CN101332088A - 一种获取脑部特征参数的方法、系统及溶栓决策系统及方法 - Google Patents

一种获取脑部特征参数的方法、系统及溶栓决策系统及方法 Download PDF

Info

Publication number
CN101332088A
CN101332088A CNA2008101426434A CN200810142643A CN101332088A CN 101332088 A CN101332088 A CN 101332088A CN A2008101426434 A CNA2008101426434 A CN A2008101426434A CN 200810142643 A CN200810142643 A CN 200810142643A CN 101332088 A CN101332088 A CN 101332088A
Authority
CN
China
Prior art keywords
diffusion coefficient
apparent diffusion
nucleus
transitional region
value
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.)
Granted
Application number
CNA2008101426434A
Other languages
English (en)
Other versions
CN101332088B (zh
Inventor
胡庆茂
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.)
NANTONG KANGSHENG MEDICAL EQUIPMENT Co.,Ltd.
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN2008101426434A priority Critical patent/CN101332088B/zh
Priority to PCT/CN2008/072479 priority patent/WO2010009596A1/zh
Priority to AU2008359669A priority patent/AU2008359669A1/en
Priority to US12/341,287 priority patent/US8121375B2/en
Publication of CN101332088A publication Critical patent/CN101332088A/zh
Application granted granted Critical
Publication of CN101332088B publication Critical patent/CN101332088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56341—Diffusion imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Neurology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Vascular Medicine (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种获取脑部特征参数的方法、系统及溶栓决策系统及方法，其方法包括以下步骤：A.依据磁共振获得的T2加权图像，计算被测者的脑组织图像；B.利用核心区域及过渡区域的表观弥散系数阈值，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像；C.依据所述二值化图像，估计核心区域及过渡区域；D.计算估计的核心区域及过渡区域的特征参数。本发明放弃传统判定缺血半暗带(上述方法中的过渡区域)的方法，只采用磁共振弥散加权成像来估计梗死灶和缺血半暗带，从而指导临床的溶栓治疗。

