CN109726753A - 基于时间信号曲线的灌注动态影像的分割方法及*** - Google Patents
基于时间信号曲线的灌注动态影像的分割方法及*** Download PDFInfo
- Publication number
- CN109726753A CN109726753A CN201811587569.7A CN201811587569A CN109726753A CN 109726753 A CN109726753 A CN 109726753A CN 201811587569 A CN201811587569 A CN 201811587569A CN 109726753 A CN109726753 A CN 109726753A
- Authority
- CN
- China
- Prior art keywords
- data
- voxel
- training
- signal curve
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010412 perfusion Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 109
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 20
- 230000001537 neural effect Effects 0.000 claims abstract description 20
- 238000002591 computed tomography Methods 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 22
- 238000012805 post-processing Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims 1
- 210000001519 tissue Anatomy 0.000 description 36
- 230000003727 cerebral blood flow Effects 0.000 description 6
- 230000002490 cerebral effect Effects 0.000 description 6
- 230000000302 ischemic effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 210000003462 vein Anatomy 0.000 description 5
- 210000001367 artery Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010061216 Infarction Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010828 elution Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于时间信号曲线的灌注动态影像的分割方法,包括以下步骤:(1),神经网络训练步骤;(1.1),训练数据读入步骤;(1.2),输入向量构建步骤;训练集生成步骤;(1.3),神经网络训练步骤;(2)、神经网络使用步骤;(2.1),待分析数据读入步骤;(2.2),待分析数据输入向量构建步骤;(2.3),分类步骤;(2.4),标注步骤。本发明直接利用灌注数据中各体素的时间信号曲线,对灌注影像数据中的所有体素进行分类标注,以实现对不同组织的分类。本发明还公开了一种基于时间信号曲线的灌注动态影像的分割***。
Description
技术领域
本发明涉及一种灌注成像数据处理技术,具体涉及一种基于时间信号曲线的灌注动态影像的分割方法。本发明还涉及一种基于时间信号曲线的灌注动态影像的分割***。
背景技术
随着医学影像技术及计算机技术的发展,在医疗领域内以观察脑组织血流灌注状况为目的的动态脑灌注成像和定量分析技术开始应用于临床医学辅助诊断。通过对动态脑灌注检查所获得的一个时间影像序列的量化分析,可以测量出感兴趣区域脑组织的血流灌注量,从而绘制出对应的时间密度曲线。根据中心容积原理对这些曲线进行进一步分析、计算,可得到患者的相关脑血流动力学参数,如脑血流量(CBF)、脑血容量(CBV)、平均通过时间(MTT)、达峰时间(TTP)、最大剩余功能时间(TMAX)等。按照一定的色彩分布对所得到的参数进行映像,就可以分别绘制出具有临床辅助诊断意义的功能影像。
目前,脑灌注成像后处理方法包括以下步骤:
第一步,寻找到动脉和静脉的位置,得到动脉流入曲线(Arterial Input Function,AIF)和静脉流出曲线(Vein Output Function,VOF);
第二步,求解反卷积以得到组织特性曲线;
第三步,由曲线的最大值、曲线下面积等进一步得到脑血流量(CBF)、脑血容量(CBV)、平均通过时间(MTT)、达峰时间(TTP)、最大剩余功能时间(TMAX)等参数图像。
