CN118172397A - 基于图像配准的颅内ct影像的三维倾斜校正方法、计算机设备和计算机程序产品 - Google Patents
基于图像配准的颅内ct影像的三维倾斜校正方法、计算机设备和计算机程序产品 Download PDFInfo
- Publication number
- CN118172397A CN118172397A CN202410567126.0A CN202410567126A CN118172397A CN 118172397 A CN118172397 A CN 118172397A CN 202410567126 A CN202410567126 A CN 202410567126A CN 118172397 A CN118172397 A CN 118172397A
- Authority
- CN
- China
- Prior art keywords
- image
- matched
- layer
- template
- intracranial
- 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.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 65
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004590 computer program Methods 0.000 title claims abstract description 23
- 238000002591 computed tomography Methods 0.000 title description 48
- 238000013519 translation Methods 0.000 claims abstract description 15
- 238000012952 Resampling Methods 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 98
- 210000005013 brain tissue Anatomy 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 23
- 210000003140 lateral ventricle Anatomy 0.000 claims description 16
- 210000003625 skull Anatomy 0.000 claims description 14
- 210000001519 tissue Anatomy 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 5
- 239000011229 interlayer Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 210000004556 brain Anatomy 0.000 description 8
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013135 deep learning Methods 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
- 208000035475 disorder Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种基于图像配准的颅内CT影像的三维倾斜校正方法、计算机设备和计算机程序产品,三维倾斜校正方法包括:获得颅内CT影像,所述颅内CT影像包括姿态标准的模板影像、以及有待校正的待配影像;对所述颅内CT影像执行重采样处理,将所述待配影像的各层对应至所述模板影像;将所述待配影像通过旋转平移配准至所述模板影像,完成所述待配影像的三维倾斜校正。本申请在校正待配影像的过程中,首先进行待配影像与模板影像各层的对应。在此基础上进一步通过旋转平移配准,将待配影像配准至模板影像。各层对应完成后,待配影像和模板影像的差异相对较小,此时实施旋转平移配准能够大幅降低算力占用,提高倾斜校正的效率。
Description
技术领域
本申请涉及医学影像处理技术领域,特别是涉及一种基于图像配准的颅内CT影像的三维倾斜校正方法、计算机设备和计算机程序产品。
背景技术
颅内CT(颅内计算机断层扫描)是医学领域中一项关键的影像检查技术。它利用X射线技术获取颅内详细的断面图像,从而评估颅骨、脑组织、脑血管以及可能存在的病变或异常情况。通过旋转的X射线束和探测器,该技术可以捕捉到多个角度的图像,然后由计算机将这些图像重建成三维模型,为医生提供全面的解剖信息。颅内CT具有非侵入性和高分辨率的特点,因此被广泛运用于医学临床实践中。医生可以借助这项技术来准确诊断和评估各种颅内疾病,为患者制定个性化的治疗方案提供重要参考。它不仅提供了宝贵的解剖结构信息,还能揭示潜在的功能异常,因此在现代医学中扮演着不可或缺的角色。
医学影像的图像处理技术是当代医学领域中不可或缺的重要工具。这些技术不仅涉及到获取和重建医学影像数据,更包括了图像的增强、分析和解释。通过图像处理,医生可以更准确地诊断疾病,并制定更有效的治疗方案。这一领域涵盖了诸多技术,如图像增强、三维重建、图像配准、分割和标记、形态学分析等等。近年来,医学影像的图像处理技术取得了令人瞩目的进展。新的算法和工具的不断涌现使得临床诊断、治疗和研究领域都受益匪浅。例如,图像配准和分割技术的进步,使得医生能够更准确地定位和量化病变区域,从而更好地评估疾病的严重程度和发展趋势。这些技术的不断演进,为医学影像学的发展开辟了新的可能性,也为改善患者的诊疗体验和治疗效果提供了坚实基础。
在进行颅内CT(计算机断层扫描)拍摄时,病人姿态不统一可能对医学影像图像处理产生不良影响。不同扫描图像之间存在位置和角度差异,会使得图像的自动化处理变得更加复杂和困难。在图像配准中,感兴趣区域的层面和形状的迭代计算难以适应偏差较大的三维姿态,因此需要将不同姿态的图像进行对齐,以便进行比较和分析。
病人在拍摄CT影像时,通常将头部固定在支撑装置上,以确保他们的头部在适当的位置,并保持相对稳定,这有助于获得高质量的影像。然而,对于脑出血、脑梗死等无法控制身体姿态的病人,通常会出现头部的姿态倾斜。其中最常见的是头部的转动,在三维影像中会表现为沿S-I轴(Superior—Inferior)的旋转;而头部的歪斜在三维影像中会表现为沿A-P轴(Anterior—Posterior)的旋转;若支撑装置较低或较高,则在三维影像中会表现为沿L-R轴(Left—Right)的旋转。
由于医学影像最适当的查阅方式为沿S-I轴(横断面)逐层查阅,沿S-I轴的旋转导致的倾斜只需在层内进行图像处理,而目前关于影像倾斜校正的研究通常为该维度倾斜的处理。然而,沿A-P轴的旋转和沿L-R轴的旋转导致的姿态倾斜需要对影像进行跨层处理,难以进行倾斜校正。
发明内容
基于此,有必要针对上述技术问题,提供一种基于图像配准的颅内CT影像的三维倾斜校正方法。
本申请基于图像配准的颅内CT影像的三维倾斜校正方法,包括:
获得颅内CT影像,所述颅内CT影像包括姿态标准的模板影像、以及有待校正的待配影像;
对所述颅内CT影像执行重采样处理,将所述待配影像的各层对应至所述模板影像;
将所述待配影像通过旋转平移配准至所述模板影像,完成所述待配影像的三维倾斜校正。
可选的,对所述颅内CT影像执行重采样处理,具体包括:统一所述模板影像和所述待配影像的层间距、层内像素间距、以及层内影像尺寸。
可选的,将所述待配影像的各层对应至所述模板影像,具体包括:
若所述待配影像不存在缺失,则将所述颅内CT影像顶侧首次出现脑组织的层面作为定位层;
利用所述定位层,将所述待配影像的各层对应至所述模板影像。
可选的,将所述待配影像的各层对应至所述模板影像,具体包括:
若所述待配影像存在部分缺失,则定位所述模板影像和待配影像的脑组织像素数最大层,并根据两个所述脑组织像素数最大层的差异,对所述模板影像和待配影像进行统一处理;
获得统一处理后的、所述待配影像的顶层图像的脑组织像素数;
根据所述顶层图像的脑组织像素数,将所述顶层图像定位至所述模板影像,并将所述待配影像的各层对应至所述模板影像。
可选的,若所述待配影像的顶层图像存在脑组织,则视为所述待配影像存在部分缺失;
若所述待配影像的顶层图像不存在脑组织,则视为所述待配影像不存在缺失。
可选的,将所述待配影像通过旋转平移配准至所述模板影像,包括第一配准阶段和第二配准阶段;
在所述第一配准阶段中,对比所述待配影像和所述模板影像,两者的脑组织和/或颅骨,进行第一次倾斜校正;
在所述第二配准阶段中,对比所述待配影像和所述模板影像,两者的侧脑室组织进行第二次倾斜校正。
可选的,在所述第一次配准阶段中,对比所述待配影像和模板影像,两者的背景区域、颅骨区域和脑组织区域,进行第一次倾斜校正。
可选的,在所述第一次倾斜校正中,放弃使用沿L-R轴的旋转参数进行倾斜校正;
在所述第二配准阶段中,截取并对比所述待配影像和所述模板影像中含侧脑室组织的区域,实现第二次倾斜校正。
本申请还提供一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现本申请所述的基于图像配准的颅内CT影像的三维倾斜校正方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请所述的基于图像配准的颅内CT影像的三维倾斜校正方法的步骤。
本申请还提供一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现本申请所述的基于图像配准的颅内CT影像的三维倾斜校正方法的步骤。
本申请基于图像配准的颅内CT影像的三维倾斜校正方法至少具有以下效果:
本申请在校正待配影像的过程中,首先进行待配影像与模板影像各层的对应。在此基础上进一步通过旋转平移配准,将待配影像配准至模板影像。在各层对应的过程中,由于倾斜原因,必然出现也允许出现各层对应的偏差。各层对应完成后,待配影像和模板影像的差异相对较小,此时实施旋转平移配准能够大幅降低算力占用,提高倾斜校正的效率。
附图说明
图1为本申请一实施例中基于图像配准的颅内CT影像的三维倾斜校正方法的流程示意图;
图2为本申请一实施例中图1步骤S300子步骤的流程示意图;
图3为本申请一实施例中图1步骤S300子步骤的流程示意图;
图4为本申请一实施例中待配影像的示意图;
图5为应用如图1所示的方法后获得的、完成待配影像三维倾斜校正(图中为沿L-R轴的倾斜校正)的示意图;
图6为本申请一实施例中待配影像的示意图;
图7为应用如图1所示的方法后获得的、完成待配影像三维倾斜校正(图中为沿A-P轴的倾斜校正)的示意图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
在CT影像拍摄时,患者头部易因为运动而造成三维姿态不统一,导致影像处理、计算不准确。为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
参见图1、图4~图7,本申请一实施例提供一种基于图像配准的颅内CT影像的三维倾斜校正方法,包括步骤S100~步骤S400。其中:
步骤S100,获得颅内CT影像,颅内CT影像包括姿态标准的模板影像、以及有待校正的待配影像;
步骤S200,对所述颅内CT影像执行重采样处理;
步骤S300,将所述待配影像的各层对应至所述模板影像;
步骤S400,将待配影像通过旋转平移配准至模板影像,完成待配影像的三维倾斜校正。
本实施例中颅内CT影像应当理解为沿人体长轴的逐层的横断面图像的集合。待配影像可以是待诊断病人的颅内CT影像,由于CT设备差异和CT检查参数差异,模板影像和待配影像可能存在像素的不匹配,重采样处理可理解为至少包括模板影像和待配影像的像素匹配。
本实施例在校正待配影像的过程中,首先进行待配影像与模板影像各层的对应。在此基础上进一步通过旋转平移配准,将待配影像配准至模板影像。在各层对应的过程中,由于倾斜原因,必然出现也允许出现各层对应的偏差。各层对应完成后,待配影像和模板影像的差异相对较小,此时实施旋转平移配准能够大幅降低算力占用,提高倾斜校正的效率。
在一个实施例中,提供一种基于图像配准的颅内CT影像的三维倾斜校正方法,用于详细地解释和说明步骤S100~步骤S400的可选子步骤。包括(1)前处理;(2)提取大脑部分;(3)第一配准阶段三维校正配准;(4)识别侧脑室区域;(5)第二配准阶段三维校正配准。
其中,(1)前处理对应于步骤S100~步骤S300。前处理包括:选取一个头部较为直立没有倾斜且扫描完整的颅内CT数据,作为用于配准的模板影像;获取有待校正的待配影像,至此完成步骤S100。
对所述颅内CT影像执行重采样处理,具体包括:统一模板影像和待配影像的层间距、层内像素间距、以及层内影像尺寸。统一层内像素间距包括设置层内像素间距为0.2~1.0mm。若二者层内影像尺寸不同,则将尺寸小的影像进行padding(边缘填充)操作。至此完成步骤S200。
步骤S300,将待配影像的各层对应至模板影像,包括待配影像不存在缺失、以及待配影像存在缺失的两种情况。因某些待配影像未扫描至颅顶,需判断待配影像最上一层的位置。本申请各实施例识别并判断颅内CT影像的扫描完整的情况,并针对扫描完整或不完整的不同情况,对应地实施不同方式,通过计算脑组织像素数量的方法,将待配影像和模板影像的各层一一对应起来,妥善地完成步骤S300。
本实施例提供待配影像是否存在缺失的标准,包括:若待配影像的顶层图像(指人体长轴的头部的最上一层)不存在脑组织,则视为待配影像不存在缺失;反之,认为存在缺失。
具体通过计算待配影像最上一层的脑组织像素数量p,计算方式包括:计算每层颅骨内脑组织的像素数量,提取每一层大于80HU的像素点并取最大连通域作为颅骨区域,统计像素数量。取上述最大连通域的外轮廓,外轮廓内所有像素点为颅骨区域与脑组织区域之和,统计像素数量。二者相减即为脑组织像素数量。
若脑组织像素数量p小于或等于第一阈值则判断颅顶扫描完整,待配影像不存在缺失。第一阈值例如可以是0~100,第一阈值根据断层图像的厚度适应性调节。
参见图2和图3,若待配影像不存在缺失,步骤S300包括步骤S311~步骤S312。步骤S311,将颅内CT影像顶侧首次出现脑组织的层面作为定位层;步骤S312,利用定位层,将待配影像的各层对应至模板影像。
可以理解,模板影像在采集姿态标准且不存在影像缺失,因而必然存在所需要的定位层。通过对应待配影像和模板影像两者的定位层,即可实现各层的对应。具体地,若待配影像不存在缺失,则分别取模板影像和待配影像从颅顶向下第一个脑组织像素数量p大于第一阈值的层,作为首次出现脑组织的层,删除模板影像和待配影像该层面上方的所有层面,并将此时层数较多的影像从下到上删除一些层面,使得模板影像和待配影像的层数相同,得到处理后的模板影像和待配影像。各实施例说明的上方,是指颅内影像沿人体长轴远离肢体的方向。
若待配影像的顶层图像存在脑组织,则视为待配影像存在部分缺失。具体判断时,若脑组织像素数量p大于第一阈值,则判断颅顶扫描不完整。
若待配影像存在部分缺失,步骤S300包括:步骤S321,定位模板影像和待配影像的脑组织像素数最大层,并根据两个脑组织像素数最大层的差异,对模板影像和待配影像进行统一处理;步骤S322,获得统一处理后的、待配影像的顶层图像的脑组织像素数;步骤S323,根据顶层图像的脑组织像素数,将顶层图像定位至模板影像,并将待配影像的各层对应至模板影像。
可以理解,在步骤S200中,统一模板影像和待配影像的层内影像尺寸,所针对的是图像显示精度,例如针对的是某一组织区域的图像放大程度。而本步骤中的统一处理,所解决的问题是模板影像的被采集者、与待配影像的被采集者存在生理参数差异,例如头部尺寸大小的差异。
具体地,判断颅顶未扫描全存在缺失时,需将待配影像最上一层与模板影像对应。首先,从最上层向下依次计算模板影像脑组织像素数量为q 1、q 2、......q n,其次,由于每个病例实际的头颅大小各不相同,需要计算模板影像与待配影像脑组织像素数量最大的一层,分别记为a、b,则归一化处理调整后的待配影像最上一层的脑组织像素数量p’=p*a/b,寻找满足q m≤ p’ ≤q m+1的q m、q m+1,计算这些点与p’之差的绝对值,差值的绝对值最小的q在模板影像对应的层面即为待配影像最上一层对应模板影像的层面。最后,删除模板影像该层面上方的所有层面,并将此时层数较多的影像从下到上删除一些层面,使得模板影像和待配影像的层数相同,得到处理后的模板影像和待配影像。
步骤S400包括属于步骤S410的第一配准阶段,和属于步骤S420的第二配准阶段。在步骤S410,第一配准阶段中,对比待配影像和模板影像,两者的脑组织和/或颅骨,进行第一次倾斜校正。在步骤S420,第二配准阶段中,对比待配影像和模板影像,两者的侧脑室组织进行第二次倾斜校正。
本实施例在第一次倾斜校正中,放弃使用沿L-R轴的旋转参数进行倾斜校正。在第二配准阶段中,截取并对比待配影像和模板影像中含侧脑室组织的区域,实现第二次倾斜校正。本实施例在第二配准阶段中,对侧脑室进行配准,对第一配准阶段进行了补充和精细化处理。通过两个配准阶段,本实施例避免了直接地将配准获得的图像变换参数应用至待配影像时,容易造成的影像的变形和错乱。
在步骤S410~步骤S420,具体通过以下环节详细地解释和说明:(2)提取大脑部分、(3)第一配准阶段三维校正配准、(4)识别侧脑室区域、以及(5)第二配准阶段三维校正配准。
(2)提取大脑部分包括,利用阈值分割法获得基于三维连通域的三值图,三值图包括分割的背景区域、脑组织区域和颅骨区域。具体地以第二阈值(例如-100HU),对模板影像和待配影像提取三维连通域,像素数量最大的连通域即为大脑部分,将大脑部分以外的像素值作为背景区域,例如设置为-1000,以便于去除固定支架等影响后续三维配准的高HU值区域。将大脑部分以第三阈值(例如80HU),高于80为颅骨部分,低于80为脑组织部分,最终可以得到一个背景区域像素值为0、脑组织区域像素值为1、颅骨区域像素值为2的3D影像,即三维连通域的三值图。
(3)第一配准阶段三维校正配准,包括:将待配影像进行上述提取颅骨、脑组织的操作,得到像素值为0、1、2的3D图像。设置配准方式为刚性配准,初始步长为10并自适应调整,迭代次数为2000次,默认像素值设为-1000,以模板为固定图像,待配影像为运动图像,进行配准,得到图像变换参数。将修改后的影像变换参数应用于待配影像,在应用过程中放弃应用沿L-R轴的旋转参数,得到待配中间影像。至此完成步骤S410。
(4)识别侧脑室区域,可利用训练获得的深度学习模型完成识别。具体地,训练深度学习模型,判断每层是否存在侧脑室区域。深度学习模型训练完毕后,将待配中间影像与模板影像依次预测每层是否存在侧脑室区域,得到结果后,寻找存在侧脑室区域最多的连续n层,n可取扫描长度50mm与该影像层间距之比并向上取整。最后,以每层图像的中心点为中心,保存每层影像预期范围内的方形区域。预期范围可通过层内像素间距、以及扫描长度,对所需的像素点数量适应性调整。
(5)第二配准阶段三维校正配准。将待配中间影像与模板影像的HU值进行截取操作,小于-100HU的像素值设置为-100HU,大于50HU的像素值设置为50HU,得到截取后的待配中间影像。设置配准方式为刚性配准,初始步长为10并自适应调整,迭代次数为500次,以模板影像为固定图像,待配中间影像为运动图像,进行配准,得到图像变换参数。将修改后的影像变换参数应用于待配中间影像,得到三维校正后的最终影像。至此完成步骤S420。
在第一配准阶段,三维校正的输入为背景、颅骨、脑组织的三值图,第二配准阶段三维校正的输入为侧脑室区域,并设定了HU值上下限的原始影像。在第二配准阶段,使用深度学习方法识别侧脑室所在层,使用侧脑室特征进行第二配准阶段的三维校正。
本申请各实施例使用三维配准的方法对头部倾斜影像进行三个维度的校正,解决了CT影像拍摄时头部三维姿态不统一导致的影像处理、计算不准确问题。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于图像配准的颅内CT影像的三维倾斜校正方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤S100,获得颅内CT影像,颅内CT影像包括姿态标准的模板影像、以及有待校正的待配影像;
步骤S200,对所述颅内CT影像执行重采样处理;
步骤S300,将所述待配影像的各层对应至所述模板影像;
步骤S400,将待配影像通过旋转平移配准至模板影像,完成待配影像的三维倾斜校正。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S100,获得颅内CT影像,颅内CT影像包括姿态标准的模板影像、以及有待校正的待配影像;
步骤S200,对所述颅内CT影像执行重采样处理;
步骤S300,将所述待配影像的各层对应至所述模板影像;
步骤S400,将待配影像通过旋转平移配准至模板影像,完成待配影像的三维倾斜校正。
在一个实施例中,提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现以下步骤:
步骤S100,获得颅内CT影像,颅内CT影像包括姿态标准的模板影像、以及有待校正的待配影像;
步骤S200,对所述颅内CT影像执行重采样处理;
步骤S300,将所述待配影像的各层对应至所述模板影像;
步骤S400,将待配影像通过旋转平移配准至模板影像,完成待配影像的三维倾斜校正。
本实施例中,计算机程序产品包括程序代码部分,以用于当计算机程序产品由一个或多个计算装置执行时,执行本申请各实施例中基于图像配准的颅内CT影像的三维倾斜校正方法的步骤。计算机程序产品可被存储在计算机可读记录介质上。还可经由数据网络(例如,通过RAN、经由因特网和/或通过RBS)提供计算机程序产品以便下载。备选地或附加地,该方法可被编码在现场可编程门阵列(FPGA)和/或专用集成电路(ASIC)中,或者功能性可借助于硬件描述语言被提供以便下载。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时,可视为该附图也同时披露了所涉及的各个实施例的组合例。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.基于图像配准的颅内CT影像的三维倾斜校正方法,其特征在于,包括:
获得颅内CT影像,所述颅内CT影像包括姿态标准的模板影像、以及有待校正的待配影像;
对所述颅内CT影像执行重采样处理,将所述待配影像的各层对应至所述模板影像;
将所述待配影像通过旋转平移配准至所述模板影像,完成所述待配影像的三维倾斜校正。
2.如权利要求1所述的三维倾斜校正方法,其特征在于,对所述颅内CT影像执行重采样处理,具体包括:统一所述模板影像和所述待配影像的层间距、层内像素间距、以及层内影像尺寸。
3.如权利要求1所述的三维倾斜校正方法,其特征在于,将所述待配影像的各层对应至所述模板影像,具体包括:
若所述待配影像不存在缺失,则将所述颅内CT影像顶侧首次出现脑组织的层面作为定位层;
利用所述定位层,将所述待配影像的各层对应至所述模板影像。
4.如权利要求1所述的三维倾斜校正方法,其特征在于,将所述待配影像的各层对应至所述模板影像,具体包括:
若所述待配影像存在部分缺失,则定位所述模板影像和待配影像的脑组织像素数最大层,并根据两个所述脑组织像素数最大层的差异,对所述模板影像和待配影像进行统一处理;
获得统一处理后的、所述待配影像的顶层图像的脑组织像素数;
根据所述顶层图像的脑组织像素数,将所述顶层图像定位至所述模板影像,并将所述待配影像的各层对应至所述模板影像。
5.如权利要求3或4所述的三维倾斜校正方法,其特征在于,若所述待配影像的顶层图像存在脑组织,则视为所述待配影像存在部分缺失;
若所述待配影像的顶层图像不存在脑组织,则视为所述待配影像不存在缺失。
6.如权利要求1所述的三维倾斜校正方法,其特征在于,将所述待配影像通过旋转平移配准至所述模板影像,包括第一配准阶段和第二配准阶段;
在所述第一配准阶段中,对比所述待配影像和所述模板影像,两者的脑组织和/或颅骨,进行第一次倾斜校正;
在所述第二配准阶段中,对比所述待配影像和所述模板影像,两者的侧脑室组织进行第二次倾斜校正。
7.如权利要求6所述的三维倾斜校正方法,其特征在于,在所述第一次配准阶段中,对比所述待配影像和模板影像,两者的背景区域、颅骨区域和脑组织区域,进行第一次倾斜校正。
8.如权利要求6所述的三维倾斜校正方法,其特征在于,在所述第一次倾斜校正中,放弃使用沿L-R轴的旋转参数进行倾斜校正;
在所述第二配准阶段中,截取并对比所述待配影像和所述模板影像中含侧脑室组织的区域,实现第二次倾斜校正。
9.计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现如权利要求1~8任一项三维倾斜校正方法的步骤。
10.计算机程序产品,包括计算机指令,其特征在于,该计算机指令被处理器执行时实现如权利要求1~8任一项所述的三维倾斜校正方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410567126.0A CN118172397B (zh) | 2024-05-09 | 基于图像配准的颅内ct影像的三维倾斜校正方法、计算机设备和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410567126.0A CN118172397B (zh) | 2024-05-09 | 基于图像配准的颅内ct影像的三维倾斜校正方法、计算机设备和计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118172397A true CN118172397A (zh) | 2024-06-11 |
CN118172397B CN118172397B (zh) | 2024-07-26 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007130240A (ja) * | 2005-11-10 | 2007-05-31 | Imagunooshisu Kk | 医用三次元画像の表示方向修正装置、修正方法および修正用プログラム |
CN110310283A (zh) * | 2018-10-26 | 2019-10-08 | 北京连心医疗科技有限公司 | 一种ct影像中头部倾斜的自动检测及校正方法 |
CN113876346A (zh) * | 2021-11-16 | 2022-01-04 | 南京佗道医疗科技有限公司 | 一种倾斜图像的迭代校正方法 |
JP2022039354A (ja) * | 2020-08-28 | 2022-03-10 | 京セラドキュメントソリューションズ株式会社 | 光走査装置、画像形成装置、光走査方法及びプログラム |
CN115100217A (zh) * | 2022-05-07 | 2022-09-23 | 清华大学 | 头颈部ct影像中脑部区域的提取方法、装置、设备及介质 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007130240A (ja) * | 2005-11-10 | 2007-05-31 | Imagunooshisu Kk | 医用三次元画像の表示方向修正装置、修正方法および修正用プログラム |
CN110310283A (zh) * | 2018-10-26 | 2019-10-08 | 北京连心医疗科技有限公司 | 一种ct影像中头部倾斜的自动检测及校正方法 |
JP2022039354A (ja) * | 2020-08-28 | 2022-03-10 | 京セラドキュメントソリューションズ株式会社 | 光走査装置、画像形成装置、光走査方法及びプログラム |
CN113876346A (zh) * | 2021-11-16 | 2022-01-04 | 南京佗道医疗科技有限公司 | 一种倾斜图像的迭代校正方法 |
CN115100217A (zh) * | 2022-05-07 | 2022-09-23 | 清华大学 | 头颈部ct影像中脑部区域的提取方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
张瑞等: "基于18F-FDG PET/CT图像的配准方法研究", 《电子技术与软件工程》, no. 24, 31 December 2020 (2020-12-31), pages 124 - 125 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3855391A1 (en) | Methods and systems for characterizing anatomical features in medical images | |
US9613416B1 (en) | Methods, systems, and devices for automated analysis and management of medical scans | |
US9280815B2 (en) | Comparison workflow automation by registration | |
JP5601378B2 (ja) | 医用画像処理装置 | |
US20140003690A1 (en) | Motion correction apparatus and method | |
CN111160367A (zh) | 图像分类方法、装置、计算机设备和可读存储介质 | |
CN110717961B (zh) | 多模态图像重建方法、装置、计算机设备和存储介质 | |
CN111340825A (zh) | 一种纵膈***分割模型的生成方法及*** | |
CN110570483A (zh) | 扫描方法、装置、计算机设备和存储介质 | |
CN110288615B (zh) | 一种基于深度学习的倾斜定位框定位方法 | |
KR102178803B1 (ko) | 흉부 의료 영상 판독 지원 시스템 및 방법 | |
CN111681205B (zh) | 图像分析方法、计算机设备和存储介质 | |
CN113361689A (zh) | 超分辨率重建网络模型的训练方法和扫描图像处理方法 | |
CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN114334130B (zh) | 一种基于脑对称性的pet分子影像计算机辅助诊断*** | |
CN111798410A (zh) | 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 | |
Chen et al. | Detection of various dental conditions on dental panoramic radiography using Faster R-CNN | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
CN118172397B (zh) | 基于图像配准的颅内ct影像的三维倾斜校正方法、计算机设备和计算机程序产品 | |
CN111161369A (zh) | 图像重建存储方法、装置、计算机设备和存储介质 | |
CN108416792B (zh) | 基于活动轮廓模型的医学计算机断层扫描图像分割方法 | |
CN118172397A (zh) | 基于图像配准的颅内ct影像的三维倾斜校正方法、计算机设备和计算机程序产品 | |
US11803970B2 (en) | Image judgment device, image judgment method, and storage medium | |
CN118154481B (zh) | 头颈ct影像的倾斜校正方法、计算机设备、可读存储介质和程序产品 |
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 |