CN112336365B - 心肌血流量分布图像获取方法、***、介质及电子设备 - Google Patents
心肌血流量分布图像获取方法、***、介质及电子设备 Download PDFInfo
- Publication number
- CN112336365B CN112336365B CN202011251260.8A CN202011251260A CN112336365B CN 112336365 B CN112336365 B CN 112336365B CN 202011251260 A CN202011251260 A CN 202011251260A CN 112336365 B CN112336365 B CN 112336365B
- Authority
- CN
- China
- Prior art keywords
- image
- blood flow
- flow distribution
- myocardial
- myocardial blood
- 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
- 230000002107 myocardial effect Effects 0.000 title claims abstract description 161
- 230000017531 blood circulation Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000010968 computed tomography angiography Methods 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 230000000747 cardiac effect Effects 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims description 26
- 210000004165 myocardium Anatomy 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 10
- 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 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 210000004204 blood vessel Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003042 antagnostic effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 23
- 230000005855 radiation Effects 0.000 abstract description 8
- 238000002591 computed tomography Methods 0.000 description 38
- 230000010412 perfusion Effects 0.000 description 11
- 239000002872 contrast media Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007918 intramuscular administration Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 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
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- 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
- A61B6/503—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 heart
-
- 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
- A61B6/504—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 blood vessels, e.g. by angiography
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种心肌血流量分布图像获取方法、***、介质及电子设备;所述心肌血流量分布图像获取方法包括:获取患者的CT血管造影图像,所述CT血管造影图像包括患者的心脏区域;利用一基于机器学习的图像生成模型对所述CT血管造影图像进行处理,以获取患者的心肌血流量分布图像;其中,所述图像生成模型由以下方法训练得到:获取第一训练数据集,所述第一训练数据集包括多个训练数据对,每一训练数据对包括一CT血管造影图像及其对应的心肌血流量分布图像;利用所述第一训练数据集对一机器学习模型进行训练,并将训练后的所述机器学习模型作为所述图像生成模型。该方法能够减少患者扫描过程吸收的辐射剂量,降低对扫描设备硬件的要求。