Description

一种获取脑部特征参数的方法、系统及溶栓决策系统及方法
技术领域
本发明涉及医疗器械技术领域，尤其涉及一种获取脑部特征参数的方法、系统及溶栓决策系统及方法。
背景技术
在美国每年至少有新发70万脑卒中病例，只有1％能得到溶栓治疗。在我国脑血管病的发病率逐年增加，近年来流行病学调查结果表明我国脑血管病在死因中仅次于恶性肿瘤居第二位，每年新发病例130～150万人，患病总人数600～700万人，每年死于脑卒中者近100万，幸存者约3/4不同程度丧失劳动能力，重度致残者40％以上；脑血管病致残率很高，严重危害人类的健康和生存质量，它所造成的社会经济负担(医院、医师、康复、药剂、间接消费等)每年高达300亿元以上。由于缺血性脑卒中(脑梗死)占整个脑血管病的70％以上，加强脑梗死的研究显得尤为重要。
缺血半暗带的概念是由Astrup等在1981年提出的，该理论认为局部脑缺血存在中心坏死区和周边的半暗带。在半暗带区域，虽然神经功能缺损或基本丧失，但神经细胞仍然存活。此时如果在有效的再灌注时间窗内积极溶栓治疗，大部分脑细胞仍可以避免缺血性坏死。再灌注时间窗是严格的，超过这个时间窗，再灌注可加重脑水肿及脑细胞损伤，增加死亡率，影像学上以T2加权像出现高信号为灌注时间窗的判定。缺血半暗带和中心坏死区是一个动态的病理生理过程，与缺血时间、血管阻塞部位及侧枝循环等都存在密切的关系。随着缺血程度加重和缺血时间延长，中心坏死区逐渐扩大，缺血半暗带区逐渐缩小。溶栓的主要目的就在于挽救缺血半暗带、恢复组织的血流供应，改善临床症状。缺血半暗带的存在是溶栓治疗的基本条件。
长久以来，如何对缺血性脑卒中做出早期诊断、确定缺血半暗带并实施有效的脑保护措施，挽救缺血半暗带内受损害的神经功能，一直是缺血性脑卒中治疗的主攻方向。实践表明，影像学上识别“缺血半暗带”确实能够指导临床制定更合理的治疗方案，从而在传统治疗时间窗内，甚至以外也能获得满意的结果。目前临床普遍采用的是结合磁共振(MR)弥散加权成像(包括弥散敏感系数b＝1000s/mm2的各向同性弥散加权图像DWI、b＝0的T2像，以及由DWI与T2像计算得到的表观弥散系数图ADC)和MR灌注加权成像(Perfusion Weighted Imaging，PWI)来确定缺血半暗带。用DWI上的高信号异常区表征脑梗死区(尽管已有研究表明其中有一部分可对应于可逆转的半暗带以及正常的脑组织)、PWI上的损伤区域表征灌注异常区域、PWI/DWI“不匹配”区域(定义为PWI异常区域减去DWI异常区域)为可能的缺血半暗带。PWI＞DWI被认为是目前最好的方法来指导临床溶栓治疗。然而这个模型存在以下严重的缺陷：(1)PWI需要注射对比剂，是一种相对测量，不同的扫描机器上没有统一的标准；(2)PWI异常区域基于定性分析，计算脑流量费时且数学模型仍有争议，MR PWI没有通过美国食品与药物管理局(FDA)的认可因而在临床使用时医生要承担风险；(3)DWI不仅依赖于弥散特性，而且还取决于T1加权、T2加权、质子密度，尤其是T2加权；(4)实际的缺血半暗带(最终的脑梗死区减去初始脑梗死区)通常比PWI/DWI不匹配区域小很多(误差高达40％-60％)。鉴于PWI的固有弱点及临床使用PWI/DWI不匹配的困难，Prosser等基于卒中症状较重而DWI损伤较小提出了临床不匹配型缺血半暗带模型，但只能取得53％的灵敏度。采用DWI/PWI确定脑梗死、缺血半暗带的困难之一是不同脑组织(灰质与白质)的弥散与灌注特性存在显著差异(差别可高达20％)，不区分这种差异得到的任何阈值都会有原理误差。
各国的指南均推荐在超急性缺血性卒中超早期(3小时)首选静脉应用重组组织型纤溶酶原激活剂(rtPA)溶栓治疗。但在中国，溶栓治疗极不规范，rtPA溶栓比例极低且方案违背现象严重。在我国能够得到溶栓治疗的超急性缺血性卒中病人不足1％。据有关部门统计，2004年全国仅有409例超急性缺血性患者应用rtPA治疗。同每年新发130万卒中病人这个基数相比，这个数字无疑是令人触目惊心的。通过对超急性缺血性卒中患者进行影像学指导下的溶栓治疗，将有可能每年增加数以万计的溶栓获益人群。影像学指导下的溶栓治疗增加溶栓获益人群的方法是扩展溶栓时间窗(通过影像判定有无缺血半暗带以及血管屏障是否破坏，而不是基于发病时间)。AbESTT研究显示，在连续就诊的400例6小时时间窗内的患者中，3小时内就诊的仅占10％，而3-6小时就诊者占全部病例的90％，其中5-6小时就诊者则占了50％，可见在“时间就是大脑”的超急性期，每延长一小时，获益的就诊病人数将成倍增长。超急性卒中病人的影像和生物化学研究均提示，有效治疗的时间窗在某些个体是可以延长的，而随着影像学技术的飞速发展，将多模式影像技术应用于缺血性卒中的超急性期已完全成为可能；若能建立一个真正适合中国国情的影像指导溶栓策略，从而将溶栓时间窗扩展至6小时，甚至9小时，那么从溶栓中获益的超急性缺血性卒中患者将大大增加。
可见，现有技术中存在一定的问题，需要进一步的改进。
发明内容
本发明的目的在于提供了一种获取脑部特征参数的方法、系统及溶栓决策系统及方法，可以用于获得急性脑缺血病人的相关信息，并给以疾病治疗指导性的数据。
为实现上述目的，本发明采用如下技术方案：
本发明提供了一种获取脑部特征参数的方法，该方法包括以下步骤：
A、依据磁共振获得的T2加权图像，计算被测者的脑组织图像；
B、利用核心区域及过渡区域的表观弥散系数阈值，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像；
C、依据所述二值化图像，估计核心区域及过渡区域；
D、计算估计的核心区域及过渡区域的特征参数。
所述的方法，其中，所述表观弥散系数阈值的计算过程包括以下步骤：
B1、依据所述表观弥散系数图，确定所述脑组织图像中正常脑组织的表观弥散系数值；
B2、分别计算所述正常脑组织的表观弥散系数值与一常数的积，获得所述核心区域及过渡区域的表观弥散系数阈值。
所述的方法，其中，所述步骤B1包括以下步骤：
B11、统计所述表观弥散系数图中每个表观弥散系数值在所述脑组织图像中出现的次数；
B12、根据统计结果确定正常脑组织的表观弥散系数值，该正常脑组织的表观弥散系数值为：以出现频率最高的表观弥散系数值为中心的邻域范围内的任一值。
所述的方法，其中，所述步骤B11对每一个脑组织切片的表观弥散系数图中的表观弥散系数值进行统计，选择以切片中出现频率最高的表观弥散系数值为中心的邻域范围内的任一值，作为该切片所对应的正常脑组织的表观弥散系数值；
所述步骤B2中，依据每一个切片所对应的正常脑组织的表观弥散系数值，计算每一个切片对应的核心区域及过渡区域的表观弥散系数阈值；
所述步骤C中，根据每一个切片所对应的核心区域及过渡区域的表观弥散系数阈值，分别对一组脑组织图像中的各个切片进行二值化。
所述的方法，其中，所述步骤B中的二值化过程包括以下步骤：
将表观弥散系数大于过渡区域的表观弥散系数阈值的像素点设置为背景像素，将表观弥散系数不大于过渡区域的表观弥散系数阈值的像素点设置为前景像素。
所述的方法，其中，所述步骤C包括以下步骤：
C1、针对所述表观弥散系数图的二值化图像，在每个脑组织切片上获得前景连通区域；
C2、保留前景连通区域体积大于或等于第一预设体积的部分为前景区域，并且在该前景区域中至少存在大于或等于第二预设体积的体素，且这些体素的表观弥散系数小于核心区域的表观弥散系数阈值，其余区域设置为背景区域，获得第一图像；
C3、在所述第一图像中，表观弥散系数小于核心区域的表观弥散系数阈值的体素集合为估计的核心区域，表观弥散系数介于核心区域的表观弥散系数阈值和过渡区域的表观弥散系数阈值之间的体素集合为估计的过渡区域。
所述的方法，其中，所述步骤C2和C3之间还包括：C21、查找所述第一图像中每一前景体素的临近体素，并将所述临近体素中表观弥散系数不大于过渡区域的表观弥散系数阈值的体素点设置为前景体素。
所述的方法，其中，所述步骤C21和C3之间还包括：C22、查找所述第一图像中的前景连通区域，将所述前景连通区域中体积小于第三预设体积的区域设置为背景区域。
所述的方法，其中，所述步骤D包括以下步骤：在所述估计的核心区域及过渡区域中，查找至少一个前景体素数目最多的连通区域，并针对此连通区域计算核心区域及过渡区域的特征参数。
所述的方法，其中，所述步骤D包括计算过渡区域的表观弥散系数梯度的过程，该过程包括如下步骤：
D11、查找前景体素数目最多的连通区域；
D12、查找所述连通区域中的各个内点；
D13、分别计算每个内点的表观弥散系数梯度，该梯度是指：内点邻域内紧邻体素的表观弥散系数值减去该内点的表观弥散系数值的差，除以该内点邻域内紧邻体素到该内点的距离的商；
D14、计算所述连通区域中的平均表观弥散系数梯度；
D15、计算表观弥散系数值位于所述核心区域和过渡区域的表观弥散系数阈值之间的体素的平均表观弥散系数值；
D16、按照下述公式计算正则化的梯度值，并将该值作为所需的过渡区域的表观弥散系数梯度：
gradAvgN＝gradAvg×C/(ADCref×avgADC)
其中，gradAvgN指所需的过渡区域的表观弥散系数梯度，gradAvg指步骤D14计算的平均表观弥散系数梯度，ADCref指正常脑组织的表观弥散系数值，C为任意正数，avgADC指步骤D15计算的平均表观弥散系数值。
所述的方法，其中，所述步骤D还包括过渡区域径向距离的计算过程，该过程包括以下步骤：
D21、在查找的前景体素数目最多的连通区域中，计算表观弥散系数值小于核心区域表观弥散系数值的第一体素个数，以及表观弥散系数值介于核心区域和过渡区域的表观弥散系数值之间的第二体素个数；
D22、计算所述连通区域内估计的核心区域的半径，该半径为所述第一体素个数除以圆周率的商的平方根，以及计算所述连通区域内估计的核心区域及过渡区域的半径，该半径为所述第一体素个数与所述第二体素个数之和除以圆周率的商的平方根；
D23、估计的过渡区域的径向距离为所述核心区域及过渡区域的半径与所述核心区域的半径之差。
所述的方法，其中，所述步骤D还包括计算过渡区域沿着径向的表观弥散系数变化总量的过程，该表观弥散系数变化总量计算公式如下：
δADC＝gradAvgN×δR/ADCref
其中，δADC表示表观弥散系数变化总量，gradAvgN表示过渡区域的表观弥散系数梯度，δR表示过渡区域的径向距离，ADCref指正常脑组织的表观弥散系数值。
所述的方法，其中，所述步骤D还包括计算核心区域表观弥散系数变异系数的过程，该过程包括以下步骤：
D31、在查找的前景体素最多的连通区域中，计算表观弥散系数值小于核心区域表观弥散系数阈值的体素的平均表观弥散系数值、以及标准差；
D32、将所述标准差除以平均表观弥散系数值的商，作为估计的核心区域的表观弥散系数变异系数。
所述的方法，其中，若所述步骤D中查找两个以上的连通区域进行特征参数计算，则分别对每一个连通区域进行特征参数的计算，获得每一个连通区域所对应的特征参数值，比较计算获得的各个连通区域的特征参数值，输出最大或最小值。
基于上述方法，本发明还提供了一种获取脑部特征参数的系统，该系统包括：
输入装置，用于获取被测者经磁共振扫描仪产生的T2加权图像，及对应的表观弥散系数图；
脑组织提取模块，用于根据所述输入装置获得的T2加权图像，提取被测者的脑组织，输出脑组织图像；
图像处理模块，用于利用核心区域及过渡区域的表观弥散系数阈值，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像；及
数据分析模块，用于依据所述二值化图像，估计核心区域及过渡区域，并计算估计的核心区域及过渡区域的特征参数。
所述的系统，其中，所述输入装置设置有：用于将T2加权图像及对应的表观弥散系数图的数据转换为低位数据输出的数据处理单元，该单元的输出端连接所述图像处理模块和脑组织提取模块。
