含的像素点为所述待分析像素点。
可选地，所述分别根据每组所述待分析像素点的灰度值进行抛物线拟合，具体包括：
将所述矩形区域中的每一行像素点分别作为一个待聚类样本进行二分聚类，其中，将第一行像素点和最后一行像素点作为二分聚类起始点，所述第一行像素点为所述矩形区域中与所述目标共线边缘点距离最近的一行像素点；
基于二分聚类后得到的两个聚类中心，分别确定第一待拟合灰度值和第二待拟合灰度值；
分别对每组所述待分析像素点对应的所述第一待拟合灰度值和所述第二待拟合灰度值进行抛物线拟合，得到每组所述目标共线边缘点的第一抛物线和第二抛物线；
相应地，所述若任一组待分析像素点对应的抛物线拟合结果为抛物线开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域，具体包括：
若任一组待分析像素点对应的所述第一抛物线和/或所述第二抛物线的开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域。
可选地，所述获取脑部医学影像中的脑室边缘，具体包括：
获取多层脑部医学影像，去除每层所述脑部医学影像中扫描值大于预设头骨扫描值的像素点，得到多层脑组织蒙片；
提取每层所述脑组织蒙片中扫描值小于预设脑脊液分割阈值的像素点，得到每层的脑室区域；
基于多层所述脑室区域进行三维最大连通域的提取，得到每层的目标脑室区域，识别每层所述目标脑室区域的边缘作为所述脑室边缘。
可选地，所述基于多层所述脑室区域提取三维最大连通域之前，所述方法还包括：
分别基于每层所述脑室区域中的每个边缘像素点与区域中心点的连线，按预设脑沟回比例，确定每条连线上的脑沟回剔除边缘点；
基于每层的所述脑沟回剔除边缘点，将所述脑室区域的外层剔除。
可选地，所述基于组成所述脑室边缘的边缘像素点，识别所述脑室边缘对应的至少一组目标共线边缘点，具体包括：
基于组成所述脑室边缘的边缘像素点，识别所述脑室边缘对应的至少一组共线边缘点；
分别统计每组所述共线边缘点构成的线段长度，并获取所述线段长度大于预设长度阈值的共线边缘点，作为所述目标共线边缘点。
可选地，所述识别所述脑室边缘对应的至少一组共线边缘点之后，所述方法还包括：
确定每组所述共线边缘点所在的直线与所述脑部医学影像的横轴之间的夹角，删除夹角超过预设夹角阈值的共线边缘点。
根据本申请的另一方面，提供了一种基于医学影像的出血区域检测装置，包括：
脑室边缘获取模块，用于获取脑部医学影像中的脑室边缘；
目标边缘识别模块，用于基于组成所述脑室边缘的边缘像素点，识别所述边缘像素点中的至少一组目标共线边缘点；
像素点分析模块，用于基于所述脑部医学影像中的像素点位置关系，获取每组所述目标共线边缘点各自对应的待分析像素点；
出血分析模块，用于分别根据每组所述待分析像素点的灰度值进行抛物线拟合，根据抛物线拟合结果，确定出血区域。
可选地，所述出血分析模块，还用于：若任一组待分析像素点对应的抛物线拟合结果为抛物线开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域。
可选地，所述装置还包括：
出血量计算模块，用于确定所述出血区域内各像素点的扫描值均值，统计所述出血区域中扫描值大于所述扫描值均值的出血像素点的数量；基于所述出血像素点的数量以及预设单位像素空间体积，确定所述出血区域的出血体积。
可选地，所述脑部医学影像包括多层；所述出血量计算模块，还用于基于每层所述脑部医学影像对应的每个所述出血区域的出血体积，计算所述脑部医学影像对应的总出血体积。
可选地，所述像素点分析模块，具体用于：以所述目标共线边缘点构成的线段长度为矩形区域的长，预设宽度为所述矩形区域的宽，获取所述目标共线边缘点下方的所述矩形区域，所述矩形区域内包含的像素点为所述待分析像素点。
可选地，所述出血分析模块，还用于：
将所述矩形区域中的每一行像素点分别作为一个待聚类样本进行二分聚类，其中，将第一行像素点和最后一行像素点作为二分聚类起始点，所述第一行像素点为所述矩形区域中与所述目标共线边缘点距离最近的一行像素点；
基于二分聚类后得到的两个聚类中心，分别确定第一待拟合灰度值和第二待拟合灰度值；
分别对每组所述待分析像素点对应的所述第一待拟合灰度值和所述第二待拟合灰度值进行抛物线拟合，得到每组所述目标共线边缘点的第一抛物线和第二抛物线；
若任一组待分析像素点对应的所述第一抛物线和/或所述第二抛物线的开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域。
可选地，所述脑室边缘获取模块，具体用于：
获取多层脑部医学影像，去除每层所述脑部医学影像中扫描值大于预设头骨扫描值的像素点，得到多层脑组织蒙片；
