图像处理方法、装置及计算机可读存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、装置及计算机可读存储介质。


背景技术：

2.阿尔茨海默病(alzheimer's disease，ad)是一种神经系统退行疾病，属于老年痴呆症中最常见的类型。ad患者呈渐进性认知功能衰退，随年龄增长病情逐步加剧。一般将病程分为早、中、晚三期，在早中期患者认知相关的多种能力开始下降，包括记忆力、理解力和判断力等，此阶段进程缓慢，是疾病干预和治疗的最好时间段，但若发展到晚期患者基本完全丧失所有的认知能力和生活自理能力。因此找到阿尔茨海默特异的生物标记物，在初期做到有效诊断，对减轻疾病给患者带来的身心痛苦，经济压力和社会负担具有巨大意义。
3.阿尔茨海默是一种复杂的多因素疾病，与遗传、代谢和生活习惯等多种因素有关。对于ad的诊断主要是根据认知量表评估和临床症状诊断，由于患者个体病情表征和医护人员主观判断上的差异性，这种方式不利于对该疾病进行横向和纵向上的比较。
4.神经影像学，能够提供脑功能、结构以及分子水平上病理改变的证据，在研究诊断和辅助治疗阿尔茨海默症上具有广阔的应用前景。ad患者的大脑有大范围萎缩现象，并且在大脑皮质和海马区神经元细胞外β淀粉样蛋白(amyloid beta，aβ)沉积形成老年斑(senile plaques，sp)以及神经元细胞内异常磷酸化tau蛋白形成神经纤维缠结(neuro
‑
fibrillary tangles，nfts)。
5.pet(positron emission tomography，正电子发射断层成像)是一种具有高灵敏度、高特异性和无创伤性的成像方式，可在活体上显示生物分子代谢、神经介质活动等情况。其主要成像过程是：将与生命活动代谢过程中相关的物质如葡萄糖、蛋白质和核酸等用放射性元素(18f、12c等)进行标记，注入人体，以被标记的物质聚焦，反映生命的代谢活动情况，从而达到诊断的目的。18f标记的苯乙烯基吡啶衍生物(18f
‑
av45)，是一种靶向β－淀粉样蛋白示踪剂，可以与aβ特异性结合，从而实现对阿尔茨海默症患者aβ沉积情况的定量观察。ad在大脑皮质和海马等广泛的区域有出现aβ沉积现象，关注的主要感兴趣区roi有：前额叶、楔前叶、扣带回、侧颞叶、尾状核和壳核。要想横向和纵向定量比较患者在各个感兴趣区上aβ沉积情况，就需要对pet图像进行精准脑区分割。
6.然而，pet空间分辨率低，即使经验丰富的医生进行手工分割，也需要花费大量的时间和精力，并且患者大脑萎缩和病变也为有效确定各感兴趣区的边界带来困难。
7.现有的pet图像的脑区分割可以借助磁共振结构像来辅助进行分割。先对磁共振结构像mri进行自动分割，再将分割后的结构像配准到pet图像上，进而达到pet的脑区自动分割和感兴趣区提取，但是，这种方式需要患者同时提供正电子发射断层成像和磁共振成像数据，增加了患者经济压力和医院资源负担，耗费资源较大。
8.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

9.本发明的主要目的在于提供一种图像处理方法、装置及计算机可读存储介质，旨在解决pet图像的脑区分割需要消耗大量的资源的技术问题。
10.为实现上述目的，本发明提供一种图像处理方法，所述图像处理方法包括以下步骤：
11.将待处理pet影像配准至预设图谱库中的模板空间，以获得第一pet影像，并将第一pet影像与预设图谱库中的pet模板影像进行全脑直方图匹配，以获得第二pet影像；
12.基于所述第二pet影像，在预设图谱库的多个pet影像中确定待第一预设数量的待筛选pet影像；
13.基于预设图谱库中pet模板影像的感兴趣区域，确定待处理pet影像的感兴趣区域，并基于待处理pet影像的感兴趣区域以及预设图谱库中筛选pet影像对应的感兴趣区域，在待筛选pet影像中确定第二预设数量的目标pet影像；
14.对各个目标pet影像进行逆变换操作，以获得逆变换后的目标pet影像，并对逆变换后的目标pet影像进行融合处理，以获得目标影像。
15.进一步地，所述基于所述第二pet影像，在预设图谱库的多个pet影像中确定待第一预设数量的待筛选pet影像的步骤包括：