所述的系统，其中，所述图像处理模块包括：
正常表观弥散系数值获取模块，该模块分别与所述脑组织提取模块和所述输入装置相连，该模块用于在所述脑组织图像范围内获取被测者的正常脑组织的表观弥散系数值；
阈值计算模块，用于计算所述正常脑组织的表观弥散系数值与一常数的积，获得所述核心区域及过渡区域的表观弥散系数阈值；及
二值化模块，用于根据所述表观弥散系数阈值，获得所述二值化图像。
所述的系统，其中，所述数据分析模块包括：
一估计单元，用于根据所述二值化图像估计核心区域及过渡区域；及
一特征参数计算单元，  用于在所述估计的核心区域及过渡区域中，查找至少一个前景体素数目最多的连通区域，并针对此连通区域计算核心区域及过渡区域的特征参数。
所述的系统，其中，所述估计单元包括：
第一单元，用于根据所述表观弥散系数图的二值化图像，在每个脑组织切片上获得前景连通区域；
第一伪影去除单元，用于保留前景连通区域体积大于或等于第一预设体积的部分为前景区域，并且在该前景区域中至少存在大于或等于第二预设体积的体素，且这些体素的表观弥散系数小于核心区域的表观弥散系数阈值，其余区域设置为背景区域，获得第一图像；及
判定单元，用于在所述第一图像中，判定表观弥散系数小于核心区域的表观弥散系数阈值的体素集合为估计的核心区域，判定表观弥散系数介于核心区域的表观弥散系数阈值和过渡区域的表观弥散系数阈值之间的体素集合为估计的过渡区域。
所述的系统，其中，所述估计单元还包括：第二伪影去除单元，该单元串联在所述第一伪影去除单元与判定单元之间，该单元用于查找所述第一图像中每一前景体素的临近体素，并将所述临近体素中表观弥散系数不大于过渡区域的表观弥散系数阈值的体素点设置为前景体素。
所述的系统，其中，所述估计单元还包括：第三伪影去除单元，该单元串联在所述第二伪影去除单元与判定单元之间，该单元用于查找所述第一图像中的前景连通区域，将所述前景连通区域中体积小于第三预设体积的区域设置为背景区域。
基于上述系统结果，本发明还提供了一种溶栓决策系统，该系统包括：
输入装置，用于获取被测者经磁共振扫描仪产生的T2加权图像，及对应的表观弥散系数图；
脑组织提取模块，用于根据所述输入装置获得的T2加权图像，提取被测者的脑组织，输出脑组织图像；
图像处理模块，用于利用核心区域及过渡区域的表观弥散系数阈值，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像；
数据分析模块，用于依据所述二值化图像，估计核心区域及过渡区域，并计算估计的核心区域及过渡区域的特征参数；
训练数据库，用于存储过渡区域和核心区域的预设阈值；及
决策单元，用于将所述数据分析模块输出的特征参数与所述预设阈值进行比较，输出判断结果。
所述的系统，其中，所述训练数据库中存储的预设阈值至少包括：核心区域的表观弥散系数变异系数限值；所述决策单元用于判断所述数据分析模块输出的核心区域表观弥散系数变异系数是否大于所述表观弥散系数变异系数限值，并输出结果。
基于上述系统，本发明还提供了一种溶栓决策处理方法，该方法包括以下步骤：
a、依据磁共振获得的T2加权图像，计算被测者的脑组织图像；
b、利用核心区域及过渡区域的表观弥散系数阈值，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像；
c、依据所述二值化图像，估计核心区域及过渡区域；
d、计算估计的核心区域及过渡区域的特征参数；
e、计算获得的特征参数与预先存储的预设阈值进行比较，输出判断结果。所述预设阈值通过对过渡区域的径向距离、过渡区域的表观弥散系数梯度、过渡区的表观弥散系数变化总量、核心区的表观弥散系数均值、核心区的表观弥散系数变异系数中的一个或几个参数进行训练获得。
所述的方法，其中，所述步骤e包括以下步骤：
e1、判断核心区域的表观弥散系数变异系数是否小于一预设值，若是，则输出建议溶栓的判断结果。
所述的方法，其中，所述步骤e1之前还包括：
判断所述数据分析模块输出的过渡区域的表观弥散系数变化总量是否小于变化总量限值、以及估计的核心区域的体积是否大于核心区域的体积限值，若是，则判定存在有不匹配，并执行步骤e1。
有益效果：本发明首先提出了一种获取急性脑梗死动态特征参数的方法，其获得脑部动态特征参数能反映(体现)PWI表征灌注异常程度的功能，并为治疗提供了指导性的数据。本发明放弃传统判定缺血半暗带(上述方法中的过渡区域)的方法，只采用磁共振弥散加权成像来判定梗死灶和缺血半暗带，从而指导临床的溶栓治疗；其优点是可以明显缩短传统超急性期脑梗死磁共振检查时间(节省近30分钟)，为临床溶栓治疗争得宝贵的时机，使得更多的病人获得治疗的机会；并且，由于不用静脉注入对比剂，能明显降低医疗费用并大大减少磁共振检查的危险性，为磁共振指导溶栓治疗在临床上的推广和应用铺平道路。
附图说明
图1为本发明方法的流程图；
图2为T2加权图像的原始切片图；
图3为图2所对应的脑组织图像；
图4为与图2切片具有相同空间坐标的原始ADC图像；
图5为对图4计算并标记有核心区域及过渡区域的ADC图像；
图6为本发明获取脑部特征参数的系统结构示意图；
图7为估计单元的一种实施例的结构示意图；
图8为估计单元的另一种实施例的结构示意图；
图9为估计单元的又一种实施例的结构示意图；
图10为本发明的溶栓决策系统结构示意图；
图11为本发明的溶栓决策系统的工作流程。
具体实施方式
下面根据附图和实施例对本发明作进一步详细说明。
本发明的方法是基于急性期脑缺血病人的磁共振弥散加权成像(Diffusion-Weighted Imaging)来实现的，主要涉及的图像包括：
(1)弥散敏感系数b＝0的T2加权图像；
(2)由b为高值(常见的临床取值为1000s/mm2，也有取值为1500s/mm2的)的各向同性弥散加权图像DWI(Diffusion-Weighted Image)与T2加权图像计算得到的表观弥散系数图(ADC，Apparent Diffusion Coefficient)。上述两种图像的坐标系为：X从左至右，Y从前至后，Z从上到下，Z为常数的切片(slice)称为轴向切片，Y为常数的切片称为冠状切片，X为常数的切片称为矢状切片。第n个轴向切片的Z坐标为n(n为自然数)。在本发明的以下描述中，用轴向切片来示例，主要是所获取的原始图像通常是对病人轴向获取的，但这并不排斥本发明的方法应用于冠状或矢状方向获取原始数据。T2加权图像和ADC图在体素(x，y，z)处的灰度分别用T2(x，y，z)和ADC(x，y，z)表示，这两种原始数据具有相同的坐标系、相同的体素个数，同一体素(坐标值相同的两个体素)对应于病人的同一物理位置。
如图1所示，本发明提供了一种获取脑部特征参数的方法，其主要是为了估计急性脑梗死病人的脑梗死区域和缺血半暗带，并分析这两个区域的特征参数，并为医生提供参考数据。以下提到的核心区域指脑梗死区域，过渡区域是缺血半暗带的一种估计。该方法主要包括以下步骤：
110、依据磁共振获得的T2加权图像，计算被测者的脑组织图像brain(x，y，z)，用于定位获取ADC图中的相关参数；
120、利用核心区域及过渡区域的表观弥散系数阈值thADC1和thADC2，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像B_ADC(x，y，z)；
130、依据所述二值化图像，估计核心区域及过渡区域；
140、计算估计的核心区域及过渡区域的特征参数，这些特征参数可以包括：过渡区域的径向距离、过渡区域的ADC梯度、过渡区域沿着径向的ADC的变化总量、核心区域的ADC均值、及核心区域的ADC变异系数等。
在实际操作过程中，原始急性期脑梗死病人的T2加权图像T2(x，y，z)及其表观弥散系数图ADC(x，y，z)，它们具有相同的坐标系，同一坐标代表着病人的同一物理位置，以标准的DICOM格式存储，为16位数据，其中T2加权图像如图2所示。这里空间坐标(x，y，z)具有如下的约束条件，即0≤x≤xSize-1，0≤y≤ySize-1，0≤z≤zSize-1；x，y，z均为非负整数，单位是体素，xSize、ySize、及zSize是三维图像在x、y、及z方向上的体素个数，从0开始数起。在x、y、及z方向上每个体素代表的物理大小分别用voxX、voxY、及voxZ表示，单位为毫米/体素。考虑到实际的三维图像中有意义的体素的灰度通常只是在百位或千位有效，又兼顾临床处理图像需要快速的要求，则需要对步骤110输入的图像数据进行数据转换，将16位数据转换成8位数据，以便提高图像的处理速度。数据转换可以有多种实现方案，比较通行的方案是排除那些孤立的体素灰度最高、最低点，这可通过如下所述的基于百分位数(Percentile)的方法来实现。
首先，设置低灰度的百分比P0(比如设置为0.01％)、高灰度的百分比P1(比如亦设置为0.01％)。
然后，针对灰度图像T2(x，y，z)，计算出对应的灰度值g0和g1，所有灰度从0到g0的体素个数所占全部体素的百分比不大于P0、所有灰度从0到(g0+1)的体素个数所占全部体素的百分比大于P0；所有灰度从最大到g1的体素个数所占全部体素的百分比不大于P1、所有灰度从最大到(g1-1)的体素个数所占全部体素的百分比大于P1。有了参数g0和g1，则原始的T2(x，y，z)可按照下述公式(1)转换得到8位的T2加权图像，记为T2_8(x，y，z)：
T 2 _ 8 ( x , y , z ) = 0 T 2 ( x , y , z ) < g 0 255 &times; ( T 2 ( x , y , z ) - g 0 ) / ( g 1 - g 0 ) g 0 &le; T 2 ( x , y , z ) &le; g 1 255 T 2 ( x , y , z ) > g 1 - - - ( 1 )
另外，上述步骤120所用到的ADC图也可以采用8位的表观弥散系数图ADC_8(x，y，z)，其可以通过上述完全相似的步骤获取。那么上述步骤110至步骤140的处理均可以基于8位的数据T2_8(x，y，z)和8位的ADC_8(x，y，z)。其实上述公式(1)是用于计算8位的图像数据，如果将公式中的“255”替换为“15”，则获得将是4位的图像数据。
如图1所示，上述步骤110中提取脑组织图像的方法可以有很多种，以下给出一种实施的方案，是基于灰度阈值和数学形态学的处理过程。
首先，利用模糊C-均值聚类(Fuzzy C-means Clustering，FCM)将上述经过数据转换后得到的8位T2加权图像T2_8(x，y，z)分成灰度由低到高的一至四类以得到一个灰度阈值，即去掉非脑组织(如空气和脑脊液)的低信号阈值Th1，取值为第一类的最大灰度。
然后，对T2_8(x，y，z)进行二值化，得到二值图像B1(x，y，z)，其具体过程可以是：当T2_8(x，y，z)中某一像素的灰度不小于上述阈值Th1时，设置为1，即为前景，否则，设置为0，即为背景。
其次，找到二值图像B1(x，y，z)中最大的前景连通区域(该区域的每个像素均为B1(x，y，z)中的1像素，且它们在空间中连通，拥有最多的像素数)。
最后，对上述B1(x，y，z)的最大的前景连通区域的每个轴向切片上实行数学形态学的开操作(open)，即使用结构元为边长为10毫米的正方形，这样会切断脑与非脑的连接，脑组织还会保留为1；找到开操作后的前景(灰度值为1)最大连通区域，对每个轴向切片进行填充，即脑组织内部的孔也设置为前景体素，从而获得脑组织图像，如图3所示。这里采用开操作使图像的轮廓变得光滑，断开狭窄的间断并消除细的突出物。
如图1所示，上述步骤120中，对表观弥散系数图(即ADC图像，如图4所示)的二值化过程可以采用如下过程：
