基于图像识别的去骨瓣术后骨窗区域自动识别方法

摘要: 本发明涉及图像处理领域,具体涉及基于图像识别的去骨瓣术后骨窗区域自动识别方法。背景技术:1、去骨瓣减压术是应对严重脑水肿、控制颅内高压的关键挽救性措施。术后,患...
基于图像识别的去骨瓣术后骨窗区域自动识别方法

本发明涉及图像处理领域,具体涉及基于图像识别的去骨瓣术后骨窗区域自动识别方法。

背景技术:

1、去骨瓣减压术是应对严重脑水肿、控制颅内高压的关键挽救性措施。术后,患者颅骨上的缺损区域(即骨窗)成为观察颅内状况的重要窗口。观察颅内状况是指通过头颅ct影像观测骨窗内脑组织的膨出形态、密度。然而,面对大型医院每日产生的海量ct数据,人工逐层勾画骨窗区域不仅耗时耗力,更存在主观性强、重复性差的问题。

2、现有技术中,基于图像识别的自动分割方法(例如阈值分割或边缘检测等方法)为上述问题提供了潜在的解决方案,但在实际应用中,其核心技术问题在于对骨窗区域的识别准确性不足,尤其表现为将非脑组织区域错误地纳入识别范围,导致骨窗区域过度外扩。究其根源,在于去骨瓣术后复杂的病理生理改变对ct影像特征造成了显著干扰:手术创伤必然引发骨窗区域头皮组织水肿、增厚。在ct横断面影像上,肿胀的头皮与其下方的膨出的脑组织在灰度值上密度相近,均表现为相近的低密度或等密度区域,使得算法难以基于简单的灰度阈值进行有效区分。肿胀的头皮在影像上会形成类似脑组织膨出的“隆起”结构。当现有分割方法进行边缘检测时,极易将头皮与外界空气的边界误判为脑组织表面边界,而非真实的目标边界。这种误判直接导致算法识别的骨窗区域包含了过多的头皮软组织,导致骨窗区域过度外扩。

技术实现思路

1、为解决上述问题,本发明提供基于图像识别的去骨瓣术后骨窗区域自动识别方法。

2、本发明的基于图像识别的去骨瓣术后骨窗区域自动识别方法采用如下技术方案:

3、本发明一个实施例提供了基于图像识别的去骨瓣术后骨窗区域自动识别方法,该方法包括以下步骤:

4、基于头部ct影像的切片序列获取理想头皮边界;切片序列中首次出现颅骨缺损区域的ct影像记为起始层;起始层中缺损颅骨外侧的灰度值变化特征最大的像素点构成起始层的候选边界;在切片序列中起始层的下一层ct影像中,起始层的候选边界在所述下一层ct影像的投影位置作为初始位置;所述下一层ct影像中与初始位置的距离最小且灰度梯度最大的像素点构成所述下一层ct影像的候选边界,将所述下一层ct影像的候选边界逐层的向下一层投影,依次得到每一层ct影像中的候选边界,直至切片序列中的ct影像不存在颅骨缺损区域;

5、当ct影像中的候选边界和理想头皮边界的间距大于预设第一阈值时,在候选边界内侧重新获取与初始位置的距离最小且灰度梯度最大的像素点并构成脑组织边界,所述间距小于等于预设第一阈值时,将候选边界作为脑组织边界;所有层ct影像中的脑组织边界构成骨窗区域。

6、优选的,所述起始层中缺损颅骨外侧的灰度值变化特征最大的像素点构成起始层的候选边界,包括的具体步骤如下:

7、对于起始层中处于缺损颅骨的轮廓上的所有颅骨缺损轮廓点,以及对于经过起始层的质心像素点和任意一个颅骨缺损轮廓点的第一直线,在该第一直线上的且处于缺损颅骨外侧的所有像素点中,选择出灰度值变化特征最大的像素点,记为任意一个颅骨缺损轮廓点对应的候选像素点;起始层中所有的颅骨缺损轮廓点对应的候选像素点构成的集合记为起始层的候选边界。

8、优选的,所述下一层ct影像中与初始位置的距离最小且灰度梯度最大的像素点构成所述下一层ct影像的候选边界,包括的具体步骤如下:

9、所述下一层ct影像记为第二层;

10、对于第二层中处于缺损颅骨的轮廓上的所有颅骨缺损轮廓点,以及对于经过第二层的质心像素点和任意一个颅骨缺损轮廓点的第一直线,在该第一直线上的所有像素点中,获取与初始位置的距离最小且灰度梯度最大的像素点,记为第二像素点;第二层中所有颅骨缺损轮廓点对应的第二像素点构成的集合记为第二层的候选边界。

11、优选的,所述在候选边界内侧重新获取与初始位置的距离最小且灰度梯度最大的像素点并构成脑组织边界,包括的具体步骤如下:

12、在任意一个ct影像中,对于候选边界上的任意一个像素点b,在ct影像质心像素点和像素点b之间沿直线分布的所有像素点中,获取与初始位置的距离最小且灰度梯度最大的像素点,记为第三像素点,候选边界上所有像素点对应获得的第三像素点作为脑组织边界;

13、所述在ct影像质心像素点和像素点b之间沿直线分布的所有像素点表示候选边界内侧的像素点。

14、优选的,所述缺损颅骨的轮廓上的所有颅骨缺损轮廓点,包括的具体步骤如下:

15、对于切片序列中所有ct影像重建成的三维颅骨表面模型,将三维颅骨表面模型进行镜像对称,其中镜像对称前左右不对称的区域作为所述颅骨缺损区域,镜像对称后所述颅骨缺损内的局部颅骨表面模型作为缺损颅骨的轮廓,缺损颅骨的轮廓上的顶点与ct影像中的像素点相对应,同一个ct影像内缺损颅骨的轮廓上的顶点所对应的像素点记为同一个ct影像内的所述所有颅骨缺损轮廓点。

16、优选的,所述基于头部ct影像的切片序列获取理想头皮边界,包括的具体步骤如下:

17、对于切片序列中所有ct影像重建成的三维颅骨表面模型,在三维颅骨表面模型上预选若干顶点,预选的所有顶点在ct影像中对应的像素点记为参考头皮像素点集;对于参考头皮像素点集中的任意一个像素点,在该像素点所处的ct影像中,对于经过该像素点且与ct影像中颅骨轮廓垂直的直线,在该直线上的且处于三维颅骨表面模型外侧的所有像素点中,选择出灰度值变化特征最大的像素点,该像素点与所述灰度值变化特征最大的像素点的欧氏距离记为头皮厚度;参考头皮像素点集中所有像素点对应的头皮厚度的众数记为d;所述ct影像中颅骨轮廓是指ct影像中的骨骼区域的边缘;

18、将ct影像中的骨骼区域镜像对称后,将镜像对称后的骨骼区域的外轮廓外扩,得到理想头皮边界,外扩距离由d确定。

19、优选的,所述候选边界和理想头皮边界的间距的具体获取步骤如下:

20、对于候选边界上的任意一个像素点,计算该像素点与理想头皮边界中所有像素点的最小欧氏距离;候选边界上所有像素点对应的所述最小欧氏距离的均值记为候选边界和理想头皮边界的间距。

21、优选的,所述选择出灰度值变化特征最大的像素点,包括的具体步骤如下:

22、若干像素点的灰度值构成一个灰度序列,对于灰度序列中的任意一对相邻元素,计算相邻元素的灰度值的差值绝对值,所有相邻元素的差值绝对值构成差分序列;获取差分序列中的所有极大值,差分序列中每个极大值的元素索引中,任意一个索引记为a,索引a在灰度序列中对应一对相邻元素,该对相邻元素在灰度序列中的索引分别记为b和b+1,灰度序列中b左侧的平均灰度值和b+1右侧平均灰度值的差值绝对值记为索引a的第一灰度差异,将第一灰度差异与索引a处的极大值的乘积记为索引a对应的灰度值变化特征;

23、差分序列中的所有极大值的索引中,对于灰度值变化特征最大的索引所对应的一对元素点,该对元素中在灰度序列内索引最小元素所对应的像素点作为若干像素点中选择出的所述灰度值变化特征最大的像素点。

24、优选的,所述获取与初始位置的距离最小且灰度梯度最大的像素点,包括的具体步骤如下:

25、任意一个像素点与同一ct影像中所有初始位置的最小欧氏距离记为c,利用sobel算子获得该像素点的梯度幅值t,计算该像素点的边界因子,边界因子与t呈正相关,与c呈负相关;筛选出边界因子最大的像素点,作为所述与初始位置的距离最小且灰度梯度最大的像素点。

26、优选的,所述缺损颅骨外侧是指:以起始层中的颅骨缺损轮廓点为起点,与质心像素点到颅骨缺损轮廓点位移方向同向的射线方向。

27、本发明的技术方案的有益效果是:

28、本发明并非简单地在单张ct影像上独立进行分割,而是将整个ct切片序列视为一个有机整体。通过从起始层开始,并将每一层获得的候选边界向相邻层投影作为初始位置,该方法强制性地保证了识别出的边界在空间中具有解剖连续性。这种由顶至底的逐层追踪策略,使得最终得到的骨窗边界形成一个连续、光滑的表面,有效避免了传统方法在逐层独立分割时可能产生的边界跳跃、不连续等失真现象,在保证识别效率的基础上极大提升了识别结果的生理合理性和准确性。

29、本发明具有智能区分肿胀头皮边界与真实脑组织边界的能力。具体的本发明引入一种有效的纠错机制,当判断候选边界为肿胀头皮边界(间距大于阈值)时,能自动向其内侧进行修正,重新定位到真实的脑组织边界。这一机制从根本上解决了因术后头皮肿胀导致的灰度特征混淆问题,有效防止了将肿胀的头皮组织误判为脑组织,从而精准避免了现有技术中常见的骨窗区域过度外扩的缺陷。

30、本发明不依赖于单一的、固定的图像特征(如绝对灰度值),而是采用了一种动态的、自适应的识别策略。通过综合考量与初始位置的距离、灰度梯度以及与理想表面的间距等多重因素,算法能够根据每一层影像的具体特征做出最优判断。这使得本发明对于不同患者、不同程度的头皮肿胀以及影像质量差异等情况均具有良好的适应性。即使在脑组织膨出形态不规则等复杂情况下,本发明也能通过其内置的判别与修正流程,保持识别结果的稳定性,表现出强大的鲁棒性。

31、总结而言,本发明避免骨窗区域过度外扩,提高了骨窗区域的识别准确性。