CN110934606B - 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 - Google Patents
脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 Download PDFInfo
- Publication number
- CN110934606B CN110934606B CN201911056924.2A CN201911056924A CN110934606B CN 110934606 B CN110934606 B CN 110934606B CN 201911056924 A CN201911056924 A CN 201911056924A CN 110934606 B CN110934606 B CN 110934606B
- Authority
- CN
- China
- Prior art keywords
- image
- scan
- blood supply
- flat
- brain
- 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.)
- Active
Links
- 208000006011 Stroke Diseases 0.000 title claims abstract description 68
- 238000011156 evaluation Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims description 65
- 206010008190 Cerebrovascular accident Diseases 0.000 title abstract description 14
- 230000002490 cerebral effect Effects 0.000 title abstract description 14
- 230000036770 blood supply Effects 0.000 claims abstract description 223
- 210000004556 brain Anatomy 0.000 claims abstract description 183
- 230000011218 segmentation Effects 0.000 claims abstract description 59
- 210000003625 skull Anatomy 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 108091006146 Channels Proteins 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000004321 preservation Methods 0.000 claims description 5
- 230000011157 brain segmentation Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims 1
- 230000001902 propagating effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013399 early diagnosis Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 14
- 208000032382 Ischaemic stroke Diseases 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000004393 prognosis Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000003657 middle cerebral artery Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 238000013156 embolectomy Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 206010069729 Collateral circulation Diseases 0.000 description 1
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 108091006623 SLC12A3 Proteins 0.000 description 1
- 206010053648 Vascular occlusion Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000002537 thrombolytic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 208000021331 vascular occlusion disease Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Pulmonology (AREA)
- Multimedia (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供脑卒中早期平扫CT图像评估***和评估方法、可读存储介质。所述评估***包括预处理模块、脑部供血区分段模块、分段评分模块以及综合评分模块,可实现对平扫CT图像进行去除颅骨、保留脑实质的处理,将脑部供血区模板图像配准到平扫CT图像,将所述脑部供血区模板图像标记出的若干分段供血区映射到与其配准的所述平扫CT图像中,获得所述平扫CT图像中的若干分段供血区,对平扫CT图像中的各个分段供血区的影像表现进行评分,并获得平扫CT图像的总体评分。所述评估***可以在脑卒中早期诊断及治疗中辅助医生进行诊断,可以减少医生主观性差异,有助于提高诊断效率和准确性。所述评估方法及可读存储介质具有相同的优点。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及脑卒中早期平扫CT图像评估***及评估方法、可读存储介质。
背景技术
脑卒中是一种严重威胁人口健康和阻碍社会经济发展的重大疾病。据统计,2017年中国约有196万人死于脑卒中。相对于出血性卒中,缺血性脑卒中的发病率更高,占脑卒中总数的60%~70%。我国每年新发急性缺血性脑卒中(Acute Ischemic Stroke,简称AIS)患者超过200万。AIS治疗的一个关键是时间窗,尽早的确诊能够极大提升治疗和康复效果,而一些具体的AIS治疗措施需要进行病例选择以选择适合的患者作针对的治疗,因此在卒中发病的急性期,需要及时采集患者的头颅影像,及时地针对头颅影像给出准确的评估,既有助于AIS的早期诊断鉴别,而且也是获得良好预后的关键。
