CN109685123A - 一种基于头颅ct影像的评分方法及系统 - Google Patents
一种基于头颅ct影像的评分方法及系统 Download PDFInfo
- Publication number
- CN109685123A CN109685123A CN201811530664.3A CN201811530664A CN109685123A CN 109685123 A CN109685123 A CN 109685123A CN 201811530664 A CN201811530664 A CN 201811530664A CN 109685123 A CN109685123 A CN 109685123A
- Authority
- CN
- China
- Prior art keywords
- infarct
- target area
- head
- target
- frame
- 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
Links
Classifications
-
- 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
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本说明书实施例公开了一种基于头颅CT影像的评分方法及系统,属于医学影像领域。本说明书实施例通过基于头颅CT影像的评分方法,解决了靠肉眼判断来进行ASPECTS评分,主观性差异较大,可操作性差的问题。该评分方法包括:从待处理的多帧头颅CT影像数据中,确定目标影像层所在的帧;提取目标区域;对目标区域所包含的各个目标区域分别进行梗死判断,输出梗死判断结果;基于目标区域的梗死判断结果,输出评分结果。本说明书实施例提供的评分方法和系统,能够排除或减少人为因素以及影像设备成像差异带来的诊断差异,缩减人为观察、思考及肉眼评分所需的时间,作为计算机辅助方法,为脑卒中等医学研究提供客观依据。
Description
技术领域
本说明书涉及医学影像和计算机技术领域,尤其涉及一种基于头颅CT影像的评分方法及系统。
背景技术
ASPECTS(Alberta Stroke Program Early CT Score)评分是脑卒中的一个重要诊断和治疗依据,由Barber等学者于2000年提出。该评分方法针对急性脑卒中的病人,依据其头颅CT影像数据,将大脑中动脉供血的重要层面分成10个区域,包括位于核团层面的尾状核头(C)、豆状核(L)、内囊后肢(IC)、岛带(I)、M1(大脑中动脉前皮质区)、M2(大脑中动脉岛叶外侧皮质区)、M3(大脑中动脉后皮质区),以及位于核团以上层面(核团上层)的M4(M1上方的大脑中动脉皮层)、M5(M2上方的大脑中动脉皮层)和M6(M3上方的大脑中动脉皮层)。上述10个区域具有相同的权重,各占1分,总分为10分。总分中减去存在早期缺血性改变的区域数,所得的数值作为评分结果,为病情判断并治疗提供依据。上述评分方法主要针对是是前循环。随着对脑卒中研究的不断深入,由Puetz等学者于2008年提出针对后循环的ASPECTS(Posterior Circulation Acute Stroke Prognosis Early CT Score,PC-ASPECTS)评分。后循环ASPECTS评分方法主要对双侧丘脑和小脑、双侧大脑后动脉供血区、中脑和脑桥进行评分,其中,双侧丘脑和小脑、双侧大脑后动脉供血区的权重为1分,中脑和脑桥的权重为2分。后循环ASPECTS评分的总分为10分,总分中减去存在早期缺血性改变的区域对应的权重分,所得的数值作为评分结果,为病情判断并治疗提供依据。
目前在临床应用中,不论是针对前循环的ASPECTS评分还是针对后循环的ASPECTS评分,主要依赖肉眼进行评估。由于不同影像设备、不同技术人员、不同病人状况等因素的存在,不能保证头颅CT影像数据的一致性,用肉眼进行ASPECTS评分,主观性带来的差异较大。因此,这种“肉眼判断法”可操作性不强。另一方面,脑卒中病情发展极快,人脑供血障碍4-5分钟以上即可出现永久不可逆性梗死,致残致死率极高,而CT影像数据上组织分区界限分辨难度较高,如不能快速准确判断分区,会导致延误病情。
因此,目前需要一种评分方法,能够排除或减少人为因素如技术水平、操作方法、图像质量、人眼分辨能力、疲劳程度、认知经验不同等,以及影像设备成像差异带来的诊断差异,缩减人为观察、思考及肉眼评分所需的时间,作为计算机辅助方法,为脑卒中等医学研究提供客观依据。
发明内容
本说明书实施例提供一种基于头颅CT影像的评分方法及系统,用于解决以下技术问题:排除或减少主观因素以及影像设备成像差异等带来的诊断差异,缩减评分所需时间,提高诊断效率和准确率。
本说明书实施例提供一种基于头颅CT影像的评分方法,包括以下步骤:
从待处理的多帧头颅CT影像数据中,确定目标影像层所在的帧,其中,所述目标影像层是所述头颅CT影像中用于评分的头颅CT影像数据所在的层;
基于所述目标影像层所在的帧,提取目标区域,其中,所述目标区域为所述头颅CT影像数据中用于评分的区域;
对所述目标区域所包含的各个目标区域分别进行梗死判断,输出所述目标区域的梗死判断结果;
基于所述目标区域的梗死判断结果,输出评分结果。
优选地,从待处理的多帧头颅CT影像数据中,确定目标影像层所在的帧,具体包括:
提取所述待处理的多帧头颅CT影像数据的影像特征,确定所述多帧头颅CT影像数据中各帧头颅CT影像数据分别到各目标影像层的距离;
根据所述各帧头颅CT影像数据到各目标影像层的距离,确定目标影像层所在的帧。
优选地,基于所述目标影像层所在的帧,提取目标区域,具体包括:
基于所述目标影像层所在的帧,对头颅CT影像数据中的每一个像素点进行数字标签分类,输出与所述目标影像层所在帧中各个像素点对应的带有数字标签的二维矩阵,其中,所述数字标签与所述目标区域一一对应,所述二维矩阵分别与目标影像层所在的帧一一对应。
优选地,对所述目标区域所包含的各个目标区域进行梗死判断,输出所述目标区域的梗死判断结果,具体包括:
基于所述目标区域内所包含的各个像素点,进行梗死判断,输出所述目标区域的梗死判断结果。
进一步地,对所述目标区域所包含的各个目标区域进行梗死判断,输出所述目标区域的梗死判断结果,进一步包括:
根据所述目标区域的梗死判断结果,判断目标区域是否在左右脑中均存在梗死;
若目标区域在左右脑中均存在梗死,则进一步判断具体哪侧发生梗死,校正所述目标区域的梗死判断结果,作为目标区域的新的梗死判断结果。
优选地,基于所述目标区域的梗死判断结果,输出评分结果,具体包括:
基于所述目标区域的梗死判断结果,确定发生梗死的目标区域;
基于目标区域的权重,总分中减去所述发生梗死的目标区域的权重,所得的数值作为评分结果进行输出。
本说明书实施例提供的一种基于头颅CT影像的评分系统,包括:
区域提取模块,从待处理的多帧头颅CT影像数据中,提取目标区域,其中,所述目标区域为所述头颅CT影像数据中用于评分的区域;
梗死识别模块,对所述目标区域所包含的各个目标区域进行梗死判断,输出目标区域的梗死判断结果;
评分模块,基于所述目标区域的梗死判断结果,输出评分结果。
优选地,从待处理的多帧头颅CT影像数据中,提取目标区域,具体包括:
从待处理的多帧头颅CT影像数据中,分别确定目标影像层所在的帧,其中,所述目标影像层是所述头颅CT影像中用于评分的头颅CT影像数据所在的层;
基于所述目标影像层所在的帧,提取目标区域,其中,所述目标区域为所述头颅CT影像数据中用于评分的区域。
