CN111524109B - 头部医学影像的评分方法和装置、电子设备及存储介质 - Google Patents
头部医学影像的评分方法和装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111524109B CN111524109B CN202010300520.XA CN202010300520A CN111524109B CN 111524109 B CN111524109 B CN 111524109B CN 202010300520 A CN202010300520 A CN 202010300520A CN 111524109 B CN111524109 B CN 111524109B
- Authority
- CN
- China
- Prior art keywords
- segmentation map
- medical image
- scoring result
- cerebral ischemia
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种头部医学影像的评分方法和装置、电子设备及存储介质,所述方法包括:根据所述头部医学影像,获取所述头部医学影像的脑缺血分割图;根据所述头部医学影像,获取所述头部医学影像的供血区分割图;根据所述脑缺血分割图和所述供血区分割图,输出评分结果,能够实现ASPECTS评分全自动化,解决人工评估导致的一致性差异大的问题。
Description
技术领域
本申请涉及医学影像和计算机技术领域,具体涉及一种头部医学影像的 评分方法和装置、电子设备及存储介质。
背景技术
ASPECTS(Alberta Stroke Program Early CT Score)评分是脑卒中的一个 重要诊断和治疗依据,由Barber等学者于2000年提出。该评分方法针对急 性脑卒中的病人,依据其头部医学影像数据,将大脑中动脉供血的重要层面 分成10个区域,包括位于核团层面的尾状核头(C)、豆状核(L)、内囊后肢(IC)、 岛带(I)、M1(大脑中动脉前皮质区)、M2(大脑中动脉岛叶外侧皮质区)、M3(大 脑中动脉后皮质区),以及位于核团以上层面(核团上层)的M4(M1上方的大脑中动脉皮层)、M5(M2上方的大脑中动脉皮层)和M6(M3上方的大脑中动脉皮层)。上述10个区域具有相同的权重,各占1分,总分为10分。总分 中减去存在早期缺血性改变的扣分区域的个数,所得的数值作为评分结果, 为病情判断并治疗提供依据。
目前在临床应用中,为获得ASPECTS评分,主要依赖肉眼进行评估。 由于不同影像设备、不同技术人员、不同病人状况等因素的存在,不能保证 头部医学影像数据的一致性,用肉眼进行ASPECTS评分,主观性带来的差异较大;同时,由于内囊后肢在CT影像上其密度较正常脑实质稍低,因此 在评分时容易误判;M1~M6区域相邻区域出现低密度灶时,存在评分者个 人主观评判。因此,这种“肉眼判断法”可操作性不强。
发明内容
有鉴于此,本申请的实施例致力于提供一种头部医学影像的评分方法和 装置、电子设备及存储介质,能够实现ASPECTS评分全自动化,解决人工 评估导致的一致性差异大的问题。
根据本申请实施例的第一方面,提供了一种头部医学影像的评分方法, 包括:根据所述头部医学影像,获取所述头部医学影像的脑缺血分割图;根 据所述头部医学影像,获取所述头部医学影像的供血区分割图;根据所述脑 缺血分割图和所述供血区分割图,输出评分结果。
在一个实施例中,所述根据所述头部医学影像,获取所述头部医学影像 的供血区分割图,包括:根据所述头部医学影像和脑供血区图谱模板,通过 图像配准,得到变形场;根据所述变形场,通过变换操作,得到所述供血区 分割图。
在一个实施例中,所述方法还包括:根据所述变形场,确定所述头部医 学影像中的目标影像层所在帧位置;根据所述头部医学影像中的目标影像层 所在帧位置,确定所述脑缺血分割图的目标影像层所在帧和所述供血区分割 图的目标影像层所在帧。
在一个实施例中,所述根据所述脑缺血分割图和所述供血区分割图,输 出评分结果,包括:根据所述脑缺血分割图的目标影像层所在帧和所述供血 区分割图的目标影像层所在帧,确定所述评分结果。
在一个实施例中,所述根据所述脑缺血分割图的目标影像层所在帧和所 述供血区分割图的目标影像层所在帧,确定所述评分结果,包括:根据所述 脑缺血分割图的目标影像层所在帧和所述供血区分割图的目标影像层所在 帧,通过点积操作,得到具有脑缺血的目标影像层所在帧;根据所述具有脑 缺血的目标影像层所在帧,确定所述评分结果。
在一个实施例中,所述根据所述具有脑缺血的目标影像层所在帧,确定 所述评分结果,包括:根据所述具有脑缺血的目标影像层所在帧,确定所述 具有脑缺血的目标影像层的每个目标区域中的脑缺血区的第一容积;根据所 述第一容积,确定所述评分结果。
在一个实施例中,所述方法还包括:根据所述供血区分割图的目标影像 层所在帧,确定所述目标影像层的每个目标区域的第二容积。
在一个实施例中,所述根据所述第一容积,确定所述评分结果,包括: 所述根据所述第一容积和所述第二容积,确定所述评分结果。
在一个实施例中,所述根据所述第一容积和所述第二容积,确定所述评 分结果,包括:确定所述第一容积和所述第二容积的容积比;将所述容积比 与第一预设阈值进行比较,得到所述目标影像层的每个目标区域的第一子评 分结果;根据所述第一子评分结果,确定所述评分结果。
在一个实施例中,所述第一子评分结果为所述目标影像层的每个目标区 域为扣分区域的集合。
在一个实施例中,所述根据所述第一子评分结果,确定所述评分结果, 包括:从总分中减去所述扣分区域的权重,得到第三子评分结果;根据所述 第三子评分结果,确定所述评分结果。
在一个实施例中,所述根据所述第三子评分结果,确定所述评分结果, 包括:根据所述第三子评分结果和所述第一子评分结果,确定所述评分结果。
在一个实施例中,所述方法还包括:将所述容积比与第二预设阈值进行 比较,得到所述目标影像层的每个目标区域的第二子评分结果,所述第二子 评分结果为所述目标影像层的每个目标区域存在脑缺血区域的集合。
在一个实施例中,所述根据所述第三子评分结果,确定所述评分结果, 包括:根据所述第一子评分结果、所述第二子评分结果和所述第三子评分结 果,确定所述评分结果。
在一个实施例中,所述根据所述头部医学影像,获取所述头部医学影像 的脑缺血分割图,包括:根据所述头部医学影像,通过分割模型,得到所述 脑缺血分割图。
根据本申请实施例的第二方面,提供了一种头部医学影像的评分装置, 包括:第一获取模块,配置为根据所述头部医学影像,获取所述头部医学影 像的脑缺血分割图;第二获取模块,配置为根据所述头部医学影像,获取所 述头部医学影像的供血区分割图;评分模块,配置为根据所述脑缺血分割图 和所述供血区分割图,输出评分结果。