实际临床中,为了及时采集患者的头颅影像进行诊断,无造影剂的计算机断层扫描(Noncontrast Computed Tomography,简称NCCT,也称为平扫CT)具有成像速度快、扫描方便、价格相对便宜的优点,成为临床常用的诊断方法。但是,目前临床应用中常需要有经验的医生对脑部平扫CT图像进行评估以获得卒中项目早期评分,存在比较大的主观性,并且,常规平扫CT图像上病变区域和正常区域间的差异以及供血区的边界用肉眼直接观察的难度较高,通常医生仅从典型层面(核团区断层和核团上区断层)对脑部平扫CT图像进行描述,敏感性低,并不能达到很高的诊断准确率。因此,有必要开发可以辅助脑卒中诊断的计算机工具,即使对于平扫CT图像评估缺乏经验的医生,也可以快速地获得脑卒中早期平扫CT影像数据的卒中项目早期评分,减少医生主观性差异,提高脑卒中早期诊断的准确性,为脑卒中的治疗争取更多时间。
发明内容
本发明提出一种脑卒中早期平扫CT图像评估***,针对个性化的平扫CT图像可以进行自动评估,减少医生主观性差异,有助于提高诊断效率和准确性。本发明另外提供一种脑卒中早期平扫CT图像评估方法和一种可读存储介质。
一个方面,提供一种脑卒中早期平扫CT图像评估***,包括预处理模块、脑部供血区分段模块、分段评分模块以及综合评分模块,所述预处理模块包括脑实质分割单元,所述脑实质分割单元配置为利用脑实质分割模型对平扫CT图像进行去除颅骨、保留脑实质的处理,所述脑部供血区分段模块配置为将经过所述脑实质分割单元处理的平扫CT图像与脑部供血区模板图像配准,并将所述脑部供血区模板图像标记出的若干分段供血区映射到与其配准的所述平扫CT图像中,获得所述平扫CT图像中的若干分段供血区,所述分段评分模块配置为利用供血区评分模型对所述平扫CT图像中的各个分段供血区的影像表现进行评分;所述综合评分模块配置为综合所述平扫CT图像中的各个分段供血区的分数而得到所述平扫CT图像的总体评分。
可选的,所述脑部供血区分段模块利用图像配准模型将脑部供血区模板图像与经过所述脑实质分割单元处理的平扫CT图像配准,获得所述脑部供血区模板图像到所述平扫CT图像的形变场。
可选的,所述脑实质分割模型、所述图像配准模型以及所述供血区评分模型均为卷积神经网络模型。
可选的,所述预处理模块还包括图像降噪单元,所述图像降噪单元配置为在在所述脑实质分割单元对所述平扫CT图像进行处理之前先对所述平扫CT图像进行降噪处理。
可选的,所述供血区评分模型为二分类模型,所述分段评分模块包括与所述平扫CT图像中的若干脑部供血区一一对应的多个所述二分类模型。
可选的,所述平扫CT图像中的每个分段供血区在左半脑和右半脑均有分布。
可选的,所述脑卒中早期平扫CT图像评估***还包括存储模块,所述存储模块中存放有两种以上所述脑部供血区模板图像,不同种类的所述脑部供血区模板图像对应的年龄范围、拍摄参数或者基础疾病不同。
一个方面,本发明提供一种脑卒中早期平扫CT图像评估方法,包括以下步骤:
获取脑部供血区模板图像和平扫CT图像,利用脑实质分割模型分别对所述脑部供血区模板图像和平扫CT图像进行去除颅骨、保留脑实质的脑实质分割处理;将脑部供血区模板图像与经过脑实质分割处理的平扫CT图像配准,并将所述脑部供血区模板图像中标记出的若干分段供血区映射到与其配准的所述平扫CT图像中,获得所述平扫CT图像中的若干分段供血区;利用供血区评分模型对所述平扫CT图像中的各个分段供血区的影像表现进行评分;以及,综合所述平扫CT图像中的各个分段供血区的影像表现而得到所述平扫CT图像的总体评分。
可选的,所述脑部供血区模板图像的分段供血区的获取方法包括:
采集同一患者相邻时刻的增强CT图像和MR图像,并利用所述MR图像上对脑部供血区进行标注;以及,将所述MR图像中经过标注的脑部供血区映射到相邻时刻的增强CT图像中,获得相邻时刻的增强CT图像上的若干脑部供血区域,以所述相邻时刻的增强CT图像作为所述脑部供血区模板图像。
可选的,所述供血区评分模型为二分类模型或三分类模型。
可选的,利用供血区评分模型对所述平扫CT图像中的各个分段供血区的影像表现进行评分的方法包括:对于所述平扫CT图像中的任意一个分段供血区,从左半脑和右半脑分别获取一个图像块并分别置于两个设定通道,形成双通道图像后,经过所述供血区评分模型计算,提供0、1或2的分类结果,其中,0代表正常,1代表其中一个设定通道的图像异常,2代表另一个设定通道的图像异常,通过通道顺序互换得到两次所述分类结果,然后基于两次所述分类结果,对相应的分段供血区的影像表现进行评分。
一个方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被一处理器执行时能实现上述脑卒中早期平扫CT图像评估方法。
本发明提供的脑卒中早期平扫CT图像评估***,包括预处理模块、脑部供血区分段模块、分段评分模块以及综合评分模块,利用所述预处理模块中的脑实质分割单元可对平扫CT图像进行去除颅骨、保留脑实质的处理,利用脑部供血区分段模块可以将经过所述脑实质分割单元处理的平扫CT图像与脑部供血区模板图像配准,并将所述脑部供血区模板图像标记出的若干分段供血区映射到与其配准的所述平扫CT图像中,获得所述平扫CT图像中的若干分段供血区,利用分段评分模块可以分别对平扫CT图像中的各个分段供血区的影像表现进行评分,利用综合评分模块可得到所述平扫CT图像的总体评分。所述脑卒中早期平扫CT图像评估***可以在脑卒中早期诊断及治疗中辅助医生进行诊断,减少医生主观性差异,有助于提高诊断效率和准确性,可在AIS血管内治疗的急救流程中用作术前筛选工具。
本发明另外提供一种脑卒中早期平扫CT图像评估方法和一种计算机可读存储介质,均与上述脑卒中早期平扫CT图像评估***具有相同或类似的特征,因此也具有相同的优点。
附图说明
图1是本发明一实施例的脑卒中早期平扫CT图像评估方法的主要步骤。
图2是本发明一实施例的脑卒中早期平扫CT图像评估方法的流程示意图。
图3是本发明一实施例的图像配准模型的示意图。
图4是利用本发明一实施例的脑卒中早期平扫CT图像评估方法对平扫CT图像中的各个分段供血区的影像表现进行评分的示意图。
图5是本发明一实施例的脑卒中早期平扫CT图像评估***的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明的脑卒中早期平扫CT图像评估***及评估方法、可读存储介质作进一步详细说明。根据下面的说明,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。与此同时,本文使用的术语是用于说明实施例的目的,并不意图限制本发明。在本说明书中,除非另有说明,否则单数形式应理解为包括复数形式。在说明书中使用的属于“包含”和/或“包括”不排除在所指定的组合物、成分、组件、步骤、操作和/或元件中增加其它的组合物、成分、组件、步骤、操作和/或元件的一种或多种。