Description
技术领域
本发明涉及一种图像处理方法,特别是涉及一种心肌血流量分布图像获取方法、***、介质及电子设备。
背景技术
心血管疾病是在当前社会致人死亡概率最高的疾病类型之一,利用CT、磁共振等医学影像设备扫描获得患者心脏部位的医学影像,并利用图像处理技术对医学影像进行处理计算获得人体相关指标,是临床诊断心血管疾病的重要依据。一系列临床研究表明,MBF(myocardial blood flow,心肌血流量)值不仅能较准确地评估心肌灌注情况,区分缺血心肌和梗死心肌,还可早期识别出糖尿病患者和高血压患者异常心肌血流分布。临床上可基于CT动态心肌灌注图像进行处理计算得到心肌各点的MBF值,进而得到心肌MBF分布图像,帮助医生诊断患者的心肌供血情况。
现有技术中,MBF值通常是基于CTP(CT perfusion,CT动态心肌灌注)图像序列计算获得,即获得对比剂注入心脏后一段时间内的多个连续图像,并根据不同时间点心肌内对比剂浓度的动态变化绘制出时间-密度曲线,利用相应模型根据时间-密度曲线数据推导出心肌血流量MBF(myocardial blood flow)参数。目前定量评估心肌灌注量的方法主要基于双房室模型,利用去卷积或者Patlakplot分析方法,根据时间-密度曲线数据推导出心肌血流量参数。
然而,发明人在实际应用中发现,现有技术基于CTP图像计算得到MBF参数,一方面,CT灌注扫描过程需要在对患者注射造影剂后在一段时间内连续多次对患者同一部位进行CT扫描,得到一段时间内造影剂浓度的变化情况。由于CT扫描过程本质是根据多角度X射线穿透人体的信号重建得到医学图像的过程,以CTP方式扫描的过程由于扫描时间长次数多,人体吸收的X射线辐射剂量高于一般CT扫描,因而会对人体造成一定伤害。另一方面,CT灌注扫描对CT设备硬件要求较高,需要具有宽体探测器的高端CT设备才能实现,且成本较高,许多较低级的医院仅配备中低端CT设备,不具备进行CT灌注扫描的条件。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种心肌血流量分布图像获取方法、***、介质及电子设备,用于解决现有技术中需要基于CTP图像获取心肌血流量分布图像所导致的诸多问题。
为实现上述目的及其他相关目的,本发明的第一方面提供一种心肌血流量分布图像获取方法,所述心肌血流量分布图像获取方法包括:获取患者的CT血管造影图像,所述CT血管造影图像包括患者的心脏区域;利用一基于机器学习的图像生成模型对所述CT血管造影图像进行处理,以获取患者的心肌血流量分布图像;其中,所述图像生成模型由以下方法训练得到:获取第一训练数据集,所述第一训练数据集包括多个训练数据对,每一训练数据对包括一CT血管造影图像及其对应的心肌血流量分布图像;利用所述第一训练数据集对一机器学习模型进行训练,并将训练后的所述机器学习模型作为所述图像生成模型。
于所述第一方面的一实施例中,获取患者的心肌血流量分布图像的实现方法包括:对所述CT血管造影图像进行处理,以获取患者的心肌图像;利用所述图像生成模型对所述心肌图像进行处理,以获取患者的心肌血流量分布图像。
于所述第一方面的一实施例中,获取患者的心肌图像的一种实现方法包括:利用一AI图像分割模型对所述CT血管造影图像进行分割,以获取患者的心肌图像;其中,所述AI图像分割模型由以下方法训练得到:获取第二训练数据集,所述第二训练数据集包括多个CT血管造影图像及其包含的心肌图像;利用所述第二训练数据集对一神经网络模型进行训练,并将训练后的神经网络模型作为所述AI图像分割模型。
于所述第一方面的一实施例中,获取患者的心肌图像的另一种实现方法包括:对所述CT血管造影图像进行处理,以使所述CT血管造影图像中仅包含心脏区域;采用阈值法去除所述心脏区域中的血管,以获得所述患者的心肌图像。
于所述第一方面的一实施例中,在获取所述第一训练数据集以后,所述图像生成模型的训练方法还包括:将所述第一训练数据集中的CT血管造影图像及其对应的心肌血流量分布图像进行图像配准。
于所述第一方面的一实施例中,在获取患者的CT血管造影图像以后,所述心肌血流量分布图像获取方法还包括:对所述CT血管造影图像进行预处理。
于所述第一方面的一实施例中,所述图像生成模型为一生成对抗网络模型。
本发明的第二方面提供一种心肌血流量分布图像获取***,所述心肌血流量分布图像获取***包括:图像获取模块,用于获取患者的CT血管造影图像,所述CT血管造影图像包括患者的心脏;图像生成模块,与所述图像获取模块相连,用于利用一基于机器学习的图像生成模型对所述CT血管造影图像进行处理,以获取患者的心肌血流量分布图像;其中,所述图像生成模型由以下方法训练得到:获取第一训练数据集,所述第一训练数据集包括多个训练数据对,每一训练数据对包括一CT血管造影图像及其对应的心肌血流量分布图像;利用所述第一训练数据集对一机器学习模型进行训练,并将训练后的所述机器学习模型作为所述图像生成模型。