将表观弥散系数(以下简记为ADC)值大于过渡区域的ADC阈值thADC2的像素点设置为背景像素，将ADC值小于或等于过渡区域的表观弥散系数阈值thADC2的像素点设置为前景像素，即将上述获得的ADC_8(x，y，z)按照如下公式(2)转换为二值化图像B_ADC(x，y，z)。
B _ ADC ( x , y , z ) = 1 ADC _ 8 ( x , y , z ) &le; thADC 2 0 ADC _ 8 ( x , y , z ) > thADC 2 - - - ( 2 )
上述过渡区域的表观弥散系数阈值thADC2可以按照以下公式(3)计算：
thADC2＝p2×ADCref    (3)
其中，p2属于一介于0到1之间的常数，取值范围为[0.75，0.90]。另外，核心区域的表观弥散系数阈值thADC1可以按照以下公式(4)计算：
thADC1＝p1×ADCref    (4)
其中p1也属于一介于0到1之间的常数，取值范围为[0.55，0.70]。
上述p1与p2这两个数可以人为设定。在上述公式(3)和(4)中的ADCref是指正常脑组织的ADC值。由上述步骤110确定的脑组织图像brain(x，y，z)主要由脑脊液、灰质与白质组成，其中脑脊液的ADC值很高，正常灰质与白质的ADC值很接近。首先，统计ADC_8(x，y，z)图像中得到每个体素的ADC值在所有脑组织出现的次数，然后，根据统计结果确定正常脑组织的ADC值，记为ADCref。该正常脑组织的ADC值可以为：以出现频率最高的ADC值为中心的邻域范围内的任一值，例如：可以取 ADC ref = ADC max + - 5 范围内的任一值，此处ADCmax表示出现频率最高的ADC值，最优情况是，ADCref＝ADCmax。图像中有脑组织和非脑组织，这里仅区分脑与非脑，而不区分不同的脑组织，如灰质、白质、海马等。通常一组脑组织图像至少包括一个脑组织切片图像，所以在计算核心区域及过渡区域的ADC阈值时，可以综合各个切片图像所表现的数据得出一个综合评估的正常脑组织的ADC值，用以计算核心区域及过渡区域的ADC阈值，那么后续处理过程中每个切片均采用一个ADC阈值进行图像二值化处理；也可以针对每个切片图像所表现的数据，采用上述同样的方法获得每一个切片所对应的正常脑组织的ADC值，也就是说，对每一个脑组织切片的ADC图中的ADC值进行统计，然后选择每个切片中出现频率最高的ADC值附近的一个值(即以出现频率最高的ADC值为中心的邻域范围内的任一值)作为该切片所对应的正常脑组织的ADC值，之后，再按照上述公式(3)和(4)分别计算出每一个切片所对应的核心区域及过渡区域的ADC阈值，那么，一组脑组织图像将存在多个不同的ADC阈值，于是利用公式(2)并依据每一个切片所对应的核心区域及过渡区域的ADC阈值，分别对各个切片进行相应的图像二值化处理。
如图1所示，上述步骤130估计核心区域及过渡区域的过程，可以采用如下步骤：
步骤131、针对所述表观弥散系数图的二值化图像B_ADC(x，y，z)，在每个脑组织切片(比如轴向切片)上获得前景连通区域；
步骤132、保留前景连通区域体积不小于第一预设体积num0(比如150mm3)的部分为前景区域，并且在该前景区域中至少存在不小于第二预设体积num1(比如15mm3)的体素，且这些体素的表观弥散系数小于核心区域的表观弥散系数阈值thADC1(参见上述公式4)，其余区域设置为背景区域，这里的其余区域是指：除保留的前景区域的其它所有区域，从而获得第一图像B1_ADC(x，y，z)。在这里，为了防止部分容积效应的影响，可通过计算连通区域对脑的边界的距离来实现，来区别所要保留的前景连通区域和脑边界，连通区域对脑的边界的最大距离不得小于10mm。
上述步骤132中设置了两个参数第一预设体积num0和第二预设体积num1，其目的是为了去掉那些ADC图上的小伪影，采用了体积大小的限制将可以减少噪声的影响，其中，num0限定总的核心区域及过渡区域的和，num1限定核心区域的像素数目或体积大小，它们之间的关系由经验与试验确定。
除上述消除小伪影的步骤外，还可以增加一次除伪影的步骤，即，查找所述第一图像B1_ADC(x，y，z)中每一前景体素的临近体素，并将所述临近体素中ADC值不大于过渡区域的表观弥散系数阈值thADC2的体素点设置为前景体素。具体操作时，例如，对于B1_ADC(x，y，z)的某一前景体素(x0，y0，z)，检查其上一层或下一层的临近体素(x0-1，y0，z0-1)，(x0，y0-1，z0-1)，x0+1，y0-1，z0-1)，(x0-1，y0，z0-1)，(x0，y0，z0-1)，(x0+1，y0，z0-1)，(x0-1，y0+1，z0-1)，(x0，y0+1，z0-1)，(x0+1，y0+1，z0-1)，(x0-1，y0，z0+1)，(x0，y0-1，z0+1)，(x0+1，y0-1，z0+1)，(x0-1，y0，z0+1)，(x0，y0，z0+1)，(x0+1，y0，z0+1)，(x0-1，y0+1，z0+1)，(x0，y0+1，z0+1)，(x0+1，y0+1，z0-1)，如果这些临近体素的ADC值不大于thADC2，则将其设置为前景体素1。
在此基础上，还可以增加第三次除伪影的步骤，即，查找所述第一图像B1_ADC(x，y，z)中每个切片(如轴向切片)的前景连通区域，将所述前景连通区域中体积小于第三预设体积num2(比如15mm3)的区域设置为背景区域，以此消除小的可能为伪影的区域。
为了优化图像质量，可以经过上述三次除伪影，然后再进行以下步骤。
步骤133、在所述第一图像B1_ADC(x，y，z)中，ADC值小于核心区域的表观弥散系数阈值thADC1的体素集合为估计的核心区域，ADC值介于核心区域的表观弥散系数阈值thADC1和过渡区域的表观弥散系数阈值thADC2之间的体素集合为估计的过渡区域，其中，估计的核心区域内体素的个数记numCore，估计的过渡区域内体素的个数记numIP，则估计的核心区域的体积volCore及过渡区域的体积volIP如下述公式(5)所示。这里的体积是指所有切片的核心区域及过渡区域的和。
volCore＝voxX×voxY×voxZ×numCore；    (5)
volIP＝voxX×voxY×voxZ×numIP
图4是原始未处理的ADC图，图5是处理后的ADC图，如图5所示，估计出的核心区域是红色，过渡区域是绿色，其与图2和图3显示了同一切片位置的ADC图及其对应的计算的梗死区(红色)和过渡区域(绿色)。
如图1所示，上述步骤140用于计算估计区域的特征参数，通过从被估计的过渡区域挑选体素最多的至少一个连通区域用以分析估计区域的特征，这些连通区域可以位于不同切片上。在这里选体素最多的是要排除较小的连通区域的影响，越小越易受影响，选多个连通区域可提供ADC变化趋势是否均匀的信息，所以也可以多选几个，若选择两个以上的连通区域进行特征参数计算，则需要分别对每一个连通区域进行特征参数的计算，获得每一个连通区域所对应的特征参数值，然后比较计算获得的各个连通区域的特征参数值，输出最大或最小值。以下以选择两个前景体素最多的连通区域进行参数计算为例，详细介绍各个特征参数的计算方法。
(1)过渡区域的ADC梯度
首先，在经过上述步骤130处理后的B1_ADC(x，y，z)图像的轴向切片中找到前景体素数目最大的两个连通区域，这些区域的二维点集的集合分别记为Cmt1(x，y，z)和Cmt2(x，y，z)。
然后，对这两个连通区域，找到它们各自的内点集合。所谓一个二维点集的内点指的是那些二维点，它本身属于这个点集，且其邻近的8个点也属于该点集。以数学语言描述就是，集合A(x，y)的内点为所有(x0，y0)，满足(x0，y0)∈A，且(x0-1，y0)∈A，(x0+1，y0)∈A，(x0-1，y0-1)∈A，(x0，y0-1)∈A，(x0+1，y0-1)∈A，(x0-1，y0+1∈A，(x0，y0+1)∈A，(x0+1，y0+1)∈A。
其次，对Cmt1(x，y，z)、Cmt2(x，y，z)的内点(x0，y0，z0)进行梯度计算，当该内点的ADC值位于thADC1与thADC2时，其梯度为四个直接紧邻体素(x0-1，y0，z0)(x0+1，y0，z0)(x0，y0-1，z0)(x0，y0+1，z0)的ADC最大值减去(x0，y0，z0)处的ADC值，也可以是其四个对角线位置(x0-1，y0-1，z0)、(x0+1，y0-1，z0)、(x0-1，y0+1，z0)、(x0+1，y0+1，z0)的ADC最大值减去(x0，y0，z0)处的ADC值并除以1.414所获得的值，取这两个值中较大者，并限定该值的最小值为0。可见，计算每个内点的ADC梯度时，即是求取：内点邻域内紧邻体素的ADC值减去该内点的ADC值的差，除以该内点邻域内紧邻体素到该内点的距离的商。对这两个ADC连通区域Cmt1(x，y，z)及Cmt2(x，y，z)，求取那些内点的ADC值位于thADC1与thADC2的平均梯度，分别记为gradAvg1和gradAvg2。
再次，设Cmt1(x，y，z)，Cmt2(x，y，z)中ADC值位于thADC1与thADC2的体素的平均ADC值分别为avgADC1、avgADC2。
最后，根据下述公式(6)、(7)可分别计算出正则化后的梯度gradAvgN1与gradAvgN2。
gradAvgN1＝gradAvg1×0.73/(ADCref×avgADC1)    (6)
gradAvgN2＝gradAvg2×0.73/(ADCref×avgADC2)    (7)
这里的正则化是要排除ADC均值的影响，应当与ADC均值成反比，根据经验，多数的ADC均值为0.73左右。这里的0.73可以取任意正数，可能受影响的就是最后训练得到的决策范围。
为了均衡变化的影响，输出的过渡区域的ADC梯度gradAvgN为梯度gradAvgN1与gradAvgN2中的最大值，即
gradAvgN＝max(gradAvgN1，gradAvgN2)。
(2)过渡区域的径向距离δR
设Cmt1(x，y，z)中ADC值小于thADC1及介于thADC1与thADC2的体素个数分别为N10与N11，Cmt2(x，y，z)中ADC值小于thADC1及介于thADC1与thADC2的体素个数分别为N20与N21，则可按如下公式(8)至(11)计算四个参数：
R10＝sqrt(N10/3.1416)          (8)
R11＝sqrt((N10+N11)/3.1416)    (9)
R20＝sqrt(N20/3.1416)          (10)
R21＝sqrt((N20+N21)/3.1416)    (11)
这等价于用圆来逼近所估计的核心区域及过渡区域(即脑梗死/缺血半暗带连通区域)，其中R10为第一个连通区域Cmt1(x，y，z)的核心区域的半径，R11为第一个连通区域Cmt1(x，y，z)的核心区域及过渡区域的半径，R20为第二个连通区域Cmt2(x，y，z)的核心区域的半径，R21为第二个连通区域Cmt2(x，y，z)的的核心区域及过渡区域的半径。因此，(R11-R10)及(R21-R20)表示的是估计的过渡区域(即缺血半暗带)的径向距离。
为了均衡变化的影响，输出的过渡区域的径向距离δR为(R11-R10)及(R21-R20)中的最大值，即
δR＝max(R11-R10，R21-R20)。
(3)过渡区域沿着径向的ADC的变化总量δADC
由估计的过渡区域的径向距离和平均梯度，可以计算第一和第二个连通区域在所估计的过渡区域内沿着径向的ADC的变化总量δADC1和δADC2，即
δADC1＝gradAvgN1×(R11-R10)/ADCref
δADC2＝gradAvgN2×(R21-R20)/ADCref
为了均衡变化的影响，输出的过渡区域的变化总量δADC为δADC1和δADC2中的最小值，即
δADC＝min(δADC1，δADC2)。
(4)另外还确定这两个连通区域Cmt1(x，y，z)及Cmt2(x，y，z)中所估计的脑梗死区的ADC变异系数如下：
对于任何体素(x0，y0，z0)∈Cmt1(x，y，z)或Cmt2(x，y，z)，且其ADC值小于thADC1，计算所有这些点的平均ADC值以及标准差(标准差为各个数据与均值差的平方和的均值的平方根)，并记为avgADC1、avgADC2及sdADC1、sdADC2，则第一个连通区域Cmt1(x，y，z)的ADC变异系数为CV1＝sdADC1/avgADC1，第二个连通区域Cmt2(x，y，z)的ADC变异系数为CV2＝sdADC2/avgADC2。
还有，体积比率volRatio＝volIP/volCore，volIP、volCore上述已说明，分别为所估计的过渡区域体积以及梗死核心区域的体积。
如图上述核心区域是估计的脑梗死核心区、而过渡区域是估计的缺血半暗带，则根据上述特征参数数，可以分析是否有“不匹配”及是否可进行溶栓。医学上在此处的“不匹配”是指：PWI异常区域的体积是否大于DWI体积的1.25倍，若是，表明有“不匹配”；若不是，则表明无“不匹配”。依据现有的这一准则，本发明可以建立一训练数据集，确定三个特征参数阈值θADC、θr、θvol，分别对应于δADC、volRatio及volCore。比如，θADC＝0.210、θvol＝100ml，即，当δADC＜0.210或volCore＞100ml时可判定为无“不匹配”，否则为有“不匹配”。
针对溶栓与否的决策，本发明可以建立一训练数据集，包括那些肯定要溶栓和肯定不要溶栓的数据，肯定溶栓的数据包括初始症状差，通过溶栓症状完全消失或很大改善的病人数据；肯定不溶栓的数据包括那些初始症状不经溶栓就完全变好的病人的数据，以及那些初始症状经过溶栓后变恶化的病人的数据。这一训练数据集训练的参数包括：上述特征参数CV1与CV2、δADC1与δADC2、volRatio和volCore。比如，一种可能的溶栓决策就是CV1与CV2的最大值小于0.100，即对于CV1或CV2大于0.100时，输出的结论是不推荐溶栓；否则，即若有“不匹配”，且CV1与CV2均小于0.100，则建议溶栓。比较一般的溶栓决策就是，基于估计的过渡区域的ADC变化总量、过渡区域的ADC梯度、过渡区域的径向距离、梗死核心区域的ADC均值、梗死核心的ADC变异系数、估计的梗死区域体积、体积比率的训练，确定是否溶栓的决策准则。换句话说，一般意义下的溶栓决策依赖于如下参数的限值或者范围：过渡区域的ADC变化总量、过渡区域的ADC梯度、过渡区域的径向距离、梗死核心区域的ADC均值、梗死核心的ADC变异系数、估计的梗死区域体积、体积比率，其限值或范围可以通过训练得到，并用于一定的决策规则。上述在判断有“不匹配”和是否溶栓时均给出了最优实施例，其采用的是与单一阈值进行比较的规则，本发明不限于此，还可以采用两个阈值所限定的范围作为比较规则，用以确定是否有“不匹配”及是否可溶栓。
基于上述方法，本发明还提供了一种获取脑部特征参数的系统，其可以用于获取急性脑梗死病人的脑梗死区域及缺血半暗带的特征参数，如图6所示，该系统包括：输入装置210，用于获取被测者经磁共振产生的T2加权图像，及对应的表观弥散系数图；脑组织提取模块230，用于根据所述输入装置210获得的T2加权图像，提取被测者的脑组织，输出脑组织图像；图像处理模块220，用于利用核心区域及过渡区域的表观弥散系数阈值，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像；及数据分析模块240，用于依据所述二值化图像，估计核心区域及过渡区域，并计算估计的核心区域及过渡区域的特征参数。这里的核心区域及过渡区域可以是脑梗死区域及缺血半暗带。这里所指的输入装置还设置有：用于将T2加权图像及对应的表观弥散系数图的数据转换为低位数据输出的数据处理单元，该单元的输出端连接所述图像处理模块和脑组织提取模块，T2加权图像及对应的表观弥散系数图的数据标准为16位数据，为了便于计算的方便，可以将其转换为8位或4位数据，具体如何转换见前述相关说明。
如图6所示，图像处理模块220包括：正常表观弥散系数值获取模块221，该模块分别与所述脑组织提取模块和所述输入装置相连，该模块用于在所述脑组织图像范围内获取被测者的正常脑组织的表观弥散系数值；阈值计算模块222，用于计算所述正常脑组织的表观弥散系数值与一常数的积，获得所述核心区域及过渡区域的表观弥散系数阈值；及二值化模块223，用于根据所述表观弥散系数阈值，获得所述二值化图像。
如图6所示，所述数据分析模块包括：一估计单元242，用于根据所述二值化图像估计核心区域及过渡区域；及一特征参数计算单元241，用于在所述估计的核心区域及过渡区域中，查找至少一个前景体素数目最多的连通区域，并针对此连通区域计算核心区域及过渡区域的特征参数。
如图7所示，所述估计单元包括：第一单元，用于根据所述表观弥散系数图的二值化图像，在每个脑组织切片上获得前景连通区域；第一伪影去除单元，用于保留前景连通区域体积大于或等于第一预设体积的部分为前景区域，并且在该前景区域中至少存在大于或等于第二预设体积的体素，且这些体素的表观弥散系数小于核心区域的表观弥散系数阈值，其余区域设置为背景区域，获得第一图像；及判定单元，用于在所述第一图像中，判定表观弥散系数小于核心区域的表观弥散系数阈值的体素集合为估计的核心区域，判定表观弥散系数介于核心区域的表观弥散系数阈值和过渡区域的表观弥散系数阈值之间的体素集合为估计的过渡区域。
如图8所示，估计单元242还可以包括：第二伪影去除单元，该单元串联在所述第一伪影去除单元与判定单元之间，该单元用于查找所述第一图像中每一前景体素的临近体素，并将所述临近体素中表观弥散系数不大于过渡区域的表观弥散系数阈值的体素点设置为前景体素。
如图9所示，所述估计单元242还可以包括：第三伪影去除单元，该单元串联在所述第二伪影去除单元与判定单元之间，该单元用于查找所述第一图像中的前景连通区域，将所述前景连通区域中体积小于第三预设体积的区域设置为背景区域。
基于图6所示的获取脑部特征参数的系统，本发明还提供了一种溶栓决策系统，如图10所示，在图6所示的系统结构基础上，还包括：训练数据库250，用于存储梗死核心区域和过渡区域的预设阈值；及决策单元260，用于将所述数据分析模块输出的特征参数与所述预设阈值进行比较，输出判断结果。在训练数据库中存储的预设阈值至少包括：核心区域的表观弥散系数变异系数限值；所述决策单元用于判断所述数据分析模块输出的核心区域表观弥散系数变异系数是否大于所述表观弥散系数变异系数限值，并输出结果。
上述两个系统均可以运行于独立的计算机系统上，如图11所示，根据前述方法步骤，完成急性脑梗死病人脑图像的分析，并获得脑梗死核心区和缺血半暗带的特征参数。然后，图10所示的系统还需要进行是否有“不匹配”及是否可溶栓的判断结果输出。在医学上，确定有无“不匹配”是根据由PWI和DWI确定的异常体积以及PWI异常体积是否大于DWI体积的1.25倍的比较结果来定的，若是，表明有“不匹配”；若不是，则表明无“不匹配”。基于这一理论基础，本发明系统中的决策单元也可以对δADC、volRatio及volCore这三个特征参数进行比较。例如，在所述训练数据库中存储的预设阈值包括：过渡区域沿着径向的表观弥散系数的变化总量限值θADC、核心区域与过渡区域的体积比限值θr、或核心区域的体积限值θvol，其中，θADC＝0.210、θvol＝100ml，即决策单元进行判断，当δADC＜0.210或volCore＞100ml时可判定为无“不匹配”，否则为有“不匹配”。也就是说，在决策单元中设置一第一结果输出单元，该单元用于判断所述数据分析模块输出的表观弥散系数的变化总量δADC是否小于所述变化总量限值θADC，或者核心区域的体积volCore是否大于所述核心区域的体积限值θvol，并输出结果。“不匹配”应该由δADC或volCore一同确定。
在确定了是否有“不匹配”后，还可以对溶栓与否进行决策。同样的道理，在所述训练数据库中存储的预设阈值还包括：核心区域表观弥散系数变异系数限值；而决策单元还包括第二结果输出单元，该单元用于判断所述数据分析模块输出的表观弥散系数变异系数CV1与CV2是否小于所述表观弥散系数变异系数限值，并输出建议结果。本发明系统中的决策单元还可以对CV1与CV2、δADC、volRatio及volCore这四个特征参数进行比较，比如当CV1与CV2的最大值小于0.100，即对于CV1或CV2大于0.100时，计算机决策的结论是不推荐溶栓；否则，即若有“不匹配”，且CV1与CV2均小于0.100，则建议溶栓，并作为输出结果，可输出报表以及对应的图像。比较一般的溶栓决策就是，基于估计的过渡区域的ADC变化总量、过渡区域的ADC梯度、过渡区域的径向距离、梗死核心区域的ADC均值、梗死核心的ADC变异系数、估计的梗死区域体积、体积比率的训练，确定是否溶栓的决策准则。换句话说，一般意义下的溶栓决策依赖于如下参数：过渡区域的ADC变化总量、过渡区域ADC的梯度、过渡区域的径向距离、梗死核心区域的ADC均值、梗死核心的ADC变异系数、估计的梗死区域体积、体积比率，决策规则可通过训练得到。
通过本发明的方法和系统所估计的缺血半暗带不一定对应于实际的缺血半暗带。从已经验证的数据看出，可以以δADC为主，辅之于δR和gradAvgN，通过分析已经被证实该溶栓和不该溶栓的数据确定这些参数的阈值，以此确定是否该溶栓。基于此分析过程，本发明在上述特征参数的基础上还提供了一种溶栓决策的处理方法，首先采用前述方法计算获得估计的核心区域及过渡区域的特征参数，然后，计算获得的特征参数与预先存储的预设阈值进行比较，输出判断结果。这里的预设阈值可以通过训练获得，也就是大量的统计计算获得。在进行阈值比较的过程中，可以直接通过判断核心区域的ADC变异系数是否小于一预设值，来确定输出溶栓结果，或者还可以在前述判断之前增加是否有“不匹配”的判断步骤，即通过判断过渡区域的ADC变化总量是否小于变化总量限值、以及估计的核心区域的体积是否大于核心区域的体积限值，来判定存在有“不匹配”。
综上所述，本发明通过百分位数将16位的急性脑梗死病人的T2加权图像和表观弥散系数图ADC图降低到低位数进行处理，便于提高运算速度而又不损失精度；其次，本发明还通过求取脑组织以限定ADC图的计算区域；其次，本发明计算该病人正常脑组织的ADC值以排除不同个体的影响；同时利用ADC降低的百分比对ADC图进行二值化；最后通过估计梗死区及缺血半暗带，从被估计的脑梗死区和缺血半暗带自动挑选出体素数目最多的两个轴向切片上的连通区域以分析病人缺血的特征，这样一方面保证代表性，又能避免处理那些伪影导致的小区域。分析出的特征参数包括过渡区域的径向距离、过渡区域的ADC梯度、过渡区域的ADC沿着径向的变化总量等等，利用这些参数可以确定该病人有无“不匹配”Mismatch，并由计算机图像分析系统分析“不匹配”病人的图像特征，包括计算梗死核心区域的平均ADC值以及ADC变异系数，并利用所估计的梗死核心体积、过渡区域的体积除以梗死核心的体积所得到的体积比，从而给出是否适合溶栓的计算机辅助诊断结果。
与采用DWI加PWI的现有临床方案相比，本发明有以下优点：
首先，本发明不需要PWI，但又能体现PWI表征灌注异常程度的功能。这一方面可节省病人的费用，每人次节省300元以上，以我国100万人次的检查为限，将节省3亿元人民币，使检查由有损伤变成无损伤，另一方面又节省了时间(30分钟左右)，为病人的治疗争取了宝贵的时间。
另外，能更高精度地判定缺血半暗带是否存在以及是否溶栓，让更多的有缺血半暗带的病人接受溶栓治疗，准确地排除那些不宜溶栓的病人而减少病人的痛苦和经济负担。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (27)