此外,本文使用的“单元”或“模块”通常是指本发明的组件,诸如逻辑可分离软件(计算机程序)、硬件或等效部件。因此,本发明的实施例中的单元不仅包括计算机程序中的单元,还包括硬件配置中的单元。因此,该实施例还可以用作包含指令的计算机程序的描述,所述计算机程序可以是用于执行计算机中的每个步骤的程序、用于将计算机功能形成为每个工具的程序或者用于使计算机实现功能、***或方法中每一个的程序,其中,其中,所述计算机程序启动“单元”或“模块”。虽然可以将各个“模块”和“单元”配置成与功能具有大体上的一一对应关系,但是在实际使用中,单个模块可以被配置为具有单个程序,多个模块可以被配置为具有单个程序或单个模块可以被配置为多个程序。在分布式或者并行环境中,多个模块可以有单个计算机执行或者单个模块可以有多个计算机执行。单个模块可以包括附加模块。本文所使用的属于“装置”和/或“***”可以包括通过具有一对一对应通信连接的诸如网络的通信单元互连的多个计算机、硬件、装置等,或者包括具有实现本发明的过程的单个计算机、硬件、装置等。
此外,对于每个过程,无论是由每个模块或单元执行的单个过程或者是由每个模块或单元执行的多个过程,都从诸如存储器的存储设备中读取的目标信息,并且在过程完成之后过程的结果被写入存储设备。因此,在描述中存在这样的情况,在过程之前从存储设备中读取以及在过程之后写入存储设备的描述可以被省略。所述的存储设备可以包括硬盘、随机存储存储器(RAM)、外部存储介质、经由通信线路的存储设备、中央处理单元(CPU)中的寄存器等等。
急性缺血性脑卒中(AIS)治疗的关键是急性期,因而及时采集患者的头颅影像并进行评估非常重要。例如,针对AIS治疗,静脉溶栓可以改善患者预后,但是对大血管闭塞效果欠佳。随着血管内治疗技术及材料的发展,阳性试验证实了血管内治疗能显著改善颅内大血管闭塞患者的预后,降低致残率和死亡率。进行AIS血管内治疗病例选择时,除时间窗外,通过影像评估选择适合的患者是获得良好预后的关键。目前多项多中心研究之所以取得阳性结果,除了选用新一代取栓装置外,还因为应用了影像学技术对患者进行了严格筛选,从影像学角度排除出血性病变、识别血管闭塞部位以及通过直接或间接征象评估梗死核心灶、缺血半暗带及侧支循环,以此识别通过取栓治疗可能获得良好预后的患者。因此,有必要建立适合的影像评估方案,为AIS血管内治疗患者的术前筛选及预后评估提供指导。然而,如背景技术所述,目前临床应用中常需要有经验的医生对脑部平扫CT图像进行评估以获得卒中项目早期CT评分,存在比较大的主观性,并且,常规平扫CT图像上病变区域和正常区域间的差异以及供血区的边界用肉眼直接观察的难度较高,医生通常仅从典型层面(核团区断层和核团上区断层)对脑部平扫CT图像进行描述,并不能达到很高的诊断准确率。因此,有必要开发可以自动评估CT图像以获得卒中项目早期CT评分结果的计算机工具。
为了减少医生主观性差异,提高脑卒中早期CT诊断的效率和准确性,减少患者的等待时间以提高治疗效果,本发明提供了脑卒中早期平扫CT图像评估***及评估方法、可读存储介质。以下通过实施例进行详细说明。
图1是本发明一实施例的脑卒中早期平扫CT图像评估方法的主要步骤。图2是本发明一实施例的脑卒中早期平扫CT图像评估方法的流程示意图。参见图1和图2,本发明实施例包括一种脑卒中早期平扫CT图像评估方法,该评估方法包括第一步骤S1:获取平扫CT图像和对应的脑部供血区模板图像,利用脑实质分割模型对所述脑部供血区模板图像和平扫CT图像进行去除颅骨、保留脑实质的处理。
脑部供血区模板图像和CT图像可以从医院的PACS(影像归档和通信)***获得,其中,所述平扫CT图像为要评估的平扫CT图像,又称NCCT(noncontrast CT)图像。由于不同患者的脑结构存在一些差异,所述平扫CT图像具有个性化特征。所述脑部供血区模板图像后续用来与所述平扫CT图像进行配准以对所述平扫CT图像的大脑中动脉供血区(简称脑供血区)进行分段,以获得所述平扫CT图像中的若干分段供血区。模板匹配有助于克服平扫CT图像中的脑组织对比度较低,供血区边界难以自动判别,自动分割供血区难度较高的问题。
脑部供血区模板图像可以存放在计算机的存储器例如一存储模块中。具体的,所述脑部供血区模板图像可以是已有的可直接引用的模板图像,也可以是在执行上述第一步骤S1过程中构建的模板图像,对于所述脑部供血区模板图像,其中包括有若干分段供血区,所述脑部供血区模板图像中的分段供血区的位置和范围是已知的,即所述脑部供血区模板图像具有对应的标记出的若干分段供血区。以下介绍一种构建脑部供血区模板图像的方法。
为了获得高质量的脑部供血区模板图像,可采用高质量的颅脑薄层平扫CT图像或增强CT图像来构建脑部供血区模板图像。考虑到不同年龄段、不同健康状态(是否有高血压、糖尿病)患者的脑结构会有较大差异,因此优选建立多个种类的脑部供血区模板图像。不同种类的脑部供血区模板图像可以对应于不同的年龄范围、CT拍摄参数或患者的基础疾病等条件。作为一个示例,建立脑部供血区模板图像可按照每10岁为一区间(如31~40岁,41~50岁,51~60岁,61~70岁,70+岁)分为五个大类,然后在每个区间内,再根据健康状况(如合并高血压糖尿病、有高血压无糖尿病、无高血压有糖尿病、无高血压无糖尿病)获得薄层(如1mm~2.5mm)条件下和脑窗条件下的CT图像。作为示例,用于建立脑部供血区模板图像的CT图像中所反映的脑中动脉的供血情况是正常的,方便后续将各个分段供血区映射到个性化的平扫CT图像。采集到CT图像后,可由资深的医生在这些横断位CT图像上对大脑中动脉的供血区域进行标注,即得到了这些CT图像的脑部的分段供血区信息,这些得到了分段供血区信息的CT图像可以作为第一步骤S1中的脑部供血区模板图像。
考虑到直接从平扫CT或增强CT图像中识别分段供血区域的难度较高,可选实施例中,为了提高供血区的识别准确度,降低标注难度,对于所述脑部供血区模板图像中分段供血区的获取,除了由资深医生直接标注外,还可以采用以下方法:首先,采集同一患者相邻时刻的CT图像和MR图像,并在所述MR图像上对脑部供血区进行标注(可以由医生进行分段供血区标注或者根据经验数据进行分段供血区标注);然后,将所述MR图像中经过标注的脑部供血区映射到相邻时刻的平扫CT或增强CT图像中,获得相邻时刻的CT图像上的若干脑中动脉分段供血区域,然后将所述相邻时刻的CT图像作为所述脑部供血区模板图像。
在获取脑部供血区模板图像和待评估的平扫CT图像后,本发明实施例的脑卒中早期平扫CT图像评估方法还对所述脑部供血区模板图像和平扫CT图像进行了预处理,如果采用的所述脑部供血区模板图像为已经是经过预处理的图像,则仅对要评估的平扫CT图像进行预处理。
对平扫CT图像的预处理可包括两类操作,第一类操作是降噪处理,第二类操作是去除颅骨、保留脑实质的处理。接下来具体介绍预处理过程。
具体的,在预处理时,首先,可采用线性或非线性的平滑及滤波技术对平扫CT图像进行降噪处理。例如,可以利用高斯平滑滤波、中值滤波等方法中的至少一种去除图像中的噪声(例如椒盐噪声),以获得降噪后的模板图像或平扫CT图像。以中值滤波为例,其将CT图像中每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值,让周围的像素值接近于真实值,从而消除孤立的噪声点。
在进行降噪处理之后,在进行降噪处理之后,即可对图像进行去除颅骨、保留脑实质的处理。去除颅骨的图像可以避免颅骨图像在后续图像配准时产生干扰。
本实施例中,利用深度学***扫CT图像进行训练获得。
