CN110956636A - 一种图像处理方法及装置 - Google Patents

Abstract

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。

Description

一种图像处理方法及装置

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：

计算所述待检测的脑部影像的实际中线平面位置与理论中线平面位置的第一偏移距离；

判断所述第一偏移距离是否大于预设的距离阈值；

若所述第一偏移距离大于预设的距离阈值，则确定所述待检测的脑部影像中有脑部结构移位的程度。

可选的，还包括：

获取包含脑部影像的第二样本集；

确定所述第二样本集中每个脑部影像的理论中线平面的位置；

根据所述已训练的深度卷积神经网络对所述第二样本集中的脑部影像进行处理，得到所述脑部影像的脑室分割结果，并基于所述脑部影像的脑室分割结果确定所述脑部影像实际中线平面的位置；

计算实际中线平面的位置距离理论中线平面的位置的第二偏移距离；

获取所述第二样本集中每个脑部影像是否有脑部结构移位的结果；

对所述第二样本集中每个脑部影像对应的第二偏移距离与是否有脑部结构移位的结果进行分析，确定用于判定脑部结构是否移位的距离阈值。

可选的，所述深度卷积神经网络模型的训练过程包括:

获取第一样本集；所述第一样本集中包含标记有脑室分割结果的脑部影像；

构建深度卷积神经网络模型；

通过样本集中的标记有脑室分割结果的脑部影像对构建的深度卷积神经网络模型进行训练。

本发明实施例还公开了一种图像处理装置，包括：

获取单元，用于获取待检测的脑部影像；

模型处理单元，用于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；

理论中线平面的位置确定单元，用于确定待检测的脑部影像中理论中线平面的位置；

实际中线平面的位置确定单元，用于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；

处理结果确定单元，用于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。

可选的，所述理论中线平面的位置确定单元，包括：

配准子单元，用于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；

理论中线确定子单元，用于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，所述实际中线平面的位置确定单元，包括：

选取子单元，用于在所述待检测的脑部影像中选取基准平面的位置；

平移子单元，用于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；

获取子单元，用于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；

实际中线的平面位置确定子单元，用于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，所述处理结果确定单元，包括：

计算子单元，用于计算所述待检测的脑部影像的实际中线平面位置与理论中线平面位置的第一偏移距离；

判断子单元，用于判断所述第一偏移距离是否大于预设的距离阈值；

处理结果确定子单元，用于若大于预设的距离阈值，则确定所述待检测的脑部影像中脑部结构移位的程度。

可选的，还包括：

第一训练单元，用于：

获取包含脑部影像的第二样本集；

确定所述第二样本集中每个脑部影像的理论中线平面的位置；

根据所述已训练的深度卷积神经网络对所述第二样本集中的脑部影像进行处理，得到所述脑部影像的脑室分割结果，并基于所述脑部影像的脑室分割结果确定所述脑部影像实际中线平面的位置；

计算实际中线平面的位置距离理论中线平面的位置的第二偏移距离；

获取所述第二样本集中每个脑部影像是否有脑部结构移位的结果；

对所述第二样本集中每个脑部影像对应的第二偏移距离与是否有脑部结构移位的结果进行分析，确定用于判定脑部结构是否移位的距离阈值。

可选的，还包括：

深度卷积神经网络训练单元，用于：

获取第一样本集；所述第一样本集中包含标记有脑室分割结果的脑部影像；

构建深度卷积神经网络模型；

通过样本集中的标记有脑室分割结果的脑部影像对构建的深度卷积神经网络模型进行训练。

本发明实施例还公开了一种存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现上述所述的图像处理方法。

本发明实施例还公开了一种电子设备，所述电子设备包括：

处理器和存储器；

其中，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述所述的图像处理方法。

本发明实施例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快速而且准确，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，这样得到实际中线平面的位置也更加的准确。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，确定待检测的脑部影像的图像处理结果，即确定待检测的脑部影像中是否有脑部结构移位的程度。这样，有利于医生基于脑部移位的程度，对病情进行分析。

本实施例，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处理结果更加的准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1示出了本发明实施例提供的一种识别头部中线结构移位的方法的流程示意图；