提取每层所述脑组织蒙片中扫描值小于预设脑脊液分割阈值的像素点，得到每层的脑室区域；
基于多层所述脑室区域进行三维最大连通域的提取，得到每层的目标脑室区域，识别每层所述目标脑室区域的边缘作为所述脑室边缘。
可选地，所述脑室边缘获取模块，还用于：
所述基于多层所述脑室区域提取三维最大连通域之前，分别基于每层所述脑室区域中的每个边缘像素点与区域中心点的连线，按预设脑沟回比例，确定每条连线上的脑沟回剔除边缘点；基于每层的所述脑沟回剔除边缘点，将所述脑室区域的外层剔除。
可选地，所述目标边缘识别模块，具体用于：
基于组成所述脑室边缘的边缘像素点，识别所述脑室边缘对应的至少一组共线边缘点；分别统计每组所述共线边缘点构成的线段长度，并获取所述线段长度大于预设长度阈值的共线边缘点，作为所述目标共线边缘点。
可选地，所述目标边缘识别模块，还用于：所述识别所述脑室边缘对应的至少一组共线边缘点之后，确定每组所述共线边缘点所在的直线与所述脑部医学影像的横轴之间的夹角，删除夹角超过预设夹角阈值的共线边缘点。
依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于医学影像的出血区域检测方法。
依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于医学影像的出血区域检测方法。
借由上述技术方案，本申请提供的一种基于医学影像的出血区域检测方法及装置、存储介质、计算机设备，基于脑部医学影像中脑室边缘对应的边缘像素点，识别出能够构成一条直线的多组目标共线边缘点，进一步，依据脑脊液与血液呈现直线分界线，且血液位于分界线下方的生理特性，获取与目标共线边缘点匹配的待分析像素点，基于待分析像素点的灰度值进行抛物线拟合，并根据抛物线拟合结果确定出血区域。本申请实施例解决了现有技术中只能依靠医生经验对脑出血状况进行人眼识别，导致识别准确率和效率低的问题，有助于提升脑出血的识别准确率和效率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种基于医学影像的出血区域检测方法的流程示意图；
图2示出了本申请实施例提供的另一种基于医学影像的出血区域检测方法的流程示意图；
图3示出了本申请实施例提供的一种脑沟回剔除的示意图；
图4示出了本申请实施例中的一种霍夫变换直线检测原理图；
图5示出了本申请实施例提供的一种矩形区域的示意图；
图6示出了本申请实施例提供的一种二分聚类起始点的示意图；
图7示出了本申请实施例提供的一种聚类后的第一聚类中心和第二聚类中心的示意图；
图8示出了本申请实施例提供的一种基于医学影像的出血区域检测装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。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。
在本实施例中提供了一种基于医学影像的出血区域检测方法，如图1所示，该方法包括：
步骤101，获取脑部医学影像中的脑室边缘，基于组成所述脑室边缘的边缘像素点，识别所述边缘像素点中的至少一组目标共线边缘点；
本申请实施例可以通过对患者的脑部医学影像进行图像分析，识别患者是否存在脑出血的情况，以脑部医学影像为脑部CT影像为例，脑部医学影像具体可以为平扫CT断层影像，在具体应用场景中，脑部医学影像可以为构成完整脑部医学影像的全部扫描层影像，也可以为其中一个或多个需要进行分析的扫描层影像，本申请实施例以脑部医学影像为全部扫描层影像为例进行解释说明。
首先，对于每一层脑部医学影像进行脑室边缘识别，以确定每层脑部医学影像中的脑室边缘。由于红细胞与脑脊液的密度不同，入侵脑室的血液在人体躺下的情况下向下沉淀，在脑室枕部存在水平线的生理特征，因此本申请通过识别脑室边缘呈现的水平线特征方式，寻找可能存在脑出血的区域从而进行分析。在本实施例中，确定脑室边缘后，在组成脑室边缘的边缘像素点中，找到至少一组目标共线边缘点，具体可以将脑室边缘包含的各边缘像素点两两配对，利用两点构成直线的原理，确定配对的两个边缘像素点构成的直线，并找出在这条直线上的其他边缘像素点，将同一条直线上的全部边缘像素点作为一组目标共线边缘点。也可以通过霍夫变换直线检测方式获取边缘像素点中的至少一组目标共线边缘点。
步骤102，基于所述脑部医学影像中的像素点位置关系，获取每组所述目标共线边缘点各自对应的待分析像素点；
接着，患者平躺进行CT扫描时，由于密度不同血液会在脑脊液和血液分界线之下，因此，分界线处以及分界线之下的图像部分即为疑似脑出血区域，基于脑部医学影像中的像素点位置关系，针对每组目标共线边缘点，可以获取目标共线边缘点之下一定范围内区域中的待分析像素点。
步骤103，分别根据每组所述待分析像素点的灰度值进行抛物线拟合，根据抛物线拟合结果，确定出血区域。
