基于计算机视觉技术的神经外科医学影像分析方法技术

本发明专利技术公开了基于计算机视觉技术的神经外科医学影像分析方法，涉及医学影像病变区域自动定位技术领域，通过预先获得待手术患者的术前脑部神经影像，并对术前脑部神经影像中的病变区域进行标记，基于已标记病变区域的术前脑部神经影像，获得脑部神经影像的特征分布集合，在手术过程中，每次获得术中脑部神经影像时，对术中脑部神经影像中病变区域的位置进行配准；若配准失败，基于特征分布集合，从术中脑部神经影像匹配病变区域；实现在病变区域因手术变形或被手术工具遮挡的情况下，依然可以自动对病变区域进行定位的效果。动对病变区域进行定位的效果。动对病变区域进行定位的效果。

【技术实现步骤摘要】
基于计算机视觉技术的神经外科医学影像分析方法


[0001]本专利技术属于涉及病变区域自动定位技术，具体是基于计算机视觉技术的神经外科医学影像分析方法。

技术介绍

[0002]神经外科手术中，准确的病变区域定位对于手术的成功至关重要。然而，在某些情况下，手术过程中病变区域可能会发生变形或被手术工具遮挡，给病变区域的准确定位带来挑战。传统的医学影像分析方法往往依赖医生的经验和直觉来判断病变区域，这可能导致主观性和定位不准确的问题。因此，需要一种自动化的方法，能够对病变区域因被手术工具遮挡或因手术推挤导致变形的情况下，依然能够对术中的神经外科医学影像准确地进行病变区域定位。
[0003]目前的神经外科医学影像分析方法在处理病变区域变形或被手术工具遮挡的情况下存在一些不足之处：
[0004]依赖医生经验：传统方法依赖医生的主观判断来重新定位病变区域，容易受到主观因素的影响，缺乏客观性；
[0005]缺乏自动化定位：现有方法通常需要手动选择参考点或特征点进行图像配准，这在病变区域变形或被遮挡的情况下可能导致配准失败。
[0006]为此，本专利技术提出基于计算机视觉技术的神经外科医学影像分析方法。

技术实现思路

[0007]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出基于计算机视觉技术的神经外科医学影像分析方法，该方法实现在病变区域因手术变形或被手术工具遮挡的情况下，依然可以自动对病变区域进行定位的效果。
[0008]为实现上述目的，根据本专利技术的第一方面的实施例提出基于计算机视觉技术的神经外科医学影像分析方法，包括以下步骤：
[0009]步骤一：预先获得待手术患者的术前脑部神经影像，并对术前脑部神经影像中的病变区域进行标记；
[0010]步骤二：基于已标记病变区域的术前脑部神经影像，获得脑部神经影像的特征分布集合；
[0011]步骤三：在手术过程中，每次获得术中脑部神经影像时，对术中脑部神经影像中病变区域的位置进行配准；若配准失败，转至步骤四；若配准成功，则不做处理；
[0012]步骤四：基于特征分布集合，从术中脑部神经影像匹配病变区域；
[0013]其中，所述术前脑部神经影像为在对待手术病人进行神经外科手术前，使用医学影像设备获取的脑部神经影像；
[0014]对术前脑部神经影像中的病变区域进行标记的方式为手动标记和自动识别中的任意一种；
[0015]其中，手动标记的方式为由医务人员根据神经外科治疗经验，在术前脑部神经影像中圈定的矩形识别框，该矩形识别框所在位置即为脑部神经中的病变区域；
[0016]其中，自动识别的方式为使用目标识别算法对术前脑部神经影像中的病变区域使用矩形识别框进行标记；
[0017]获得脑部神经影像的特征分布集合的方式为：
[0018]获得术前脑部神经影像中标记的病变区域的长度和宽度，将术前脑部神经影像的长度和宽度分别标记为L和W；并将病变区域的长度和宽度分别标记为l和w；将术前脑部神经影像的长和宽分别划分为a份和b份，共划分为a*b个矩形区域；其中：
[0019]对术前脑部神经影像划分的方式为：将病变区域作为滑动窗口，分别以l为步长，沿着术前脑部神经影像的长边进行上下平移，以及以w为步长沿着术前脑部神经影像的宽边进行左右平移，不断获得新的长度为l，宽度为w的矩形区域；
[0020]获得脑部神经影像的特征分布集合的方式为：
[0021]将每个矩形区域按长边从上至下，以及宽边从左至右的顺序进行编号，将病变区域的区域编号标记为pq，其中，p为病变区域在长边的编号，q位病变区域在宽边的编号；
[0022]使用特征点提取算法提取病变区域和所有病变邻接区域的特征点集合；所述病变邻接区域是指病变区域周围的8个矩形区域，即区域编号分别为(p
‑
1)(q
‑
1)、(p
‑
1)q、(p
‑
1)(q+1)、p(q
‑
1)、p(q+1)、(p+1)(q
‑
1)、(p+1)q以及(p+1)(q+1)的矩形区域；
[0023]特征分布集合包括病变区域的特征点集合以及病变邻接区域的特征点集合；将特征分布集合中病变区域的特征点集合标记为目标特征点集合；
[0024]所述术中脑部神经影像的方式为由医生根据手术需要，拍摄的待手术病人的脑部神经影像；
[0025]对术中脑部神经影像中病变区域的位置进行配准的方式为：
[0026]对术中脑部神经影像使用目标识别算法对术中脑部神经影像中的病变区域使用矩形识别框进行识别，若在术中脑部神经影像中识别出病变区域，则判断为配准成功，可以理解的是，目标识别算法在识别成功时，已经在术中脑部神经影像中实现了矩形识别框的标记；若未在术中脑部神经影像中识别出病变区域，对术中脑部神经影像进行矩形识别框初标记，并判断为配准失败；
[0027]具体的，所述对术中脑部神经影像进行矩形识别框初标记的方式为：
[0028]将术中脑部神经影像按长度l和宽度w将长边和宽边分别均分为a份和b份，获得a*b块矩形区域，对每块矩形区域使用特征点提取算法提取出特征点集合，并统计每块矩形区域的特征点集合与目标特征点集合的目标点匹配的数量，并将其中目标点匹配数量的最大的矩形区域标记为矩形识别框；其中，目标点匹配是指两个目标点之间的欧式距离小于预设的距离阈值；
[0029]从术中脑部神经影像匹配病变区域包括以下步骤：
[0030]步骤X1：将特征分布集合中的病变邻接区域的特征点集合标记为目标病变邻接特征点集合；
[0031]步骤X2：预设匹配步长k和滑动次数阈值，且k<<b；以最新的术中脑部神经影像中矩形识别框的长度和宽度作为滑动窗口尺寸，以矩形识别框的位置为滑动的起始位置，以
匹配步长k为步长，在最新的术中脑部神经影像中沿着长边与宽边进行滑动，对每次滑动新生成的矩形区域使用特征点提取算法，获得对应的特征点集合，若该特征点集合与目标特征点集合的目标点匹配的数量大于匹配数量阈值，则将该矩形区域作为新的病变区域，使用矩形识别框进行标记，并停止匹配；若该特征点集合与目标特征点集合的目标点匹配的数量小于匹配数量阈值，则继续滑动，直至滑动次数大于滑动次数阈值停止，且在停止滑动时转正步骤X3；
[0032]步骤X3：以最新的术中脑部神经影像中矩形识别框的长度和宽度作为滑动窗口尺寸，以矩形识别框的位置为滑动的起始位置，以匹配步长k为步长，在最新的术中脑部神经影像中沿着长边与宽边进行滑动，获得新的矩形区域，对矩形区域的所有病变邻接区域使用特征点提取算法提取特征点集合，并统计每个病变邻接区域与每个目标病变邻接特征点集合的目标点匹配的数量，将目标点匹配的数量大于预设的匹配数量阈值的病变邻接区域标记为匹配邻接区域；若匹配邻接区域的数量大于预设的匹配邻接数量阈值，则将该矩形区域作为新的病变区域，使用矩形本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于计算机视觉技术的神经外科医学影像分析方法，其特征在于，包括以下步骤：步骤一：预先获得待手术患者的术前脑部神经影像，并对术前脑部神经影像中的病变区域进行标记；步骤二：基于已标记病变区域的术前脑部神经影像，获得脑部神经影像的特征分布集合；步骤三：在手术过程中，每次获得术中脑部神经影像时，对术中脑部神经影像中病变区域的位置进行配准；若配准失败，转至步骤四；步骤四：基于特征分布集合，从术中脑部神经影像匹配病变区域。2.根据权利要求1所述的基于计算机视觉技术的神经外科医学影像分析方法，其特征在于，所述术前脑部神经影像为在对待手术病人进行神经外科手术前，使用医学影像设备获取的脑部神经影像；对术前脑部神经影像中的病变区域进行标记的方式为手动标记和自动识别中的任意一种；手动标记的方式为由医务人员根据神经外科治疗经验，在术前脑部神经影像中圈定的矩形识别框，该矩形识别框所在位置即为脑部神经中的病变区域；其中，自动识别的方式为使用目标识别算法对术前脑部神经影像中的病变区域使用矩形识别框进行标记。3.根据权利要求2所述的基于计算机视觉技术的神经外科医学影像分析方法，其特征在于，获得脑部神经影像的特征分布集合的方式为：获得术前脑部神经影像中标记的病变区域的长度和宽度，将术前脑部神经影像的长度和宽度分别标记为L和W；并将病变区域的长度和宽度分别标记为l和w；将术前脑部神经影像的长和宽分别划分为a份和b份，共划分为a*b个矩形区域；其中：4.根据权利要求3所述的基于计算机视觉技术的神经外科医学影像分析方法，其特征在于，对术前脑部神经影像划分的方式为：将病变区域作为滑动窗口，分别以l为步长，沿着术前脑部神经影像的长边进行上下平移，以及以w为步长沿着术前脑部神经影像的宽边进行左右平移，不断获得新的长度为l，宽度为w的矩形区域。5.根据权利要求4所述的基于计算机视觉技术的神经外科医学影像分析方法，其特征在于，获得脑部神经影像的特征分布集合的方式为：将每个矩形区域按长边从上至下，以及宽边从左至右的顺序进行编号，将病变区域的区域编号标记为pq，其中，p为病变区域在长边的编号，q位病变区域在宽边的编号；使用特征点提取算法提取病变区域和所有病变邻接区域的特征点集合；所述病变邻接区域是指病变区域周围的8个矩形区域，即区域编号分别为(p
‑
1)(q
‑
1)、(p
‑
1)q、(p
‑
1)(q+1)、p(q
‑
1)、p(q+1)、(p+1)(q
‑
1)、(p+1)q以及(p+1)(q+1)的矩形区域；特征分布集合包括病变区域的特征点集合以及病变邻接区域的特征点...

【专利技术属性】
技术研发人员：王希，颜伟，郑瑜，董欣，孙毅，
申请(专利权)人：江苏省人民医院南京医科大学第一附属医院，
类型：发明
国别省市：