CN111951265B - 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 - Google Patents
基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111951265B CN111951265B CN202010898823.6A CN202010898823A CN111951265B CN 111951265 B CN111951265 B CN 111951265B CN 202010898823 A CN202010898823 A CN 202010898823A CN 111951265 B CN111951265 B CN 111951265B
- Authority
- CN
- China
- Prior art keywords
- partition
- brain
- scanning
- image
- frame
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 68
- 210000000133 brain stem Anatomy 0.000 title claims abstract description 28
- 238000013077 scoring method Methods 0.000 title claims abstract description 19
- 238000005192 partition Methods 0.000 claims abstract description 125
- 238000002591 computed tomography Methods 0.000 claims abstract description 98
- 238000010801 machine learning Methods 0.000 claims abstract description 49
- 206010061216 Infarction Diseases 0.000 claims abstract description 36
- 230000007574 infarction Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 208000026106 cerebrovascular disease Diseases 0.000 claims abstract description 21
- 206010008118 cerebral infarction Diseases 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000000638 solvent extraction Methods 0.000 claims description 11
- 210000002469 basement membrane Anatomy 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000002490 cerebral effect Effects 0.000 description 14
- 206010008190 Cerebrovascular accident Diseases 0.000 description 8
- 208000006011 Stroke Diseases 0.000 description 8
- 210000001367 artery Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000000302 ischemic effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 230000036770 blood supply Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于脑CT影像的脑梗评分方法、装置、计算机设备和存储介质。所述方法包括:获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型;将ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像;根据CT扫描图像中脑两侧对应的密度值确定梗死侧;提取各帧ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。采用本方法能够高度自动化,速度快的得到准确性高的脑梗评分。
Description
技术领域
本申请涉及医院影像和计算机技术领域,特别是涉及一种基于脑CT影像的脑梗评分方法、装置、计算机设备和存储介质。
背景技术
脑卒中也称为中风或脑梗,缺血性脑卒中是由于局部脑组织供血不足引起的急性脑血管疾病,急性缺血性脑卒中作为最常见的卒中类型,约占全部脑卒中的60%~80%,有着极高的致命风险。NCCT(Non-Contrast CT)也称平扫CT,是一种用来诊断脑部病变的最常规的成像技术和方法。而基于NCCT的ASPECTS(Alberta Stroke Program Early CT Score)评分是缺血性脑卒中诊断和治疗的一个重要依据。
该评分方法针对急性脑卒中的病人,依据其头颅NCCT影像数据,将大脑中动脉供血的重要层面分成10个分区,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个分区具有相同的权重,各占1分,总分为10分。总分中减去存在早期缺血性改变的区域数,所得的数值作为评分结果,为病情判断并治疗提供依据。
在目前的临床应用中,ASPECTS评分方法主要还是靠临床医生们人工读图来判断每个区域进行评估。一方面,由于影像设备的差异、患者状况的差异和读图人员的主观性,人工读图的方法一直缺乏一定的稳定性。另一方面,人工读图也较为耗时,缺血性脑卒中作为一个时间要求比较紧急的疾病,患者一般需要能够快速得到诊断和治疗来防止病情恶化。所以,快速、准确和稳定对患者进行ASPECTS评分具有重要的临床意义。
发明内容
基于此,有必要针对上述技术问题,提供一种能够快速,准确进行ASPECTS评分的基于脑CT影像的脑梗评分方法、装置、计算机设备和存储介质。
一种基于脑CT影像的脑梗评分方法,所述方法包括:
获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型;
将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像;
根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧;
