【技术实现步骤摘要】
本专利技术属于医学图像处理，涉及到一种基于主动轮廓模型的颅骨剥离方法。
技术介绍
1、核磁共振成像（mri）具有空间分辨率高、软组织对比度高、成像参数多、信息量大、非侵入、低损伤等优点，在各级医疗机构、科研院所以及企业研发机构得到了广泛应用，并成为了脑组织疾病诊断与治疗、脑神经科学研究与实验领域常用研究手段之一。
2、由于脑组织具有体积较小，组织间边缘模糊，所以直接对脑部的某个区域研究很困难。脑mri通常能够详细的覆盖整个大脑的神经解剖学信息，在此基础上用核磁共振图像分割的目的是提取医生需要研究的特定区域，医生可以通过分割出的区域对组织、器官进行仔细的观察和诊断，并据此制定有效的治疗方案，从而有效的提高疾病诊断的正确率。
3、而在分析颅脑中的特定组织或结构时，颅骨的存在会对其识别产生一定的影响，而且颅骨的存在也会对增加后续的各种图像处理的运算量。因此为了后续的脑组织分割及各种图像处理更加准确、快速，有必要对颅骨进行剥离。
技术实现思路
1、为解决上述问题，本专利技术公开了一种基于主动轮廓模型的颅骨剥离方法。
2、具体方案如下：
3、一种基于主动轮廓模型的颅骨剥离方法，包括：
4、步骤1：获取原始三维医学图像数据及脑模板数据；
5、步骤2：对三维医学图像数据进行预处理；
6、步骤3：将脑模板数据配准到原始医学图像数据空间；
7、步骤4：基于主动轮廓模型进行金字塔图像分割；
8、
9、进一步地，所述三维医学图像数据为颅脑mri序列，为待分割的原始图像oriimage序列；所述脑模板数据包括脑模板图像templateimage序列及对应的掩膜标签labelmask和模板的头颅掩膜区域areamask。脑模板图像templateimage序列为一标准常规颅脑mri序列，掩膜标签labelmask为对应的颅骨剥离后的大脑区域掩膜mask数据，头颅掩膜区域areamask为常规颅脑序列对应的脑部区域掩膜mask。
10、进一步地，所述步骤2中图像预处理，具体方法为：
11、步骤2.1：将步骤1中所涉及到的图像数据进行重采样，重采样后的数据为各向同性，且体素大小一致；
12、步骤2.2：使用头颅掩膜区域areamask数据对脑模板图像templateimage进行预分割。头颅掩膜区域areamask为脑部区域的掩膜mask，是二值图像，脑部区域为1，背景为0，将头颅掩膜区域areamask和脑模板图像templateimage进行与运算，在脑模板图像templateimage中保留脑部区域，其他区域置0，以减少后续图像处理所需的运算量；
13、步骤2.3：将原始图像oriimage和脑模板图像templateimage的灰度值映射到0-255区间，统一压缩灰度区间，有利于减少图像内存占用，且能减少运算量。
14、进一步地，所述步骤3中所述脑模板数据配准到原始医学图像数据空间，其目的为通过模板匹配，获得原始图像大脑区域的mask图像，具体方法为：
15、步骤3.1：将原始图像oriimage设为基准的参考图像(fixedimage)，将脑模板图像templateimage设为移动图像(movingimage)，通过图像配准，使脑模板图像templateimage与原始图像oriimage进行对齐；
16、步骤3.2：获取步骤3.1中配准的变换模型；
17、步骤3.3：基于步骤3.2中的变换模型，将掩膜标签labelmask变换到原始图像oriimage空间。
18、进一步地，所述步骤4中主动轮廓算法对大脑轮廓进行分割。主动轮廓算法基于曲线演化的思想，通过自动寻找图像中感兴趣区域的边界来实现分割，为提升分割算法的效率和准确性，可采用金字塔图像分割思想，从粗糙到细致地处理图像，其具体方法为：
19、步骤4.1：构建图像金字塔；通过对原始图像进行多次降采样，生成一系列不同分辨率的图像，每一层图像都是上一层图像的1/4大小，直到达到所需的分辨率或金字塔的最底层；
20、步骤4.2：分割金字塔底层；构建初始轮廓，使用主动轮廓算法对最底层金字塔做初始分割；
21、步骤4.3：金字塔上采样；将步骤4.2中分割结果上采样到较高分辨率。这可以通过插值方法，如双线性插值或最近邻插值等来完成；
