CN101596109A - 获取脑部特征参数的方法、系统及溶栓指征生成系统与方法 - Google Patents

获取脑部特征参数的方法、系统及溶栓指征生成系统与方法 Download PDF

Info

Publication number
CN101596109A
CN101596109A CNA2009101079363A CN200910107936A CN101596109A CN 101596109 A CN101596109 A CN 101596109A CN A2009101079363 A CNA2009101079363 A CN A2009101079363A CN 200910107936 A CN200910107936 A CN 200910107936A CN 101596109 A CN101596109 A CN 101596109A
Authority
CN
China
Prior art keywords
diffusion coefficient
nucleus
apparent diffusion
image
transitional region
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
CNA2009101079363A
Other languages
English (en)
Other versions
CN101596109B (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.)
Shenzhen Institute of Advanced Technology of CAS
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 CN2009101079363A priority Critical patent/CN101596109B/zh
Priority to PCT/CN2009/072305 priority patent/WO2010142085A1/zh
Priority to US13/376,943 priority patent/US8718345B2/en
Publication of CN101596109A publication Critical patent/CN101596109A/zh
Application granted granted Critical
Publication of CN101596109B publication Critical patent/CN101596109B/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
    • G01R33/5608—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • 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
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • 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]
    • G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
    • 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)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Neurosurgery (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

一种获取脑部特征参数的方法、系统及溶栓指征生成系统及方法，为急性期缺血性脑卒中的早期诊断和治疗提供参考性的中间数据，也为临床溶栓治疗提供有效的参考数据。本发明选用弥散加权成像，克服现有临床技术同时采用弥散加权成像和灌注加权成像的缺陷，也就是不需要采用灌注加权成像，但又能体现灌注加权成像表征灌注异常程度的功能，来提供可挽救的脑组织以及溶栓治疗的风险等的中间数据。本发明采用基于ADC低信号约束和DWI高信号约束的二值化处理获得核心区域和过渡区域，更为准确。

