醫(yī)學(xué)圖像的分割方法及其裝置制造方法及圖紙

本發(fā)明專利技術(shù)提供一種醫(yī)學(xué)圖像的分割方法及其裝置,包括以下步驟:獲取在不同時(shí)刻的所對(duì)應(yīng)的若干個(gè)灌注圖像；分割每個(gè)時(shí)刻所對(duì)應(yīng)的所述灌注圖像，獲取不同時(shí)刻所對(duì)應(yīng)的目標(biāo)區(qū)域圖像；預(yù)處理所述目標(biāo)區(qū)域的圖像，獲取對(duì)比圖像K；基于復(fù)合式的概率統(tǒng)計(jì)模型分割所述對(duì)比圖像K，獲分割圖像。本發(fā)明專利技術(shù)通過構(gòu)造對(duì)比度圖像K，充分利用圖像信息，有效分割目標(biāo)區(qū)域，提高診斷圖像的質(zhì)量。

【技術(shù)實(shí)現(xiàn)步驟摘要】
【專利說明】醫(yī)學(xué)圖像的分割方法及其裝置
本專利技術(shù)涉及醫(yī)學(xué)圖像處理領(lǐng)域，尤其涉及一種醫(yī)學(xué)圖像的分割方法及其裝置。 【
技術(shù)介紹
】 灌注分析可用于定量描述組織的微血管分布情況及血流灌注的狀態(tài)。計(jì)算機(jī)斷層 灌注成像(CT Perfusion)能夠提供有助于診斷腦灌注異常如腦卒中風(fēng)等疾病。典型的灌注 成像方式為向患者靜脈注射造影劑，然后對(duì)選定感興趣區(qū)域采集多個(gè)時(shí)間點(diǎn)的動(dòng)態(tài)圖像， 以記錄該組織中造影劑濃度隨時(shí)間的變化情況即時(shí)間濃度曲線（Time-Density Curve， TDC)。最后根據(jù)以上數(shù)據(jù)分析微循環(huán)的生理參數(shù)，主要包括血流量(Blood Flow,BF)、血容 量(Blood Volume,BV)、平均通過時(shí)間（Mean Transition Time,MTT)和達(dá)峰時(shí)間（Time To Peak，TTP)等血流動(dòng)力學(xué)參數(shù)。 腦灌注成像能夠用于在腦卒中患者識(shí)別不同組織以區(qū)分不可逆損傷組織（即梗死 核心)和潛在可逆損傷組織（即缺血半暗帶），對(duì)治療決策的制定提供有效參考。例如通常使 用缺血半暗帶與梗死核心組織的體積比來指導(dǎo)是否應(yīng)該應(yīng)用溶栓治療以救治潛在可逆損 傷組織。 缺血性中風(fēng)區(qū)域通常會(huì)連接到腦室，因此，腦室的分割是一項(xiàng)重要而又困難的任 務(wù)，尤其是腦灰質(zhì)和腦白質(zhì)的分割，因?yàn)镃T灌注圖像中，腦灰質(zhì)和腦白質(zhì)之間結(jié)構(gòu)嚙合，邊 界模糊，導(dǎo)致無法正確識(shí)別腦灰白質(zhì)，影響測(cè)量腦灰白質(zhì)體積容量及比率等病理性檢測(cè)。 現(xiàn)有技術(shù)中，針對(duì)頭部CT圖像顱內(nèi)腦組織的自動(dòng)分割，主要通過結(jié)合使用閾值(或 聚類）、數(shù)學(xué)形態(tài)學(xué)、區(qū)域生長、以及顱內(nèi)腦組織空間和灰度的先驗(yàn)信息等來實(shí)現(xiàn)。采用閾值 的分割方法，當(dāng)不同組織結(jié)構(gòu)間灰度值或其他特征值差異很大時(shí)，能夠?qū)D像進(jìn)行有效地 分割。但在頭部CT圖像中，由于部分容積效應(yīng)以及顱內(nèi)腦組織與頭部其他組織存在著較大 的灰度重疊，因此對(duì)于分割腦灰白質(zhì)，目前還沒有理想的解決方法。 【
技術(shù)實(shí)現(xiàn)思路
】 本專利技術(shù)所要解決的技術(shù)問題是提供一種醫(yī)學(xué)圖像的分割方法及其裝置，用于識(shí)別 灌注圖像中的腦灰白質(zhì)，有效提高腦部病理學(xué)檢測(cè)。 為解決上述技術(shù)問題，本專利技術(shù)提供一種醫(yī)學(xué)圖像的分割方法，包括以下步驟： (1)獲取在不同時(shí)刻所對(duì)應(yīng)的若干個(gè)灌注圖像； (2)分割每個(gè)時(shí)刻所對(duì)應(yīng)的所述灌注圖像，獲取不同時(shí)刻所對(duì)應(yīng)的目標(biāo)區(qū)域圖像； (3)預(yù)處理所述不同時(shí)刻所對(duì)應(yīng)的目標(biāo)區(qū)域圖像，獲取對(duì)比圖像K; (4)基于復(fù)合式的概率統(tǒng)計(jì)模型分割所述對(duì)比圖像K，獲分割圖像。 進(jìn)一步地，所述步驟(3)包括如下步驟： 基于灰度值預(yù)處理所述不同時(shí)刻所對(duì)應(yīng)的目標(biāo)區(qū)域圖像，分別獲取平均圖像A、最 大灰度投影圖像Μ和通過最大灰度投影圖像Μ減去平均圖像A而獲取的差值圖像D; 對(duì)所述差值圖像D進(jìn)行歸一化處理，獲得標(biāo)準(zhǔn)差值圖像D% 根據(jù)所述平均圖像A、最大灰度投影圖像Μ或差值圖像D中任一個(gè)圖像構(gòu)造所述對(duì) 比圖像K。 進(jìn)一步地，步驟(3)還包括如下步驟， 在所述標(biāo)準(zhǔn)差值圖像If上基于灰度直方圖確定閾值Dmin和Dmax，將所述標(biāo)準(zhǔn)差值圖 像If上任一像素點(diǎn)s的灰度值與閾值D min和Dmax進(jìn)行比較，構(gòu)造所述對(duì)比圖像K: 若像素點(diǎn)s的灰度值2 Dmax，則所述對(duì)比圖像K上對(duì)應(yīng)點(diǎn)s所在空間位置像素點(diǎn)的灰 度值為所述最大灰度投影圖像Μ上對(duì)應(yīng)空間位置的像素點(diǎn)的灰度值；若像素點(diǎn)s的灰度值< 0_，則所述對(duì)比圖像Κ上對(duì)應(yīng)點(diǎn)s所在空間位置的像素點(diǎn)的 灰度值為平均圖像Α上對(duì)應(yīng)空間位置的像素點(diǎn)的灰度值； 否則，所述對(duì)比圖像K上對(duì)應(yīng)點(diǎn)s所在空間位置的像素點(diǎn)的灰度值為1 = 43乂（1-D*s)+MsXD*s； 其中，1為所述對(duì)比圖像K對(duì)應(yīng)點(diǎn)s的空間位置的像素點(diǎn)的灰度值，As為所述平均圖 像A對(duì)應(yīng)點(diǎn)s所在空間位置的像素點(diǎn)的灰度值，M s為所述最大灰度投影圖像Μ對(duì)應(yīng)點(diǎn)s所在空 間位置的像素點(diǎn)的灰度值，D、為所述標(biāo)準(zhǔn)差值圖像上對(duì)應(yīng)點(diǎn)s所在空間位置的像素點(diǎn)的 灰度值。 進(jìn)一步地，所述復(fù)合式的概率統(tǒng)計(jì)模型包括至少兩種不同概率統(tǒng)計(jì)模型。 進(jìn)一步地，所述復(fù)合式概率統(tǒng)計(jì)模型包括基于圖像像素點(diǎn)灰度值的概率統(tǒng)計(jì)及基 于圖像像素鄰域特征的概率統(tǒng)計(jì)。 進(jìn)一步地，所述步驟(4)包括如下步驟： a)統(tǒng)計(jì)所述對(duì)比圖像Κ的灰度直方圖，獲取最大概率所在的灰度值Tmax，將所述對(duì) 比圖像K中灰度值大于T max的像素點(diǎn)標(biāo)記為腦灰質(zhì)，其它點(diǎn)標(biāo)記為腦灰質(zhì)，獲取第一對(duì)比圖 ffKio b)基于灰度值計(jì)算所述第一對(duì)比圖像心中任一像素點(diǎn)s為腦灰質(zhì)的概和 腦白質(zhì)的概率Pl(Xs)WM; c)基于空間鄰域信息計(jì)算所述第一對(duì)比圖像心中任一像素點(diǎn)s為腦灰質(zhì)的概率P2 (義3)(?1和腦白質(zhì)的概率?2(13)\?; d)根據(jù)公式（1)計(jì)算比較第一對(duì)比圖像心中任一像素點(diǎn)s為腦灰質(zhì)的概率P(Xs)CM 和腦白質(zhì)的概率P(Xs)WM，若P(Xs)GM大于P(Xs)WM,則標(biāo)記該像素點(diǎn)S為腦灰質(zhì)，否則標(biāo)記為腦 灰質(zhì)，更新所述第一對(duì)比圖像Ki ; P(Xs)type = Pl(Xs)typeXP2(Xs)type 公式（1 )其中，所述type指標(biāo)記類型為腦灰質(zhì)或腦白質(zhì)； e)重復(fù)上述步驟a)~d)，直至所述對(duì)比圖像K中任意一像素點(diǎn)s相鄰兩次標(biāo)記結(jié)果 達(dá)到收斂，則停止迭代獲取分割圖像。 進(jìn)一步地，所述步驟b)包括： 根據(jù)公式（2)計(jì)算所述第一標(biāo)記圖像心中任一像素點(diǎn)s類別為腦灰質(zhì)的概率Pi (義3)(?1和腦白質(zhì)的概率?1(13)\?; 其中，mtype為所述像素點(diǎn)s類別為腦灰質(zhì)或腦白質(zhì)的像素點(diǎn)灰度值的平均值，〇2為 像素點(diǎn)s類別為腦灰質(zhì)或腦白質(zhì)的像素點(diǎn)灰度值的方差。 進(jìn)一步地，其特征在于，所述步驟c)包括： 獲取所述第一標(biāo)記圖像心中任一像素點(diǎn)s，讀取點(diǎn)s在空間鄰域m個(gè)像素點(diǎn)的標(biāo)記 結(jié)果，若標(biāo)記為腦灰質(zhì)，則賦值該像素點(diǎn)為，若標(biāo)記為腦白質(zhì)，則賦值該鄰域像素點(diǎn)為β， 根據(jù)公式(3)分別求任一像素點(diǎn)s為腦灰質(zhì)的概率P 2(xs)cm，腦白質(zhì)的概率P2(XS)W; 其中，β為(0，1)之間的小數(shù)，type指標(biāo)記類型為腦灰質(zhì)或腦白質(zhì)。 P(xs)type = exp(-Σ Vtype(Xs))公式（3) 進(jìn)一步地，所述達(dá)到收斂為滿足如下任一條件，即停止迭代，獲取所述分割圖像： 若統(tǒng)計(jì)相鄰兩次迭代標(biāo)記結(jié)果的一致率，若大于設(shè)定閾值m，則達(dá)到收斂停止迭 代，獲得分割圖像； 若重復(fù)上述步驟a)~c)的次數(shù)達(dá)到設(shè)定閾值n，則達(dá)到收斂停止迭代，獲得分割圖 像；其中，m為(0，1)之間的小數(shù)，η為正整數(shù)。 進(jìn)一步地，所述灌注圖像為CT灌注圖像或MR灌注圖像。 進(jìn)一步地，所述步驟2)中，還包括對(duì)所述若干當(dāng)前第1頁1 2 3 4 本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種醫(yī)學(xué)圖像的分割方法,其特征在于包括以下步驟:(1)獲取在不同時(shí)刻所對(duì)應(yīng)的若干個(gè)灌注圖像；(2)分割每個(gè)時(shí)刻所對(duì)應(yīng)的所述灌注圖像，獲取不同時(shí)刻所對(duì)應(yīng)的目標(biāo)區(qū)域圖像；(3)預(yù)處理所述不同時(shí)刻所對(duì)應(yīng)的目標(biāo)區(qū)域圖像，獲取對(duì)比圖像K；(4)基于復(fù)合式的概率統(tǒng)計(jì)模型分割所述對(duì)比圖像K，獲分割圖像。

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：趙鵬，
申請(qǐng)(專利權(quán))人：上海聯(lián)影醫(yī)療科技有限公司，
類型：發(fā)明
國別省市：上海;31