中国发明专利文献CN105701815A公开了一种磁共振灌注成像后处理方法及***,通过对动脉输入函数和求解矩阵进行加权优化,将非线性问题转化为线性求解,加快了后处理速度。
这种后处理方法依赖于通过简化的生理模型将灌注数据降维约化为若干参数图,再从参数图像中通过目测、勾选区域测值、阈值处理等方式推测病变区域。但是,参数图像作为灌注数据的约化结果,实质丢失了大量有用信息,导致仅根据参数图像确定病变区域时往往不能得到稳定、有效、准确的结果。另外,参数图计算过程中,需要对大小血管的血红细胞含量等参数进行假设,还需要对动脉静脉进行识别以测定输入输出曲线,这些假设和识别均容易引入误差。此外,在对参数图像进行目测、勾选区域测值、阈值处理等二次处理过程中,还需要受过训练的医疗技术人员参与,过程耗时昂贵且容易产生人为误差。
发明内容
本发明所要解决的技术问题是提供一种基于时间信号曲线的灌注动态影像的分割方法,它可以在完整地保留灌注数据全部信息的基础上,通过对灌注数据进行后处理,将灌注数据上的所有体素进行分类并标注,从而得到具有分类结果的三维影像数据。
为解决上述技术问题,本发明基于时间信号曲线的灌注动态影像的分割方法的技术解决方案为,包括以下步骤:
(1),神经网络训练步骤;
(1.1),训练数据读入步骤;
读入磁共振或计算机断层扫描的灌注成像所得到的训练数据,设置训练数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;
所述步骤(1.1)中在设置时间维插值之前,先对训练数据进行预处理;所述预处理方法包括:逐时间点进行运动矫正、背景去除、图像去噪。
(1.2),训练数据输入向量构建步骤;
将任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个训练数据输入向量;所述时间信号曲线具有时间维插值;
训练集生成步骤;将训练数据中的体素分为多个类别,对每一类别进行标注,从而生成训练集C,训练集C具有各体素的标注结果;
(1.3),神经网络训练步骤;
将训练数据中各体素的输入向量输入神经网络,采用训练集C对神经网络进行训练,得到经过深度学习的神经网络模型;
所述步骤(1.3)中的神经网络采用全链接网络,或者使用RNN(Recursive NeuralNetwork)、LSTM(Long Short Term Memory)网络架构。
(2)、神经网络使用步骤;
(2.1),待分析数据读入步骤;
读入待分析的磁共振或计算机断层扫描的灌注影像数据,设置待分析数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;
所述步骤(2.1)中在设置时间维插值之前,先对待分析数据进行预处理;
(2.2),待分析数据输入向量构建步骤;
将待分析数据中任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个待分析数据输入向量;
(2.3),分类步骤;将待分析数据输入向量输入经过深度学习的神经网络模型,经过深度学习的神经网络模型输出各体素的组织类别的分类概率[P1 P2 P3 P4 P5 P6],选取最大概率所对应的组织类别作为该体素的分类结果,从而得到该体素对应的组织类别;
(2.4),标注步骤;根据组织类别对各体素进行标注,得到具有分类结果的三维影像数据。
(2.5),图像后处理步骤,对具有分类结果的三维影像数据进行图像后处理,去除散落的岛区域。
(2.6),计算具有分类结果的三维影像数据中各类组织的体积;
某类组织的体积=该类组织的体素个数×体素的体积。
本发明还提供一种基于时间信号曲线的灌注动态影像的分割***,其技术解决方案为,包括神经网络训练模块和神经网络使用模块;
所述神经网络训练模块包括训练数据读入单元、训练数据输入向量构建单元、训练集生成单元、神经网络训练单元;
训练数据读入单元,被配置为读入磁共振或计算机断层扫描的灌注成像所得到的训练数据,设置训练数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;
进一步地,所述训练数据读入单元还包括数据预处理单元,数据预处理单元对磁共振或计算机断层扫描的灌注成像所得到的训练数据进行预处理;
训练数据输入向量构建单元,被配置为将任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个训练数据输入向量;所述时间信号曲线具有经训练数据读入单元设置的时间维插值;
训练集生成单元,被配置为将训练数据中的各体素分为多个类别,对每一类别进行标注,从而生成训练集C,训练集C具有各体素的标注结果;
神经网络训练单元,被配置为将训练数据中各体素的输入向量输入神经网络,采用训练集C对神经网络进行训练,得到经过深度学习的神经网络模型;
所述神经网络使用模块包括待分析数据读入单元、待分析数据输入向量构建单元、分类单元、标注单元;
待分析数据读入单元,被配置为读入待分析的磁共振或计算机断层扫描的灌注影像数据,设置待分析数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;
进一步地,所述待分析数据读入单元还包括数据预处理单元,数据预处理单元对磁共振或计算机断层扫描的灌注成像所得到的待分析数据进行预处理。
