CN110934608B - 脑卒中早期cta图像评估***及评估方法、可读存储介质 - Google Patents
脑卒中早期cta图像评估***及评估方法、可读存储介质 Download PDFInfo
- Publication number
- CN110934608B CN110934608B CN201911063290.3A CN201911063290A CN110934608B CN 110934608 B CN110934608 B CN 110934608B CN 201911063290 A CN201911063290 A CN 201911063290A CN 110934608 B CN110934608 B CN 110934608B
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- cta
- supply area
- blood supply
- 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 54
- 238000011156 evaluation Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002490 cerebral effect Effects 0.000 title abstract description 7
- 206010008190 Cerebrovascular accident Diseases 0.000 title abstract description 6
- 230000036770 blood supply Effects 0.000 claims abstract description 211
- 210000004556 brain Anatomy 0.000 claims abstract description 140
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 108091006146 Channels Proteins 0.000 claims description 23
- 210000003625 skull Anatomy 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 13
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005489 elastic deformation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 13
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000013399 early diagnosis Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 3
- 238000010968 computed tomography angiography Methods 0.000 description 175
- 208000032382 Ischaemic stroke Diseases 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 238000004393 prognosis Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 3
- 238000010969 brain CTA Methods 0.000 description 3
- 239000002131 composite material Substances 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
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036541 health 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
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 239000002872 contrast media Substances 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
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010059245 Angiopathy Diseases 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
- 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
- 206010053648 Vascular occlusion Diseases 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000008859 change 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
- 230000003902 lesion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000003388 posterior cerebral artery Anatomy 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 150000003839 salts Chemical class 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
- 208000019553 vascular disease Diseases 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Pulmonology (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CTA图像评估***和评估方法、可读存储介质。所述评估***包括图像输入模块、脑部供血区分段模块、分段评分模块以及综合评分模块，在获取要评估的CTA图像和对应的脑部供血区模板图像后，利用脑部供血区分段模块可以将脑部供血区模板图像与CTA图像配准，获得CTA图像中的多个分段供血区，通过对CTA图像中的各个脑部供血区的影像表现进行评分并统计，可得到CTA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，可在AIS血管内治疗的急救流程中用作术前筛选工具。所述评估方法和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CTA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。
