核团区域确定方法、装置、计算机设备和可读存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种核团区域确定方法、装置、计算机设备和可读存储介质。


背景技术：

2.对于帕金森病、肌张力障碍、抑郁、癫痫等神经性疾病患者，由于长期的药物治疗会使患者产生耐药性，停药后无法下地行走且伴随肢体移动，严重影响患者生活质量。因此在临床中，一般会采取脑深部电刺激术(deep brain stimulation，dbs)进行治疗，dbs是采用一种置于胸部皮肤下的小型起搏器样器械，通过极细导线向控制运动的脑部区域传送电信号，帮助控制患者的运动。相关研究表明，人类大脑的核团同帕金森病等相关神经性疾病有着紧密的关联，核团的病变可能导致多种运动与认知障碍。在采用dbs进行治疗时，通过导线向核团区域传输电信号，以控制患者的运动，因此，需要对脑部医学图像中的核团区域进行定位。
3.传统技术中，通常依赖医生的经验，在脑部医学图像中确定核团区域，这样会导致确定核团区域的精度较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种核团区域确定方法、装置、计算机设备和可读存储介质。
5.第一方面，本技术一个实施例提供一种核团区域确定方法，包括：
6.将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场；其中，脑图谱包含核团区域的概率图和脑部医学图像模板，形变场确定模型是根据脑图谱集合和脑部医学图像样本对深度学习网络进行训练得到的；
7.根据配准形变场对脑图谱进行形变处理，得到形变图谱；
8.根据形变图谱，确定所述脑部医学图像中的核团区域。
9.在其中一个实施例中，将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场之前，核团区域确定方法还包括：
10.获取待检查对象的原始脑部医学图像；
11.将原始脑部医学图像输入图像预处理模型，得到颅骨分离掩膜图像和偏置场图像；
12.根据颅骨分离掩膜图像和偏置场图像，确定脑部医学图像。
13.在其中一个实施例中，图像预处理模型包括编码器、第一解码器和第二解码器；将原始脑部医学图像输入图像预处理模型，得到颅骨分离掩膜图像和偏置场图像，包括：
14.将原始脑部医学图像输入所述编码器，得到l层特征，l为大于或等于零的整数；
15.将l层特征输入第一解码器，得到颅骨分离掩膜图像；
16.将l层特征输入第二解码器，得到偏置场图像。
17.在其中一个实施例中，将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场之前，核团区域确定方法还包括：
18.获取脑图谱集合；其中，脑图谱集合包括不同年龄段的检查对象对应的脑图谱；
19.根据待检查对象的年龄，在脑图谱集合中确定所述待检查对象对应的脑图谱。
20.在其中一个实施例中，获取脑图谱集合，包括：
21.获取多个脑部医学图像样本集合，其中，每个脑部医学图像样本集合包含同一年龄段的检查对象对应的多个脑部医学图像样本，每个脑部医学图像样本中包括带标记的核团区域；
22.对于每个脑部医学图像样本集合，根据脑部医学图像样本集合中的多个脑部医学图像样本，确定脑部医学图像样本集合对应的脑图谱；
23.将多个脑部医学图像样本集合对应的多个脑图谱作为脑图谱集合。
24.在其中一个实施例中，根据脑部医学图像样本集合中的多个脑部医学图像样本，确定脑部医学图像样本集合对应的脑图谱，包括：
25.基于仿射变换方法，将脑部医学图像样本集合中的每个脑部医学图像样本均配准到标准空间；
26.根据每个脑部医学图像样本中核团区域在标准空间中的分布，确定核团区域的概率图；
27.根据获取的脑部医学图像模板和核团区域的概率图，确定脑部医学图像样本集合对应的脑图谱，得到脑图谱集合。
28.在其中一个实施例中，核团区域确定方法还包括：
29.采用区域生长方法或边界修正方法对核团区域进行校正。
30.第二方面，本技术一个实施例提供一种核团区域确定装置，包括：
31.配准形变场确定模块，用于将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场；其中，脑图谱包含核团区域的概率图和脑部医学图像模板，形变场确定模型是根据脑图谱和脑部医学图像样本对深度学习网络进行训练得到的；
32.形变图谱确定模块，用于根据配准形变场对脑图谱进行形变处理，得到形变图谱；
33.核团区域确定模块，用于根据形变图谱，确定脑部医学图像中的核团区域。
34.第三方面，本技术一个实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述实施例提供的方法的步骤。
35.第四方面，本技术一个实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例提供的方法的步骤。