16.获取所述第二pet影像与各个所述pet影像之间的全脑互信息；
17.将全脑互信息最大的第一预设数量的pet影像作为所述待筛选pet影像。
18.进一步地，所述基于预设图谱库中pet模板影像的感兴趣区域，确定待处理pet影像的感兴趣区域，并基于待处理pet影像的感兴趣区域以及预设图谱库中筛选pet影像对应的感兴趣区域，在待筛选pet影像中确定第二预设数量的目标pet影像的步骤包括：
19.基于所述pet模板影像的感兴趣区域，对所述pet模板影像以及所述待处理pet影像进行局部直方图匹配，以获得待处理pet影像的感兴趣区域；
20.获取待处理pet影像的感兴趣区域与待筛选pet影像对应的感兴趣区域之间的局部互信息；
21.将待筛选pet影像中局部互信息最大的第二预设数量的pet影像作为所述目标pet影像。
22.进一步地，所述将待处理pet影像配准至预设图谱库中的模板空间，以获得第一pet影像，并将第一pet影像与预设图谱库中的pet模板影像进行全脑直方图匹配，以获得第二pet影像的步骤包括：
23.将待处理pet影像配准至预设图谱库中的模板空间，以获得第一pet影像；
24.基于全脑模板去除第一pet影像中的颅骨信号，得到第三pet影像；
25.对第三pet影像进行部分体积效应矫正操作，得到矫正后的pet影像，并对矫正后的pet影像进行高斯滤波处理，得到滤波后的pet影像；
26.将滤波后的pet影像与预设图谱库中的pet模板影像进行全脑直方图匹配，以获得第二pet影像。
27.进一步地，所述将待处理pet影像配准至预设图谱库中的模板空间，以获得第一pet影像的步骤之前，还包括：
28.获取预设数量的标准pet影像以及预设数量的脑磁共振影像；
29.对所述标准pet影像进行非线性融合得到pet模板影像，将脑磁共振影像进行非线性融合得到mri模板影像，并将mri模板影像准至pet模板影像，以获得模板空间；
30.将各个标准pet影像配准至pet模板影像，以获得第四pet影像，并基于所述pet模板影像以及第四pet影像，确定所述pet影像；
31.获取所述pet影像对应的感兴趣区域以及所述pet模板影像对应的感兴趣区域；
32.基于所述模板空间、所述pet模板影像、所述pet影像、所述pet影像对应的感兴趣区域以及所述pet模板影像对应的感兴趣区域，确定预设预设图谱库。
33.进一步地，所述基于所述pet模板影像以及第四pet影像，确定所述pet影像的步骤包括：
34.基于全脑模板去除第四pet影像中的颅骨信号，得到去颅后的第四pet影像，对去颅后的第四pet影像进行部分体积效应矫正操作，得到矫正后的第四pet影像，对矫正后的第四pet影像进行高斯滤波，得到预处理后的第四pet影像；
35.基于全脑模板去除pet模板影像中的颅骨信号，得到去颅后的pet模板影像，对去颅后的pet模板影像进行部分体积效应矫正操作，得到矫正后的pet模板影像，对矫正后的pet模板影像进行高斯滤波，得到预处理后的pet模板影像；
36.基于预处理后的第四pet影像以及预处理后的pet模板影像进行全脑直方图匹配，以获得所述pet影像。
37.进一步地，所述获取所述pet影像对应的感兴趣区域以及所述pet模板影像对应的感兴趣区域步骤包括：
38.获取所述pet影像的第一子区标签以及所述pet模板影像对应的第二子区标签；
39.基于所述第一子区标签获取预处理后的第四pet影像对应的第一感兴趣区域，并基于所述第二子区标签获取预处理后的pet模板影像对应的第二感兴趣区域；
40.对第一感兴趣区域以及第二感兴趣区域进行直方图匹配，以获得pet模板影像的感兴趣区域，并基于所述第一感兴趣区域确定所述pet影像对应的感兴趣区域。
41.进一步地，所述获取所述pet影像的第一子区标签以及所述pet模板影像对应的第二子区标签的步骤包括：
42.对各个脑磁共振影像进行分割操作，以获得所述脑磁共振影像的子区标签；
43.将脑磁共振影像刚体变换配准至标准pet影像，以获得第二变换矩阵；
44.基于第二变换矩阵以及所述第四pet影像对应的变换参数，将脑磁共振影像的子区标签配准至第四pet影像，以获得pet影像的第一子区标签；
45.将所述mri模板影像对应的子区标签配准至所述pet模板影像，以获得所述第二子区标签。