出血的生理特征为中间部分红细胞含量高、两侧逐渐递减，在扫描图像中表现出的特征为中间部分灰度值高、两侧逐渐递减。因此，为了实现对疑似脑出血区域的分析，可以基于待分析像素点的灰度值进行抛物线拟合以确定该区域内脑脊液、红细胞所表现出的特征是否为脑出血特征。具体可以对待分析像素点统计分析，计算待分析像素点对应的待拟合灰度值，例如可以将一个目标共线边缘点下方的待分析像素点的灰度值均值作为该点的待拟合灰度值，分别得到像素点位置与待拟合灰度值的对应关系，以便利用待拟合灰度值对该区域内的像素点分布情况进行拟合。
最后，分别对每组待分析像素点进行抛物线拟合，根据拟合出的抛物线的开口方向，确定待分析像素点所对应的区域中是否呈现中间部分灰度值高、两侧逐渐递减的趋势，如果抛物线的开口方向为向下，那么可以确认该区域呈现上述趋势，确定该组待分析像素点所在的区域存在脑出血现象，该区域为出血区域，而如果抛物线的开口方向为向上，则认为该区域不存在血液。对于每个扫描层对应的头部医学影像，可以认为只要识别出某个扫描层的头部医学影像中有至少一个区域存在血液，就确定存在脑出血；或者，也可以在识别出存在血液的区域达到一定数量时，认为存在脑出血，在此不做限定。
通过应用本实施例的技术方案，基于脑部医学影像中脑室边缘对应的边缘像素点，识别出能够构成一条直线的多组目标共线边缘点，进一步，依据脑脊液与血液呈现直线分界线，且血液位于分界线下方的生理特性，获取与目标共线边缘点匹配的待分析像素点，基于待分析像素点的灰度值进行抛物线拟合，并根据抛物线拟合结果确定出血区域。本申请实施例解决了现有技术中只能依靠医生经验对脑出血状况进行人眼识别，导致识别准确率和效率低的问题，有助于提升脑出血的识别准确率和效率。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种基于医学影像的出血区域检测方法，如图2所示，该方法包括：
步骤201，获取脑部医学影像中的脑室边缘；
可选地，步骤201具体可以通过以下步骤实现：
步骤201-1，获取多层脑部医学影像，去除每层所述脑部医学影像中扫描值大于预设头骨扫描值的像素点，得到多层脑组织蒙片；
步骤201-2，提取每层所述脑组织蒙片中扫描值小于预设脑脊液分割阈值的像素点，得到每层的脑室区域；
步骤201-3，基于多层所述脑室区域进行三维最大连通域的提取，得到每层的目标脑室区域，识别每层所述目标脑室区域的边缘作为所述脑室边缘。
在该实施例中，对患者进行脑部CT扫描，得到多长脑部医学影像后，可以先对每层影像中的头骨部分进行去除，头骨的CT扫描值一般为150～1000之间，脑组织的CT扫描值通常低于120，因此剔除其中CT扫描值大于预设头骨扫描值(可以设置为120)的像素点，保留图像中脑组织部分，结合三维形态学处理得到每个扫描层的脑组织蒙片。进一步，在脑组织蒙片中提取出CT扫描值小于预设脑脊液分割阈值的像素点作为脑脊液部分，具体可以通过统计脑组织蒙片区域内的灰度直方图，提取第二高峰对应的灰度值，将该灰度值作为预设脑脊液分割阈值，以实现脑脊液的分割，得到全脑脑室区域，接着，对全脑脑室进行核心区域提取，具体针对每个扫描层对应的脑室区域，提取三维最大连通域，以剔除全脑脑室区域中的脑沟回部分，得到核心侧脑室区域，即目标脑室区域，最后采用三维形态学方法进行边缘提取，获取核心侧脑室的脑室边缘。
在本申请实施例中，为了提升核心侧脑室的提取准确率，可以先对脑沟回部分进行粗略的去除，可选地，步骤201-3之前还可以包括：分别基于每层所述脑室区域中的每个边缘像素点与区域中心点的连线，按预设脑沟回比例，确定每条连线上的脑沟回剔除边缘点；基于每层的所述脑沟回剔除边缘点，将所述脑室区域的外层剔除。
在该实施例中，侧脑室位于脑部中央区域，脑沟回位于脑部边缘区域，基于该特性，可以对边缘区域的脑沟回部分进行剔除。如图3所示，P2为脑室区域的区域中心点，P2为脑室区域边缘上的任意一个点，根据P1和P2两点建立直线方程，P1沿直线
滑动长度为
到P1’，α表示预设脑沟回比例，
为需要剔除的脑沟回区域。
步骤202，基于组成所述脑室边缘的边缘像素点，识别所述脑室边缘对应的至少一组共线边缘点，其中，每组所述共线边缘点构成的一条直线上包括至少两个边缘像素点。
步骤203，确定每组所述共线边缘点所在的直线与所述脑部医学影像的横轴之间的夹角，删除夹角超过预设夹角阈值的共线边缘点。
步骤204，分别统计每组所述共线边缘点构成的线段长度，并获取所述线段长度大于预设长度阈值的共线边缘点，作为所述目标共线边缘点。
