本發(fā)明涉及醫(yī)療儀器領(lǐng)域，具體而言，涉及一種全自動腎臟感興趣區(qū)提取裝置與方法。
背景技術(shù)：
：腎小球濾過率(glomerularfiltrationrate，GFR)是指單位時間內(nèi)兩腎生成濾液的量，是評價腎功能的重要指標(biāo)，可用于病情診斷，療效評估以及判斷腎移植后腎功能監(jiān)測等臨床應(yīng)用。臨床上通常采用Gate’s分析法實現(xiàn)GRF值的定量計算，該方法是利用SPECT快速連續(xù)動態(tài)采集包括雙腎和膀胱區(qū)域的放射性影像，然后利用計算機(jī)圖像技術(shù)在獲得的放射性影像上勾畫感興趣區(qū)(regionofinterest，ROI)，接著計算該區(qū)域的放射性活度，無需抽血留尿，不僅可以得到反映腎臟血流及功能狀態(tài)的動態(tài)影像，而且可依據(jù)腎臟感興趣區(qū)圖像計算腎臟的GFR值，因此如何更為準(zhǔn)確地檢測到腎臟感興趣區(qū)圖像非常重要?，F(xiàn)有技術(shù)中的腎臟感興趣區(qū)提取方法為以雙閾值分割算法為基礎(chǔ)，對于腎功能低下時拍攝到的原始SPECT圖像進(jìn)行初步感興趣區(qū)定位，在初步感興趣區(qū)定位過程中需要人工輔助，并且主觀偏差較大。此外，需要有經(jīng)驗的醫(yī)生依據(jù)檢測到的初步感興趣區(qū)進(jìn)行腎臟感興趣區(qū)再次修正勾畫，從而獲得最終的腎臟感興趣區(qū)，但是上述獲得腎臟感興趣區(qū)的操作方法極度依賴操作者的經(jīng)驗，主觀差異大，并可重復(fù)性差、效率低下。技術(shù)實現(xiàn)要素：有鑒于此，本發(fā)明實施例的目的在于提供了一種全自動腎臟感興趣區(qū)提取裝置與方法。第一方面，本發(fā)明實施例提供了一種全自動腎臟感興趣區(qū)提取裝置，所述全自動腎臟感興趣區(qū)提取裝置包括：腎臟區(qū)域圖像獲得單元，用于移除一原始腎臟SPECT圖像中的腎外主要本底區(qū)，從而獲得腎臟區(qū)域圖像；初步感興趣區(qū)提取單元，用于依據(jù)所述腎臟區(qū)域圖像提取初步感興趣區(qū)；疑似感興趣區(qū)提取單元，用于依據(jù)水平集C-V模型算法對所述初步感興趣區(qū)進(jìn)行初步分割，并提取疑似感興趣區(qū)；腎臟身體比參數(shù)計算單元，用于依據(jù)所述疑似感興趣區(qū)計算腎臟身體比參數(shù)；第一腎臟感興趣區(qū)獲得單元，用于依據(jù)預(yù)設(shè)的先驗?zāi)０寮s束的水平集C-V模型算法以及所述腎臟身體比參數(shù)對所述疑似感興趣區(qū)進(jìn)行再次分割，從而獲得第一腎臟感興趣區(qū)。第二方面，本發(fā)明實施例還提供了一種全自動腎臟感興趣區(qū)提取方法，所述全自動腎臟感興趣區(qū)提取方法包括：移除一原始腎臟SPECT圖像中的腎外主要本底區(qū)，從而獲得腎臟區(qū)域圖像；依據(jù)所述腎臟區(qū)域圖像提取初步感興趣區(qū)；依據(jù)水平集C-V模型算法對所述初步感興趣區(qū)進(jìn)行初步分割，并提取疑似感興趣區(qū)；依據(jù)所述疑似感興趣區(qū)計算腎臟身體比參數(shù)；依據(jù)預(yù)設(shè)的先驗?zāi)０寮s束的水平集C-V模型算法以及所述腎臟身體比參數(shù)對所述疑似感興趣區(qū)進(jìn)行再次分割，從而獲得第一腎臟感興趣區(qū)。