本发明的第三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,该计算机程序被处理器执行时实现本发明第一方面任一项所述的心肌血流量分布图像获取方法。
本发明的第四方面提供一种电子设备,所述电子设备包括:存储器,其上存储有计算机程序;处理器,与所述存储器通信相连,用于执行所述计算机程序并实现本发明第一方面任一项所述的心肌血流量分布图像获取方法;显示器,于所述存储器和所述处理器通信相连,用于显示所述心肌血流量分布图像获取方法的相关GUI交互界面。
如上所述,本发明所述心肌血流量分布图像获取方法、***、介质及电子设备的一个技术方案具有以下有益效果:
所述心肌血流量分布图像获取方法通过利用一图像生成模型对患者的CT血管造影图像进行处理以获取患者的心肌血流量分布图像,在此过程中无需获取患者的CTP图像,因而能够减少患者扫描过程吸收的辐射剂量,降低对扫描设备硬件的要求,降低诊断成本。
附图说明
图1A显示为本发明所述心肌血流量分布图像获取方法于一具体实施例中的流程图。
图1B显示为本发明所述心肌血流量分布图像获取方法于一具体实施例中对图像生成模型进行训练的流程图。
图2显示为本发明所述心肌血流量分布图像获取方法于一具体实施例中步骤S12的流程图。
图3显示为本发明所述心肌血流量分布图像获取方法于一具体实施例中对AI图像分割模型进行训练的流程图。
图4显示为本发明所述心肌血流量分布图像获取方法于一具体实施例中获取患者心肌图像的流程图。
图5显示为本发明所述心肌血流量分布图像获取方法于一具体实施例中进行图像配准的流程图。
图6显示为本发明所述心肌血流量分布图像获取方法于一具体实施例中对生成对抗网络模型进行训练的流程图。
图7A和图7B显示为本发明所述心肌血流量分布图像获取方法于一具体实施例中对生成对抗网络模型进行训练的示意图。
图8显示为本发明所述电子设备于一具体实施例中的结构示意图。
元件标号说明
800 电子设备
810 存储器
820 处理器
830 显示器
S11~S12 步骤
S21~S22 步骤
S121~S122 步骤
S31~S32 步骤
S41~S42 步骤
S51~S53 步骤
S61~S62 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。此外,此外,在本文中,诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
现有获取MBF图像的技术通常基于CTP图像实现,一方面,CT灌注扫描过程需要在对患者注射造影剂后在一段时间内连续多次对患者同一部位进行CT扫描,得到一段时间内造影剂浓度的变化情况。由于CT扫描过程本质是根据多角度X射线穿透人体的信号重建得到医学图像的过程,以CTP方式扫描的过程由于扫描时间长次数多,人体吸收的X射线辐射剂量高于一般CT扫描,对人体造成一定伤害。另一方面,CT灌注扫描对CT设备硬件要求较高,需要具有宽体探测器的高端CT设备才能实现,且成本较高。许多较低级的医院仅配备中低端CT设备,不具备进行CT灌注扫描的条件。
针对这一问题,本发明提供一种心肌血流量分布图像获取方法,所述心肌血流量分布图像获取方法通过利用一图像生成模型对患者的CT血管造影图像进行处理以获取患者的心肌血流量分布图像,在此过程中无需获取患者的CTP图像,因而能够减少患者扫描过程吸收的辐射剂量,降低对扫描设备硬件的要求,降低诊断成本。
请参阅图1A和图1B,于本发明的一实施例中,所述心肌血流量分布图像获取方法包括:
S11,获取患者的CT血管造影图像,所述CT血管造影图像包括患者的心脏区域。CT血管造影是将CT增强技术与薄层、大范围、快速扫描技术相结合,通过合理的后处理来清晰显示心脏血管细节的技术,具有无创和操作简便的特点,并且对扫描设备的要求较低。
S12,利用一基于机器学习的图像生成模型对所述CT血管造影图像进行处理,以获取患者的心肌血流量分布图像。机器学习是一门多领域交叉学科,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。因此,通过对所述图像生成模型进行恰当的训练,能够使得所述图像生成模型具备对所述CT血管造影图像进行处理以生成患者的心肌血流量分布图像的能力。具体地,本实施例中所述图像生成模型的一种训练方法包括:
S21,获取第一训练数据集,所述第一训练数据集包括多个训练数据对,每一训练数据对包括一CT血管造影图像及其对应的心肌血流量分布图像。其中,所述第一训练数据集中的每一CT血管造影图像均对应于一心肌血流量分布图像,在具体应用中可以先获取多个CT血管造影图像,并通过现有方式获取各CT血管造影图像对应的心肌血流量分布图像,从而获取所述第一训练数据集。
S22,利用所述第一训练数据集对一机器学习模型进行训练,并将训练后的所述机器学习模型作为所述图像生成模型。其中,利用训练数据对机器学习模型进行训练可以采用现有技术实现,此处不做赘述。