Description

获取脑部特征参数的方法、系统及溶栓指征生成系统与方法
技术领域
本发明涉及一种医疗影像处理技术，尤其涉及一种利用磁共振影像获取脑部特征参数的方法。
本发明还涉及一种利用磁共振影像获取脑部特征参数的系统。
本发明又涉及一种利用磁共振影像生成溶栓指征的系统。
本发明再涉及一种利用磁共振影像生成溶栓指征的方法。
背景技术
在中国，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，中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至150万人，患病总人数600至700万人，每年死于脑卒中者近100万人，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，严重危害了人类的健康和生存质量，它所造成的社会经济负担，包括医院、医师、康复、药剂、间接消费等，每年高达300亿元以上。其中，缺血性脑卒中(脑梗死)占整个脑血管病的70％以上，因此，加强脑梗死的研究显得尤为重要。
各国的指南均推荐在超急性缺血性脑卒中超早期(发病3小时内)首选静脉应用重组组织型纤溶酶原激活剂(rtPA)溶栓治疗。但在中国能够得到溶栓治疗的超急性缺血性脑卒中病人不足1％。据有关部门统计，2004年全中国仅有409例急性期脑缺血患者应用rtPA治疗。这同每年新发130万脑卒中病人这个基数相比，这个数字无疑是令人触目惊心的。在美国，每年至少有新发70万脑卒中病例，也只有1％能得到溶栓治疗。造成这种现象的原因很大程度在于，溶栓治疗容易发生出血等严重并发症，必须严格根据病人脑部病理状态来使用，而如何清楚了解病人的病理状态，一直是医学上难以克服的难点。
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。缺血半暗带的概念是由Astrup等人在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。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。因此缺血半暗带的存在是溶栓治疗的基本条件。
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。因此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。AbESTT等人研究显示，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小时就诊者又占到了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。影像学指导下的溶栓治疗通过影像判定有无缺血半暗带以及血管屏障是否破坏，而不再是基于发病时间计算再灌注时间窗，从而扩充了再灌注时间窗的内涵，增加可接受溶栓治疗的人群。实践表明，影像学上识别“缺血半暗带”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。通过对超急性缺血性脑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。
目前临床普遍采用的是结合磁共振(magnetic resonance，简称MR)弥散加权成像(Diffusion-Weighted Imaging)和灌注加权成像(Perfusion WeightedImaging，简称PWI)来确定缺血半暗带，弥散加权成像包括：弥散敏感系数b＝1000-1500s/mm2的各向同性弥散加权图像(Diffusion-weighted image，简记为DWI)、b＝0的T2加权图像、由DWI与T2加权图像计算得到的表观弥散系数图(Apparent Diffusion Coefficient，简记为ADC图)。用弥散加权图像(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)，用灌注加权成像(PWI)上的灌注异常区域表征损伤区域，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)灌注加权成像(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)灌注加权成像(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，磁共振灌注加权成像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)弥散加权图像(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％；(5)采用PWI/DWI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。
鉴于灌注加权成像(PWI)的固有弱点及临床使用PWI-DWI不匹配的困难，Prosser等人基于脑卒中症状较重而弥散加权图像(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。
综上所述，超急性脑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，若能建立真正适合临床需求的影像及数据来作为溶栓治疗的的有益有效参考，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脑卒中患者将大大增加。
发明内容
[发明目的]
本发明的第一目的在于提供了一种选用合适的磁共振图像，并结合图像处理技术和计算机技术，快速准确地获取表征脑血管疾病的病理现象及治疗风险的脑部特征参数等供临床诊断参考使用的中间数据的方法。
本发明的第二目的在于提供了一种选用合适的磁共振图像，并结合图像处理技术和计算机技术，快速准确地获取表征脑血管疾病的病理现象及治疗风险的脑部特征参数的可供临床使用的系统。
本发明的第三和第四目的在于提供一种选用合适的磁共振图像，并结合图像处理技术和计算机技术，快速准确地获取表征脑血管疾病的病理现象及治疗风险的脑部特征参数后，进行分析判断的溶栓指征生成系统及溶栓指征生成方法，获得急性脑缺血病人的供临床诊断参考使用的中间数据，并给以疾病治疗参考性的中间数据。
[技术方案]
为实现上述目的，本发明采用以下技术方案：
本发明提供了一种获取脑部特征参数的方法，包括以下步骤：
步骤S1、选用依据磁共振获得的被测者的磁共振弥散加权成像，包括弥散加权图像、T2加权图像和表观弥散系数图；
步骤S2、依据该T2加权图像，计算区分脑组织和非脑组织，获得去掉非脑组织的脑组织图像；
步骤S3、依据计算获得的过渡区域表观弥散系数阈值，对表观弥散系数图中对应于脑组织图像的体素进行表观弥散系数低信号约束的二值化，获得二值化图像；
步骤S4、依据二值化图像及计算获得的核心区域表观弥散系数阈值，估计核心区域及过渡区域；
步骤S5、依据计算获得的核心区域的弥散加权图像高信号阀值对估计的核心区域进行高信号约束处理，获得核心区域和过渡区域；
步骤S6、计算核心区域及过渡区域的特征参数。
优选地，该步骤S1之后而该步骤S2前，进一步包括：
步骤S11、对输入的该弥散加权成像的图像数据进行数据转换，转换为较低位的图像数据。
优选地，该步骤S2包括以下步骤：
步骤S21、利用模糊C-均值聚类对该T2加权图像取得去掉非脑组织的低信号阈值；
步骤S22、根据该去掉非脑组织的低信号阈值对该T2加权图像进行二值化，不小于该去掉非脑组织的低信号阈值时，设置为前景，否则设置为背景，得到二值处理图像；
步骤S23、取得该二值处理图像中最大的前景连通区域；
步骤S24、在该最大的前景连通区域的每个切片上实行数学形态学的开操作；找到开操作后的前景最大连通区域，对每个切片进行填充，获得该脑组织图像。
优选地，该步骤S3和步骤S4中所采用的表观弥散系数阈值的计算过程包括以下步骤：
步骤S31、依据该表观弥散系数图，计算对应于该脑组织图像中正常脑组织的表观弥散系数值；
步骤S32、分别计算该正常脑组织的表观弥散系数值与阀值系数的积，获得该核心区域表观弥散系数阈值及该过渡区域表观弥散系数阈值。
优选地，该步骤S31包括以下步骤：
步骤S311、统计对应于该脑组织图像的该表观弥散系数图中每个表观弥散系数值出现的次数；
步骤S312、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是：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。
优选地，该步骤S31中，对多个脑组织切片的每一个切片的表观弥散系数图中的表观弥散系数值进行统计，选择以该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；
该步骤S32中，依据该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表观弥散系数阈值及过渡区域的表观弥散系数阈值；
该步骤S3中，根据该每一个切片所对应的过渡区域表观弥散系数阈值，分别对该每一个切片进行二值化；
该步骤S4中，根据该每一个切片的二值化图像，估计核心区域和过渡区域；
该步骤S5中，对该每一个切片的二值化图像进行高信号约束处理，获得核心区域和过渡区域；
该步骤S6中，计算该每一个切片的核心区域和过渡区域的特征参数。
优选地，该步骤S3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表观弥散系数阈值的像素点设置为前景像素。
优选地，该步骤S4包括以下步骤：
步骤S41、针对该表观弥散系数图的二值化图像，获得前景连通区域；
步骤S42、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，并且在该前景连通区域中至少存在大于或等于第二预设体积的体素，且该大于或等于第二预设体积的体素的表观弥散系数小于该核心区域表观弥散系数阈值，其余区域设置为背景，获得第一图像。