本实施例中的脑实质分割模型为卷积神经网络(convolutionalneuralnetworks,简称CNN)。卷积神经网络具有优良的自主特征能力和良好的特征表达能力。作为示例,在利用脑实质分割模型进行去除颅骨、保留脑实质处理时,会对平扫CT图像切片(patch),将分图输入脑实质分割模型,由于卷积神经网络适合有重叠的切图输入,本实施例中,颅骨部分是分割区域,在切分图时要包含周围脑实质区域,目的是为分割区域边缘部分提供纹理信息。在分图输入后,先进行下采样,图像尺寸变小,卷积核通道数量增加。为了获得与输入的图像尺寸大小相同的输出图像,分割脑实质的网络结构可采用全连接并利用上采样操作和反卷积结构,使得图像尺寸变大,卷积核通道数减少,恢复到原图像大小。然后,输入原平扫CT图像和图像颅骨掩模,经过多次下采样后得到特征图,然后将特征图上采样回去,得到相应的预测结果,提取出颅骨结构图像,获得脑实质图像。所述脑实质分割模型的损失函数可根据下式计算:Loss=dice。本发明不限于此,脑实质分割模型也可以采用本领域公开的图像分割方法的架构。
在完成第一步骤S1之后,本发明一实施例的脑卒中早期平扫CT图像评估方法还包括第二步骤S2:将脑部供血区模板图像与经过所述脑实质分割单元处理的平扫CT图像配准,并将所述脑部供血区模板图像标记出的若干分段供血区映射到与其配准的所述平扫CT图像中,获得所述平扫CT图像中的若干分段供血区。本实施例中,所述脑部供血区模板图像种标记出的各个分段供血区可覆盖脑中动脉的典型层面(核团区断层和核团上区断层)和非典型层面,并且所述脑部供血区模板图像中标记的每个分段供血区在左半脑和右半脑均有分布。
可以利用深度学***扫CT图像配准。模板图像与个性化的待评估CT图像进行配准,具体可采用刚性配准方法、非刚性配准方法或者它们的结合。所述刚性配准方法主要采用旋转、平移等方式进行配准。所述非刚性配准方法可以是体素形态学非刚性配准方法。
以体素形态学非刚性配准方法为例,具体可训练大量数据得到图像配准模型,图像配准模型例如是一种卷积神经网络。利用图像配准模型将脑部供血区模板图像与平扫CT图像配准,得到脑部供血区模板图像到平扫CT图像的形变场,随之将脑部供血区模板图像的各个模板供血区分区映射到与其配准的平扫CT图像中。得到配准图像后,即可以从所述平扫CT图像获得与脑部供血区模板图像的各个分段供血区对应的若干分段供血区。
图3是本发明一实施例的图像配准模型的示意图。参见图3,所述图像配准模型中,优化目标是φ=argmin L(f,m,φ)=argminφLsim(f,m,φ)+λLsmooth(φ),其中f和m分别表示固定图像(此处为脑部供血区模板图像)和移动图像(此处为与所述固定图像配准的平扫CT图像),φ为将f坐标映射到m坐标的配准场;m被φ形变,函数Lsim(f,m,φ)测量其两个输入图像之间的图像相似性,Lsmooth(φ)为正则化,λ是正则化权衡参数。Gθ(·,·)的参数化基于类似于UNET的卷积神经网络结构,该结构由带跳跃连接的编码器和解码器部分组成。所述图像配准模型在体素变形中,接受通过将m和f连接成2通道3D图像而形成的单个输入。框架的输入不受特定大小的限制。可以在编码器和解码器阶段都应用3d卷积,内核大小例如为3,步幅例如为2。每个卷积后面都有一个参数为0.2的线性整流函数(RectifiedLinearUnit,ReLU)作为激活函数。卷积层捕获输入图像对的层次特征,用于估计φ。在编码器中,可使用跨步卷积来减少每层空间尺寸的一半。因此,编码器的连续层可以在更粗的输入表示上工作,类似于传统图像配准工作中使用的图像金字塔。在解码阶段,可在向上采样、卷积和连接跳过连接之间交替进行,这些连接将在编码阶段学习到的特性直接传播到生成配准层。解码器的连续层在更大的空间尺度上工作,实现精确的解剖结构的对齐。最小层卷积核的接收范围至少应与f和m中相应体素之间的最大预期位移相同。
本发明不限于此,在另一实施例中,也可以利用传统配准方法将脑部供血区模板图像模板图像与所述平扫CT图像配准,得到所述脑部供血区模板图像到所述平扫CT图像的形变场,随之将所述脑部供血区模板图像标记出的各个分段供血区映射到配准的平扫CT图像中。例如,在一实施例中,将所述脑部供血区模板图像与平扫CT图像配准,并获得所述平扫CT图像中的多个分段供血区的方法包括如下过程:首先,将所述脑部供血区模板图像依次经过刚性配准、仿射形变配准以及弹性形变配准三个步骤与所述平扫CT图像配准;然后,将三次配准的形变场按序相乘,得到所述脑部供血区模板图像到所述平扫CT图像的最终形变场;接着,利用所述最终形变场,将所述脑部供血区模板图像的各个分段供血区形变映射到所述平扫CT图像,从而获得所述平扫CT图像中的各个分段供血区。
在通过第二步骤S2对经过脑实质分割的平扫CT图像进行分段,获得所述平扫CT图像中的若干分段供血区后,本发明实施例的脑卒中早期平扫CT图像评估方法包括第三步骤S3:利用供血区评分模型对所述平扫CT图像中的各个分段供血区的影像表现进行评分。在此,各个分段供血区的影像表现指的是每个分段供血区的图像块相对于非脑卒中的该位置图像的异常程度,对于各个分段供血区,影像表现越差,评分越低(满分例如设为10分),即相应分段供血区的异常程度越高。
本实施例中,对所述平扫CT图像中的各个脑部供血区的影像表现进行评分的方法采用机器学***扫CT图像中的各个分段供血区均训练一个相应的二分类模型作为供血区评分模型,各个所述二分类模型为对应的分段供血区提供0或1的分类结果,0代表正常,1代表异常。
进一步的,一实施例中,可采用随机森林方法实现二分类,并为所述平扫CT图像中的各个分段供血区的评分提供置信空间。作为示例,训练得到上述二分类模型并获得各分段供血区的评分结果的方法包括:首先,通过随机特征的选取,用N来表示训练用例(各段脑实质病理状态的样本)的个数,M表示特征数目(如常规统计量,纹理参数等);然后,确定特征数目m,用于确定决策树上一个节点的决策结果;其中m远小于M;接着,从N个训练用例中以有放回抽样的方式,取样N次,形成一个训练集(即bootstrap取样),并用未抽到的各段脑实质病理状态的样本作预测,评估其误差;然后,对于每一个节点,随机选择m个特征,决策树上每个节点的决定都是基于这些特征确定的,根据这m个特征,计算其最佳的***方式;接着,从脑实质段的数据集中采取有放回的抽样,构造子数据集,子数据集的数据量和原始数据集相同。不同子数据集的元素可以重复,同一个子数据集中的元素也可以重复;然后,利用子数据集来构建子决策树,将这个数据放到每个子决策树中,每个子决策树输出一个结果。对于新的脑实质段做预测,通过对子决策树的判断结果的投票,得到随机森林的输出结果。
本发明不限于此,在另一实施例中,利用针对各个分段供血区的图像块通过深度学***扫CT图像中的每个分段供血区进行评分。所述三分类模型通过对双通道图像进行处理,可以获得分别置于两个通道的左右半脑的对称图像块所对应的分段供血区的影像表现。