其中，步骤202至步骤203可以通过霍夫变换直线检测方法实现，如图4所示，在任意一层脑部医学影像中，以图像左下角为原点(0，0)，对于脑室边缘的任意直线li，采用(γ,θ)表示，其中γ为原点到直线的垂直距离，θ为垂线与x轴之前的夹角，(γ,θ)也可以表示出垂线与直线的交点。如图5所示，通过点Pi的直线为(γi,θi)，通过点Pj的直线为(γj,θj)，基于两点确定一条直线的特性，所以经过这两个点的直线必定有γi＝γj,θi＝θj。
应用到上述实施例中，可以遍历脑室边缘的所有点，检测通过边缘点的直线(γ,θ)，假设通过每个边缘点的直线有n条，脑室边缘像素点为N个，则可以找到N*n个(γ,θ)。接着，针对全部的(γ,θ)，进行数量统计，即找到表示同一条直线的(γ,θ)数量，统计值越大说明在该条直线上共线的脑室边缘像素点越多，同一条直线上包含的脑室边缘像素点即为上述的共线边缘像素点。一般来说，患者平躺的情况下脑脊液和血液的交界线应为水平线，但为了排除干扰，可以删除与x轴夹角超出预设夹角阈值的直线，具体可以保留θ∈(-6°，6°)的直线。
进一步，由于脑室轮廓的生理结构是圆滑的曲面，而脑脊液与血液由于密度不同，分离后会呈现直线特性，脑脊液与出血的交界水平线一般为脑室边缘上最长的线段，且交界水平线的长度通常在一定长度范围之上，因此本申请实施例中，在确定各组共线边缘点后，可以依据每一组共线边缘点构成的线段长度，对共线边缘点进行筛选，确定目标共线边缘点。其中，目标共线边缘点可以是一段连续的像素点，也可以是多段连续的像素点，例如可以选择构成最长线段的共线边缘点作为目标共线边缘点，也可以选择构成线段大于预设长度阈值的共线边缘点作为目标共线边缘点，以供后续针对目标共线边缘点进行分析。具体的，可以通过统计一组共线边缘点中依次相邻的像素点的数量，来确定这组共线边缘点所构成的线段的长度，如果相邻像素点的数量大于预设数量(该预设数量与上述的预设长度阈值匹配，连续的预设数量的像素点构成的线段即为预设长度阈值)，那么获取这组共线边缘点中这些依次相邻的像素点，将其作为目标共线边缘点，目标共线边缘点所构成的线段即疑似为脑脊液和血液的分界线。为了提高识别准确性，可以获取构成的线段长度大于预设长度阈值的共线边缘点，作为目标共线边缘点，以避免漏识别、漏检测的问题。
步骤205，以所述目标共线边缘点构成的线段长度为矩形区域的长，预设宽度为所述矩形区域的宽，获取所述目标共线边缘点下方的所述矩形区域，所述矩形区域内包含的像素点为所述待分析像素点。
在该实施例中，为了提升待分析像素点的获取效率，可以通过以矩形区域在图像上框选的方式，获取矩形区域内的像素点作为待分析像素点，具体可以将目标共线边缘点构成的线段的长度作为进行框选的矩形区域的长，矩形区域的宽为固定的预设宽度，确定目标共线边缘点构成的线段后，以该线段下方最近的一条线段作为矩形区域的一条边，将矩形区域置于该边下方的位置，矩形区域内包含的像素点即为待分析像素点，如图5所示，在图像中选择了4条目标共线边缘点构成的线段对应的矩形区域。
步骤206，将所述矩形区域中的每一行像素点分别作为一个待聚类样本进行二分聚类，其中，将第一行像素点和最后一行像素点作为二分聚类起始点，所述第一行像素点为所述矩形区域中与所述目标共线边缘点距离最近的一行像素点。
步骤207，基于二分聚类后得到的两个聚类中心，分别确定第一待拟合灰度值和第二待拟合灰度值。
在该实施例中，确定目标共线边缘点的矩形区域后，为了方便描述，可以基于矩形区域中的像素点形成M行N列的区域像素矩阵，M为预设宽度，N为目标共线边缘点的数量，将其中第一行像素点linemin(1，1)、(1，2)……(1，N)作为第一聚类中心，将最后一行像素点linemax(M，1)、(M，2)……(M，N)作为第二聚类中心，并将其余的每一行像素点分别作为一个待聚类样本，例如第二行像素点(2，1)、(2，2)……(2，N)作为一个待聚类样本，第三行像素点(3，1)、(3，2)……(3，N)作为一个待聚类样本。
接着，将第一聚类中心的像素点灰度值和第二聚类中心的像素点灰度值，作为两个聚类起始点，如图6所示，为第一聚类起始点和第二聚类起始点的曲线图。对待聚类样本进行二分类聚类，得到两个聚类中心，并获取两个聚类中心各自的灰度值，作为目标共线边缘点对应的第一待拟合灰度值和第二待拟合灰度值。如图7所示，为聚类后的第一聚类中心和第二聚类中心的曲线图。
步骤208，分别对每组所述待分析像素点对应的所述第一待拟合灰度值和所述第二待拟合灰度值进行抛物线拟合，得到每组所述目标共线边缘点的第一抛物线和第二抛物线。
进一步，将第一待拟合灰度值作为y值，将像素点在矩阵中的排序作为x值，按预设抛物线表达式y＝a*x2+b*x+c进行抛物线拟合，得到第一抛物线，采用相同的方式拟合出第二抛物线。
步骤209，若任一组待分析像素点对应的所述第一抛物线和/或所述第二抛物线的开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域。