优选地，该步骤S5包括以下步骤：
该核心区域的弥散加权图像灰度均值计为DWIAvgF；
与该核心区域相邻但不属于该核心区域的所有体素的弥散加权图像灰度均值计为DWIAvgB；
选取所有脑组织体素中弥散加权图像灰度不小于一常数的所有体素，这些体素在弥散加权图像上的灰度均值与标准差分别计为AvgDWI(z)与SdDWI(z)；
弥散加权图像高信号阈值为DWITh(z)＝AvgDWI(z)+CC1*SdDWI(z)，其中CC1为常数，*表示乘法；
若该第一图像的核心区域满足(DWIAvgF-DWIAvgB)＞CC2或(DWIAvgF-DWITh(z))＞CC3，则该核心区域和过渡区域保留，否则它们将被设置为背景，其中CC2与CC3为两常数。
优选地，CC1取值范围可为1.1至1.5，CC2的取值范围为10至20，CC3的取值范围为4至8。
优选地，该步骤S5之后、步骤S6之前还包括：
恢复步骤，查找该第一图像中每一前景体素的临近体素，并将该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。
优选地，该恢复步骤和步骤S6之间还包括：
第二伪影去除步骤，查找该第一图像中的前景连通区域，将该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。
优选地，该步骤S6包括以下步骤：
在该第一图像中，表观弥散系数小于该核心区域表观弥散系数阈值的体素集合为核心区域，表观弥散系数介于该核心区域表观弥散系数阈值和该过渡区域表观弥散系数阈值之间的体素集合为过渡区域；在该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。
优选地，该步骤S6包括：
步骤S61、计算过渡区域的表观弥散系数梯度，该步骤S61包括以下步骤：
步骤S611、查找前景体素数目最多的连通区域；
步骤S612、查找该连通区域中的各个内点；
步骤S613、计算表观弥散系数值位于该核心区域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内点的平均表观弥散系数梯度；
步骤S614、计算表观弥散系数值位于该核心区域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的平均表观弥散系数值；
步骤S615、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S613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为正数系数，avgADC指步骤S614计算的平均表观弥散系数值；
步骤S62、计算过渡区域的径向距离，该步骤S62包括以下步骤：
步骤S621、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阀值的第一体素个数，以及表观弥散系数值介于核心区域表观弥散系数阀值和过渡区域表观弥散系数阀值之间的第二体素个数；
步骤S622、计算该连通区域内的核心区域的半径，该半径为该第一体素个数除以圆周率的商的平方根，以及计算该连通区域内的核心区域及过渡区域的半径，该半径为该第一体素个数与该第二体素个数之和除以圆周率的商的平方根；
步骤S623、计算过渡区域的径向距离，为该核心区域及过渡区域的半径与该核心区域的半径之差。
优选地，该步骤S6还包括：
步骤S63，计算过渡区域沿着径向的表观弥散系数变化总量，该表观弥散系数变化总量计算公式以下：
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。
优选地，该步骤S6还包括：
步骤S64，计算核心区域表观弥散系数变异系数，该步骤S64包括以下步骤：
S641、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，标准差为各个数据与均值差的平方和的平方根；
S642、将该标准差除以平均表观弥散系数值的商即为核心区域的表观弥散系数变异系数。
优选地，该步骤S6还包括：
步骤S65，计算紧邻过渡区域的核心区域边缘部分的参数，对所有的核心区域的体素，计算表观弥散系数均值与标准差并分别记为AvgADCcore和SdADCcore；对核心区域实施3x3的数学形态学腐蚀，剩余的核心区域的表观弥散系数均值与标准差分别记为AvgADCcoreE和SdADCcoreE；
紧邻过渡区域的核心区域边缘部分的表观弥散系数均值相对变化为
δAvgADC＝(AvgADCcore-AvgADCcoreE)/AVgADCcore，
紧邻过渡区域的核心区域边缘部分的表观弥散系数标准差相对变化为
δSdADC＝(SdADCcore-SdADCcoreE)/SdADCcore，
紧邻过渡区域的核心区域边缘部分的表观弥散系数变异系数变化为
δCvADC＝δSdADC/δAvgADC。
优选地，其特征在于，若该步骤S6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。
本发明还提供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磁共振弥散加权成像，包括弥散加权图像、T2加权图像及表观弥散系数图；
脑组织提取模块，用于根据该输入装置获得的T2加权图像，计算提取被测者的脑组织，去掉非脑组织，输出脑组织图像；
图像处理模块，用于依据计算获得到的过渡区域表观弥散系数阈值对表观弥散系数图中对应于脑组织图像的体素进行表观弥散系数低信号约束的二值化，获得二值化图像，依据二值化图像及计算获得的核心区域表观弥散系数阀值估计核心区域及过渡区域，根据计算获得的核心区域的弥散加权图像高信号阀值对估计的核心区域进行高信号约束处理，获得核心区域和过渡区域；以及
特征参数计算单元，计算核心区域及过渡区域的特征参数。
优选地，该输入装置进一步包括用于将T2加权图像、弥散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，该数据处理单元的输出端连接该图像处理模块和脑组织提取模块。
优选地，该图像处理模块包括：
正常表观弥散系数值获取模块，分别与该脑组织提取模块和该输入装置相连，用于在该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；
表观弥散系数低信号阈值计算模块，用于计算该正常脑组织的表观弥散系数值与阀值系数的积，分别获得该核心区域表观弥散系数阀值及过渡区域表观弥散系数阈值；
弥散加权图像高信号阀值计算模块，执行以下计算：选取所有脑组织体素中弥散加权图像灰度不小于一常数的所有体素，这些体素在弥散加权图像上的灰度均值与标准差分别计为AvgDWI(z)与SdDWI(z)；弥散加权图像高信号阈值为DWITh(z)＝AvgDWI(z)+CC1*SdDWI(z)，其中CC1为常数，*表示乘法；及
低信号约束二值化模块，与输入装置、脑组织提取模块和表观弥散系数低信号阈值计算模块连接，用于根据该过渡区域表观弥散系数阈值对表观弥散系数图进行低信号约束二值化处理，获得该二值化图像；
估计单元，与低信号约束二值化模块和表观弥散系数低信号阈值计算模块连接，用于根据该二值化图像估计核心区域及过渡区域；
高信号约束处理单元，与估计单元和弥散加权图像高信号阀值计算模块连接，用于依据计算获得的核心区域的弥散加权图像高信号阀值对核心区域进行高信号约束处理；
判定单元，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过渡区域；及
特征参数计算单元，与判定单元连接，用于在该计算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。
优选地，该高信号约束处理单元执行如下操作：
核心区域的弥散加权图像灰度均值计为DWIAvgF；
与核心区域相邻但不属于核心区域的所有体素的弥散加权图像灰度均值计为DWIAvgB；
弥散加权图像高信号阈值计为DWITh(z)；
若核心区域满足(DWIAvgF-DWIAvgB)＞CC2或(DWIAvgF-DWITh(z))＞CC3，则核心区域和过渡区域保留，否则它们将被设置为背景，其中CC2与CC3为两常数。
优选地，该估计单元包括：
第一单元，用于根据二值化图像，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，并且在该前景连通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。
优选地，该图像处理模块还包括：恢复单元，串联在该高信号约束处理单元与判定单元之间，用于查找每一前景体素的临近体素，并将该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。
优选地，该图像处理模块还包括：第二伪影去除单元，串联在该恢复单元与判定单元之间，用于查找前景连通区域，将该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。
本发明再提供了一种溶栓指征生成系统，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磁共振弥散加权成像，包括弥散加权图像、T2加权图像及表观弥散系数图；
脑组织提取模块，用于根据该输入装置获得的T2加权图像，计算提取被测者的脑组织，去掉非脑组织，输出脑组织图像；
图像处理模块，用于根据计算获得的过渡区域表观弥散系数阈值对表观弥散系数图中对应于脑组织图像的体素进行表观弥散系数低信号约束的二值化，获得二值化图像，依据二值化图像及计算获得的核心区域表现弥散系数阀值估计核心区域及过渡区域，根据计算获得的核心区域的弥散加权图像高信号阀值对估计的核心区域进行高信号约束处理，获得核心区域和过渡区域；
特征参数计算单元，计算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
判断单元，用于将该特征参数计算单元输出的特征参数与该预设阈值进行比较，输出判断结果。
优选地，该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、过渡区域沿着径向的表观弥散系数的变化总量、核心区域的体积、核心区域和过渡区域的体积比率、紧邻过渡区域的核心区域边缘部分的表观弥散系数均值相对变化、表观弥散系数标准差相对变化、表观弥散系数变异系数变化等参数的限值。
本发明又提供了一种溶栓指征生成方法，包括以下步骤：
步骤S 1、选用依据磁共振获得的被测者的磁共振弥散加权成像，包括弥散加权图像、T2加权图像和表观弥散系数图；
步骤S2、依据该T2加权图像，计算区分脑组织和非脑组织，获得去掉非脑组织的脑组织图像；
步骤S3、依据计算获得的过渡区域表观弥散系数阈值，对表观弥散系数图中对应于脑组织图像的体素进行表观弥散系数低信号约束的二值化，获得二值化图像；
步骤S4、依据二值化图像及计算获得的核心区域表观弥散系数阈值，估计核心区域及过渡区域；
步骤S5、依据计算获得的核心区域的弥散加权图像高信号阀值对估计的核心区域进行高信号约束处理，获得核心区域和过渡区域；
步骤S6、计算核心区域及过渡区域的特征参数；
步骤s7、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。
优选地，该步骤s7中，该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、过渡区域的表观弥散系数变化总量、核心区域的表观弥散系数均值、核心区域的表观弥散系数变异系数、核心区域体积、核心区域和过渡区域的体积比率以及紧邻过渡区域的核心区域边缘部分的表观弥散系数均值变化、表观弥散系数标准差变化、表观弥散系数变异系数变化中的一个或几个参数进行训练获得。
[有益效果]
由于采用上述的技术方案，本发明的有益效果以下：
1、本发明选用MR弥散加权成像，克服现有临床技术同时采用弥散加权成像和PWI的缺陷，也就是不需要采用PWI，但又能体现PWI表征灌注异常程度的功能，来提供查找可挽救的脑组织以及计算溶栓治疗的风险等参考数据。一方面，节省了时间，为病人的治疗争取了宝贵的时机；另一方面，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。
2、本发明采用基于表观弥散系数低信号约束和弥散加权图像高信号约束的二值化处理获得核心区域和过渡区域，更为准确；
3、本发明采用计算得到的表观弥散系数空间分布参数代替原有的基于体积大小的方式来获取脑部特征参数，为临床应用提供了更多的辅助数据获取方式。
4、本发明通过百分位数将16位的T2加权图像、弥散加权图像和表观弥散系数图降低到低位数进行处理，提高运算速度而又不损失精度。
5、本发明通过对T2加权图像进行计算，去掉非脑组织，获得脑组织图像，利用T2加权图像、弥散加权图像与表观弥散系数图的坐标一致性，限定ADC图的计算区域，大幅提升处理速度。
6、本发明计算正常脑组织的表观弥散系数值以排除不同个体的影响。
7、本发明采用多值化自动分割技术计算核心区域和过渡区域，从而估计梗死区域和缺血半暗带；本发明也采用了去除伪影的技术；确保快速准确的计算分析。
8、本发明从核心区域和过渡区域自动挑选出体素数目最多的两个切片上的连通区域以计算分析病人缺血的特征参数，这样，一方面保证代表性，另一方面又能避免处理那些伪影导致的小区域。
综上所述，本发明采用计算机影像处理技术，能更高精度更快速地判定是否存在可以被挽救的脑组织，快速有效地查找可挽救的组织以及分析溶栓治疗的风险，有效为超急性期缺血性脑卒中的早期治疗提供参考性的数据，让更多的有可以被挽救的脑组织的病人接受溶栓治疗，为临床溶栓治疗争得宝贵的时机，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，使得更多的病人获得治疗的机会。
附图说明
为更进一步了解本发明的特征及技术内容，请参阅以下有关本发明的附图，然而所附图式仅提供参考与说明用，并非用来对本发明加以限制。
图1为本发明的获取脑部特征参数的方法的流程图；
图2为T2加权图像的原始切片图；
图3为本发明根据图2计算得到的脑组织图像；
图4为与图2切片具有相同空间坐标的表观弥散系数图；
图5为根据本发明的获得脑部特征参数的方法对图4中的表观弥散系数图进行计算处理获得的标记有核心区域(白色)和过渡区域(灰色)的表观弥散系数图；
图6至图9为不采用弥散加权图像高信号处理和采用弥散加权图像高信号处理的对比图；
图10为本发明的获取脑部特征参数的系统的原理框图；
图11为本发明的溶栓指征生成系统的原理框图；
图12为本发明的溶栓指征生成方法的流程图。
具体实施方式
下面结合附图，通过对本发明的具体实施方式的详细描述，将使本发明的技术方案及其他有益效果显而易见。
[实施例1]
获取脑部特征参数的方法：
如图1所示，本发明提供了一种获取脑部特征参数的方法，估计急性脑梗死病人的脑梗死区域和缺血半暗带，计算分析这两个区域的特征参数，从而查找可挽救的组织，分析溶栓治疗的风险，为临床诊断和治疗提供参考数据。本发明提到的核心区域是指估计的脑梗死区域，过渡区域表征的是缺血程度介于脑梗死与正常脑组织之间的区域，它是缺血半暗带的一种估计。该方法主要包括以下步骤：
步骤S1，选用依据磁共振获得的被测者的磁共振弥散加权成像(Diffusion-Weighted Imaging)，包括弥散敏感系数b为高值的各向同性弥散加权图像(Diffusion-Weighted Image，简称DWI)、b＝0的T2加权图像和由DWI与T2加权图像计算得到的表观弥散系数图(Apparent Diffusion Coefficient，简称ADC图)；
步骤S2，依据磁共振获得的T2加权图像，计算区分脑组织和非脑组织，获得去掉非脑组织的脑组织图像brain(x，y，z)，用于定位获取ADC图中的相关参数；
步骤S3，根据计算获得的过渡区域ADC阈值thADC2，对脑组织图像对应的ADC图进行低信号约束的二值化，获得二值化图像B_ADC(x，y，z)；
步骤S4，依据二值化图像和计算获得的核心区域ADC阈值thADC1，估计核心区域及过渡区域；
步骤S5，根据计算获得的核心区域的DWI高信号特征对核心区域进行高信号约束处理，获得核心区域和过渡区域；
步骤S6，计算核心区域和过渡区域的参数，包括核心区域的体积volCore、过渡区域的体积volIP、过渡区域的ADC梯度gradAvgN、过渡区域的径向距离δR、过渡区域的ADC变化总量δADC、核心区域的ADC均值AvgADC与标准差SdADC、以及核心区域的ADC变异系数CV，还包括紧邻过渡区域的核心区域ADC均值相对变化δAvgADC、ADC标准差相对变化δSdADC、以及ADC变异系数变化δCvADC。
步骤S1的流程：
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)b为高值(常见的临床取值为1000-1500s/mm2)的各向同性DWI；
(3)由T2加权图像和DWI图像计算得到的表观弥散系数图(ADC图)。
上述三种图像的坐标系设置为：X轴从左至右延伸，Y轴从前至后延伸，Z轴从上到下延伸。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，主要是临床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的原始数据。
DWI、T2加权图像和ADC图具有相同的坐标系、相同的体素个数，同一体素(坐标值相同的体素)对应于病人的同一物理位置。DWI、T2加权图像和ADC图在某一体素(x，y，z)处的灰度分别用DWI(x，y，z)、T2(x，y，z)和ADC(x，y，z)表示。ADC(x，y，z)由DWI(x，y，z)和T2(x，y，z)计算得到，计算公式为
ADC(x，y，z)＝log(T2(x，y，z)/DWI(x，y，z))/b
其中log表示自然对数，b为1000至1500的一个常数(实际弥散加权成像时所用的高弥散梯度系数)；在计算ADC时，为减弱噪声影响，还可以首先对T2(x，y，z)和/或DWI(x，y，z)先进行中值滤波。
如之前所述，急性期脑梗死病人的初始的DWI、T2加权图像及其ADC图具有相同的坐标系，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，DWI(x，y，z)、T2(x，y，z)和ADC(x，y，z)均为16位数据，其中T2加权图像如图2所示。每一体素的空间坐标(x，y，z)具有以下的约束条件，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轴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，特别是考虑到临床处理图像需要快速的要求，对步骤S1输入的T2加权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，本实施例采用的方案是排除那些孤立的体素，即灰度最高、最低点，这可通过以下基于百分位数(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；所有灰度从最大减少到g1的体素个数所占全部体素的百分比不大于P1、所有灰度从最大减少到(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，DWI和ADC图也可以采用8位数据DWI_8(x，y，z)和ADC_8(x，y，z)，也可以通过与上述相似的步骤获取。
那么步骤S1至步骤S4的处理均可以基于8位的数据DWI_8(x，y，z)、T2_8(x，y，z)和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。
步骤S2的流程：
如图1所示，本实施例采用的提取脑组织图像的方法是基于灰度阈值和数学形态学的图像自动分割处理，去掉非脑组织，脑组织图像brain(x，y，z)主要由脑脊液、灰质与白质组成。