根据以上描述可知,本实施例所述心肌血流量分布图像获取方法通过利用一图像生成模型对患者的CT血管造影图像进行处理即可获取患者的心肌血流量分布图像,CT血管造影图像的获取过程具有无创、操作简便以及对扫描设备要求较低的优点,因而能够减少患者扫描过程吸收的辐射剂量,降低对扫描设备硬件的要求,降低诊断成本。
请参阅图2,于本发明的一实施例中,获取患者的心肌血流量分布图像的实现方法包括:
S121,对所述CT血管造影图像进行处理,以获取患者的心肌图像。如前所述,所述CT血管造影图像包括患者的心脏区域,患者的心脏区域包括心肌,而心肌血流量分布图像往往只包含心肌区域的像素数据,因此,为了减少所述图像生成模型的数据处理量,并尽可能消除心肌区域以外的像素点对心肌血流量分布图像可能带来的噪声,步骤S121首先对所述CT血管造影图像进行处理,以从所述CT血管造影图像中分离出患者的心肌图像。
本步骤中,患者的心肌图像可以为一心肌区域的掩膜,在具体应用中可以将心肌区域以外的像素设为0或其他常数值,此时可以直接根据图像像素值获取心肌区域的掩膜。
S122,利用所述图像生成模型对所述心肌图像进行处理,以获取患者的心肌血流量分布图像。
需要说明的是,在本实施例中,为了保证所述图像生成模型能够实现对心肌图像的处理,在对所述图像生成模型进行训练的过程中,需要对所述第一训练数据集中的CT血管造影图像进行处理,以获取各CT血管造影图像所包含的心肌图像,并以所述心肌图像及其对应的心肌血流量分布图像作为训练数据对所述图像生成模型进行训练。
根据以上描述可知,本实施例所述心肌血流量分布图像获取方法首先从所述CT血管造影图像中获取患者的心肌图像,使得所述图像生成模型只需处理心肌图像中的像素点,减少了所述图像生成模型的数据处理量,并能降低甚至消除心肌区域以外的像素点对心肌血流量分布图像带来的噪声,有利于提升获取到的心肌血流量分布图像的质量。
于本发明的一实施例中,获取患者的心肌图像的一种实现方法包括:利用一AI图像分割模型对所述CT血管造影图像进行分割,以获取患者的心肌图像。请参阅图3,本实施例所述AI图像分割模型的一种训练方法包括:
S31,获取第二训练数据集,所述第二训练数据集包括多个CT血管造影图像及各CT血管造影图像包含的心肌图像。其中,各CT血管造影图像包含的心肌图像可以通过人工分割等方式获取。
S32,利用所述第二训练数据集对一神经网络模型进行训练,并将训练后的神经网络模型作为所述AI图像分割模型。其中,利用所述第二训练数据集对所述神经网络模型进行训练的方式可以通过现有的梯度下降法、共轭梯度法等方式实现,此处不做赘述。
请参阅图4,于本发明的一实施例中,获取患者的心肌图像的另一种实现方法包括:
S41,对所述CT血管造影图像进行处理,以去除所述CT血管造影图像中的背景区域,从而使所述CT血管造影图像中仅包含心脏区域。其中,步骤S41可以采用模式识别、UNet模型、VNet模型等方式实现,此处不作限制。
S42,采用阈值法去除所述心脏区域中的血管,以获得所述患者的心肌图像。具体地,所述心脏区域中血管的灰度值处于一区间范围内,所述阈值法包括:在所述CT血管造影图像中将该区间范围内的所有像素点删除,剩余的像素点即为所述患者的心肌图像。
于本发明的一实施例中,考虑到所述第一训练数据集中的CT血管造影图像与心肌血流量分布图像的空间坐标可能会有所改变,且空间分辨率可能不同,这会影像所述图像生成模型的性能。针对这一问题,本实施例中,在获取所述第一训练数据集以后,所述图像生成模型的训练方法还包括:将所述第一训练数据集中的CT血管造影图像及其对应的心肌血流量分布图像进行图像配准。
请参阅图5,以所述第一训练数据集中的任意一个训练数据对为例,对所述心肌血流量分布图像进行图像配准的一种实现方法包括:
S51,变换中心初始化;具体地,分别找到所述CT血管造影图像和心肌血流量分布图像在心肌区域的质心,并对两图像在心肌区域的质心的坐标进行对齐,作为后续配准的变换中心。其中,图像的质心也称为图像的重心,对于图像来说,图中每一点的像素值可以看作此点的质量,根据图像中各点的质量可以直接获取该图像的质心。
S52,3D仿射变换。在变换中心的基础上,对呼气相CT血管造影图像进行3D仿射变换的刚性配准。其中,所述3D仿射变换包括旋转、缩放、平移、切变、反射等。变换后的CT血管造影图像和心肌血流量分布图像具有相同的空间分辨率和空间尺寸,其中,变换后的呼气相CT血管造影图像作为后续弹性配准的输入图像。
本步骤中,对所述呼气相CT血管造影图像进行3D放射变换的一种实现方法为:
S53,B样条几何变换。具体地,首先以3D仿射变换的结果作为输入,采用心肌区域的图像进行B样条几何变换弹性配准,以使CT血管造影图像和心肌血流量分布图像内心肌区域的轮廓基本贴合。
本实施例中,通过上述变换中心初始化、3D仿射变换和B样条几何变换等步骤能够实现任一训练数据对中的CT血管造影图像与心肌血流量分布图像的配准。对所述第一训练数据集中的所有训练数据对完成配准后,利用所述第一训练数据集对所述图像生成模型进行训练,有利于提升所述图像生成模型的处理性能,并提升获得的心肌血流量分布图像的准确度和精度。
于本发明的一实施例中,在获取患者的CT血管造影图像以后,所述心肌血流量分布图像获取方法还包括:对所述CT血管造影图像进行预处理;其中,所述预处理包括对所述CT血管造影图像进行降噪处理。