36.本技术实施例提供一种核团区域确定方法、装置、计算机设备和可读存储介质，该方法通过将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场；根据配准形变场对脑图谱进行形变处理，得到形变图谱，并根据形变图谱，确定脑部医学图像中的核团区域。本技术实施例提供的核团区域确定方法通过预先训练好的形变场确定模型确定的配准形变场对脑图谱进行形变处理，得到形变图谱，使得根据形变图谱确定脑部医学图像中的核团区域。这样确定的核团区域无需依赖医生的经验，能够避免医生的主观判断造成的影响，从而可以提高核团区域确定的准确性。
附图说明
37.为了更清楚地说明本技术实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域不同技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1为本技术一个实施例提供的核团区域确定方法的步骤流程示意图；
39.图2为本技术一个实施例提供的形变场确定模型训练过程的示意图；
40.图3为本技术一个实施例提供的另一种核团区域确定方法的步骤流程示意图；
41.图4为本技术一个实施例提供的另一种核团区域确定方法的步骤流程示意图；
42.图5为本技术一个实施例提供的另一种核团区域确定方法的步骤流程示意图；
43.图6为本技术一个实施例提供的图像预处理模型训练过程的示意图；
44.图7为本技术一个实施例提供的另一种核团区域确定方法的步骤流程示意图；
45.图8为本技术一个实施例提供的另一种核团区域确定方法的步骤流程示意图；
46.图9为本技术一个实施例提供的另一种核团区域确定方法的步骤流程示意图；
47.图10为本技术一个实施例提供的另一种核团区域确定和应用的步骤流程示意图；
48.图11为本技术一个实施例提供的核团区域确定装置的结构示意图；
49.图12为本技术一个实施例提供的计算机设备的结构示意图。
具体实施方式
50.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本技术。但是本技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似改进，因此本技术不受下面公开的具体实施例的限制。
51.本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。
52.本技术提供的核团区域确定方法可以通过计算机设备实现。计算机设备包括但不限于控制芯片、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。本技术提供的方法可以通过java软件实现，也可以应用于其他软件。
53.下面以具体的实施例对本技术的技术方案以及本技术的技术方案如何解决技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
54.图1为本技术一个实施例提供一种核团区域确定方法。本技术实施例以计算机设备为执行主体对核团区域确定方法进行具体描述，该方法的步骤包括：
55.步骤100、将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场；其中，脑图谱包含核团区域的概率图和脑部医学图像模板，形变场确定模型是根据脑图谱集合和脑部医学图像样本对深度学习网络进行训练得到的。
56.为了执行核团区域确定方法，计算机设备需要获取待检查对象的脑部医学图像。脑部医学图像中包括需要进行定位的核团对应的成像区域，即核团区域。待检查对象对应的脑部医学图像可以预先存储在计算机设备的存储器中，计算机设备在需要时直接从存储
器中获取即可。本实施例对获取脑部医学图像的具体方法不作限制，只要能够实现其功能即可。在一个可选的实施例中，脑部医学图像可以是磁共振医学图像，具体的可以是磁共振t1图像和/或磁共振t2图像，本实施例对脑部医学图像的种类和数量不作限制，只要能够实现其功能即可。
57.脑图谱可以预先存储在计算机设备的存储器中，并且脑图谱的种类可以有多种。不同的检查对象对应不同的脑图谱，脑图谱中包括核团区域的概率图和脑部医学图像模板。在本实施例中的脑图谱是指待检查对象对应的脑图谱。脑部医学图像模板是指与核团区域的概率图对应的脑部医学图像，一个核团区域的概率图对应一个脑部医学图像模板。核团区域的概率图中携带有对应的脑部医学图像模板中各区域被确定为核团区域的概率值相关的信息，根据核团区域的概率图可以确定脑部医学图像中核团区域的位置。
58.计算机设备在得到脑部医学图像后，从存储器中获取待检查对象对应的脑图谱，将待检查对象的脑部医学图像和脑图谱均输入预先训练好的形变场确定模型中，可以得到配准形变场。配准形变场用于对脑图谱与脑部医学图像进行配准。形变场确定模型是计算机设备根据脑图谱集合和脑部医学图像样本对深度学习神经网络进行训练得到的。脑图谱集合中包括多个脑图谱，脑部医学图像样本可以是预先获取的检查对象的脑部医学图像。本实施例对形变场确定模型的具体过程不作限制，只要能够实现其功能即可。