CT血管造影(CT angiography，简称CTA)图像，指对人体血管注射造影剂的情况下进行CT扫描得到图像，使血管显影更明显。与无造影剂的计算机断层扫描相比，CTA可清楚显示大脑动脉环，以及大脑前、中、后动脉及其主要分支，对闭塞性血管病变可提供重要的诊断依据，对于血管变异、血管疾病以及显示病变和血管关系有重要价值。
目前临床应用对脑部CTA图像进行评估仍然依赖医生的经验。因此，有必要开发可以辅助脑卒中诊断的计算机工具，即使对于脑部CTA图像评估缺乏经验的医生，也可以快速地根据脑卒中早期CTA图像进行诊断评估。
发明内容
本发明提出一种脑卒中早期CTA图像评估***，针对个性化的CTA图像可以进行自动评估，判断图像是否显示异常及异常程度，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CTA图像评估方法和一种可读存储介质。
一方面，本发明提供一种脑卒中早期CTA图像评估***，所述评估***包括图像输入模块、脑部供血区分段模块、分段评分模块以及综合评分模块，所述图像输入模块配置为获取一头颅位置的CTA图像和对应的脑部供血区模板图像，所述脑部供血区模板图像具有标记出的多个分段供血区，所述脑部供血区分段模块配置为将所述脑部供血区模板图像与所述CTA图像配准，并将所述脑部供血区模板图像中标记出的各个分段供血区映射到与其配准的所述CTA图像中，获得所述CTA图像中的多个分段供血区，所述分段评分模块配置为利用供血区评分模型对所述CTA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CTA图像中的各个分段供血区的影像表现而得到所述CTA图像的总体评分。
可选的，所述脑部供血区分段模块包括：
刚性配准单元，配置为将所述脑部供血区模板图像刚性配准到所述CTA图像，获得第一形变场；仿射形变配准单元，配置为对经过刚性配准的所述脑部供血区模板图像通过仿射形变配准到所述CTA图像，获得第二形变场；弹性形变配准单元，配置为对经过仿射形变配准的所述脑部供血区模板图像通过弹性性变配准到所述CTA图像，获得第三形变场；以及形变场计算单元，配置为将所述第一形变场、所述第二形变场以及所述第三形变场依次相乘，获得所述脑部供血区模板图像到所述CTA图像的最终形变场；以及分区映射单元，配置为利用所述最终形变场，将所述脑部供血区模板图像中的各个分段供血区形变映射到所述CTA图像中，获得所述CTA图像中的各个分段供血区。
可选的，所述图像输入模块包括脑实质分割单元，所述脑实质分割单元配置为对所述CTA图像和所述脑部供血区模板图像进行去除颅骨、保留脑实质的处理。
可选的，所述CTA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，所述分段评分模块包括一个所述供血区评分模型，所述供血区评分模型用于对所述CTA图像中的全部分段供血区的影像表现进行评分。
可选的，所述分段评分模块对于所述CTA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。
可选的，所述分段评分模块包括两个以上的所述供血区评分模型，每个所述供血区评分模型用于对所述CTA图像中的部分所述分段供血区的影像表现进行评分。
可选的，至少一个所述供血区评分模型为二分类模型。
一方面，本发明提供一种脑卒中早期CTA图像评估方法，包括以下步骤：
获取一头颅位置的CTA图像和对应的脑部供血区模板图像，所述脑部供血区模板图像具有标记出的多个分段供血区；将所述脑部供血区模板图像与所述CTA图像配准，并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与其配准的所述CTA图像中，获得所述CTA图像中的多个分段供血区；利用供血区评分模型对所述CTA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CTA图像中的各个分段供血区的影像表现而得到所述CTA图像的总体评分。
可选的，将所述CTA图像与所述脑部供血区模板图像配准后获得所述CTA图像中的多个分段供血区的方法包括：
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与所述CTA图像配准；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CTA图像的最终形变场；以及，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CTA图像，获得所述CTA图像中的各个分段供血区。
可选的，所述供血区评分模型为三分类模型或者二分类模型。
可选的，利用供血区评分模型对所述CTA图像中的各个分段供血区的影像表现进行评分，并综合所述CTA图像中的各个分段供血区的影像表现而得到所述CTA图像的总体评分的方法包括：
设定左半脑和右半脑的初始评分均为10分；将所述CTA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；以及，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总体评分。
一方面，提供一种计算机可读存储介质，其上存储有计算机程序，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CTA图像评估方法。
本发明提供的脑卒中早期CTA图像评估***，包括图像输入模块、脑部供血区分段模块、分段评分模块以及综合评分模块，利用所述图像输入模块可以获取一头颅位置的CTA图像(即要评估的CTA图像)和对应的脑部供血区模板图像，所述脑部供血区模板图像具有标记出的多个分段供血区，利用脑部供血区分段模块可以将所述脑部供血区模板图像与所述CTA图像配准，并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与其配准的所述CTA图像中，获得所述CTA图像中的多个分段供血区，利用分段评分模块可以分别对所述CTA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CTA图像的总体评分。所述脑卒中早期CTA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CTA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CTA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是本发明实施例的脑卒中早期CTA图像评估方法的流程图。
图2是本发明实施例的脑卒中早期CTA图像评估***的结构示意图。
图3是利用本发明实施例的脑卒中早期CTA图像评估方法进行图像配准并获得CTA图像中的分段供血区的示意图。
图4是利用本发明实施例的脑卒中早期CTA图像评估方法对所述CTA图像中的各个分段供血区的影像表现进行评分的示意图。
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CTA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CTA图像进行评估，存在比较大的主观性，并且，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CTA图像的计算机工具。