在该实施例中，经过抛物线拟合后，可以通过a表示抛物线的开口方向，若a小于0则说明抛物线开口向下，基于出血区域的生理特征，当抛物线开口向下时，可以认为对应的矩形区域内有出血区，只要第一抛物线、第二抛物线中有一条开口向下，就可以认为存在脑出血现象，以此方式实现对脑出血的自动检测。
本申请实施例还可以实现对出血量的统计，可选地，步骤209之后，还可以包括：
S1，确定所述出血区域内各像素点的扫描值均值，统计所述出血区域中扫描值大于所述扫描值均值的出血像素点的数量；
S2，基于所述出血像素点的数量以及预设单位像素空间体积，确定所述出血区域的出血体积。
在上述实施例中，获取开口向下的抛物线对应的矩形区域，对该区域内的像素点的扫描值进行统计，确定该区域内的像素点扫描值均值，扫描值大于该均值的像素点可以认为是出血像素点，统计该区域内出血像素点的数量，并结合每个像素点所代表的单位像素空间体积，计算出该区域内对应的出血体积。
进一步，还可以包括：S3，基于每层所述脑部医学影像对应的每个所述出血区域的出血体积，计算所述脑部医学影像对应的总出血体积。
在该实施例中，统计出每层脑部医学影像中，每个出血区域的出血体积，并对各出血体积进行累加，计算得到该脑部医学影像的总出血体积，以实现对脑出血的出血量的自动分析。
进一步的，作为图1方法的具体实现，本申请实施例提供了一种基于医学影像的出血区域检测装置，如图8所示，该装置包括：
脑室边缘获取模块，用于获取脑部医学影像中的脑室边缘；
目标边缘识别模块，用于基于组成所述脑室边缘的边缘像素点，识别所述边缘像素点中的至少一组目标共线边缘点；
像素点分析模块，用于基于所述脑部医学影像中的像素点位置关系，获取每组所述目标共线边缘点各自对应的待分析像素点；
出血分析模块，用于分别根据每组所述待分析像素点的灰度值进行抛物线拟合，根据抛物线拟合结果，确定出血区域。
可选地，所述出血分析模块，还用于：若任一组待分析像素点对应的抛物线拟合结果为抛物线开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域。
可选地，所述装置还包括：
出血量计算模块，用于确定所述出血区域内各像素点的扫描值均值，统计所述出血区域中扫描值大于所述扫描值均值的出血像素点的数量；基于所述出血像素点的数量以及预设单位像素空间体积，确定所述出血区域的出血体积。
可选地，所述脑部医学影像包括多层；所述出血量计算模块，还用于基于每层所述脑部医学影像对应的每个所述出血区域的出血体积，计算所述脑部医学影像对应的总出血体积。
可选地，所述像素点分析模块，具体用于：以所述目标共线边缘点构成的线段长度为矩形区域的长，预设宽度为所述矩形区域的宽，获取所述目标共线边缘点下方的所述矩形区域，所述矩形区域内包含的像素点为所述待分析像素点。
可选地，所述出血分析模块，还用于：
将所述矩形区域中的每一行像素点分别作为一个待聚类样本进行二分聚类，其中，将第一行像素点和最后一行像素点作为二分聚类起始点，所述第一行像素点为所述矩形区域中与所述目标共线边缘点距离最近的一行像素点；
基于二分聚类后得到的两个聚类中心，分别确定第一待拟合灰度值和第二待拟合灰度值；
分别对每组所述待分析像素点对应的所述第一待拟合灰度值和所述第二待拟合灰度值进行抛物线拟合，得到每组所述目标共线边缘点的第一抛物线和第二抛物线；
若任一组待分析像素点对应的所述第一抛物线和/或所述第二抛物线的开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域。
可选地，所述脑室边缘获取模块，具体用于：
获取多层脑部医学影像，去除每层所述脑部医学影像中扫描值大于预设头骨扫描值的像素点，得到多层脑组织蒙片；
提取每层所述脑组织蒙片中扫描值小于预设脑脊液分割阈值的像素点，得到每层的脑室区域；
基于多层所述脑室区域进行三维最大连通域的提取，得到每层的目标脑室区域，识别每层所述目标脑室区域的边缘作为所述脑室边缘。
可选地，所述脑室边缘获取模块，还用于：
所述基于多层所述脑室区域提取三维最大连通域之前，分别基于每层所述脑室区域中的每个边缘像素点与区域中心点的连线，按预设脑沟回比例，确定每条连线上的脑沟回剔除边缘点；基于每层的所述脑沟回剔除边缘点，将所述脑室区域的外层剔除。
可选地，所述目标边缘识别模块，具体用于：
基于组成所述脑室边缘的边缘像素点，识别所述脑室边缘对应的至少一组共线边缘点；分别统计每组所述共线边缘点构成的线段长度，并获取所述线段长度大于预设长度阈值的共线边缘点，作为所述目标共线边缘点。
可选地，所述目标边缘识别模块，还用于：所述识别所述脑室边缘对应的至少一组共线边缘点之后，确定每组所述共线边缘点所在的直线与所述脑部医学影像的横轴之间的夹角，删除夹角超过预设夹角阈值的共线边缘点。
需要说明的是，本申请实施例提供的一种基于医学影像的出血区域检测装置所涉及各功能单元的其他相应描述，可以参考图1至图2方法中的对应描述，在此不再赘述。
基于上述如图1至图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述如图1至图2所示的基于医学影像的出血区域检测方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图2所示的方法，以及图8所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的基于医学影像的出血区域检测方法。
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作***、网络通信模块。操作***是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
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本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现基于脑部医学影像中脑室边缘对应的边缘像素点，识别出能够构成一条直线的多组目标共线边缘点，进一步，依据脑脊液与血液呈现直线分界线，且血液位于分界线下方的生理特性，获取与目标共线边缘点匹配的待分析像素点，基于待分析像素点的灰度值进行抛物线拟合，并根据抛物线拟合结果确定出血区域。本申请实施例解决了现有技术中只能依靠医生经验对脑出血状况进行人眼识别，导致识别准确率和效率低的问题，有助于提升脑出血的识别准确率和效率。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (13)
1.一种基于医学影像的出血区域检测方法，其特征在于，包括：
获取脑部医学影像中的脑室边缘，基于组成所述脑室边缘的边缘像素点，识别所述边缘像素点中的至少一组目标共线边缘点；
基于所述脑部医学影像中的像素点位置关系，获取每组所述目标共线边缘点各自对应的待分析像素点；
分别根据每组所述待分析像素点的灰度值进行抛物线拟合，根据抛物线拟合结果，确定出血区域。
2.根据权利要求1所述的方法，其特征在于，所述根据抛物线拟合结果，确定出血区域，具体包括：
若任一组待分析像素点对应的抛物线拟合结果为抛物线开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域。
3.根据权利要求2所述的方法，其特征在于，所述将所述任一组待分析像素点所在的区域确定为所述出血区域之后，所述方法还包括：
确定所述出血区域内各像素点的扫描值均值，统计所述出血区域中扫描值大于所述扫描值均值的出血像素点的数量；
基于所述出血像素点的数量以及预设单位像素空间体积，确定所述出血区域的出血体积。
4.根据权利要求3所述的方法，其特征在于，所述脑部医学影像包括多层；所述基于所述出血像素点的数量以及预设单位像素空间体积，确定所述出血区域的出血体积之后，所述方法还包括：
基于每层所述脑部医学影像对应的每个所述出血区域的出血体积，计算所述脑部医学影像对应的总出血体积。
5.根据权利要求2所述的方法，其特征在于，所述基于所述脑部医学影像中的像素点位置关系，获取每组所述目标共线边缘点各自对应的待分析像素点，具体包括：
以所述目标共线边缘点构成的线段长度为矩形区域的长，预设宽度为所述矩形区域的宽，获取所述目标共线边缘点下方的所述矩形区域，所述矩形区域内包含的像素点为所述待分析像素点。
6.根据权利要求5所述的方法，其特征在于，所述分别根据每组所述待分析像素点的灰度值进行抛物线拟合，具体包括：
将所述矩形区域中的每一行像素点分别作为一个待聚类样本进行二分聚类，其中，将第一行像素点和最后一行像素点作为二分聚类起始点，所述第一行像素点为所述矩形区域中与所述目标共线边缘点距离最近的一行像素点；
基于二分聚类后得到的两个聚类中心，分别确定第一待拟合灰度值和第二待拟合灰度值；
分别对每组所述待分析像素点对应的所述第一待拟合灰度值和所述第二待拟合灰度值进行抛物线拟合，得到每组所述目标共线边缘点的第一抛物线和第二抛物线；
相应地，所述若任一组待分析像素点对应的抛物线拟合结果为抛物线开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域，具体包括：
若任一组待分析像素点对应的所述第一抛物线和/或所述第二抛物线的开口向下，则将所述任一组待分析像素点所在的区域确定为所述出血区域。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述获取脑部医学影像中的脑室边缘，具体包括：