59.请参见图2，在一个可选的实施例中，形变场确定模型的训练过程为：将脑部医学图像样本以及脑图谱集合中与脑部医学图像样本对应的脑图谱输入深度学习网络，得到训练的配准形变场；根据训练的配准形变场对脑图谱进行形变处理，并将形变处理后的脑图谱与脑部医学图像样本进行对比，根据对比结果调整深度学习网络的参数；获取新的脑部医学图像样本，返回执行将脑部医学图像样本以及脑图谱集合中与脑部医学图像样本对应的脑图谱输入深度学习网络，得到训练的配准形变场的步骤，直至形变处理后的脑图谱与脑部医学图像样本的对比结果满足预设条件(脑图谱与脑部医学图像样本之间的相似程度大于某一预设阈值或脑图谱与脑部医学图像样本之间的差异程度小于另一预设阈值)后，可以得到训练好的深度学习网络，即形变场确定模型。
60.步骤110、根据配准形变场对脑图谱进行形变处理，得到形变图谱。
61.步骤120、根据形变图谱，确定脑部医学图像中的核团区域。
62.计算机设备在得到配准形变场后，根据配准形变场对待检查对象对应的脑图谱进行形变处理，可以得到形变图谱。在脑图谱中包括核团区域的概率图和脑部医学图像模板，则形变图谱中包括形变后的核团区域的概率图和形变后的脑部医学图像模板，将形变后的脑部医学图像模板映射至脑部医学图像上，则可以根据形变后的脑部医学图像模板对应的形变后的核团区域的概率图，确定脑部医学图像中的核团区域。本实施例对对脑图谱进行形变处理的具体过程，以及确定核团区域的具体方法不作限制，只要能够实现其功能即可。在脑部医学图像中包含多种类型的核团，例如：丘脑底核和内侧苍白球等。本实施例中对最终确定的核团区域的种类以及数量不作限制，用户可以根据实际需要自行选择。
63.本技术实施例提供的核团区域确定方法通过将待检查对象的脑部医学图像和与待检查对象匹配的脑图谱输入形变场确定模型，得到配准形变场；根据配准形变场对脑图谱进行形变处理，得到形变图谱，并根据形变图谱，确定脑部医学图像中的核团区域。本技术实施例提供的核团区域确定方法通过预先训练好的形变场确定模型确定的配准形变场
对脑图谱进行形变处理，得到形变图谱，使得可以根据形变图谱确定脑部医学图像中的核团区域。这样确定的核团区域无需依赖医生的经验，能够避免医生的主观判断造成的影响，从而可以提高核团区域确定的准确性。
64.请参见图3，在一个实施例中，提出一种将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场之前，获取待检查对象的脑部医学图像的可能的实现方法，步骤包括：
65.步骤300、获取待检查对象的原始脑部医学图像。
66.原始脑部医学图像是指直接对待检查对象进行扫描后得到的图像。原始脑部医学图像可以预先存储在计算机设备的存储器中，计算机设备在获取待检查对象的脑部医学图像时，直接在存储器中获取原始脑部医学图像。
67.步骤310、对原始脑部医学图像进行颅骨分离处理和偏置场去除处理，得到脑部医学图像。
68.计算机设备在得到原始脑部医学图像后，对其进行处理以得到最终需要的脑部医学图像。具体的，计算机设备对原始脑部医学图像进行颅骨分离处理，可以将原始脑部医学图像中的头皮成像区域以及颅骨成像区域去除，避免颅骨和头皮等结构对后续确定核团区域的过程产生干扰，从而能够提高对脑部医学图像中的核团区域确定的准确性。偏置场是由于扫描仪本身以及在扫描过程中的偏差等因素产生的不均匀场，导致原始脑部医学图像即便在相同组织间也可能存在较大的亮度差异。计算机设备对原始脑部医学图像进行偏置场去除处理，可以保证得到的脑部医学图像中同一组织亮度一致，从而能够提高对脑部医学图像中的核团区域确定的准确性。本实施例对对脑部医学图像进行颅骨分离处理和偏置场去除处理的具体方法不作限制，只要能够实现其功能即可。
69.请参见图4，在一个实施例中，提出一种对原始脑部医学图像进行颅骨分离处理和偏置场去除处理，得到脑部医学图像的可能的实现方法，步骤包括：
70.步骤400、将原始脑部医学图像输入图像预处理模型，得到颅骨分离掩膜图像和偏置场图像；其中，图像预处理模型是根据原始脑部医学图像样本对深度学习网络进行训练得到的。
71.计算机设备在得到脑部医学图像后，将其输入预先训练好的图像预处理模型，通过图像预处理模型得到原始脑部医学图像对应的颅骨分离掩膜图像和偏置场图像。图像预处理模型是计算机设备根据原始脑部医学图像样本对深度学习网络进行训练得到的。原始脑部医学图像样本可以与原始脑部医学图像相同，对原始脑部医学图像样本的描述可以参考上述对原始脑部医学图像的具体描述，在此不再赘述。本实施例对图像预处理模型的具体训练方法不作限制，只要能够实现其功能即可。
72.步骤410、根据颅骨分离掩膜图像和偏置场图像，确定脑部医学图像。
73.计算机设备在根据图像预处理模型得到颅骨分离掩膜图像和偏置场图像后，计算机设备可以先根据颅骨分离掩膜图像将原始脑部医学图像中的颅骨和头皮成像区域分离出来，然后再根据偏置场图像将颅骨分离后的脑部医学图像中的偏置场去除，得到最终的脑部医学图像；计算机设备还可以先根据偏置场图像将原始脑部医学图像中的偏置场去除，再根据颅骨分离掩膜图像将去除偏置场后的脑部医学图像中的颅骨分离出来，得到最终的脑部医学图像。本实施例对具体的根据颅骨分离掩膜图像和偏置场图像，确定脑部医
