一种CT图像中神经束分合次数的统计方法和相关装置与流程
本申请涉及数据处理技术领域，尤其涉及一种ct图像中神经束分合次数的统计方法和相关装置。
背景技术：
周围神经是指脑和脊髓以外的神经，起到传入感觉冲动和传出运动指令的作用。当周围神经发生损伤需要进行修复时，修复效果较差，致残率高。如何提高周围神经的修复效果一直是外科临床的难题，而相关研究表明，对周围神经内神经束的研究可以为研究神经束的变化规律奠定基础。
现有虽然对神经束的定性分析取得了一定的进展，但是神经内部结构复杂，神经束空间结构在短距离内(1～5mm)就会发生很大的变化。统计神经束的分裂或合并次数(以下简称为分合次数)，进而研究神经束的分裂、合并的变化规律，有利于掌握周围神经内部神经束的空间结构形态。
现有对ct图像中神经束分合次数的统计，是通过人工统计ct图像神经束的分合次数实现。在图像数据量如此庞大且人员水平难以保证的情况下，人工统计分合次数，出错率高、效率低下。
技术实现要素：
本申请提供了一种ct图像中神经束分合次数的统计方法和相关装置，解决了现有对于ct图像中神经束的分合次数依赖于人工，在图像数据量如此庞大且人员水平难以保证的情况下，人工统计分合次数，出错率高、效率低下的技术问题。
有鉴于此，本申请第一方面提供了一种ct图像中神经束分合次数的统计方法，包括：
s1、获取待分析ct图像的多张图像帧，其中，每一所述图像帧中包括n种标记的多个神经束，n为2以上的自然数；
s2、获取每一所述图像帧中，标记为n的神经束对应的质心坐标和质心数量，其中，所述标记为n的神经束为所述多个神经束中的一个神经束；
s3、根据每相邻的两张所述图像帧的质心坐标的偏差和质心数量的偏差，确定所述标记为n的神经束的分合次数；
s4、反复执行步骤s2至s3，直至确定各标记的神经束对应的分合次数；
s5、统计各标记的神经束各自对应的分合次数，得到所述待分析ct图像中的神经束分合次数。
优选的，步骤s3具体包括：
s31、确定每相邻的两张所述图像帧对应的质心坐标的偏差和质心数量的偏差；
s32、判断所述质心坐标的偏差是否大于预设偏差值，若是，则判断对应的所述质心数量的偏差是否大于0；
s33、当判断到所述质心数量的偏差大于0时，所述标记为n的神经束的分裂次数加一。
优选的，步骤s3具体包括：
s31、确定每相邻的两张所述图像帧对应的质心坐标的偏差和质心数量的偏差；
s32、判断所述质心坐标的偏差是否大于预设偏差值，若是，则判断对应的所述质心数量的偏差是否为0；
s33、当判断到所述质心数量的偏差为0时，判断第一图像帧中不同标记的神经束对应的质心坐标是否相同，若是，则所述标记为n的神经束的合并次数加一，其中，所述第一图像帧为所述质心数量的偏差对应的两张相邻的图像帧的后一张图像帧。
优选的，所述方法还包括：
s0、利用预置神经网络模型，对每张所述图像帧中的各神经束进行标记。
优选的，所述方法还包括：
获取被标记的训练图像帧；
以预置神经网络为训练网络，所述训练图像帧为输入对象，对所述预置神经网络进行训练，得到所述预置神经网络模型，其中，所述预置神经网络为所述预置神经网络模型对应的神经网络。
优选的，步骤s2具体包括：
获取每一所述图像帧中，标记为n的神经束对应的区域，其中，所述标记为n的神经束为所述多个神经束中的一个神经束；
基于坐标计算公式，根据所述区域内的各像素点的像素坐标(xp,yq)，确定所述标记为n的神经束对应的质心坐标；
根据所述质心坐标的数量确定所述标记为n的神经束对应的质心数量。
优选的，所述坐标计算公式为：
其中，
本申请第二方面提供一种ct图像中神经束分合次数的统计装置，包括：
第一获取单元，用于获取待分析ct图像的多张图像帧，其中，每一所述图像帧中包括n种标记的多个神经束，n为2以上的自然数；
第二获取单元，用于获取每一所述图像帧中，标记为n的神经束对应的质心坐标和质心数量，其中，所述标记为n的神经束为所述多个神经束中的一个神经束；
计算单元，用于根据每相邻的两张所述图像帧的质心坐标的偏差和质心数量的偏差，确定所述标记为n的神经束的分合次数；
循环单元，用于反复触发所述第二获取单元和所述计算单元，直至确定各标记的神经束对应的分合次数；