获取多层脑部医学影像，去除每层所述脑部医学影像中扫描值大于预设头骨扫描值的像素点，得到多层脑组织蒙片；
提取每层所述脑组织蒙片中扫描值小于预设脑脊液分割阈值的像素点，得到每层的脑室区域；
基于多层所述脑室区域进行三维最大连通域的提取，得到每层的目标脑室区域，识别每层所述目标脑室区域的边缘作为所述脑室边缘。
8.根据权利要求7所述的方法，其特征在于，所述基于多层所述脑室区域提取三维最大连通域之前，所述方法还包括：
分别基于每层所述脑室区域中的每个边缘像素点与区域中心点的连线，按预设脑沟回比例，确定每条连线上的脑沟回剔除边缘点；
基于每层的所述脑沟回剔除边缘点，将所述脑室区域的外层剔除。
9.根据权利要求7所述的方法，其特征在于，所述基于组成所述脑室边缘的边缘像素点，识别所述脑室边缘对应的至少一组目标共线边缘点，具体包括：
基于组成所述脑室边缘的边缘像素点，识别所述脑室边缘对应的至少一组共线边缘点；
分别统计每组所述共线边缘点构成的线段长度，并获取所述线段长度大于预设长度阈值的共线边缘点，作为所述目标共线边缘点。
10.根据权利要求9所述的方法，其特征在于，所述识别所述脑室边缘对应的至少一组共线边缘点之后，所述方法还包括：
确定每组所述共线边缘点所在的直线与所述脑部医学影像的横轴之间的夹角，删除夹角超过预设夹角阈值的共线边缘点。
11.一种基于医学影像的出血区域检测装置，其特征在于，包括：
脑室边缘获取模块，用于获取脑部医学影像中的脑室边缘；
目标边缘识别模块，用于基于组成所述脑室边缘的边缘像素点，识别所述边缘像素点中的至少一组目标共线边缘点；
像素点分析模块，用于基于所述脑部医学影像中的像素点位置关系，获取每组所述目标共线边缘点各自对应的待分析像素点；
出血分析模块，用于分别根据每组所述待分析像素点的灰度值进行抛物线拟合，根据抛物线拟合结果，确定出血区域。
12.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法。
13.一种计算机设备，包括存储介质、处理器及存储在存储介质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计算机程序时实现权利要求1至10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556341.3A CN114419084A (zh) | 2021-12-17 | 2021-12-17 | 基于医学影像的出血区域检测方法及装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556341.3A CN114419084A (zh) | 2021-12-17 | 2021-12-17 | 基于医学影像的出血区域检测方法及装置、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419084A true CN114419084A (zh) | 2022-04-29 |
Family
ID=81267360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111556341.3A Pending CN114419084A (zh) | 2021-12-17 | 2021-12-17 | 基于医学影像的出血区域检测方法及装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419084A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330826A (zh) * | 2022-08-11 | 2022-11-11 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-12-17 CN CN202111556341.3A patent/CN114419084A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330826A (zh) * | 2022-08-11 | 2022-11-11 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
| CN115330826B (zh) * | 2022-08-11 | 2024-02-20 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9959617B2 (en) | Medical image processing apparatus and breast image processing method thereof | |
| CN101689301B (zh) | 在ct图像数据中检测出血性卒中 | |
| WO2010117573A2 (en) | Automated measurement of brain injury indices using brain ct images, injury data, and machine learning | |
| KR101530015B1 (ko) | 컴퓨터 단층촬영 이미지의 밀도 분석 방법 | |
| CN116269467B (zh) | 一种创伤患者清创术前信息采集*** | |
| CN109509186B (zh) | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 | |
| CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核***象智能检测方法 | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| CN104143035B (zh) | 一种分割乳腺病灶的方法 | |
| CN106846293B (zh) | 图像处理方法和装置 | |
| CN115311309A (zh) | 一种用于核磁共振图像的病灶识别提取方法与*** | |
| CN109758113B (zh) | 一种基于图像识别的视网膜病变定量分析*** | |
| KR101571151B1 (ko) | 컴퓨터 단층촬영 이미지의 아티팩트 제거 방법 | |
| CN113160245A (zh) | 基于分块区域生长法的ct脑实质分割***、方法及装置 | |
| CN114299052A (zh) | 基于脑部影像的出血区域确定方法、装置、设备及介质 | |
| CN114419084A (zh) | 基于医学影像的出血区域检测方法及装置、存储介质 | |
| Sarosa et al. | Breast cancer classification using GLCM and BPNN | |
| CN115272647A (zh) | 一种肺部图像的识别处理方法及*** | |
| JP4124406B2 (ja) | 異常陰影検出装置 | |
| Lazar et al. | A novel approach for the automatic detection of microaneurysms in retinal images | |
| CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
| Li et al. | A hybrid approach to detection of brain hemorrhage candidates from clinical head ct scans | |
| Kom et al. | Automated exudates detection in retinal fundus image using morphological operator and entropy maximization thresholding | |
| Haleem et al. | Glaucoma classification using Regional Wavelet Features of the ONH and its surroundings | |
| CN117911716B (zh) | 基于机器视觉的关节炎ct影像特征提取方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240226 Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Country or region after: China Address before: 110167 room 336, No. 177-1, Chuangxin Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: Shenyang advanced medical equipment Technology Incubation Center Co.,Ltd. Country or region before: China |