待分析数据输入向量构建单元,被配置为将待分析数据中任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个待分析数据输入向量;
分类单元,被配置为将待分析数据输入向量输入经过深度学习的神经网络模型,经过深度学习的神经网络模型输出各体素的组织类别的分类概率[P1 P2 P3 P4 P5 P6],选取最大概率所对应的组织类别作为该体素的分类结果,从而得到该体素对应的组织类别;
标注单元,被配置为根据组织类别对各体素进行标注,得到具有分类结果的三维影像数据。
所述分割***还包括图像后处理单元,被配置为对具有分类结果的三维影像数据进行图像后处理,去除散落的岛区域。
所述分割***还包括分割结果量化单元,被配置为量化具有分类结果的三维影像数据中各类组织的体积。
本发明可以达到的技术效果是:
本发明直接利用灌注数据中各体素的时间信号曲线,对灌注影像数据中的所有体素进行分类标注,以实现对不同组织的分类。本发明所得到的具有分类结果的三维影像数据,可以作为中间结果,供专业医疗技术人员参考。
本发明避免了现有技术基于不完备生理模型的计算参数图过程造成的信息流失及误差引入,直接从所有体素的时间信号曲线上提取特征参数,并通过对各体素的特征参数进行分类标注,能够更好利用原始灌注数据的丰富信息对任一体素进行类别判断,得到更加稳定准确的判断结果。
本发明将计算量较大的训练任务提前完成,训练完毕的分类器投入使用后具有使用计算资源少,计算速度快等优点。本发明相较于传统方案参数图时的反卷积计算更加快捷。
本发明相较传统方案,还能够节省专业医疗技术人员对参数图像的勾画测量、阈值处理等步骤,医疗技术人员可以直接从本发明的分类结果与原始影像结合进行阅读。
附图说明
本领域的技术人员应理解,以下说明仅是示意性地说明本发明的原理,所述原理可按多种方式应用,以实现许多不同的可替代实施方式。这些说明仅用于示出本发明的教导内容的一般原理,不意味着限制在此所公开的发明构思。
结合在本说明书中并构成本说明书的一部分的附图示出了本发明的实施方式,并且与上文的总体说明和下列附图的详细说明一起用于解释本发明的原理。
下面结合附图和具体实施方式对本发明作进一步详细的说明:
图1是本发明基于时间信号曲线的灌注动态影像的分割方法的框架示意图;
图2为本发明所采用的神经网络的实施例示意图;
图3为灌注影像数据中各组织的时间信号曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。除非另外定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
如图1所示,本发明基于时间信号曲线的灌注动态影像的分割方法,包括以下步骤:
1、神经网络训练步骤;
1.1,训练数据读入步骤;
读入磁共振(MRI)或计算机断层扫描(CT)的灌注成像所得到的训练数据,设置训练数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;
优选地,可以先对训练数据进行预处理再进行设置,预处理方法包括:逐时间点进行运动矫正、背景去除、图像去噪;
1.2,训练数据输入向量构建步骤;
将训练数据中任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个训练数据输入向量;
如训练数据读入步骤中所设置的时间维插值为50,体素有三维空间坐标,该体素的扫描参数为二(CT为管电压和管电流二维,MRI为回波时间Te和磁场强度T0二维),则训练数据中各体素有50+3+2=55个元素的向量,即训练数据中各体素的输入向量为55;
训练集生成步骤;将灌注影像训练数据中的体素分为多个类别,对每一类别进行标注,从而生成训练集C,训练集C具有各体素的标注结果;
例如:将缺血性卒中的灌注影像训练数据中的体素根据其不同的特征参数x分为六类:0骨骼、1正常脑组织、2缺血脑组织、3梗死脑组织、4动静脉血管、5脑脊液;
当然,根据不同的应用场景,也可以将灌注影像训练数据分为其它类别;
1.3,神经网络训练步骤;
将训练数据中各体素的输入向量输入神经网络,采用训练集C对神经网络进行训练,得到经过深度学习的神经网络模型;之后再向该神经网络模型输入待分析的灌注影像数据,神经网络模型就能够输出各组织类别的概率;例如:P1为输入信号相关体素为骨骼的概率,P2为缺血组织的概率,P3为梗死组织的概率,P4为正常组织的概率,P5为血管的概率,P6为脑脊液的概率;当某一体素被标注为骨骼,则输出结果为[1,0,0,0,0,0];
神经网络可以采用如图2所示的全链接网络,也可以使用RNN(Recursive NeuralNetwork)、LSTM(Long Short Term Memory)网络架构;
2、神经网络使用步骤;
2.1,待分析数据读入步骤;
读入待分析的磁共振(MRI)或计算机断层扫描(CT)的灌注影像数据,设置待分析数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;
优选地,可以先对待分析数据进行预处理再进行设置,预处理方法包括:逐时间点进行运动矫正、背景去除、图像去噪;