学图像的方法不作限制，只要能够实现其功能即可。
74.具体的，计算机设备可以根据预设的逻辑运算和算术运算将原始脑部医学图像中的颅骨分离出来，并将偏置场去除，得到脑部医学图像。
75.在一个可选的实施例中，计算机设备对深度学习网络进行有监督的训练，也就是说，计算机设备中存储有标准的颅骨分离掩膜图像，即第一金标准图像，以及标准的偏置场图像，即第二金标准图像。计算机设备将原始脑部医学图像样本输入深度学习网络，得到初始预处理后的颅骨分离掩膜图像和偏置场图像，将初始预处理后的颅骨分离掩膜图像与第一金标准图像进行对比，将初始预处理后的偏置场图像与第二金标准图像进行对比，根据对比结果调整深度学习网络中的参数；获取新的原始脑部医学图像样本，返回执行将原始脑部医学图像样本输入深度学习网络，得到初始预处理后的颅骨分离掩膜图像和偏置场图像的步骤，直至预处理后的颅骨分离掩膜图像与第一金标准图像的对比结果，以及预处理后的偏置场图像与第二金标准图像的对比结果均满足预设条件(相似程度大于某一预设阈值或差异程度小于另一预设阈值)后，可以得到训练好的深度学习网络，即图像预处理模型。
76.在本实施例中，直接使用预先训练好图像预处理模型对原始脑部医学图像进行处理，得到颅骨分离掩膜图像和偏置场图像。这样可以提高确定脑部医学图像的效率，从而能够提高确定核团区域的效率。
77.请参见图5，在一个实施例中，图像预处理模型包括编码器、第一解码器和第二解码器；编码器包括两个输出端，一个输出端与第一解码器连接，另一个输出端与第二解码器连接。将原始脑部医学图像输入图像预处理模型，得到颅骨分离掩膜图像和偏置场图像的一种可能的实现方式的步骤包括：
78.步骤500、将原始脑部医学图像输入编码器，得到l层特征，l层特征用于表征l个分辨率下原始脑部医学图像的特征，l为大于或等于零的整数；
79.计算机设备将原始脑部医学图像输入图像预处理模型中的编码器后，经过编码器可以提取出l个分辨率下的原始脑部医学图像的l层特征，一个分辨率对应一层特征，l为大于或等于零的整数。在一个可选的实施例中，当l为零时，编码器提取出的为全分辨率下的原始脑部医学图像的特征，l的值越大，编码器提取出的l层特征对应的分辨率越小。分辨率的数量可以是用户自行设置的，本实施例对此不作限制。
80.步骤510、将l层特征输入第一解码器，得到颅骨分离掩膜图像。
81.计算机设备在得到l层特征后，将其输入第一解码器中，通过第一解码器对l层特征进行处理，可以得到颅骨分离掩膜图像。
82.在一个可选的实施例中，第一解码器采用跳跃连接来保留更多的信息，并且第一解码器对应的损失函数采用dice损失函数。
83.步骤520、将l层特征输入第二解码器，得到偏置场图像。
84.计算机设备在得到l层特征后，将其输入第二解码器中，通过第二解码器对l层特征进行处理，可以得到偏置场图像。
85.在一个可选的实施例中，第二解码器通过对l层特征中的每一层特征进行处理，可以预测出多个偏置场。其中，特征的分辨率越大，对该特征进行预测得到的偏置场图像更加精细。第二解码器也采用跳跃连接来保留更多的信息。
86.在一个可选的实施例中，根据原始脑部医学图像样本对图像预处理模型进行训练。具体的图像预处理模型的训练过程如图6所示，假设原始脑部医学图像样本经过编码器后，得到3层特征，即l＝3，将这3层特征分别称为l0层特征、l1层特征和l2层特征。其中，当l0＝0时，l0层特征表示全分辨率下原始脑部医学图像样本的特征，当l1＝1时，l1层特征是表示第一分辨率下原始脑部医学图像样本的特征，当l2＝2时，l2层特征表示第二分辨率下原始脑部医学图像的特征。其中，全分辨率、第一分辨率和第二分辨率的分辨率依次减小。通过第一解码器可以对l0层特征、l1层特征和l2层特征进行处理，得到预测颅骨分离掩膜图像，将该图像与第一金标准图像进行对比，调整图像预处理模型的参数，直至该图像与第一金标准图像之间的对比结果满足预设条件。通过第二解码器可以对l0层特征、l1层特征和l2层特征进行处理，得到预测偏置场图像，将该图像与第二金标准图像进行对比，调整图像预处理模型的参数，直至该图像与第二金标准图像之间的对比结果满足预设条件。具体的，第二解码器对l0层特征处理得到的预测偏置场图像更加精细和准确。
87.第二解码器采用的损失函数包括直方图损失、正则项损失和均方误差损失。
88.直方图损失函数用于计算去除第二解码器得到的预测偏置场图像后的脑部医学图像与第三金标准图像之间体素灰度值直方图的差异，第三金标准图像是指去除标准的偏置场图像后的脑部医学图像。直方图损失函数的计算公式为：l
hc
＝(1-d(hg,h
p
))，其中，l
hc
表示直方图损失函数，d(hg，hp)用公式计算，其中，hg代表第二金标准图像体素灰度值直方图分布，hp代表去除预测偏置场图像后的脑部医学图像的体素灰度值直方图分布。hg(m)表示第二金标准图像体素灰度值落在灰度级m内的体素个数，表示第二金标准图像中各个体素均匀落到直方图每个小区间内情况下的平均体素个数，hp(m)表示去除预测偏置场图像后的脑部医学图像的体素灰度值落在灰度级m内的体素个数，表示去除预测偏置场图像后的脑部医学图像中各个体素均匀落在直方图每个小区间内情况下的平均体素个数。
89.正则项损失函数主要用于保证偏置场的连续平滑性，具体计算公式为：其中，表示偏置场，表示偏置场的正则项损失函数，p表示偏置场体素，表示预测偏置场的梯度。根据上述公式计算的偏置场的梯度可以控制偏置场的平滑程度。
90.均方误差损失函数的计算公式为其中，mse(i1,i2)表示i1和i2之间的均方误差损失函数，即第二金标准图像i1与经过第二解码器输出的偏置场图像i2之间的均方误差函数，ig(x,y)表示第二金标准图像在(x,y)处的像素值，im(x,y)表示通过第二解码器输出的偏置场图像在(x,y)处的像素值，n表示偏置场图像的像素数量。
91.在本实施例中，由于图像预处理模型需要进行颅骨分离和偏置场去除两项任务，因此采用双分支结构，即采用第一解码器和第二解码器。由于第一解码器和第二解码器在处理l层特征时采用的部分参数可以实现共享，这样就可以减少参数，降低计算量，还可以提供互补信息，使得最终得到的脑部医学图像更加准确。
92.请参见图7，在一个实施例中，提出将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场之前，核团区域确定方法的步骤包括：
93.步骤700、获取脑图谱集合；其中，脑图谱集合包括不同年龄段的检查对象对应的脑图谱。
94.步骤710、根据待检查对象的年龄，在脑图谱集合中确定待检查对象对应的脑图谱。
95.脑图谱集合中包括不同年龄段的检查对象对应的脑图谱。计算机设备通过获取待检查对象的年龄，判断其年龄所处的年龄段，并将该年龄段的检查对象对应的脑图谱确定为待检查对象对应的脑图谱。
96.在本实施例中，通过待检查对象的年龄在脑图谱集合中确定待检查对象对应的脑图谱，这样可以避免由于不同年龄段的检查对象的脑部结构不同导致最终确定的核团区域不准确的问题，也就是说，这样可以提高最终确定核团区域的准确性。
97.请参见图8，在一个实施例中，提出一种获取脑图谱集合可能的实现方式，步骤包括：
98.步骤800、获取多个脑部医学图像样本集合，其中，每个脑部医学图像样本集合包含同一个年龄段的检查对象对应的多个脑部医学图像样本，每个脑部医学图像样本中包括带标记的核团区域。
99.计算机设备根据每一个年龄段的检查对象对应的多个脑部医学图像样本，可以得到多个脑部医学图像样本集合。一个脑部医学图像样本集合中包括同一个年龄段的检查对象对应的多个脑部医学图像样本，每一个脑部医学图像样本中包括已经标记好的核团区域，也就是说，脑部医学图像样本中的核团区域的位置是已知的。一个检查对应可以对应一个脑部医学图像样本，也可以对应多个脑部医学图像样本，同一个年龄段的检查对象可以有多个。计算机设备最终可以获取不同年龄段的检查对象对应的多个脑部医学图像样本集合。脑部医学图像样本可以存储在计算机设备的存储器中，计算机设备在需要时直接从存储器中获取即可。对于脑部医学图像样本的描述可以参考上述脑部医学图像的具体描述，在此不再赘述。
100.步骤810、对于每个脑部医学图像样本集合，根据脑部医学图像样本集合中的多个脑部医学图像样本，确定脑部医学图像样本集合对应的脑图谱；
101.步骤820、将多个脑部医学图像样本集合对应的多个脑图谱作为脑图谱集合。
102.计算机设备在得到多个脑部医学图像样本集合后，对于每一个脑部医学图像样本集合，可以根据该脑部医学图像样本集合中的多个脑部医学图像样本确定该脑部医学图像样本集合对应的脑图谱，最终得到每一个脑部医学图像样本集合对应脑图谱，即脑图谱集合。本实施例对确定每个脑部医学图像样本集合对应的脑图谱的具体方法不作限制，只要能够实现其功能即可。
103.在一个实施例中，提出根据脑部医学图像样本集合中的多个脑部医学图像样本，
确定脑部医学图像样本集合对应的脑图谱的一种可能的实现方式，如图9所示步骤包括：
104.步骤900、基于仿射变换方法，将脑部医学图像样本集合中的每个脑部医学图像样本均配准到标准空间。
105.计算机设备在得到多个脑部医学图像样本集合后，根据仿射变换方法，将每个脑部医学图像样本集合中的多个脑部医学图像样本都配准到标准空间，例如蒙特利尔神经研究所(montreal neurological institute,mni)空间。也就是说，将多个脑部医学图像样本的像素值映射至标准空间内。本实施例对具体的配准方法不作限制，只要能够实现其功能即可。
106.步骤910、根据每个脑部医学图像样本中核团区域在标准空间中的分布，确定核团区域的概率图。
107.计算机设备在将每个脑部医学图像样本集合中的多个脑部医学图像样本均配准到标准空间内后，通过计算每个脑部医学图像样本中核团区域在标准空间中的分布数量，可以确定每个脑部医学图像样本集合对应的核团区域的概率图，即每个年龄段的检查对象对应的核团区域的概率图。