图2-图3为脑部中线平面的示意图；

图4为无损伤的脑部影像的示意图；

图5示出了本发明实施例提供的一种深度卷积神经网络的训练方法的流程示意图；

图6示出了一种深度卷积神经网络模型的示意图；

图7示出了本发明实施例提供的一种训练用于判别脑部结构是否移位的阈值的方法的流程示意图；

图8示出了本发明实施例提供的一种识别头部中线结构移位的装置的结构示意图；

图9示出了本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

参考图1,示出了本发明实施例提供的一种图像处理方法的流程示意图，在本实施例中，该方法包括：

S101：获取待检测的脑部影像；

本实施例中，获取的待检测的脑部影像为医学图像。

为了消除影像噪声等对识别结果的影响，需要预先对待检测的脑部影像进行预处理，由此，获取的待检测的脑部影像可以是经过预处理后的图像。

其中，预处理的操作过程可以包括很多，本实施例中不进行限定。

S102：基于预先训练的深度卷积神经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；

其中，所述深度卷积神经网络模型是通过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。

本实施例中，深度卷积神经网络可以是任意一种深度卷积神经网络算法模型，本实施例中不进行限定，在实际应用中技术人员可以根据实际情况设置，例如可以为U-net等。

如下的实施例会对深度卷积神经网络的训练过程进行详细的介绍，本实施例中不再赘述。

S103：确定待检测的脑部影像中理论中线平面的位置；

本实施例中，理论中线平面的位置可以理解为在不考虑脑损伤以及其他疾病导致的中线结构不对称的情况下，脑部中线平面的位置。

其中，如图2和图3所示，在不考虑脑损伤等的情况下，虚线的部分为理论中线的位置，这里是二维影像中的显示结果，但是在三维影像中，该位置是一个延伸的平面，因为在这里表示为中线平面的位置。

具体的，可以通过如下的方法确定待检测的脑部影像的理论中线平面的位置：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。

本实施例中，标准的脑部影像可以理解为无损伤的脑部影像，如图4所示。

S104：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；

本实施例中，在出现脑损伤或其他某些疾病的情况下，可能由于血块的挤压或其他原因，导致脑部结构的中线平面的位置会发生移位，即中线平面的位置会发生偏移。如图2和图3所示，实线的部分为实际中线平面的位置。其中，图2为中线左偏的情况，图3为中线右偏的情况。

需要知道的是，由于拍摄的脑部图像是从人的脚那边往头上看的，因此导致图像的左右和实际的左右相反。

本实施例中，待检测的脑部影像的脑部分割结果可以为分割出左脑室和右脑室，其中在实际应用中，除了分割出左脑室和右脑室，还可以分割出其它非脑室的部分，或者还可以分割出脑室中出现病变的部分。

需要知道的是，中线平面是可以将左脑室和右脑室分开的平面，在通过深度卷积神经网络模型分割出左脑室和右脑室后，可以根据分割结果确定出实际中线平面的位置。

具体的，S104可以包括：

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。

其中，基准平面的位置可以为待检测的脑部影像中任意的位置，或者为待检测的脑部影像中较为居中的位置，本实施例中不进行限定。其中基准平面的位置可以是预先设置好的，或者技术人员也可以根据实际情况进行设置。

在本实施例中，基准平面的位置优选的可以为上述S103中确定的所述待检测的脑部影像中理论中线平面的位置。

本实施例中，在对基准中线平面平移的过程中，每次基准中线平面所处的目标位置，可以将脑室分割为两部分，并根据目标位置对脑室的分割结果确定出实际中线平面的位置。

其中，可以选取分割结果符合预设条件的目标位置作为实际中线平面的位置。

本实施例中，优选的预设的条件可以是将脑室分割出最好效果的目标位置，例如可以是将左脑室和右脑室分错的像素点最少的目标位置，或者该目标位置到左脑室的距离与到右脑室的距离之差最小。

在本实施例中，可以基于预先训练的深度卷积神经网络对待检测的脑部影像的侧脑室分割结果对目标位置分割的脑室的结果进行判别，判别目标位置分割出的脑室的效果的好坏。

S105：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。

本实施例中，图像处理的结果可以理解为，脑部影像中脑部结构移位程度的判定结果，其中，对于脑部中线结果移位程度的判定，可以通过比较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进行确定。

优选的，可以通过对脑部影像的实际中线平面的位置与理论中线平面的位置之间的距离进行分析，进而确定是否有中线移位的情况，具体的S105包括：

计算所述待检测的脑部影像的实际中线平面位置距离理论中线平面的位置的第一偏移距离；

判断所述第一偏移距离是否大于预设的距离阈值；

若所述第一偏移距离大于预设的距离阈值，则确定所述待检测的脑部影像中脑部结构移位的程度。

其中，预设的距离阈值可以是预先通过大量实验或统计得到的，或者也可以是通过专家经验得到的，或者通过实验结合专家经验得到的。

在如下的实施例中，会对实验结合专家经验的方法进行详细的说明，本实施例中不进行限定。

本实施例中，预设的距离阈值可以包含两个，一个用于判定是否中线左偏，一个用于判定中线右偏。

其中，确定待检测的脑部影像中脑部结果移位的程度可以包括脑部影像左偏的程度以及右偏的程度。

其中，可以通过多种方式计算待检测的脑部影像的实际中线平面位置距离理论中线平面的位置距离,这里表示该距离为第一偏移距离，本实施例中不进行限定，例如可以通过欧氏距离法计算。

本实施例中，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，得到待检测的脑部影响的脑室分割结果；其中，深度卷积神经网络模型是通过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，判定待检测的脑部影像中是否有脑部结构移位的情况。

由此可知，本实施例中通过深度卷积神经网络对脑部影像进行分割，这样不仅处理速度快而且可以得到更加准确的分割结果，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，进而也可以得到更加准确的实际中线平面的位置；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，确定是否有脑部结构移位的情况。综上，通过本实施例的方法不仅实现了自动判别脑部结构移位的目的，而且本实施例的方法大大降低了脑部影像的姿势是否摆正对识别结果的影响，能够应对较多的脑部影像的姿势，并且采用深度卷积神经网络使得判定的结果更加的准确。这样，有利于医生基于脑部中线结构移位的程序对病情进行分析。

参考图5，示出了本发明实施例提供的一种深度卷积神经网络的训练方法的流程示意图，在本实施例中，该方法包括：

S501：获取第一样本集；所述第一样本集中包含标记有脑室分割结果的脑部影像；

本实施例中，对脑室分割结果的标记方式可以包括多种，本实施例中不进行限定。

举例说明：脑部影像中脑室分割结果可以通过如下的方式进行标记：将左脑室标记为1，将右脑室标记为2，还可以将脑室之外的部分标记为0(其中，脑室之外的部分可以理解为背景)。除此之外，对脑部影像中脑室的分割结果进行标记时，还可以标记出脑部中受伤的部位。

本实施例中，选用何种方式对脑部影像进行标记，本实施例中不进行限定。

本实施例中，还可以将第一样本集划分为训练集和测试集。

S502：构建深度卷积神经网络模型；

其中，深度卷积神经网络模型可以是任意一种深度卷积神经网络算法，或者也可以是根据实际情况构建的模型。

举例说明，如图6所示，示出了构建的一种深度卷积神经网络模型的结构：

其中，DenseBlock为稠密连接块，TransitionBlock为过渡稠密连接块，DenseBlock-n意为由n个基本卷积块组成的稠密连接块，upsampling-2为输出特征图尺寸为输入特征图尺寸两倍的上采样模块，conv-uint-n为输出特征图通道为n的卷积模块。

S503：通过样本集中的标记有脑室分割结果的脑部影像对构建的深度卷积神经网络模型进行训练。

本实施例中，为了消除脑部影像中噪声等的影响，在通过样本集中的标记有脑室分割结果的脑部影像对构建的深度卷积神经网络模型进行训练之前，还可以对样本集中的脑部影像进行预处理。

本实施例中，已训练的深度卷积神经网络能够快速且准确的对脑部影像的脑室进行分割，而且不受脑部影像的姿势的影响，可以应对较多的实际的脑部影像的姿势，并且，判别的结果也更加的准确。

参考图7，示出了本发明实施例提供的一种训练用于判别脑部结构是否移位的阈值的方法的流程示意图，在本实施例中，该方法包括：

S701：获取包含脑部影像的第二样本集；

本实施例中，第一样本集和第二样本集中的数据可以是相同的，也可以是不同的。

S702：确定所述样本集中每个脑部影像的理论中线平面的位置；

本实施例中，S702的步骤与上述的S103的步骤一致，本实施例中不再赘述。

S703：根据所述已训练的深度卷积神经网络对所述第二样本集中的脑部影像进行处理，得到所述脑部影像的脑室分割结果，并基于所述脑部影像的脑室分割结果确定所述脑部影像实际中线平面的位置；

本实施例中，具体的，S703包括：

在所述脑部影像中选取基准平面的位置；

沿着所述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，获取所述目标位置对脑部影像的脑室的分割结果；

根据目标位置对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。

S704：计算实际中线平面的位置距离理论中线平面的位置的第二偏移距离；

其中，可以通过多种方式计算实际中线平面的位置距离理论中线平面的位置的距离，这里将该距离表示为第二偏移距离，本实施例中不进行限定，例如可以通过欧氏距离法计算。

S705：获取所述第二样本集中每个脑部影像是否有脑部结构移位的结果；

本实施中，第二样本集中每个脑部影像是否有脑部结构移位的结果可以是专家通过经验得到的，或者也可以是医生的诊断结论。

S706：对所述第二样本集中每个脑部影像对应的第二偏移距离与是否有脑部结构移位的结果进行分析，确定用于判定脑部结构是否移位的距离阈值。

本实施例中，通过确定第二样本集中每个脑部影像对应的第二偏移距离是否对应有移位的结果，并将对应有移位结果的第二偏移距离提取出来进行分析，进而得到一个合理的且可以用于判定脑部结构是否移位的距离阈值。

其中，训练得到的距离阈值可以包括两个，一个距离阈值用于判定是否右偏，一个距离阈值用于判定是否左偏。

本实施例中，通过大量样本集训练得到的距离阈值，可以准确的对脑部结构是否移位进行判定。

参考图8，示出了本发明实施例提供的一种识别头部中线结构移位的装置的结构示意图，在本实施例中，该装置包括：

获取单元801，用于获取待检测的脑部影像；

模型处理单元802，用于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；

理论中线平面的位置确定单元803，用于确定待检测的脑部影像中理论中线平面的位置；

实际中线平面的位置确定单元804，用于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；

处理结果确定单元805，用于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，判定待检测的脑部影像中是否有脑部结构移位的情况。

可选的，所述理论中线平面的位置确定单元，还用于：

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，所述理论中线平面的位置确定单元，包括：

配准子单元，用于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；

理论中线确定子单元，用于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，所述实际中线平面的位置确定单元，包括：

选取子单元，用于在所述待检测的脑部影像中选取基准平面的位置；

平移子单元，用于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；

获取子单元，用于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；

实际中线的平面位置确定子单元，用于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，所述处理结果确定单元，包括：

计算子单元，用于计算所述待检测的脑部影像的实际中线平面位置与理论中线平面位置的第一偏移距离；

判断子单元，用于判断所述第一偏移距离是否大于预设的距离阈值；

处理结果确定子单元，用于若大于预设的距离阈值，则确定所述待检测的脑部影像中脑部结构移位的程度。

可选的，还包括：

第一训练单元，用于：

获取包含脑部影像的第二样本集；

确定所述第二样本集中每个脑部影像的理论中线平面的位置；

根据所述已训练的深度卷积神经网络对所述第二样本集中的脑部影像进行处理，得到所述脑部影像的脑室分割结果，并基于所述脑部影像的脑室分割结果确定所述脑部影像实际中线平面的位置；

计算实际中线平面的位置距离理论中线平面的位置的第二偏移距离；

获取所述第二样本集中每个脑部影像是否有脑部结构移位的结果；

对所述第二样本集中每个脑部影像对应的第二偏移距离与是否有脑部结构移位的结果进行分析，确定用于判定脑部结构是否移位的距离阈值。

可选的，还包括：

深度卷积神经网络训练单元，用于：

获取第一样本集；所述第一样本集中包含标记有脑室分割结果的脑部影像；

构建深度卷积神经网络模型；

通过样本集中的标记有脑室分割结果的脑部影像对构建的深度卷积神经网络模型进行训练。

通过本实施例的装置，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，能够应对较多的脑部影像的姿势，并且通过深度卷积神经网络使得判定的结果更加的准确。

参考图9，示出了本发明实施例提供的一种电子设备的结构示意图，在本实施例中，包括：

处理器901和存储器902；

其中，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据下述的图像处理方法：

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，判定待检测的脑部影像中是否有脑部结构移位的情况，包括：

计算所述待检测的脑部影像的实际中线平面位置与理论中线平面位置的第一偏移距离；

判断所述第一偏移距离是否大于预设的距离阈值；

若大于预设的距离阈值，则判定所述待检测的脑部影像中有脑部结构移位的程度。

可选的，还包括：

获取包含脑部影像的第二样本集；

确定所述第二样本集中每个脑部影像的理论中线平面的位置；

根据所述已训练的深度卷积神经网络对所述第二样本集中的脑部影像进行处理，得到所述脑部影像的脑室分割结果，并基于所述脑部影像的脑室分割结果确定所述脑部影像实际中线平面的位置；

计算实际中线平面的位置距离理论中线平面的位置的第二偏移距离；

获取所述第二样本集中每个脑部影像是否有脑部结构移位的结果；

对所述第二样本集中每个脑部影像对应的第二偏移距离与是否有脑部结构移位的结果进行分析，确定用于判定脑部结构是否移位的距离阈值。

可选的，所述深度卷积神经网络模型的训练过程包括:

获取第一样本集；所述第一样本集中包含标记有脑室分割结果的脑部影像；

构建深度卷积神经网络模型；

通过样本集中的标记有脑室分割结果的脑部影像对构建的深度卷积神经网络模型进行训练。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种图像处理方法，其特征在于，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结果。

2.根据权利要求1所述的方法，其特征在于，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。

3.根据权利要求1所述的方法，其特征在于，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。

4.根据权利要求3所述的方法，其特征在于，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。

5.根据权利要求1所述的方法，其特征在于，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：

计算所述待检测的脑部影像的实际中线平面位置与理论中线平面位置的第一偏移距离；

判断所述第一偏移距离是否大于预设的距离阈值；

若大于预设的距离阈值，则确定所述待检测的脑部影像中脑部结构移位的程度。

6.根据权利要求1或5所述的方法，其特征在于，还包括：

获取包含脑部影像的第二样本集；

确定所述第二样本集中每个脑部影像的理论中线平面的位置；

根据所述已训练的深度卷积神经网络对所述第二样本集中的脑部影像进行处理，得到所述脑部影像的脑室分割结果，并基于所述脑部影像的脑室分割结果确定所述脑部影像实际中线平面的位置；

计算实际中线平面的位置距离理论中线平面的位置的第二偏移距离；

获取所述第二样本集中每个脑部影像是否有脑部结构移位的结果；

对所述第二样本集中每个脑部影像对应的第二偏移距离与是否有脑部结构移位的结果进行分析，确定用于判定脑部结构是否移位的距离阈值。

7.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络模型的训练过程包括:

获取第一样本集；所述第一样本集中包含标记有脑室分割结果的脑部影像；

构建深度卷积神经网络模型；

通过样本集中的标记有脑室分割结果的脑部影像对构建的深度卷积神经网络模型进行训练。

8.一种图像处理装置，其特征在于，包括：

获取单元，用于获取待检测的脑部影像；

模型处理单元，用于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；

理论中线平面的位置确定单元，用于确定待检测的脑部影像中理论中线平面的位置；

实际中线平面的位置确定单元，用于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；

处理结果确定单元，用于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。

9.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理执行时实现根据权利要求1至7中任意一项所述图像处理方法。

10.一种电子设备，其特征在于，所述电子设备包括：

处理器和存储器；

其中，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的图像处理方法。

Images