优选地,从待处理的多帧头颅CT影像数据中,确定目标影像层所在的帧,具体包括:
提取所述待处理的多帧头颅CT影像数据的影像特征,确定所述多帧头颅CT影像数据中各帧头颅CT影像数据分别到各目标影像层的距离;
根据所述各帧头颅CT影像数据到各目标影像层的距离,确定目标影像层所在的帧。
优选地,基于所述目标影像层所在的帧,提取目标区域,具体包括:
基于所述目标影像层所在的帧,对头颅CT影像数据中的每一个像素点进行数字标签分类,输出与所述目标影像层所在帧中各个像素点对应的带有数字标签的二维矩阵,其中,所述数字标签与所述目标区域一一对应,所述二维矩阵分别与目标影像层所在的帧一一对应。
优选地,对所述目标区域所包含的各个目标区域进行梗死判断,输出所述目标区域的梗死判断结果,具体包括:
基于所述目标区域内所包含的各个像素点,进行梗死判断,输出所述目标区域的梗死判断结果。
进一步地,对所述目标区域所包含的各个目标区域进行梗死判断,输出所述目标区域的梗死判断结果,进一步包括:
根据所述目标区域的梗死判断结果,判断目标区域是否在左右脑中均存在梗死;
若目标区域在左右脑中均存在梗死,则进一步判断具体哪侧发生梗死,校正所述目标区域的梗死判断结果,作为目标区域的新的梗死判断结果。
优选地,基于所述目标区域的梗死判断结果,输出评分结果,具体包括:
基于所述目标区域的梗死判断结果,确定发生梗死的目标区域;
基于目标区域的权重,总分中减去所述发生梗死的目标区域的权重,所得的数值作为评分结果进行输出。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例从待处理的多帧CT影像数据中,提取目标区域分别进行梗死判断,进而输出评分结果,能够排除或减少人为因素以及影像设备成像差异带来的诊断差异,可以缩减人为观察、思考及肉眼评分所需的时间,作为诊断的辅助方法,提高诊断效率和准确率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种基于头颅CT影像的评分方法的框架图;
图2a为本说明书实施例提供的核团层中用于ASPECTS评分的示意图;
图2b为本说明书实施例提供的核团上层中用于ASPECTS评分的示意图;
图3a为本说明书实施例提供的用于后循环ASPECTS评分的脑桥和双侧小脑区域示意图;
图3b为本说明书实施例提供的用于后循环ASPECTS评分的中脑区域示意图;
图3c为本说明书实施例提供的用于后循环ASPECTS评分的双侧丘脑和大脑后动脉供血区区域示意图;
图4为本说明书实施例提供的一种基于头颅CT影像的评分方法的流程图;
图5为本说明书实施例提供的一种确定核团层和核团上层所在帧的示意图;
图6为本说明书实施例提供的一种梗死判断示意图;
图7为本说明书实施例提供的一种基于头颅CT影像的评分系统的示意图。
说明
图3a中自上而下为脑桥、双侧小脑;
图3c中自上而下为双侧丘脑与大脑后动脉供血区;
图3中的数字1和2代表各区域的权重。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
图1为本说明书实施例提供的一种基于头颅CT影像的评分方法的框架图,具体步骤包括:
步骤S101:从待处理的多帧头颅CT影像数据中,分别确定目标影像层所在的帧。
CT影像是由一定数目的从黑到白不同灰度的像素点按矩阵排列构成。CT值用于反映人体相应组织的密度值的大小。由于单帧的CT影像是具有一定厚度的层面影像,常用的是横断面,为了显示整个器官,需要多个连续的层面影像。因此,进行ASPECTS评分时,需要结合一系列多帧影像进行观察,从而予以评价,本实施例中待处理的头颅CT影像数据是多帧的。
在本说明书的一个实施例中,用于前循环的ASPECTS评分的10个区域分别位于核团层和核团上层,具体如图2所示。因此,在进行前循环的ASPECTS评分时,首先需要从待处理的多帧头颅CT影像数据中,确定核团层和核团上层所在的帧,目标影像层即为核团层和核团上层。
在本说明书的另外一个实施例中,用于后循环的ASPECTS评分的8个区域中,脑桥和双侧小脑位于小脑层,中脑位于中脑层,双侧丘脑与大脑后动脉供血区位于大脑层,具体如图3所示。因此,在进行后循环的ASPECTS评分时,首先需要从待处理的多帧头颅CT影像数据中,确定小脑层、中脑层和大脑层所在的帧,目标影像层即为小脑层、中脑层和大脑层。
步骤S103:提取目标区域。
在步骤S101中确定目标影像层所在的帧后,需要对目标影像层所在帧的影像数据进一步进行分析,以确定该帧上各像素点是否属于目标区域以及属于目标区域中的哪个区域,这里的目标区域是目标影像层所在的帧中,用于进行评分的区域,通过对该目标区域的脑梗死的判断,可以最终实现对头颅CT影像的评分。在本说明书的一个实施例中,目标区域可以是左右脑的尾状核头、豆状核、内囊后肢、岛带及M1-M6区,共20个区域。在本说明书的另外一个实施例中,目标区域可以是脑桥、双侧小脑、中脑、双侧丘脑及大脑后动脉供血区,共8个区域。当该像素点不属于目标区域时,则判定为属于背景区域。
步骤S105:对目标区域进行梗死判断,输出目标区域的梗死判断结果。
通过步骤S103对目标区域进行提取后,需要进一步分析判断,哪些区域发生梗死。在CT影像中,一个CT值对应一个灰度。对梗死进行判断可以有多种方式,一种示例性的方式是基于人脑的对称性实现的:人脑组织在正常状况下,左右脑对称位置的CT值均值基本是相同的,亦即灰度值基本是相同的。但若一侧脑组织发生梗死,灰度值会下降,因此通过与对侧相应区域的灰度对比,可以进行梗死判断,以确定发生梗死的区域,从而实现目标区域所包含的各个目标的梗死判断。
除上述方法外,另一种示例性的方式是先提取图像特征,如灰度信息、相邻像素点的灰度信息、梯度信息、相邻像素点的梯度信息等,然后通过监督学习的方式训练模型,也可用于判断梗死判断。
在正常情况下,发生脑梗死时,只有一侧发生梗死,若两侧均发生梗死,则脑组织可能已经死亡。因此,如果目标区域的梗死判断结果为左右脑均发生梗死,那么某一侧的梗死识别结果,可能是图像伪影等噪声造成的。基于上述原因,若梗死判断结果为左右脑均发生梗死,需要进一步判断具体哪侧发生梗死,以校正上述梗死判断结果。具体校正时,可以采用基于灰度变化进行判断。在目标区域中,灰度的比值或者差值或者比值与差值的结合的数值越小,置信度越高,因此对比目标区域中,灰度的比值或者差值或者比值与差值的结合的数值的最小值,认为数值较小的一侧,亦即置信度高的一侧判断为梗死,另一侧判断为未梗死,根据该置信度结果将前述输出的梗死判断结果进行校正。
步骤S107:基于目标区域的梗死判断结果,输出评分结果。
正常情况下,不论前循环还是后循环ASPECTS的总分均为10分,当发生脑梗死时,ASPECTS的分值会降低。基于已经确定的梗死判断结果,根据每个目标区域的权重,从10分中扣除梗死区域的分数,即为最终的分值,实现对头颅CT影像数据的评分。
采用本实施例提供的方法,对头颅CT影像数据进行评分,可以排除或者减少人为因素以及影像设备成像差异带来的诊断差异,大大缩减人为观察、思考所需的时间。
为了进一步说明基于头颅CT影像的评分方法,图4为本说明书实施例提供的一种基于头颅CT影像的评分方法的流程图,以前循环ASPECTS评分为例详细说明评分过程。
步骤S401:获取待处理的头颅CT影像数据。
由于CT影像中,像素尺寸不同,对应的数目不同。如像素尺寸可以为1.0mm*1.0mm、0.5mm*0.5mm不等,对应的数目可以是256*256,或者512*512。显然,像素尺寸越小,数目越多,空间分辨率越高。由于CT影像是层面影像,为了显示整个器官,需要多个连续的层面影像,因此待处理的头颅CT影像为多帧影像。