22、步骤4.4：分割结果融合；将上采样后的分割结果与高分辨率的图像进行融合，得到更精确的分割结果；
23、步骤4.5：迭代；重复进行步骤4.2至步骤4.4，将融合后的分割结果作为下一层金字塔的输入，直到达到金字塔的顶层；
24、步骤4.6：输出最终分割结果；在金字塔的顶层得到最终的分割结果。
25、进一步地，所述步骤4中主动轮廓算法对大脑轮廓进行分割。主动轮廓算法具体实现方法为：
26、步骤4-1：初始化轮廓：以步骤3中变换后的掩膜标签labelmask作为初始化轮廓；
27、步骤4-2：定义能量函数：能量函数一般包括内部能量和外部能量，以曲率能量项作为内部能量函数；外部能量函数为基于图像梯度的能量项；
28、步骤4-3：优化能量函数：通过迭代的方式优化能量函数，调整轮廓的形状；迭代过程中，根据能量函数的最小值来更新轮廓的位置；
29、步骤4-4：定义停止条件：定义迭代停止的条件，如迭代次数达到阈值、轮廓收敛或能量函数的变化小于某个阈值等。
30、进一步地，所述步骤5中实现颅骨剥离，具体为基于步骤4中的轮廓分割结果提取掩膜mask，并生成颅骨剥离图像，实现颅骨剥离。
31、本专利技术的有益效果在于：应用本专利技术的技术方案，可以快速实现颅骨剥离，且保证其精确度，以帮助医生更好地分析大脑其他组织结构。且此方法适用性广，不局限于mr图像，同样也适用于ct图像。
本文档来自技高网...【技术保护点】
1.一种基于主动轮廓模型的颅骨剥离方法，其特征在于，包括：
2.根据权利要求1所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述三维医学图像数据为颅脑MRI序列，为待分割的原始图像序列；所述脑模板数据包括脑模板图像序列及对应的掩膜标签和模板的头颅掩膜区域；脑模板图像序列为一标准常规颅脑MRI序列，掩膜标签为对应的颅骨剥离后的大脑区域掩膜数据，头颅掩膜区域为常规颅脑序列对应的脑部区域掩膜。
3.根据权利要求2所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述步骤2的具体方法为：
4.根据权利要求3所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述步骤3为通过模板匹配，获得原始图像大脑区域的Mask图像，具体方法为：
5.根据权利要求4所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述步骤4中的主动轮廓算法基于曲线演化的思想，通过自动寻找图像中感兴趣区域的边界来实现分割，为提升分割算法的效率和准确性，采用金字塔图像分割思想，从粗糙到细致地处理图像，其具体方法为：
6.根据权利要求5所述的一种基
7.根据权利要求6所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述步骤5中实现颅骨剥离，具体为基于步骤4中的轮廓分割结果提取掩膜，并生成颅骨剥离图像，实现颅骨剥离。
...【技术特征摘要】
1.一种基于主动轮廓模型的颅骨剥离方法，其特征在于，包括：
2.根据权利要求1所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述三维医学图像数据为颅脑mri序列，为待分割的原始图像序列；所述脑模板数据包括脑模板图像序列及对应的掩膜标签和模板的头颅掩膜区域；脑模板图像序列为一标准常规颅脑mri序列，掩膜标签为对应的颅骨剥离后的大脑区域掩膜数据，头颅掩膜区域为常规颅脑序列对应的脑部区域掩膜。
3.根据权利要求2所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述步骤2的具体方法为：
4.根据权利要求3所述的一种基于主动轮廓模型的颅骨剥离方法，其特征在于，所述步骤3为通过模板匹配，...
【专利技术属性】
技术研发人员：曾智敏，黄山云，陈鹤，陈国中，
申请(专利权)人：南京筑卫医学科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。