图4是利用本发明一实施例的脑卒中早期平扫CT图像评估方法对所述平扫CT图像中的各个分段供血区的影像表现进行评分的示意图。参照图4,一实施例中,根据配准得到的分段供血区,对每一个分段供血区对称地从左右半脑各取出对应的三维图像块,三维图像块只包含相应分段供血区的图像,其他区域灰度值设为0,相应分段供血区的图像位于三维图像块的中心(即相应分段供血区域的图像的中心点位于三维图像块的中心),按照一定顺序叠加为双通道图像进行计算,供血区评分模型对该双通道图像提供0、1或2的分类结果,0代表正常,1代表其中一个设定通道(记为1通道)的图像异常,2代表另一个设定通道(记为2通道)的图像异常,通过通道顺序互换,再得到一个分类结果,然后,基于两次分类结果,对相应的分段供血区的影像表现进行评分,例如,可以设定左半脑和右半脑的初始评分均为10分,然后根据上述两个分类结果,设定如下规则:若两个评分结果均为0,则不扣分,若两个评分结果显示一侧半脑的图像异常,则此侧半脑的分数扣除1分,若显示两侧半脑的图像均异常,则两侧半脑的分数都扣除1分,从而得到相应分段供血区在一侧半脑的评分结果。具体的,如图4所示,输入原平扫CT图像和配准后标记出的分段供血区,依次提取左右半脑中相应分段供血区域的三维图像块(右半脑图像块作平面翻转)叠加为双通道三维图像块输入分类网络模型,经过多次下采样后得到特征图,然后将特征图连接全卷积层即得到分类结果。
在获得待评估的CT图像中的每段脑部供血区图像的评分结果之后,本发明实施例的脑卒中早期平扫CT图像评估方法包括第四步骤S4:综合所述平扫CT图像中的各个分段供血区的影像表现而得到所述平扫CT图像的总体评分。
本实施例中,可以综合当前侧和对侧半脑的评分来计算所述平扫CT图像的总体评分。具体的,利用供血区评分模型对所述平扫CT图像中的各个脑部供血区的影像表现进行评分,综合所述平扫CT图像中的各个分段供血区的影像表现而得到所述平扫CT图像的总体评分的方法可包括如下计算过程:
首先,设定左半脑和右半脑的初始评分均为10分;
其次,将所述平扫CT图像中的各个分段供血区依次利用所述供血区评分模型进行评分,其中,对于任意一个所述分段供血区,分别从左半脑和右半脑取出一个图像块,分别按照两个不同的通道设置并计算得到一个评分结果,然后将图像通道顺序互换,再次计算得到对应的所述分段供血区的一个评分结果,若两个评分结果均为0,则不扣分,若两个评分结果显示一侧半脑的图像异常,则此侧半脑的分数扣除1分,若显示两侧半脑的图像均异常,则两侧半脑的分数都扣除1分;
最后,统计左半脑和右半脑中各个分段供血区的评分结果并比较,取评分较低的一侧作为异常侧,并输出异常侧的评分结果作为所述平扫CT图像的总体评分。
本发明不限于此,在另一实施例中,可以直接将所述平扫CT图像中的各个脑部供血区的分数相加以得到所述平扫CT图像的总体评分,或者,也可以根据经验数据为每个分段供血区的评分结果设置权重系数,然后将每个脑部供血区的评分结果乘以相应的权重系数之后再相加以得到该平扫CT图像的总体评分。
本发明实施例的脑卒中早期平扫CT图像评估方法,可以通过硬件和/或软件程序来实施,解决了目前在对平扫CT图像进行评估存在的主观性问题,其可存储于计算机的可读存储介质中,利用计算机自动进行平扫CT阅片能够减少主观性差异,有助于提高诊断效率和准确性。
本发明实施例还包括一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,当所述计算机程序被一处理器执行时,能够实现上述的本发明实施例的脑卒中早期平扫CT图像评估方法。
上述脑卒中早期平扫CT图像评估方法可采用机器学***扫CT图像评估方法与资深医生手工评分之间的一致性作了对比实验,结果表明本发明实施例的脑卒中早期平扫CT图像评估方法的评分结果是可靠的,因而可以辅助医生进行AIS早期诊断和治疗,有助于释放医生的工作并为病人争取治疗时间。
本发明实施例还包括一种脑卒中早期平扫CT图像评估***。图5是本发明一实施例的脑卒中早期平扫CT图像评估***的结构示意图。参见图5,所述脑卒中早期平扫CT图像评估***包括预处理模块、脑部供血区分段模块、分段评分模块以及综合评分模块。此处平扫CT图像指的是患者在脑卒中急性期采集的平扫CT图像,由于患者个体的差异,要评估的平扫CT图像具有个性化特征。
所述预处理模块可包括图像降噪单元以及脑实质分割单元,所述脑实质分割单元配置为利用脑实质分割模型对图像进行去除颅骨、保留脑实质的处理,所述图像降噪单元配置为对图像进行降噪处理。
所述脑部供血区分段模块配置为将经过所述脑实质分割单元处理的平扫CT图像与脑部供血区模板图像配准,并将所述脑部供血区模板图像标记出的若干分段供血区映射到与其配准的所述平扫CT图像中,获得所述平扫CT图像中的若干分段供血区。所述脑部供血区分段模块可以利用公开的图像配准方法配准到所述平扫CT图像。本发明一实施例中,利用图像配准模型将脑部供血区模板图像与经过所述脑实质分割单元处理的平扫CT图像配准,获得所述脑部供血区模板图像到所述平扫CT图像的形变场。所述图像配准模型通过深度学***扫CT图像评估***中构建。
分段评分模块配置为利用供血区评分模型对所述平扫CT图像中的各个分段供血区的影像表现进行评分。综合评分模块配置为综合所述平扫CT图像中的各个分段供血区的影像表现而得到所述平扫CT图像的总体评分。
此外,所述脑卒中早期平扫CT图像评估***还可包括存储模块,可用来存放上述平扫CT图像、脑部供血区模板图像以及评分结果等。所述脑部供血区模板图像可以有不止一种,不同种类的所述脑部供血区模板图像在对应的年龄范围、平扫CT拍摄参数或者患者的基础疾病等方面构成区别,以便于针对个性化的平扫CT图像选择不同类型的模板图像。
上述脑实质分割模型、所述图像配准模型以及所述供血区评分模型可采用卷积神经网络模型实现,在可以实现其功能的前提下,所述脑实质分割模型、所述图像配准模型以及所述供血区评分模型可以采用各种深度学习方法实现。
上述分段评分模块采用的供血区评分模型例如为基于特征的机器学***扫CT图像中的若干脑部供血区一一对应的多个所述二分类模型,分别对各自对应的脑部供血区的影像表现进行评分,对所述平扫CT图像中的每个分段供血区,可以提取相应图像块后,经过网络计算得到结果,0代表正常,1代表异常。
所述综合评分模块配置为综合所述平扫CT图像中的各个分段供血区的影像表现而得到所述平扫CT图像的总体评分。具体的,在所述平扫CT图像中的各个分段供血区的评分结果都计算完后,可以根据各个分段供血区在一侧半脑的表现,分别统计左右半脑各自的评分,然后取分数较低的一侧作为异常侧,并输出这一侧半脑的评分作为总体评分。通过分段评分模块获得的所述平扫CT图像中的各个分段供血区的评分以及通过上述综合评分模块获得的总体评分均可作为对所述平扫CT图像的评估结果传输给医生。
上述脑卒中早期平扫CT图像评估***所述脑卒中早期平扫CT图像评估***可包括软件服务器平台,图像输入模块获得的平扫CT图像和对应的脑部供血区模板图像传输到软件服务器平台,所述软件服务器平台通过所述图像输入模块得到个性化的平扫CT图像和对应的脑部供血区模板图像,并通过运行上述脑部供血区分段模块、分段评分模块以及综合评分模块以获得针对个性化的平扫CT图像的评估结果,所述评估结果可反馈到医生工作的界面,用于和医院医生专家进行交互,辅助医生根据平扫CT图像进行诊断和治疗。
本实施例中的方法和结构采用递进的方式描述,在后的方法和结构重点描述说明的是与在前的方法和结构的不同之处,相关之处可以参照理解。
上述描述仅是对本发明较佳实施例的描述,并非对本发明权利范围的任何限定,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (8)
1.一种脑卒中早期平扫CT图像评估***,其特征在于,包括:
预处理模块,所述预处理模块包括脑实质分割单元,所述脑实质分割单元配置为利用脑实质分割模型对平扫CT图像进行去除颅骨、保留脑实质的处理;
脑部供血区分段模块,配置为将经过所述脑实质分割单元处理的平扫CT图像与脑部供血区模板图像配准,具体利用图像配准模型将脑部供血区模板图像与经过所述脑实质分割单元处理的平扫CT图像配准,并将所述脑部供血区模板图像标记出的若干分段供血区映射到与其配准的所述平扫CT图像中,获得所述平扫CT图像中的若干分段供血区;
分段评分模块,配置为利用供血区评分模型对所述平扫CT图像中的各个分段供血区的影像表现进行评分,其中,所述平扫CT图像中的每个分段供血区在左半脑和右半脑均有分布,对于所述平扫CT图像中的任意一个分段供血区,从左半脑和右半脑分别获取一个图像块并分别置于两个设定通道,形成双通道图像后,经过所述供血区评分模型计算,提供0、1或2的分类结果,其中,0代表正常,1代表其中一个设定通道的图像异常,2代表另一个设定通道的图像异常,通过通道顺序互换得到两次所述分类结果,然后基于两次所述分类结果,对相应的分段供血区的影像表现进行评分;以及,
综合评分模块,配置为综合所述平扫CT图像中的各个分段供血区的分数而得到所述平扫CT图像的总体评分;
所述图像配准模型为卷积神经网络模型,其中,优化目标是φ=argmin L(f,m,φ)=argminφLsim(f,m,φ)+λLsmooth(φ),f和m分别表示脑部供血区模板图像和平扫CT图像,φ为将f坐标映射到m坐标的配准场,m被φ形变,函数Lsim(f,m,φ)测量其两个输入图像之间的图像相似性,smooth(φ)为正则化,λ是正则化权衡参数;卷积核Gθ(·,·)的参数化基于带跳跃连接的编码器和解码器部分组成的卷积神经网络结构;所述图像配准模型在体素变形中,接受通过将m和f连接成2通道3D图像而形成的单个输入,卷积层捕获输入图像对的层次特征,用于估计φ;在编码器中,使用跨步卷积来减少每层空间尺寸的一半,使编码器的连续层能够在更粗的输入表示上工作;在解码阶段,在向上采样、卷积和连接跳过连接之间交替进行,这些连接将在编码阶段学习到的特性直接传播到生成配准层。
2.根据权利要求1所述的脑卒中早期平扫CT图像评估***,其特征在于,所述脑实质分割模型以及所述供血区评分模型均为卷积神经网络模型。
3.根据权利要求1所述的脑卒中早期平扫CT图像评估***,其特征在于,所述预处理模块还包括图像降噪单元,所述图像降噪单元配置为在在所述脑实质分割单元对所述平扫CT图像进行处理之前先对所述平扫CT图像进行降噪处理。
4.根据权利要求1至3任一项所述的脑卒中早期平扫CT图像评估***,其特征在于,还包括:
存储模块,所述存储模块中存放有两种以上所述脑部供血区模板图像,不同种类的所述脑部供血区模板图像对应的年龄范围、拍摄参数或者基础疾病不同。
5.一种脑卒中早期平扫CT图像评估方法,采用如权利要求1至4任一项所述的脑卒中早期平扫CT图像评估***执行,其特征在于,所述脑卒中早期平扫CT图像评估方法包括:
获取脑部供血区模板图像和平扫CT图像,利用脑实质分割模型分别对所述脑部供血区模板图像和平扫CT图像进行去除颅骨、保留脑实质的脑实质分割处理;
将脑部供血区模板图像与经过脑实质分割处理的平扫CT图像配准,并将所述脑部供血区模板图像中标记出的若干分段供血区映射到与其配准的所述平扫CT图像中,获得所述平扫CT图像中的若干分段供血区;
利用供血区评分模型对所述平扫CT图像中的各个分段供血区的影像表现进行评分;以及,
综合所述平扫CT图像中的各个分段供血区的影像表现而得到所述平扫CT图像的总体评分。
6.如权利要求5所述的脑卒中早期平扫CT图像评估方法,其特征在于,所述脑部供血区模板图像的分段供血区的获取方法包括:
采集同一患者相邻时刻的增强CT图像和MR图像,并利用所述MR图像上对脑部供血区进行标注;以及,
将所述MR图像中经过标注的脑部供血区映射到相邻时刻的增强CT图像中,获得相邻时刻的增强CT图像上的若干脑部供血区域,以所述相邻时刻的增强CT图像作为所述脑部供血区模板图像。
7.如权利要求5所述的脑卒中早期平扫CT图像评估方法,其特征在于,所述供血区评分模型为三分类模型。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被一处理器执行时能实现如权利要求5至7任一项所述的脑卒中早期平扫CT图像评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911056924.2A CN110934606B (zh) | 2019-10-31 | 2019-10-31 | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911056924.2A CN110934606B (zh) | 2019-10-31 | 2019-10-31 | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110934606A CN110934606A (zh) | 2020-03-31 |
CN110934606B true CN110934606B (zh) | 2021-02-12 |
Family
ID=69907210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911056924.2A Active CN110934606B (zh) | 2019-10-31 | 2019-10-31 | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110934606B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111528885B (zh) * | 2020-04-15 | 2023-09-05 | 脑玺(上海)智能科技有限公司 | 一种基于能谱增强ct的图像处理方法 |
CN111524109B (zh) * | 2020-04-16 | 2023-07-25 | 推想医疗科技股份有限公司 | 头部医学影像的评分方法和装置、电子设备及存储介质 |
KR102165840B1 (ko) * | 2020-05-21 | 2020-10-16 | 주식회사 휴런 | 인공지능 기반 뇌졸중 진단 장치 및 방법 |
CN111539956B (zh) * | 2020-07-07 | 2020-12-29 | 南京安科医疗科技有限公司 | 基于脑部辅助图像的脑出血自动检测方法及电子介质 |
CN111803103B (zh) * | 2020-07-20 | 2021-07-13 | 上海杏脉信息科技有限公司 | 一种脑卒中发病时间检测装置及脑卒中治疗*** |
CN111968130B (zh) * | 2020-07-23 | 2023-08-04 | 沈阳东软智能医疗科技研究院有限公司 | 脑部造影图像处理方法、装置、介质及电子设备 |
CN112070781B (zh) * | 2020-08-13 | 2024-01-30 | 沈阳东软智能医疗科技研究院有限公司 | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 |