步骤S403:确定核团层和核团上层所在的帧。
待处理的多帧头颅CT影像数据中,感兴趣的是核团层和核团上层所在的帧。因此,首先需要确定核团层和核团上层所在的帧,可以采用神经网络或者其他算法,通过提取某一帧影像的特征,该特征可以是影像的灰度,如M区(M1-M6区统称为M区)为大脑皮层,主要为灰质,其灰度值范围在35左右;也可以是影像的形状,如豆状核为豆状,岛带为条状,一般与周边存在灰度差异;影像的特征还可以是纹理信息,如M区一般有脑沟、脑回;也可以以位置信息作为提取特征,如岛带与M区毗邻,M区贴近颅骨。进而估算该帧影像到核团层和核团上层的距离,确定该帧影像在大脑的位置,进而确定核团层和核团上层所在的帧。
图5为本说明书实施例提供的各帧CT影像到核团层和核团上层的距离示意图。具体地,一个影像序列,层间距为10mm,总共为12帧。采用神经网络或者其他算法,计算出各帧到核团层和核团上层的距离,如图5所示。从中可以看出,第5帧距离核团层最近,第7帧距离核团上层最近,因此第5帧为核团层,第7帧为核团上层。采用均方误差求平均值、绝对误差求平均值等其它类似方法,确定各帧CT影像数据到核团层和核团上层的距离,也可以用于确定核团层和核团上层所在的帧,其它类似的方法,均视为同样的方式。
在本说明书的一个实施例中,对CT影像数据序列中的核团层和核团上层进行人工标记,用监督学习的方式进行训练,得到训练模型,用于对核团层和核团上层进行分类,输出[P1,P2,P3],其中P1表示该影像既不属于核团层又不属于核团上层的概率,P2表示属于核团层的概率,P3表示属于核团上层的概率,且P1+P2+P3=1。当输入一个n帧的CT影像数据时,会输出一个n*3的矩阵,若第k行的P2值最大,第p行的P3值最大,则认为第k帧为核团层,第p帧为核团上层。采用该方法,也可确定核团层和核团上层所在的帧。
步骤S405:基于核团层和核团上层所在的帧,提取左右脑的目标区域。
为提取左右脑的目标区域,需要对前述核团层和核团上层所在的帧中的每一像素点进行数字标签分类,判断该像素点属于左右脑的目标区域中的哪个区域。在本说明书的一个实施例中,以0代表背景、1代表左侧M1、2代表左侧M2、3代表左侧M3、4代表左侧尾状核头、5代表左侧岛带、6代表左侧内囊后肢、7代表左侧豆状核、8代表右侧M1、9代表右侧M2、10代表右侧M3、11代表右侧尾状核头、12代表右侧岛带、13代表右侧内囊后肢、14代表右侧豆状核、15代表左侧M4、16代表左侧M5、17代表左侧M6、18代表右侧M4、19代表右侧M5、20代表右侧M6。核团层和核团上层所在的帧的影像,经过神经网络或者其他算法,会输出一个带有数字标签的二维矩阵,矩阵中的值为0-20,其中1-20代表目标区域。如输入数据为512*512的影像,则会输出带有数字标签的二维矩阵,该标签为512*512的二维矩阵,且该二维矩阵分别与核团层和核团上层所在的帧一一对应,核团层所在的帧对应的二维矩阵中的数字标签为0-14,核团上层所在的帧对应的二维矩阵中的数字标签为0、15-20。根据该二维矩阵,可以获得前述帧中各像素点所属的区域。
步骤S407:对左右脑目标区域包含的各个目标区域进行梗死判断。
CT值是测量CT影像中相对密度的指标,单位为亨氏单位(Hounsfield unit,HU),人体组织的CT值具有固定的范围,如水的CT值为0、血液的CT值为60-100Hu、灰质的CT值为30-35Hu、白质的CT值为20-25Hu、肌肉的CT值为20-40Hu、骨骼的CT值>1000Hu。在CT影像中,一个CT值对应一个灰度。由于人脑的对称性,在正常状况下,左右脑对称位置的CT值均值基本是相同的,亦即灰度值基本是相同的。但若一侧脑组织梗死,灰度值会下降,因此通过与对侧相应区域的灰度对比,可以进行梗死判断,以确定发生梗死的区域。