與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種全自動腎臟感興趣區(qū)提取裝置與方法，通過依據(jù)水平集C-V模型算法對所述初步感興趣區(qū)進(jìn)行初步分割，并提取疑似感興趣區(qū)；再依據(jù)所述疑似感興趣區(qū)計算腎臟身體比參數(shù)；最后依據(jù)預(yù)設(shè)的先驗?zāi)０寮s束的水平集C-V模型算法以及所述腎臟身體比參數(shù)對所述疑似感興趣區(qū)進(jìn)行再次分割，從而獲得第一腎臟感興趣區(qū)。該全自動腎臟感興趣區(qū)提取裝置與方法可實現(xiàn)自動化得到最終的腎臟感興趣區(qū)(即第一腎臟感興趣區(qū))，無需依賴醫(yī)生手動勾畫或者依據(jù)檢測到的初步感興趣區(qū)對腎臟感興趣區(qū)再次進(jìn)行修改，獲取的腎臟感興趣區(qū)圖像沒有主觀差異，精確度與效率高。為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細(xì)說明如下。附圖說明為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本發(fā)明實施例的組件可以以各種不同的配置來布置和設(shè)計。因此，以下對在附圖中提供的本發(fā)明的實施例的詳細(xì)描述并非旨在限制要求保護(hù)的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。圖1本發(fā)明實施例提供的服務(wù)器的方框示意圖；圖2為本發(fā)明實施例提供的全自動腎臟感興趣區(qū)提取裝置的功能單元示意圖；圖3為本發(fā)明實施例提供的全自動腎臟感興趣區(qū)提取方法的流程圖。其中，附圖標(biāo)記與部件名稱之間的對應(yīng)關(guān)系如下：全自動腎臟感興趣區(qū)提取裝置100、服務(wù)器101，處理器102、存儲器103、存儲控制器104、外設(shè)接口105，腎臟區(qū)域圖像獲得單元201，初步感興趣區(qū)提取單元202，疑似感興趣區(qū)提取單元203，腎臟身體比參數(shù)計算單元204，第一腎臟感興趣區(qū)獲得單元205，第二腎臟感興趣區(qū)獲得單元206。具體實施方式下面將結(jié)合本發(fā)明實施例中附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。通常在此處附圖中描述和示出的本發(fā)明實施例的組件可以以各種不同的配置來布置和設(shè)計。因此，以下對在附圖中提供的本發(fā)明的實施例的詳細(xì)描述并非旨在限制要求保護(hù)的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實施例?；诒景l(fā)明的實施例，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。本發(fā)明實施例提出的全自動腎臟感興趣區(qū)提取裝置與方法，提供了一種全自動腎臟感興趣區(qū)提取方法，該全自動腎臟感興趣區(qū)提取方法可適用于服務(wù)器101。該服務(wù)器101可以是，但不限于，網(wǎng)絡(luò)服務(wù)器、數(shù)據(jù)庫服務(wù)器、云端服務(wù)器等等。如圖1所示，是所述服務(wù)器101的方框示意圖。所述服務(wù)器101包括全自動腎臟感興趣區(qū)提取裝置100、處理器102、存儲器103、存儲控制器104及外設(shè)接口105。