2.2,待分析数据输入向量构建步骤;
将待分析数据中任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个待分析数据输入向量;
2.3,分类步骤;将待分析数据输入向量输入经过深度学习的神经网络模型,经过深度学习的神经网络模型输出各体素的组织类别的分类概率[P1 P2 P3 P4 P5 P6],选取最大概率所对应的组织类别作为该体素的分类结果,从而得到该体素对应的组织类别;
2.4,标注步骤;根据组织类别对各体素进行标注,得到具有分类结果的三维影像数据。
2.5,图像后处理步骤;因同类组织均相链接,因此可利用组织的形态信息(如缺血组织应集中在一块区域)进行图像后处理,如进行开闭集操作后,去除散落的岛区域;
2.6,得到分割结果;之后还可进一步地计算各类组织的体积,如计算缺血体积为:
缺血体积 = 分类为缺血脑组织的体素个数×体素的体积。
由于磁共振(MRI)和计算机断层扫描(CT)的灌注成像所得到的数据可以理解为一个三维的电影,灌注影像数据中的每一个体素(voxel)都可以描述为一条随时间变化的曲线(即如图3所示的时间信号曲线),造影剂在各组织中的代谢及通过速率的不同,各组织上体素的时间信号曲线也具有不同形态,因此不同组织上体素的时间信号曲线具有不同的输入向量。
本发明直接利用上述特性,利用神经网络对各体素的输入向量进行识别,从而分辨出不同组织。本发明大大减少了数据处理量,加快了数据分析速度,从根本上解决了磁共振扫描速度慢的问题。
另外,本发明直接对灌注影像数据中的各体素进行分类标注,准确度更高。
本发明基于时间信号曲线的灌注动态影像的分割***,包括神经网络训练模块和神经网络使用模块;
神经网络训练模块包括训练数据读入单元、训练数据输入向量构建单元、训练集生成单元、神经网络训练单元;
训练数据读入单元,被配置为读入磁共振(MRI)或计算机断层扫描(CT)的灌注成像所得到的训练数据,设置训练数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;进一步地,训练数据读入单元还包括数据预处理单元,数据预处理单元对所输入的训练数据进行预处理;
训练数据输入向量构建单元,被配置为将任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个训练数据输入向量;
训练集生成单元,被配置为将灌注影像训练数据中的体素分为多个类别,对每一类别进行标注,从而生成训练集C,训练集C具有各体素的标注结果;
神经网络训练单元,被配置为将训练数据中各体素的输入向量输入神经网络,采用训练集C对神经网络进行训练,得到经过深度学习的神经网络模型;之后再向该神经网络模型输入待分析的灌注影像数据,神经网络模型就能够输出各组织类别的概率;
神经网络使用模块包括待分析数据读入单元、待分析数据输入向量构建单元、分类单元、标注单元、图像后处理单元、分割结果量化单元;
待分析数据读入单元,被配置为读入待分析的磁共振(MRI)或计算机断层扫描(CT)的灌注影像数据,设置待分析数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;进一步地,待分析数据读入单元还包括数据预处理单元,数据预处理单元对所输入的训练数据进行预处理;
待分析数据输入向量构建单元,被配置为将待分析数据中任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个待分析数据输入向量;
分类单元,被配置为将待分析数据输入向量输入经过深度学习的神经网络模型,经过深度学习的神经网络模型输出各体素的组织类别的分类概率[P1 P2 P3 P4 P5 P6],选取最大概率所对应的组织类别作为该体素的分类结果,从而得到该体素对应的组织类别;
标注单元,被配置为根据组织类别对各体素进行标注,得到具有分类结果的三维影像数据。
该具有分类结果的三维影像数据能够直观地显示出各组织的分布,从而分辨出缺血组织、动静脉血管等;
图像后处理单元,被配置为利用组织的形态信息进行图像后处理,如进行开闭集操作后,去除散落的岛区域;
分割结果量化单元,被配置为量化各类组织的体积。
显然,本领域的技术人员可以对本发明进行各种改动和变形,而不脱离本发明的精神和范围。这样,倘若本发明的这些修改属于本发明权利要求及其同等技术的范围之内,则本发明也意图包含这些改动和变形在内。
Claims (9)
1.一种基于时间信号曲线的灌注动态影像的分割方法,其特征在于,包括以下步骤:
(1),神经网络训练步骤;
(1.1),训练数据读入步骤;
读入磁共振或计算机断层扫描的灌注成像所得到的训练数据,设置训练数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;
(1.2),训练数据输入向量构建步骤;
将任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个训练数据输入向量;所述时间信号曲线具有时间维插值;
训练集生成步骤;
将训练数据中的体素分为多个类别,对每一类别进行标注,从而生成训练集C,训练集C具有各体素的标注结果;
(1.3),神经网络训练步骤;
将训练数据中各体素的输入向量输入神经网络,采用训练集C对神经网络进行训练,得到经过深度学习的神经网络模型;
(2)、神经网络使用步骤;
(2.1),待分析数据读入步骤;
读入待分析的磁共振或计算机断层扫描的灌注影像数据,设置待分析数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;
(2.2),待分析数据输入向量构建步骤;
将待分析数据中任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个待分析数据输入向量;
(2.3),分类步骤;将待分析数据输入向量输入经过深度学习的神经网络模型,经过深度学习的神经网络模型输出各体素的组织类别的分类概率[P1 P2 P3 P4 P5 P6],选取最大概率所对应的组织类别作为该体素的分类结果,从而得到该体素对应的组织类别;
(2.4),标注步骤;根据组织类别对各体素进行标注,得到具有分类结果的三维影像数据。
2.根据权利要求1所述的基于时间信号曲线的灌注动态影像的分割方法,其特征在于:所述步骤(1.1)中在设置时间维插值之前,先对训练数据进行预处理;所述步骤(2.1)中在设置时间维插值之前,先对待分析数据进行预处理;所述预处理方法包括:逐时间点进行运动矫正、背景去除、图像去噪。
3.根据权利要求1所述的基于时间信号曲线的灌注动态影像的分割方法,其特征在于:所述步骤(1.3)中的神经网络采用全链接网络,或者使用RNN(Recursive NeuralNetwork)、LSTM(Long Short Term Memory)网络架构。
4.根据权利要求1所述的基于时间信号曲线的灌注动态影像的分割方法,其特征在于:所述步骤(2.4)后执行步骤(2.5),图像后处理步骤,对具有分类结果的三维影像数据进行图像后处理,去除散落的岛区域。
5.根据权利要求4所述的基于时间信号曲线的灌注动态影像的分割方法,其特征在于:所述步骤(2.5)之后执行步骤(2.6),计算具有分类结果的三维影像数据中各类组织的体积;
某类组织的体积=该类组织的体素个数×体素的体积。
6.一种基于时间信号曲线的灌注动态影像的分割***,其特征在于:包括神经网络训练模块和神经网络使用模块;
所述神经网络训练模块包括训练数据读入单元、训练数据输入向量构建单元、训练集生成单元、神经网络训练单元;
训练数据读入单元,被配置为读入磁共振或计算机断层扫描的灌注成像所得到的训练数据,设置训练数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;
训练数据输入向量构建单元,被配置为将任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个训练数据输入向量;所述时间信号曲线具有经训练数据读入单元设置的时间维插值;
训练集生成单元,被配置为将训练数据中的各体素分为多个类别,对每一类别进行标注,从而生成训练集C,训练集C具有各体素的标注结果;
神经网络训练单元,被配置为将训练数据中各体素的输入向量输入神经网络,采用训练集C对神经网络进行训练,得到经过深度学习的神经网络模型;
所述神经网络使用模块包括待分析数据读入单元、待分析数据输入向量构建单元、分类单元、标注单元;
待分析数据读入单元,被配置为读入待分析的磁共振或计算机断层扫描的灌注影像数据,设置待分析数据中各体素的时间信号曲线的时间维插值,时间维插值为固定长度的向量;
待分析数据输入向量构建单元,被配置为将待分析数据中任一体素的三维空间坐标,拼接该体素的时间信号曲线,以及扫描参数,得到一个待分析数据输入向量;
分类单元,被配置为将待分析数据输入向量输入经过深度学习的神经网络模型,经过深度学习的神经网络模型输出各体素的组织类别的分类概率[P1 P2 P3 P4 P5 P6],选取最大概率所对应的组织类别作为该体素的分类结果,从而得到该体素对应的组织类别;
标注单元,被配置为根据组织类别对各体素进行标注,得到具有分类结果的三维影像数据。
7.根据权利要求6所述的基于时间信号曲线的灌注动态影像的分割***,其特征在于:所述分割***还包括图像后处理单元,被配置为对具有分类结果的三维影像数据进行图像后处理,去除散落的岛区域。
8.根据权利要求7所述的基于时间信号曲线的灌注动态影像的分割***,其特征在于:所述分割***还包括分割结果量化单元,被配置为量化具有分类结果的三维影像数据中各类组织的体积。
9.根据权利要求6所述的基于时间信号曲线的灌注动态影像的分割***,其特征在于:所述训练数据读入单元还包括数据预处理单元,数据预处理单元对磁共振或计算机断层扫描的灌注成像所得到的训练数据进行预处理;所述待分析数据读入单元还包括数据预处理单元,数据预处理单元对磁共振或计算机断层扫描的灌注成像所得到的待分析数据进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811587569.7A CN109726753A (zh) | 2018-12-25 | 2018-12-25 | 基于时间信号曲线的灌注动态影像的分割方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811587569.7A CN109726753A (zh) | 2018-12-25 | 2018-12-25 | 基于时间信号曲线的灌注动态影像的分割方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726753A true CN109726753A (zh) | 2019-05-07 |
Family
ID=66297746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811587569.7A Pending CN109726753A (zh) | 2018-12-25 | 2018-12-25 | 基于时间信号曲线的灌注动态影像的分割方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726753A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341420A (zh) * | 2020-02-21 | 2020-06-26 | 四川大学 | 基于全心七维模型的心血管影像识别***及方法 |
CN111489360A (zh) * | 2020-03-18 | 2020-08-04 | 上海商汤智能科技有限公司 | 一种图像分割方法及相关设备 |
CN116342603A (zh) * | 2023-05-30 | 2023-06-27 | 杭州脉流科技有限公司 | 获得动脉输入函数的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411795A (zh) * | 2011-08-16 | 2012-04-11 | 中国人民解放军第三军医大学第一附属医院 | 一种关于冠状动脉的多模图像的联合显示方法 |
CN103339653A (zh) * | 2010-12-17 | 2013-10-02 | 奥胡斯大学 | 勾画组织损伤的方法 |
US20140226882A1 (en) * | 2011-09-16 | 2014-08-14 | Mcgill University | Simultaneous segmentation and grading of structures for state determination |
CN107423756A (zh) * | 2017-07-05 | 2017-12-01 | 武汉科恩斯医疗科技有限公司 | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 |
-
2018
- 2018-12-25 CN CN201811587569.7A patent/CN109726753A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103339653A (zh) * | 2010-12-17 | 2013-10-02 | 奥胡斯大学 | 勾画组织损伤的方法 |
CN102411795A (zh) * | 2011-08-16 | 2012-04-11 | 中国人民解放军第三军医大学第一附属医院 | 一种关于冠状动脉的多模图像的联合显示方法 |
US20140226882A1 (en) * | 2011-09-16 | 2014-08-14 | Mcgill University | Simultaneous segmentation and grading of structures for state determination |
CN107423756A (zh) * | 2017-07-05 | 2017-12-01 | 武汉科恩斯医疗科技有限公司 | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 |
Non-Patent Citations (1)
Title |
---|
HAMED AKBARI: "Pattern Analysis of Dynamic Susceptibility Contrast-enhanced MR Imaging Demonstrates Peritumoral Tissue Heterogeneity", 《RADIOLOGY》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341420A (zh) * | 2020-02-21 | 2020-06-26 | 四川大学 | 基于全心七维模型的心血管影像识别***及方法 |
CN111341420B (zh) * | 2020-02-21 | 2022-08-30 | 四川大学 | 基于全心七维模型的心血管影像识别***及方法 |
CN111489360A (zh) * | 2020-03-18 | 2020-08-04 | 上海商汤智能科技有限公司 | 一种图像分割方法及相关设备 |
CN116342603A (zh) * | 2023-05-30 | 2023-06-27 | 杭州脉流科技有限公司 | 获得动脉输入函数的方法 |
CN116342603B (zh) * | 2023-05-30 | 2023-08-29 | 杭州脉流科技有限公司 | 获得动脉输入函数的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ulas et al. | Convolutional neural networks for direct inference of pharmacokinetic parameters: application to stroke dynamic contrast-enhanced MRI | |
CN110490851B (zh) | 基于人工智能的乳腺图像分割方法、装置及*** | |
EP2184010B1 (en) | White matter enhancing method | |
EP2481349B1 (en) | Method, device, and program for processing images obtained from asl mri | |
Bonacchi et al. | Role of artificial intelligence in MS clinical practice | |
KR102344157B1 (ko) | 개인 맞춤형 뇌졸중 진단을 위한 임상 인자 및 의료 영상 처리 시스템 | |
CN109726753A (zh) | 基于时间信号曲线的灌注动态影像的分割方法及*** | |
Chen et al. | MSLPNet: multi-scale location perception network for dental panoramic X-ray image segmentation | |
Tmenova et al. | CycleGAN for style transfer in X-ray angiography | |
CN108734163B (zh) | 确定弥散张量成像感兴趣区的方法 | |
CN109907758A (zh) | 颅内血管血流延迟的影像标注方法及*** | |
Havlicek et al. | On the importance of modeling fMRI transients when estimating effective connectivity: a dynamic causal modeling study using ASL data | |
CN109726752A (zh) | 基于时间信号曲线的灌注动态影像的分割方法及*** | |
Ho et al. | A temporal deep learning approach for MR perfusion parameter estimation in stroke | |
US20100014739A1 (en) | System and method for segmentation of mr flow data using fluid dynamics and tracking | |
CN113850804B (zh) | 基于生成对抗网络的视网膜图像生成***及方法 | |
Xu et al. | Deep learning-based automated detection of arterial vessel wall and plaque on magnetic resonance vessel wall images | |
Mendoza et al. | Enhanced automatic segmentation for superficial white matter fiber bundles for probabilistic tractography datasets | |
CN110301900B (zh) | 动态灌注影像处理的定量分析方法及*** | |
Van Pelt et al. | Understanding blood-flow dynamics: New challenges for visualization | |
Lauersen et al. | Kidney segmentation for quantitative analysis applying MaskRCNN architecture | |
CN112052882B (zh) | 磁共振脑结构影像的分类模型构建、分类与可视化方法 | |
Ayaz et al. | Brain MR image simulation for deep learning based medical image analysis networks | |
CN115239828A (zh) | 一种基于脑血管造影图像的多血流参数同步成像方法 | |
Wang et al. | Semi-automatic segmentation of the fetal brain from magnetic resonance imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |