CN109242863A - 一种缺血性脑卒中图像区域分割方法及装置 - Google Patents

一种缺血性脑卒中图像区域分割方法及装置 Download PDF

Info

Publication number
CN109242863A
CN109242863A CN201811073025.9A CN201811073025A CN109242863A CN 109242863 A CN109242863 A CN 109242863A CN 201811073025 A CN201811073025 A CN 201811073025A CN 109242863 A CN109242863 A CN 109242863A
Authority
CN
China
Prior art keywords
encephalic
timing diagram
image
computerized tomography
perfusion imaging
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
CN201811073025.9A
Other languages
English (en)
Other versions
CN109242863B (zh
Inventor
刘蓬博
宋涛
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201811073025.9A priority Critical patent/CN109242863B/zh
Publication of CN109242863A publication Critical patent/CN109242863A/zh
Application granted granted Critical
Publication of CN109242863B publication Critical patent/CN109242863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请公开了一种缺血性脑卒中图像区域分割方法及装置。该方法包括：预处理第一颅内计算机断层灌注成像CTP时序图，得到预处理后颅内的CTP时序图；将所述预处理后的颅内CTP时序图输入第一网络进行处理，得到所述预处理后的颅内CTP时序图对应的第一核磁共振MRI图像；将所述第一MRI图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。还公开了相应的装置。通过对CTP时序图进行一系列卷积操作，自动高效的将CTP时序图分成脑梗塞区域、半暗带区域和背景区域。整个过程无需人工参与，可有效的避免人工参与带来的误差，节省人力成本，并可高效、快速的完成CTP时序图的区分。

Description

一种缺血性脑卒中图像区域分割方法及装置
技术领域
本申请涉及图像处理技术领域，尤其涉及一种缺血性脑卒中图像区域分割方法及装置。
背景技术
脑卒中，又称“中风”，是一种急性脑血管疾病，有极高的致命风险。包括缺血性和出血性卒中。缺血性卒中的发病率高于出血性卒中，占脑卒中总数的60％-70％。缺血性脑卒中发病后，在脑梗塞出现后梗塞灶周围会形成一个缺血半暗带，半暗带内脑细胞还存在大量休眠状态和半休眠状态脑细胞，由于缺少能量供应无法行使原有功能，因此如何挽救半暗带成为临床治疗关键。CTP(Computed Tomography Perfusion)由于一些优良的特性(如：成像速度快，易获得等)开始作为缺血性脑卒中的一种早期诊断手段，可以在早期确认半暗带和梗死核心的位置，来为病人制定相应的溶栓治疗策略，减少脑卒中致死的风险。
目前，脑卒中半暗带和梗死核心的诊断还处于对获得的CTP时序数据进行手动AIF(Arterial Input Function)标注，参照AIF对CTP时序数据进行解卷积操作，再在解卷积的数据上人工获得定量的各种参数图像数据，然后根据人为经验设定时间延时和像素值的阈值来确定半暗带和梗死核心的位置。整个流程较为分散，并有过多的人为因素的干扰，最终的分割结果较易受到影响。
发明内容
本申请提供了一种缺血性脑卒中图像区域分割方法及装置，以实现对缺血性脑卒中图像的区域分割。
第一方面，提供了一种缺血性脑卒中图像区域分割方法，包括：预处理第一颅内计算机断层灌注成像(CTP)时序图，得到预处理后颅内的计算机断层灌注成像时序图；将所述预处理后的颅内计算机断层灌注成像时序图输入第一网络进行处理，得到所述预处理后的颅内计算机断层灌注成像时序图对应的第一核磁共振(MRI)图像；将所述第一核磁共振图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
在一种可能的实现方式中，所述预处理第一颅内计算机断层灌注成像(CTP)时序图，得到预处理后颅内的计算机断层灌注成像时序图之前，还包括：获取颅内图像掩膜；将所述颅内图像掩膜与脑部电子计算机断层扫描图像相匹配，得到第二颅内计算机断层灌注成像时序图；对所述第二颅内计算机断层灌注成像时序图内的像素值进行归一化处理，得到所述第一颅内计算机断层灌注成像时序图。
在另一种可能的实现方式中，所述预处理第一颅内计算机断层灌注成像(CTP)时序图，得到预处理后颅内的计算机断层灌注成像时序图，包括：对所述第一颅内计算机断层灌注成像时序图进行卷积操作，确定所述第一颅内计算机断层灌注成像时序图中的动脉输入函数(AIF)；根据所述动脉输入函数和所述第一颅内计算机断层灌注成像时序图，确定起始时间，其中，所述起始时间为所述动脉输入函数在所述第一颅内计算机断层灌注成像时序图中出现的时间；去除所述起始时间之前的数据，得到第三颅内计算机断层灌注成像时序图；对所述第三颅内计算机断层灌注成像时序图进行解卷积操作，得到所述预处理后的颅内计算机断层灌注成像时序图。
在又一种可能的实现方式中，所述将所述预处理后的颅内计算机断层灌注成像时序图输入第一神经网络进行处理，得到所述预处理后的颅内计算机断层灌注成像时序图对应的第一核磁共振(MRI)图像，包括：获取所述预处理后的颅内计算机断层灌注成像时序图的一张或多张横断面图像；对所述一张或多张横断面图像进行卷积操作，得到一张或多张第一颅内特征图像；对所述一张或多张第一颅内特征图像进行卷积操作，得到所述第一核磁共振图像。
在又一种可能的实现方式中，所述对所述一张或多张第一颅内特征图像进行卷积操作，得到所述第一核磁共振图像，包括：从空间维度上和时间维度上对所述一张或多张第一颅内特征图像进行卷积操作，得到一张或多张第二颅内特征图像；对所述第二颅内特征图像进行卷积操作，得到所述第一核磁共振图像。
在又一种可能的实现方式中，所述将所述第一核磁共振图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像，包括：对所述第一核磁共振图像进行逐级下采样处理，得到第三颅内特征图像；对所述第三颅内特征图像进行逐级上采样处理，得到第四颅内特征图像；根据所述第四颅内特征图像中的特征对所述第四颅内特征图像的像素区域进行预测，得到概率图，其中，所述概率图中的每个像素为脑梗塞区域、半暗带区域和背景区域的概率值；从所述概率值中选取最大值，并将所述像素区域划分为所述最大值对应的区域，得到所述缺血性脑卒中的区域分割图像。
第二方面，提供了一种缺血性脑卒中图像区域分割装置，包括：第一处理单元，用于预处理第一颅内计算机断层灌注成像(CTP)时序图，得到预处理后颅内的计算机断层灌注成像时序图；第二处理单元，用于将所述预处理后的颅内计算机断层灌注成像时序图输入第一网络进行处理，得到所述预处理后的颅内计算机断层灌注成像时序图对应的第一核磁共振(MRI)图像；第三处理单元，用于将所述第一核磁共振图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
在一种可能的实现方式中，所述第一处理单元，包括：第一获取子单元，用于获取颅内图像掩膜；匹配子单元，用于将所述颅内图像掩膜与脑部电子计算机断层扫描图像相匹配，得到第二颅内计算机断层灌注成像时序图；第一处理子单元，用于对所述第二颅内计算机断层灌注成像时序图内的像素值进行归一化处理，得到所述第一颅内计算机断层灌注成像时序图。
在另一种可能的实现方式中，所述第一处理单元，包括：第一确定子单元，用于对所述第一颅内计算机断层灌注成像时序图进行卷积操作，确定所述第一颅内计算机断层灌注成像时序图中的动脉输入函数(AIF)；第二确定子单元，用于根据所述动脉输入函数和所述第一颅内计算机断层灌注成像时序图，确定起始时间，其中，所述起始时间为所述动脉输入函数在所述第一颅内计算机断层灌注成像时序图中出现的时间；去除子单元，用于去除所述起始时间之前的数据，得到第三颅内计算机断层灌注成像时序图；第二处理子单元，用于对所述第三颅内计算机断层灌注成像时序图进行解卷积操作，得到所述预处理后的颅内计算机断层灌注成像时序图。
在又一种可能的实现方式中，所述第二处理单元，包括：第二获取子单元，用于获取所述预处理后的颅内计算机断层灌注成像时序图的一张或多张横断面图像；第三处理子单元，用于对所述一张或多张横断面图像进行卷积操作，得到一张或多张第一颅内特征图像；第四处理子单元，用于对所述一张或多张第一颅内特征图像进行卷积操作，得到所述第一核磁共振图像。
在又一种可能的实现方式中，所述第四处理子单元还用于：从空间维度上和时间维度上对所述一张或多张第一颅内特征图像进行卷积操作得到一张或多张第二颅内特征图像；以及对所述第二颅内特征图像进行卷积操作，得到所述第一核磁共振图像。
在又一种可能的实现方式中，所述第三处理单元，包括：第五处理子单元，对所述第一核磁共振图像进行逐级下采样处理，得到第三颅内特征图像；第六处理子单元，用于对所述第三颅内特征图像进行逐级上采样处理，得到第四颅内特征图像；预测子单元，用于根据所述第四颅内特征图像中的特征对所述第四颅内特征图像的像素区域进行预测，得到概率图，其中，所述概率图中的每个像素为脑梗塞区域、半暗带区域和背景区域的概率值；选取子单元，用于从所述概率值中选取最大值，并将所述像素区域划分为所述最大值对应的区域，得到所述缺血性脑卒中的区域分割图像。
第三方面，提供了一种缺血性脑卒中图像区域分割装置，包括：包括处理器、存储器；所述处理器被配置为支持所述装置执行上述第一方面及其任一种可能的实现方式的方法中相应的功能。存储器用于与处理器耦合，其保存所述装置必要的程序(指令)和数据。可选的，所述装置还可以包括输入/输出接口，用于支持所述装置与其他装置之间的通信。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面及其任一种可能的实现方式的方法。
第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面及其任一种可能的实现方式的方法。
本申请通过神经网络自动找出CTP时序图中的AIF，并根据AIF的位置将CTP时序图中的无效数据去除。再对去除了无效数据后的CTP时序图进行解卷积操作，得到预处理后的CTP时序图，并对预处理后的CTP时序图进行卷积操作，生成核磁共振图像，并对核磁共振图像进行卷积操作，自动高效的将CTP时序图分成脑梗塞区域、半暗带区域和背景区域。整个过程无需人工参与，可有效的避免人工参与带来的误差，节省人力成本，并可高效、快速的完成CTP时序图的区分。而去除无效数据和基于MRI图像进行区域分割更是能大大提高最后的分割准确率。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1为本申请实施例提供的一种缺血性脑卒中图像区域分割方法的流程示意图；
图2为本申请实施例提供的另一种缺血性脑卒中图像区域分割方法的流程示意图；
图3为本申请实施例提供的一种缺血性脑卒中图像区域分割装置的结构示意图；
图4为本申请实施例提供的一种缺血性脑卒中图像区域分割装置的硬件结构示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参阅图1，图1是本申请实施例提供的一种缺血性脑卒中图像区域分割方法的流程示意图。
S101、预处理第一颅内计算机断层灌注成像(CTP)时序图，得到预处理后颅内的计算机断层灌注成像时序图。
根据CT扫描得到的脑部电子计算机断层扫描图像，可获得CTP时序图，而后续对脑梗塞区域及半暗带区域进行区分都是基于CTP时序图完成的，但CTP时序图中包含有大量的无效数据，这些无效数据的存在会降低最终的分割精度，并直接影响医生对病人的诊断。因此，在对CTP时序图进行后续操作之前，需要对其进行预处理，将无效数据去除，为后续区域分割做准备。
S102、将预处理后的颅内计算机断层灌注成像时序图输入第一网络进行处理，得到预处理后的颅内计算机断层灌注成像时序图对应的第一核磁共振(MRI)图像。
大量实验和临床数据表明，基于MRI(Magnetic Resonance Imaging)图像对脑梗塞区域和半暗带区域进行区分的精度要明显高于基于CTP时序图进行区分的精度。因此，本申请在进行区域分割之前，将预处理后的CTP时序图输入到第一网络进行第一卷积操作，生成预处理后的颅内CTP时序图对应的第一核磁共振MRI图像，即通过预处理后的CTP时序图重建MRI图像，其中，第一网络为生成MRI图像的神经网络。
生成MRI图像的过程可由第一网络自动完成，且生成的MRI图像的正确率高，有利于后续的区域分割。
S103、将第一核磁共振图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
通过第二网络对第一核磁共振图像进行第二卷积操作，，提取出脑梗塞核心区域特征和半暗带特征。再根据所得到特征图像，进行概率预测，实现缺血性脑卒中区域的分割，即根据任意一个像素区域的特征给出该区域是脑梗塞核心区域、半暗带区域和背景区域的概率。从这三个概率值中选取最大的一个，作为该像素区域的归属。最终即可得到缺血性脑卒中的区域分割图像，该图像中包含：脑梗塞核心区域、半暗带区域和背景区域。其中，第二网络为用于进行图像分割的神经网络。
本申请通过神经网络自动找出CTP时序图中的AIF，并根据AIF的位置将CTP时序图中的无效数据去除。再对去除了无效数据后的CTP时序图进行解卷积操作，得到预处理后的CTP时序图，并对预处理后的CTP时序图进行卷积操作，生成核磁共振图像，并对核磁共振图像进行卷积操作，自动高效的将CTP时序图分成脑梗塞区域、半暗带区域和背景区域。整个过程无需人工参与，可有效的避免人工参与带来的误差，节省人力成本，并可高效、快速的完成CTP时序图的区分。而去除无效数据和基于MRI图像进行区域分割更是能大大提高最后的分割准确率。
请参阅图2，图2是本申请实施例提供的另一种缺血性脑卒中图像区域分割方法的流程示意图。
S201、获取颅内图像掩膜。
将脑部电子计算机断层扫描图像、颅内区域框相结合，即可得到颅内图像掩膜。具体的，从脑部电子计算机断层扫描图像中找出颅内区域框重合的区域，再将该区域从脑部电子计算机断层扫描图像中划分出来，并用白色背景表示，该区域即为颅内图像掩膜。可选地，颅内图像掩膜外的所有区域均用黑色背景表示。
在得到颅内图像掩膜后，后续处理就可只针对颅内图像掩膜部分进行相关处理，而不需要对非颅内图像掩膜区域进行任何处理，这样，可大大减小后续处理的计算量，并提高运算速度。
S202、将颅内图像掩膜与脑部电子计算机断层扫描图像相匹配，得到第二颅内计算机断层灌注成像时序图。
S203、对第二颅内计算机断层灌注成像时序图内的像素值进行归一化处理，得到第一颅内计算机断层灌注成像时序图。
由于后续需要将第二颅内CTP时序图输入到神经网络中进行处理。一方面，因为神经网络提取特征的过程其实就是完成对数据的分布，并需要在后续的测试集上达到很好的泛化效果，显然，如果每次输入到神经网络的数据都具有不同的分布，将会给网络的特征提取带来很大的困难。另一方面，在提取特征时，神经网络的每一层网络的输入都会因为前一层网络参数的变化导致其分布发生改变，数据经过一层层网络计算后，其数据分布也会发生变化，这样会给下一层网络的提取带来困难。因此，在对第二颅内时序图进行后续处理之前，需先对其进行归一化处理，以使。归一化处理的具体操作步骤可参见下例：
假设输入数据是β＝x1→m共m个数据，输出是yi＝BN(x)，归一化处理将对数据进行如下操作：
先求出上述批量数据β＝x1→m的平均值，即
再根据平均值μβ求出上述批量数据的方差，即
再根据平均值μβ和方差对上述批量数据进行归一化处理，得到
S204、对第一颅内计算机断层灌注成像时序图进行卷积操作，确定第一颅内计算机断层灌注成像时序图中的动脉输入函数(AIF)。
由于在AIF出现之前的数据都和后续的操作无关，甚至还会对最终的分割结果造成不好的影响，如：可能会降低分割准确率。因此，在进行后续处理之前，需先找出第一颅内CTP时序图中AIF的位置。
具体的，颅内CTP时序图中的动脉输入函数也具有相同的特征，因此，可通过神经网络自动将颅内CTP时序图中的AIF找出。首先，将已知AIF中心坐标的颅内CTP时序图输入到神经网络，神经网络对其进行第三卷积操作，并提取出相应的特征，最终网络将确定颅内CTP时序图中AIF的位置。并以正确的AIF的中心坐标为监督信息来计算坐标回归的损失函数，来更新神经网络的参数。在得到最合适的网络参数后，即可将网络投入到实际使用中，对第一颅内CTP时序图进行第三卷积操作，确定第一颅内CTP时序图中的动脉输入函数AIF。
S205、去除起始时间之前的数据，得到第三颅内计算机断层灌注成像时序图。
如S204所述，颅内CTP时序图中在AIF出现之前的数据均可视为无效数据。因此，根据AIF和所述第一颅内CTP时序图，确定起始时间，其中，起始时间为AIF在第一颅内CTP时序图中出现的时间。再以起始时间为节点，去除第一颅内CTP时序图中起始时间之前的数据，得到第三颅内CTP时序图。
通过S204～S205的处理，对第一颅内CTP时序图进行第三卷积操作，去除第一颅内CTP时序图中的无效数据去除，可大大减小后续处理的计算量，提高计算效率和最终的分割准确率。需要指出的是，整个预处理过程无需人工参与，显然，这样操作可节省人力成本，并排除人工参与带来的干扰。
S206、对第三颅内计算机断层灌注成像时序图进行解卷积操作，得到预处理后的颅内计算机断层灌注成像时序图。
要想获得血流量和平均通过时间的定量结果，运算法必须要考虑到对比剂的实际注射速率，把每个像素位置的时程数据转化为相应的推动剩余函数，或称为脉冲式特征曲线函数，以此来反映静脉团注对比剂后随时间的推移对比剂在组织内的数量。解卷积法利用推动剩余函数计算对比剂静脉流出，对灌注的流入动脉和流出静脉综合考虑，计算血流量、血容量和平均通过时间时不需要对潜在的脉管系统进行假设，与实际的血流动力学相近，这样，预处理后的CTP时序图更能反映病变内部的实际情况。
对第三颅内CTP时序图进行解卷积操作，可计算出相关的CT灌注参数，得到预处理后的颅内CTP时序图。需要理解的是，解卷积操作是普通的数值运算，不需要通过神经网络来完成。
S207、获取预处理后的颅内计算机断层灌注成像时序图的一张或多张横断面图像。
CT扫描得到的CTP时序图是由x，y，z三个方向的数据和时间维度的数据组合而成的，即预处理后的颅内CTP时序图是3维的时序图。而在实际应用中扫描得到的数据量可能会比较少，这样不利于神经网络的后续处理，更会影响最终的分割结果。因此将解卷积得到的3维时序图按层分为一系列的2维时序图，即根据不同的z坐标，获取预处理后的颅内时序图的一张或多张横断面图像。这样处理可以一定程度缓解训练数据量过少的问题。
S208、对一张或多张横断面图像进行卷积操作，得到一张或多张第一颅内特征图像。
将一张或多张横断面图像经过两层卷积核为1*3*3的第四卷积处理，再通过BatchNorm层和Relu层进行数据处理，即可得到一张或多张第一颅内特征图像，由于这里时间维度的卷积核为1，因此，最终得到的是空间维度的特征图像，。
S209、对一张或多张第一颅内特征图像进行卷积操作，得到第一核磁共振图像。
将第一颅内特征图像输入到图像生成网络(即第一网络)。图像生成网络由多个模块串联组成，每个模块均采用Inception网络的结构。最后，图像生成网络将空间维度特征图像和时间维度特征图像相结合，得到一幅2维的MRI图像，即第一MRI图像，其中，2维指x和y两个维度，其中，第一网络为生成MRI图像的神经网络，且第一网络与S204中的神经网络是不同的网络。
从空间维度上和时间维度上对上述一张或多张第一颅内特征图像进行卷积操作，得到一张或多张第二颅内特征图像，其中，卷积操作包括第五卷积操作和第六卷积操作，且第五卷机操作和第六卷积操作同时进行，第五卷积操作为从空间维度上对第一颅内特征图像提取特征，第六卷积操作为从时间维度上对第一颅内特征图像提取特征，即使用1*3*3和3*1*1的卷积核同时从空间维度上和时间维度上对第一颅内特征图像进行特征提取，并得到第二颅内特征图像。再对所述第二颅内特征图像进行第七卷积操作，即可得到第一MRI图像。
需要指出的是，本申请通过对图像生成网络进行训练，使其具备生成图像的能力。具体的，在训练的过程中，以脑部电子计算机断层扫描图像对应的MRI图像作为图像生成网络的标准值进行监督，再通过计算得到的损失函数的值，对图像生成网络进行反向梯度传播以更新图像生成网络的参数，使网络具备生成MRI图像的能力。
这样，在实际使用中，即可自动生成与脑部电子计算机断层扫描图像对应的MRI图像。显然，生成MRI图像的整个过程无需人工参与，即可高效、准确的生成MRI图像。而基于MRI图像进行脑梗塞核心区域和半暗带区域的分割可大大提高最终的分割精度。
S210、对第一核磁共振图像进行逐级下采样处理，得到第三颅内特征图像。
将第一MRI图像输入到图像分割网络(即第二网络)。图像分割网络由U-Net组成，主要包括：下采样单元、上采样单元和softmax层。其中，下采样单元中的每一层下采样层都由卷积层、Batch Norm层和Relu激活层组成，第二网络为用于进行图像分割的神经网络，且第二网络与S204中的神经网络、S209中的第一网络均不相同。
卷积层通过对图像进行卷积操作从中提取相应的特征。下采样单元可对图像逐级进行卷积操作提取下采样中间特征，且不同的下采样层提取出的下采样中间特征也不一样，具体的，逐级下采样得到的下采样中间特征越来越小。另外，上一层的输出将作为下一层的输入，每个卷积层提取出的特征内容及语义信息也不一样。具体表现为，下采样单元一步步将图像特征抽象出来，且越到后面提取到的特征的层次越高，感受视野也越大。
如S203所述，在将数据输入到神经网络之前，需要通过Batch Norm层对数据进行归一化处理，即通过学习独立分布中的数据，使网络学习更深层次的图像纹理结构等信息。Batch Norm层的操作步骤和S203中归一化处理类似，但增加了最后的学习步骤，具体可参见下例：
假设输入数据是β＝x1→m共m个数据，输出是yi＝BN(x)，Batch Norm层将对数据进行如下操作：
先求出上述批量数据β＝x1→m的平均值，即
再根据平均值μβ求出上述批量数据的方差，即
再根据平均值μβ和方差对上述批量数据进行归一化处理，得到
最后引入缩放变量γ和平移变量β，并计算归一化后的值，即
经过Batch Norm层的处理后，再通过Relu激活层进行处理，可以增加数据的非线性，把当前特征空间通过一定的线性映射转换到另一个空间，让数据能够更好的被分类，同时能在很大程度的解决了神经网络在学习过程梯度耗散的问题。
同时，在对第一MRI图像进行下采样处理的同时，还将增加卷积核的数量，以增加特征数量，最终得到的特征数量将增加到512。
这样，对第一MRI图像进行4次下采样，并经过Batch Norm层和Relu层的处理后，可得到一个16倍下采样的特征图像，即第三颅内特征图像。
S211、对第三颅内特征图像进行逐级上采样处理，得到第四颅内特征图像。
上采样则是通过上采样层对特征进行逐步放大，与下采样单元一样，上采样单元中的不同上采样层放大得到的上采样中间特征的大小也不一样。具体的，逐级上采样得到的特征的尺寸越来越大，且提取到的特征信息的层次也越来越高，对第三颅内特征图像进行逐级上采样处理，最终可得到第四颅内特征图像。
另外，如S210所述，下采样层会逐级提取出不同层次的特征信息，且不同的下采样层提取出的特征的感受视野的大小也不一样。所以在上采样时会将下采样单元部分的特征层进行融合，并结合不同大小的感受视野，这样可得到更加丰富的特征信息，最后得到的分割精度也就更准确，即将上采样中间特征与相同大小的下采样中间特征相融合，得到中间特征。选取尺寸最大的中间特征，定义为第一上采样中间特征，再对第一上采样中间特征进行上采样处理，得到第四颅内特征图像。需要指出的是，进行融合的两个特征必须大小一致。同时，在对第三颅内特征图像进行上采样处理时，会逐级将卷积核的数量减少，使最终输出的特征数量回到32。
通过上述上采样操作，分割网络最终将输出缺血性脑卒中图像区域特征图像，具体的，该区域特征图中包含脑梗塞特征和半暗带特征。
S212、根据第四颅内特征图像中的特征对第四颅内特征图像的像素区域进行预测，得到概率图。
softmax层可通过内置的softmax函数将输入的不同特征映射成0至1之间的值，且映射后的所有值的和为1，映射后的值与输入的特征一一对应，这样，就相当于对每个输入特征完成了预测，并以数值的形式给出相应的概率。具体可参见下例：假如，对应10个输入动作有10个输出神经元，即在输入动作1，动作2，动作3...一直到动作10中的任意一中动作，softmax层会给出这个输入的动作分别是动作1，动作2，动作3，一直到动作10相应的概率，并预测其中概率值最大的动作为输入动作。图像分割网络通过softmax层对缺血性脑卒中图像区域特征图像中的区域分割进行预测。
具体的，softmax层会根据缺血性脑卒中图像区域特征图像中不同区域的特征，对该区域归属为人脑梗塞区域、半暗带区域及背景区域分别进行预测，最终每个区域都将得到三个对应的概率值。选取三个概率值中的最大值相对应的区域，作为该区域的归属。通过与脑部电子计算机断层扫描图像中相应的区域进行对比，，再通过计算得到的相应的损失函数的值，对分割网络进行反向梯度传播以更新分割网络的参数，使分割网络具备分割图像的能力，并具备理想的分割效果。
而在实际使用中，图像分割网络最终会输出一幅缺血性脑卒中图像区域概率图，每个像素区域包含三个概率值，分别是脑梗塞核心的概率、半暗带的概率和背景的概率。
S213、从概率值中选取最大值，并将像素区域划分为上述最大值对应的区域，得到缺血性脑卒中的区域分割图像。
分别选取每个像素区域中概率值作为该像素的分类，并结合脑部电子计算机断层扫描图像得到最终的缺血性脑卒中图像区域分割图，即将脑部电子计算机断层扫描图像划分为脑梗塞区域、半暗带区域和背景区域。其中，背景区域指去除脑梗塞区域和半暗带区域外的区域。
需要指出的是，本申请包含上述实施例所提到的所有网络。
本申请通过神经网络自动找出CTP时序图中的AIF，并根据AIF的位置将CTP时序图中的无效数据去除。再对去除了无效数据后的CTP时序图进行解卷积操作，得到预处理后的CTP时序图，并对预处理后的CTP时序图进行卷积操作，生成核磁共振图像，再对核磁共振图像进行卷积操作，即可自动高效的将CTP时序图分成脑梗塞区域、半暗带区域和背景区域。整个过程无需人工参与，可有效的避免人工参与带来的误差，节省人力成本，并可高效、快速的完成CTP时序图的区分。而去除无效数据和基于MRI图像进行区域分割更是能大大提高最后的分割准确率。
上述详细阐述了本申请实施例的方法，下面提供了本申请实施例的装置。
请参阅图3，图3为本申请实施例提供的一种缺血性脑卒中图像区域分割装置的结构示意图，该装置1000包括：第一处理单元11、第二处理单元12和第三处理单元13。其中：
第一处理单元11，用于预处理第一颅内计算机断层灌注成像(CTP)时序图，得到预处理后颅内的计算机断层灌注成像时序图；
第二处理单元12，用于将所述预处理后的颅内计算机断层灌注成像时序图输入第一网络进行处理，得到所述预处理后的颅内计算机断层灌注成像时序图对应的第一核磁共振(MRI)图像；
第三处理单元13，用于将所述第一核磁共振图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
进一步地，所述第一处理单元11，包括：第一获取子单元111，用于获取颅内图像掩膜；匹配子单元112，用于将所述颅内图像掩膜与脑部电子计算机断层扫描图像相匹配，得到第二颅内计算机断层灌注成像时序图；第一处理子单元113，用于对所述第二颅内计算机断层灌注成像时序图内的像素值进行归一化处理，得到所述第一颅内计算机断层灌注成像时序图。
进一步地，所述第一处理单元11，包括：第一确定子单元114，用于对所述第一颅内计算机断层灌注成像时序图进行卷积操作，确定所述第一颅内计算机断层灌注成像时序图中的动脉输入函数(AIF)；第二确定子单元115，用于根据所述动脉输入函数和所述第一颅内计算机断层灌注成像时序图，确定起始时间，其中，所述起始时间为所述动脉输入函数在所述第一颅内计算机断层灌注成像时序图中出现的时间；去除子单元116，用于去除所述起始时间之前的数据，得到第三颅内计算机断层灌注成像时序图；第二处理子单元117，用于对所述第三颅内计算机断层灌注成像时序图进行解卷积操作，得到所述预处理后的颅内计算机断层灌注成像时序图。
进一步地，所述第二处理单元12，包括：第二获取子单元121，用于获取所述预处理后的颅内计算机断层灌注成像时序图的一张或多张横断面图像；第三处理子单元122，用于对所述一张或多张横断面图像进行卷积操作，得到一张或多张第一颅内特征图像；第四处理子单元123，用于对所述一张或多张第一颅内特征图像进行卷积操作，得到所述第一MRI图像。
进一步地，所述第四处理子单元123还用于：从空间维度上和时间维度上对所述一张或多张第一颅内特征图像进行卷积操作，得到一张或多张第二颅内特征图像；以及对所述第二颅内特征图像进行卷积操作，得到所述第一核磁共振图像。
进一步地，所述第三处理单元13，包括：第五处理子单元131，对所述第一核磁共振图像进行逐级下采样处理，得到第三颅内特征图像；第六处理子单元132，用于对所述第三颅内特征图像进行逐级上采样处理，得到第四颅内特征图像；预测子单元133，用于根据所述第四颅内特征图像中的特征对所述第四颅内特征图像的像素区域进行预测，得到概率图，其中，所述概率图中的每个像素为脑梗塞区域、半暗带区域和背景区域的概率值；选取子单元134，用于从所述概率值中选取最大值，并将所述像素区域划分为所述最大值对应的区域，得到所述缺血性脑卒中的区域分割图像。
图4为本申请实施例提供的一种缺血性脑卒中图像区域分割装置的硬件结构示意图。该分割装置2000包括处理器21，还可以包括输入装置22、输出装置23和存储器24。该输入装置22、输出装置23、存储器24和处理器21之间通过总线相互连接。
存储器包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasable programmable readonly memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器用于相关指令及数据。
输入装置用于输入数据和/或信号，以及输出装置用于输出数据和/或信号。输出装置和输入装置可以是独立的器件，也可以是一个整体的器件。
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessing unit，CPU)，在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
可以理解的是，图4仅仅示出了一种缺血性脑卒中图像区域分割装置的简化设计。在实际应用中，缺血性脑卒中图像区域分割装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、控制器、存储器等，而所有可以实现本申请实施例的缺血性脑卒中图像区域分割装置都在本申请的保护范围之内。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory，ROM)，或随机存储存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。

Claims (10)

1.一种缺血性脑卒中图像区域分割方法，其特征在于，包括：
预处理第一颅内计算机断层灌注成像(CTP)时序图，得到预处理后颅内的计算机断层灌注成像时序图；
将所述预处理后的颅内计算机断层灌注成像时序图输入第一网络进行处理，得到所述预处理后的颅内计算机断层灌注成像时序图对应的第一核磁共振(MRI)图像；
将所述第一核磁共振图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
2.如权利要求1所述的方法，其特征在于，所述预处理第一颅内计算机断层灌注成像(CTP)时序图，得到预处理后颅内的计算机断层灌注成像时序图之前，还包括：
获取颅内图像掩膜；
将所述颅内图像掩膜与脑部电子计算机断层扫描图像相匹配，得到第二颅内计算机断层灌注成像时序图；
对所述第二颅内计算机断层灌注成像时序图内的像素值进行归一化处理，得到所述第一颅内计算机断层灌注成像时序图。
3.如权利要求1或2所述的方法，其特征在于，所述预处理第一颅内计算机断层灌注成像(CTP)时序图，得到预处理后颅内的计算机断层灌注成像时序图，包括：
对所述第一颅内计算机断层灌注成像时序图进行卷积操作，确定所述第一颅内计算机断层灌注成像时序图中的动脉输入函数(AIF)；
根据所述动脉输入函数和所述第一颅内计算机断层灌注成像时序图，确定起始时间，其中，所述起始时间为所述动脉输入函数在所述第一颅内计算机断层灌注成像时序图中出现的时间；
去除所述起始时间之前的数据，得到第三颅内计算机断层灌注成像时序图；
对所述第三颅内计算机断层灌注成像时序图进行解卷积操作，得到所述预处理后的颅内计算机断层灌注成像时序图。
4.如权利要求1-3任一项所述的方法，其特征在于，所述将所述预处理后的颅内计算机断层灌注成像时序图输入第一网络进行处理，得到所述预处理后的颅内计算机断层灌注成像时序图对应的第一核磁共振(MRI)图像，包括：
获取所述预处理后的颅内计算机断层灌注成像时序图的一张或多张横断面图像；
对所述一张或多张横断面图像进行卷积操作，得到一张或多张第一颅内特征图像；
对所述一张或多张第一颅内特征图像进行卷积操作，得到所述第一核磁共振图像。
5.如权利要求1-4任一项所述的方法，其特征在于，所述将所述第一核磁共振图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像，包括：
对所述第一核磁共振图像进行逐级下采样处理，得到第三颅内特征图像；
对所述第三颅内特征图像进行逐级上采样处理，得到第四颅内特征图像；
根据所述第四颅内特征图像中的特征对所述第四颅内特征图像的像素区域进行预测，得到概率图，其中，所述概率图中的每个像素为脑梗塞区域、半暗带区域和背景区域的概率值；
从所述概率值中选取最大值，并将所述像素区域划分为所述最大值对应的区域，得到所述缺血性脑卒中的区域分割图像。
6.一种缺血性脑卒中图像区域分割装置，其特征在于，包括：
第一处理单元，用于预处理第一颅内计算机断层灌注成像(CTP)时序图，得到预处理后颅内的计算机断层灌注成像时序图；
第二处理单元，用于将所述预处理后的颅内计算机断层灌注成像时序图输入第一网络进行处理，得到所述预处理后的颅内计算机断层灌注成像时序图对应的第一核磁共振(MRI)图像；
第三处理单元，用于将所述第一核磁共振图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
7.如权利要求6所述的装置，其特征在于，所述第一处理单元，包括：
第一获取子单元，用于获取颅内图像掩膜；
匹配子单元，用于将所述颅内图像掩膜与脑部电子计算机断层扫描图像相匹配，得到第二颅内计算机断层灌注成像时序图；
第一处理子单元，用于对所述第二颅内计算机断层灌注成像时序图内的像素值进行归一化处理，得到所述第一颅内计算机断层灌注成像时序图。
8.如权利要求6或7所述的装置，其特征在于，所述第一处理单元，包括：
第一确定子单元，用于对所述第一颅内计算机断层灌注成像时序图进行卷积操作，确定所述第一颅内计算机断层灌注成像时序图中的动脉输入函数(AIF)；
第二确定子单元，用于根据所述动脉输入函数和所述第一颅内计算机断层灌注成像时序图，确定起始时间，其中，所述起始时间为所述动脉输入函数在所述第一颅内计算机断层灌注成像时序图中出现的时间；
去除子单元，用于去除所述起始时间之前的数据，得到第三颅内计算机断层灌注成像时序图；
第二处理子单元，用于对所述第三颅内计算机断层灌注成像时序图进行解卷积操作，得到所述预处理后的颅内计算机断层灌注成像时序图。
9.如权利要求6-8所述的装置，其特征在于，所述第二处理单元，包括：
第二获取子单元，用于获取所述预处理后的颅内计算机断层灌注成像时序图的一张或多张横断面图像；
第三处理子单元，用于对所述一张或多张横断面图像进行卷积操作，得到一张或多张第一颅内特征图像；
第四处理子单元，用于对所述一张或多张第一颅内特征图像进行卷积操作，得到所述第一核磁共振图像。
10.如权利要求6-9所述的装置，其特征在于，所述第三处理单元，包括：
第五处理子单元，对所述第一核磁共振图像进行逐级下采样处理，得到第三颅内特征图像；
第六处理子单元，用于对所述第三颅内特征图像进行上采样处理，得到第四颅内特征图像；
预测子单元，用于根据所述第四颅内特征图像中的特征对所述第四颅内特征图像的像素区域进行预测，得到概率图，其中，所述概率图中的每个像素为脑梗塞区域、半暗带区域和背景区域的概率值；
选取子单元，用于从所述概率值中选取最大值，并将所述像素区域划分为所述最大值对应的区域，得到所述缺血性脑卒中的区域分割图像。
CN201811073025.9A 2018-09-14 2018-09-14 一种缺血性脑卒中图像区域分割方法及装置 Active CN109242863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811073025.9A CN109242863B (zh) 2018-09-14 2018-09-14 一种缺血性脑卒中图像区域分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811073025.9A CN109242863B (zh) 2018-09-14 2018-09-14 一种缺血性脑卒中图像区域分割方法及装置

Publications (2)

Publication Number Publication Date
CN109242863A true CN109242863A (zh) 2019-01-18
CN109242863B CN109242863B (zh) 2021-10-26

Family

ID=65058661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811073025.9A Active CN109242863B (zh) 2018-09-14 2018-09-14 一种缺血性脑卒中图像区域分割方法及装置

Country Status (1)

Country Link
CN (1) CN109242863B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872312A (zh) * 2019-02-15 2019-06-11 腾讯科技（深圳）有限公司 医学图像分割方法、装置、系统及图像分割方法
CN110236544A (zh) * 2019-05-29 2019-09-17 中国科学院重庆绿色智能技术研究院 基于相关系数的中风灌注成像病变区域检测系统及方法
CN111127428A (zh) * 2019-12-24 2020-05-08 强联智创（北京）科技有限公司 一种基于颅脑影像数据的目标区域的提取方法及系统
CN111489360A (zh) * 2020-03-18 2020-08-04 上海商汤智能科技有限公司 一种图像分割方法及相关设备
CN112053413A (zh) * 2020-08-31 2020-12-08 杭州脉流科技有限公司 脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质
CN114066846A (zh) * 2021-11-16 2022-02-18 高峰 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统
CN114073536A (zh) * 2020-08-12 2022-02-22 通用电气精准医疗有限责任公司 灌注成像系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160310A (zh) * 2015-08-25 2015-12-16 西安电子科技大学 基于3d卷积神经网络的人体行为识别方法
US20160055644A1 (en) * 2014-08-22 2016-02-25 Siemens Aktiengesellschaft Method for volume evaluation of penumbra mismatch in acute ischemic stroke and system therefor
CN106127719A (zh) * 2016-06-20 2016-11-16 中国矿业大学 一种新型的神经网络医学图像融合方法
CN107145756A (zh) * 2017-05-17 2017-09-08 上海辉明软件有限公司 一种脑卒中类型预测方法以及装置
WO2017192629A1 (en) * 2016-05-02 2017-11-09 The Regents Of The University Of California System and method for estimating perfusion parameters using medical imaging
CN107527363A (zh) * 2016-06-20 2017-12-29 青岛海尔智能技术研发有限公司 一种冷藏装置存储物管理系统和冷藏装置
CN107679491A (zh) * 2017-09-29 2018-02-09 华中师范大学 一种融合多模态数据的3d卷积神经网络手语识别方法
WO2018140596A2 (en) * 2017-01-27 2018-08-02 Arterys Inc. Automated segmentation utilizing fully convolutional networks

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160055644A1 (en) * 2014-08-22 2016-02-25 Siemens Aktiengesellschaft Method for volume evaluation of penumbra mismatch in acute ischemic stroke and system therefor
CN105160310A (zh) * 2015-08-25 2015-12-16 西安电子科技大学 基于3d卷积神经网络的人体行为识别方法
WO2017192629A1 (en) * 2016-05-02 2017-11-09 The Regents Of The University Of California System and method for estimating perfusion parameters using medical imaging
CN106127719A (zh) * 2016-06-20 2016-11-16 中国矿业大学 一种新型的神经网络医学图像融合方法
CN107527363A (zh) * 2016-06-20 2017-12-29 青岛海尔智能技术研发有限公司 一种冷藏装置存储物管理系统和冷藏装置
WO2018140596A2 (en) * 2017-01-27 2018-08-02 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN107145756A (zh) * 2017-05-17 2017-09-08 上海辉明软件有限公司 一种脑卒中类型预测方法以及装置
CN107679491A (zh) * 2017-09-29 2018-02-09 华中师范大学 一种融合多模态数据的3d卷积神经网络手语识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
（美）本多克 等，: "《出血性和缺血性卒中 内科、影像、外科和介入治疗》", 30 June 2017 *
CARLOWCEREDA 等，: "A benchmarking tool to evaluate computer tomography perfusion infarct core predictions against a DWI standard", 《JOURNAL OF CEREBRAL BLOOD FLOW & METABOLISM》 *
CHENG-BIN JIN 等，: "Deep CT to MR Synthesis using Paired and Unpaired Data", 《ARXIV》 *
PIETER C. VOS 等，: "Automated prediction of tissue outcome after acute ischemic stroke in computed tomography perfusion images", 《MEDICAL IMAGING 2015: COMPUTER-AIDED DIAGNOSIS》 *
王锦程 等，: "基于BP神经网络的脑肿瘤MRI图像分割", 《生物医学工程研究》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872312A (zh) * 2019-02-15 2019-06-11 腾讯科技（深圳）有限公司 医学图像分割方法、装置、系统及图像分割方法
CN109872312B (zh) * 2019-02-15 2022-12-20 腾讯科技（深圳）有限公司 医学图像分割方法、装置、系统及图像分割方法
CN110236544A (zh) * 2019-05-29 2019-09-17 中国科学院重庆绿色智能技术研究院 基于相关系数的中风灌注成像病变区域检测系统及方法
CN111127428A (zh) * 2019-12-24 2020-05-08 强联智创（北京）科技有限公司 一种基于颅脑影像数据的目标区域的提取方法及系统
CN111489360A (zh) * 2020-03-18 2020-08-04 上海商汤智能科技有限公司 一种图像分割方法及相关设备
CN114073536A (zh) * 2020-08-12 2022-02-22 通用电气精准医疗有限责任公司 灌注成像系统及方法
CN112053413A (zh) * 2020-08-31 2020-12-08 杭州脉流科技有限公司 脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质
CN112053413B (zh) * 2020-08-31 2023-08-29 杭州脉流科技有限公司 脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质
CN114066846A (zh) * 2021-11-16 2022-02-18 高峰 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统

Also Published As

Publication number Publication date
CN109242863B (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN109242863A (zh) 一种缺血性脑卒中图像区域分割方法及装置
Zhou et al. D-UNet: a dimension-fusion U shape network for chronic stroke lesion segmentation
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
Li et al. Dual encoder-based dynamic-channel graph convolutional network with edge enhancement for retinal vessel segmentation
Ye et al. Multi-depth fusion network for whole-heart CT image segmentation
Cui et al. Multiscale attention guided U-Net architecture for cardiac segmentation in short-axis MRI images
Teng et al. DMCNN: a deep multiscale convolutional neural network model for medical image segmentation
CN109410216A (zh) 一种缺血性脑卒中图像区域分割方法及装置
Long et al. Probability-based Mask R-CNN for pulmonary embolism detection
Zhang et al. LU-NET: An improved U-Net for ventricular segmentation
Zhu et al. Anatomynet: Deep 3d squeeze-and-excitation u-nets for fast and fully automated whole-volume anatomical segmentation
Li et al. Low-grade glioma segmentation based on CNN with fully connected CRF
Yang et al. A deep learning segmentation approach in free-breathing real-time cardiac magnetic resonance imaging
Guo et al. Cerebrovascular segmentation from TOF-MRA based on multiple-U-net with focal loss function
Yuan et al. ResD-Unet research and application for pulmonary artery segmentation
Brahim et al. A 3D network based shape prior for automatic myocardial disease segmentation in delayed-enhancement MRI
Xia et al. A nested parallel multiscale convolution for cerebrovascular segmentation
CN109215035B (zh) 一种基于深度学习的脑部mri海马体三维分割方法
Davamani et al. Biomedical image segmentation by deep learning methods
Chen et al. MS-FANet: multi-scale feature attention network for liver tumor segmentation
CN113205488A (zh) 血流特性预测方法、装置、电子设备及存储介质
Yang et al. Dual-path network for liver and tumor segmentation in CT images using Swin Transformer encoding approach
Kushnure et al. M2UNet++: A modified multi-scale UNet++ architecture for automatic liver segmentation from computed tomography images
CN115908299A (zh) 基于医学影像的生存期预测方法、装置、设备及介质
Ao et al. MS-TCNet: An effective Transformer–CNN combined network using multi-scale feature learning for 3D medical image segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant