本发明涉及图像处理,特别是涉及一种spect肺灌注成像的目标区域提取方法与系统。
背景技术:
1、随着医学影像技术的发展,各种模态相继出现,相较于结构成像,核医学图像可以提供解剖结构和功能变异等方面的信息而广泛应用于临床上。其中,医生可以通过观察单光子发射计算机断层成像术(single-photon emission computed tomography,spect)肺灌注显像的显像情况来做出诊断。所以,临床上对spect肺灌注影像的分析方法常采用医生人工阅片的定性评估方式,以阻塞区域的位置和大小作为疾病严重程度的主要判断依据。spect肺灌注显像将肺部非阻塞区域成像为热区,而血流阻塞区域与背景有着极其接近的视觉效果,影响医生做出诊断。患者肺血流是否阻塞及阻塞的严重程度很大程度上都依靠医生的临床经验和主观因素,不仅耗时耗力,而且容易出现漏诊、误诊等情况,因此提供清晰的spect肺灌注显像图像成为解决上述问题的必要途径。
2、随着计算机技术的发展,图像成像技术不断改进,使得得到的图像更清晰,可以清楚的识别目标点位置。
3、但是现有spect肺灌注图像依旧存在分辨率低、边界不清晰等问题,这就为热区的分割带来了挑战。传统的分割方法如阈值分割,由于图像像素值存在差异,人工确定最佳阈值困难,无法实现精确分割。对于图像热区,有监督的深度网络架构通常需要提供大量精确标注的训练数据,但医学图像的准确标注困难巨大且非常耗时。
4、在肺灌注图像中,提取感兴趣区域可通过求解热区关于正常肺部区域的补运算实现,即可转换为二者的配准。在医学图像的处理过程中,图像配准是一项关键技术。图像配准是指通过特定的几何变换,使两个或多个图像的共同部分在空间位置上一致的过程。常用方法包括灰度信息法、变换域法和特征法等。应用在医学领域的图像配准技术可以提高图像重建质量,使得得到的图像更清晰。
5、从现有工作来看,spect肺灌注显像的目标区域获取研究尚处于早期探索阶段,如何准确定位显像目标区域成为本领域亟待解决的技术问题。
技术实现思路
1、本发明的目的是提供一种spect肺灌注成像的目标区域提取方法与系统,能够精确确定位显像目标区域。
2、为实现上述目的,本发明提供了如下方案:
3、一种spect肺灌注成像的目标区域提取方法,包括:
4、获取包含多体位肺灌注显像图像数据的dicom格式文件,并基于所述dicom格式文件得到肺灌注多体位数据矩阵;
5、从所述肺灌注多体位数据矩阵中选取肺灌注前后位数据矩阵;所述肺灌注前后位数据矩阵包括:肺灌注前位数据矩阵和肺灌注后位数据矩阵;
6、融合所述肺灌注后位数据矩阵得到融合数据矩阵;
7、对所述融合数据矩阵进行灰度图可视化处理得到灰度图像;
8、基于所述灰度图像得到模板显像轮廓,并将包含所述模板显像轮廓的图像作为模板图像;
9、将前后位肺灌注显像图像数据输入至热区提取模型得到肺灌注显像热区图像;所述热区提取模型为训练好的基于循环卷积神经网络的无监督分割网络模型;所述前后位肺灌注显像图像数据基于所述肺灌注前后位数据矩阵获取;
10、对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域;
11、根据医学肺部功能结构对所述模板进行划分得到划分区域;
12、基于所述感兴趣区域和所述划分区域得到目标区域。
13、优选地,所述融合所述肺灌注后位数据矩阵得到融合数据矩阵,之前还包括:
14、对所述肺灌注后位数据矩阵进行归一化处理。
15、优选地,基于所述灰度图像得到模板显像轮廓,具体包括:
16、采用阈值分割法对所述灰度图像进行分割;
17、采用canny边缘检测算法对分割后的灰度图像进行检测得到所述模板显像轮廓。
18、优选地,所述基于循环卷积神经网络的无监督分割网络模型包括依次连接的三个循环卷积层和一个卷积层;每一所述循环卷积层的时间步长为3。
19、优选地,采用模板缩放和平移操作对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域。
20、优选地,采用模板缩放和平移操作对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域,具体包括:
21、获取所述模板显像轮廓的外接矩形和所述肺灌注显影热区的外接矩形;
22、基于所述模板显像轮廓的外接矩形和所述肺灌注显影热区的外接矩形确定缩放比例;
23、根据所述缩放比例对所述模板显像轮廓进行缩放处理;
24、确定所述肺灌注显影热区的质心和经缩放处理后的模板显像轮廓的质心;
25、根据所述肺灌注显影热区的质心和经缩放处理后的模板显像轮廓的质心确定平移量;
26、根据所述平移量进行平移操作实现所述肺灌注显影热区和所述模板图像的图像配准。
27、根据本发明提供的具体实施例,本发明公开了以下技术效果:
28、本发明提供的spect肺灌注成像的目标区域提取方法,以数据驱动的方式构建出一个与正常肺部形状、大小更符合的具有普适性的模板图像,并基于循环卷积神经网络的无监督模型通过充分利用图像空间信息和网络自动提取的图像深层特征,从而更好的分割肺灌注显像热区。将模板图像与热区通过放缩和平移操作提取出图像感兴趣区域,结合分区模板,确定肺灌注图像目标区域,能够自适应完成每一个肺灌注成像数据中目标区域的有效分割,以实现显像目标区域的精确定位。
29、本发明还提供了一种spect肺灌注成像的目标区域提取系统,该系统包括:
30、spect成像设备,用于获取包含多体位肺灌注显像图像数据的dicom格式文件,并基于所述dicom格式文件得到肺灌注多体位数据矩阵;
31、存储器,用于存储逻辑控制指令;所述逻辑控制指令用于实施上述提供的spect肺灌注成像的目标区域提取方法;
32、处理器,与所述存储器和所述spect成像设备连接,用于调取并执行所述逻辑控制指令,以基于所述肺灌注多体位数据矩阵实现spect肺灌注成像目标区域的提取。
33、优选地,所述处理器包括:
34、数据获取模块,用于获取所述肺灌注多体位数据矩阵;
35、矩阵选取模块,用于从所述肺灌注多体位数据矩阵中选取肺灌注前后位数据矩阵;所述肺灌注前后位数据矩阵包括:肺灌注前位数据矩阵和肺灌注后位数据矩阵;
36、矩阵融合模块,用于融合所述肺灌注后位数据矩阵得到融合数据矩阵;
37、图像转换模块,用于对所述融合数据矩阵进行灰度图可视化处理得到灰度图像;
38、轮廓提取模块,用于基于所述灰度图像得到模板显像轮廓,并将包含所述模板显像轮廓的图像作为模板图像;
39、热区提取模块,用于将前后位肺灌注显像图像数据输入至热区提取模型得到肺灌注显像热区图像;所述热区提取模型为训练好的基于循环卷积神经网络的无监督分割网络模型;所述基于循环卷积神经网络的无监督分割网络模型包括依次连接的三个循环卷积层和一个卷积层;每一所述循环卷积层的时间步长为3;所述前后位肺灌注显像图像数据基于所述所述肺灌注前后位数据矩阵获取;
40、感兴趣区域确定模块,用于对所述肺灌注显影热区和所述模板图像进行图像配准得到肺灌注显像的感兴趣区域;
41、区域划分模块,用于根据医学肺部功能结构对所述模板进行划分得到划分区域;
42、目标区域确定模块,用于基于所述感兴趣区域和所述划分区域得到目标区域。
43、优选地,所述存储器为计算机可读存储介质。
44、因本发明提供的spect肺灌注成像的目标区域提取系统实现的技术效果与上述提供的目标区域提取方法实现的技术效果相同,故在此不再进行赘述。