CN115496743A - 脑血管病变分割方法、装置、存储介质、电子装置 - Google Patents

脑血管病变分割方法、装置、存储介质、电子装置 Download PDF

Info

Publication number
CN115496743A
CN115496743A CN202211256557.2A CN202211256557A CN115496743A CN 115496743 A CN115496743 A CN 115496743A CN 202211256557 A CN202211256557 A CN 202211256557A CN 115496743 A CN115496743 A CN 115496743A
Authority
CN
China
Prior art keywords
segmentation
model
lesion
lesions
tissue
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.)
Pending
Application number
CN202211256557.2A
Other languages
English (en)
Inventor
刘伟奇
马学升
陈磊
陈金钢
徐鹏
赵友源
赵晓彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming Tongxin Yilian Technology Co ltd
Original Assignee
Kunming Tongxin Yilian Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming Tongxin Yilian Technology Co ltd filed Critical Kunming Tongxin Yilian Technology Co ltd
Priority to CN202211256557.2A priority Critical patent/CN115496743A/zh
Publication of CN115496743A publication Critical patent/CN115496743A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请公开了一种脑血管病变分割方法、装置、存储介质、电子装置，其中所述方法包括获取MRI图像信息；通过预先训练的图像分割模型，得到所述MRI图像信息中的分割结果，其中，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型以及白质疏松组织的空间先验分布进行MAP估计；根据所述分割结果，得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。通过本申请实现了脑血管病变的自动分割，且与专家分割量之间具有很强的一致性。本申请可用于临床图像处理，可以提高临床图像的配准精度。