根据本申请实施例的第三方面,提供了一种电子设备,包括:处理器, 用于执行上述任一实施例所提及的头部医学影像的评分方法;用于存储所述 处理器可执行指令的存储器。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,所述 存储介质存储有计算机程序,所述计算机程序用于执行上述任一实施例所提 及的头部医学影像的评分方法。
本申请的实施例所提供的一种头部医学影像的评分方法,首先根据头部 医学影像,来获取头部医学影像的脑缺血分割图,然后根据头部医学影像, 来获取头部医学影像的供血区分割图,最后根据脑缺血分割图和供血区分割 图,输出评分结果,能够实现ASPECTS评分全自动化,解决人工评估导致 的一致性差异大的问题。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其 他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一 步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请, 并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或 步骤。
图1是本申请实施例所提供的一种实施环境的示意图。
图2是本申请一个实施例提供的头部医学影像的评分***的框图。
图3是本申请一个实施例提供的头部医学影像的评分方法的流程示意 图。
图4a为本申请一个实施例提供的核团层中的供血区域的示意图。
图4b为本申请一个实施例提供的核团上层中的供血区域的示意图。
图5所示为本申请一个实施例提供的头部医学影像的评分装置的框图。
图6所示为本申请一个实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行 清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不 是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出 创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
申请概述
头部医学图像是反映头部解剖区域内部结构或内部功能的图像,它是由 一组图像元素——像素(2D)或立体像素(3D)组成的。头部医学图像是 由采样或重建产生的离散性图像表征,它能将数值映射到不同的空间位置上。 头部医学图像大多数是放射成像,功能性成像,磁共振成像,超声成像这几 种方式。头部医学图像多是单通道灰度图像,尽管大量头部医学图像是3D 的,但是医学图像中没有景深这种概念。1895年,伦琴发现了X射线,再 一次促进了医学的发展。利用X射线,人们可以观察到人体的内部结构,为医生提供了更为丰富的信息。目前医学上的数字影像设备包括CT、MTI、 CR、DR等,它们通常以DICOM3.0作为标准的文件格式。
深度学习通过建立具有阶层结构的人工神经网络,在计算***中实现人 工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选, 因此深度学习具有表征学习能力,可以实现端到端的监督学习和非监督学习。 深度学习所使用的阶层结构的人工神经网络具有多种形态,其阶层的复杂度 被通称为“深度”,按构筑类型,深度学习的形式包括多层感知器、卷积神经 网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标,该过程被通称为“学习”,深度学习提出了一种让计算机自动学习出模式特征的方法,并将特征学习融入到 了建立模型的过程中,从而减少了人为设计特征造成的不完备性。
神经网络是一种运算模型,由大量的节点(或称神经元)之间相互连接 构成,每个节点对应一个策略函数,每两个节点间的连接代表一个对于通过 该连接信号的加权值,称之为权重。神经网络一般包括多个神经网络层,上 下网络层之间相互级联,第i个神经网络层的输出与第i+1个神经网络层的 输入相连,第i+1个神经网络层的输出与第i+2个神经网络层的输入相连, 以此类推。训练样本输入级联的神经网络层后,通过每个神经网络层输出一 个输出结果,该输出结果作为下一个神经网络层的输入,由此,通过多个神经网络层计算获得输出,比较输出层的输出的预测结果与真正的目标值,再 根据预测结果与目标值之间的差异情况来调整每一层的权重矩阵和策略函 数,神经网络利用训练样本不断地经过上述调整过程,使得神经网络的权重 等参数得到调整,直到神经网络输出的预测结果与真正的目标结果相符,该 过程就被称为神经网络的训练过程。神经网络经过训练后,可得到神经网络 模型。
针对如前所述的技术问题,本申请的基本构思是提出一种头部医学影像 的评分方法,主要是根据头部医学影像,来获取头部医学影像的脑缺血分割 图,然后根据头部医学影像,来获取头部医学影像的供血区分割图,最后根 据脑缺血分割图和供血区分割图,输出评分结果,能够实现ASPECTS评分全自动化,解决人工评估导致的一致性差异大的问题。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的 各种非限制性实施例。
示例性***
图1是本申请实施例所提供的一种实施环境的示意图。该实施环境包括 CT扫描仪130、服务器120和计算机设备110。计算机设备110可以从CT 扫描仪130处获取头部医学影像,同时,计算机设备110还可以与服务器120之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
CT扫描仪130用于对人体组织进行X线扫描,得到人体组织的CT图 像。在一实施例中,通过CT扫描仪130对头部进行扫描,可以得到头部医 学影像。
计算机设备110可以是通用型计算机或者由专用的集成电路组成的计 算机装置等,本申请实施例对此不做限定。例如,计算机设备110可以是平 板电脑等移动终端设备,或者也可以是个人计算机(Personal Computer,PC), 比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓,上述计算机设备110的数量可以一个或多个,其类型可以相同或者不同。比如上 述计算机设备110可以为一个,或者上述计算机设备110为几十个或几百个, 或者更多数量。本申请实施例对计算机设备110的数量和设备类型不加以限定。