为了减少医生主观性差异，提高脑卒中早期CTA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CTA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是本发明实施例的脑卒中早期CTA图像评估方法的流程示意图。
图2是本发明实施例的脑卒中早期CTA图像评估***的结构示意图。以下参照图1和图2对本发明实施例的脑卒中早期CTA图像评估***及评估方法进行说明。
本发明实施例包括一种脑卒中早期CTA图像评估方法，该评估方法包括第一步骤S1：获取一头颅位置的CTA图像和对应的脑部供血区模板图像，所述脑部供血区模板图像具有标记出的多个分段供血区。所述第一步骤S1可以通过本发明实施例的脑卒中早期CTA图像评估***中的图像输入模块(图2)来执行。
脑部供血区模板图像和CTA图像可以从医院的PACS(影像归档和通信)***获得，其中，所述CTA图像为待评估的CTA图像，具有个性化特征。而脑部供血区模板图像后续用来与所述CTA图像进行配准以对所述CTA图像的大脑中动脉供血区(简称脑供血区)进行分段，以便于标记所述CTA图像中的多个分段供血区。模板匹配有助于克服CTA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，也可以是在执行第一步骤S1时构建的模板图像，所述脑部供血区模板图像上具有多个具有确定位置和范围的分段供血区。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，优选采用高质量的颅脑薄层CTA(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CTA图像。作为示例，用于建立脑部供血区模板图像的CTA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CTA图像后，可由资深的医生在这些横断位CTA图像上对大脑中动脉的供血区域进行标注，即得到了这些CTA图像脑部的分段供血区分段信息，这些得到了分段供血区信息的CTA图像可以作为脑部供血区模板图像。
考虑到直接从CTA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的方式外，还可以采用以下方法：首先，采集同一患者相邻时刻的CTA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标注或者根据经验数据进行标注)；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CTA图像中，获得相邻时刻的CTA图像上的多个脑中动脉分段供血区，然后将所述相邻时刻的CTA图像作为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CTA图像后，本发明实施例的脑卒中早期CTA图像评估方法还可以对所述脑部供血区模板图像和CTA图像进行预处理，如果所选的脑部供血区模板图像已经是经过预处理的图像，则仅对要评估的CTA图像进行预处理。
对CTA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。所述预处理也可以通过本发明脑卒中早期CTA图像评估***中的图像输入模块执行，一实施例中，所述图像输入模块包括图像降噪单元和脑实质分割单元，分别用来执行所述第一类操作和第二类操作。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CTA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，一实施例中，可采用二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升或下降的二维数据序列并滤波输出，二维数据序列对应的中值滤波输出为g(x,y)＝med{f(x-k,y-l),(k,l∈W)}，其中，f(x,y)，g(x,y)分别为原始图像和滤波处理后图像，x，y为像素坐标。W为二维滑动模板。
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，利用深度学习方法精度较高的优点，对图像进行去除颅骨、保留脑实质的处理利用了一神经网络模型称为脑实质分割模型。具体的，所述脑实质分割模型可通过大量具有标注数据的CTA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CTA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CTA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，本发明实施例的脑卒中早期CTA图像评估方法还包括第二步骤S2：将所述脑部供血区模板图像与所述CTA图像配准，并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与其配准的所述CTA图像中，获得所述CTA图像中的多个分段供血区。第二步骤S2可通过本发明脑卒中早期CTA图像评估***中的本实施例中，所述脑部供血区模板图像中的分段供血区在头颅中的分布具有对称性，因此所述脑部供血区模板图像中标记的各个分段供血区在左半脑和右半脑均有分布。
本实施例中，可以利用图像处理技术将所述脑部供血区模板图像与个性化的所述CTA图像配准，得到模板图像到CTA图像的形变场，然后即可将所述脑部供血区模板图像中的分段供血区映射到与其配准的CTA图像中。在进行配准之前，优选所述脑部供血区模板图像和所述CTA图像均为去除颅骨、保留脑实质的CTA图像。
图3是利用本发明实施例的脑卒中早期CTA图像评估方法进行图像配准并获得CTA图像中的分段供血区的示意图。参照图3，将所述脑部供血区模板图像与CTA图像配准，并获得所述CTA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CTA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CTA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CTA图像，从而获得所述CTA图像中的各个分段供血区。
上述第二步骤S2可以通过本发明实施例脑卒中早期CTA图像评估***中的脑部供血区分段模块(图2)执行，具体的，本发明一实施例中，所述脑部供血区分段模块包括：
刚性配准单元，配置为将所述脑部供血区模板图像刚性配准到所述CTA图像，获得第一形变场；
仿射形变配准单元，配置为对经过刚性配准的所述脑部供血区模板图像通过仿射形变配准到所述CTA图像，获得第二形变场；
弹性形变配准单元，配置为对经过仿射形变配准的所述脑部供血区模板图像通过弹性性变配准到所述CTA图像，获得第三形变场；以及，
形变场计算单元，配置为将所述第一形变场、第二形变场、第三形变场依次相乘，获得所述脑部供血区模板图像到所述CTA图像的最终形变场；以及，
分区映射单元，配置为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CTA图像，获得所述CTA图像中的各个分段供血区。