Description

脑血管病变分割方法、装置、存储介质、电子装置
技术领域
本申请涉及医疗技术、机器学习领域，具体而言，涉及一种脑血管病变分割方法、装置、存储介质、电子装置。
背景技术
从脑磁共振成像(Megnetic Resonace Imaging,MRI)图中鉴别脑血管异常病变对于理解脑缺血(脑血流量不足)至关重要。然而不同的病变类型，如白质疏松症(小血管病变)和中风，则不能纯粹根据图像的形状或位置来区分。临床医生使用解剖学和其他医学知识对病变进行分类和描述。
为了解对脑缺血的易感性和相关的危险因素，临床医生手动勾画和分析血管病变部位，重点关注白质疏松症，并将其与卒中病变分开。这种方法表明：与损伤性脑梗死患者相比，短暂性脑缺血发作患者的白质疏松负担更低。每勾画一位患者的白质疏松症和中风病变需要消耗30分钟，然而大型研究包含成百上千名患者。因此，自动分割是必要的。
病变的形状和位置的可变性是中风扫描自动分割的主要挑战之一。T2-液体衰减反转序列(Fluid Attenuated Inversion Recovery,FLAIR)白质疏松病变部位表现为高信号，位于脑室周围，变化范围广泛，大致两侧对称。虽然中风病变也具有高强度的特点，但它几乎可以发生在大脑的任何部位，而且在大小和形状上变化很大。另外，急性中风(过去48小时内的中风)在弥散加权MR(DWI)上可见，但慢性中风(在成像前很长时间发生的中风)却并非如此。
此外，由于扫描时间极其有限，实际临床环境中的图像质量非常低，通常影像切片的厚度为5-7mm，甚至伴随明亮的伪影。这些因素阻碍了临床图像的配准精度，并且影响了强度均衡。
针对相关技术中脑血管病变分割的方法无法实现自动分割以及分割精度不佳的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种脑血管病变分割方法、装置、存储介质、电子装置，以解决脑血管病变分割的方法无法实现自动分割以及分割精度不佳的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种脑血管病变分割方法。
根据本申请的脑血管病变分割方法包括：
获取MRI图像信息；
通过预先训练的图像分割模型，得到所述MRI图像信息中的分割结果，其中，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型以及白质疏松组织的空间先验分布进行MAP估计；
根据所述分割结果，得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。
在一些实施例中，所述图像分割模型包括强度特征、形状特征以及空间环境特征，其中所述强度特征包括白质疏松病变的强度分布以及中风的强度分布，所述空间环境特征包括白质疏松病变的空间分布，所述分割结果还包括：
基于T2 FLAIR序列，将所述脑血管病变中的白质疏松病变与急慢性中风病变分离。
在一些实施例中，所述MRI图像信息中的分割结果，包括：
使用生成模型来描述健康组织和脑血管病变的空间分布、形状和外观，建立用于描述组织类别的后验分布模型，其中所述组织类别的先验捕获了空间分布以及病变形状的知识；
采用最大后验概率模型对所述用于描述组织类别的后验分布模型进行MAP估计，得到所述MRI图像信息中的分割结果。
在一些实施例中，所述MRI图像信息中的分割结果，包括：
采用PCA对经过人工分割的白质疏松组织病变二元分割映射的训练集，构建概率图谱，对白质疏松组织病变的空间范围进行建模得到白质疏松组织的空间先验分布。
在一些实施例中，所述MAP估计基于EM算法，并将强度平均估计建模为空间变化，同时采用低通滤波器进行滤波。
在一些实施例中，所述图像分割模型采用人工标注的白质疏松组织病变结果作为训练图像。
为了实现上述目的，根据本申请的又一个方面，提供了一种临床图像处理方法。
根据本申请的临床图像处理方法包括：
采用所述的脑血管病变分割方法进行图像配准。
为了实现上述目的，根据本申请的另一个方面，提供了一种脑血管病变分割装置。
根据本申请的脑血管病变分割装置包括：
获取模块，用于获取MRI图像信息；
处理模块，用于通过预先训练的图像分割模型，得到所述MRI图像信息中的分割结果，其中，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型以及脑白质疏松组织的空间先验分布进行MAP估计；
分割模块，用于根据所述分割结果，得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。
在本申请实施例中脑血管病变分割方法、装置、存储介质、电子装置，通过获取MRI图像信息；通过预先训练的图像分割模型，得到所述MRI图像信息中的分割结果，其中，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型以及白质疏松组织的空间先验分布进行MAP估计；之后根据所述分割结果，得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。通过图像分割模型实现脑血管病变中的白质疏松病变与急慢性中风病变分离。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的脑血管病变分割方法的流程示意图；
图2是根据本申请实施例的脑血管病变分割装置的结构示意图；
图3是根据本申请实施例的脑血管病变分割方法的实现原理示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