1、一种获取脑部特征参数的方法，其特征在于：该方法包括以下步骤：
A、依据磁共振获得的T2加权图像，计算被测者的脑组织图像；
B、利用核心区域及过渡区域的表观弥散系数阈值，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像；
C、依据所述二值化图像，估计核心区域及过渡区域；
D、计算估计的核心区域及过渡区域的特征参数。
2、根据权利要求1所述的方法，其特征在于，所述表观弥散系数阈值的计算过程包括以下步骤：
B1、依据所述表观弥散系数图，确定所述脑组织图像中正常脑组织的表观弥散系数值；
B2、分别计算所述正常脑组织的表观弥散系数值与一常数的积，获得所述核心区域及过渡区域的表观弥散系数阈值。
3、根据权利要求2所述的方法，其特征在于，所述步骤B1包括以下步骤：
B11、统计所述表观弥散系数图中每个表观弥散系数值在所述脑组织图像中出现的次数；
B12、根据统计结果确定正常脑组织的表观弥散系数值，该正常脑组织的表观弥散系数值为：以出现频率最高的表观弥散系数值为中心的邻域范围内的任一值。
4、根据权利要求3所述的方法，其特征在于，所述步骤B11对每一个脑组织切片的表观弥散系数图中的表观弥散系数值进行统计，选择以切片中出现频率最高的表观弥散系数值为中心的邻域范围内的任一值，作为该切片所对应的正常脑组织的表观弥散系数值；
所述步骤B2中，依据每一个切片所对应的正常脑组织的表观弥散系数值，计算每一个切片对应的核心区域及过渡区域的表观弥散系数阈值；
所述步骤C中，根据每一个切片所对应的核心区域及过渡区域的表观弥散系数阈值，分别对一组脑组织图像中的各个切片进行二值化。
5、根据权利要求1、2、3或4所述的方法，其特征在于，所述步骤B中的二值化过程包括以下步骤：
将表观弥散系数大于过渡区域的表观弥散系数阈值的像素点设置为背景像素，将表观弥散系数小于或等于过渡区域的表观弥散系数阈值的像素点设置为前景像素。
6、根据权利要求1、2、3或4所述的方法，其特征在于，所述步骤C包括以下步骤：
C1、针对所述表观弥散系数图的二值化图像，在每个脑组织切片上获得前景连通区域；
C2、保留前景连通区域体积大于或等于第一预设体积的部分为前景区域，并且在该前景区域中至少存在大于或等于第二预设体积的体素，且这些体素的表观弥散系数小于核心区域的表观弥散系数阈值，其余区域设置为背景区域，获得第一图像；
C3、在所述第一图像中，表观弥散系数小于核心区域的表观弥散系数阈值的体素集合为估计的核心区域，表观弥散系数介于核心区域的表观弥散系数阈值和过渡区域的表观弥散系数阈值之间的体素集合为估计的过渡区域。
7、根据权利要求6所述的方法，其特征在于，所述步骤C2和C3之间还包括：C21、查找所述第一图像中每一前景体素的临近体素，并将所述临近体素中表观弥散系数不大于过渡区域的表观弥散系数阈值的体素点设置为前景体素。
8、根据权利要求7所述的方法，其特征在于，所述步骤C21和C3之间还包括：C22、查找所述第一图像中的前景连通区域，将所述前景连通区域中体积小于第三预设体积的区域设置为背景区域。
9、根据权利要求1、2、3或4所述的方法，其特征在于，所述步骤D包括以下步骤：
在所述估计的核心区域及过渡区域中，查找至少一个前景体素数目最多的连通区域，并针对此连通区域计算核心区域及过渡区域的特征参数。
10、根据权利要求9所述的方法，其特征在于，所述步骤D包括计算过渡区域的表观弥散系数梯度的过程，该过程包括如下步骤：
D11、查找前景体素数目最多的连通区域；
D12、查找所述连通区域中的各个内点；
D13、分别计算每个内点的表观弥散系数梯度，该梯度是指：内点邻域内紧邻体素的表观弥散系数值减去该内点的表观弥散系数值的差，除以该内点邻域内紧邻体素到该内点的距离的商的最大值；
D14、计算所述连通区域中的平均表观弥散系数梯度；
D15、计算表观弥散系数值位于所述核心区域和过渡区域的表观弥散系数阈值之间的体素的平均表观弥散系数值；
D16、按照下述公式计算正则化的梯度值，并将该值作为所需的过渡区域的表观弥散系数梯度：
gradAvgN＝gradAvg×C/(ADCref×avgADC)
其中，gradAvgN指所需的过渡区域的表观弥散系数梯度，gradAvg指步骤D14计算的平均表观弥散系数梯度，ADCref指正常脑组织的表观弥散系数值，C为任意正数，avgADC指步骤D15计算的平均表观弥散系数值。
11、根据权利要求10所述的方法，其特征在于，所述步骤D还包括过渡区域径向距离的计算过程，该过程包括以下步骤：
D21、在查找的前景体素数目最多的连通区域中，计算表观弥散系数值小于核心区域表观弥散系数值的第一体素个数，以及表观弥散系数值介于核心区域和过渡区域的表观弥散系数值之间的第二体素个数；
D22、计算所述连通区域内估计的核心区域的半径，该半径为所述第一体素个数除以圆周率的商的平方根，以及计算所述连通区域内估计的核心区域及过渡区域的半径，该半径为所述第一体素个数与所述第二体素个数之和除以圆周率的商的平方根；
D23、估计的过渡区域的径向距离为所述核心区域及过渡区域的半径与所述核心区域的半径之差。
12、根据权利要求11所述的方法，其特征在于，所述步骤D还包括计算过渡区域沿着径向的表观弥散系数变化总量的过程，该表观弥散系数变化总量计算公式如下：
δADC＝gradAvgN×δR/ADCref
其中，δADC表示表观弥散系数变化总量，gradAvgN表示过渡区域的表观弥散系数梯度，δR表示过渡区域的径向距离，ADCref指正常脑组织的表观弥散系数值。
13、根据权利要求12所述的方法，其特征在于，所述步骤D还包括计算核心区域表观弥散系数变异系数的过程，该过程包括以下步骤：
D31、在查找的前景体素最多的连通区域中，计算表观弥散系数值小于核心区域表观弥散系数阈值的体素的平均表观弥散系数值、以及标准差；
D32、将所述标准差除以平均表观弥散系数值的商，作为估计的核心区域的表观弥散系数变异系数。
14、根据权利要求10、11、12或13所述的方法，其特征在于，若所述步骤D中查找两个以上的连通区域进行特征参数计算，则分别对每一个连通区域进行特征参数的计算，获得每一个连通区域所对应的特征参数值，比较计算获得的各个连通区域的特征参数值，输出最大或最小值。
15、一种获取急性脑梗死特征参数的系统，其特征在于，该系统包括：
输入装置，用于获取被测者经磁共振扫描仪产生的T2加权图像，及对应的表观弥散系数图；
脑组织提取模块，用于根据所述输入装置获得的T2加权图像，提取被测者的脑组织，输出脑组织图像；
图像处理模块，用于利用核心区域及过渡区域的表观弥散系数阈值，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像；及
数据分析模块，用于依据所述二值化图像，估计核心区域及过渡区域，并计算估计的核心区域及过渡区域的特征参数。
16、根据权利要求15所述的系统，其特征在于，所述输入装置设置有：用于将T2加权图像及对应的表观弥散系数图的数据转换为低位数据输出的数据处理单元，该单元的输出端连接所述图像处理模块和脑组织提取模块。
17、根据权利要求15所述的系统，其特征在于，所述图像处理模块包括：
正常表观弥散系数值获取模块，该模块分别与所述脑组织提取模块和所述输入装置相连，该模块用于在所述脑组织图像范围内获取被测者的正常脑组织的表观弥散系数值；
阈值计算模块，用于计算所述正常脑组织的表观弥散系数值与一常数的积，获得所述核心区域及过渡区域的表观弥散系数阈值；及
二值化模块，用于根据所述表观弥散系数阈值，获得所述二值化图像。
18、根据权利要求16或17所述的系统，其特征在于，所述数据分析模块包括：
一估计单元，用于根据所述二值化图像估计核心区域及过渡区域；及
一特征参数计算单元，用于在所述估计的核心区域及过渡区域中，查找至少一个前景体素数目最多的连通区域，并针对此连通区域计算核心区域及过渡区域的特征参数。
19、根据权利要求18所述的系统，其特征在于，所述估计单元包括：
第一单元，用于根据所述表观弥散系数图的二值化图像，在每个脑组织切片上查找前景连通区域；
第一伪影去除单元，用于保留前景连通区域体积大于或等于第一预设体积的部分为前景区域，并且在该前景区域中至少存在大于或等于第二预设体积的体素，且这些体素的表观弥散系数小于核心区域的表观弥散系数阈值，其余区域设置为背景区域，获得第一图像；及
判定单元，用于在所述第一图像中，判定表观弥散系数小于核心区域的表观弥散系数阈值的体素集合为估计的核心区域，判定表观弥散系数介于核心区域的表观弥散系数阈值和过渡区域的表观弥散系数阈值之间的体素集合为估计的过渡区域。
20、根据权利要求19所述的系统，其特征在于，所述估计单元还包括：第二伪影去除单元，该单元串联在所述第一伪影去除单元与判定单元之间，该单元用于查找所述第一图像中每一前景体素的临近体素，并将所述临近体素中表观弥散系数不大于过渡区域的表观弥散系数阈值的体素点设置为前景体素。
21、根据权利要求20所述的系统，其特征在于，所述估计单元还包括：第三伪影去除单元，该单元串联在所述第二伪影去除单元与判定单元之间，该单元用于查找所述第一图像中的前景连通区域，将所述前景连通区域中体积小于第三预设体积的区域设置为背景区域。
22、一种基于权利要求1所述特征参数计算方法的溶栓决策系统，其特征在于，该系统包括：
输入装置，用于获取被测者经磁共振扫描仪产生的T2加权图像，及对应的表观弥散系数图；
脑组织提取模块，用于根据所述输入装置获得的T2加权图像，提取被测者的脑组织，输出脑组织图像；
图像处理模块，用于利用核心区域及过渡区域的表观弥散系数阈值，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像；
数据分析模块，用于依据所述二值化图像，估计核心区域及过渡区域，并计算估计的核心区域及过渡区域的特征参数；
训练数据库，用于存储过渡区域和核心区域的预设阈值；及
决策单元，用于将所述数据分析模块输出的特征参数与所述预设阈值进行比较，输出判断结果。
23、根据权利要求22所述的系统，其特征在于，所述训练数据库中存储的预设阈值至少包括：核心区域的表观弥散系数变异系数限值；所述决策单元用于判断所述数据分析模块输出的核心区域表观弥散系数变异系数是否大于所述表观弥散系数变异系数限值，并输出结果。
24、权利要求22所述溶栓决策系统的处理方法，其特征在于，该方法包括以下步骤：
a、依据磁共振获得的T2加权图像，计算被测者的脑组织图像；
b、利用核心区域及过渡区域的表观弥散系数阈值，对所述脑组织图像对应的表观弥散系数图进行二值化，获得二值化图像；
c、依据所述二值化图像，估计核心区域及过渡区域；
d、计算估计的核心区域及过渡区域的特征参数；
e、计算获得的特征参数与预先存储的预设阈值进行比较，输出判断结果。
25、根据权利要求24所述的方法，其特征在于，所述预设阈值通过对过渡区域的径向距离、过渡区域的表观弥散系数梯度、过渡区的表观弥散系数变化总量、核心区的表观弥散系数均值、核心区的表观弥散系数变异系数中的一个或几个参数进行训练获得。
26、根据权利要求24所述的方法，其特征在于，所述步骤e包括以下步骤：
e1、判断核心区域的表观弥散系数变异系数是否小于一预设值，若是，则输出建议溶栓的判断结果。
27、根据权利要求26所述的方法，其特征在于，所述步骤e1之前还包括：
判断所述数据分析模块输出的过渡区域的表观弥散系数变化总量是否小于变化总量限值、以及估计的核心区域的体积是否大于核心区域的体积限值，若是，则判定存在有不匹配，并执行步骤e1。
CN2008101426434A 2008-07-21 2008-07-21 一种获取脑部特征参数的系统及溶栓决策系统 Active CN101332088B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN2008101426434A CN101332088B (zh) 2008-07-21 2008-07-21 一种获取脑部特征参数的系统及溶栓决策系统
PCT/CN2008/072479 WO2010009596A1 (zh) 2008-07-21 2008-09-24 获取脑部特征参数的方法、系统及溶栓指征生成系统
AU2008359669A AU2008359669A1 (en) 2008-07-21 2008-09-24 Method and system for obtaining brain characteristic parameters, thrombolysis decision guideline system and method thereof
US12/341,287 US8121375B2 (en) 2008-07-21 2008-12-22 Methods and devices for producing the parameters of the brain tissues and assessing data of the suitability for thrombolysis of a patient

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2008101426434A CN101332088B (zh) 2008-07-21 2008-07-21 一种获取脑部特征参数的系统及溶栓决策系统

Publications (2)

Publication Number Publication Date
CN101332088A true CN101332088A (zh) 2008-12-31
CN101332088B CN101332088B (zh) 2011-05-11

Family

ID=40195161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008101426434A Active CN101332088B (zh) 2008-07-21 2008-07-21 一种获取脑部特征参数的系统及溶栓决策系统

Country Status (4)

Country Link
US (1) US8121375B2 (zh)
CN (1) CN101332088B (zh)
AU (1) AU2008359669A1 (zh)
WO (1) WO2010009596A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010142085A1 (zh) * 2009-06-12 2010-12-16 深圳先进技术研究院 获取脑部特征参数的方法、系统及溶栓指征生成系统、方法
WO2011069283A1 (zh) * 2009-12-07 2011-06-16 北京大学第三医院 脑组织间液与脑细胞外间隙的生理参数测量方法
CN102113900A (zh) * 2010-01-05 2011-07-06 深圳迈瑞生物医疗电子股份有限公司 彩色血流动态帧相关方法和装置
CN102184407A (zh) * 2011-01-21 2011-09-14 华南理工大学 一种卵胞浆内单精子自动注射中的卵胞位姿确定方法
CN104463832A (zh) * 2013-09-25 2015-03-25 中国科学院深圳先进技术研究院 一种神经外科手术导航的注册方法及系统
WO2015043502A1 (zh) * 2013-09-29 2015-04-02 深圳先进技术研究院 基于磁共振弥散加权成像确定脑缺血特征的方法和装置
WO2015043478A1 (zh) * 2013-09-26 2015-04-02 深圳先进技术研究院 基于磁共振弥散加权图像确定脑缺血特征的方法和装置
CN107133957A (zh) * 2017-04-20 2017-09-05 西门子医疗系统有限公司 一种磁共振图像处理方法和装置
CN108665465A (zh) * 2018-05-14 2018-10-16 沈阳东软医疗系统有限公司 分割缺血半暗带的方法、装置、存储介质及设备
CN111839515A (zh) * 2019-04-26 2020-10-30 西门子医疗系统有限公司 利用磁共振成像的胎儿胼胝体体积的测量方法及磁共振成像装置
CN112462311A (zh) * 2020-11-09 2021-03-09 无锡鸣石峻致医疗科技有限公司 一种横向磁化矢量衰减时间常数的校正测量方法、装置、计算机设备及非均匀场磁共振系统
CN113876345A (zh) * 2021-09-28 2022-01-04 武汉中科医疗科技工业技术研究院有限公司 缺血半暗带的识别方法、设备、电子装置和存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2011344876B2 (en) * 2010-12-17 2017-05-25 Aarhus Universitet Method for delineation of tissue lesions
JP5921132B2 (ja) * 2011-10-17 2016-05-24 株式会社東芝 医用画像処理システム
US8532353B2 (en) * 2011-11-23 2013-09-10 Vital Images, Inc. Synthetic visualization and quantification of perfusion-related tissue viability
CN110859622B (zh) * 2019-11-18 2023-07-04 东软医疗系统股份有限公司 成像方法、装置及核磁系统
US11151456B1 (en) 2021-01-08 2021-10-19 Omniscient Neurotechnology Pty Limited Predicting brain data using machine learning models
US11666266B2 (en) * 2021-10-05 2023-06-06 Omniscient Neurotechnology Pty Limited Source localization of EEG signals

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6792302B2 (en) * 2001-02-21 2004-09-14 Universite De Lausanne Method and apparatus for determining treatment for stroke
CN1213592C (zh) * 2001-07-31 2005-08-03 佳能株式会社 采用自适应二值化的图象处理方法和设备
CN1305008C (zh) * 2003-12-22 2007-03-14 中国科学院自动化研究所 弥散张量核磁成像脑缺血病灶区的自动分割方法
WO2005086931A2 (en) * 2004-03-10 2005-09-22 University Of Virginia Patent Foundation System and method for improved detection and assessment of changes in lung-tissue structure
JP5127276B2 (ja) * 2006-05-26 2013-01-23 株式会社東芝 画像処理装置および磁気共鳴イメージング装置
CA2656299C (fr) * 2006-06-29 2016-05-17 Centre National De La Recherche Scientifique - Cnrs Methode d'estimation du potentiel de croissance des infarctus cerebraux
JP5105786B2 (ja) * 2006-07-07 2012-12-26 株式会社東芝 磁気共鳴イメージング装置および画像処理装置
US8320647B2 (en) * 2007-11-20 2012-11-27 Olea Medical Method and system for processing multiple series of biological images obtained from a patient

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010142085A1 (zh) * 2009-06-12 2010-12-16 深圳先进技术研究院 获取脑部特征参数的方法、系统及溶栓指征生成系统、方法
WO2011069283A1 (zh) * 2009-12-07 2011-06-16 北京大学第三医院 脑组织间液与脑细胞外间隙的生理参数测量方法
CN102238908B (zh) * 2009-12-07 2013-01-23 北京大学第三医院 脑组织间液与脑细胞外间隙的生理参数测量方法
CN102113900A (zh) * 2010-01-05 2011-07-06 深圳迈瑞生物医疗电子股份有限公司 彩色血流动态帧相关方法和装置
CN102113900B (zh) * 2010-01-05 2015-07-15 深圳迈瑞生物医疗电子股份有限公司 彩色血流动态帧相关方法和装置
CN102184407A (zh) * 2011-01-21 2011-09-14 华南理工大学 一种卵胞浆内单精子自动注射中的卵胞位姿确定方法
CN102184407B (zh) * 2011-01-21 2013-02-13 华南理工大学 一种卵胞浆内单精子自动注射中的卵胞位姿确定方法
CN104463832A (zh) * 2013-09-25 2015-03-25 中国科学院深圳先进技术研究院 一种神经外科手术导航的注册方法及系统
CN104463832B (zh) * 2013-09-25 2018-04-13 中国科学院深圳先进技术研究院 一种神经外科手术导航的注册方法及系统
CN104510469B (zh) * 2013-09-26 2017-09-26 深圳先进技术研究院 基于磁共振弥散加权图像确定脑缺血特征的方法和装置
WO2015043478A1 (zh) * 2013-09-26 2015-04-02 深圳先进技术研究院 基于磁共振弥散加权图像确定脑缺血特征的方法和装置
CN104510469A (zh) * 2013-09-26 2015-04-15 深圳先进技术研究院 基于磁共振弥散加权图像确定脑缺血特征的方法和装置
CN104510470A (zh) * 2013-09-29 2015-04-15 深圳先进技术研究院 基于磁共振弥散加权成像确定脑缺血特征的方法和装置
CN104510470B (zh) * 2013-09-29 2017-10-31 深圳先进技术研究院 基于磁共振弥散加权成像确定脑缺血特征的方法和装置
US9869740B2 (en) 2013-09-29 2018-01-16 Shenzhen Institutes Of Advanced Technology Method and apparatus for determining characteristics of cerebral ischemia based on magnetic resonance diffusion weighted imaging
WO2015043502A1 (zh) * 2013-09-29 2015-04-02 深圳先进技术研究院 基于磁共振弥散加权成像确定脑缺血特征的方法和装置
CN107133957A (zh) * 2017-04-20 2017-09-05 西门子医疗系统有限公司 一种磁共振图像处理方法和装置
CN108665465A (zh) * 2018-05-14 2018-10-16 沈阳东软医疗系统有限公司 分割缺血半暗带的方法、装置、存储介质及设备
CN111839515A (zh) * 2019-04-26 2020-10-30 西门子医疗系统有限公司 利用磁共振成像的胎儿胼胝体体积的测量方法及磁共振成像装置
CN111839515B (zh) * 2019-04-26 2024-03-08 西门子医疗系统有限公司 利用磁共振成像的胎儿胼胝体体积的测量方法及磁共振成像装置
CN112462311A (zh) * 2020-11-09 2021-03-09 无锡鸣石峻致医疗科技有限公司 一种横向磁化矢量衰减时间常数的校正测量方法、装置、计算机设备及非均匀场磁共振系统
CN113876345A (zh) * 2021-09-28 2022-01-04 武汉中科医疗科技工业技术研究院有限公司 缺血半暗带的识别方法、设备、电子装置和存储介质
CN113876345B (zh) * 2021-09-28 2024-04-16 武汉中科医疗科技工业技术研究院有限公司 缺血半暗带的识别方法、设备、电子装置和存储介质

Also Published As

Publication number Publication date
WO2010009596A1 (zh) 2010-01-28
AU2008359669A1 (en) 2010-01-28
US8121375B2 (en) 2012-02-21
US20100014727A1 (en) 2010-01-21
CN101332088B (zh) 2011-05-11

Similar Documents

Publication Publication Date Title
CN101332088B (zh) 一种获取脑部特征参数的系统及溶栓决策系统
CN101596109B (zh) 获取脑部特征参数的方法、系统及溶栓指征生成系统
Leandrou et al. Quantitative MRI brain studies in mild cognitive impairment and Alzheimer's disease: a methodological review
Antel et al. Automated detection of focal cortical dysplasia lesions using computational models of their MRI characteristics and texture analysis
Chaddad et al. Deep radiomic analysis of MRI related to Alzheimer’s disease
US10638995B2 (en) Imaging-based biomarker for characterizing the structure or function of human or animal brain tissue and related uses and methods
Sriramakrishnan et al. Modified local ternary patterns technique for brain tumour segmentation and volume estimation from MRI multi-sequence scans with GPU CUDA machine
US20190247000A1 (en) Prediction Model For Grouping Hepatocellular Carcinoma, Prediction System Thereof, And Method For Determining Hepatocellular Carcinoma Group
Kochunov et al. A library of cortical morphology analysis tools to study development, aging and genetics of cerebral cortex
Sun et al. Dual-functional neural network for bilateral hippocampi segmentation and diagnosis of Alzheimer’s disease
Mega et al. Automated brain tissue assessment in the elderly and demented population: construction and validation of a sub-volume probabilistic brain atlas
Zeppa et al. How reliable are volumetric techniques for high-grade gliomas? A comparison study of different available tools
ElNakieb et al. Towards accurate personalized autism diagnosis using different imaging modalities: sMRI, fMRI, and DTI
Wang et al. Voxel-based automated detection of focal cortical dysplasia lesions using diffusion tensor imaging and T2-weighted MRI data
Subbanna et al. IMaGe: iterative multilevel probabilistic graphical model for detection and segmentation of multiple sclerosis lesions in brain MRI
Bahsoun et al. FLAIR MRI biomarkers of the normal appearing brain matter are related to cognition
Andrade et al. DTI-based tractography of the arcuate fasciculus in patients with polymicrogyria and language disorders
Chen et al. Evaluation of traumatic subdural hematoma volume by using image segmentation assessment based on deep learning
Rasool et al. Glioma brain tumor segmentation using deep learning: A review
Anderson et al. Fully Automated Volumetric Measurement of Malignant Pleural Mesothelioma from Computed Tomography Images by Deep Learning: Preliminary Results of an Internal Validation.
Beejesh et al. Brain MR kurtosis imaging study: contrasting gray and white matter
Bal et al. Arterial input function segmentation based on a contour geodesic model for tissue at risk identification in ischemic stroke
Shaji et al. Structural irregularities in MR corpus callosal images and their association with cerebrospinal fluid biomarkers in mild cognitive impairments
Roy et al. Tumor delineation from 3-d mr brain images
Lilieholm et al. Neural network for autonomous segmentation and volumetric assessment of clot and edema in acute and subacute intracerebral hemorrhages

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201028

Address after: 226000 169 Li Fa FA Road, Chengdong Town, Haian City, Nantong, Jiangsu.

Patentee after: NANTONG WOTE OPTOELECTRONICS TECHNOLOGY Co.,Ltd.

Address before: 610000 no.6-10, 5th floor, building 1, Tidu street, Qingyang District, Chengdu City, Sichuan Province 610000

Patentee before: Beijing fish claw Network Technology Co.,Ltd. Chengdu branch

Effective date of registration: 20201028

Address after: 610000 no.6-10, 5th floor, building 1, Tidu street, Qingyang District, Chengdu City, Sichuan Province 610000

Patentee after: Beijing fish claw Network Technology Co.,Ltd. Chengdu branch

Address before: 518067, A, Nanshan Medical Instrument Industrial Park, No. 1019 Nanhai Road, Shekou, Guangdong, Shenzhen, Nanshan District

Patentee before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201109

Address after: 226000 No. 188 Shijiang Road, South District of Shigang Town Industrial Park, Tongzhou District, Nantong City, Jiangsu Province

Patentee after: NANTONG KANGSHENG MEDICAL EQUIPMENT Co.,Ltd.

Address before: 226000 169 Li Fa FA Road, Chengdong Town, Haian City, Nantong, Jiangsu.

Patentee before: NANTONG WOTE OPTOELECTRONICS TECHNOLOGY Co.,Ltd.