基于水平集的CT灌注影像脑组织分割方法和计算机设备技术

本申请涉及一种基于水平集的CT灌注影像脑组织分割方法和计算机设备，CT灌注影像脑组织分割方法包括：基于不同时刻的CT灌注影像序列，筛选获得预期层图像，对初始时刻的预期层图像进行一次滤波获得第一图像；进行边缘提取，获得梯度强度图像，进而获得第二图像；对第二图像进行sigmoid函数变换，改变变换中心，获得第三图像；从第三图像中获得初始种子点，确认为最终种子点，将第三图像作为水平集分割方法的输入图像、将最终种子点作为水平集分割方法的初始值，基于水平集方法获得分割完成的第四图像。本申请利用了CT影像的梯度信息，有利于实现更加精准的控制，能够消除模糊边缘，有利于提升脑组织分割的精度。利于提升脑组织分割的精度。利于提升脑组织分割的精度。

【技术实现步骤摘要】
基于水平集的CT灌注影像脑组织分割方法和计算机设备


[0001]本申请涉及医疗影像处理
，特别是涉及一种基于水平集的CT灌注影像脑组织分割方法和计算机设备。

技术介绍

[0002]脑卒中是一种急性脑血管疾病，具有发病率高、死亡率高和致残率高的特点。缺血性脑卒中是因血管阻塞导致血液不能流入大脑而引起脑组织损伤的疾病，约占脑卒中总数的60%～70%，其治疗方法主要有时间窗内的溶栓治疗和机械取栓。
[0003]脑部CT灌注成像(CTP)是当前检查急性缺血性脑卒中的重要影像学方法，它可以计算出血流灌注参数(CBF,TTP,Tmax等)并生成灌注参数图，准确地反映脑组织的缺血程度，帮助医生评估病人的病情，采取更有效的治疗方案。CTP影像处理需要准确地计算脑组织灌注参数以及计算梗死核心和可再灌注的缺血半暗带的体积，而原始CT影像中包含了颅骨，脂肪等非脑组织的部分，这些都会干扰最后的计算结果，为此，需要先对脑组织进行分割。
[0004]常用的脑组织分割的方法有：人工分割，阈值法，区域生长。人工分割通常更准确，但耗时耗力，并且依赖操作者的经验，可重复性差。基于阈值的方法考虑了脑组织和颅骨在CT影像中的信号值差异，但没有考虑到空间位置和形状的信息。传统的区域生长需要一个或多个种子点，并且指定区域向外扩张条件，它考虑了信号值和空间连续性，但容易越过脑组织边界并包含外部的点，分割效果较差。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种基于水平集的CT灌注影像脑组织分割方法。/>[0006]本申请基于水平集的CT灌注影像脑组织分割方法，包括：基于不同时刻的CT灌注影像序列，筛选获得预期层图像，对初始时刻的预期层图像进行一次滤波，获得第一图像；对所述第一图像进行边缘提取，获得梯度强度图像，进而获得第二图像；对所述第二图像进行sigmoid函数变换，改变所述sigmoid函数的变换中心以消除模糊边缘，获得第三图像；从所述第三图像中获得初始种子点，进而确认为最终种子点，将所述第三图像作为水平集分割方法的输入图像、将所述最终种子点作为水平集分割方法的初始值，基于水平集方法获得分割完成的第四图像。
[0007]可选的，所述CT灌注影像脑组织分割方法还包括，对所述第四图像进行阈值分割，获得分割完成的第五图像。
[0008]可选的，所述CT灌注影像序列包括划分的颅顶层、中间层和颅底层，所述预期层图像源于所述中间层。
[0009]可选的，所述初始种子点处于所述第二图像的质心或质心周围。
[0010]可选的，获得梯度强度图像，进而获得第二图像，采用以下两种方式的任意一种进行：将所述梯度强度图像作为第二图像；对所述梯度强度图像进行二次滤波获得图像噪声，将所述图像噪声加入所述梯度强度图像进行图像边缘增强，进而获得第二图像。
[0011]可选的，从所述第三图像中获得初始种子点，进而确认为最终种子点，具体包括：若所述初始种子点的CT值小于第一阈值、且所述初始种子点的sigmoid函数值大于第二阈值，则将所述初始种子点确认为最终种子点；若所述初始种子点的CT值大于等于第一阈值、或所述初始种子点的sigmoid函数值小于等于第二阈值，则重新确定所述初始种子点。
[0012]可选的，所述CT灌注影像序列包括划分的颅顶层、中间层和颅底层，所述中间层具有邻近所述颅顶层的首层，所述预期层图像源于所述中间层和所述颅顶层，所述CT灌注影像脑组织分割方法，包括：将首层图像作为所述预期层图像，根据如本申请所述的CT灌注影像脑组织分割方法，获得所述首层图像的最终种子点；依次将距离所述首层由近及远的各个颅顶层作为所述预期层图像，执行如本申请所述的CT灌注影像脑组织分割方法，当前所述预期层图像的默认初始种子点为前一预期层图像的最终种子点。
[0013]可选的，所述CT灌注影像序列包括划分的颅顶层、中间层和颅底层，所述中间层具有邻近所述颅底层的尾层，所述预期层图像源于所述中间层和所述颅底层：将尾层图像作为所述预期层图像，根据如本申请所述的CT灌注影像脑组织分割方法，获得所述尾层图像的最终种子点；依次将距离所述尾层由近及远的各个颅底层作为所述预期层图像，执行如本申请所述的CT灌注影像脑组织分割方法，当前所述预期层图像的默认初始种子点为前一预期层图像的最终种子点。
[0014]可选的，还包括，利用如本申请所述的第五图像，获得以下参数：脑组织灌注参数；梗死核心体积、以及可再灌注的缺血半暗带的体积。
[0015]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水平集的CT灌注影像脑组织分割方法的步骤。
[0016]本申请基于水平集的CT灌注影像脑组织分割方法至少具有以下效果：本申请获得的梯度强度图像利用了CT影像的梯度信息，有利于实现更加精准的控制；本申请在第二图像的基础上进行sigmoid函数变换，通过改变函数的变换中心能够消除模糊边缘，使第三图像更加符合预期，有利于提升脑组织分割的精度；本申请利用水平集方法进行分割，提高了准确度并保证了不同层分割结果的空间连续性。
附图说明
[0017]图1为本申请一实施例中CT灌注影像脑组织分割方法的流程示意图；图2为图1中第三图像标注有初始种子点的二值图像示意图；图3为本申请一实施例中CT灌注影像脑组织分割方法的流程示意图；图4为本申请一实施例中CT灌注影像脑组织分割方法的流程示意图；图5a为图1中预期层图像的示意图（图中预期层源于中间层）；图5b为根据图5b获得的边缘增强的第二图像的示意图；图5c为根据图5b获得的第三图像的示意图；图5d为根据图5c获得的第四图像的示意图；图6为一个实施例中计算机设备的内部结构图；图7为本申请一实施例中CT灌注影像脑组织分割方法的流程示意图。
具体实施方式
[0018]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。
[0019]参见图1，本申请一实施例中提供一种基于水平集的CT灌注影像脑组织分割方法，包括步骤S100～步骤S400。其中：步骤S100，基于不同时刻的CT灌注影像序列，筛选获得预期层图像，对初始时刻的预期层图像进行一次滤波，获得第一图像；步骤S200，对第一图像进行边缘提取，获得梯度强度图像，进而获得第二图像；步骤S300，对第二图像进行sigmoid函数变换，改变sigmoid函数的变换中心以消除模糊边缘，获得第三图像；步骤S400，从第三图像中获得初始种子点，进而确认为最终种子点，将第三图像作为水平集分割方法的输入图像、将最终种子点作为水平集分割方法的初始值，基于水平集方法获得分割完成的第四图像（即图7下方以I3和种子点）作为输入，求解水平集方程得到I4。
[0020]本实施例中第一图像～第四图像均表示预期层图像在分割过程中的不同阶段。获得的梯度强度图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于水平集的CT灌注影像脑组织分割方法，其特征在于，包括：基于不同时刻的CT灌注影像序列，筛选获得预期层图像，对初始时刻的预期层图像进行一次滤波，获得第一图像；对所述第一图像进行边缘提取，获得梯度强度图像，进而获得第二图像；对所述第二图像进行sigmoid函数变换，改变所述sigmoid函数的变换中心以消除模糊边缘，获得第三图像；从所述第三图像中获得初始种子点，进而确认为最终种子点，将所述第三图像作为水平集分割方法的输入图像、将所述最终种子点作为水平集分割方法的初始值，基于水平集方法获得分割完成的第四图像。2.如权利要求1所述的CT灌注影像脑组织分割方法，其特征在于，所述CT灌注影像脑组织分割方法还包括，对所述第四图像进行阈值分割，获得分割完成的第五图像。3.如权利要求1所述的CT灌注影像脑组织分割方法，其特征在于，所述CT灌注影像序列包括划分的颅顶层、中间层和颅底层，所述预期层图像源于所述中间层。4.如权利要求3所述的CT灌注影像脑组织分割方法，其特征在于，所述初始种子点处于所述第二图像的质心或质心周围。5.如权利要求1所述的CT灌注影像脑组织分割方法，其特征在于，获得梯度强度图像，进而获得第二图像，采用以下两种方式的任意一种进行：将所述梯度强度图像作为第二图像；对所述梯度强度图像进行二次滤波获得图像噪声，将所述图像噪声加入所述梯度强度图像进行图像边缘增强，进而获得第二图像。6.如权利要求1所述的CT灌注影像脑组织分割方法，其特征在于，从所述第三图像中获得初始种子点，进而确认为最终种子点，具体包括：若所述初始种子点的CT值小于第一阈值、且所述初始种子点的sigmoid函数值大于第二阈值，则将所述初始种子点确认为最终种子点；若所述初始种子点的C...

【专利技术属性】
技术研发人员：方蕙，刘欣，单晔杰，何京松，向建平，
申请(专利权)人：杭州脉流科技有限公司，
类型：发明
国别省市：