[发明专利]脑组织分区的确定方法、装置、存储介质及电子设备

说明书

本公开涉及一种脑组织分区的确定方法、装置、存储介质及电子设备，包括：获取头颅位置的目标三维容积图像；将目标三维容积图像转换为M个目标二维横轴面图像；获取头颅位置的模板三维容积图像所对应的N个模板二维横轴面图像；分别确定每个目标二维横轴面图像各自匹配的模板二维横轴面图像；根据与目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定目标二维横轴面图像中的脑组织分区。这样就能够将三维容积图像转换为二维横轴面之后再进行脑组织分区，从而减小非正常脑组织区域可影响的维度，进而降低其对脑组织分区精度的影响，扩大了该脑分区方法的适用的脑组织范围，提高了对任意脑组织分区的精度。

技术领域

本公开涉及计算机领域，具体地，涉及一种脑组织分区的确定方法、装置、存储介质及电子设备。

背景技术

医学图像分区在智能诊断领域有重要意义。通常为提高医学诊断和治疗水平，需要对组织区域进行精确分割，从而有利于对头颅中的脑组织进行精确定位。例如，在现有的ASPECTS评分(Alberta Stroke Program Early CT Score，ASPECTS)中，通过将大脑中动脉的供血覆盖区分为10个感兴趣区域，对每个区域进行缺血判断，从而获得ASPECTS评分，并初步定位缺血区。

传统的医学图像分区是基于图像分割技术。主要分为两个方向。第一类，基于阈值进行组织分区。例如基于k-means聚类算法对脑部解剖组织进行分割。由于人脑组织相似结构在序列中常在固定的取值范围内，因此可通过相似性聚类，来实现不同组织的分区。第二类，基于搭建分割网络来进行组织分区。例如基于VB-nets网络进行胸部器官分割。通过对采集的图像进行下采样和上采样，同时提取组织的高层语义信息和细节特征，从而预测组织区域。

但是，基于k-means聚类的组织分区算法只适合于密度正常的脑组织，对于带有病灶的数据，也即非正常的脑组织区域，由于其密度值与正常组织的密度值范围脱离或混淆，通过聚类的组织分区算法分区精准性会较差。而基于搭建分割网络模型的组织分区算法，该网络模型的训练需要对训练样本数据进行一一标注，耗时长且存在人为误差，而且由于训练样本数据存在的人为标注误差的问题，也会同样存在正常组织区域与非正常组织区域的分区混淆的现象。

发明内容

本公开的目的是提供一种脑组织分区的确定方法、装置、存储介质及电子设备，能够将三维的人脑图像形变转化为二维的人脑图像之后，利用人脑结构特征为每一个目标二维横轴面图像匹配相对应的模板二维横轴面图像，进而根据该模板二维横轴面图像对该目标二维横轴面图像进行脑组织分区，这样就能减小非正常脑组织区域可影响的维度，进而降低其对脑组织分区精度的影响。

为了实现上述目的，本公开提供一种脑组织分区的确定方法，所述方法包括：

获取头颅位置的目标三维容积图像；

将所述目标三维容积图像转换为M个目标二维横轴面图像，其中，M为大于1的正整数；

获取所述头颅位置的模板三维容积图像所对应的N个模板二维横轴面图像，其中，N为大于1的正整数；

分别确定每个所述目标二维横轴面图像各自匹配的模板二维横轴面图像，以获得每个所述目标二维横轴面图像的匹配关系；

根据与所述目标二维横轴面图像相匹配的模板二维横轴面图像中的脑组织分区，确定所述目标二维横轴面图像中的脑组织分区。

可选地，所述方法还包括：

获取每个所述模板二维横轴面图像各自所对应的第一掩模面积比例系数；

确定目标三维掩模数据，所述目标三维掩模数据用于表征所述目标三维容积图像中的脑组织区域；

根据所述目标三维掩模数据，确定每个所述目标二维横轴面图像各自所对应的第二掩模面积比例系数；