所述存儲器103、存儲控制器104及處理器102，各元件相互之間直接或間接地電性連接，以實現(xiàn)數(shù)據(jù)的傳輸或交互。例如，這些元件相互之間可通過一條或多條通訊總線或信號線實現(xiàn)電性連接。所述全自動腎臟感興趣區(qū)提取裝置100包括至少一個可以軟件或固件(firmware)的形式存儲于所述存儲器103中或固化在所述服務(wù)器101的操作系統(tǒng)(operatingsystem，OS)中的軟件功能模塊。所述處理器102用于執(zhí)行存儲器103中存儲的可執(zhí)行模塊，例如，所述全自動腎臟感興趣區(qū)提取裝置100包括的軟件功能模塊或計算機(jī)程序。其中，存儲器103可以是，但不限于，隨機(jī)存取存儲器(RandomAccessMemory，RAM)，只讀存儲器ReadOnlyMemory，ROM)，可編程只讀存儲器(ProgrammableRead-OnlyMemory，PROM)，可擦除只讀存儲器(ErasableProgrammableRead-OnlyMemory，EPROM)，電可擦除只讀存儲器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。其中，存儲器103用于存儲程序，所述處理器102在接收到執(zhí)行指令后，執(zhí)行所述程序，前述本發(fā)明實施例任一實施例揭示的流過程定義的服務(wù)器101所執(zhí)行的方法可以應(yīng)用于處理器102中，或者由處理器102實現(xiàn)。處理器102可能是一種集成電路芯片，具有信號的處理能力。上述的處理器102可以是通用處理器，包括中央處理器(CentralProcessingUnit，簡稱CPU)、網(wǎng)絡(luò)處理器(NetworkProcessor，簡稱NP)等；還可以是數(shù)字信號處理器(DSP)、專用集成電路(ASIC)、現(xiàn)成可編程門陣列(FPGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件?？梢詫崿F(xiàn)或者執(zhí)行本發(fā)明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。所述外設(shè)接口105將各種輸入/輸入裝置耦合至處理器以及存儲器103。在一些實施例中，外設(shè)接口105，處理器102以及存儲控制器104可以在單個芯片中實現(xiàn)。在其他一些實例中，它們可以分別由獨(dú)立的芯片實現(xiàn)。請參閱圖2，本發(fā)明實施例提供的一種全自動腎臟感興趣區(qū)提取裝置100包括腎臟區(qū)域圖像獲得單元201、初步感興趣區(qū)提取單元202、疑似感興趣區(qū)提取單元203、腎臟身體比參數(shù)計算單元204以及第一腎臟感興趣區(qū)獲得單元205。所述腎臟區(qū)域圖像獲得單元201用于移除一原始腎臟SPECT圖像中的腎外主要本底區(qū)，從而獲得腎臟區(qū)域圖像。具體來說，將采集的原始腎臟SPECT圖根據(jù)示蹤劑賦集程度隨時間變化可得腎皮質(zhì)的放射性活度吸收峰值，其中腎皮質(zhì)的放射性活度吸收峰值在藥物注射后3至4分鐘內(nèi)，而腎外主要本底(肝、胰和大血管等)吸收峰值在藥物注射后1分鐘內(nèi)。因此，采用圖像剪影法將3至4分鐘的合成圖像減去1至2分鐘的合成圖像，即可得到移除主要本底后的腎臟區(qū)域圖像。所述初步感興趣區(qū)提取單元202用于依據(jù)所述腎臟區(qū)域圖像提取初步感興趣區(qū)。