统计单元，用于统计各标记的神经束各自对应的分合次数，得到所述待分析ct图像中的神经束分合次数。
本申请第三方面还提供一种ct图像中神经束分合次数的统计设备，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所述的ct图像中神经束分合次数的统计方法。
本申请第四方面还提供一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行上述第一方面提供的任一项所述的ct图像中神经束分合次数的统计方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请中的一种ct图像中神经束分合次数的统计方法，包括：s1、获取待分析ct图像的多张图像帧，其中，每一图像帧中包括n种标记的多个神经束，n为2以上的自然数；s2、获取每一图像帧中，标记为n的神经束对应的质心坐标和质心数量，其中，标记为n的神经束为多个神经束中的一个神经束；s3、根据每相邻的两张图像帧的质心坐标的偏差和质心数量的偏差，确定标记为n的神经束的分合次数；s4、反复执行步骤s2至s3，直至确定各标记的神经束对应的分合次数；s5、统计各标记的神经束各自对应的分合次数，得到待分析ct图像中的神经束分合次数。
本申请将上述的ct图像中神经束分合次数的统计方法写入对应的装置后，通过该装置执行上述的逻辑步骤实现对ct图像中神经束分合次数的自动统计，相较于人工统计，正确率较高且同时效率也较高，从而解决了现有对于ct图像中神经束的分合次数依赖于人工，在图像数据量如此庞大且人员水平难以保证的情况下，人工统计分合次数，出错率高、效率低下的技术问题。
附图说明
图1为本申请实施例提供的ct图像中神经束分合次数的统计方法的实施例一的流程示意图；
图2为本申请实施例提供的ct图像中神经束分合次数的统计方法的实施例二的流程示意图；
图3为本申请实施例中ct图像中被标记的神经束；
图4a为本申请实施例中神经束分裂前的分布示意图；
图4b为本申请实施例中神经束分裂后的分布示意图；
图5a为本申请实施例中神经束合并前的分布示意图；
图5b为本申请实施例中神经束合并后的分布示意图；
图6为本申请实施例提供的ct图像中神经束分合次数的统计方法的应用例的流程示意图；
图7为本申请提供的一种ct图像中神经束分合次数的统计装置的结构示意图。
具体实施方式
本申请实施例提供了一种ct图像中神经束分合次数的统计方法和相关装置，解决了现有对于ct图像中神经束的分合次数依赖于人工，在图像数据量如此庞大且人员水平难以保证的情况下，人工统计分合次数，出错率高、效率低下的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
可以参见图1，图1为本申请实施例提供的ct图像中神经束分合次数的统计方法的实施例一的流程示意图，该方法包括：
步骤101、获取待分析ct图像的多张图像帧，其中，每一图像帧中包括n种标记的多个神经束，n为2以上的自然数。
为了便于后续的计算和统计，本实施例中对每一图像帧中的神经束进行标记。标记时同一神经束在不同图像帧中的标记是相同的，同一图像帧中不同神经束的标号是不同的。
对于标记方式，可以是类似于图3的标记方式，即采用数字标记，例如：1、2、3、4…n；也可以是采用字母标记的方式，即有n个字母对各神经束进行标记。
步骤102、获取每一图像帧中，标记为n的神经束对应的质心坐标和质心数量，其中，标记为n的神经束为多个神经束中的一个神经束。
对整个ct图像中的神经束进行分合次数统计时，是以单一神经束为研究对象，研究该神经束在不同图像帧中的表现现象，即质心坐标和质心数量，进而统计该神经束的分合次数。
步骤103、根据每相邻的两张图像帧的质心坐标的偏差和质心数量的偏差，确定标记为n的神经束的分合次数。
在得到单一神经束在不同图像帧中的质心坐标和质心数量后，根据每两两相邻的两张图像帧中该神经束的质心坐标的偏差和质心数量的偏差，统计该神经束的分合次数。
根据相邻图像帧进行分合次数的统计可以最大程度的确保正确，采用间隔统计的方式，有可能会出现漏统计的方式。例如第一帧图像中1神经束为单根神经束，第二图像帧中1神经束发生了分裂，第三图像帧中1神经束发生了合并，第一、第二、第三图像帧依次相邻。此时采用相邻图像帧进行统计得到的分合次数统计为，分裂1次，合并1次，若采用第一图像帧和第三图像帧这种间隔图像帧进行统计，得到的分合次数为：分裂0次，合并0次，显然与实际情形相悖。
步骤104、反复执行步骤102至103，直至确定各标记的神经束对应的分合次数。
反复执行上述的步骤102至103，以对n种标记种类中其余的n-1种神经束进行对应的分合次数的统计，直至确定各标记的神经束对应的分合次数。
步骤105、统计各标记的神经束各自对应的分合次数，得到待分析ct图像中的神经束分合次数。
在得到各标记的神经束各自对应的分合次数后，统计这些分合次数便可以得到待分析ct图像中的神经束分合次数。
本实施例中的一种ct图像中神经束分合次数的统计方法，包括：s1、获取待分析ct图像的多张图像帧，其中，每一图像帧中包括n种标记的多个神经束，n为2以上的自然数；s2、获取每一图像帧中，标记为n的神经束对应的质心坐标和质心数量，其中，标记为n的神经束为多个神经束中的一个神经束；s3、根据每相邻的两张图像帧的质心坐标的偏差和质心数量的偏差，确定标记为n的神经束的分合次数；s4、反复执行步骤s2至s3，直至确定各标记的神经束对应的分合次数；s5、统计各标记的神经束各自对应的分合次数，得到待分析ct图像中的神经束分合次数。本申请将上述的ct图像中神经束分合次数的统计方法写入对应的装置后，通过该装置执行上述的逻辑步骤实现对ct图像中神经束分合次数的自动统计，相较于人工统计，正确率较高且同时效率也较高，从而解决了现有对于ct图像中神经束的分合次数依赖于人工，在图像数据量如此庞大且人员水平难以保证的情况下，人工统计分合次数，出错率高、效率低下的技术问题。
以上为对本申请实施例提供的ct图像中神经束分合次数的统计方法的实施例一说明。以下为本申请实施例提供的ct图像中神经束分合次数的统计方法的实施例二的说明，具体请参阅图2。
图2为本申请实施例提供的ct图像中神经束分合次数的统计方法的实施例二的流程示意图，该方法包括：
步骤201、获取被标记的训练图像帧。
为了便于对统计过程中的图像帧进行快速分析，本实施例中采用预置神经网络模型对图像帧进行自动标记，首先需要通过训练得到预置神经网络模型，故首先获取用于训练预置神经网络模型的被标记的训练图像帧。
可以理解的是，训练图像帧的数量等可以根据实际需要进行选择，在此不再赘述和限定。
步骤202、以预置神经网络为训练网络，训练图像帧为输入对象，对预置神经网络进行训练，得到预置神经网络模型，其中，预置神经网络为预置神经网络模型对应的神经网络。
训练图像帧中神经束已经被标记，故可以利用该训练图像帧去对预置神经网络进行训练，以得到预置神经网络模型。
预置神经网络可以是bp神经网络或现有的其他神经网络，本领域技术人员可以根据需要进行选择，在此不做具体限定。
可以理解的是，通过利用已标记的训练图像帧对预置神经网络进行训练得到预置神经网络模型的过程，与现有的计算机视觉中图像识别时的训练过程相同，在此不做赘述。
步骤203、利用预置神经网络模型，对待分析视频中的每一图像帧中的各神经束进行标记。
在得到预置神经网络模型后，可以利用预置神经网络模型对待分析视频中的每一图像帧中的各神经束进行标记。
步骤204、获取每一图像帧中，标记为n的神经束对应的区域，其中，标记为n的神经束为多个神经束中的一个神经束。
当标记为n的神经束对应的区域为一个时，获取该神经束对应的区域，对于该神经束对应的区域的获取，获取该神经束区域内像素值为255的像素，这些像素点构成了该神经束所对应的区域。
当标记为n的神经束对应的区域为多个时，获取该神经束对应的所有区域，对于单个区域的获取是区域内像素值为255的像素，这些像素点构成了该单个区域。
步骤205、基于坐标计算公式，根据区域内的各像素点的像素坐标(xp,yq)，确定标记为n的神经束对应的质心坐标。
获取到标记为n的神经束对应的区域后，根据坐标计算公式，根据区域内的各像素点的像素坐标(xp,yq)，确定标记为n的神经束对应的质心坐标。
需要说明的是，坐标计算公式为：
其中，
当标记为n的神经束对应的区域为一个时，根据上述步骤205确定的质心坐标为一个，当标记为n的神经束对应的区域为多个时，根据上述步骤205确定的质心坐标为多个。
步骤206、根据质心坐标的数量确定标记为n的神经束对应的质心数量。
在得到标记为n的神经束对应的质心坐标后，可以根据质心坐标的数量确定对应的质心数量。
当标记为n的神经束对应的区域为一个时，根据上述步骤205确定的质心坐标为一个，对应的质心数量为一个，当标记为n的神经束对应的区域为多个时，根据上述步骤205确定的质心坐标为多个，对应的质心数量也对应的相同数量的多个。
步骤207、根据每相邻的两张图像帧的质心坐标的偏差和质心数量的偏差，确定标记为n的神经束的分合次数。
如图4a和图4b所示，图中矩形框选区域中的神经束发生了分裂现象，当面对该分裂现象的统计时，步骤207具体包括：
步骤a：确定每相邻的两张图像帧对应的质心坐标的偏差和质心数量的偏差；
此时的质心坐标的偏差为相邻的两张图像帧中用后一张图像帧的质心坐标减去前一张的质心坐标。当标记为n的神经束对应的区域有多个时，计算得到的质心坐标的偏差也为多个值，此时取最大值进行后续的判断。质心数量的偏差也为相邻的两张图像帧中用后一张图像帧的质心数量减去前一张的质心数量。
步骤b：判断质心坐标的偏差是否大于预设偏差值，若是，则判断对应的质心数量的偏差是否大于0；
预设偏差值可以根据需要进行选择，例如：10、12等。
当质心数量增多，则该标记为n的神经束发生了分裂。
步骤c：当判断到质心数量的偏差大于0时，标记为n的神经束的分裂次数加一。
如图5a和图5b所示，图中矩形框选区域中的神经束发生了合并现象，当面对该合并现象的统计时，步骤207具体包括：
步骤a：确定每相邻的两张图像帧对应的质心坐标的偏差和质心数量的偏差；
步骤b：判断质心坐标的偏差是否大于预设偏差值，若是，则判断对应的质心数量的偏差是否为0；
步骤c：当判断到质心数量的偏差为0时，判断第一图像帧中不同标记的神经束对应的质心坐标是否相同，若是，则标记为n的神经束的合并次数加一，其中，第一图像帧为质心数量的偏差对应的两张相邻的图像帧的后一张图像帧。
步骤208、反复执行步骤204至步骤207，直至确定各标记的神经束对应的分合次数。
需要说明的是，步骤208与第一实施例中步骤104的描述相同，具体可以参见步骤104的描述，在此不再赘述。
步骤209、统计各标记的神经束各自对应的分合次数，得到待分析ct图像中的神经束分合次数。
需要说明的是，步骤209与第一实施例中步骤105的描述相同，具体可以参见步骤105的描述，在此不再赘述。
本实施例中的一种ct图像中神经束分合次数的统计方法，包括：s1、获取待分析ct图像的多张图像帧，其中，每一图像帧中包括n种标记的多个神经束，n为2以上的自然数；s2、获取每一图像帧中，标记为n的神经束对应的质心坐标和质心数量，其中，标记为n的神经束为多个神经束中的一个神经束；s3、根据每相邻的两张图像帧的质心坐标的偏差和质心数量的偏差，确定标记为n的神经束的分合次数；s4、反复执行步骤s2至s3，直至确定各标记的神经束对应的分合次数；s5、统计各标记的神经束各自对应的分合次数，得到待分析ct图像中的神经束分合次数。本申请将上述的ct图像中神经束分合次数的统计方法写入对应的装置后，通过该装置执行上述的逻辑步骤实现对ct图像中神经束分合次数的自动统计，相较于人工统计，正确率较高且同时效率也较高，从而解决了现有对于ct图像中神经束的分合次数依赖于人工，在图像数据量如此庞大且人员水平难以保证的情况下，人工统计分合次数，出错率高、效率低下的技术问题。
以上为对本申请实施例提供的ct图像中神经束分合次数的统计方法的实施例。以下为本申请实施例提供的ct图像中神经束分合次数的统计方法的应用例，具体请参阅图6。
一、对所提取的神经束自动编号。训练一个bp神经网络得到预置神经网络模型，将预置神经网络模型识别剩余的图像，从而实现对每张图像上的神经束标号。
二、获取待分析ct图像(即序列)中所有图像帧的总数j和第一张图像上的所有神经束的标记总数i。
三、先对第一张图像帧中编号为1的神经束进行质心坐标计算，判断该神经束区域内像素点的值是否为255，是的话则获取其坐标(xp,yq)，然后向右移动，判断下一个像素点的值，直到碰到像素点值为0时，则停止对该行的像素点的继续判断和坐标获取，跳到下一行重复上述过程，直至获取该神经束所在区域的所有白色像素的坐标。
再根据公式
得到编号为1的神经束在j张图像上的神经束质心坐标后，通过公式δx＝xj+1-xj,δy＝yj+1-yj得到该神经束的质心坐标的偏差δx和δy，以及质心数量的偏差δq＝qj+1-qj。
再对其余的i-1种标记的神经束都是重复上述过程。需要注意的是，上述过程中如果识别到某个标记的神经束所在区域包含多个白色块，则利用上述操作将这多个白色块的质心坐标分别计算出来，质心坐标的偏差取多个中的最大者，并确定总质心数量。
如果在获取该神经束的坐标时，已经超出该神经束所在区域但仍未碰到黑色像素点，则继续获取坐标，直至碰到黑色像素点，再根据所获取的坐标和质心坐标公式计算出该神经束的质心坐标，以及确定其包含质心的数量。
最终输出i种神经束在j张序列图像上的所有质心坐标偏差和质心数量偏差。
四、统计神经束分裂或合并次数。先将合并次数计数器和分裂次数计数器初始化为0，当某根神经束在某一张图像上的质心坐标的偏差大于十个像素点，且该神经束所在区域包含的质心数量增多，显然该神经束发生了分裂，则分裂次数计数器做一次加1运算；当某根神经束在某一张图像上的质心坐标的偏差大于十个像素点，而且质心数量不变，则需利用质心坐标序列进一步判断该图像上是否存在几根神经束的质心坐标相同的情况，如若存在，则说明这几根神经束在此图像所对应的时刻发生了合并，则合并次数计数器只做一次加1运算。
五、结果的输出。当完成对所有神经束的分裂和合并次数统计后，将合并次数计数器和分裂次数计数器内的值输出。
以上为对本申请实施例提供的ct图像中神经束分合次数的统计方法的说明。以下为本申请实施例提供的ct图像中神经束分合次数的统计装置的实施例，具体请参阅图7。
可以参见图7，图7为本申请提供的一种ct图像中神经束分合次数的统计装置的结构示意图，包括：
第一获取单元701，用于获取待分析ct图像的多张图像帧，其中，每一图像帧中包括n种标记的多个神经束，n为2以上的自然数；
第二获取单元702，用于获取每一图像帧中，标记为n的神经束对应的质心坐标和质心数量，其中，标记为n的神经束为多个神经束中的一个神经束；
计算单元703，用于根据每相邻的两张图像帧的质心坐标的偏差和质心数量的偏差，确定标记为n的神经束的分合次数；
循环单元704，用于反复触发第二获取单元和计算单元，直至确定各标记的神经束对应的分合次数；
统计单元705，用于统计各标记的神经束各自对应的分合次数，得到待分析ct图像中的神经束分合次数。
本实施例中的一种ct图像中神经束分合次数的统计装置，各单元执行对应的功能后，实现对ct图像中神经束分合次数的自动统计，相较于人工统计，正确率较高且同时效率也较高，从而解决了现有对于ct图像中神经束的分合次数依赖于人工，在图像数据量如此庞大且人员水平难以保证的情况下，人工统计分合次数，出错率高、效率低下的技术问题。
本申请实施例还提供一种ct图像中神经束分合次数的统计设备，包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行各个实施例的一种ct图像中神经束分合次数的统计方法中的任意一种实施方式。
本申请还提供一种存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例的一种ct图像中神经束分合次数的统计方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read-onlymemory，英文缩写：rom)、随机存取存储器(英文全称：randomaccessmemory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！