计算机设备110中可以部署有分割模型,用于对头部医学影像进行分割。 在一些可选的实施例中,计算机设备110可以利用其上部署的分割模型将其 从CT扫描仪130获取的头部医学影像进行分割,以分割出脑缺血分割图, 然后计算机设备110再利用图像配准技术对头部医学影像进行分割,以获得供血区分割图,最后计算机设备110根据供血区分割图和脑缺血分割图,输 出评分结果,这样能够实现ASPECTS评分全自动化,解决人工评估导致的 一致性差异大的问题。
服务器120是一台服务器,或者由若干台服务器组成,或者是一个虚拟 化平台,或者是一个云计算服务中心。在一些可选的实施例中,服务器120 接收计算机设备110采集到的头部医学影像,并根据经过标记的头部医学图 像来训练分割模型。计算机设备110可以将其从CT扫描仪130获取到的头 部医学影像发送给服务器120,服务器120利用其上训练出的分割模型对头 部医学影像进行分割,以分割出脑缺血分割图,然后服务器120再利用图像 配准技术对头部医学影像进行分割,以获得供血区分割图,服务器120供血 区分割图和脑缺血分割图,计算出评分结果,最后服务器120将评分结果发 送给计算机设备110,以便用户查看评分结果。这样,能够实现ASPECTS 评分全自动化,解决人工评估导致的一致性差异大的问题。
图2是本申请一个实施例提供的头部医学影像的评分***的框图。如图 2所示,该***包括:
预处理模块21,用于对原始头部医学影像A进行归一化、去燥处理和/ 或图像增强处理,获得头部医学影像B;
分割模型22,用于根据头部医学影像B,得到脑缺血分割图C;
图像配准模块23,用于根据头部医学影像B和脑供血区图谱模板D, 得到变形场E;
变换操作模块24,用于根据变形场E,得到供血区分割图F;
定位模块25,用于根据变形场E和头部医学影像B,确定头部医学影 像中的目标影像层所在帧位置G;
子定位模块26,用于根据头部医学影像中的目标影像层所在帧位置G, 确定脑缺血分割图的目标影像层所在帧H和供血区分割图的目标影像层所 在帧I;
点积操作模块27,用于根据脑缺血分割图的目标影像层所在帧H和供 血区分割图的目标影像层所在帧I,得到具有脑缺血的目标影像层所在帧J;
容积计算模块28,用于根据具有脑缺血的目标影像层所在帧J,确定目 标影像层的每个目标区域中的脑缺血区的第一容积K,并根据供血区分割图 的目标影像层所在帧I,确定目标影像层的每个目标区域的第二容积L;
评分模块29,根据第一容积K和第二容积L,确定评分结果M。
参照图2中带箭头实线所示的数据流向,以此方式来获取本实施例中的 评分结果M。
示例性方法
图3是本申请一个实施例提供的头部医学影像的评分方法的流程示意 图。图3所述的方法由计算设备(例如,服务器)来执行,但本申请实施例 不以此为限。服务器可以是一台服务器,或者由若干台服务器组成,或者是 一个虚拟化平台,或者是一个云计算服务中心,本申请实施例对此不作限定。
如图3所示,该方法包括:
S301:根据所述头部医学影像,获取所述头部医学影像的脑缺血分割图。
在一实施例中,头部医学影像可以是对原始头部医学影像进行归一化、 去燥处理和/或图像增强处理所获得的医学影像,原始头部医学影像可以是 通过计算机断层扫描摄影(Computed Tomography,CT)、计算机X线摄影 (Computed Radiography,CR)、数字化X线摄影(Digital Radiography, DR)、核磁共振或超声等技术直接获得的影像。但是在拍摄原始头部医学 影像的过程中,可能会引入噪声,影响图像的清楚准确的显示,所以可以对原始头部医学影像进行预处理,例如,可以利用高斯滤波器或中值滤波器去 除原始头部医学影像中的噪声。图像增强处理可以包括大小调整、裁剪、旋 转、归一化以及标准化等,以提高头部医学影像的分割区域的信噪比。在预 处理过程中,可以采用其中一种或多种对原始头部医学影像进行增强处理, 以便于后续的图像分割的过程。图像增强处理可以在去噪处理之前或之后进行。原始头部医学影像在经历一些处理或攻击后,例如图像增强和/或去噪处理,可以得到多种副本图像,这些副本图像在经过相同参数的图像归一化 处理后能够得到相同形式的标准图像,即头部医学影像。
在另一实施例中,可以对头部医学影像进行一些图像分割算法处理,来 获取头部医学影像的脑缺血分割图,但是需要说明的是,本申请实施例并不 限定图像分割算法的具体类型,其可以为传统视觉的图分割算法,也可以为 深度学习算法,还可以为深度学习算法和边缘后处理相结合的算法。
在另一实施例中,脑缺血分割图为将头部医学影像中的脑缺血区域分割 出来后的图像,其可以为一个图像矩阵,该图像矩阵中各个元素可以用1或 0进行表示,其中1表示脑缺血区域,0表示背景区域,即,该脑缺血分割 图可以看成是一个二值图像。
S302:根据所述头部医学影像,获取所述头部医学影像的供血区分割图。
在一实施例中,可以对头部医学影像进行一些图像分割算法处理,来获 取头部医学影像的供血区分割图,但是需要说明的是,本申请实施例并不限 定图像分割算法的具体类型,其可以为传统视觉的图分割算法,也可以为深 度学习算法,还可以为深度学习算法和边缘后处理相结合的算法。
在另一实施例中,将头部医学影像中的脑部区域按照供血区域进行划分, 得到了头部医学影像中不同的供血区,即,供血区分割图,其可以为一个图 像矩阵,该图像矩阵中各个元素可以用1或0进行表示,其中1表示供血区 域,0表示背景区域,即,该供血区分割图可以看成是一个二值图像。
在另一实施例中,如图4a和4b所示,供血区域可以包括位于核团层的 尾状核头(C)、豆状核(L)、内囊后肢(IC)、岛带(I)、M1(大脑中动脉前皮质区)、 M2(大脑中动脉岛叶外侧皮质区)、M3(大脑中动脉后皮质区),以及核团上层 的M4(M1上方的大脑中动脉皮层)、M5(M2上方的大脑中动脉皮层)和M6(M3上方的大脑中动脉皮层)。
S302:根据所述脑缺血分割图和所述供血区分割图,输出评分结果。
在一实施例中,可以根据脑缺血分割图和供血区分割图,来输出评分结 果。但是,需要说明的是,本申请实施例并不限定如何根据脑缺血分割图和 供血区分割图,来输出评分结果,例如,可以根据脑缺血分割图和供血区分 割图来确定供血区分割图中的上述哪些供血区域中存在脑缺血区域,且脑缺血区域所占比例较高,那么此供血区域就是扣分区域,以此得到评分结果。
在另一实施例中,评分结果可以是指一个具体的分数,也可以指哪些供 血区域为扣分区域,还可以是指哪些供血区域中存在脑缺血区域,本申请实 施例对此并不作具体限定。
由此可见,首先根据头部医学影像,来获取头部医学影像的脑缺血分割 图,然后根据头部医学影像,来获取头部医学影像的供血区分割图,最后根 据脑缺血分割图和供血区分割图,输出评分结果,能够实现ASPECTS评分 全自动化,解决人工评估导致的一致性差异大的问题。