提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将所述特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。
可选的,获取所述ASPECTS分区立体模型包括:
获取与脑相关的第一CT扫描数据;
从所述第一CT扫描数据中获取多帧感兴趣第一CT扫描图像;
在各帧所述感兴趣第一CT扫描图像中根据ASPECTS分区进行划分区域,得到所述ASPECTS立体分区模型;
多帧所述感兴趣第一CT扫描图像包括:脑部基底节层和上神经阶层分别对应的多帧所述第一CT样本数据,其中至少包括与核团层面以及核团上层对应的两帧所述第一CT样本数据。
可选的,所述多帧CT扫描图像为与多帧所述感兴趣第一CT样本图像相匹配。
可选的,得到所述训练后的机械学习模型包括:
获取与脑相关的CT扫描数据样本集,所述CT扫描数据样本集包括对多个不同扫描对象进行扫描得到的CT扫描数据样本集合;
根据ASPECTS分区对各所述CT扫描数据样本进行分区,再确定脑梗侧;
提取脑梗侧的各区对应的多个特征数据样本,将各所述特征数据样本以及预设各区标准评分输入所述机器学习模型进行训练,直至所述机器学习模型具有脑梗评分能力,则得到所述训练后的机器学习模型。
可选的,将各所述特征数据样本以及预设各区标准评分输入所述机器学习模型进行训练,直至所述机器学习模型具有脑梗评分能力包括:
将所述特征数据样本输入机器学习模型,得到相应分区的预测脑梗评分;
根据所述预测脑梗评分以及所述预设各区标准评分进行计算,得到预测误差;
根据所述预测误差对所述机器学习模型的参数进行调节,直至所述预测误差达到预设期望,则所述机器学习模型具有评分能力。
可选的,所述ASPECTS分区包括左右侧大脑对称的10个分区;
所述机械学习模型包括10个分别对各区域进行评分的子模型。
可选的,所述机械学习模型采用XGBoost算法或LightGBM算法。
本申请还提供了一种基于脑CT影像的脑梗评分装置,所述装置包括:
获取模块,用于获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型;
分区模块,用于将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像;
梗死侧确定模块,用于根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧;
脑梗评分模块,用于提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将所述特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型;
将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像;
根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧;
提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将所述特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型;
将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像;
根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧;
提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将所述特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。
上述基于脑CT影像的脑梗评方法、装置、计算机设备和存储介质,通过利用三维立体式的ASPECTS分区模型对多帧脑部CT进行分区,在进行特征提取时,可以提取到更多有用的特征提高评分的准确性。再利用经过大量数据进行训练的机器学习模型对各区特征进行判断后了快速准确的得到各区评分。
附图说明
图1为一个实施例中脑梗评分方法的流程示意图;
图2为一个实施例中训练机器学习模型方法的流程示意图;
图3为一个实施例中去除颅骨后的脑部CT扫描图像示意图;
图4为一个实施例中ASPECTS分区模型示意图;
图5为一个实施例中ASPECTS分区CT扫描图像示意图;
图6为一个实施例中ASPECTS评分结果显示示意图;
图7为一个实施例中脑梗评分装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,提供了一种基于脑CT影像的脑梗评分方法,包括以下步骤:
步骤102,获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型;
步骤104,将ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像;
步骤106,根据CT扫描图像中脑两侧对应的密度值确定梗死侧;
步骤108,提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。
在步骤102中,CT扫描图像是由一定数目从黑到白不同灰度像素点按矩阵排列构成,而CT值用于反映人体相应组织密度值的大小。由于单帧的CT图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图像。因此在利用ASPECTS评分判断脑梗时,需要利用到一帧或多帧的脑部CT图像进行判断。在本实施例中,采用多帧感兴趣的脑部CT图像进行判断,提高评分的准确性。
其中获取ASPECTS分区立体模型包括:获取与脑相关的第一CT扫描数据,从第一CT扫描数据中获取多帧感兴趣第一CT扫描图像,在各帧感兴趣第一CT扫描图像中根据ASPECTS分区进行划分区域,得到ASPECTS立体分区模型。
多帧感兴趣第一CT扫描图像包括:脑部基底节层和上神经阶层分别对应的多帧第一CT样本数据,其中至少包括与核团层面以及核团上层对应的两帧第一CT样本数据,如图3所述,其中左侧为核团层面的ASPECTS分区模型,右侧为核团上层对应的ASPECTS分区模型。
在本实施例中,对个各帧感兴趣第一CT扫描图像均会产生对应的ASPECTS分区模型,多层ASPECTS分区模型的集合为ASPECTS立体分区模型。
通常,只在平扫CT图像中与核团层面以及核团上层对应的CT图像进行ASPECTS分区,再判断各区状态给予评分。
在本实施例中,在与脑相关的第一CT扫描数据中采用多层对应的第一CT扫描图像进行分区,从而得到ASPECTS立体分区模型。ASPECTS立体分区模型中包括多帧感兴趣第一CT扫描图像,并且针对每一帧都进行分区。
与脑梗相关的信息不只存在在核团层面以及核团上层内,还会分布在这两层上下相邻的层面,所以在选取感兴趣的第一CT扫描图像时还包括核团层面以及核团上层相邻层的对应的第一CT扫描数据,可选取上层或下层、以及上层和下层相邻层对应的第一CT扫描数据进行分区。
ASPECTS分区立体模型可提前建立,在对新病例进行评分时临时调用。建立ASPECTS分区立体模型时可根据任意一脑CT扫描数据进行建立。
在本实施例中,多帧CT扫描图像为与多帧感兴趣第一CT样本图像相匹配。多帧CT扫描图像选取自对扫描对象的脑部进行平扫CT扫描后得到的平扫CT扫描影像。在进行选取时,根据多帧感兴趣第一CT样本图像进行选取,选取的数量可少于或等于感兴趣第一CT样本图像。选取的多帧CT扫描图像中至少包括与核团层面以及核团上层分别对应的CT扫描图像。
在本实施例中,在对多帧CT扫描图像进行分区前还需要进行预处理,将CT扫描图像中头骨等多余部分去除,如图4所示。
在步骤104后,根据ASPECTS分区立体模型逐帧对CT扫描图像进行配准得到的多帧ASPECTS分区CT扫描图像,如图5所示。再对ASPECTS分区后的CT扫描图像进行梗死侧确定。一般来说,不太可能出现脑部两侧同时梗死的情况,即极大部分梗死均为单侧梗死。所以在进行ASPECTS评分之前,需要确定哪一侧梗死,再针对梗死侧进行ASPECTS评分。
在步骤106,根据CT扫描图像中脑两侧对应的密度值确定梗死侧可采用多种方法,例如:根据其中一帧CT扫描图像计算两侧脑对应分区的密度值并进行多重密度值比较。比较两侧全部分区密度均值和两侧对应每个分区密度均值。当一侧全部分区密度均值小于另一侧并且对应每个分区中有至少一个分区均值小于对侧,即判断该侧为梗死侧。
又例如:将左脑所有分区密度均值的平方和减去右脑所有分区密度均值的平方和。如果差值大于0就是右脑为梗死侧,如果小于0就是左脑为梗死侧。计算公式如下:
其中,表示左脑分区密度均值,/>表示右脑分区密度均值。
在步骤108中,在多帧各ASPECTS分区CT图像确定为梗死一侧的各分区分别进行特征提取和特征构造等特征工程算法。针对每个分区需要提取的特征包括一阶统计矩信息、灰度共生矩阵特征、灰度游程信息特征、纹理特征、高斯滤波后的一阶矩等5个大类200个小类特征。
将各区提取好的特征输入训练后的机器学习模型,分别针对各区进行评分后再进行总汇,出现判断为脑梗的分区就减去一分,最终可自动得到ASPECTS评分,并进行相应显示,如图6所示。
如图2所示,还提供了一种训练机器学习模型的方法包括:
步骤202,获取与脑相关的CT扫描数据样本集,CT扫描数据样本集包括对多个不同扫描对象进行扫描得到的CT扫描数据样本集合;
步骤204,根据ASPECTS分区对各所述CT扫描数据样本进行分区,再确定脑梗侧;
步骤206,提取脑梗侧的各区对应的多个特征数据样本,将各所述特征数据样本以及预设各区标准评分输入所述机器学习模型进行训练,直至所述机器学习模型具有脑梗评分能力,则得到所述训练后的机器学习模型。
在步骤202中,在对机器学习模型进行训练时,采用大量对不同扫描对象进行扫描得到的CT扫描数据作为样本。
在步骤204-206中,对各样本依次进行分区、确定脑梗侧以及提取脑梗侧各区中的特征数据与上述步骤104-108中所述的方法一致在这就不再赘述。
在步骤206中,将各特征数据样本以及预设各区标准评分输入机器学习模型进行训练,直至机器学习模型具有脑梗评分能力包括:
将特征数据样本输入机器学习模型,得到相应分区的预测脑梗评分;
根据预测脑梗评分以及预设各区标准评分进行计算,得到预测误差;
根据预测误差对机器学习模型的参数进行调节,直至预测误差达到预设期望,则机器学习模型具有评分能力。
其中,预设各区标准评分为针对各区的特征数据给出的准确判断结果。
通过将准确判断结果与预测脑梗评分进行对比,得到两者之间的预测误差,通过该误差对机器学习模型中的各参数进行调节。通过将大量的特征数据输入机器学习模型,循环调参动作,使得预测误差越来越小最终达到预期,此时机器学习模型具备评分能力。
ASPECTS分区包括左右侧大脑对称的10个分区,机械学习模型包括10个分别对各分区进行评分的子模型。各子模型分别针对一个分区的特征数据进行学习,直至各子模型均具备评分能力。
在本实施例中,机械学习模型采用XGBoost算法或LightGBM算法。
当采用XGBoost算法时,在对参数进行如下设置,将树模型做为基分类器,学习率设置为0.1,决策树个数设置为100,树的深度设置为5,目标函数使用二分类逻辑回归,模型的评价指标为roc_auc,训练样本采样率为0.9,训练样本特征采样率为0.8,L1正则化系数为0.5,L2正则化系数为0.7。上述参数设置仅作为作为示例,根据具体情况各参数的设置可进行调整。
当采用LightGBM算法时,在对参数进行如下设置,将树的类型设置为gbdt,最大叶子数设置为25,学***衡系数设置为5。上述参数设置仅作为作为示例,根据具体情况各参数的设置可进行调整。
上述基于脑CT影像的脑梗评分方法,针对各分区的特征数据基于三维立体的ASPECTS分区模型上进行提取,这样相较于二维ASPECTS分区提取的特征数据更为全面,提高了之后的评分的准确性。并且本申请中机器学习模型采用的XGBoost和LightGBM算法框架能够最大限度的进行效果集成。本方法具备高度自动化,精度高于传统的人为评分方法。且速度快,能够大大提高患者的诊断速度,具有较高的临床应用价值。
应该理解的是,虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种基于脑CT影像的脑梗评分装置,包括:获取模块702、分区模块704、梗死侧确定模块706和脑梗评分模块708,其中:
获取模块702,用于获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型。
分区模块704,用于将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像。
梗死侧确定模块706,用于根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧。
脑梗评分模块708,用于提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将所述特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。
关于基于脑CT影像的脑梗评分装置的具体限定可以参见上文中对于基于脑CT影像的脑梗评分方法的限定,在此不再赘述。上述基于脑CT影像的脑梗评分装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于脑CT影像的脑梗评分方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型;
将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像;
根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧;
提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将所述特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型;
将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像;
根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧;
提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将所述特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.基于脑CT影像的脑梗评分方法,其特征在于,所述脑梗评分方法包括:
获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型;
将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像;
根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧;
提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将所述特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。
2.根据权利要求1所述的脑梗评分方法,其特征在于,获取所述ASPECTS分区立体模型包括:
获取与脑相关的第一CT扫描数据;
从所述第一CT扫描数据中获取多帧感兴趣第一CT扫描图像;
在各帧所述感兴趣第一CT扫描图像中根据ASPECTS分区进行划分区域,得到所述ASPECTS立体分区模型;
多帧所述感兴趣第一CT扫描图像包括:脑部基底节层和上神经阶层分别对应的多帧所述第一CT样本数据,其中至少包括与核团层面以及核团上层对应的两帧所述第一CT样本数据。
3.根据权利要求2所述的脑梗评分方法,其特征在于,所述多帧CT扫描图像为与多帧所述感兴趣第一CT样本图像相匹配。
4.根据权利要求1所述的脑梗评分方法,其特征在于,得到所述训练后的机械学习模型包括:
获取与脑相关的CT扫描数据样本集,所述CT扫描数据样本集包括对多个不同扫描对象进行扫描得到的CT扫描数据样本集合;
根据ASPECTS分区对各所述CT扫描数据样本进行分区,再确定脑梗侧;
提取脑梗侧的各区对应的多个特征数据样本,将各所述特征数据样本以及预设各区标准评分输入所述机器学习模型进行训练,直至所述机器学习模型具有脑梗评分能力,则得到所述训练后的机器学习模型。
5.根据权利要求4所述的脑梗评分方法,其特征在于,将各所述特征数据样本以及预设各区标准评分输入所述机器学习模型进行训练,直至所述机器学习模型具有脑梗评分能力包括:
将所述特征数据样本输入机器学习模型,得到相应分区的预测脑梗评分;
根据所述预测脑梗评分以及所述预设各区标准评分进行计算,得到预测误差;
根据所述预测误差对所述机器学习模型的参数进行调节,直至所述预测误差达到预设期望,则所述机器学习模型具有评分能力。
6.根据权利要求5所述的脑梗评分方法,其特征在于,所述ASPECTS分区包括左右侧大脑对称的10个分区;
所述机械学习模型包括10个分别对各区域进行评分的子模型。
7.根据权利要求4所述的脑梗评分方法,其特征在于,所述机械学习模型采用XGBoost算法或LightGBM算法。
8.一种基于脑CT影像的脑梗评分装置,其特征在于,所述装置包括:
获取模块,用于获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型;
分区模块,用于将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上,得到多帧ASPECTS分区CT扫描图像;
梗死侧确定模块,用于根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧;
脑梗评分模块,用于提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据,并将所述特征数据输入训练后的机器学习模型,得到各分区对应的脑梗评分。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898823.6A CN111951265B (zh) | 2020-08-31 | 2020-08-31 | 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898823.6A CN111951265B (zh) | 2020-08-31 | 2020-08-31 | 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951265A CN111951265A (zh) | 2020-11-17 |
CN111951265B true CN111951265B (zh) | 2023-12-01 |
Family
ID=73366568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010898823.6A Active CN111951265B (zh) | 2020-08-31 | 2020-08-31 | 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951265B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN115205294B (zh) * | 2022-09-16 | 2022-11-22 | 杭州脉流科技有限公司 | 一种基于多模型融合的缺血性脑卒中梗死评估装置和方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150073519A (ko) * | 2013-12-23 | 2015-07-01 | 재단법인 아산사회복지재단 | 뇌경색 영역의 구분 방법 |
CN109509177A (zh) * | 2018-10-22 | 2019-03-22 | 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 |
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*** |
CN109741339A (zh) * | 2018-12-14 | 2019-05-10 | 强联智创(北京)科技有限公司 | 一种分区方法及*** |
CN110956626A (zh) * | 2019-12-09 | 2020-04-03 | 北京推想科技有限公司 | 一种基于图像的预后评估方法及装置 |
EP3657435A1 (en) * | 2018-11-26 | 2020-05-27 | Koninklijke Philips N.V. | Apparatus for identifying regions in a brain image |
KR20200083402A (ko) * | 2020-06-23 | 2020-07-08 | 주식회사 휴런 | 뇌졸중 관련 병변을 분리하는 과정이 적용된 aspect 스코어 추정 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020032045A (ja) * | 2018-08-31 | 2020-03-05 | 富士フイルム株式会社 | 梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラム |
-
2020
- 2020-08-31 CN CN202010898823.6A patent/CN111951265B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150073519A (ko) * | 2013-12-23 | 2015-07-01 | 재단법인 아산사회복지재단 | 뇌경색 영역의 구분 방법 |
CN109509177A (zh) * | 2018-10-22 | 2019-03-22 | 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 |
EP3657435A1 (en) * | 2018-11-26 | 2020-05-27 | Koninklijke Philips N.V. | Apparatus for identifying regions in a brain image |
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*** |
CN109741339A (zh) * | 2018-12-14 | 2019-05-10 | 强联智创(北京)科技有限公司 | 一种分区方法及*** |
CN110956626A (zh) * | 2019-12-09 | 2020-04-03 | 北京推想科技有限公司 | 一种基于图像的预后评估方法及装置 |
KR20200083402A (ko) * | 2020-06-23 | 2020-07-08 | 주식회사 휴런 | 뇌졸중 관련 병변을 분리하는 과정이 적용된 aspect 스코어 추정 방법 |
Non-Patent Citations (3)
Title |
---|
Alberta卒中项目早期CT评分预测大脑中动脉脑梗死患者功能结局的研究;李秀明;何嫱;张备;白玉龙;吴毅;胡永善;;中国康复医学杂志(第09期);全文 * |
CTP-ASPECTS评分在前循环梗死患者急性期预后判断中的应用;杨志华;;广东医学(第09期);全文 * |
基于深度学习的CT影像脑卒中精准分割;郜峰利;陶敏;李雪妍;何昕;杨帆;王卓;宋俊峰;佟丹;;吉林大学学报(工学版)(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111951265A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951265B (zh) | 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 | |
CN110934606A (zh) | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 | |
DE102018202688A1 (de) | Personalisierte Beurteilung der Knochengesundheit | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
CN111310841A (zh) | 医学图像分类方法、装置、设备、计算机设备和存储介质 | |
Gajardo-Vidal et al. | How distributed processing produces false negatives in voxel-based lesion-deficit analyses | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
CN112348785B (zh) | 一种癫痫病灶定位方法及*** | |
CN112508953B (zh) | 基于深度神经网络的脑膜瘤快速分割定性方法 | |
JP2020166809A (ja) | モデル学習用のシステム、装置、及び学習方法 | |
CN112862022A (zh) | 一种计算非增强ct的aspects评分方法 | |
CN110866909A (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN114926396B (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
CN114708240A (zh) | 基于平扫ct的自动化aspects评分方法、计算机设备、可读存储介质和程序产品 | |
CN115954101A (zh) | 一种基于ai舌诊图像处理的健康度管理***及管理方法 | |
CN110348477A (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
CN111160441B (zh) | 分类方法、计算机设备和存储介质 | |
Srivastav et al. | Breast cancer detection in mammogram images using machine learning methods and clahe algorithm | |
CN112991289B (zh) | 图像标准切面的处理方法及装置 | |
Zhang et al. | A computational pipeline towards large-scale and multiscale modeling of traumatic axonal injury | |
CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类*** |
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 |