在本申请的实施例中，通过对病变的强度、形状和空间分布进行建模，以获取不同种类病变的解剖学知识，以便对脑卒中患者的MRI图像进行注释。本申请关注于分割白质疏松症，并将其与卒中病变分开。
进一步地，引入了一个关于脑血管疾病对大脑的影响的概率生成模型。该模型整合了每种病变的重要特点，从而产生了一个有效的推理算法来分割脑卒中患者不同组织。获取白质疏松症的空间分布和强度分布，以及中风的强度分布。通过在一个专家标记的数据集上训练模型，并证明本申请的建模选择捕获了临床医生使用的概念，如强度模式的对称性和共变。比如，本申请的分割模型结合了几种先前提出的解剖分割的方法，准确地建立病变模型。
此外，发明人研究时发现基于强度的病变分割算法是利用组织的强度不同来分割病变。空间先验有时以马尔可夫随机场或空间分布的形式添加。这些方法成功地描述了与周围环境相比是高或低信号的结构，如MS病变或肿瘤。但这些方法并不能用来区分多个高强度结构，如白质疏松症、中风和某些伪影，因为这些病变具有相同强度并且可以在空间上同时产生。临床医生利用空间特征，如白质疏松症的双侧对称性来区分它们。
基于形状的方法通常是通过显性或隐性的表征来对结构的形状进行建模。在本申请中通过利用一个形状模型来捕获白质疏松症的空间分布的可变性，它在脑室周围以一致的模式发展。相比之下，中风几乎可以发生在大脑的任何一个随机位置，并且没有明显的形状或位置轮廓。
如图1所示是本申请实施例中的脑血管病变分割方法的流程示意图，其中所述方法包括：
步骤S110,获取MRI图像信息。
通常在所述MRI图像信息中包含了病变区域。即脑血管的病变区域。
如果是训练阶段，需要包括健康组织和脑血管病变的空间分布、形状和外观。
如果是测试阶段，则只需要输入病变区域的MRI图像即可。
步骤S120,通过预先训练的图像分割模型，得到所述MRI图像信息中的分割结果，其中，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型以及白质疏松组织的空间先验分布进行MAP估计。
通过所述预先训练的图像分割模型，可以得到所述MRI图像信息中的分割结果。预先训练的所述图像分割模型基于概率估计模型，可以根据估计结果得到对应的分割结果。
示例性地，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型、所述白质疏松组织的空间先验分布进行最大后验概率估计。
步骤S130,根据所述分割结果，得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。
根据所述分割结果，可以得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。通过分割MRI图像信息中单独的脑血管病变，基于概率模型，捕获专家对疾病的知识。
进一步地，上述方法通过对脑白质疏松病变的空间分布以及脑白质疏松症和中风病变的强度进行建模，自动分割了仅根据强度无法区分的组织。采用结合强度和空间环境的中风模型可以准确分割白质疏松病变与急慢性中风病变。
作为本实施例中的优选，所述图像分割模型包括强度特征、形状特征以及空间环境特征，其中所述强度特征包括白质疏松病变的强度分布以及中风的强度分布，所述空间环境特征包括白质疏松病变的空间分布，所述分割结果还包括：基于T2 FLAIR序列，将所述脑血管病变中的白质疏松病变与急慢性中风病变分离。
具体实施时，T2-液体衰减反转序列(Fluid Attenuated Inversion Recovery,FLAIR)，可以将所述脑血管病变中的白质疏松病变与急慢性中风病变自动分离/分割。
作为本实施例中的优选，所述MRI图像信息中的分割结果，包括：使用生成模型来描述健康组织和脑血管病变的空间分布、形状和外观，建立用于描述组织类别的后验分布模型，其中所述组织类别的先验捕获了空间分布以及病变形状的知识；采用最大后验概率模型对所述用于描述组织类别的后验分布模型进行MAP估计，得到所述MRI图像信息中的分割结果。
具体实施时，建立用于描述组织类别的后验分布模型，并采用最大后验概率模型对所述用于描述组织类别的后验分布模型进行MAP估计，得到所述MRI图像信息中的分割结果。
用于描述组织类别的后验分布模型，使用生成模型来描述健康组织和脑血管病变的空间分布、形状和外观。
示例性地，把Ω设成一个图像中所有空间位置(体素)的集合，并且I＝{Ix}x∈Ω，设图像I是由一个空间变化的标记映射C＝{Cx}x∈Ω生成的，C代表组织类别。对于每个体素x，Cx是二进制指标载体，它编码三种组织标签—脑白质疏松组织(L)、中风组织(S)和健康组织(H)。
进一步地，使用符号Cx(c)＝1表示体素x处的组织类为c，故c∈{L,S,H}，反之，Cx(c)＝0，给定标记映射C，强度观测值Ιx是独立于高斯分布生成的：
Figure BDA0003889209600000081
其中
Figure BDA0003889209600000082
代表正态分布，μ是平均值，σ2是方差，C＝{L,S,H}，μ＝{μL,μS,μH}，σ＝{σL,σS,σH}组织类别的先验捕获了空间分布和病变形状的知识。
假设白质疏松症的空间范围取决于空间分布M＝{Mx}x∈Ω，其中Mx是脑白质疏松症体素x的先验，正如本申请所描述的，M将由参数α进行参数化。如果体素x没有被分配为白质疏松症组织，则它被分配为具有空间变化概率βx的中风组织，和概率为(1-βx)的健康组织。
为了空间的连续性，将一个马尔可夫随机场(Markov Random Field,MRF)作为空间先验：
Figure BDA0003889209600000083