在本申请另一实施例中,所述根据所述头部医学影像,获取所述头部医 学影像的供血区分割图,包括:根据所述头部医学影像和脑供血区图谱模板, 通过图像配准,得到变形场;根据所述变形场,通过变换操作,得到所述供 血区分割图。
在一实施例中,对头部医学影像和脑供血区图谱模板进行图像配准,可 以得到变形场,然后利用变形场将脑供血区图谱模板变换到头部医学影像空间,可以得到供血区分割图。但是需要说明的是,本申请实施例并不限定图 像配准的具体类型,可以为线性配准,也可以为非线性配准。
在另一实施例中,利用图像配准将头部医学影像映射到脑供血区图谱模 板上,可以得到一系列变形场,然后将一系列变形场应用到脑供血区图谱模 板上,可以得到变形后的脑供血区图谱模板,最后对变形后的脑供血区图谱 模板进行融合,得到最终的供血区分割图。其中,融合的方法可以包括多数 表决方法、加权表决方法、STAPLE算法或SIMPLE方法等,本申请实施例 对融合的方法不作具体限定。
在另一实施例中,脑供血区图谱模板是指供血区已经分割好的模板,即, 二值图像,其中1表示供血区域,0表示背景区域。由于供血区已经分割好 的模板的建立,是一种全局的先验知识的运用,因此图谱配准的分割方法引 入了形状先验信息,无需手动设置初始边界、对噪声和偏移场不敏感。
在本申请另一实施例中,所述方法还包括:根据所述变形场,确定所述 头部医学影像中的目标影像层所在帧位置;根据所述头部医学影像中的目标 影像层所在帧位置,确定所述脑缺血分割图的目标影像层所在帧和所述供血 区分割图的目标影像层所在帧。
在一实施例中,由于变形场是通过将头部医学影像与脑供血区图谱模板 图像配准得到的,且头部具有固定解剖学结构,所以变形场可以将头部医学 影像与脑供血区图谱模板中的具体解剖学结构进行一一对应,也就是说,通 过图像配准,能进行位置的对准,所以变形场的作用是用于匹配头部医学影 像的供血区的位置,也就是定位的作用。
在另一实施例中,由于单帧的头部医学影像是具有一定厚度的层面影像, 常用的是横断面,为了显示整个器官,需要多个连续的层面影像。因此,进 行ASPECTS评分时,需要结合一系列多帧影像进行观察,从而予以评价, 本实施例中的头部医学影像是多帧的。
在另一实施例中,上述提及的ASPECTS评分的10个供血区域分别位 于核团层和核团上层。因此,在进行ASPECTS评分时,首先需要从头部医 学影像中确定核团层和核团上层所在的帧,目标影像层即为核团层和核团上 层。
在另一实施例中,由于在脑供血区图谱模板中核团层所在帧与核团上层 所在帧是确定的,因此,通过变形场的映射关系,就可以确定头部医学影像 中的核团层所在帧位置与核团上层所在帧位置。同时,脑缺血分割图和供血 区分割图是与输入的头部医学影像序列匹配的,且具有相同尺度的三维影像 (三维影像相当于由多张图像组成),也就是说,脑缺血分割图和供血区分 割图具有很多帧。脑缺血分割图的目标影像层所在帧和供血区分割图的目标影像层所在帧可以理解为目标影像层位于头部医学影像中的哪一张图像上或者哪几张图像上。因此,脑缺血分割图的核团层所在帧和核团上层所在帧, 与供血区分割图的核团层所在帧和核团上层所在帧分别表示核团层和核团 上层在相对应的三维影像中的具体的哪一张图像上或者哪几张图像上。
在本申请另一实施例中,所述根据所述脑缺血分割图和所述供血区分割 图,输出评分结果,包括:根据所述脑缺血分割图的目标影像层所在帧和所 述供血区分割图的目标影像层所在帧,确定所述评分结果。
在一实施例中,当确定了脑缺血分割图的目标影像层所在帧和供血区分 割图的目标影像层所在帧后,可以利用脑缺血分割图的目标影像层所在帧和 供血区分割图的目标影像层所在帧来确定评分结果。
但是,需要说明的是,本申请实施例并不限定如何利用脑缺血分割图的 目标影像层所在帧和供血区分割图的目标影像层所在帧来确定评分结果。
在本申请另一实施例中,所述根据所述脑缺血分割图的目标影像层所在 帧和所述供血区分割图的目标影像层所在帧,确定所述评分结果,包括:根 据所述脑缺血分割图的目标影像层所在帧和所述供血区分割图的目标影像 层所在帧,通过点积操作,得到具有脑缺血的目标影像层所在帧;根据所述 具有脑缺血的目标影像层所在帧,确定所述评分结果。
在一实施例中,可以先对脑缺血分割图的目标影像层所在帧和供血区分 割图的目标影像层所在帧进行点积操作,得到具有脑缺血的目标影像层所在 帧。点积操作可以指与操作,通过对脑缺血分割图的目标影像层所在帧和供 血区分割图的目标影像层所在帧进行与操作,就能保留供血区分割图和脑缺 血分割图的交集,该交集就能反映出在目标影像层的哪个供血区域内有脑缺血,即,哪些供血区域为脑缺血区域,这样就可以得到具有脑缺血的目标影 像层所在帧。
在另一实施例中,可以根据具有脑缺血的目标影像层所在帧来确定评分 结果。但是,需要说明的是,本申请实施例并不限定如何利用具有脑缺血的 目标影像层所在帧来确定评分结果。
在本申请另一实施例中,所述根据所述具有脑缺血的目标影像层所在帧, 确定所述评分结果,包括:根据所述具有脑缺血的目标影像层所在帧,确定 所述目标影像层的每个目标区域中的脑缺血区的第一容积;根据所述第一容 积,确定所述评分结果。
在一实施例中,目标区域就是指上述实施例提及的供血区域。由于脑缺 血可以发生在头部的任意位置,也就是说,脑缺血可以发生在目标影像层中 的相邻两个供血区域上,脑缺血也可以发生在目标影像层中的相邻三个供血 区域上,这样就无法判断每个供血区域上的脑缺血区域所占的容积各为多少, 因此,可以先进行点积操作,以得到具有脑缺血的目标影像层所在帧,这样就能保留供血区分割图和脑缺血分割图的交集,从而确定了具有脑缺血的目 标影像层的每个供血区域中的脑缺血区域的容积大小,即脑缺血区域的第一 容积。
在另一实施例中,当得到了第一容积后,就知道了每个供血区域中脑缺 血区域所占的容积大小。当第一容积大小大于一个最大阈值时,这就代表脑 缺血区域在该供血区域所占的比例太大,因此就可以确定该供血区域既是扣 分区域,也存在脑缺血区域,从总分中减去该扣分区域的权重;当第一容积 大小小于一个中间阈值时,这就代表脑缺血区域在该供血区域所占的比例适中,因此就可以确定该供血区域存在脑缺血区域,但不是扣分区域;当第一 容积大小小于一个最小阈值时,这就代表脑缺血区域在该供血区域所占的比例很小,因此就可以确定该供血区域既不是扣分区域,也不存在脑缺血区域。 但是,需要说明的是,本申请实施例并不限定最大阈值、中间阈值和最小阈 值的具体取值,本领域技术人员可以根据实际应用需求来设置最大阈值、中 间阈值和最小阈值的具体取值。
在本申请另一实施例中,所述方法还包括:根据所述供血区分割图的目 标影像层所在帧,确定所述目标影像层的每个目标区域的第二容积。