本发明不限于此，在另外的实施例中，也可以通过其它图形处理技术来将脑部供血区模板图像与CTA图像配准。在一实施例中，也可以利用深度学习利用大量具有配准关系的图像训练得到图像配准模型，然后利用所述图像配准模型将脑部供血区模板图像与与个性化的CTA图像进行配准，并利用脑部供血区模板图像对应的分段供血区获得所述CTA图像中的多个分段供血区的位置及范围。
本实施例中，基于所述CTA图像得到的多个分段供血区在头颅左半脑和右半脑均有分布，例如，所述CTA图像可包括十个分段供血区，每个分段供血区的图像可从左半脑和右半脑的相应区域获得。
在通过第二步骤S2对经过脑实质分割的CTA图像进行脑部供血区分段、获得所述CTA图像中的多个分段供血区后，本发明实施例的脑卒中早期CTA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CTA图像中的各个分段供血区的影像表现进行评分。该步骤可以通过本发明脑卒中早期CTA图像评估***中的分段评分模块(图2)来执行。在此，各个分段供血区的影像表现分段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。
对所述CTA图像中的各个分段供血区的影像表现进行评分的方法可采用机器学习的方法，所述供血区评分模型优选是利用深度学习训练得到的神经网络模型。图4是利用本发明实施例的脑卒中早期CTA图像评估方法对所述CTA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，本实施例中，利用针对各个分段供血区的图像块通过深度学习训练，可以得到同一个供血区评分模型，本实施例中采用Resnet训练分类模型，所述供血区评分模型例如为三分类模型，该模型用于对所述CTA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。
具体的，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，并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。
在因此，对于左半脑或右半脑，均可以，表明相应的分段供血区在左半脑和右半脑的图像均是正常的，表面相应的分段供血区在一侧半脑的图像异常
具体的，分别从左右半脑取出的一组对应的三维图像块，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)。在图像块的输入部分，采用卷积神经网络结构对三维图像块进行下采样，图像块尺寸变小，通道数量增加。如图4所示，输入原CTA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。
本发明不限于此，在另一实施例中，所述分段评分模块包括两个以上的所述供血区评分模型，每个所述供血区评分模型仅对所述CTA图像中的部分分段供血区的影像表现进行评分，这样有助于减少供血区评分模型的训练难度，提升模型的分类准确性。
此外，本发明也可以采用二分类模型对所述CTA图像中的各个分段供血区的影像表现进行评分。也即，至少一个所述供血区评分模型为二分类模型。在一实施例中，所述分段评分模块包括与所述CTA图像中的各个分段供血区一一对应的多个二分类模型。可对应于所述CTA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。
在获得所述CTA图像中的各个脑部供血区的的评分后，本发明实施例还包括第四步骤S4：综合所述CTA图像中的各个脑部供血区的影像表现而得到所述CTA图像的总体评分。该步骤可以通过本发明脑卒中早期CTA图像评估***中的综合评分模块(图2)执行。
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CTA图像的总体评分。具体的，利用供血区评分模型对所述CTA图像中的各个脑部供血区的影像表现进行评分，综合所述CTA图像中的各个分段供血区的影像表现而得到所述CTA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CTA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CTA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CTA图像中的各个脑部供血区的分数相加以得到所述CTA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CTA图像的总体评分。
本发明实施例的脑卒中早期CTA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CTA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，能够实现上述的脑卒中早期CTA图像评估方法。
上述脑卒中早期CTA图像评估***及评估方法采用了机器学习训练得到的神经网络模型，使得评分智能化，可以基于GPU进行加速计算，阅片速度极快，提高了诊断效率。实验中，利用上述脑卒中早期CTA图像评估方法对同一CTA图像得到的评分结果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CTA图像评估方法的评分结果是可靠的，可用来辅助医生进行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。
本发明实施例的脑卒中早期CTA图像评估***还可包括存储模块，可用来存放上述CTA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CTA图像选择不同类型的模板图像。所述脑卒中早期CTA图像评估***可包括软件服务器平台，图像输入模块获得的CTA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CTA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CTA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CTA图像进行诊断和治疗。
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 (7)
1.一种脑卒中早期CTA图像评估***，其特征在于，包括：
图像输入模块，配置为获取一头颅位置的CTA图像和对应的脑部供血区模板图像，所述脑部供血区模板图像具有标记出的多个分段供血区；
脑部供血区分段模块，配置为将所述脑部供血区模板图像与所述CTA图像配准，并将所述脑部供血区模板图像中标记出的各个分段供血区映射到与其配准的所述CTA图像中，获得所述CTA图像中的多个分段供血区；
分段评分模块，配置为利用供血区评分模型对所述CTA图像中的各个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CTA图像中的各个分段供血区的影像表现而得到所述CTA图像的总体评分；