CN112151179B (zh) * | 2020-09-29 | 2023-11-14 | 上海联影医疗科技股份有限公司 | 影像数据评估方法、装置、设备及存储介质 |
CN112734726B (zh) * | 2020-09-29 | 2024-02-02 | 首都医科大学附属北京天坛医院 | 一种血管造影的分型方法、装置以及设备 |
WO2022071158A1 (ja) * | 2020-10-01 | 2022-04-07 | 富士フイルム株式会社 | 診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラム、認知症診断支援方法、並びに学習済み認知症所見導出モデル |
JPWO2022071160A1 (zh) * | 2020-10-01 | 2022-04-07 | ||
JPWO2022071159A1 (zh) * | 2020-10-01 | 2022-04-07 | ||
CN114638776A (zh) * | 2020-12-15 | 2022-06-17 | 通用电气精准医疗有限责任公司 | 脑卒中早期评估方法与***及脑部区域分割方法 |
CN113012118B (zh) * | 2021-03-05 | 2022-04-19 | 推想医疗科技股份有限公司 | 图像处理方法以及图像处理装置 |
CN113057666B (zh) * | 2021-03-19 | 2023-05-09 | 南方医科大学南方医院 | 一种脑卒中早期图像评估***及方法 |
CN113222974B (zh) * | 2021-05-31 | 2023-12-29 | 沈阳先进医疗设备技术孵化中心有限公司 | 一种侧支循环的自动评价方法和装置 |
CN113273969A (zh) * | 2021-06-22 | 2021-08-20 | 上海市第六人民医院 | 一种脑部缺血状况评估装置、方法、介质及电子设备 |
CN113598795B (zh) * | 2021-08-03 | 2024-03-15 | 罗慕科技(北京)有限公司 | 头颅结构标准率评估装置、方法及计算机可读存储介质 |
CN113610800A (zh) * | 2021-08-05 | 2021-11-05 | 西门子数字医疗科技(上海)有限公司 | 用于评估侧支循环的装置、非诊断方法及电子设备 |
CN113796877A (zh) * | 2021-08-17 | 2021-12-17 | 昆明同心医联科技有限公司 | 脑卒中预测值获取方法、装置及存储介质 |
CN114119519A (zh) * | 2021-11-16 | 2022-03-01 | 高峰 | 一种侧支循环评估方法 |
CN115192057B (zh) * | 2022-09-15 | 2022-12-02 | 威海市博华医疗设备有限公司 | 一种基于ct的复合成像方法及装置 |
CN115331154B (zh) * | 2022-10-12 | 2023-01-24 | 成都西交智汇大数据科技有限公司 | 一种实验步骤评分方法、装置、设备及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545584A (zh) * | 2017-04-28 | 2018-01-05 | 上海联影医疗科技有限公司 | 医学图像中定位感兴趣区域的方法、装置及其*** |
CN108369642A (zh) * | 2015-12-18 | 2018-08-03 | 加利福尼亚大学董事会 | 根据头部计算机断层摄影解释和量化急症特征 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050113680A1 (en) * | 2003-10-29 | 2005-05-26 | Yoshihiro Ikeda | Cerebral ischemia diagnosis assisting apparatus, X-ray computer tomography apparatus, and apparatus for aiding diagnosis and treatment of acute cerebral infarct |
JP4921882B2 (ja) * | 2006-07-31 | 2012-04-25 | 株式会社東芝 | 脳血管診断装置及び医用画像診断装置 |
SG190445A1 (en) * | 2011-02-01 | 2013-07-31 | Agency Science Tech & Res | Method and apparatus for processing of stroke ct scans |
EP3170145B1 (en) * | 2014-07-15 | 2020-03-25 | Koninklijke Philips N.V. | Imaging data statistical testing including a stereotactical normalization with a personalized template image |
CN105005998B (zh) * | 2015-08-05 | 2018-01-09 | 大连理工大学 | 一种基于多角度序列化图像空间特征点集的脑血管图像分割方法 |
CN105212936A (zh) * | 2015-09-09 | 2016-01-06 | 首都医科大学宣武医院 | 一种脑模板的生成方法 |
CN105640583A (zh) * | 2016-03-31 | 2016-06-08 | 上海联影医疗科技有限公司 | 血管造影方法 |
US20190117179A1 (en) * | 2017-10-23 | 2019-04-25 | Mg Stroke Analytics Inc. | Systems And Methods For Deciding Management Strategy in Acute Ischemic Strokes Using Rotational Angiography |
GB201717397D0 (en) * | 2017-10-23 | 2017-12-06 | Brainomix Ltd | Tomographic data analysis |
CN108181107B (zh) * | 2018-01-12 | 2019-08-30 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN109191422B (zh) * | 2018-07-09 | 2021-04-30 | 复旦大学 | 基于常规ct图像的缺血性脑卒中早期检测***和方法 |
CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
CN110111296B (zh) * | 2019-01-30 | 2022-02-22 | 北京慧脑云计算有限公司 | 深度学习的新发皮层下小梗死病灶自动分割***及其方法 |