具體地，所述初步感興趣區(qū)提取單元202用于利用強(qiáng)度對增強(qiáng)算法對所述腎臟區(qū)域圖像進(jìn)行對比度增強(qiáng)處理，并利用高斯濾波降低剪影圖像噪聲，再利用基于邊緣的閾值算法對所述腎臟區(qū)域圖像進(jìn)行初步檢測，從而提取初步感興趣區(qū)。具體地，利用強(qiáng)度對增強(qiáng)算法對移除主要本底后的腎臟區(qū)域圖像實行對比度增強(qiáng)處理，使得腎臟感興趣區(qū)域與腎外本底區(qū)域?qū)Ρ榷燃哟螅⒗酶咚篂V波降低剪影圖像噪聲，使圖像變得平滑，有利于初步感興趣區(qū)域的提取。然后依據(jù)基于邊緣的閾值算法對腎臟區(qū)域圖像初步檢測，得到初步感興趣區(qū)，接著由左至右掃描腎臟區(qū)域圖像，從而分別確定左腎區(qū)和右腎區(qū)的邊界點(diǎn)，對于確定的左腎區(qū)右邊界與右腎區(qū)的左邊界，取兩邊界的平均值作為左右腎的分界線，從而自動區(qū)分左右腎。所述疑似感興趣區(qū)提取單元203用于依據(jù)水平集C-V模型算法對所述初步感興趣區(qū)進(jìn)行初步分割，并提取疑似感興趣區(qū)。所述腎臟身體比參數(shù)計算單元204用于依據(jù)所述疑似感興趣區(qū)計算腎臟身體比參數(shù)。其中，腎臟身體比參數(shù)包括腎臟與身體面積比參數(shù)、腎臟與身體周長比參數(shù)。所述第一腎臟感興趣區(qū)獲得單元205用于依據(jù)預(yù)設(shè)的先驗?zāi)０寮s束的水平集C-V模型算法以及所述腎臟身體比參數(shù)對所述疑似感興趣區(qū)進(jìn)行再次分割，從而獲得第一腎臟感興趣區(qū)。具體地，所述預(yù)設(shè)的先驗?zāi)０寮s束的水平集C-V模型算法的具體計算公式為：F(φ)＝FC-V(c1,c2,φ)+αFprior(φ)α>0，其中，F(xiàn)C-V(c1,c2,φ)=μ∫Ωδ(φ(x,y))|▿φ(x,y)|dxdy+v∫ΩH(φ(x,y))dxdy+λ1∫Ω|u0(x,y)-c1|2H(φ(x,y))dxdy+λ2∫Ω|u0(x-y)-c2|2(1-H(φ(x,y)))dxdy,]]>H=12(1+2πarctan(φϵ)),δ(φ)=H′(φ)=1πϵϵ2+φ2,]]>α＝f(s,l)Fprior(φ)＝∫Ω(H(φ)-H(φ0))2dxdyFC-V為水平集C-V模型的能量項，Φ(x，y)為水平集函數(shù)，μ、v、λ1、λ2是各能量項的權(quán)重系數(shù)，α為能量約束項，F(xiàn)prior是先驗形狀能量項，s為腎臟與身體面積比參數(shù)，l為腎臟與身體周長比參數(shù)，Φ0表示先驗形狀的水平集函數(shù)。其中，預(yù)設(shè)的先驗?zāi)０蹇赏ㄟ^如下方式預(yù)設(shè)：首先，選取一定數(shù)量的腎功能良好的腎臟SPECT圖像為學(xué)習(xí)樣本，進(jìn)行移除一原始腎臟SPECT圖像中的腎外主要本底區(qū)，從而獲得腎臟區(qū)域圖像；依據(jù)所述腎臟區(qū)域圖像提取初步感興趣區(qū)。再利用水平集C-V模型算法對初步感興趣區(qū)進(jìn)行分割，得到疑似感興趣區(qū)的輪廓。然后對水平集C-V模型算法分割得到的腎臟感興趣區(qū)輪廓進(jìn)行修正，最后對修正后的輪廓使用小波融合算法得到先驗?zāi)０?。其中，基于小波分解的圖像融合流程主要包括小波分解、分層融合以及小波逆變換三個步驟，下面對小波分解、分層融合以及小波逆變換進(jìn)行分別說明。小波分解步驟：取修正過的源圖像使用Daubechies小波基對修正過的腎臟感興趣區(qū)進(jìn)行快速小波變換，設(shè)H(低通)和G(高通)為兩個一維鏡像濾波算子，其下標(biāo)r和c分別對應(yīng)于圖像的行和列，依據(jù)按照快速小波算法，在尺度j-1上有如下的分解公式:Cj=HcHrCj-1Dj1=GcHrCj-1Dj2=HcGrCj-1Dj3=GcGrCj-1]]>其中，Cj，Dj1，Dj2，Dj3分別對應(yīng)圖像Cj-1的低頻成分、垂直方向上的高頻成分、水平方向上的高頻成分、對角方向上的高頻成分。經(jīng)過上述分解，根據(jù)頻率源圖像被分解到不同的層中。分層融合步驟：對各分解層分別進(jìn)行融合處理，并采用基于像素的融合規(guī)則，低頻部分采用平均值算子，高頻部分采用最大值算子，得到融合后的多尺度圖像。小波逆變換步驟：對融合后所得的多尺度圖像進(jìn)行小波逆變換，得到的圖像即為融合后的圖像。小波逆變換公式如下：Cj-1=Hr*Hc*Cj+Hr*Gc*Dj1+Gr*Hc*Dj2+Gr*Gc*Dj3]]>其中，H*，G*分別為H，G的共軛轉(zhuǎn)置矩陣。在預(yù)設(shè)的先驗?zāi)０瀚@得過程中，左腎與右腎的模板獨(dú)立獲取后進(jìn)行融合操作，分別得到左腎和右腎的先驗?zāi)０?。接著，基于學(xué)習(xí)樣本通過閾值法可以獲取身體區(qū)域定位，并且計算腎臟與身體面積比以及腎臟與身體周長比等系列參數(shù)，并將腎臟與身體面積比以及腎臟與身體周長比等系列參數(shù)作為后續(xù)腎臟感興趣區(qū)的勾畫準(zhǔn)確性判斷的先驗信息。考慮在腎功能完全缺失時，很難僅依據(jù)上述的方式對SPECT圖像進(jìn)行準(zhǔn)確的感興趣區(qū)定位，而CT圖像可提供清晰的解剖結(jié)構(gòu)信息。因此在單側(cè)或雙側(cè)的腎功能極度低下導(dǎo)致的在SPECT圖像中難以區(qū)分腎臟區(qū)域和腎外區(qū)域的情況下，通過CT輔助獲得從SPECT圖像中獲得腎臟感興趣區(qū)域的精確度更高。所述全自動腎臟感興趣區(qū)提取裝置100還包括：第二腎臟感興趣區(qū)獲得單元206，用于將一腎臟CT圖像進(jìn)行冠狀面投影獲得CT冠狀面投影圖像，對所述CT冠狀面投影圖像進(jìn)行閾值分割或者水平集C-V模型方法分割獲得第二腎臟感興趣區(qū)。為了腎臟CT圖像與原始腎臟SPECT的圖像獲得為冠狀面圖像配準(zhǔn)，將人體腹部的腎臟CT圖像進(jìn)行冠狀面投影從而獲得CT冠狀面投影圖像。為了使得其他組織和器官(尤其是腎臟周圍的軟組織)對腎臟分割的影響最小，僅將從橫切面上將腎臟直徑最大的區(qū)域投影到水平面上，可減少不相關(guān)組織的干擾，使得腎臟區(qū)域與腎外區(qū)域的灰度值對比度增大。接著，在CT冠狀面投影圖像中，采用閾值分割或者水平集C-V模型方法分割就可獲得位于CT冠狀面投影圖像的第二腎臟感興趣區(qū)。所述第一腎臟感興趣區(qū)獲得單元205，還用于將第二腎臟感興趣區(qū)映射到原始腎臟SPECT圖像的腎臟區(qū)域所在位置，從而獲得所述第一腎臟感興趣區(qū)。具體地，所述第一腎臟感興趣區(qū)獲得單元205還用于采用滑窗的方式在所述原始腎臟SPECT圖像上遍歷與所述CT冠狀面投影圖像大小相同的子塊，并依據(jù)每個子塊的灰度分布計算每個子塊與所述CT冠狀面投影圖像的互信息，將所述第二腎臟感興趣區(qū)映射到與所述CT冠狀面投影圖像互信息最大的子塊在所述原始腎臟SPECT圖像中的位置，從而獲得第一腎臟感興趣區(qū)。為了得到原始腎臟SPECT圖像與CT冠狀面投影圖像在平面位置上的關(guān)系，使用圖像配準(zhǔn)方法將上述兩種模態(tài)圖像配準(zhǔn)。由于在兩種圖像中，腎臟區(qū)域的灰度值均大于其他區(qū)域的灰度值，依靠這一特點(diǎn)，采用最大互信息配準(zhǔn)法進(jìn)行配準(zhǔn)。進(jìn)一步來說，以原始腎臟SPECT圖像為基準(zhǔn)并以2個像素為步長，在原始腎臟SPECT圖像上采用滑窗的方式遍歷所有與CT冠狀面投影圖像大小相同的子塊，得到各自的灰度分布，計算該子塊與CT冠狀面投影圖像的互信息。當(dāng)遍歷結(jié)束后，比較所有互信息值的大小。由于互信息越大圖像的相似度越高，因此查找與CT冠狀面投影圖像互信息最大的子塊，得到該子塊在CT冠狀面投影圖像互信息中的位置(即第二腎臟感興趣區(qū))。得到CT冠狀面投影圖像與原始腎臟SPECT圖像的相互位置關(guān)系之后，將第二腎臟感興趣區(qū)映射到原始腎臟SPECT圖像的子塊上，從而得到原始腎臟SPECT圖像第一腎臟感興趣區(qū)。請參閱圖3，本發(fā)明實施例還提供了一種全自動腎臟感興趣區(qū)提取方法，需要說明的是，本實施例所提供的全自動腎臟感興趣區(qū)提取方法，其基本原理及產(chǎn)生的技術(shù)效果和上述實施例相同，為簡要描述，本實施例部分未提及之處，可參考上述實施例中的相應(yīng)內(nèi)容。所述全自動腎臟感興趣區(qū)提取方法包括：步驟S301：移除一原始腎臟SPECT圖像中的腎外主要本底區(qū)，從而獲得腎臟區(qū)域圖像。通過腎臟區(qū)域圖像獲得單元201移除一原始腎臟SPECT圖像中的腎外主要本底區(qū)，從而獲得腎臟區(qū)域圖像。步驟S302：依據(jù)所述腎臟區(qū)域圖像提取初步感興趣區(qū)。通過初步感興趣區(qū)提取單元202依據(jù)所述腎臟區(qū)域圖像提取初步感興趣區(qū)。具體地，步驟S302可利用強(qiáng)度對增強(qiáng)算法對所述腎臟區(qū)域圖像進(jìn)行對比度增強(qiáng)處理，并利用高斯濾波降低剪影圖像噪聲，再利用基于邊緣的閾值算法對所述腎臟區(qū)域圖像進(jìn)行初步檢測，從而提取初步感興趣區(qū)。步驟S303：依據(jù)水平集C-V模型算法對所述初步感興趣區(qū)進(jìn)行初步分割，并提取疑似感興趣區(qū)。通過疑似感興趣區(qū)提取單元203依據(jù)水平集C-V模型算法對所述初步感興趣區(qū)進(jìn)行初步分割，并提取疑似感興趣區(qū)。步驟S304：依據(jù)所述疑似感興趣區(qū)計算腎臟身體比參數(shù)。通過腎臟身體比參數(shù)計算單元204依據(jù)所述疑似感興趣區(qū)計算腎臟身體比參數(shù)。步驟S305：依據(jù)預(yù)設(shè)的先驗?zāi)０寮s束的水平集C-V模型算法以及所述腎臟身體比參數(shù)對所述疑似感興趣區(qū)進(jìn)行再次分割，從而獲得第一腎臟感興趣區(qū)。第一腎臟感興趣區(qū)獲得單元205依據(jù)預(yù)設(shè)的先驗?zāi)０寮s束的水平集C-V模型算法以及所述腎臟身體比參數(shù)對所述疑似感興趣區(qū)進(jìn)行再次分割，從而獲得第一腎臟感興趣區(qū)。具體地，所述腎臟身體比參數(shù)包括腎臟與身體面積比參數(shù)、腎臟與身體周長比參數(shù)，所述預(yù)設(shè)的先驗?zāi)０寮s束的水平集C-V模型算法的具體計算公式為：F(φ)＝FC-V(c1,c2,φ)+αFprior(φ)α>0，其中，F(xiàn)C-V(c1,c2,φ)=μ∫Ωδ(φ(x,y))|▿φ(x,y)|dxdy+v∫ΩH(φ(x,y))dxdy+λ1∫Ω|u0(x,y)-c1|2H(φ(x,y))dxdy+λ2∫Ω|u0(x-y)-c2|2(1-H(φ(x,y)))dxdy,]]>H=12(1+2πarctan(φϵ)),δ(φ)=H′(φ)=1πϵϵ2+φ2,]]>α＝f(s,l)Fprior(φ)＝∫Ω(H(φ)-H(φ0))2dxdyFC-V為水平集C-V模型的能量項，Ф(x，y)為水平集函數(shù)，μ、v、λ1、λ2是各能量項的權(quán)重系數(shù)，α為能量約束項，F(xiàn)prior是先驗形狀能量項，s為腎臟與身體面積比參數(shù)，l為腎臟與身體周長比參數(shù)，φ0表示先驗形狀的水平集函數(shù)。所述全自動腎臟感興趣區(qū)提取方法還包括：步驟S306：將一腎臟CT圖像進(jìn)行冠狀面投影獲得CT冠狀面投影圖像，對所述CT冠狀面投影圖像進(jìn)行閾值分割或者水平集C-V模型方法分割獲得第二腎臟感興趣區(qū)。通過第二腎臟感興趣區(qū)獲得單元206將一腎臟CT圖像進(jìn)行冠狀面投影獲得CT冠狀面投影圖像，對所述CT冠狀面投影圖像進(jìn)行閾值分割或者水平集C-V模型方法分割獲得第二腎臟感興趣區(qū)。步驟S307：將第二腎臟感興趣區(qū)映射到原始腎臟SPECT圖像的腎臟區(qū)域所在位置從而獲得所述第一腎臟感興趣區(qū)。通過第一腎臟感興趣區(qū)獲得單元205將第二腎臟感興趣區(qū)映射到原始腎臟SPECT圖像的腎臟區(qū)域所在位置從而獲得所述第一腎臟感興趣區(qū)。本實施例中，需要說明的是，步驟S301～步驟S305與步驟S306～步驟307之間沒有先后順序。具體地，采用滑窗的方式在所述原始腎臟SPECT圖像上遍歷與所述CT冠狀面投影圖像大小相同的子塊，并依據(jù)每個子塊的灰度分布計算每個子塊與所述CT冠狀面投影圖像的互信息，將所述第二腎臟感興趣區(qū)映射到與所述CT冠狀面投影圖像互信息最大的子塊在所述原始腎臟SPECT圖像中的位置，從而獲得第一腎臟感興趣區(qū)。最后還可通過獲得的第一腎臟感興趣區(qū)與Gate’s法計算腎小球濾過率，具體的方式可以為：醫(yī)生依據(jù)獲得的第一腎臟感興趣區(qū)，選擇對獲得的第一腎臟感興趣區(qū)進(jìn)行膨脹操作，膨脹范圍1～2個像素值。接著，根據(jù)Gate’s法要求取腎臟感興趣區(qū)兩側(cè)外邊緣，距離腎臟感興趣區(qū)約3～4個單位像素，尺寸大小為腎臟感興趣區(qū)的1/4的區(qū)域作為本底感興趣區(qū)。再根據(jù)GFR的計算公式，計算出腎小球濾過率(glomerularfiltrationrate，GFR)。GFR的計算公式如下：GFR=(CRk-CRbe-μDR+CLk-CLbe-μDLCpre-Cpost×100)×9.813-6.825]]>DR＝13.3×(W/H)+0.7DL＝13.2×(W/H)+0.7上式中，CRk為右腎感興趣區(qū)放射性計數(shù)，CRb為右腎本底感興趣區(qū)放射性計數(shù)，CLk為左腎感興趣區(qū)放射性計數(shù)，CLb為左腎本底感興趣區(qū)放射性計數(shù)，DR為右腎距離體表的深度，DL為左腎距離體表的深度，μ為校正系數(shù)，值的大小為-0.153。Cpre為注射器在注射前所含示蹤劑的放射性計數(shù)，Cpost為注射器在注射后殘留示蹤劑的放射性計數(shù)，W是體重，單位為kg，H是身高，單位為cm。本實施例中，依據(jù)上述方式獲得的第一腎臟感興趣區(qū)計算得到的腎小球濾過率準(zhǔn)確度和穩(wěn)定性均很高。綜上，本發(fā)明實施例提供的一種全自動腎臟感興趣區(qū)提取裝置與方法，通過依據(jù)水平集C-V模型算法對所述初步感興趣區(qū)進(jìn)行初步分割，并提取疑似感興趣區(qū)；再依據(jù)所述疑似感興趣區(qū)計算腎臟身體比參數(shù)；最后依據(jù)預(yù)設(shè)的先驗?zāi)０寮s束的水平集C-V模型算法以及所述腎臟身體比參數(shù)對所述疑似感興趣區(qū)進(jìn)行再次分割，從而獲得第一腎臟感興趣區(qū)。該全自動腎臟感興趣區(qū)提取裝置與方法可實現(xiàn)自動化得到最終的腎臟感興趣區(qū)(即第一腎臟感興趣區(qū))，無需依賴醫(yī)生手動勾畫或者依據(jù)檢測到的初步感興趣區(qū)對腎臟感興趣區(qū)再次進(jìn)行修改，獲取的腎臟感興趣區(qū)圖像沒有主觀差異，精確度與效率高。在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的裝置和方法，也可以通過其它的方式實現(xiàn)。以上所描述的裝置實施例僅僅是示意性的，例如，附圖中的流程圖和框圖顯示了根據(jù)本發(fā)明的多個實施例的裝置、方法和計算機(jī)程序產(chǎn)品的可能實現(xiàn)的體系架構(gòu)、功能和操作。在這點(diǎn)上，流程圖或框圖中的每個方框可以代表一個模塊、程序段或代碼的一部分，所述模塊、程序段或代碼的一部分包含一個或多個用于實現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應(yīng)當(dāng)注意，在有些作為替換的實現(xiàn)方式中，方框中所標(biāo)注的功能也可以以不同于附圖中所標(biāo)注的順序發(fā)生。例如，兩個連續(xù)的方框?qū)嶋H上可以基本并行地執(zhí)行，它們有時也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或動作的專用的基于硬件的系統(tǒng)來實現(xiàn)，或者可以用專用硬件與計算機(jī)指令的組合來實現(xiàn)。另外，在本發(fā)明各個實施例中的各功能模塊可以集成在一起形成一個獨(dú)立的部分，也可以是各個模塊單獨(dú)存在，也可以兩個或兩個以上模塊集成形成一個獨(dú)立的部分。所述功能如果以軟件功能模塊的形式實現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時，可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-OnlyMemory)、隨機(jī)存取存儲器(RAM，RandomAccessMemory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。應(yīng)注意到：相似的標(biāo)號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進(jìn)行進(jìn)一步定義和解釋。以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。當(dāng)前第1頁1 2 3