46.此外，为实现上述目的，本发明还提供一种图像处理装置，所述图像处理装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像处理程序，所述图像处理程序被所述处理器执行时实现前述的图像处理方法的步骤。
47.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现前述的图像处理方法的步骤。
48.本发明通过将待处理pet影像配准至预设图谱库中的模板空间，以获得第一pet影
像，并将第一pet影像与预设图谱库中的pet模板影像进行全脑直方图匹配，以获得第二pet影像，接着基于所述第二pet影像，在预设图谱库的多个pet影像中确定待第一预设数量的待筛选pet影像，而后基于预设图谱库中pet模板影像的感兴趣区域，确定待处理pet影像的感兴趣区域，并基于待处理pet影像的感兴趣区域以及预设图谱库中筛选pet影像对应的感兴趣区域，在待筛选pet影像中确定第二预设数量的目标pet影像，然后对各个目标pet影像进行逆变换操作，以获得逆变换后的目标pet影像，并对逆变换后的目标pet影像进行融合处理，以获得目标影像，通过预设图谱库实现了待处理pet影像的自动分割，与现有脑区分割相比，降低了资源消耗，提高了pet影像自动分割的准确性以及精度。
附图说明
49.图1是本发明实施例方案涉及的硬件运行环境中图像处理装置的结构示意图；
50.图2为本发明图像处理方法第一实施例的流程示意图。
51.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
52.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
53.如图1所示，图1是本发明实施例方案涉及的硬件运行环境中图像处理装置的结构示意图。
54.本发明实施例图像处理装置可以是pc，如图1所示，该图像处理装置可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi
‑
fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non
‑
volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
55.本领域技术人员可以理解，图1中示出的终端结构并不构成对图像处理装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
56.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像处理程序。
57.在图1所示的图像处理装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的图像处理程序。
58.在本实施例中，图像处理装置包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的图像处理程序，其中，处理器1001调用存储器1005中存储的图像处理程序时，并执行以下各个实施例中图像处理方法的步骤。
59.本发明还提供一种图像处理方法，参照图2，图2为本发明图像处理方法第一实施例的流程示意图。
60.本实施例中，该图像处理方法包括以下步骤：
61.步骤s101，将待处理pet影像配准至预设图谱库中的模板空间，以获得第一pet影
像，并将第一pet影像与预设图谱库中的pet模板影像进行全脑直方图匹配，以获得第二pet影像；
62.需要说明的是，在进行pet影像的脑区分割之前，先根据多组pet影像以及脑磁共振影像，确定预设图谱库。其中，待处理pet影像为用户当前需要进行脑区分割的pet影像。本实施例中，在得到待处理pet影像之后，获取预设图谱库中的
63.模板空间，模板空间为模板影像，将待处理pet影像配准至该模板空间，得到第一pet影像，具体地，采用现有的配准算法将待处理pet影像配准至该模板空间，并对配准后的pet影像进行预处理得到第一pet影像。
64.在获取到第一pet影像之后，获取预设图谱库中的pet模板影像，并将第一pet影像与pet模板影像进行全脑直方图匹配，并将全脑直方图匹配得到的匹配结果作为第二pet影像，具体采用的直方图匹配算法，对第一pet影像与pet模板影像进行全脑的直方图匹配。
65.步骤s102，基于所述第二pet影像，在预设图谱库的多个pet影像中确定待第一预设数量的待筛选pet影像；
66.本实施例中，在获取到第二pet影像之后，获取预设图谱库中的多个pet影像，并根据该第二pet影像在各个pet影像中筛选第一预设数量的影像作为待筛选pet影像，具体地，先确定第二pet影像与各个pet影像之间的相关性，将pet影像中相关性最大的第一预设数量的影像作为待筛选pet影像，其中，该第一预设数量小于预设图谱库中pet影像的数量，其具体数值可以进行合理设置。
67.步骤s103，基于预设图谱库中pet模板影像的感兴趣区域，确定待处理pet影像的感兴趣区域，并基于待处理pet影像的感兴趣区域以及预设图谱库中筛选pet影像对应的感兴趣区域，在待筛选pet影像中确定第二预设数量的目标pet影像；
68.本实施例中，在获取到筛选pet影像之后，获取预设图谱库中pet模板影像的感兴趣区域以及pet影像对应的感兴趣区域，并基于pet模板影像的感兴趣区域确定待处理pet影像的感兴趣区域，并基于pet影像对应的感兴趣区域获取筛选pet影像对应的感兴趣区域。而后，基于筛选pet影像对应的感兴趣区域以及待处理pet影像的感兴趣区域，在待筛选pet影像中确定第二预设数量的目标pet影像，具体地，确定各个筛选pet影像对应的感兴趣区域与待处理pet影像的感兴趣区域之间的互信息，将待筛选pet影像中互信息最大的第二预设数量的pet影像作为目标pet影像。
69.其中，第二预设数量小于第一预设数量，感兴趣区域为阿尔兹海默病对应的脑区区域，即各个感兴趣区域均为阿尔兹海默病的感兴趣脑区。
70.步骤s104，对各个目标pet影像进行逆变换操作，以获得逆变换后的目标pet影像，并对逆变换后的目标pet影像进行融合处理，以获得目标影像。
71.本实施例中，在获取到目标pet影像，对各个目标pet影像进行逆变换操作，以将各个目标pet影像配准至待处理pet影像对应的原始空间，得到逆变换后的目标pet影像，而后对逆变换后的目标pet影像进行融合处理，具体可采用staple算法对逆变换后的各个目标pet影像进行标签融合，以获得目标影像，通过对逆变换后的各个目标pet影像进行标签融合，以减少目标影像中感兴趣区域的毛刺、噪点和误判等，提高pet影像进行脑区分割的准确性。
72.本实施例实现了pet影像的自动分割，相比人工划分与基于磁共振成像的方法更
加节约成本与时间，且能够保证目标影像的精度，降低资源耗费。
73.本实施例提出的图像处理方法，通过将待处理pet影像配准至预设图谱库中的模板空间，以获得第一pet影像，并将第一pet影像与预设图谱库中的pet模板影像进行全脑直方图匹配，以获得第二pet影像，接着基于所述第二pet影像，在预设图谱库的多个pet影像中确定待第一预设数量的待筛选pet影像，而后基于预设图谱库中pet模板影像的感兴趣区域，确定待处理pet影像的感兴趣区域，并基于待处理pet影像的感兴趣区域以及预设图谱库中筛选pet影像对应的感兴趣区域，在待筛选pet影像中确定第二预设数量的目标pet影像，然后对各个目标pet影像进行逆变换操作，以获得逆变换后的目标pet影像，并对逆变换后的目标pet影像进行融合处理，以获得目标影像，通过预设图谱库实现了待处理pet影像的自动分割，与现有脑区分割相比，降低了资源消耗，提高了pet影像自动分割的准确性以及精度。
74.基于第一实施例，提出本发明图像处理方法的第二实施例，在本实施例中，步骤s102包括：
75.步骤s201，获取所述第二pet影像与各个所述pet影像之间的全脑互信息；
76.步骤s202，将全脑互信息最大的第一预设数量的pet影像作为所述待筛选pet影像。
77.本实施例中，本实施例中，在获取到第二pet影像之后，获取预设图谱库中的多个pet影像，并计算第二pet影像与各个pet影像之间的全脑互信息，其中，全脑互信息的计算公式为：
[0078][0079]
其中，u(i
petmg,i
,i
petmg,test
)为第二pet影像与第i个pet影像之间的全脑互信息，i
petmg,i
为第i个pet影像，i
petmg,test
为第二pet影像；其中，
[0080][0081][0082]
i(x；y)中x为i
petmg,i
、y为i
petmg,test
，h(x)为信息熵计算公式，x
i
为i
petmg,test
或者i
petmg,i
中的像素点。
[0083]
获取到第二pet影像与各个pet影像之间的全脑互信息之后，将全脑互信息最大的第一预设数量的pet影像作为所述待筛选pet影像。
[0084]
本实施例提出的图像处理方法，通过获取所述第二pet影像与各个所述pet影像之间的全脑互信息，接着将全脑互信息最大的第一预设数量的pet影像作为所述待筛选pet影像，提高筛选全脑互信息最大pet影像，提高待筛选pet影像与待处理pet影像之间的相关性，进一步提高pet影像自动分割的准确性以及精度。
[0085]
基于第一实施例，提出本发明图像处理方法的第三实施例，在本实施例中，步骤s103包括：
[0086]
步骤s301，基于所述pet模板影像的感兴趣区域，对所述pet模板影像以及所述待
处理pet影像进行局部直方图匹配，以获得待处理pet影像的感兴趣区域；
[0087]
步骤s302，获取待处理pet影像的感兴趣区域与待筛选pet影像对应的感兴趣区域之间的局部互信息；
[0088]
步骤s303，将待筛选pet影像中局部互信息最大的第二预设数量的pet影像作为所述目标pet影像。
[0089]
本实施例中，在获取到筛选pet影像之后，获取预设图谱库中pet模板影像的感兴趣区域，基于该pet模板影像的感兴趣区域，对pet模板影像以及待处理pet影像进行局部直方图匹配，以获得待处理pet影像的感兴趣区域，即采用现有的直方图匹配算法，进行pet模板影像以及待处理pet影像之间感兴趣区域的局部直方图匹配，得到待处理pet影像的感兴趣区域。
[0090]
而后，获取预设图谱库中以及pet影像对应的感兴趣区域，并计算待处理pet影像的感兴趣区域与待筛选pet影像对应的感兴趣区域之间的局部互信息，具体计算过程与第二实施例中的全脑互信息的计算过程类似，在此不再赘述。
[0091]
最后，可以对各个局部互信息进行排序，以选取待筛选pet影像中局部互信息最大的第二预设数量的pet影像作为目标pet影像。
[0092]
本实施例提出的图像处理方法，通过基于所述pet模板影像的感兴趣区域，对所述pet模板影像以及所述待处理pet影像进行局部直方图匹配，以获得待处理pet影像的感兴趣区域；接着获取待处理pet影像的感兴趣区域与待筛选pet影像对应的感兴趣区域之间的局部互信息；而后将待筛选pet影像中局部互信息最大的第二预设数量的pet影像作为所述目标pet影像，通过局部互信息在待筛选pet影像中筛选目标pet影像，提高目标pet影像与待处理pet影像之间的相关性，进一步提高pet影像自动分割的准确性以及精度。
[0093]
基于第一实施例，提出本发明图像处理方法的第四实施例，在本实施例中，步骤s101包括：
[0094]
步骤s401，将待处理pet影像配准至预设图谱库中的模板空间，以获得第一pet影像；
[0095]
步骤s402，基于全脑模板去除第一pet影像中的颅骨信号，得到第三pet影像；
[0096]
步骤s403，对第三pet影像进行部分体积效应矫正操作，得到矫正后的pet影像，并对矫正后的pet影像进行高斯滤波处理，得到滤波后的pet影像；
[0097]
步骤s404，将滤波后的pet影像与预设图谱库中的pet模板影像进行全脑直方图匹配，以获得第二pet影像。
[0098]
本实施例中，在获取到待处理pet影像时，将该待处理pet影像配准至预设图谱库中的模板空间，具体采用现有的配准算法将待处理pet影像配准至该模板空间，以获得第一pet影像。
[0099]
而后，对第一pet影像进行预处理，先获取全脑模板，基于全脑模板去除第一pet影像中的颅骨信号，得到第三pet影像，其中，全脑模板的公式为：
[0100][0101]
其中，l
tplabel
(x)为pet模板影像的子区标签，msk
full
(x)为全脑模板，也就是说，预
设图谱库中还包括pet模板影像的子区标签，本实施例中，先获取各个pet模板影像的子区标签，并根据pet模板影像的子区标签确定全脑模板。第三pet影像与全脑模板以及第一pet影像的公式为：