CN110189306B (zh) * | 2019-05-14 | 2021-02-19 | 上海联影智能医疗科技有限公司 | 脑图像中异常区域对应的责任血管确定方法和设备 |
CN110353639B (zh) * | 2019-07-16 | 2022-04-01 | 脑玺(上海)智能科技有限公司 | 一种基于血管增强造影的供血区定量方法及*** |
-
2019
- 2019-10-31 CN CN201911056924.2A patent/CN110934606B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108369642A (zh) * | 2015-12-18 | 2018-08-03 | 加利福尼亚大学董事会 | 根据头部计算机断层摄影解释和量化急症特征 |
CN107545584A (zh) * | 2017-04-28 | 2018-01-05 | 上海联影医疗科技有限公司 | 医学图像中定位感兴趣区域的方法、装置及其*** |
Non-Patent Citations (2)
Title |
---|
Automated Quantification of Stroke Damage on Brain Computed Tomography Scans: e-ASPECTS;James Hampton-Till;《researchgate》;20150831;第4页右栏至第5页及图1 * |
BIRNet: Brain image registration using dual-supervised fully convolutional networks;Jingfan Fan等;《Medical Image Analysis》;20190322;文献第2.3和第3部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN110934606A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110934606B (zh) | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 | |
Ni et al. | GC-Net: Global context network for medical image segmentation | |
CN109859215B (zh) | 一种基于Unet模型的脑白质高信号自动分割***及其方法 | |
Saikumar et al. | A novel implementation heart diagnosis system based on random forest machine learning technique. | |
CN110934608B (zh) | 脑卒中早期cta图像评估***及评估方法、可读存储介质 | |
CN105760874A (zh) | 面向尘肺的ct图像处理***及其ct图像处理方法 | |
CN110599499B (zh) | 基于多路卷积神经网络的mri图像心脏结构分割方法 | |
Tursynova et al. | 3D U-Net for brain stroke lesion segmentation on ISLES 2018 dataset | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
Qayyum et al. | Automatic segmentation using a hybrid dense network integrated with an 3D-atrous spatial pyramid pooling module for computed tomography (CT) imaging | |
Nizamani et al. | Advance brain tumor segmentation using feature fusion methods with deep U-Net model with CNN for MRI data | |
CN114663445A (zh) | 一种基于多尺度边缘感知的三维心脏图像分割方法 | |
Ramos et al. | Fast and smart segmentation of paraspinal muscles in magnetic resonance imaging with CleverSeg | |
Somasundaram et al. | Brain extraction method for T1-weighted magnetic resonance scans | |
CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
CN112508873A (zh) | 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法 | |
Lecesne et al. | Segmentation of cardiac infarction in delayed-enhancement MRI using probability map and transformers-based neural networks | |
CN116309615A (zh) | 一种多模态mri脑肿瘤图像分割方法 | |
Wan et al. | Ceus-net: Lesion segmentation in dynamic contrast-enhanced ultrasound with feature-reweighted attention mechanism | |
CN114511564A (zh) | 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法 | |
Shijitha et al. | Efficient Morphological Segmentation of Brain Hemorrhage Stroke Lesion Through MultiResUNet. | |
CN112509080A (zh) | 一种基于迁移学习的颅内血管模拟三维模型的建立方法 | |
Kermi et al. | A deep learning-based 3D CNN for automated Covid-19 lung lesions segmentation from 3D chest CT scans | |
Wang et al. | A Benchmark Dataset for Segmenting Liver, Vasculature and Lesions from Large-scale Computed Tomography Data | |
CN116934741B (zh) | 一站式血管壁的成分和定量参数获取方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |