CN115880287B - 一种脑白质高信号病灶区域分割及评级装置 - Google Patents
一种脑白质高信号病灶区域分割及评级装置 Download PDFInfo
- Publication number
- CN115880287B CN115880287B CN202310133584.9A CN202310133584A CN115880287B CN 115880287 B CN115880287 B CN 115880287B CN 202310133584 A CN202310133584 A CN 202310133584A CN 115880287 B CN115880287 B CN 115880287B
- Authority
- CN
- China
- Prior art keywords
- white matter
- image data
- high signal
- brain
- matter high
- 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
- 210000004885 white matter Anatomy 0.000 title claims abstract description 241
- 230000011218 segmentation Effects 0.000 title claims abstract description 66
- 210000004556 brain Anatomy 0.000 claims abstract description 90
- 230000003902 lesion Effects 0.000 claims abstract description 89
- 238000000926 separation method Methods 0.000 claims abstract description 78
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 97
- 210000003140 lateral ventricle Anatomy 0.000 claims description 28
- 210000005013 brain tissue Anatomy 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 8
- 125000001475 halogen functional group Chemical group 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 9
- 230000002490 cerebral effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 208000029812 Cerebral Small Vessel disease Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 208000019553 vascular disease Diseases 0.000 description 3
- 206010072731 White matter lesion Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 210000002565 arteriole Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002075 inversion recovery Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 208000037451 Leukoaraiosis Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000001736 capillary Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001256 tonic effect Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 210000000264 venule Anatomy 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种脑白质高信号病灶区域分割及评级装置,通过获取患者脑部FLAIR影像数据并转换为患者脑部图像数据;对患者脑部图像数据进行预处理;对预处理后的患者脑部图像数据进行颅脑分离和背景分离操作,获得分离背景后的脑白质区域图像数据;根据分离背景后的脑白质区域图像数据计算最佳的脑白质高信号分割阈值并分割提取脑白质高信号病灶区域,获得脑白质高信号病灶区域图像;对脑白质高信号病灶区域图像按照空间分布位置进行分类,判断脑白质高信号病灶区域的病灶类型;将分类结果输入预设的神经网络模型中进行评分,根据评分结果获得脑白质高信号病灶评级结果;本发明中的装置原理简单,运算效率快,同时降低了成本。
Description
技术领域
本发明涉及医学图像处理技术领域,更具体地,涉及一种脑白质高信号病灶区域分割及评级装置。
背景技术
脑小血管病(cerebral small vessel disease,CSVD) 是老年人常见的一种脑血管疾病,通常由脑内小动脉、毛细血管以及小静脉血管壁等损伤引起。其临床表现包括急性缺血性卒中症状、轻度认知功能障碍及痴呆、步态异常、情绪或行为异常和运动障碍等。脑小血管病的致残率高,康复难,但其发病隐匿,易被病人及医师忽略,严重影响中老年人的健康,为家庭、社会带来沉重负担。
脑白质高信号(White Matter Hyperintensity,WMH),亦称为脑白质疏松(Leukoaraiosis),由加拿大神经病学专家Hachinski于1987年首次提出,是脑小血管病的常见影像标记物之一;脑白质高信号在核磁共振成像T2加权像(T2WI)或者液体衰减反转恢复序列图像(Fluid Attenuated Inversion Recovery,FLAIR)通常表现为脑白质部位的高信号影。根据病变部位,脑白质高信号分为侧脑室旁白质高信号(periventricular WMH,PWMH)和深部脑白质高信号(deep WMH,DWMH)两大类;侧脑室旁白质高信号紧贴在脑室周围,信号分布均匀,具体形态包括“帽状征”、“线缘征”、“浓晕征”以及“淡晕征”等四种。深部白质高信号常以斑点状分布在侧脑室四周,不与侧脑室直接接触。
脑白质高信号的体积变化能够反映脑小血管病患者早期认知功能的变化。WMH体积越大,全脑功能或特定区域认知功能越低。因此,WMH体积可以作为临床脑小血管疾病诊断及治疗的重要指标。而精准分割脑白质高信号病灶是脑小血管病诊断的基础工作,在主治医师在脑小血管病患者临床诊断的过程中起到重要作用。
目前,脑白质高信号病灶区域往往由极具临床经验的医师进行手工分割后再进行诊断,非常耗费时间与精力,也常常存在人为误差。
目前的现有技术公开了一种基于多尺度融合和拆分注意力的脑白质高信号分割方法,包括:获取脑白质高信号FLAIR图像数据集,并对数据集进行划分和预处理;对所述基于多尺度融合和拆分注意力的脑白质高信号分割模型进行构建和训练,当训练满足终止条件时得到脑白质高信号分割模型;将测试集中的每个图像输入到已经训练完成的基于多尺度融合和拆分注意力的脑白质高信号分割模型中进行测试;现有技术中的方法能够在一定程度上提高WMH的分割准确率,但算法复杂、费时费力,分割效率不高。
发明内容
本发明为克服上述现有技术在对脑白质高信号分割时算法复杂和效率较低的缺陷,提供一种脑白质高信号病灶区域分割及评级装置,原理简单,运算效率快,能够有效降低成本,提高效率。
为解决上述技术问题,本发明的技术方案如下:
一种脑白质高信号病灶区域分割及评级装置,包括依次连接的:
数据获取模块1:用于获取患者脑部FLAIR影像数据;
预处理模块2:用于将患者脑部FLAIR影像数据转换为患者脑部图像数据,并对患者脑部图像数据进行预处理;
颅脑分离模块3:用于使用BET颅脑分离算法对预处理后的患者脑部图像数据进行颅脑分离,获得脑白质区域图像数据;
背景分离模块4:用于对脑白质区域图像数据进行背景分离操作,获得分离背景后的脑白质区域图像数据;
使用最大类间方差法计算背景与脑部组织分离阈值,并只保留高于该分离阈值的像素点,实现背景分离,获得分离背景后的脑白质区域图像数据;
病灶区域分割模块5:用于根据分离背景后的脑白质区域图像数据,使用三角阈值分割法计算出最佳的脑白质高信号分割阈值,计算过程为:
选取分离背景后的脑白质区域图像数据直方图中的波峰灰度级值所在的点,对应坐标为/>;图像中灰度级最大值/>所在的点,对应坐标为/>;、/>对应的两点构成形式为/>的直线/>,其中/>,,/>;
计算分离背景后的脑白质区域图像数据直方图上每个点到直线上的距离/>,其中,/>;
当距离达到最大时,取对应的灰度级值作为最佳的脑白质高信号分割阈值/>;
根据最佳的脑白质高信号分割阈值分割提取脑白质高信号病灶区域,获得脑白质高信号病灶区域的掩膜图像;
根据脑白质高信号病灶区域的掩膜图像对患者脑部图像数据进行点乘操作,获得脑白质高信号病灶区域图像;
病灶类型分类模块6:用于对脑白质高信号病灶区域图像按照病灶空间分布位置进行分类,获得脑白质高信号病灶区域的病灶类型分类结果;
对脑白质高信号病灶区域的图像中的侧脑室区域使用Canny边缘检测算法进行边缘信息提取,获取侧脑室的强轮廓切片;
根据侧脑室的强轮廓切片中有无侧脑室区域以及离侧脑室区域轮廓的距离对脑白质高信号病灶区域的病灶类型进行分类;
所述病灶类型包括侧脑室旁白质高信号病灶类型和深部脑白质高信号病灶类型;
病灶评级模块7:用于将脑白质高信号病灶区域的病灶类型分类结果输入已训练好的Resnet-50神经网络模型中进行评分,根据评分结果获得脑白质高信号病灶评级结果;
将脑白质高信号病灶区域的病灶类型分类结果输入预设的神经网络模型中,根据Fazekas量表进行评分,具体为:
侧脑室旁白质高信号的评分为:0分:无病变;1分:帽状或铅笔样薄层病变;2分:呈光滑的晕圈;3分:不规则脑室旁高信号延伸到深部白质;
深部脑白质高信号评分为:0分:无病变;1分:点状病变;2分:病变灶开始融合;3分:病灶大面积融合;
将两类脑白质高信号病灶区域的病灶类型分类结果的最高评分相加,获取评分结果,根据评分结果获得脑白质高信号病灶评级结果,具体为:
0级:0分;1级:1-2分;2级:3-4分;3级:5-6分。
优选地,所述数据获取模块1中的患者脑部FLAIR影像数据格式为NIFTI格式。
优选地,所述预处理模块2中,将患者脑部FLAIR影像数据转换为患者脑部图像数据,具体为:
利用nibabel库对患者脑部FLAIR影像数据进行读取并将格式转换为常用的图像格式,获得患者脑部图像数据;
所述常用的图像格式包括:bmp、jpg、png、tif、gif、tga、psd和cdr;
对患者脑部图像数据进行预处理,具体为:
统一患者脑部图像数据的尺寸和像素分辨率。
优选地,所述病灶区域分割模块5中,根据最佳的脑白质高信号分割阈值分割提取脑白质高信号病灶区域,获得脑白质高信号病灶区域的掩膜图像,具体为:
根据最佳的脑白质高信号分割阈值对分离背景后的脑白质区域图像数据进行二值化处理,获得脑白质高信号病灶区域的掩膜图像。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供一种脑白质高信号病灶区域分割及评级装置,该装置通过获取患者脑部FLAIR影像数据;将患者脑部FLAIR影像数据转换为患者脑部图像数据,并对患者脑部图像数据进行预处理;对预处理后的患者脑部图像数据进行颅脑分离,获得脑白质区域图像数据;对脑白质区域图像数据进行背景分离操作,获得分离背景后的脑白质区域图像数据;根据分离背景后的脑白质区域图像数据计算最佳的脑白质高信号分割阈值,根据最佳的脑白质高信号分割阈值分割提取脑白质高信号病灶区域,获得脑白质高信号病灶区域的掩膜图像,根据脑白质高信号病灶区域的掩膜图像对患者脑部图像数据进行点乘操作,获得脑白质高信号病灶区域图像;对脑白质高信号病灶区域图像按照病灶空间分布位置进行分类,获得脑白质高信号病灶区域的病灶类型分类结果;将脑白质高信号病灶区域的病灶类型分类结果输入预设的神经网络模型中进行评分,根据评分结果获得脑白质高信号病灶评级结果;
本发明中的装置使用一种组合分割方法以对FLAIR图像中的脑白质高信号病灶区域进行分割,符合临床实际的诊断步骤;该装置原理简单,运算效率快;同时,本发明根据专业的评价指标使用边缘信息提取技术以及神经网络技术对脑白质高信号的严重程度进行智能评估,实现了脑白质高信号诊断的全流程,适用于临床实际应用,降低成本,提高效率,节省人力资源,对智能医疗的发展有着重要的应用价值以及社会意义。
附图说明
图1为实施例1所提供的一种脑白质高信号病灶区域分割及评级装置结构图。
图2为实施例2所提供的BET颅脑分离算法示意图。
图3为实施例2所提供的剔除图像背景前后的直方图的对比图。
图4为实施例2所提供的三角阈值分割法示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,本实施例提供一种脑白质高信号病灶区域分割及评级装置,包括依次连接的:
数据获取模块1:用于获取患者脑部FLAIR影像数据;
预处理模块2:用于将患者脑部FLAIR影像数据转换为患者脑部图像数据,并对患者脑部图像数据进行预处理;
颅脑分离模块3:用于使用BET颅脑分离算法对预处理后的患者脑部图像数据进行颅脑分离,获得脑白质区域图像数据;
背景分离模块4:用于对脑白质区域图像数据进行背景分离操作,获得分离背景后的脑白质区域图像数据;
使用最大类间方差法计算背景与脑部组织分离阈值,并只保留高于该分离阈值的像素点,实现背景分离,获得分离背景后的脑白质区域图像数据;
病灶区域分割模块5:用于根据分离背景后的脑白质区域图像数据,使用三角阈值分割法计算出最佳的脑白质高信号分割阈值,计算过程为:
选取分离背景后的脑白质区域图像数据直方图中的波峰灰度级值所在的点,对应坐标为/>;图像中灰度级最大值/>所在的点,对应坐标为/>;、/>对应的两点构成形式为/>的直线/>,其中/>,,/>;
计算分离背景后的脑白质区域图像数据直方图上每个点到直线上的距离/>,其中,/>;
当距离达到最大时,取对应的灰度级值作为最佳的脑白质高信号分割阈值/>;
根据最佳的脑白质高信号分割阈值分割提取脑白质高信号病灶区域,获得脑白质高信号病灶区域的掩膜图像;
根据脑白质高信号病灶区域的掩膜图像对患者脑部图像数据进行点乘操作,获得脑白质高信号病灶区域图像;
病灶类型分类模块6:用于对脑白质高信号病灶区域图像按照病灶空间分布位置进行分类,获得脑白质高信号病灶区域的病灶类型分类结果;
对脑白质高信号病灶区域的图像中的侧脑室区域使用Canny边缘检测算法进行边缘信息提取,获取侧脑室的强轮廓切片;
根据侧脑室的强轮廓切片中有无侧脑室区域以及离侧脑室区域轮廓的距离对脑白质高信号病灶区域的病灶类型进行分类;
所述病灶类型包括侧脑室旁白质高信号病灶类型和深部脑白质高信号病灶类型;
病灶评级模块7:用于将脑白质高信号病灶区域的病灶类型分类结果输入已训练好的Resnet-50神经网络模型中进行评分,根据评分结果获得脑白质高信号病灶评级结果;
将脑白质高信号病灶区域的病灶类型分类结果输入预设的神经网络模型中,根据Fazekas量表进行评分,具体为:
侧脑室旁白质高信号的评分为:0分:无病变;1分:帽状或铅笔样薄层病变;2分:呈光滑的晕圈;3分:不规则脑室旁高信号延伸到深部白质;
深部脑白质高信号评分为:0分:无病变;1分:点状病变;2分:病变灶开始融合;3分:病灶大面积融合;
将两类脑白质高信号病灶区域的病灶类型分类结果的最高评分相加,获取评分结果,根据评分结果获得脑白质高信号病灶评级结果,具体为:
0级:0分;1级:1-2分;2级:3-4分;3级:5-6分。
在具体实施过程中,首先数据获取模块1获取患者脑部FLAIR影像数据;预处理模块2将患者脑部FLAIR影像数据转换为患者脑部图像数据,并对患者脑部图像数据进行预处理;颅脑分离模块3对预处理后的患者脑部图像数据进行颅脑分离,获得脑白质区域图像数据;背景分离模块4对脑白质区域图像数据进行背景分离操作,获得分离背景后的脑白质区域图像数据;病灶区域分割模块5根据分离背景后的脑白质区域图像数据计算最佳的脑白质高信号分割阈值,根据最佳的脑白质高信号分割阈值分割提取脑白质高信号病灶区域,获得脑白质高信号病灶区域的掩膜图像,根据脑白质高信号病灶区域的掩膜图像对患者脑部图像数据进行点乘操作,获得脑白质高信号病灶区域图像;病灶类型分类模块6对脑白质高信号病灶区域图像按照病灶空间分布位置进行分类,获得脑白质高信号病灶区域的病灶类型分类结果;最后病灶评级模块7将脑白质高信号病灶区域的病灶类型分类结果输入预设的神经网络模型中进行评分,根据评分结果获得脑白质高信号病灶评级结果;
本装置使用一种组合分割方法以对FLAIR图像中的脑白质高信号病灶区域进行分割,符合临床实际的诊断步骤;该装置原理简单,运算效率快;同时,本装置根据专业的评价指标使用边缘信息提取技术以及神经网络技术对脑白质高信号的严重程度进行智能评估,实现了脑白质高信号诊断的全流程,适用于临床实际应用,降低成本,提高效率,节省人力资源,对智能医疗的发展有着重要的应用价值以及社会意义。
实施例2
本实施例提供一种脑白质高信号病灶区域分割及评级装置,包括依次连接的:
数据获取模块1:用于获取患者脑部FLAIR影像数据;
所述患者脑部FLAIR影像数据格式为NIFTI格式;
预处理模块2:用于将患者脑部FLAIR影像数据转换为患者脑部图像数据,具体为:
利用nibabel库对患者脑部FLAIR影像数据进行读取并将格式转换为常用的图像格式,获得患者脑部图像数据;
所述常用的图像格式包括:bmp、jpg、png、tif、gif、tga、psd和cdr;
并对患者脑部图像数据进行预处理,统一患者脑部图像数据的尺寸和像素分辨率;
颅脑分离模块3:用于对预处理后的患者脑部图像数据进行颅脑分离,获得脑白质区域图像数据,具体为:
使用BET颅脑分离算法将预处理后的患者脑部图像数据中脑白质区域与脑壳区域进行分离,保存脑白质区域图像数据;
背景分离模块4:用于对脑白质区域图像数据进行背景分离操作,获得分离背景后的脑白质区域图像数据,具体为:
使用最大类间方差法计算背景与脑部组织分离阈值,并只保留高于该分离阈值的像素点,实现背景分离,获得分离背景后的脑白质区域图像数据;
病灶区域分割模块5:用于根据分离背景后的脑白质区域图像数据计算最佳的脑白质高信号分割阈值,具体为:
根据分离背景后的脑白质区域图像数据,使用三角阈值分割法计算出最佳的脑白质高信号分割阈值,具体为:
选取分离背景后的脑白质区域图像数据直方图中的波峰灰度级值所在的点,对应坐标为/>;图像中灰度级最大值/>所在的点,对应坐标为/>;、/>对应的两点构成形式为/>的直线/>,其中/>,,/>;
计算分离背景后的脑白质区域图像数据直方图上每个点到直线上的距离/>,其中,/>;
当距离达到最大时,取对应的灰度级值作为最佳的脑白质高信号分割阈值/>;
根据最佳的脑白质高信号分割阈值分割提取脑白质高信号病灶区域,获得脑白质高信号病灶区域的掩膜图像,具体为:
根据最佳的脑白质高信号分割阈值对分离背景后的脑白质区域图像数据进行二值化处理,获得脑白质高信号病灶区域的掩膜图像;
根据脑白质高信号病灶区域的掩膜图像对患者脑部图像数据进行点乘操作,获得脑白质高信号病灶区域图像;
病灶类型分类模块6:用于对脑白质高信号病灶区域图像按照病灶空间分布位置进行分类,获得脑白质高信号病灶区域的病灶类型分类结果,具体为:
对脑白质高信号病灶区域图像中的侧脑室区域使用Canny边缘检测算法进行边缘信息提取,获取侧脑室的强轮廓切片;
根据侧脑室的强轮廓切片中有无侧脑室区域以及离侧脑室区域轮廓的距离对脑白质高信号病灶区域的病灶类型进行分类;
所述病灶类型包括侧脑室旁白质高信号病灶类型和深部脑白质高信号病灶类型;
病灶评级模块7:用于将脑白质高信号病灶区域的病灶类型分类结果输入已训练好的Resnet-50神经网络模型中进行评分,根据评分结果获得脑白质高信号病灶评级结果;
将脑白质高信号病灶区域的病灶类型分类结果输入预设的神经网络模型中进行评分,根据评分结果获得脑白质高信号病灶评级结果;
将脑白质高信号病灶区域的病灶类型分类结果输入预设的神经网络模型中,根据Fazekas量表进行评分,具体为:
侧脑室旁白质高信号的评分为:0分:无病变;1分:帽状或铅笔样薄层病变;2分:呈光滑的晕圈;3分:不规则脑室旁高信号延伸到深部白质;
深部脑白质高信号评分为:0分:无病变;1分:点状病变;2分:病变灶开始融合;3分:病灶大面积融合;
将两类脑白质高信号病灶区域的病灶类型分类结果的最高评分相加,获取评分结果,根据评分结果获得脑白质高信号病灶评级结果,具体为:
0级:0分;1级:1-2分;2级:3-4分;3级:5-6分。
在具体实施过程中,首先在数据获取模块1使用专业的核磁共振仪器对患者脑部进行扫描,获取患者脑部FLAIR影像数据;
所述患者脑部FLAIR影像数据格式为NIFTI格式,需要通过特定的软件平台才可直接对数据进行读取;
将患者脑部FLAIR影像数据转换为患者脑部图像数据,具体为:
利用nibabel库对患者脑部FLAIR影像数据进行读取并将格式转换为常用的图像格式,获得患者脑部图像数据;
所述常用的图像格式包括:bmp、jpg、png、tif、gif、tga、psd和cdr;
由于不同医疗机构可能采用不同型号的扫描仪对患者进行扫描,由于扫描设备的差异会导致图像在体素大小和尺寸等存在差异,因此需要使用预处理模块2对患者脑部图像数据进行预处理,统一患者脑部图像数据的尺寸和像素分辨率;
由于在部分数据中存在脑室组织的像素灰度值跟颅骨像素灰度值相近,故需要经过分离算法将颅骨结构分离,只保留脑部组织图像;
在本实施例中,颅脑分离模块3使用BET(brain extraction tool)颅脑分离算法实现从颅脑图像中提取脑组织,将预处理后的患者脑部图像数据中脑白质区域与脑壳区域进行分离,保存脑白质区域图像数据,实现颅脑分离,获得脑白质区域图像数据,以提高对脑白质高信号病灶区域的分割精准度;
BET颅脑分离算法的基本思想是根据影像的灰度直方图确定脑组织部位灰度值的范围以及非脑部组织灰度值的范围,估算出脑组织的重心点;根据该中心点构建一个由众多三角面片组成的脑表面,再通过平行于轮廓切线的拉力、垂直于轮廓切线的平滑力、垂直于轮廓切线的扩张力三种力共同作用,经过多次的演化,逐步将脑表面的轮廓点推向脑组织的边缘,以实现对颅骨,脑组织的分离;
所图2所示,设A0点为当前作用点,A1、A2为A0的相邻接的边界点,P为A1与A2之间的中点,S为点A0到点P的向量,Sn为点A0与线段A1A2间的垂线向量,St= S – Sn,设点O为脑补组织的轮廓点,点A0到点O的距离为R,是初始轮廓圆的半径;设点A0受到的力为,平行于轮廓切线的拉力/>、垂直于轮廓切线的平滑力/>、垂直于轮廓切线的扩张力/>;
其中,平行于轮廓切线的拉力满足/>,主要负责将点A0向A1A2间的中点P拉近,以保持点A0与A1A2两个邻接点的距离;
垂直于轮廓切线的平滑力主要功能是起到使得轮廓曲线保持平滑状态;/>的方向与点A0与线段A1A2间的垂线向量Sn相同,当顶点A0外凸时,/>将A0向内拉;当顶点A0内凹时,/>将A0向外推;此外,当且顶点A0处的曲率越大,/>则越大,轮廓就越平滑;
垂直于轮廓切线的平滑力满足/>,其中,,/>为顶点A0到A1A2间的平均距离;/>;;/>;/>;
垂直于轮廓切线的扩张力是唯一与图像像素相关的力,主要功能是推动轮廓点到达图像梯度较大的位置;
垂直于轮廓切线的扩张力满足/>;
其中,为顶点A0到A1A2间的平均距离;/>表示从顶点A0沿着平行于它的局部表面法向量方向,向里前进距离d1获得的最小灰度值,d1=20mm;/>表示从顶点A0沿着平行于它的局部表面法向量方向,向里前进距离d2获得的最大灰度值,d2= d1/2;/>是初始化阶段区别背景和图像像素点的阈值,/>为修正后的阈值,与/>成线性关系;/>,;
最终点A0受到的形变力为,其中,/>、/>、/>分别为第一、第二、第三比例系数;
由于后续的脑白质高信号病灶分割阈值是基于图像的灰度值直方图进行计算的,而在图像数据中存在着大量的背景像素点的存在,干扰后续算法的进行,因此需要对脑白质区域图像数据进行背景分离操作,获得分离背景后的脑白质区域图像数据,具体为:
背景分离模块4中使用最大类间方差法(OTSU)对脑白质区域图像数据进行背景分离操作,计算出能够合适将背景与脑部组织进行分离的阈值,并只保留高于该阈值的像素点,实现背景分离,获得分离背景后的脑白质区域图像数据;
所述最大类间方差法(OTSU)的原理为:
设灰度图像尺寸为,图像像素点灰度级范围为/>,/>为不同灰度级对应的像素点个数,灰度级/>出现的概率为/>;设图像中灰度级/>的像素点为/>类;灰度级/>的为/>类;
设类像素点出现的概率/>,/>类平均灰度级为/>;/>类像素点出现的概率为/>,/>类平均灰度级为/>,则有:
;
;
;
;
图像的平均灰度级可表示为:
;
设图像的类间方差为:
;
当类间方差为最大时,可获得最佳灰度级值/>:
根据最佳灰度级值对图像进行分割,剔除图像背景前后的直方图对比图如图3所示;
之后病灶区域分割模块5根据分离背景后的脑白质区域图像数据计算最佳的脑白质高信号分割阈值,具体为:
如图4所示,根据分离背景后的脑白质区域图像数据,使用三角阈值分割法计算出最佳的脑白质高信号分割阈值,具体为:
选取分离背景后的脑白质区域图像数据直方图中的波峰灰度级值所在的点,对应坐标为/>;图像中灰度级最大值/>所在的点,对应坐标为/>;、/>对应的两点构成形式为/>的直线/>,其中/>,,/>;
计算分离背景后的脑白质区域图像数据直方图上每个点到直线上的距离/>,其中,/>;
当距离达到最大时,取对应的灰度级值作为最佳的脑白质高信号分割阈值/>;
根据最佳的脑白质高信号分割阈值分割提取脑白质高信号病灶区域,获得脑白质高信号病灶区域的掩膜图像,具体为:
根据最佳的脑白质高信号分割阈值对分离背景后的脑白质区域图像数据进行二值化处理,只保留脑白质高信号病灶区域,获得脑白质高信号病灶区域的掩膜图像,完成脑白质高信号病灶区域分割;
根据脑白质高信号病灶区域的掩膜图像对患者脑部图像数据进行点乘操作,获得脑白质高信号病灶区域图像;
之后病灶类型分类模块6对脑白质高信号病灶区域图像按照病灶空间分布位置进行分类,获得脑白质高信号病灶区域的病灶类型分类结果,具体为:
对脑白质高信号病灶区域图像中的侧脑室区域使用Canny边缘检测算法进行边缘信息提取,获取侧脑室的强轮廓切片;
根据侧脑室的强轮廓切片中有无侧脑室区域以及离侧脑室区域轮廓的距离对脑白质高信号病灶区域的病灶类型进行分类;
所述病灶类型包括侧脑室旁白质高信号病灶类型和深部脑白质高信号病灶类型;
最后病灶评级模块7将脑白质高信号病灶区域的病灶类型分类结果输入已训练好的Resnet-50神经网络模型中进行评分,根据评分结果获得脑白质高信号病灶评级结果,具体为:
将脑白质高信号病灶区域的病灶类型分类结果输入预设的神经网络模型中进行评分,根据评分结果获得脑白质高信号病灶评级结果,具体为:
将脑白质高信号病灶区域的病灶类型分类结果输入预设的神经网络模型中,根据Fazekas量表进行评分,具体为:
侧脑室旁白质高信号的评分为:0分:无病变;1分:帽状或铅笔样薄层病变;2分:呈光滑的晕圈;3分:不规则脑室旁高信号延伸到深部白质;
深部脑白质高信号评分为:0分:无病变;1分:点状病变;2分:病变灶开始融合;3分:病灶大面积融合;
将两类脑白质高信号病灶区域的病灶类型分类结果的最高评分相加,获取评分结果,根据评分结果获得脑白质高信号病灶的严重程度,并获得诊断结果,具体为:
0级:0分;1级:1-2分;2级:3-4分;3级:5-6分;
本装置使用一种组合分割方法以对FLAIR图像中的脑白质高信号病灶区域进行分割,符合临床实际的诊断步骤;该装置原理简单,运算效率快;同时,本发明根据专业的评价指标使用边缘信息提取技术以及神经网络技术对脑白质高信号的严重程度进行智能评估,实现了脑白质高信号诊断的全流程,适用于临床实际应用,降低成本,提高效率,节省人力资源,对智能医疗的发展有着重要的应用价值以及社会意义。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种脑白质高信号病灶区域分割及评级装置,其特征在于,包括依次连接的:
数据获取模块1:用于获取患者脑部FLAIR影像数据;
预处理模块2:用于将患者脑部FLAIR影像数据转换为患者脑部图像数据,并对患者脑部图像数据进行预处理;
颅脑分离模块3:用于使用BET颅脑分离算法对预处理后的患者脑部图像数据进行颅脑分离,获得脑白质区域图像数据;
背景分离模块4:用于对脑白质区域图像数据进行背景分离操作,获得分离背景后的脑白质区域图像数据;
使用最大类间方差法计算背景与脑部组织分离阈值,并只保留高于该分离阈值的像素点,实现背景分离,获得分离背景后的脑白质区域图像数据;
病灶区域分割模块5:用于根据分离背景后的脑白质区域图像数据,使用三角阈值分割法计算出最佳的脑白质高信号分割阈值,计算过程为:
选取分离背景后的脑白质区域图像数据直方图中的波峰灰度级值所在的点,对应坐标为/>;图像中灰度级最大值/>所在的点,对应坐标为/>;/>、对应的两点构成形式为/>的直线/>,其中/>,,/>;
计算分离背景后的脑白质区域图像数据直方图上每个点到直线上的距离/>,其中,;
当距离达到最大时,取对应的灰度级值作为最佳的脑白质高信号分割阈值/>;
根据最佳的脑白质高信号分割阈值分割提取脑白质高信号病灶区域,获得脑白质高信号病灶区域的掩膜图像;
根据脑白质高信号病灶区域的掩膜图像对患者脑部图像数据进行点乘操作,获得脑白质高信号病灶区域图像;
病灶类型分类模块6:用于对脑白质高信号病灶区域图像按照病灶空间分布位置进行分类,获得脑白质高信号病灶区域的病灶类型分类结果;
对脑白质高信号病灶区域的图像中的侧脑室区域使用Canny边缘检测算法进行边缘信息提取,获取侧脑室的强轮廓切片;
根据侧脑室的强轮廓切片中有无侧脑室区域以及离侧脑室区域轮廓的距离对脑白质高信号病灶区域的病灶类型进行分类;
所述病灶类型包括侧脑室旁白质高信号病灶类型和深部脑白质高信号病灶类型;
病灶评级模块7:用于将脑白质高信号病灶区域的病灶类型分类结果输入已训练好的Resnet-50神经网络模型中进行评分,根据评分结果获得脑白质高信号病灶评级结果;
将脑白质高信号病灶区域的病灶类型分类结果输入预设的神经网络模型中,根据Fazekas量表进行评分,具体为:
侧脑室旁白质高信号的评分为:0分:无病变;1分:帽状或铅笔样薄层病变;2分:呈光滑的晕圈;3分:不规则脑室旁高信号延伸到深部白质;
深部脑白质高信号评分为:0分:无病变;1分:点状病变;2分:病变灶开始融合;3分:病灶大面积融合;
将两类脑白质高信号病灶区域的病灶类型分类结果的最高评分相加,获取评分结果,根据评分结果获得脑白质高信号病灶评级结果,具体为:
0级:0分;1级:1-2分;2级:3-4分;3级:5-6分。
2.根据权利要求1所述的一种脑白质高信号病灶区域分割及评级装置,其特征在于,所述数据获取模块1中的患者脑部FLAIR影像数据格式为NIFTI格式。
3.根据权利要求1所述的一种脑白质高信号病灶区域分割及评级装置,其特征在于,所述预处理模块2中,将患者脑部FLAIR影像数据转换为患者脑部图像数据,具体为:
利用nibabel库对患者脑部FLAIR影像数据进行读取并将格式转换为常用的图像格式,获得患者脑部图像数据;
所述常用的图像格式包括:bmp、jpg、png、tif、gif、tga、psd和cdr;
对患者脑部图像数据进行预处理,具体为:
统一患者脑部图像数据的尺寸和像素分辨率。
4.根据权利要求1所述的一种脑白质高信号病灶区域分割及评级装置,其特征在于,所述病灶区域分割模块5中,根据最佳的脑白质高信号分割阈值分割提取脑白质高信号病灶区域,获得脑白质高信号病灶区域的掩膜图像,具体为:
根据最佳的脑白质高信号分割阈值对分离背景后的脑白质区域图像数据进行二值化处理,获得脑白质高信号病灶区域的掩膜图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133584.9A CN115880287B (zh) | 2023-02-20 | 2023-02-20 | 一种脑白质高信号病灶区域分割及评级装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310133584.9A CN115880287B (zh) | 2023-02-20 | 2023-02-20 | 一种脑白质高信号病灶区域分割及评级装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115880287A CN115880287A (zh) | 2023-03-31 |
CN115880287B true CN115880287B (zh) | 2023-07-21 |
Family
ID=85761324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310133584.9A Active CN115880287B (zh) | 2023-02-20 | 2023-02-20 | 一种脑白质高信号病灶区域分割及评级装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880287B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7995825B2 (en) * | 2001-04-05 | 2011-08-09 | Mayo Foundation For Medical Education | Histogram segmentation of FLAIR images |
CN109636777A (zh) * | 2018-11-20 | 2019-04-16 | 广州方纬智慧大脑研究开发有限公司 | 一种交通信号灯的故障检测方法、***及存储介质 |
CN111681230A (zh) * | 2020-06-10 | 2020-09-18 | 华中科技大学同济医学院附属同济医院 | 脑白质高信号评分***及其评分方法 |
CN111882560B (zh) * | 2020-06-16 | 2024-05-31 | 北京工业大学 | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 |
CN111951279B (zh) * | 2020-08-05 | 2024-04-23 | 中国科学院深圳先进技术研究院 | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 |
-
2023
- 2023-02-20 CN CN202310133584.9A patent/CN115880287B/zh active Active
Non-Patent Citations (1)
Title |
---|
半自动MRI定量方法测定脑白质高信号体积与病变定性评分的相关性;王贺波;张和振;靳玮;王天俊;郭宗成;冯亚青;李玲;赵大卫;王建华;吕佩源;;中国组织工程研究与临床康复(04);第83-86页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115880287A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310281B (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
CN109635846B (zh) | 一种多类医学图像判断方法和*** | |
US8958625B1 (en) | Spiculated malignant mass detection and classification in a radiographic image | |
CN111028206A (zh) | 一种基于深度学习***癌自动检测和分类*** | |
CN113420826B (zh) | 一种肝脏病灶图像处理***及图像处理方法 | |
US20150125052A1 (en) | Drusen lesion image detection system | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
CN105279759A (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
CN104766316B (zh) | 中医望诊中新型嘴唇分割算法 | |
Sun et al. | Intracranial hemorrhage detection by 3D voxel segmentation on brain CT images | |
CN111695644A (zh) | 基于光密度变换的肿瘤超声图像分类方法、装置及介质 | |
Sagar et al. | Color channel based segmentation of skin lesion from clinical images for the detection of melanoma | |
CN104933723B (zh) | 基于稀疏表示的舌图像分割方法 | |
Mahmood et al. | Ultrasound liver image enhancement using watershed segmentation method | |
CN114399493A (zh) | 超声颅脑异常区域自动检测及显示方法 | |
CN113380401A (zh) | 基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质 | |
CN116188786B (zh) | 一种肝胆管及胆道结石的图像分割*** | |
CN115880287B (zh) | 一种脑白质高信号病灶区域分割及评级装置 | |
CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
Yan et al. | Segmentation of pulmonary parenchyma from pulmonary CT based on ResU-Net++ model | |
Taouil et al. | Automatic segmentation and classification of skin lesion images | |
CN113409275B (zh) | 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 | |
Zrimec et al. | A system for computer aided detection of diseases patterns in high resolution CT images of the lungs | |
Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
Reddy et al. | A Composite Feature Set Based Blood Vessel Segmentation in Retinal Images through Supervised Learning |
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 |