首先，利用模糊C-均值聚类(Fuzzy C-means Clustering，简称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，得到二值化图像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；
然后，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。采用开操作使图像的轮廓变得光滑，断开狭窄的连接并消除细的突出物。
步骤S3的流程：
在步骤S2中去掉了T2加权图像中的非脑组织，而T2加权图像与DWI和ADC图的坐标相同，体素是一一对应的，对图4所示ADC图进行二值化处理时，只取与脑组织图像对应的体素进行二值化处理，即低信号约束处理，过程以下：
将表观弥散系数(简称为ADC)值大于过渡区域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ADC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)按照以下公式(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ADC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ADC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这两个数通过实验设定。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S2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)图像中所有脑组织ADC值出现的次数，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ADCref＝ADCmax+5范围内的任一值，此处ADCmax表示出现频率最高的ADC值，较优的情况是，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。
步骤S4的流程：
估计核心区域及过渡区域的过程，采用以下步骤：
首先，针对该ADC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。
然后，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ADC小于核心区域ADC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，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。
上述处理中，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，它们之间的关系由试验确定。
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，估计出核心区域A和过渡区域B，图5显示了与图2具有相同位置的ADC图及其对应的估计的核心区域A和过渡区域B。
步骤S5的流程：
考虑到急性期的脑缺血应当对应于DWI的高信号以ADC的低信号，为了防止基于ADC低而误判，有必要加入DWI高信号的约束。
DWI高信号的约束体现在对核心区域在DWI图像的高信号约束。不失一般性，设核心区域位于轴向切片z，该核心区域的DWI灰度均值为DWIAvgF，与该核心区域相邻(至少与一个该核心区域的体素是临域相邻)但不属于该核心区域的位于轴向切片z的所有体素的DWI灰度均值计为DWIAvgB；对于轴向切片z，设(x，y，z)为所有脑组织体素中DWI(x，y，z)不小于某一常数(如40，对应于非脑脊液体素)的所有体素，这些体素在DWI上的灰度均值与标准差分别计为AvgDWI(z)与SdDWI(z)，较亮/高信号的阈值为DWITh(z)＝AvgDWI(z)+CC1*SdDWI(z)，其中CC1为常数，取值范围可为[1.1，1.5]，*表示乘法。因此，对于前面得到的位于轴向切片z的核心区域与过渡区域，若其核心区域还满足以下条件：
(DWIAvgF-DWIAvgB)＞CC2或(DWIAvgF-DWITh(z))＞CC3，
则第一图像B1_ADC(x，y，z)中该核心区域和过渡区域保留，否则它们将被设置为背景区域，其中CC2与CC3为两常数，CC3的参考取值为4-8，CC2的参考取值为10-20。
图6与图7分别表示同一病人同一时间扫描的同一切片的ADC图与DWI图。可以看出，ADC上有两个低信号区域，而DWI上只有一个高信号区域。基于ADC低信号约束的方法估计的核心区域(白色)及过渡区域(灰色)见图8，有两个“核心区域+过渡区域”，对应于ADC上的两个低信号区，其中上面的ADC低信号区在DWI上并不呈现高信号，应该是伪影；基于“DWI高信号+ADC低信号”的方法检测到的“核心区域+过渡区域”见图9，可以看出，它只包含了一个DWI为高且ADC同时为低的区域，ADC为低但DWI不为高的区域已经被排除。
除上述处理步骤外，还可以增加一次将邻近的背景体素改变为前景体素的恢复步骤，即，查找该第一图像B1_ADC(x，y，z)中每一前景体素的临近体素，并将该临近体素中ADC值不大于过渡区域ADC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，还可以增加第二伪影去除步骤，即，查找该第一图像B1_ADC(x，y，z)中每个切片(如轴向切片)的前景连通区域，将该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，以此消除小的可能是伪影的区域。
为了优化图像质量，可以经过如上处理，然后再进行以下步骤。
最后，在该第一图像B1_ADC(x，y，z)中，ADC值小于核心区域ACD阈值thADC1的体素集合为估计的核心区域，ADC值介于核心区域ACD阈值thADC1和过渡区域ACD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以下述公式(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
步骤S6的流程：
步骤S6用于计算核心区域和过渡区域的特征参数，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计算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(一个是具有最多的核心区域体素与过渡区域体素之和，另一个是具有最多的核心区域体素个数)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gradAvgN
首先，在经过上述步骤S4或步骤S5处理后的第一图像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指征范围。
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，则可按以下公式(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计算的核心区域及过渡区域，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)中所估计的核心区域的ADC变异系数以下：
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，分别为所计算的过渡区域体积以及核心区域的体积。
5、紧邻过渡区域的核心区域边缘部分的参数：
对所有的核心区域的体素，可计算它们的ADC均值与标准差，分别记为AvgADCcore、SdADCcore；对核心区域实施3x3的数学形态学腐蚀，剩余的核心区域的ADC均值与标准差，分别记为AvgADCcoreE、SdADCcoreE。这两组参数的差异反映的就是邻近过渡区域的核心区域边缘部分的参数，具体定义以下：
紧邻过渡区域的核心区域边缘部分的ADC均值相对变化为
δAvgADC＝(AvgADCcore-AvgADCcoreE)/AvgADCcore，
紧邻过渡区域的核心区域边缘部分的ADC标准差相对变化为
δSdADC＝(SdADCcore-SdADCcoreE)/SdADCcore，
紧邻过渡区域的核心区域边缘部分的ADC变异系数变化为
δCvADC＝δSdADC/δAvgADC。
在上述特征参数的基础上，临床可以分析是否有“可以挽救的缺血脑组织”及是否适宜溶栓。医学上在此处的“可以挽救的缺血脑组织”的金标准是应用PET(正电子发射体层显像)，临床则用“不匹配”来逼近：PWI异常区域的体积是否大于DWI体积的1.2倍，若是，表明有“不匹配”，即有“可以挽救的缺血脑组织”；若不是，则表明无“不匹配”。依据现有的这一准则，需要通过临床分析应用或实验来建立一训练数据集，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＝0.180、θvol＝100ml，即，当δADC＜0.180或volCore＞100ml时可判定为无“可以挽救的缺血脑组织”，否则为有“可以挽救的缺血脑组织”。
针对溶栓与否的指征，也需要通过临床分析应用或实验来建立一训练数据集，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、volCore、δAvgADC、δSdADC和δCvADC。比如，一种可能的溶栓指征就是δCvADC小于2，且存在可以挽救的缺血脑组织，则推荐溶栓；否则，不建议溶栓。比较一般的溶栓指征就是，基于计算的过渡区域的ADC梯度、过渡区域的径向距离、过渡区域的ADC变化总量、核心区域的ADC均值、核心区域的ADC变异系数、核心区域和过渡区域的体积、体积比率以及紧邻过渡区域的核心区域ADC均值相对变化δAvgADC、ADC标准差相对变化δSdADC、ADC变异系数变化δCvADC的训练，确定是否溶栓的指征准则。换句话说，一般意义下的溶栓指征依赖于上述参数的限值或者范围，其限值或范围可以通过训练得到，并用于一定的指征规则。
[实施例2]
获取脑部特征参数的系统：
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核心区域及过渡区域的特征参数，如图10所示，系统包括：输入装置210，用于获取被测者经磁共振产生的弥散加权成像，包括DWI、T2加权图像及对应的ADC图；脑组织提取模块230，用于根据输入装置210获得的T2加权图像，计算提取被测者的脑组织，输出脑组织图像；图像处理模块220，用于利用过渡区域ADC阈值对ADC图中对应于脑组织图像的体素进行ADC低信号约束的二值化，获得二值化图像，依据二值化图像及核心区域ACD阀值估计核心区域及过渡区域，根据计算获得的核心区域的DWI高信号阀值对估计的核心区域及过渡区域进行高信号约束处理，获得核心区域和过渡区域；特征参数计算单元240，计算核心区域及过渡区域的特征参数。
输入装置210还设置有数据处理单元，用于将T2加权图像、DWI及对应的ADC图的数据转换为低位数据输出，数据处理单元的输出端连接图像处理模块220和脑组织提取模块230，T2加权图像、DWI及对应的ADC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，具体如何转换如前述相关说明。
图像处理模块220包括：正常表观弥散系数值获取模块221、ADC低信号阈值计算模块及DWI高信号阀值计算模块222、低信号约束二值化模块223、估计单元224、高信号约束处理单元225、恢复单元226、第二伪影去除单元227和判定单元228；
正常表观弥散系数值获取模块221分别与脑组织提取模块230和输入装置210相连，用于在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；
ADC低信号阈值计算模块及DWI高信号阀值计算模块222与正常表观弥散系数值获取模块221连接，用于分别计算正常脑组织的表观弥散系数值与阀值系数的积，获得核心区域ADC阀值及过渡区域ADC阈值，以及计算获得核心区域的DWI高信号阀值；
低信号约束二值化模块223与输入装置210和ADC低信号阈值计算模块222连接，用于根据过渡区域ADC阈值对ADC图进行低信号约束二值化处理，获得二值化图像；估计单元224，与低信号约束二值化模块223和ADC低信号阈值计算模块222连接，用于根据二值化图像及核心区域ADC阀值估计核心区域及过渡区域；
估计单元224包括：第一单元，用于根据ADC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ADC小于核心区域ADC阈值，其余区域设置为背景区域，获得第一图像；
高信号约束处理单元225，与估计单元224和DWI高信号阀值计算模块222连接，用于依据计算获得的核心区域的DWI高信号阀值对第一图像的核心区域进行高信号约束处理；
恢复单元226，与高信号约束处理单元225连接，恢复邻近的前景体素，用于查找第一图像中每一前景体素的临近体素，并将临近体素中ADC不大于过渡区域ADC阈值的体素点设置为前景体素；
第二伪影去除单元227，与恢复单元226连接，用于查找第一图像中的前景连通区域，将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；
判定单元228，与第二伪影去除单元227连接，用于在第一图像中，判定ADC小于核心区域ADC阈值的体素集合为初始核心区域，判定ADC介于核心区域ADC阈值和过渡区域ADC阈值之间的体素集合为过渡区域，获得核心区域和过渡区域。
特征参数计算单元240，与判定单元228连接，用于在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。
[实施例3]
溶栓指征生成系统：
基于图10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指征生成系统，如图11所示，在图10所示的系统结构基础上，还包括：训练数据库250，用于存储核心区域和过渡区域的预设阈值；及判断单元260，用于将特征参数计算单元240输出的特征参数与预设阈值进行比较，输出判断结果。
在训练数据库中存储的预设阈值至少包括：过渡区域ADC变化总量限值、核心区域的体积限值、核心区域ADC变化参数限值。
在判断单元中设置一第一结果输出单元，用于判断特征参数计算单元输出的过渡区域ADC变化总量δADC是否小于变化总量限值(取值0.180)，或者核心区域的体积volCore是否大于核心区域的体积限值(取值100ml)，是则判断为无“可以挽救的缺血脑组织”，否则为有“可以挽救的缺血脑组织”，并输出结果。
判断单元还包括第二结果输出单元，用于判断特征参数计算单元输出的δAvgADC、δSdADC、δCvADC是否小于设定的限值，并输出建议结果。
本系统中的判断单元还可以对核心区域的ADC变异系数CV1与CV2、过渡区域沿着径向的ADC的变化总量δADC1与δADC2、核心区域的体积volCore及体积比率volRatio、紧邻过渡区域的核心区域边缘部分的ADC均值相对变化δAvgADC、ADC标准差相对变化δSdADC、ADC变异系数变化δCvADC这九个特征参数进行比较。比如，当δCvADC小于2，且存在可以挽救的缺血脑组织，则建议溶栓，并作为输出结果，可输出报表以及对应的图像；否则，不建议溶栓。
上述两个系统均可以运行于独立的计算机系统上.
[实施例4]
溶栓指征生成方法：
如图13所示，首先执行实施例1的获得脑部特征参数的各步骤，完成急性期脑缺血病人脑图像数据的计算分析，并获得核心区域和过渡区域的特征参数；还需要执行两个判断步骤来确定是否有“可以挽救的缺血脑组织”及是否可建议溶栓。
医学上在此处的“可以挽救的缺血脑组织”的金标准应是用PET(正电子发射体层显像)，临床则用“不匹配”来逼近：PWI异常区域的体积是否大于DWI体积的1.2倍，若是，表明有“不匹配”，即有“可以挽救的缺血脑组织”；若不是，则表明无“不匹配”。
依据现有的这一准则，需要通过临床分析应用或实验来建立一训练数据集，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＝0.180、θvol＝100ml，即，当δADC＜0.180或volCore＞100ml时可判定为无“可以挽救的缺血脑组织”，否则为有“可以挽救的缺血脑组织”。是否存在“可以挽救的缺血脑组织”应由δADC或volCore确定。
在判断了是否有“可以挽救的缺血脑组织”后，还可以对是否建议溶栓进行判断。同样的道理，需要通过临床分析应用或实验来建立一训练数据集，预设阈值还包括：紧邻过渡区域的核心区域边缘部分的ADC的变化参数：ADC均值相对变化δAvgADC、ADC标准差相对变化δSdADC、ADC变异系数变化δCvADC的限值；判断δAvgADC、δSdADC、δCvADC是否小于设定的限值，来判断该病人是否建议溶栓供临床参考。比较一般的溶栓决策就是，基于计算的过渡区域的ADC梯度、过渡区域的径向距离、过渡区域的ADC变化总量、核心区域的ADC均值、核心区域的ADC变异系数、核心区域体积、体积比率、以及紧邻过渡区域的核心区域ADC均值相对变化、ADC标准差相对变化、ADC变异系数变化的训练数据集的建立，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上述参数的限值或者范围，其限值或范围可以通过临床分析应用或实验来建立训练数据集得到，并用于一定的决策规则。
从已经完成的实验验证的数据看出，可以以δADC为主，辅之VolCore、VolTR、δAvgADC、δSdADC和δCvADC，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，以此确定是否建议溶栓。首先需要根据过渡区域ADC的变化总量以及核心区域的体积判定该病人是否有“可以挽救的缺血脑组织”；没有“可以挽救的缺血脑组织”的病人不考虑溶栓；对于有“可以挽救的缺血脑组织”的病人，可以通过判断核心区域的ADC变化参数是否小于预设值，判断该病人是否建议溶栓供临床参考。
综上所述，本发明将16位的T2加权图像、DWI和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图及DWI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；利用ADC低信号约束对ADC图进行二值化，并利用核心区域的高DWI特征来估计核心区域和过渡区域，最后从核心区域和过渡区域挑选出体素数目最多的两个轴向切片上的连通区域以计算特征参数，这样一方面保证代表性，又能避免处理那些伪影导致的区域。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、核心区域体积、过渡区域的体积等等，利用这些参数可以供临床参考以确定该病人有无“可以挽救的缺血脑组织”，并由计算机分析“可以挽救的缺血脑组织”图像特征，包括计算核心区域的平均ADC值、ADC变异系数、核心区域体积、过渡区域的体积除以核心区域的体积所得到的体积比、紧邻过渡区域的核心区域ADC均值相对变化δAvgADC、ADC标准差相对变化δSdADC、ADC变异系数变化δCvADC，从而给出是否建议溶栓的中间数据以供临床参考使用。
与采用弥散加权成像加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，另一方面又节省了时间(10分钟以上)，为病人的治疗争取了宝贵的时间；并且使检查由有损伤变成无损伤。
另外，能更高精度地判定是否存在可以被挽救的脑组织以及是否建议溶栓，让更多的有可以被挽救的脑组织的病人有可能接受溶栓治疗，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 (29)

1、一种获取脑部特征参数的方法，包括以下步骤：
步骤S1、选用依据磁共振获得的被测者的磁共振弥散加权成像，包括弥散加权图像、T2加权图像和表观弥散系数图；
步骤S2、依据该T2加权图像，计算区分脑组织和非脑组织，获得去掉非脑组织的脑组织图像；
步骤S3、依据计算获得的过渡区域表观弥散系数阈值，对表观弥散系数图中对应于脑组织图像的体素进行表观弥散系数低信号约束的二值化，获得二值化图像；
步骤S4、依据二值化图像及计算获得的核心区域表观弥散系数阈值，估计核心区域及过渡区域；
步骤S5、依据计算获得的核心区域的弥散加权图像高信号阀值对估计的核心区域进行高信号约束处理，获得核心区域和过渡区域；
步骤S6、计算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，该步骤S1之后而该步骤S2前，进一步包括：
步骤S11、对输入的该弥散加权成像的图像数据进行数据转换，转换为较低位的图像数据。
3、根据权利要求1所述的方法，其特征在于，该步骤S2包括以下步骤：
步骤S21、利用模糊C-均值聚类对该T2加权图像取得去掉非脑组织的低信号阈值；
步骤S22、根据该去掉非脑组织的低信号阈值对该T2加权图像进行二值化，不小于该去掉非脑组织的低信号阈值时，设置为前景，否则设置为背景，得到二值处理图像；
步骤S23、取得该二值处理图像中最大的前景连通区域；
步骤S24、在该最大的前景连通区域的每个切片上实行数学形态学的开操作；找到开操作后的前景最大连通区域，对每个切片进行填充，获得该脑组织图像。
4、根据权利要求3所述的方法，其特征在于，该步骤S3和步骤S4中所采用的表观弥散系数阈值的计算过程包括以下步骤：
步骤S31、依据该表观弥散系数图，计算对应于该脑组织图像中正常脑组织的表观弥散系数值；
步骤S32、分别计算该正常脑组织的表观弥散系数值与阀值系数的积，获得该核心区域表观弥散系数阈值及该过渡区域表观弥散系数阈值。
5、根据权利要求4所述的方法，其特征在于，该步骤S31包括以下步骤：
步骤S311、统计对应于该脑组织图像的该表观弥散系数图中每个表观弥散系数值出现的次数；
步骤S312、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是：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。
6、根据权利要求5所述的方法，其特征在于，该步骤S31中，对多个脑组织切片的每一个切片的表观弥散系数图中的表观弥散系数值进行统计，选择以该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；
该步骤S32中，依据该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表观弥散系数阈值及过渡区域的表观弥散系数阈值；
该步骤S3中，根据该每一个切片所对应的过渡区域表观弥散系数阈值，分别对该每一个切片进行二值化；
该步骤S4中，根据该每一个切片的二值化图像，估计核心区域和过渡区域；
该步骤S5中，对该每一个切片的二值化图像进行高信号约束处理，获得核心区域和过渡区域；
该步骤S6中，计算该每一个切片的核心区域和过渡区域的特征参数。
7、根据权利要求1至6中任一项所述的方法，其特征在于，该步骤S3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表观弥散系数阈值的像素点设置为前景像素。
8、根据权利要求4至6中任一项所述的方法，其特征在于，该步骤S4包括以下步骤：
步骤S41、针对该表观弥散系数图的二值化图像，获得前景连通区域；
步骤S42、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，并且在该前景连通区域中至少存在大于或等于第二预设体积的体素，且该大于或等于第二预设体积的体素的表观弥散系数小于该核心区域表观弥散系数阈值，其余区域设置为背景，获得第一图像。
9、根据权利要求8所述的方法，其特征在于，该步骤S5包括以下步骤：
该核心区域的弥散加权图像灰度均值计为DWIAvgF；
与该核心区域相邻但不属于该核心区域的所有体素的弥散加权图像灰度均值计为DWIAvgB；
选取所有脑组织体素中弥散加权图像灰度不小于一常数的所有体素，这些体素在弥散加权图像上的灰度均值与标准差分别计为AvgDWI(z)与SdDWI(z)；
弥散加权图像高信号阈值为DWITh(z)＝AvgDWI(z)+CC1*SdDWI(z)，其中CC1为常数，*表示乘法；
若该第一图像的核心区域满足(DWIAvgF-DWIAvgB)＞CC2或(DWIAvgF-DWITh(z))＞CC3，则该核心区域和过渡区域保留，否则它们将被设置为背景，其中CC2与CC3为两常数。
10、根据权利要求9所述的方法，其特征在于，CC1取值范围可为1.1至1.5，CC2的取值范围为10至20，CC3的取值范围为4至8。
11、根据权利要求9所述的方法，其特征在于，该步骤S5之后、步骤S6之前还包括：
恢复步骤，查找该第一图像中每一前景体素的临近体素，并将该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。
12、根据权利要求11所述的方法，其特征在于，该恢复步骤和步骤S6之间还包括：
第二伪影去除步骤，查找该第一图像中的前景连通区域，将该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。
13、根据权利要求8所述的方法，其特征在于，该步骤S6包括以下步骤：
在该第一图像中，表观弥散系数小于该核心区域表观弥散系数阈值的体素集合为核心区域，表观弥散系数介于该核心区域表观弥散系数阈值和该过渡区域表观弥散系数阈值之间的体素集合为过渡区域；在该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。
14、根据权利要求13所述的方法，其特征在于，该步骤S6包括：
步骤S61、计算过渡区域的表观弥散系数梯度，该步骤S61包括以下步骤：
步骤S611、查找前景体素数目最多的连通区域；
步骤S612、查找该连通区域中的各个内点；
步骤S613、计算表观弥散系数值位于该核心区域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内点的平均表观弥散系数梯度；
步骤S614、计算表观弥散系数值位于该核心区域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的平均表观弥散系数值；
步骤S615、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S613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为正数系数，avgADC指步骤S614计算的平均表观弥散系数值；
步骤S62、计算过渡区域的径向距离，该步骤S62包括以下步骤：
步骤S621、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阀值的第一体素个数，以及表观弥散系数值介于核心区域表观弥散系数阀值和过渡区域表观弥散系数阀值之间的第二体素个数；
步骤S622、计算该连通区域内的核心区域的半径，该半径为该第一体素个数除以圆周率的商的平方根，以及计算该连通区域内的核心区域及过渡区域的半径，该半径为该第一体素个数与该第二体素个数之和除以圆周率的商的平方根；
步骤S623、计算过渡区域的径向距离，为该核心区域及过渡区域的半径与该核心区域的半径之差。
15、根据权利要求14所述的方法，其特征在于，该步骤S6还包括：
步骤S63，计算过渡区域沿着径向的表观弥散系数变化总量，该表观弥散系数变化总量计算公式以下：
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。
16、根据权利要求13所述的方法，其特征在于，该步骤S6还包括：
步骤S64，计算核心区域表观弥散系数变异系数，该步骤S64包括以下步骤：
S641、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，标准差为各个数据与均值差的平方和的平方根；
S642、将该标准差除以平均表观弥散系数值的商即为核心区域的表观弥散系数变异系数。
17、根据权利要求13所述的方法，其特征在于，该步骤S6还包括：
步骤S65，计算紧邻过渡区域的核心区域边缘部分的参数，对所有的核心区域的体素，计算表观弥散系数均值与标准差并分别记为AvgADCcore和SdADCcore；对核心区域实施3x3的数学形态学腐蚀，剩余的核心区域的表观弥散系数均值与标准差分别记为AvgADCcoreE和SdADCcoreE；
紧邻过渡区域的核心区域边缘部分的表观弥散系数均值相对变化为δAvgADC＝(AvgADCcore-AvgADCcoreE)/AvgADCcore，
紧邻过渡区域的核心区域边缘部分的表观弥散系数标准差相对变化为δSdADC＝(SdADCcore-SdADCcoreE)/SdADCcore，
紧邻过渡区域的核心区域边缘部分的表观弥散系数变异系数变化为δCvADC＝δSdADC/δAvgADC。
18、根据权利要求13至17中任一项所述的方法，其特征在于，若该步骤S6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。
19、一种获取脑部特征参数的系统，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磁共振弥散加权成像，包括弥散加权图像、T2加权图像及表观弥散系数图；
脑组织提取模块，用于根据该输入装置获得的T2加权图像，计算提取被测者的脑组织，去掉非脑组织，输出脑组织图像；
图像处理模块，用于依据计算获得到的过渡区域表观弥散系数阈值对表观弥散系数图中对应于脑组织图像的体素进行表观弥散系数低信号约束的二值化，获得二值化图像，依据二值化图像及计算获得的核心区域表观弥散系数阀值估计核心区域及过渡区域，根据计算获得的核心区域的弥散加权图像高信号阀值对估计的核心区域进行高信号约束处理，获得核心区域和过渡区域；以及
特征参数计算单元，计算核心区域及过渡区域的特征参数。
20、根据权利要求19所述的系统，其特征在于，该输入装置进一步包括用于将T2加权图像、弥散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，该数据处理单元的输出端连接该图像处理模块和脑组织提取模块。
21、根据权利要求19所述的系统，其特征在于，该图像处理模块包括：
正常表观弥散系数值获取模块，分别与该脑组织提取模块和该输入装置相连，用于在该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；
表观弥散系数低信号阈值计算模块，用于计算该正常脑组织的表观弥散系数值与阀值系数的积，分别获得该核心区域表观弥散系数阀值及过渡区域表观弥散系数阈值；
弥散加权图像高信号阀值计算模块，执行以下计算：选取所有脑组织体素中弥散加权图像灰度不小于一常数的所有体素，这些体素在弥散加权图像上的灰度均值与标准差分别计为AvgDWI(z)与SdDWI(z)；弥散加权图像高信号阈值为DWITh(z)＝AvgDWI(z)+CC1*SdDWI(z)，其中CC1为常数，*表示乘法；及
低信号约束二值化模块，与输入装置、脑组织提取模块和表观弥散系数低信号阈值计算模块连接，用于根据该过渡区域表观弥散系数阈值对表观弥散系数图进行低信号约束二值化处理，获得该二值化图像；
估计单元，与低信号约束二值化模块和表观弥散系数低信号阈值计算模块连接，用于根据该二值化图像估计核心区域及过渡区域；
高信号约束处理单元，与估计单元和弥散加权图像高信号阀值计算模块连接，用于依据计算获得的核心区域的弥散加权图像高信号阀值对核心区域进行高信号约束处理；
判定单元，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过渡区域；及
特征参数计算单元，与判定单元连接，用于在该计算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。
22、根据权利要求21所述的系统，其特征在于，该高信号约束处理单元执行如下操作：
核心区域的弥散加权图像灰度均值计为DWIAvgF；
与核心区域相邻但不属于核心区域的所有体素的弥散加权图像灰度均值计为DWIAvgB；
弥散加权图像高信号阈值计为DWITh(z)；
若核心区域满足(DWIAvgF-DWIAvgB)＞CC2或(DWIAvgF-DWITh(z))＞CC3，则核心区域和过渡区域保留，否则它们将被设置为背景，其中CC2与CC3为两常数。
23、根据权利要求21所述的系统，其特征在于，该估计单元包括：
第一单元，用于根据二值化图像，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，并且在该前景连通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。
24、根据权利要求21所述的系统，其特征在于，该图像处理模块还包括：恢复单元，串联在该高信号约束处理单元与判定单元之间，用于查找每一前景体素的临近体素，并将该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。
25、根据权利要求24所述的系统，其特征在于，该图像处理模块还包括：第二伪影去除单元，串联在该恢复单元与判定单元之间，用于查找前景连通区域，将该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。
26、一种溶栓指征生成系统，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磁共振弥散加权成像，包括弥散加权图像、T2加权图像及表观弥散系数图；
脑组织提取模块，用于根据该输入装置获得的T2加权图像，计算提取被测者的脑组织，去掉非脑组织，输出脑组织图像；
图像处理模块，用于根据计算获得的过渡区域表观弥散系数阈值对表观弥散系数图中对应于脑组织图像的体素进行表观弥散系数低信号约束的二值化，获得二值化图像，依据二值化图像及计算获得的核心区域表观弥散系数阀值估计核心区域及过渡区域，根据计算获得的核心区域的弥散加权图像高信号阀值对估计的核心区域进行高信号约束处理，获得核心区域和过渡区域；
特征参数计算单元，计算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
判断单元，用于将该特征参数计算单元输出的特征参数与该预设阈值进行比较，输出判断结果。
27、根据权利要求26所述的系统，其特征在于，该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、过渡区域沿着径向的表观弥散系数的变化总量、核心区域的体积、核心区域和过渡区域的体积比率、紧邻过渡区域的核心区域边缘部分的表观弥散系数均值相对变化、表观弥散系数标准差相对变化、表观弥散系数变异系数变化等参数的限值。
28、一种溶栓指征生成方法，包括以下步骤：
步骤S1、选用依据磁共振获得的被测者的磁共振弥散加权成像，包括弥散加权图像、T2加权图像和表观弥散系数图；
步骤S2、依据该T2加权图像，计算区分脑组织和非脑组织，获得去掉非脑组织的脑组织图像；
步骤S3、依据计算获得的过渡区域表观弥散系数阈值，对表观弥散系数图中对应于脑组织图像的体素进行表观弥散系数低信号约束的二值化，获得二值化图像；
步骤S4、依据二值化图像及计算获得的核心区域表观弥散系数阈值，估计核心区域及过渡区域；
步骤S5、依据计算获得的核心区域的弥散加权图像高信号阀值对估计的核心区域进行高信号约束处理，获得核心区域和过渡区域；
步骤S6、计算核心区域及过渡区域的特征参数；
步骤S7、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。
29、根据权利要求28所述的方法，其特征在于，该步骤s7中，该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、过渡区域的表观弥散系数变化总量、核心区域的表观弥散系数均值、核心区域的表观弥散系数变异系数、核心区域体积、核心区域和过渡区域的体积比率以及紧邻过渡区域的核心区域边缘部分的表观弥散系数均值变化、表观弥散系数标准差变化、表观弥散系数变异系数变化中的一个或几个参数进行训练获得。
CN2009101079363A 2009-06-12 2009-06-12 获取脑部特征参数的方法、系统及溶栓指征生成系统 Active CN101596109B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN2009101079363A CN101596109B (zh) 2009-06-12 2009-06-12 获取脑部特征参数的方法、系统及溶栓指征生成系统
PCT/CN2009/072305 WO2010142085A1 (zh) 2009-06-12 2009-06-16 获取脑部特征参数的方法、系统及溶栓指征生成系统、方法
US13/376,943 US8718345B2 (en) 2009-06-12 2009-06-16 Method and system for obtaining brain characteristic parameters, thrombolysis decision guideline system and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2009101079363A CN101596109B (zh) 2009-06-12 2009-06-12 获取脑部特征参数的方法、系统及溶栓指征生成系统

Publications (2)

Publication Number Publication Date
CN101596109A true CN101596109A (zh) 2009-12-09
CN101596109B CN101596109B (zh) 2012-01-25

Family

ID=41417839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009101079363A Active CN101596109B (zh) 2009-06-12 2009-06-12 获取脑部特征参数的方法、系统及溶栓指征生成系统

Country Status (3)

Country Link
US (1) US8718345B2 (zh)
CN (1) CN101596109B (zh)
WO (1) WO2010142085A1 (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102054281A (zh) * 2010-12-29 2011-05-11 中国科学院深圳先进技术研究院 弥散加权成像方法及系统
CN102727206A (zh) * 2011-12-08 2012-10-17 中国科学院深圳先进技术研究院 颅脑、颈动脉和主动脉三位一体的扫描方法及扫描系统
WO2013091186A1 (zh) * 2011-12-21 2013-06-27 中国科学院自动化研究所 多参数三维磁共振图像脑肿瘤分割方法
CN103339653A (zh) * 2010-12-17 2013-10-02 奥胡斯大学 勾画组织损伤的方法
CN103345753A (zh) * 2013-07-10 2013-10-09 深圳先进技术研究院 脑部图像处理方法和系统
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
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
CN105662412A (zh) * 2015-12-29 2016-06-15 沈阳东软医疗系统有限公司 一种磁共振系统的一阶匀场方法、装置及设备
CN105787918A (zh) * 2014-12-22 2016-07-20 深圳先进技术研究院 一种急性缺血性卒中磁共振图像分析处理方法
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
CN107301645A (zh) * 2017-06-20 2017-10-27 上海联影医疗科技有限公司 一种数据处理方法和装置
CN107610115A (zh) * 2017-09-18 2018-01-19 彭建伟 一种直观显示缺血半暗带的图像处理方法
CN109410216A (zh) * 2018-09-14 2019-03-01 北京市商汤科技开发有限公司 一种缺血性脑卒中图像区域分割方法及装置
CN109885658A (zh) * 2019-02-19 2019-06-14 安徽省泰岳祥升软件有限公司 指标数据提取方法、装置和计算机设备
CN110533668A (zh) * 2019-07-30 2019-12-03 北京理工大学 基于统计约束损失函数的脑梗塞病灶自动分割方法
CN113538352A (zh) * 2021-06-30 2021-10-22 沈阳先进医疗设备技术孵化中心有限公司 脑卒中组织窗评价值的获取方法及装置、存储介质
CN113808191A (zh) * 2021-08-09 2021-12-17 邵志宇 急性缺血性脑卒中病灶区的自动量化及三维建模方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
TWI483711B (zh) * 2012-07-10 2015-05-11 Univ Nat Taiwan Tumor detection system and method of breast ultrasound image
CN104103083A (zh) * 2013-04-03 2014-10-15 株式会社东芝 图像处理装置和方法以及医学成像设备
US10127672B2 (en) * 2015-10-12 2018-11-13 International Business Machines Corporation Separation of foreground and background in medical images
CN111640127B (zh) * 2020-05-29 2023-08-22 成都金盘电子科大多媒体技术有限公司 一种用于骨科的精准临床诊断导航方法
CN114236444B (zh) * 2021-12-03 2023-06-30 中国科学院精密测量科学与技术创新研究院 超极化气体肺部变采样率快速磁共振扩散加权成像方法
CN116051745A (zh) * 2023-01-10 2023-05-02 北京柏惠维康科技股份有限公司 脑血管模型构建方法、装置、存储介质及电子设备

Family Cites Families (7)

* 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
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
EP1952340B1 (en) * 2005-11-21 2012-10-24 Agency for Science, Technology and Research Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis
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
EP2074584B1 (en) * 2006-10-03 2013-01-09 Agency for Science, Technology And Research Segmenting infarct in diffusion-weighted imaging volume
CN101238987A (zh) * 2007-09-06 2008-08-13 深圳先进技术研究院 一种关于ct脑出血图像的处理方法
CN101332088B (zh) * 2008-07-21 2011-05-11 深圳先进技术研究院 一种获取脑部特征参数的系统及溶栓决策系统

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103339653B (zh) * 2010-12-17 2016-11-23 奥胡斯大学 勾画组织损伤的方法
CN103339653A (zh) * 2010-12-17 2013-10-02 奥胡斯大学 勾画组织损伤的方法
CN102054281B (zh) * 2010-12-29 2012-12-26 中国科学院深圳先进技术研究院 弥散加权成像方法及系统
CN102054281A (zh) * 2010-12-29 2011-05-11 中国科学院深圳先进技术研究院 弥散加权成像方法及系统
CN102727206A (zh) * 2011-12-08 2012-10-17 中国科学院深圳先进技术研究院 颅脑、颈动脉和主动脉三位一体的扫描方法及扫描系统
CN102727206B (zh) * 2011-12-08 2014-01-08 中国科学院深圳先进技术研究院 颅脑、颈动脉和主动脉三位一体的扫描方法及扫描系统
WO2013091186A1 (zh) * 2011-12-21 2013-06-27 中国科学院自动化研究所 多参数三维磁共振图像脑肿瘤分割方法
US8908948B2 (en) 2011-12-21 2014-12-09 Institute Of Automation, Chinese Academy Of Sciences Method for brain tumor segmentation in multi-parametric image based on statistical information and multi-scale structure information
CN103345753A (zh) * 2013-07-10 2013-10-09 深圳先进技术研究院 脑部图像处理方法和系统
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
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
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
CN105787918A (zh) * 2014-12-22 2016-07-20 深圳先进技术研究院 一种急性缺血性卒中磁共振图像分析处理方法
CN105662412B (zh) * 2015-12-29 2019-09-10 东软医疗系统股份有限公司 一种磁共振系统的一阶匀场方法、装置及设备
CN105662412A (zh) * 2015-12-29 2016-06-15 沈阳东软医疗系统有限公司 一种磁共振系统的一阶匀场方法、装置及设备
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
CN107301645A (zh) * 2017-06-20 2017-10-27 上海联影医疗科技有限公司 一种数据处理方法和装置
CN107610115A (zh) * 2017-09-18 2018-01-19 彭建伟 一种直观显示缺血半暗带的图像处理方法
CN109410216A (zh) * 2018-09-14 2019-03-01 北京市商汤科技开发有限公司 一种缺血性脑卒中图像区域分割方法及装置
CN109410216B (zh) * 2018-09-14 2020-12-29 北京市商汤科技开发有限公司 一种缺血性脑卒中图像区域分割方法及装置
CN109885658A (zh) * 2019-02-19 2019-06-14 安徽省泰岳祥升软件有限公司 指标数据提取方法、装置和计算机设备
CN109885658B (zh) * 2019-02-19 2021-10-26 安徽省泰岳祥升软件有限公司 指标数据提取方法、装置和计算机设备
CN110533668A (zh) * 2019-07-30 2019-12-03 北京理工大学 基于统计约束损失函数的脑梗塞病灶自动分割方法
CN110533668B (zh) * 2019-07-30 2021-09-21 北京理工大学 基于统计约束损失函数的脑梗塞病灶自动分割方法
CN113538352A (zh) * 2021-06-30 2021-10-22 沈阳先进医疗设备技术孵化中心有限公司 脑卒中组织窗评价值的获取方法及装置、存储介质
CN113538352B (zh) * 2021-06-30 2024-08-09 东软医疗系统股份有限公司 脑卒中组织窗评价值的获取方法及装置、存储介质
CN113808191A (zh) * 2021-08-09 2021-12-17 邵志宇 急性缺血性脑卒中病灶区的自动量化及三维建模方法
CN113808191B (zh) * 2021-08-09 2024-06-11 邵志宇 急性缺血性脑卒中病灶区的自动量化及三维建模方法

Also Published As

Publication number Publication date
US8718345B2 (en) 2014-05-06
WO2010142085A1 (zh) 2010-12-16
CN101596109B (zh) 2012-01-25
US20120076387A1 (en) 2012-03-29

Similar Documents

Publication Publication Date Title
CN101596109B (zh) 获取脑部特征参数的方法、系统及溶栓指征生成系统
CN101332088B (zh) 一种获取脑部特征参数的系统及溶栓决策系统
Leandrou et al. Quantitative MRI brain studies in mild cognitive impairment and Alzheimer's disease: a methodological review
Chaddad et al. Deep radiomic analysis of MRI related to Alzheimer’s disease
Fletcher-Heath et al. Automatic segmentation of non-enhancing brain tumors in magnetic resonance images
Bartos et al. Brain volumes and their ratios in Alzheimer s disease on magnetic resonance imaging segmented using Freesurfer 6.0
US10638995B2 (en) Imaging-based biomarker for characterizing the structure or function of human or animal brain tissue and related uses and methods
Clas et al. A semi-automatic algorithm for determining the demyelination load in metachromatic leukodystrophy
TWI542328B (zh) 偵測與量化腦梗塞區域的方法
Wu et al. Investigation into local white matter abnormality in emotional processing and sensorimotor areas using an automatically annotated fiber clustering in major depressive disorder
Kochunov et al. A library of cortical morphology analysis tools to study development, aging and genetics of cerebral cortex
Zanaty Determination of gray matter (GM) and white matter (WM) volume in brain magnetic resonance images (MRI)
Prasad et al. Automatic clustering and population analysis of white matter tracts using maximum density paths
Katsaloulis et al. Fractality in the neuron axonal topography of the human brain based on 3-D diffusion MRI
Mega et al. Automated brain tissue assessment in the elderly and demented population: construction and validation of a sub-volume probabilistic brain atlas
Nowinski Human brain atlases in stroke management
Rios Piedra et al. Brain tumor segmentation by variability characterization of tumor boundaries
Pham et al. The hidden-Markov brain: comparison and inference of white matter hyperintensities on magnetic resonance imaging (MRI)
Feng et al. Research and Application Progress of Radiomics in Neurodegenerative Diseases
Bal et al. Arterial input function segmentation based on a contour geodesic model for tissue at risk identification in ischemic stroke
Beejesh et al. Brain MR kurtosis imaging study: contrasting gray and white matter
CN112052882B (zh) 磁共振脑结构影像的分类模型构建、分类与可视化方法
Klein et al. Grid-based spectral fiber clustering
Roy et al. Tumor delineation from 3-d mr brain images
Sivagowri et al. Automatic lesion segmentation of multiple sclerosis in MRI images using supervised classifier

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