基于脑部CT图像的图模型展示方法技术

本发明专利技术属于医疗信息技术领域，具体涉及一种基于脑部CT图像的图模型展示方法。本发明专利技术包括：待建模图像提出建模请求：待建模图像为原始脑部CT图像；图像预处理；ROIs的分割和标记；确定ROI所处区域；确定ROI的区域优先级；顶点的建立以及顶点上特征向量的定义；边的建立规则以及边上特征向量的定义；展示结果。本发明专利技术提出一种基于脑部CT图像的TRVL图模型展示方法，此模型是依据侧脑室之间的空间关系以及病变区域对侧脑室的影响建立的拓扑关系图，它不仅准确地表示大脑颅内侧脑室之间的关系，同时也展现了病变区域对侧脑室的影响等病理信息，很好地将图像信息转变为计算机视觉信息。

【技术实现步骤摘要】

本专利技术属于医疗信息
，具体涉及一种基于脑部CT图像的图模型展示方 法。
技术介绍
近年来面向医学图像的研宄成为医学和计算机交叉学科研宄的热点。随着医疗数 字化设备的快速发展，医学信息数据库被广泛使用。病人的结构化文本信息，以及大量的非 结构化医学图像信息，为医学图像的数据挖掘提供了丰富的数据资源，从而使医学图像可 以有效地辅助医师对病理变化区域进行检测、定位以及判断它的良恶性，因此医学图像被 广泛应用于临床诊断过程中。然而，具有不同知识背景的医生即使对同一张医学图像可能 存在不同的判断，所以，对医学图像进行建模，将医学图像所蕴含的图像信息以及空间信息 用图这种关系结构表示出来，然后在图上进行一系列的数据额挖掘的操作，客观地辅助医 生做出更好地诊断结果。因此基于脑部CT图模型具有较高的学术价值和实际应用前景。 目前，国内外存在一些图像表示的方法，主要包括2DString(Two_Dimensional String)、9D_SPA(9-DirectionSPannngArea)、RAG(RegionAdjacencyGraph)、Irregular pyramid等，这些图像表示方法是针对一般图像建立的模型，没有考虑医学领域知识。而在 医学图像表示方法中，KumarA?等在Medicalimageanalysis发表的论文Agraph-based approachfortheretrievalofmulti-modalitymedicalimages中提出一个 CAPP(Complete-AnatomyProximal-Pathology)图模型，但此模型是用于多模态的胸腔图 像上，没有考虑脑部CT图像的特有性质。HuangM?等在Computationalandmathematical methodsinmedicine发表的论文Retrievalofbraintumorswithregion-specific bag-〇f-visual-wordsrepresentationsincontrast-enhancedMRIimages中提出一个 Region-SpecificBoW模型，但此模型中没有考虑感兴趣区域（ROIs,ReginsOfInterest) 之间的空间关系。因此提出一种基于脑部CT图像的、既能表示图像信息又能表示图像结构 的模型是一个亟待解决的问题。
技术实现思路
本专利技术的目的是提出一种基于脑部CT图像的图模型展示方法。 本专利技术的目的是这样实现的： (1)待建模图像提出建模请求：待建模图像为原始脑部CT图像； (2)图像预处理：首先，提取大脑颅内部分；其次，矫正大脑角度同时提取脑中 线ML;然后，按照颅内部分的垂直方向的外接矩阵裁剪图像；最后，归一化图像大小为 RowXColumn； (3)R0Is的分割和标记：首先先后分割侧脑室、灰度呈现较黑的病变区域和灰度 呈现较白的病变区域，然后用不同的灰度值分别标记三类ROIs; (4)确定R0I所处区域：脑中线ML和图像水平中线LL将颅内部分分为左上、左下、 右上、右下四个区域，每个ROI处于这四个坐标区域中的一个区域或者跨越多个区域，根据R0I的像素坐标和ML、LL的关系确定R0I所处区域； (5)确定R0I的区域优先级：根据R0I所处区域和ML、LL的空间关系给每个R0I 定义一个区域优先级； (6)顶点的建立以及顶点上特征向量的定义：根据ROIs建立顶点集V，同时计算顶 点的特征向量集Fv; (7)边的建立规则以及边上特征向量的定义：根据顶点对应的R0I所属类别、R0I 所处区域以及R0I与其他区域R0I之间的关系建立边集E，同时计算边的特征向量集Fe;(8)展示结果：展示一幅脑部CT图像的TRVL图G= (V，E，Fv，FE)，其中，V为顶点 集，E为边集，Fv为顶点的特征向量集，FE为边的特征向量集。 所述的R0IS分割为：首先，利用贝叶斯理论将像素灰度值的分类结果和依据脑室 图谱的分割结果相结合的方法在脑部CT图像中提取侧脑室；然后，对颅内部分执行全局阈 值方法，得到阈值T1，根据T1对图像二值化，得到灰度呈现较黑的病变区域；最后，对颅内 部分除去已分割的ROIs的像素执行全局阈值方法，得到阈值T2,根据T2对图像二值化，得 到灰度呈现较白的病变区域。 所述的R0I所处区域为：首先判断R0I和ML位置关系R0I在ML的左侧、右侧或者 跨越ML，脑中线ML是客观存在的，根据R0I的像素坐标和ML的像素坐标即可得到；然后判 断R0I和LL的位置关系R0I在LL的上部、下部或者跨越LL，LL和图像的大小有关，而图像 大小的归一化处理使直接根据R0I的像素坐标和LL的像素坐标判断存在误差，为此引入两 个变量yJPy2,yfy_+1y-lnJ/3,y2=y1 /3,其中y为R0I的最大纵坐 标，ymijR〇i的最小纵坐标，如果yi和y2均小于R〇w/2,则此R〇i处于ll上部，如果y兩y2均大于R〇w/2,则此R0I处于LL下部，否则，此R0I跨越LL，根据这两步即可判断R0I所 属区域。 所述的R0I的区域优先级为：如果R0I处于一个区域，则1. 1)R0I所处的区域是此 R0I的第一优先级区域，记为Areal;1.2)R0I所在区域关于LL对称的区域是此R0I的第二 优先级区域，记为Area2 ;1. 3)R0I所在区域关于ML对称的区域是此R0I的第三优先级区 域，记为Area3 ;1.4)最后一个区域为此R0I的第四优先级区域，记为Area4,如果R0I跨越 多个区域，则2. 1)R0I跨越的区域均为此R0I的第一优先级区域，记为Areal;2. 2)其他区 域为此R0I的第二优先级区域，记为Area2。 所述的顶点的建立以及顶点上特征向量的定义为：每个ROIi定义为一个顶点vi， 即ROIi和顶点￥1是--对应关系；顶点vi上的特征向量记为Fv(Vi)，则Fv(Vi) = (lab_ vertex,area_vertex,s_vertex,leng_vertex,ht_vertex,c_vertex,r_vertex)；其中，lab_vertex为顶点对应的ROI所属类别，area_vertex是顶点对应的ROI所处区域，s_ vertex是顶点对应的R0I内的像素个数，leng_vertex是顶点对应的R0I中两个像素点之 间的最大距离，ht_vertex是顶点对应的R0I的同质系数，c_vertex是顶点对应的R0I的质 心，r_vertex是顶点对应的R0I的圆滑度。所述的边的建立规则以及边上特征向量的定义为：任意两个顶点\和v」之间边 的存在性满足如下规则：（3. 1)若顶点Vi对应的ROIi是侧脑室且ROIi处于一个区域，若在 R〇Ii的第一、二、三优先级区域中存在ROIs且这些ROIs都是侧脑室，则vi与每个R0I对应 的顶点之间建边，否则若ROlj^第四优先级区域存在ROIs是侧脑室，vi与每个ROI对应的 顶点建边；如果顶点Vi对应的ROIi是侧脑室且ROIi跨越多个区域，若在ROIi的第一优先级 区域中存在ROIs且这些ROIs都是侧脑室，则Vi与每个R0I对应的顶点之间建本文档来自技高网...

【技术保护点】
基于脑部CT图像的图模型展示方法，其特征在于，包括如下步骤：(1)待建模图像提出建模请求：待建模图像为原始脑部CT图像；(2)图像预处理：首先，提取大脑颅内部分；其次，矫正大脑角度同时提取脑中线ML；然后，按照颅内部分的垂直方向的外接矩阵裁剪图像；最后，归一化图像大小为Row×Column；(3)ROIs的分割和标记：首先先后分割侧脑室、灰度呈现较黑的病变区域和灰度呈现较白的病变区域，然后用不同的灰度值分别标记三类ROIs；(4)确定ROI所处区域：脑中线ML和图像水平中线LL将颅内部分分为左上、左下、右上、右下四个区域，每个ROI处于这四个坐标区域中的一个区域或者跨越多个区域，根据ROI的像素坐标和ML、LL的关系确定ROI所处区域；(5)确定ROI的区域优先级：根据ROI所处区域和ML、LL的空间关系给每个ROI定义一个区域优先级；(6)顶点的建立以及顶点上特征向量的定义：根据ROIs建立顶点集V，同时计算顶点的特征向量集FV；(7)边的建立规则以及边上特征向量的定义：根据顶点对应的ROI所属类别、ROI所处区域以及ROI与其他区域ROI之间的关系建立边集E，同时计算边的特征向量集FE；(8)展示结果：展示一幅脑部CT图像的TRVL图G＝(V,E,FV,FE)，其中，V为顶点集，E为边集，FV为顶点的特征向量集，FE为边的特征向量集。...

【技术特征摘要】

【专利技术属性】
技术研发人员：潘海为，高琳琳，韩启龙，翟霄，李文博，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23