在一实施例中,当确定了供血区分割图的目标影像层所在帧后,可以对 目标影像层的每个供血区域进行容积的计算,以得到每个供血区域的第二容 积。
但是,需要说明的是,本申请实施例并不限定计算第一容积和计算第二 容积的具体实现方式。例如,可以统计供血区域或脑缺血区域的像素点数量, 然后获取与供血区域或脑缺血区域所对应的图像的厚度和像素点面积,最后 将所有的像素点数量、以及图像的厚度和像素点面积带入预先存储的容积计 算公式进行容积计算,得到第一容积或第二容积。
在本申请另一实施例中,所述根据所述第一容积,确定所述评分结果, 包括:所述根据所述第一容积和所述第二容积,确定所述评分结果。
在一实施例中,可以对第一容积与第二容积进行比较,来获取评分结果。 例如,当第一容积占第二容积的比例大于某一阈值时,就代表该供血区域为 扣分区域,且存在脑缺血区域,但是本申请实施例对此并不作具体限定,还 可以采用其他的比较方式来获取评分结果。
在本申请另一实施例中,所述根据所述第一容积和所述第二容积,确定 所述评分结果,包括:确定所述第一容积和所述第二容积的容积比;将所述 容积比与第一预设阈值进行比较,得到所述目标影像层的每个目标区域的第 一子评分结果;根据所述第一子评分结果,确定所述评分结果。
在一实施例中,首先计算第一容积和所述第二容积的容积比,但是本申 请实施例并不限定容积比的具体类型,可以为第一容积/第二容积,也可以 为第二容积/第一容积,本领域技术人员可以根据应用需求来具体设定。
在另一实施例中,将容积比与第一预设阈值进行比较,可以得到目标影 像层的每个供血区域的第一子评分结果,最后根据第一子评分结果,可以确 定评分结果。但是,需要说明的是本申请实施例并不限定第一预设阈值的具 体取值,本领域技术人员可以根据应用需求来具体设定。
在另一实施例中,下面以容积比为第一容积/第二容积为例进行描述。 对供血区域中的C(尾状核头)、L(豆状核)、IC(内囊后肢)、I(岛带)、 M1(大脑中动脉前皮质层)、M2(大脑中动脉岛叶外侧皮质区)、M3(大脑中动 脉后皮质层)、M4(M1上方的大脑中动脉皮层)、M5(M2上方的大脑中动脉 皮层)和M6(M3上方的大脑中动脉皮层)进行逐个第二容积计算,再对具有 脑缺血区域的供血区域逐个进行第一容积计算,且对于每个供血区域,如果该供血区域不包含脑缺血区域,则第一容积记为0。对C、L、IC和I供血 区域,若容积比大于0,则该供血区域为扣分区域;对M1至M6供血区, 若容积比大于等于1/3,则该供血区域为扣分区域;若容积比大于0且小于 1/3,则该供血区域不是扣分区域;同时,还可以对M1至M6供血区域全局 考量,若M1至M6中的相邻供血区域均满足容积比大于0且小于1/3,则 任一供血区域为扣分区域。
在本申请另一实施例中,所述第一子评分结果为所述目标影像层的每个 目标区域为扣分区域的集合,所述根据所述第一子评分结果,确定所述评分 结果,包括:从总分中减去所述扣分区域的权重,得到第三子评分结果;根 据所述第三子评分结果,确定所述评分结果。
在一实施例中,正常情况下,不论前循环还是后循环ASPECTS的总分 均为10分,当供血区域为扣分区域时,ASPECTS的分值会降低。由于第一 子评分结果为目标影像层的每个目标区域为扣分区域的集合,从10分中减 去扣分区域的权重,就可以得到第三子评分结果(即,最终的分值),从而 实现对头部医学影像的评分。例如,当供血区域为扣分区域的个数为3个时, 最终的分值为从10分中减去3分,即,第三子评分结果为ASPECTS评分7 分。但是需要说明的是,本申请实施例并不限定评分结果的具体类型,评分结果可以只为ASPECTS评分(即,第三子评分结果),也可以包含其他的 子评分结果。
在本申请另一实施例中,所述根据所述第三子评分结果,确定所述评分 结果,包括:根据所述第三子评分结果和所述第一子评分结果,确定所述评 分结果。
在一实施例中,最终的评分结果还可以根据第三子评分结果和第一子评 分结果获得,也就是说,最终的评分结果中包括第三子评分结果和第一子评 分结果,其中,第三子评分结果为ASPECTS评分,第一子评分结果为目标 影像层的每个目标区域为扣分区域的集合(即,所有为扣分区域的供血区域 的集合)。
但是需要说明的是,本申请实施例并不限定评分结果的具体类型,评分 结果可以包括第三子评分结果和第一子评分结果,还可以包括其他的子评分 结果。
在本申请另一实施例中,所述方法还包括:将所述容积比与第二预设阈 值进行比较,得到所述目标影像层的每个目标区域的第二子评分结果,所述 第二子评分结果为所述目标影像层的每个目标区域存在脑缺血区域的集合。
在一实施例中,将容积比与第二预设阈值进行比较,可以得到目标影像 层的每个供血区域的第二子评分结果。第二子评分结果为目标影像层的每个 目标区域存在脑缺血区域的集合,也就是说,第二子评分结果为所有存在脑 缺血区域的供血区域的集合。但是,需要说明的是本申请实施例并不限定第 二预设阈值的具体取值,本领域技术人员可以根据应用需求来具体设定。
在另一实施例中,下面以容积比为第一容积/第二容积为例进行描述。 对于上述实施例提及的任一供血区域,只要容积比大于0,则该供血区域就 存在脑缺血区域;如果容积比等于0,就代表该供血区域不存在脑缺血区域。
在本申请另一实施例中,所述根据所述第三子评分结果,确定所述评分 结果,包括:根据所述第一子评分结果、所述第二子评分结果和所述第三子 评分结果,确定所述评分结果。
在一实施例中,最终的评分结果还可以根据第一子评分结果、第二子评 分结果和第三子评分结果获得,也就是说,最终的评分结果中包括第一子评 分结果、第二子评分结果和第三子评分结果,其中,第三子评分结果为 ASPECTS评分,第一子评分结果为目标影像层的每个目标区域为扣分区域的集合(即,所有为扣分区域的供血区域的集合),第二子评分结果为目标 影像层的每个目标区域存在脑缺血区域的集合(即,所有存在脑缺血区域的供血区域的集合)。
在本申请另一实施例中,所述根据所述头部医学影像,获取所述头部医 学影像的脑缺血分割图,包括:根据所述头部医学影像,通过分割模型,得到所述脑缺血分割图。
在一实施例中,该分割模型可以是全卷积网络(Fully Convolutional Networks,FCN)、SegNet和Deeplab等网络结构中的任一种,该分割模型 可以是利用多个样本数据对深度学习网络模型进行训练之后得到的,经过训 练获得的分割模型根据头部医学影像对脑缺血进行分割,以获得脑缺血分割 图。
在另一实施例中,利用分割模型进行脑缺血区域的分割,相比传统的基 于浅层特征(如灰度)的医学图像处理方法,提高了脑缺血分割的准确性和 鲁棒性。但是对于脑缺血的面积较大的头部医学影像,利用分割模型进行脑 缺血区域的分割后还可能存在分割间断和边缘不连续的现象,所以可以采用 条件随机场算法,例如全连接条件随机场(FullConnected/Dense Conditional Random Field)模型,对利用分割模型分割后的脑缺血分割图进行后处理, 以获得边缘连续的脑缺血分割图。其中,全连接条件随机场模型不仅考虑到 图像的形状、纹理、位置和颜色,还考虑到对比度,即考虑到每个像素与其 他所有像素的关系,从而可以实现极大的细化和分割。
在另一实施例中,脑缺血分割图可以包括图像矩阵,图像矩阵中各个元 素可以用0或1进行表示,脑缺血分割图上可能存在分割间断和边缘不连续 的区域,与这些区域对应的元素的取值(0或1)可能不准确,通过全连接 条件随机场模型对脑缺血分割图进行后处理,可以得到边缘连续且清晰的脑 缺血分割图。
示例性装置
本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置 实施例中未披露的细节,请参照本申请方法实施例。
图5所示为本申请一个实施例提供的头部医学影像的评分装置的框图。 如图5所示,该装置500包括:
第一获取模块510,配置为根据所述头部医学影像,获取所述头部医学 影像的脑缺血分割图;
第二获取模块520,配置为根据所述头部医学影像,获取所述头部医学 影像的供血区分割图;
评分模块530,配置为根据所述脑缺血分割图和所述供血区分割图,输 出评分结果。
在一个实施例中,所述头部医学影像的评分装置500还包括:用于执行 上述实施例提及的头部医学影像的评分方法中的各个步骤的模块。
示例性电子设备
下面,参考图6来描述根据本申请实施例的电子设备。
如图6所示,电子设备600包括一个或多个处理器610和存储器620。
处理器610可以是中央处理单元(CPU)或者具有数据处理能力和/或 指令执行能力的其他形式的处理单元,并且可以控制电子设备600中的其他 组件以执行期望的功能。
存储器620可以包括一个或多个计算机程序产品,所述计算机程序产品 可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失 性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或 高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个 或多个计算机程序指令,处理器610可以运行所述程序指令,以实现上文所 述的本申请的各个实施例的头部医学影像的评分方法以及/或者其他期望的 功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、 噪声分量等各种内容。
在一个示例中,电子设备600还可以包括:输入装置630和输出装置 640,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
例如,该输入装置630可以是上述的麦克风或麦克风阵列,用于捕捉声 源的输入信号。在该电子设备是单机设备时,该输入装置630可以是通信网 络连接器。
此外,该输入设备630还可以包括例如键盘、鼠标等等。
该输出装置640可以向外部输出各种信息,包括确定出的征象类别信息 等。该输出设备640可以包括例如显示器、扬声器、打印机、以及通信网络 及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备600中与本申请有关的组 件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根 据具体应用情况,电子设备600还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品, 其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处 理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例 的头部医学影像的评分方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编 写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象 的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备 上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用 户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务 器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算 机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本 说明书上述“示例性方法”部分中描述的根据本申请各种实施例的头部医学 影像的评分方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可 读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括 但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者 任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具 有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、 便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述 的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是, 在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优 点、优势、效果等是本申请的各个实施例必须具备的。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本 申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和 实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子 组合。
Claims (12)
1.一种头部医学影像的评分方法,其特征在于,包括:
根据所述头部医学影像,获取所述头部医学影像的脑缺血分割图;
根据所述头部医学影像,获取所述头部医学影像的供血区分割图;
根据所述脑缺血分割图和所述供血区分割图,输出评分结果;
其中,所述根据所述脑缺血分割图和所述供血区分割图,输出评分结果,包括:
根据所述脑缺血分割图的目标影像层所在帧和所述供血区分割图的目标影像层所在帧,通过点积操作,得到具有脑缺血的目标影像层所在帧;
根据所述具有脑缺血的目标影像层所在帧,确定所述具有脑缺血的目标影像层的每个目标区域中的脑缺血区的第一容积;
根据所述第一容积,确定所述评分结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述头部医学影像,获取所述头部医学影像的供血区分割图,包括:
根据所述头部医学影像和脑供血区图谱模板,通过图像配准,得到变形场;
根据所述变形场,通过变换操作,得到所述供血区分割图。
3.根据权利要求2所述的方法,其特征在于,还包括:
根据所述变形场,确定所述头部医学影像中的目标影像层所在帧位置;
根据所述头部医学影像中的目标影像层所在帧位置,确定所述脑缺血分割图的目标影像层所在帧和所述供血区分割图的目标影像层所在帧。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据所述供血区分割图的目标影像层所在帧,确定所述目标影像层的每个目标区域的第二容积,
其中,所述根据所述第一容积,确定所述评分结果,包括:
所述根据所述第一容积和所述第二容积,确定所述评分结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一容积和所述第二容积,确定所述评分结果,包括:
确定所述第一容积和所述第二容积的容积比;
将所述容积比与第一预设阈值进行比较,得到所述目标影像层的每个目标区域的第一子评分结果;
根据所述第一子评分结果,确定所述评分结果。
6.根据权利要求5所述的方法,其特征在于,所述第一子评分结果为所述目标影像层的每个目标区域为扣分区域的集合,
其中,所述根据所述第一子评分结果,确定所述评分结果,包括:
从总分中减去所述扣分区域的权重,得到第三子评分结果;
根据所述第三子评分结果,确定所述评分结果。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第三子评分结果,确定所述评分结果,包括:
根据所述第三子评分结果和所述第一子评分结果,确定所述评分结果。
8.根据权利要求6所述的方法,其特征在于,还包括:
将所述容积比与第二预设阈值进行比较,得到所述目标影像层的每个目标区域的第二子评分结果,所述第二子评分结果为所述目标影像层的每个目标区域存在脑缺血区域的集合,
其中,所述根据所述第三子评分结果,确定所述评分结果,包括:
根据所述第一子评分结果、所述第二子评分结果和所述第三子评分结果,确定所述评分结果。
9.根据权利要求1至8中任一项所述的方法,其特征在于,所述根据所述头部医学影像,获取所述头部医学影像的脑缺血分割图,包括:
根据所述头部医学影像,通过分割模型,得到所述脑缺血分割图。
10.一种头部医学影像的评分装置,其特征在于,包括:
第一获取模块,配置为根据所述头部医学影像,获取所述头部医学影像的脑缺血分割图;
第二获取模块,配置为根据所述头部医学影像,获取所述头部医学影像的供血区分割图;
评分模块,配置为根据所述脑缺血分割图和所述供血区分割图,输出评分结果;
其中,所述根据所述脑缺血分割图和所述供血区分割图,输出评分结果,包括:
根据所述脑缺血分割图的目标影像层所在帧和所述供血区分割图的目标影像层所在帧,通过点积操作,得到具有脑缺血的目标影像层所在帧;
根据所述具有脑缺血的目标影像层所在帧,确定所述具有脑缺血的目标影像层的每个目标区域中的脑缺血区的第一容积;
根据所述第一容积,确定所述评分结果。
11.一种电子设备,包括:
处理器,用于执行上述权利要求1至9中任一项所述的头部医学影像的评分方法;
用于存储所述处理器可执行指令的存储器。
12.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1至9中任一项所述的头部医学影像的评分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300520.XA CN111524109B (zh) | 2020-04-16 | 2020-04-16 | 头部医学影像的评分方法和装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300520.XA CN111524109B (zh) | 2020-04-16 | 2020-04-16 | 头部医学影像的评分方法和装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111524109A CN111524109A (zh) | 2020-08-11 |
CN111524109B true CN111524109B (zh) | 2023-07-25 |
Family
ID=71903631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010300520.XA Active CN111524109B (zh) | 2020-04-16 | 2020-04-16 | 头部医学影像的评分方法和装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111524109B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298800B (zh) * | 2021-06-11 | 2024-06-25 | 沈阳东软智能医疗科技研究院有限公司 | 一种ct血管造影cta源图像的处理方法、装置及设备 |
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 |
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 |
CN115148340B (zh) * | 2022-07-19 | 2023-07-07 | 首都医科大学附属北京天坛医院 | 一种脑小血管病影像标记物在线评估*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738662A (zh) * | 2019-10-29 | 2020-01-31 | 徐州医科大学 | 基于细粒度医学图像分割与真值发现数据扩增的垂体瘤质地影像分级方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009101759A1 (ja) * | 2008-02-13 | 2009-08-20 | Nihon Medi-Physics Co., Ltd. | 脳血流量定量装置、脳血流量定量方法、およびプログラム |
CN107025369B (zh) * | 2016-08-03 | 2020-03-10 | 北京推想科技有限公司 | 一种对医疗图像进行转换学习的方法和装置 |
CN109509177B (zh) * | 2018-10-22 | 2021-02-23 | 杭州依图医疗技术有限公司 | 一种脑部影像识别的方法及装置 |
CN109685123B (zh) * | 2018-12-14 | 2021-02-19 | 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*** |
CN110934606B (zh) * | 2019-10-31 | 2021-02-12 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 |
-
2020
- 2020-04-16 CN CN202010300520.XA patent/CN111524109B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738662A (zh) * | 2019-10-29 | 2020-01-31 | 徐州医科大学 | 基于细粒度医学图像分割与真值发现数据扩增的垂体瘤质地影像分级方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111524109A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111524109B (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
US11908580B2 (en) | Image classification method, computer-readable storage medium, and computer device | |
Munawar et al. | Segmentation of lungs in chest X-ray image using generative adversarial networks | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
CN111429421B (zh) | 模型生成方法、医学图像分割方法、装置、设备及介质 | |
CN112489005B (zh) | 骨分割方法及装置、骨折检出方法及装置 | |
JP7115114B2 (ja) | X線画像物体認識システム | |
US20230177698A1 (en) | Method for image segmentation, and electronic device | |
CN111445457B (zh) | 网络模型的训练方法及装置、识别方法及装置、电子设备 | |
US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
CN113066090A (zh) | 血管分割模型的训练方法及装置、应用方法及装置 | |
CN114359205B (zh) | 头颈血管分析方法、装置、存储介质及电子设备 | |
Fujima et al. | Utility of deep learning for the diagnosis of otosclerosis on temporal bone CT | |
US11935234B2 (en) | Method for detecting abnormality, non-transitory computer-readable recording medium storing program for detecting abnormality, abnormality detection apparatus, server apparatus, and method for processing information | |
CN114972211A (zh) | 图像分割模型的训练方法、分割方法、装置、设备和介质 | |
CN111223158A (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN111507950B (zh) | 图像分割的方法和装置、电子设备及计算机可读存储介质 | |
CN111445456B (zh) | 分类模型、网络模型的训练方法及装置、识别方法及装置 | |
Elkhill et al. | Geometric learning and statistical modeling for surgical outcomes evaluation in craniosynostosis using 3D photogrammetry | |
Liu et al. | Tracking-based deep learning method for temporomandibular joint segmentation | |
EP3935605A1 (en) | Deep reinforcement learning for computer assisted reading and analysis | |
US20210192731A1 (en) | Image judgment device, image judgment method, and storage medium | |
CN114565623A (zh) | 肺血管分割方法、装置、存储介质及电子设备 | |
JP2021111076A (ja) | Aiを用いる診断装置、診断システム、及び、プログラム |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant after: Tuxiang Medical Technology Co.,Ltd. Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant before: INFERVISION |
|
GR01 | Patent grant | ||
GR01 | Patent grant |