其中πx＝[Mx(α)，(1-Mx(α))βx，(1-Mx(α))(1-βx)]T (3)
πx是上述三种组织类别的先验概率的向量，
Figure BDA0003889209600000085
是与x相邻的体素位置的集合，并且选择3*3矩阵A来鼓励相邻的体素共享相同的组织标签。
实际操作中，MRF对中风和其他组织之间的相互作用大于与健康组织接壤的白质疏松，因为发现中风组织通常在空间上更连续，而脑白质疏松组织则更分散。使用公式(1)，(2)和(3)，形成了组织类别的后验分布。
Figure BDA0003889209600000084
作为本实施例中的优选，所述MRI图像信息中的分割结果，包括：采用PCA对经过人工分割的白质疏松组织病变二元分割映射的训练集，构建概率图谱，对白质疏松组织病变的空间范围进行建模得到白质疏松组织的空间先验分布。
具体实施时，采用PCA对经过人工分割的白质疏松组织病变二元分割映射的训练集构建概率图谱，实现对白质疏松组织病变的空间范围进行建模得到白质疏松组织的空间先验分布。
对于脑白质疏松组织的空间先验分布，首先对脑白质疏松病变的空间范围进行建模：
示例性地，通过利用主元分析法(Principal Component Analysis,PCA)对人工脑白质疏松病变二元分割映射的训练集构建概率图谱。
设
Figure BDA0003889209600000091
为均值映射，
Figure BDA0003889209600000092
是对应于K最大特征根的重要成分，以及αk应为权重(或载荷)：
Figure BDA0003889209600000093
其中，Σ为包含K最大特征根的对角协方差矩阵。给定α，空间先验M＝{Mx}x∈Ω确认定义为：
Figure BDA0003889209600000094
作为本实施例中的优选，所述MAP估计基于EM算法，并将强度平均估计建模为空间变化，同时采用低通滤波器进行滤波。
为了获得分割图，执行MAP推论和寻找：
Figure BDA0003889209600000095
由于当MRF权值矩阵A非零时，精确的计算就变得不可行，因此使用EM(Expectation-maximization,EM)算法来估计MAP的解。
示例性地，使用完全因子分布模仿后验分布P(C|I；μ,σ,α,β)
Figure BDA0003889209600000101
wx是在体素x处的三种组织类的概率向量。由于PCA的载荷P(α)的先验与可能性P(C|α)不共轭，使用正则化投影近似相应的E步计算：
Figure BDA0003889209600000102
U＝[M1,.....,Mk]，使用剪切强制M(α)中的结果值在0到1之间。在M步中，更新了模型的参数。
该更新是直观的。类的平均值和方差估计被计算为加权平均值：
Figure BDA0003889209600000103
由于存在较大强度的病理变化和严重的伪影，图像的不均匀性不能通过预处理步骤来纠正。为了解决健康组织的图像不均匀性，将强度平均估计建模为空间变化，并引入低通滤波器GH以加强空间平滑性，类似于原始的EM分割公式。具体是：
μH←GH*(wx(H)·I) (10)
式中，*表示空间卷积。之前的健康组织βx是当前中风和健康组织概率估计的一小部分：
Figure BDA0003889209600000111
最后，与相邻体素加权调整后：得到了变分后验参数wx
Figure BDA0003889209600000112
其中πx(c)是在(3)中定义的。迭代更新直到参数估计收敛。
作为本实施例中的优选，所述图像分割模型采用人工标注的白质疏松组织病变结果作为训练图像。
如图2所示，本申请实施例中的脑血管病变分割装置200，所述装置包括：
获取模块210，用于获取MRI图像信息；
处理模块220，用于通过预先训练的图像分割模型，得到所述MRI图像信息中的分割结果，其中，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型以及脑白质疏松组织的空间先验分布进行MAP估计；
分割模块230，用于根据所述分割结果，得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。
本申请实施例的所述获取模块210中通常在所述MRI图像信息中包含了病变区域。即脑血管的病变区域。
如果是训练阶段，需要包括健康组织和脑血管病变的空间分布、形状和外观。
如果是测试阶段，则只需要输入病变区域的MRI图像即可。
本申请实施例的所述处理模块220中通过所述预先训练的图像分割模型，可以得到所述MRI图像信息中的分割结果。预先训练的所述图像分割模型基于概率估计模型，可以根据估计结果得到对应的分割结果。
示例性地，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型、所述白质疏松组织的空间先验分布进行最大后验概率估计。
本申请实施例的所述分割模块230中根据所述分割结果，可以得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。通过分割MRI图像信息中单独的脑血管病变，基于概率模型，捕获专家对疾病的知识。
进一步地，上述方法通过对脑白质疏松病变的空间分布以及脑白质疏松症和中风病变的强度进行建模，自动分割了仅根据强度无法区分的组织。采用结合强度和空间环境的中风模型可以准确分割白质疏松病变与急慢性中风病变。
如图3所示，是根据本申请实施例的脑血管病变分割方法的实现原理示意图，具体包括：
S1，输入MRI图像。
S2，描述组织类型的后验分布模型。
S3，脑白质疏松组织的空间先验分布。
S4，MAP推论。
S5，测试。
S6，输出。
具体实施时，采用至少100张人工描述的脑白质疏松的测试图像的结果，以及另外6个测试卷，每个测试都包括由多个专家人工勾画的脑白质疏松病变区域。本申请的实施例中只在白质中运行上述分割算法，并且期望在那里看到大多数白质疏松症和中风病变。
在本申请的实施例中，扫描包括T2-FLAIR扫描(平面内1*1mm，切片厚度5-7mm，当患者移动时有时使用PROPELLER序列)。采集TR和TE因图像，每个受试者获得的T1图像，使用ANTs注册到一个图谱模板中参数。
参数：在42次训练扫描中人工脑白质疏松病变分割的二进制图上训练了PCA形状模型({Mk},Σ)。固定参数λ和A被手动选择，以在单个测试示例中优化结果。特别地，使用λ＝250、A(c,c)＝100用于c∈{L,S,H},A(L,H)＝97,A(S,L)＝1和A(S,H)＝20。并且使用从训练对象中学习到的简单阈值分类器来初始化后验估计。
本申请的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取MRI图像信息；
S2，通过预先训练的图像分割模型，得到所述MRI图像信息中的分割结果，其中，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型以及白质疏松组织的空间先验分布进行MAP估计；
S3，根据所述分割结果，得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取MRI图像信息；
S2，通过预先训练的图像分割模型，得到所述MRI图像信息中的分割结果，其中，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型以及白质疏松组织的空间先验分布进行MAP估计；
S3，根据所述分割结果，得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种脑血管病变分割方法，其特征在于，所述方法包括：
获取MRI图像信息；
通过预先训练的图像分割模型，得到所述MRI图像信息中的分割结果，其中，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型以及白质疏松组织的空间先验分布进行MAP估计；
根据所述分割结果，得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。
2.根据权利要求1所述的方法，其特征在于，所述图像分割模型包括强度特征、形状特征以及空间环境特征，其中所述强度特征包括白质疏松病变的强度分布以及中风的强度分布，所述空间环境特征包括白质疏松病变的空间分布，所述分割结果还包括：
基于T2 FLAIR序列，将所述脑血管病变中的白质疏松病变与急慢性中风病变分离。
3.根据权利要求2所述的方法，其特征在于，所述MRI图像信息中的分割结果，包括：
使用生成模型来描述健康组织和脑血管病变的空间分布、形状和外观，建立用于描述组织类别的后验分布模型，其中所述组织类别的先验捕获了空间分布以及病变形状的知识；
采用最大后验概率模型对所述用于描述组织类别的后验分布模型进行MAP估计，得到所述MRI图像信息中的分割结果。
4.根据权利要求2所述的方法，其特征在于，所述MRI图像信息中的分割结果，包括：
采用PCA对经过人工分割的白质疏松组织病变二元分割映射的训练集，构建概率图谱，对白质疏松组织病变的空间范围进行建模得到白质疏松组织的空间先验分布。
5.根据权利要求1所述的方法，其特征在于，所述MAP估计基于EM算法，并将强度平均估计建模为空间变化，同时采用低通滤波器进行滤波。
6.根据权利要求1所述的方法，其特征在于，所述图像分割模型采用人工标注的白质疏松组织病变结果作为训练图像。
7.一种临床图像处理方法，其特征在于，采用如权利要求1至6任一项所述的脑血管病变分割方法进行图像配准。
8.一种脑血管病变分割装置，其特征在于，所述装置包括：
获取模块，用于获取MRI图像信息；
处理模块，用于通过预先训练的图像分割模型，得到所述MRI图像信息中的分割结果，其中，所述图像分割模型采用最大后验概率模型对用于描述组织类别的后验分布模型以及脑白质疏松组织的空间先验分布进行MAP估计；
分割模块，用于根据所述分割结果，得到将所述脑血管病变中的白质疏松病变与急慢性中风病变分离的分割结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项所述的方法，和/或，所述权利要求7所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项所述的方法，和/或，所述权利要求7所述的方法。
CN202211256557.2A 2022-10-13 2022-10-13 脑血管病变分割方法、装置、存储介质、电子装置 Pending CN115496743A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211256557.2A CN115496743A (zh) 2022-10-13 2022-10-13 脑血管病变分割方法、装置、存储介质、电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211256557.2A CN115496743A (zh) 2022-10-13 2022-10-13 脑血管病变分割方法、装置、存储介质、电子装置

Publications (1)

Publication Number Publication Date
CN115496743A true CN115496743A (zh) 2022-12-20

Family

ID=84473869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211256557.2A Pending CN115496743A (zh) 2022-10-13 2022-10-13 脑血管病变分割方法、装置、存储介质、电子装置

Country Status (1)

Country Link
CN (1) CN115496743A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071555A (zh) * 2023-03-15 2023-05-05 同心智医科技(北京)有限公司 一种建立WMHs分割模型的方法、WMHs分割方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071555A (zh) * 2023-03-15 2023-05-05 同心智医科技(北京)有限公司 一种建立WMHs分割模型的方法、WMHs分割方法及装置

Similar Documents

Publication Publication Date Title
US11813047B2 (en) Automatic quantification of cardiac MRI for hypertrophic cardiomyopathy
Saba et al. Image enhancement and segmentation techniques for detection of knee joint diseases: A survey
Bai et al. A bi-ventricular cardiac atlas built from 1000+ high resolution MR images of healthy subjects and an analysis of shape and motion
Wismüller et al. Cluster analysis of biomedical image time-series
Despotović et al. MRI segmentation of the human brain: challenges, methods, and applications
US4945478A (en) Noninvasive medical imaging system and method for the identification and 3-D display of atherosclerosis and the like
Al-Tamimi et al. TUMOR BRAIN DETECTION THROUGH MR IMAGES: A REVIEW OF LITERATURE.
Wang et al. Principles and methods for automatic and semi-automatic tissue segmentation in MRI data
Tsai et al. Automated segmentation of brain MR images
US20090129671A1 (en) Method and apparatus for image segmentation
US20030068074A1 (en) Computer system and a method for segmentation of a digital image
US11510587B2 (en) Left ventricle segmentation in contrast-enhanced cine MRI datasets
Shehata et al. An appearance-guided deformable model for 4D kidney segmentation using diffusion MRI
CN115496743A (zh) 脑血管病变分割方法、装置、存储介质、电子装置
Broderick et al. Technique for the computation of lower leg muscle bulk from magnetic resonance images
CN111429404B (zh) 一种用于心脑血管检测的成像***和方法
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
Hernandez et al. Three-dimensional segmentation of brain aneurysms in CTA using non-parametric region-based information and implicit deformable models: Method and evaluation
CN115841472A (zh) 大脑中动脉高密度征识别方法、装置、设备及存储介质
Chevaillier et al. Functional segmentation of renal DCE-MRI sequences using vector quantization algorithms
Chen et al. Segmentation of ventricles in brain CT images using gaussian mixture model method
Ugarte et al. 3D multimodal spatial fuzzy segmentation of intramuscular connective and adipose tissue from ultrashort TE MR images of calf muscle
Chi et al. A composite of features for learning-based coronary artery segmentation on cardiac CT angiography
Koompairojn et al. Semi-automatic segmentation and volume determination of brain mass-like lesion
Gilani Mohamed Development of hippocampus MRI image segmentation algorithm for progression detection of alzheimer’s disease (AD)

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