其中，所述CTA图像中的每个分段供血区在左半脑和右半脑均有分布，所述分段评分模块对于所述CTA图像中的任意一个分段供血区，从左半脑和右半脑分别取出对应的三维图像块，并按照一定顺序叠加为双通道图像进行计算，所述供血区评分模型对所述双通道图像提供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，再得到一个分类结果，然后，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。
2.根据权利要求1所述的脑卒中早期CTA图像评估***，其特征在于，所述脑部供血区分段模块包括：
刚性配准单元，配置为将所述脑部供血区模板图像刚性配准到所述CTA图像，获得第一形变场；
仿射形变配准单元，配置为对经过刚性配准的所述脑部供血区模板图像通过仿射形变配准到所述CTA图像，获得第二形变场；
弹性形变配准单元，配置为对经过仿射形变配准的所述脑部供血区模板图像通过弹性性变配准到所述CTA图像，获得第三形变场；
形变场计算单元，配置为将所述第一形变场、所述第二形变场以及所述第三形变场依次相乘，获得所述脑部供血区模板图像到所述CTA图像的最终形变场；以及，
分区映射单元，配置为利用所述最终形变场，将所述脑部供血区模板图像中的各个分段供血区形变映射到所述CTA图像中，获得所述CTA图像中的各个分段供血区。
3.根据权利要求1所述的脑卒中早期CTA图像评估***，其特征在于，所述图像输入模块包括脑实质分割单元，所述脑实质分割单元配置为对所述CTA图像和所述脑部供血区模板图像进行去除颅骨、保留脑实质的处理。
4.根据权利要求1所述的脑卒中早期CTA图像评估***，其特征在于，所述分段评分模块包括一个所述供血区评分模型，所述供血区评分模型用于对所述CTA图像中的全部分段供血区的影像表现进行评分。
5.一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下步骤：
获取一头颅位置的CTA图像和对应的脑部供血区模板图像，所述脑部供血区模板图像具有标记出的多个分段供血区；
将所述脑部供血区模板图像与所述CTA图像配准，并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与其配准的所述CTA图像中，获得所述CTA图像中的多个分段供血区；
利用供血区评分模型对所述CTA图像中的各个分段供血区的影像表现进行评分，具体包括：所述CTA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CTA图像中的任意一个分段供血区，从左半脑和右半脑分别取出对应的三维图像块，并按照一定顺序叠加为双通道图像进行计算，所述供血区评分模型对所述双通道图像提供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，再得到一个分类结果，然后，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；以及，
综合所述CTA图像中的各个分段供血区的影像表现而得到所述CTA图像的总体评分。
6.如权利要求5所述的计算机可读存储介质，其特征在于，将所述CTA图像与所述脑部供血区模板图像配准后获得所述CTA图像中的多个分段供血区的方法包括：
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与所述CTA图像配准；
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CTA图像的最终形变场；以及，
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CTA图像，获得所述CTA图像中的各个分段供血区。
7.如权利要求5所述的计算机可读存储介质，其特征在于，利用供血区评分模型对所述CTA图像中的各个分段供血区的影像表现进行评分，并综合所述CTA图像中的各个分段供血区的影像表现而得到所述CTA图像的总体评分的方法包括：
设定左半脑和右半脑的初始评分均为10分；
将所述CTA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；以及，
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总体评分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911063290.3A CN110934608B (zh) | 2019-10-31 | 2019-10-31 | 脑卒中早期cta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 |
|---|---|---|---|
| CN201911063290.3A CN110934608B (zh) | 2019-10-31 | 2019-10-31 | 脑卒中早期cta图像评估***及评估方法、可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110934608A CN110934608A (zh) | 2020-03-31 |
| CN110934608B true CN110934608B (zh) | 2020-11-13 |
Family
ID=69907196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911063290.3A Active CN110934608B (zh) | 2019-10-31 | 2019-10-31 | 脑卒中早期cta图像评估***及评估方法、可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110934608B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111938686B (zh) * | 2020-08-17 | 2021-04-20 | 上海市第六人民医院 | 一种脑部医学图像处理装置及方法 |
| CN112907563B (zh) * | 2021-03-17 | 2023-12-01 | 复旦大学附属华山医院 | 基于深度学习的cta全自动侧枝循环评分方法及*** |
| 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 |
| CN113674228B (zh) * | 2021-08-06 | 2024-06-25 | 沈阳东软智能医疗科技研究院有限公司 | 颅脑供血区的识别方法、装置、存储介质和电子设备 |
| CN113963001B (zh) * | 2021-10-25 | 2023-05-23 | 中国人民解放军总医院第一医学中心 | 一种基于多时相cta的侧支循环血管定量方法 |
| CN114463288B (zh) * | 2022-01-18 | 2023-01-10 | 深圳市铱硙医疗科技有限公司 | 脑部医学影像评分方法、装置、计算机设备和存储介质 |
Citations (7)
| 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 |
| CN109658400A (zh) * | 2018-12-14 | 2019-04-19 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的评分方法及*** |
| CN109685123A (zh) * | 2018-12-14 | 2019-04-26 | 强联智创（北京）科技有限公司 | 一种基于头颅ct影像的评分方法及*** |
| CN109712122A (zh) * | 2018-12-14 | 2019-05-03 | 强联智创（北京）科技有限公司 | 一种基于头颅ct影像的评分方法及*** |
| CN109741299A (zh) * | 2018-12-14 | 2019-05-10 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的目标区域的错误检测方法及*** |
| CN110353639A (zh) * | 2019-07-16 | 2019-10-22 | 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*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2019
- 2019-10-31 CN CN201911063290.3A patent/CN110934608B/zh active Active
Patent Citations (7)
| 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*** |
| CN109658400A (zh) * | 2018-12-14 | 2019-04-19 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的评分方法及*** |
| CN109685123A (zh) * | 2018-12-14 | 2019-04-26 | 强联智创（北京）科技有限公司 | 一种基于头颅ct影像的评分方法及*** |
| CN109712122A (zh) * | 2018-12-14 | 2019-05-03 | 强联智创（北京）科技有限公司 | 一种基于头颅ct影像的评分方法及*** |
| CN109741299A (zh) * | 2018-12-14 | 2019-05-10 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的目标区域的错误检测方法及*** |
| CN110353639A (zh) * | 2019-07-16 | 2019-10-22 | 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*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110934608A (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 | |
| CN110934608B (zh) | 脑卒中早期cta图像评估***及评估方法、可读存储介质 | |
| Li et al. | Deep learning for hemorrhagic lesion detection and segmentation on brain CT images | |
| Ni et al. | GC-Net: Global context network for medical image segmentation | |
| US10748451B2 (en) | Methods and systems for generating fluid simulation models | |
| CN113506310B (zh) | 医学图像的处理方法、装置、电子设备和存储介质 | |
| EP1542589B1 (en) | Display of image data information | |
| Golla et al. | Convolutional neural network ensemble segmentation with ratio-based sampling for the arteries and veins in abdominal CT scans | |
| CN116051826A (zh) | 基于dsa影像连续帧序列的冠脉血管分割方法、计算机设备和可读存储介质 | |
| Zhou et al. | Interpreting medical images | |
| CN112509075A (zh) | 基于智慧医疗的颅内血管病灶标记与三维显示方法 | |
| CN114170151A (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
| 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 | |
| Ramos et al. | Fast and smart segmentation of paraspinal muscles in magnetic resonance imaging with CleverSeg | |
| CN112509076A (zh) | 基于智慧医疗的颅内血管病灶标记与三维显示*** | |
| 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 | |
| García et al. | A deep learning model for brain vessel segmentation in 3DRA with arteriovenous malformations | |
| Wan et al. | Ceus-net: Lesion segmentation in dynamic contrast-enhanced ultrasound with feature-reweighted attention mechanism | |
| CN113706541B (zh) | 一种图像处理方法及装置 | |
| CN114170337A (zh) | 一种基于迁移学习的颅内血管增强三维模型的建立方法 | |
| 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 | |
| Rajesh | Preprocessing and Skull Stripping of Brain Tumor Extraction from Magnetic Resonance Imaging Images Using Image Processing | |
| Ivantsits et al. | Deep Learning-Based 3D U-Net Cerebral Aneurysm Detection | |
| CN112669439B (zh) | 基于迁移学习的颅内血管造影增强三维模型的建立方法 | |
| Allgöwer et al. | Liver Tumor Segmentation Using Classical Algorithms & Deep Learning |
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 |