[发明专利]一种图像处理方法及装置

说明书

本发明公开了一种图像处理方法及装置，包括：通过包含标记有脑室分割结果的脑部影像的第一样本集对深度卷积神经网络进行训练，然后通过深度卷积神经网络对脑部影像进行分割，这样得到的分割结果不仅快速而且准确鲁棒；然后通过分割结果确定出脑部影像的实际中线平面的位置，进而得到实际中线平面的位置也更加的准确；最后再通过实际中线平面的位置与理论中线平面的位置进行比较，确定图像待检测的脑部影像的图像处理结果。由此，不仅实现了自动判别脑部结构移位的目的，而且大大降低了脑部影像的姿势是否摆正对识别结果的影响,能够应对较多脑部影像的姿势，除此之外采用深度卷积神经网络使得图像处理的结果更加的准确。

技术领域

本发明涉及图像处理领域，尤其涉及一种图像处理方法及装置。

背景技术

脑部中线是否移位是一个重要的脑部影像特征，能有效的反映出脑部是否存在挤压占位效应，通过对脑部中线移位的判断，可以诊断出是否出现脑损伤、中风、脑肿瘤、脓肿等疾病。也就是说，通过对脑部移位的判断，有利于帮助医生对脑部是否损伤进行判断。

目前，对于脑部中线移位的判断，一般是通过医生手动测量中线偏移距离实现的。但是，由于脑部影像的拍摄时，病人的姿势可能不是标准的，那么得到的头部影像也不是标准位置的头部影像，在这种情况下，医生就很难通过手动测量的方法测量中线的偏移距离，或者对脑部中线移位偏移距离的测量容易出现误差，并且通过手动测量的效率也很低，那么对脑部中线移位的判断也就产生了困难。由此可知，当前对脑部中线移位的判断准确性差，效率低。

发明内容

有鉴于此，本发明实施例公开了一种图像处理方法及装置，实现了对自动判别脑部结构移位的目的，而且不受脑部影像的姿势的影响，可以应对任何姿势拍摄的脑部影像。

本发明实施例公开的一种图像处理方法，该方法包括：

获取待检测的脑部影像；

基于预先训练的深度卷积神经网络模型对待检测的脑部影像进行处理，得到所述待检测的脑部影像的脑室分割结果；所述深度卷积神经网络模型是通过包含标记有脑室分割结果的脑部影像的第一样本集进行训练后得到的；

确定待检测的脑部影像中理论中线平面的位置；

基于待检测的脑部影像的脑室的分割结果，确定实际中线平面的位置；

根据所述待检测的脑部影像的实际中线平面的位置和理论中线平面的位置，确定待检测的脑部影像的图像处理二结果。

可选的，所述确定待检测的脑部影像中理论中线平面的位置，包括：

将待检测的脑部影像与标记有中线平面位置的标准的脑部影像进行配准；

依据所述标准的脑部影像中中线平面的位置，确定所述待检测的脑部影像中理论中线平面的位置。

可选的，所述基于待检测的脑部影像的脑室的分割结果，确定实际中线平面的位置，包括：

在所述待检测的脑部影像中选取基准平面的位置；

沿着所述待检测的脑部影像的冠状位轴线平移所述基准平面的位置；

当基准平面移动到目标位置时，获取所述基准平面在所述目标位置对待检测的脑部影像的脑室的分割结果；

根据目标位置对待检测的脑部影像的脑室的分割结果和预先训练的深度卷积神经网络对待检测的脑部影像的分割结果，确定所述目标位置为实际的中线的平面位置。

可选的，所述待检测的脑部影像中选取的基准平面的位置为所述待检测的脑部影像中理论中线平面的位置。

可选的，所述根据所述待检测的脑部影像的实际中线平面的位置和理论中线平面的位置，确定待检测的脑部影像的图像处理结果，包括：