[0102][0103]
其中，i
pet1,i
为第一pet影像，i
pet3,i
为第三pet影像。
[0104]
而后对第三pet影像进行部分体积效应矫正操作，得到矫正后的pet影像，并对矫正后的pet影像进行高斯滤波处理，得到滤波后的pet影像。其中，矫正公式、滤波公式以及高斯算子的公式依次为：
[0105]
i
pet4,i
＝pvc(i
pet3,i
)；
[0106]
i
pet5,i
＝smooth(i
pet4,i
)；
[0107][0108]
其中，i
pet5,i
为滤波后的pet影像，i
pet4,i
为矫正后的pet影像。
[0109]
最后，将滤波后的pet影像与预设图谱库中的pet模板影像进行全脑直方图匹配，以获得第二pet影像
[0110]
本实施例提出的图像处理方法，通过将待处理pet影像配准至预设图谱库中的模板空间，以获得第一pet影像；接着基于全脑模板去除第一pet影像中的颅骨信号，得到第三pet影像；而后对第三pet影像进行部分体积效应矫正操作，得到矫正后的pet影像，并对矫正后的pet影像进行高斯滤波处理，得到滤波后的pet影像；然后将滤波后的pet影像与预设图谱库中的pet模板影像进行全脑直方图匹配，以获得第二pet影像，通过对待处理pet影像进行去颅骨信号、部分体积效应矫正以及高斯平滑处理，进一步提高pet影像自动分割的准确性以及精度。
[0111]
基于上述各个实施例，提出本发明图像处理方法的第五实施例，在本实施例中，步骤s101之前，该图像处理方法还包括：
[0112]
步骤s101，获取预设数量的标准pet影像以及预设数量的脑磁共振影像；
[0113]
步骤s102，对所述标准pet影像进行非线性融合得到pet模板影像，将脑磁共振影像进行非线性融合得到mri模板影像，并将mri模板影像准至pet模板影像，以获得模板空间；
[0114]
步骤s103，将各个标准pet影像配准至pet模板影像，以获得第四pet影像，并基于所述pet模板影像以及第四pet影像，确定所述pet影像；
[0115]
步骤s104，获取所述pet影像对应的感兴趣区域以及所述pet模板影像对应的感兴趣区域；
[0116]
步骤s105，基于所述模板空间、所述pet模板影像、所述pet影像、所述pet影像对应的感兴趣区域以及所述pet模板影像对应的感兴趣区域，确定预设预设图谱库。
[0117]
本实施例中，通过标准化的正电子发射断层影像和高分辨率结构磁共振影像的扫描策略，对于每一个被试用户收集其扫描得到的正电子发射断层成像以及脑磁共振影像数据，作为标准pet影像以及脑磁共振影像，预设数量的标准pet影像以及预设数量的脑磁共振影像，预设数量可进行合理设置，例如预设数量为30，则脑磁共振影像i
mri,i
,i∈[1,30]且
标准pet影像i
pet,i
,i∈[1,30]且
[0118]
接着，对各个标准pet影像进行非线性融合得到pet模板影像，将各个脑磁共振影像进行非线性融合得到mri模板影像，并将mri模板影像准至pet模板影像，以获得模板空间。
[0119]
而后，将各个标准pet影像配准至pet模板影像，以获得第四pet影像，该配准过程包括图像仿射变换与微分同胚变换。而后，基于所述pet模板影像以及第四pet影像，确定所述pet影像，具体地，分别对pet模板影像以及第四pet影像进行预处理，得到预处理后的pet模板影像以及预处理后的第四pet影像，基于预处理后的pet影像以及预处理后的pet模板影像进行全脑直方图匹配，进而获得pet影像。
[0120]
最后，获取所述pet影像对应的感兴趣区域以及所述pet模板影像对应的感兴趣区域；并基于所述模板空间、所述pet模板影像、所述pet影像、所述pet影像对应的感兴趣区域以及所述pet模板影像对应的感兴趣区域，确定预设预设图谱库，即预设图谱库包括模板空间、pet模板影像、pet影像、pet影像对应的感兴趣区域以及pet模板影像对应的感兴趣区域。
[0121]
本实施例提出的图像处理方法，通过获取预设数量的标准pet影像以及预设数量的脑磁共振影像；接着对所述标准pet影像进行非线性融合得到pet模板影像，将脑磁共振影像进行非线性融合得到mri模板影像，并将mri模板影像准至pet模板影像，以获得模板空间；而后将各个标准pet影像配准至pet模板影像，以获得第四pet影像，并基于所述pet模板影像以及第四pet影像，确定所述pet影像；然后获取所述pet影像对应的感兴趣区域以及所述pet模板影像对应的感兴趣区域；最后基于所述模板空间、所述pet模板影像、所述pet影像、所述pet影像对应的感兴趣区域以及所述pet模板影像对应的感兴趣区域，确定预设预设图谱库，能够根据标准pet影像以及脑磁共振影像得到预设图谱库，提高了预设图谱库的实用性与适用性，进而能够提升pet影像自动分割的准确性以及精度。
[0122]
基于第五实施例，提出本发明图像处理方法的第六实施例，在本实施例中，步骤s503包括：
[0123]
步骤s601，基于全脑模板去除第四pet影像中的颅骨信号，得到去颅后的第四pet影像，对去颅后的第四pet影像进行部分体积效应矫正操作，得到矫正后的第四pet影像，对矫正后的第四pet影像进行高斯滤波，得到滤波后的第四pet影像；
[0124]
步骤s602，基于全脑模板去除pet模板影像中的颅骨信号，得到去颅后的pet模板影像，对去颅后的pet模板影像进行部分体积效应矫正操作，得到矫正后的pet模板影像，对矫正后的pet模板影像进行高斯滤波，得到预处理后的pet模板影像；
[0125]
步骤s603，基于预处理后的第四pet影像以及预处理后的pet模板影像进行全脑直方图匹配，以获得所述pet影像。
[0126]
本实施例中，先分别对pet模板影像以及第四pet影像进行预处理，得到预处理后的pet模板影像以及预处理后的第四pet影像，具体的预处理过程与第四实施例中第一pet影像得到滤波后的pet影像的预处理过程类似，在此不再赘述。而后，基于预处理后的pet影像以及预处理后的pet模板影像进行全脑直方图匹配，进而获得pet影像。
[0127]
本实施例提出的图像处理方法，通过基于全脑模板去除第四pet影像中的颅骨信号，得到去颅后的第四pet影像，对去颅后的第四pet影像进行部分体积效应矫正操作，得到
矫正后的第四pet影像，对矫正后的第四pet影像进行高斯滤波，得到预处理后的第四pet影像；接着基于全脑模板去除pet模板影像中的颅骨信号，得到去颅后的pet模板影像，对去颅后的pet模板影像进行部分体积效应矫正操作，得到矫正后的pet模板影像，对矫正后的pet模板影像进行高斯滤波，得到预处理后的pet模板影像；而后基于预处理后的第四pet影像以及预处理后的pet模板影像进行全脑直方图匹配，以获得所述pet影像，能够根据pet模板影像以及第四pet影像准确得到pet影像，进一步提升预设图谱库的准确性。
[0128]
基于第六实施例，提出本发明图像处理方法的第七实施例，在本实施例中，步骤s504包括：
[0129]
步骤s701，获取所述pet影像的第一子区标签以及所述pet模板影像对应的第二子区标签；
[0130]
步骤s702，基于所述第一子区标签获取预处理后的第四pet影像对应的第一感兴趣区域，并基于所述第二子区标签获取预处理后的pet模板影像对应的感兴趣区域；
[0131]
步骤s703，对第一感兴趣区域以及第二感兴趣区域进行直方图匹配，以获得pet模板影像的感兴趣区域，并基于所述第一感兴趣区域确定所述pet影像对应的感兴趣区域。
[0132]
本实施例中，在获取到pet影像之后，先获取pet影像的第一子区标签以及pet模板影像对应的第二子区标签，并基于所述第一子区标签获取预处理后的第四pet影像对应的第一感兴趣区域，基于所述第二子区标签获取预处理后的pet模板影像对应的第二感兴趣区域，其中，第一感兴趣区域为预处理后的第四pet影像中第一子区标签对应的区域，第二感兴趣区域为预处理后的pet模板影像中第二子区标签对应的区域。
[0133]
而后，对第一感兴趣区域以及第二感兴趣区域进行直方图匹配，以获得pet模板影像的感兴趣区域，并基于所述第一感兴趣区域确定所述pet影像对应的感兴趣区域，或者根据第一子区标签提取pet影像对应的感兴趣区域。
[0134]
需要说明的是，本实施例中，pet模板影像对应的第二子区标签即为pet模板影像的子区标签，在确定预设图谱库时，将第二子区标签作为pet模板影像的子区标签添加至该预设图谱库中。
[0135]