108.步骤920、根据获取的脑部医学图像模板和核团区域的概率图，确定脑部医学图像样本集合对应的脑图谱。
109.计算机设备根据脑部医学图像模板和获取的每个脑部医学图像样本集合对应的核团区域的概率图，可以确定该脑部医学图像样本集合对应的脑图谱，即该脑部医学图像样本集合对应的年龄段下检查对象的脑图谱。
110.在本实施例中，针对不同的年龄段的检查对象确定不同年龄段的脑图谱，便于后续针对不同年龄段的检查对象的脑部医学图像样本确定更加准确的核团区域。
111.在一个实施例中，核团区域确定方法的步骤还包括：
112.采用区域生长方法或边界修正方法对核团区域进行校正。
113.计算机设备可以采用区域生长方法和边界修正方法中的任意一种方法实现对初核团区域的校正。其中，区域生长校正方法是通过响应用户的点击操作，对核团区域中偏差区域进行快速的填充和去除操作。其中，核团区域中的偏差区域是指与准确的核团区域明显存在差异的区域。边界修正方法是将核团区域的轮廓以边界点形式表示，响应于用户的拖拽边界点的操作对核团区域的轮廓进行校正，以得到校正后的更加准确的核团区域。在进行边界修正方法时，拖拽点附近的边界点可以自适应的进行调整，不需要用户对核团区域的所有边界点进行检查，这样不仅可以减轻用户的工作量，还可以提高确定校正的效率。
114.在一个可选的实施例中，在确定核团区域后，计算机设备还可以根据核团区域对电极植入路径进行规划。具体的，将核团区域的中心位置作为初始靶点位置，以脑部医学图像中的皮肤区域的体素点作为电极植入时的入针点集合，根据脑部医学图像中的血管区域和脑组织区域，计算各个入针点到初始靶点形成的植入路径到脑组织以及血管区域的安全距离，通过综合考虑最大化安全距离，最小化植入路径长度，最大化电极触点所能覆盖核团区域确定最优的植入路径。
115.在另一个可选的实施中，可以根据实际应用对初始靶点和植入路径进行调整。具体的，可以将初始靶点向内部延伸5mm，以入针点为顶点，将与此时植入路径夹角3
°
以内的圆锥范围内空间作为植入路径的调整空间，计算在该调整空间内的最小安全距离，并对该
最小安全距离进行标识，以起提示作用。用户对规划的植入路径进行判断，若对判断结果不满意，则可以重新调整初始靶点和入针点位置，然后重新设置新的最小安全距离标识。
116.在一个可选的实施例中，在实际应用中，在手术前获取检查对象的计算机断层扫描(computed tomography，ct)图像，并将该ct图像与确定核团区域的脑部医学图像进行配准，然后通过像素的加权平均法改变图像的像素，以实现ct图像和脑部医学图像的融合，为后续的手术进行导航。
117.在一个实施例中，提供一种核团区域确定和应用的整体流程如图10所示，步骤包括：
118.步骤101、获取待检查对象的原始脑部医学图像，具体为在术前对待检查对象的头部进行磁共振扫描，扫描t1序列和/或t2序列，得到待检查对象的磁共振图像，将其称为原始脑部医学图像；
119.步骤102、对原始脑部医学图像进行预处理，具体为将原始脑部医学图像输入图像预处理模型，得到颅骨分离掩膜图像和偏置场图像，并根据颅骨分离掩膜图像和偏置场图像，确定脑部医学图像；
120.步骤103、选择待检查对象对应的脑图谱，具体为根据待检查对象的年龄，在脑图谱集合中确定待检查对象对应的脑图谱；
121.步骤104、基于深度学习的配准方法，根据待检查对象的脑部医学图像和脑图谱，确定脑部医学图像中的核团区域，具体为将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场，根据配准形变场对脑图谱进行形变处理，得到形变图谱，并根据形变图谱确定脑部医学图像中的核团区域；
122.步骤105、采用区域生长方法或边界修正方法对核团区域进行校正；
123.步骤106、根据核团区域对电极植入路径进行规划；
124.步骤107、获取待检查对象带标记点的三维脑部医学图像，具体为在术晨对待检查对象进行计算机断层扫描或磁共振扫描，得到带骨性标记点的计算机断层扫描图像或磁共振图像，将其作为带标记点的三维脑部医学图像；
125.步骤108、将带标记点的三维脑部医学图像与确定了核团区域的脑部医学图像进行图像融合，具体为将两者进行配准，然后通过像素的加权平均法改变图像的像素，以实现图像融合，进而确定手术路径，为后续手术进行导航；
126.步骤109、将所确定的手术路径作为手术计划进行保存。
127.应该理解的是，虽然图中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
128.请参见图11，本技术一个实施例提供一种核团区域确定装置10，该装置包括配准形变场确定模块11、形变图谱确定模块12和核团区域确定模块13。其中，
129.配准形变场确定模块11用于将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场；其中，脑图谱包含核团区域的概率图和脑部医学图像模板，形
变场确定模型是根据脑图谱和脑部医学图像样本对深度学习网络进行训练得到的；
130.形变图谱确定模块12用于根据配准形变场对脑图谱进行形变处理，得到形变图谱；
131.核团区域确定模块13用于根据形变图谱，确定脑图谱医学图像中的核团区域。
132.在一个实施例中，核团区域确定装置10还包括第一获取单元和处理单元，第一获取单元用于获取待检查对象的原始脑部医学图像；处理单元用于对原始脑部医学图像进行颅骨分离处理和偏置场去除处理，得到脑部医学图像。
133.在一个实施例中，处理单元具体用于将原始脑部医学图像输入图像预处理模型，得到颅骨分离掩模图像和偏置场图像；其中，图像预处理模型是根据原始脑部医学图像样本对深度学习网络进行训练得到的；根据颅骨分离掩模图像和偏置场图像，确定脑部医学图像。
134.在一个实施例中，处理单元具体还用于将原始脑部医学图像输入编码器，得到l层特征，l层特征用于表征l个分辨率下原始脑部医学图像的特征，l为大于或等于零的整数；将l层特征输入第一解码器，得到颅骨分离掩膜图像；将l层特征输入第二解码器，得到偏置场图像。
135.在一个实施例中，核团区域确定装置10还包括第二获取单元，第二获取单元用于获取脑图谱集合；其中，脑图谱集合包括不同年龄段的检查对象对应的脑图谱；根据待检查对象的年龄，在脑图谱集合中确定待检查对象对应的脑图谱。
136.在一个实施例中，核团区域确定装置10还包括确定单元，确定单元用于获取多个脑部医学图像样本集合；其中，每个脑部医学图像样本集合包含同一个年龄段的检查对象对应的多个脑部医学图像样本，每个脑部医学图像样本中包括带标记的核团区域；对于每个脑部医学图像样本集合，根据脑部医学图像样本集合中的多个脑部医学图像样本，确定脑部医学图像样本集合对应的脑图谱；将多个脑部医学图像样本集合对应的多个脑图谱作为脑图谱集合。
137.在一个实施例中，确定单元具体用于基于仿射变换方法，将脑部医学图像样本集合中的每个脑部医学图像样本均配准到标准空间；根据每个脑部医学图像样本中核团区域在标准空间中的分布，确定核团区域的概率图；根据获取的脑部医学图像模板和核团区域的概率图，确定脑部医学图像样本集合对应的脑图谱，得到脑图谱集合。
138.在一个实施例中，核团区域确定装置10还包括校正单元，校正单元用于采用区域生长方法或边界修正方法对核团区域进行校正。
139.关于上述核团区域确定装置10的具体限定可以参见上文中对于核团区域确定方法的限定，在此不在赘述。核团区域确定装置10中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置、各模块或者各单元可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个装置或模块对应的操作。
140.请参见图12，在一个实施例中，提供了一种计算机设备，计算机设备可以是服务器，其内部结构图可以如图12所示。计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，计算机设备的处理器用于提供计算和控制能力。计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序
和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。计算机设备的数据库用于存储脑图谱集合、形变场确定模型等。计算机设备的网络接口用于与外部的终端通过网络连接通信。计算机设备被处理器执行时以实现一种核团区域确定方法。
141.本领域技术人员可以理解，图12中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
142.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现以下步骤：
143.将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场；其中，脑图谱包含核团区域的概率图和脑部医学图像模板，形变场确定模型是根据脑图谱集合和脑部医学图像样本对深度学习网络进行训练得到的；
144.根据配准形变场对脑图谱进行形变处理，得到形变图谱；
145.根据形变图谱，确定脑部医学图像中的核团区域。
146.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待检查对象的原始脑部医学图像；对原始脑部医学图像进行颅骨分离处理和偏置场去除处理，得到脑部医学图像。
147.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将原始脑部医学图像输入图像预处理模型，得到颅骨分离掩模图像和偏置场图像；图像预处理模型是根据原始脑部医学图像样本对深度学习网络进行训练得到的；根据颅骨分离掩模图像和偏置场图像，确定脑部医学图像。
148.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将原始脑部医学图像输入编码器，得到l层特征，l层特征用于表征l个分辨率下原始脑部医学图像的特征，l为大于或等于零的整数；将l层特征输入第一解码器，得到颅骨分离掩膜图像；将l层特征输入第二解码器，得到偏置场图像。
149.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取脑图谱集合；其中，脑图谱集合包括不同年龄段的检查对象对应的脑图谱；根据待检查对象的年龄，在脑图谱集合中确定待检查对象对应的脑图谱。
150.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取多个脑部医学图像样本集合，其中，每个脑部医学图像样本集合包含同一个年龄段的检查对象对应的多个脑部医学图像样本，每个脑部医学图像样本中包括带标记的核团区域；对于每个脑部医学图像样本集合，根据脑部医学图像样本集合中的多个脑部医学图像样本，确定脑部医学图像样本集合对应的脑图谱；将多个脑部医学图像样本集合对应的多个脑图谱作为脑图谱集合。
151.在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于仿射变换方法，将脑部医学图像样本集合中的每个脑部医学图像样本均配准到标准空间；根据每个脑部医学图像样本中核团区域在标准空间中的分布，确定核团区域的概率图；根据获取的脑部医学图像模板和核团区域的概率图，确定脑部医学图像样本集合对应的脑图谱，得到脑图谱集合。
152.在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用区域生长方法或边界修正方法对核团区域进行校正。
153.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
154.将待检查对象的脑部医学图像和脑图谱输入形变场确定模型，得到配准形变场；其中，脑图谱包含核团区域的概率图和脑部医学图像模板，形变场确定模型是根据脑图谱集合和脑部医学图像样本对深度学习网络进行训练得到的；
155.根据配准形变场对脑图谱进行形变处理，得到形变图谱；
156.根据形变图谱，确定脑部医学图像中的核团区域。
157.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待检查对象的原始脑部医学图像；对原始脑部医学图像进行颅骨分离处理和偏置场去除处理，得到脑部医学图像。
158.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将原始脑部医学图像输入图像预处理模型，得到颅骨分离掩模图像和偏置场图像；图像预处理模型是根据原始脑部医学图像样本对深度学习网络进行训练得到的；根据颅骨分离掩模图像和偏置场图像，确定脑部医学图像。
159.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将原始脑部医学图像输入编码器，得到l层特征，l层特征用于表征l个分辨率下原始脑部医学图像的特征，l为大于或等于零的整数；将l层特征输入第一解码器，得到颅骨分离掩膜图像；将l层特征输入第二解码器，得到偏置场图像。
160.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取脑图谱集合；其中，脑图谱集合包括不同年龄段的检查对象对应的脑图谱；根据待检查对象的年龄，在脑图谱集合中确定待检查对象对应的脑图谱。
161.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取多个脑部医学图像样本集合，其中，每个脑部医学图像样本集合包含同一个年龄段的检查对象对应的多个脑部医学图像样本，每个脑部医学图像样本中包括带标记的核团区域；对于每个脑部医学图像样本集合，根据脑部医学图像样本集合中的多个脑部医学图像样本，确定脑部医学图像样本集合对应的脑图谱；将多个脑部医学图像样本集合对应的多个脑图谱作为脑图谱集合。
162.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于仿射变换方法，将脑部医学图像样本集合中的每个脑部医学图像样本均配准到标准空间；根据每个脑部医学图像样本中核团区域在标准空间中的分布，确定核团区域的概率图；根据获取的脑部医学图像模板和核团区域的概率图，确定脑部医学图像样本集合对应的脑图谱，得到脑图谱集合。
163.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用区域生长方法或边界修正方法对核团区域进行校正。
164.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，
本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
165.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
166.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。