在本实施例中,可以采用中值滤波的方式将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,即:把图像中每一点的灰度值用该点的一个邻域中各像素点灰度值的中值代替,从而让像素点的灰度值接近真实值,以消除孤立的噪声点。具体地,本实施例可以采用二维滑动模板,将模板内的像素点按照灰度值的大小进行排序,以生成单调上升(或下降)的二维数据序列;中值滤波的结果为g(x,y)=med{f(x-k,y-l),(k,l∈W)};其中,g(x,y)为滤波后的像素点(x,y)的灰度值,f(x,y)为滤波之前的像素点(x,y)的灰度值,W为二维模板,例如,可以选取5×5的矩形区域作为所述二维模板;med为一中值函数,其函数值为其后的两个或多个数据的中值。
本实施例通过对所述CT血管造影图像进行预处理,能够减少其中的孤立噪声点,从而提升获取到的心肌血流量分布图像的准确性。需要说明的是,也可以对所述第一训练数据集中的CT血管造影图像和心肌血流量分布图像进行预处理,以使所述图像生成模型能够生成准确度更高的心肌血流量分布图像。
于本发明的一实施例中,所述图像生成模型为一生成对抗网络模型。请参阅图6,本实施例中,对所述图像生成模型的训练方法包括:
S61,构建一个生成对抗网络模型,其中包括一个生成模型G和一个判别模型D。
S62,以所述第一训练数据集对所述生成对抗网络模型进行训练。在训练过程中,生成模型G用于根据CT血管造影图像生成一虚拟的MBF图像,D用于判别区分虚拟MBF图像与真实的心肌血流分布图像。通过一定数量的训练数据对所述生成对抗网络模型进行迭代训练,G和D会分别不断优化:G根据CT血管造影图像生成的虚拟MBF图像越来越接近真实的心肌血流分布图像,D区分虚拟MBF图像和真实的心肌血流分布图像的能力也越来越强。此训练过程持续进行,直到G根据所述CT血管造影图像生成的虚拟MBF图像非常接近真实的心肌血流分布图像,此时训练完成,所述生成对抗网络模型可以作为所述图像生成模型使用;在使用中,所述图像生成模型能够根据采集到的患者的CT血管造影图像生成相应的虚拟MBF图像,该虚拟MBF图像可以代替真实的心肌血流量分布图像使用。
优选地,所述生成对抗网络模型以pix2pixHD为基础,采取金字塔式的方法,输入CT血管造影图像将先输出低分辨率的虚拟MBF图像,然后将低分辨率的MBF图像作为另一个网络的输入,从而生成分辨率更高的虚拟MBF图像。
请参阅图7A和图7B,所述生成模型G由两部分组成:G1和G2。其中,G1是一个端到端的UNet结构,而G2有两个输入部分,G2的左半部分输入高分辨率图像并提取特征后,将其与G1的输出层的前一层特征图进行相加融合,融合后的信息送入G2的后半部分从而使得G2输出高分辨率图像。判别模型D使用多尺度判别器,包括D1、D2和D3。判别的三个尺度例如为:原图的1/4降采样、原图的1/2降采样和原图,最后在三个不同的尺度上进行判别并对结果取平均。
生成模型G1和G2的结构类似,同样使用UNet架构。多尺度判别模型D1、D2和D3的结构类似,使用马尔可夫判别器(PatchGAN),即:把图像等分成N×N份切片,分别判断每张切片的真假,最后取平均。
本实施例中所述生成对抗网络模型的损失函数由生成对抗网络模型损失(GANLOSS)和特征匹配(Feature matching,FM)损失两部分组成。其中,所述生成对抗网络模型损失由马尔可夫判别器的损失计算得到,所述特征匹配的损失可以通过将生成的样本和真实样本分别输入判别器提取特征并根据特征获取Element-wise损失得到。所述损失函数可以表示为其中,LGAN(G,Dk)表示生成对抗网络模型损失,LFM(G,Dk)表示特征匹配损失,且T是总共的层数,Ni表示第i层的元素数,λ用于控制两项损失的重要性,E(s,x)表示期望,其取值可以根据实际需求进行调整,s为输入图像,x为输出图像。需要说明的是,对于特征匹配损失Dk只作为一个特征提取器,并没有最大化损失LFM。
基于以上对所述心肌血流量分布图像获取方法的描述,本发明还提供一种心肌血流量分布图像获取***,所述心肌血流量分布图像获取模块能够实现本发明所述的心肌血流量分布图像获取方法。于本发明的一实施例中,所述心肌血流量分布图像获取***包括图像获取模和图像生成模块;其中,所述图像获取模块用于获取患者的CT血管造影图像,所述CT血管造影图像包括患者的心脏;所述图像生成模块与所述图像获取模块相连,用于利用一基于机器学习的图像生成模型对所述CT血管造影图像进行处理,以获取患者的心肌血流量分布图像。
本实施例中,所述图像生成模型可以由以下方法训练得到:获取第一训练数据集,所述第一训练数据集包括多个训练数据对,每一训练数据对包括一CT血管造影图像及其对应的心肌血流量分布图像;利用所述第一训练数据集对一机器学习模型进行训练,并将训练后的所述机器学习模型作为所述图像生成模型。
基于以上对所述心肌血流量分布图像获取方法的描述,本发明还提供一种计算机可读存储介质,其上存储有计算机程序。该计算机程序被处理器执行时实现本发明所述的心肌血流量分布图像获取方法。
基于以上对所述心肌血流量分布图像获取方法的描述,本发明还提供一种电子设备。请参阅图8,于本发明的一实施例中,所述电子设备800包括:存储器810,其上存储有计算机程序;处理器820,与所述存储器810通信相连,用于执行所述计算机程序并实现本发明所述的心肌血流量分布图像获取方法;显示器830,与所述存储器810和所述处理器820通信相连,用于显示所述心肌血流量分布图像获取方法的相关GUI交互界面。
本发明所述的心肌血流量分布图像获取方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种心肌血流量分布图像获取***,所述心肌血流量分布图像获取***可以实现本发明所述的心肌血流量分布图像获取方法,但本发明所述的心肌血流量分布图像获取方法的实现装置包括但不限于本实施例列举的心肌血流量分布图像获取***的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
本发明所述心肌血流量分布图像获取方法不依赖于CTP扫描,仅根据CT血管造影图像即可获得心肌血流量分布图像。相较于现有技术基于CTP扫描来获取MBF的方法,本发明提供的技术方案减少了患者在扫描过程中所吸收的辐射剂量,降低了对扫描设备硬件的要求,有利于降低诊断成本。
综上所述,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种心肌血流量分布图像获取方法,其特征在于,所述心肌血流量分布图像获取方法包括:
获取患者的CT血管造影图像,所述CT血管造影图像包括患者的心脏区域;
利用一基于机器学习的图像生成模型对所述CT血管造影图像进行处理,以获取患者的心肌血流量分布图像;
其中,所述图像生成模型由以下方法训练得到:获取第一训练数据集,所述第一训练数据集包括多个训练数据对,每一训练数据对包括一CT血管造影图像及其对应的心肌血流量分布图像;将所述第一训练数据集中的CT血管造影图像及其对应的心肌血流量分布图像进行图像配准;利用所述第一训练数据集对一机器学习模型进行训练,并将训练后的所述机器学习模型作为所述图像生成模型;
所述图像配准的实现方法包括:分别找到所述CT血管造影图像和心肌血流量分布图像在心肌区域的质心,并对两图像在心肌区域的质心的坐标进行对齐,以作为后续配准的变换中心;基于所述变换中心进行3D仿射变换;以所述3D仿射变换的结果作为输入,采用心肌区域的图像进行B样条几何变换弹性配准,以使CT血管造影图像和心肌血流量分布图像内心肌区域的轮廓贴合;
获取所述患者的心肌血流量分布图像的实现方法包括:对所述CT血管造影图像进行处理,以获取患者的心肌图像;利用所述图像生成模型对所述心肌图像进行处理,以获取患者的心肌血流量分布图像。
2.根据权利要求1所述的心肌血流量分布图像获取方法,其特征在于,获取患者的心肌图像的一种实现方法包括:
利用一AI图像分割模型对所述CT血管造影图像进行分割,以获取患者的心肌图像;其中,所述AI图像分割模型由以下方法训练得到:
获取第二训练数据集,所述第二训练数据集包括多个CT血管造影图像及其包含的心肌图像;
利用所述第二训练数据集对一神经网络模型进行训练,并将训练后的神经网络模型作为所述AI图像分割模型。
3.根据权利要求1所述的心肌血流量分布图像获取方法,其特征在于,获取患者的心肌图像的另一种实现方法包括:
对所述CT血管造影图像进行处理,以使所述CT血管造影图像中仅包含心脏区域;采用阈值法去除所述心脏区域中的血管,以获得所述患者的心肌图像。
4.根据权利要求1所述的心肌血流量分布图像获取方法,其特征在于,在获取患者的CT血管造影图像以后,所述心肌血流量分布图像获取方法还包括:对所述CT血管造影图像进行预处理。
5.根据权利要求1所述的心肌血流量分布图像获取方法,其特征在于:所述图像生成模型为一生成对抗网络模型。
6.一种心肌血流量分布图像获取***,其特征在于,所述心肌血流量分布图像获取***包括:
图像获取模块,用于获取患者的CT血管造影图像,所述CT血管造影图像包括患者的心脏;
图像生成模块,与所述图像获取模块相连,用于利用一基于机器学习的图像生成模型对所述CT血管造影图像进行处理,以获取患者的心肌血流量分布图像;
其中,所述图像生成模型由以下方法训练得到:获取第一训练数据集,所述第一训练数据集包括多个训练数据对,每一训练数据对包括一CT血管造影图像及其对应的心肌血流量分布图像;将所述第一训练数据集中的CT血管造影图像及其对应的心肌血流量分布图像进行图像配准;利用所述第一训练数据集对一机器学习模型进行训练,并将训练后的所述机器学习模型作为所述图像生成模型;
所述图像配准的实现方法包括:分别找到所述CT血管造影图像和心肌血流量分布图像在心肌区域的质心,并对两图像在心肌区域的质心的坐标进行对齐,以作为后续配准的变换中心;基于所述变换中心进行3D仿射变换;以所述3D仿射变换的结果作为输入,采用心肌区域的图像进行B样条几何变换弹性配准,以使CT血管造影图像和心肌血流量分布图像内心肌区域的轮廓贴合;
所述图像生成模块获取所述患者的心肌血流量分布图像的实现方法包括:对所述CT血管造影图像进行处理,以获取患者的心肌图像;利用所述图像生成模型对所述心肌图像进行处理,以获取患者的心肌血流量分布图像。
7.一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:该计算机程序被处理器执行时实现权利要求1-5任一项所述的心肌血流量分布图像获取方法。
8.一种电子设备,其特征在于,所述电子设备包括:
存储器,其上存储有计算机程序;
处理器,与所述存储器通信相连,用于执行所述计算机程序并实现权利要求1-5任一项所述的心肌血流量分布图像获取方法;
显示器,与所述存储器和所述处理器通信相连,用于显示所述心肌血流量分布图像获取方法的相关GUI交互界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251260.8A CN112336365B (zh) | 2020-11-11 | 2020-11-11 | 心肌血流量分布图像获取方法、***、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251260.8A CN112336365B (zh) | 2020-11-11 | 2020-11-11 | 心肌血流量分布图像获取方法、***、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112336365A CN112336365A (zh) | 2021-02-09 |
CN112336365B true CN112336365B (zh) | 2021-09-28 |
Family
ID=74363240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011251260.8A Active CN112336365B (zh) | 2020-11-11 | 2020-11-11 | 心肌血流量分布图像获取方法、***、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112336365B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8615116B2 (en) * | 2007-09-28 | 2013-12-24 | The Johns Hopkins University | Combined multi-detector CT angiography and CT myocardial perfusion imaging for the diagnosis of coronary artery disease |
JP5234905B2 (ja) * | 2007-11-20 | 2013-07-10 | 東芝メディカルシステムズ株式会社 | X線ct装置および心筋パーフュージョン像生成システム |
JP6297699B2 (ja) * | 2013-09-06 | 2018-03-20 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 心臓データを処理する処理装置、そのような処理装置を有するイメージングシステム、処理装置の作動方法、イメージングシステムの作動方法及びコンピュータプログラム |
CN105096388B (zh) * | 2014-04-23 | 2019-02-05 | 北京冠生云医疗技术有限公司 | 基于计算流体力学的冠状动脉血流仿真***和方法 |
JP2019111282A (ja) * | 2017-12-26 | 2019-07-11 | 国立大学法人千葉大学 | 血流分布生成プログラム、血流分布生成方法及び血流分布表示装置 |
US11399779B2 (en) * | 2018-05-16 | 2022-08-02 | Case Western Reserve University | System-independent quantitative perfusion imaging |
CN110428420B (zh) * | 2018-09-05 | 2022-05-17 | 深圳科亚医疗科技有限公司 | 基于患者的冠状动脉ct血管造影图像来确定冠状动脉的流动信息的方法、装置和介质 |
WO2020154398A1 (en) * | 2019-01-22 | 2020-07-30 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Noninvasive real-time patient-specific assessment of stroke severity |
CN110276748B (zh) * | 2019-06-12 | 2022-12-02 | 上海移视网络科技有限公司 | 心肌缺血区域的血流速和血流储备分数的分析方法 |
CN110853111B (zh) * | 2019-11-05 | 2020-09-11 | 上海杏脉信息科技有限公司 | 医学影像处理***、模型训练方法及训练装置 |
-
2020
- 2020-11-11 CN CN202011251260.8A patent/CN112336365B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112336365A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kociołek et al. | Does image normalization and intensity resolution impact texture classification? | |
JP7246866B2 (ja) | 医用画像処理装置 | |
CN109272510B (zh) | 一种三维医学图像中管状结构的分割方法 | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
Koundal et al. | Challenges and future directions in neutrosophic set-based medical image analysis | |
Cai et al. | A framework combining window width-level adjustment and Gaussian filter-based multi-resolution for automatic whole heart segmentation | |
Liu et al. | Cardiac magnetic resonance image segmentation based on convolutional neural network | |
CN114241077B (zh) | 一种ct图像分辨率优化方法及装置 | |
Li et al. | Automatic quantification of epicardial adipose tissue volume | |
WO2022086910A1 (en) | Anatomically-informed deep learning on contrast-enhanced cardiac mri | |
CN114565711A (zh) | 基于深度学习的心脏图像重建方法及*** | |
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 | |
Dang et al. | LVSegNet: a novel deep learning-based framework for left ventricle automatic segmentation using magnetic resonance imaging | |
Jalab et al. | Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI | |
Xiao et al. | PET and CT image fusion of lung cancer with siamese pyramid fusion network | |
CN112315493A (zh) | 心肌血流量分布图像获取方法、***、介质及电子设备 | |
CN112336365B (zh) | 心肌血流量分布图像获取方法、***、介质及电子设备 | |
Ullah et al. | Histogram equalization based enhancement and mr brain image skull stripping using mathematical morphology | |
CN110858412A (zh) | 基于图像配准的心脏冠脉cta模型建立方法 | |
CN111093506A (zh) | 运动补偿心脏瓣膜重建 | |
Li et al. | A hybrid approach to detection of brain hemorrhage candidates from clinical head ct scans | |
CN112508881A (zh) | 一种颅内血管图像配准方法 | |
Zhou et al. | Two stage registration-based automatic left ventricle myocardium segmentation of cardiac 4DCT images | |
Muthu et al. | Morphological operations in medical image pre-processing | |
Pal et al. | Panoptic Segmentation and Labelling of Lumbar Spine Vertebrae using Modified Attention Unet |
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 |