本实施例提出的图像处理方法，通过获取所述pet影像的第一子区标签以及所述pet模板影像对应的第二子区标签；接着基于所述第一子区标签获取预处理后的第四pet影像对应的第一感兴趣区域，并基于所述第二子区标签获取预处理后的pet模板影像对应的第二感兴趣区域；而后对第一感兴趣区域以及第二感兴趣区域进行直方图匹配，以获得pet模板影像的感兴趣区域，并基于所述第一感兴趣区域确定所述pet影像对应的感兴趣区域，能够通过根据第一子区标签以及第二子区标签准确得到pet模板影像的感兴趣区域以及pet影像对应的感兴趣区域，进一步提升预设图谱库的准确性，进而能够提升pet影像自动分割的准确性以及精度。
[0136]
基于第七实施例，提出本发明图像处理方法的第八实施例，在本实施例中，步骤s701包括：
[0137]
步骤s801，对各个脑磁共振影像进行分割操作，以获得所述脑磁共振影像的子区标签；
[0138]
步骤s802，将脑磁共振影像刚体变换配准至标准pet影像，以获得第二变换矩阵；
[0139]
步骤s803，基于第二变换矩阵以及所述第四pet影像对应的变换参数，将脑磁共振
影像的子区标签配准至第四pet影像，以获得pet影像的第一子区标签；
[0140]
步骤s804，将所述mri模板影像对应的子区标签至所述pet模板影像，以获得所述第二子区标签。
[0141]
本实施例中，先采用现有的分割算法分别对各个脑磁共振影像进行分割操作，以获得所述脑磁共振影像的子区标签，该子区标签可以为283个标签的分割结果，在其他实施例中，其标签的数量还可以为其他值，例如，150、200等。接着，将脑磁共振影像刚体变换配准至标准pet影像，以获得第二变换矩阵，即第二变换矩阵包括各个脑磁共振影像刚体分别配准至对应的标准pet影像的参数，获取第四pet影像对应的变换参数，即各个标准pet影像配准至pet模板影像的变换参数，而后基于第二变换矩阵以及变换参数，将脑磁共振影像的子区标签配准至第四pet影像，以获得pet影像的第一子区标签。
[0142]
而后，获取mri模板影像对应的子区标签，即采用现有的分割算法对mri模板影像进行分割，以获得mri模板影像对应的子区标签，而后将mri模板影像对应的子区标签配准至所述pet模板影像，得到第二子区标签，进一步地，还而将配准结果进行手工矫正消除噪声及毛刺，最后得到第二子区标签。
[0143]
本实施例提出的图像处理方法，通过对各个脑磁共振影像进行分割操作，以获得所述脑磁共振影像的子区标签；接着将脑磁共振影像刚体变换配准至标准pet影像，以获得第二变换矩阵；而后基于第二变换矩阵以及所述第四pet影像对应的变换参数，将脑磁共振影像的子区标签配准至第四pet影像，以获得pet影像的第一子区标签；然后将所述mri模板影像对应的子区标签配准至所述pet模板影像，以获得所述第二子区标签，能够准确得到第一子区标签以及第二子区标签，以根据标签准确确定感兴趣区域，进一步提升预设图谱库的准确性，进而能够提升pet影像自动分割的准确性以及精度。
[0144]
本发明还提供一种计算机可读存储介质。
[0145]
本发明计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现如上所述的图像处理方法的步骤。
[0146]
其中，在所述处理器上运行的图像处理程序被执行时所实现的方法可参照本发明图像处理方法各个实施例，此处不再赘述。
[0147]
此外，本发明实施例还提出一种计算机程序产品，该计算机程序产品上包括图像处理程序，所述图像处理程序被处理器执行时实现如上所述的图像处理方法的步骤。
[0148]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0149]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0150]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，
计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0151]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。