基于步骤S405输出的数字标签,定位影像数据中左右脑的相同目标区域,遍历目标区域内的所有像素点,同时为了排除噪声等干扰,设定阈值thre0和thre1,选择灰度值介于thre0和thre1的像素点,thre0可以设置为30Hu,thre1设置为50Hu。满足上述条件的各像素点的灰度值求和后计算平均值,作为目标区域的平均灰度值,将一侧的灰度值与对侧灰度值进行比较,从而判断目标区域是否梗死。
在本说明书的一个实施例中,采用提取影像特征的方法,进行梗死判断。具体地,提取影像特征,如灰度信息、相邻像素点的灰度信息、梯度信息、相邻像素点的梯度信息,并进行人工标记,利用SVM、随机森林等监督学习的方式进行训练。应用训练的模型,对影像中的各像素点提取影像特征,得到各像素点的梗死判断结果。具体地,采用该方法,所输出的梗死判断结果为二分类的方式,即0表示未梗死,1表示梗死。
图6为本说明书实施例提供的一种梗死判断的示意图。具体地,可以采用差值法、比值法、比值与差值结合等方法进行判断,其它基于灰度变化的梗死判断方法,均视为与本发明同样的方法。如判断豆状核是否梗死,定位影像数据中左侧豆状核的点(数字标签为7)和右侧豆状核的点(数字标签为14),遍历数字标签7和数字标签14所对应的所有像素点,分别筛选数字标签7和数字标签14中灰度值介于30Hu-50Hu的像素点。利用上述筛选出的数字标签7和数字标签14的像素点,计算数字标签7的像素点的灰度值的平均值,作为左侧豆状核的灰度值,计算数字标签14的像素点的灰度值的平均值,作为右侧豆状核的灰度值,将左侧豆状核的灰度值和右侧豆状核的灰度值进行比较,从而判断豆状核是否梗死及哪侧豆状核梗死。其它平均灰度值的计算方法,如将各像素点的灰度值进行一定的运算转换后,诸如灰度拉伸,计算平均灰度值,均视为与本发明同样的方法。
在本说明书的一个实施例中,采用差值法进行梗死判断,认为左右脑两侧的相同目标区域中,一侧灰度值与对侧灰度值的差值小于预设阈值diff时,认为头颅CT影像中的相应区域发生梗死,且灰度值相对低的一侧为梗死侧。一般地,认为阈值diff为-2。如在图6的实施例中,左侧M2区灰度值与右侧M2区灰度值的差值为-2.7,小于阈值-2,因此认为在左侧M2区发生梗死。采用同样的方法,判断左侧M3与右侧M4梗死。
在本说明书的一个实施例中,采用比值法进行梗死判断,认为左右脑两侧的相同目标区域中,一侧灰度值与对侧灰度值的比值小于预设阈值ratio时,认为头颅CT影像中的相应区域发生梗死,且灰度值相对低的一侧为梗死侧。一般地,认为阈值ratio为0.96。如在图6的实施例中,左侧豆状核与右侧豆状核的比值为0.99,大于0.96,认为豆状核没有梗死,与差值法的判断结果一致。左侧M2区的灰度值与右侧M2区的灰度值的比值为0.92,小于0.96,认为左侧M2区发生梗死。采用同样的方法,判断左侧M3区发生梗死。
在本说明书的一个实施例中,采用比值与差值法结合,进行梗死判断。认为梗死依据为比值小于0.96,且差值小于-2。在图6的实施例中,采用该方法对头颅CT影像中的目标区域进行梗死判断,左侧M2、M3及右侧M4梗死。梗死判断依据也可以为比值小于0.96,或者差值小于-2。在图6的实施例中,采用该方法进行梗死判断,左侧M2、M3区梗死。
一般新发梗死的组织CT值不会低于20Hu,假设另一侧脑组织未梗死,平均灰度值在40Hu左右,两侧比值ratio不会小于0.5,差值diff的绝对值不会大于20。在本说明书的一个实施例中,也可以采用c=(ratio-0.5)/0.7+(diff+20)/50,对头颅CT影像的目标区域进行梗死判断,若该值小于等于1,则认为该侧脑组织的目标区域发生梗死,大于1,则未梗死。在图6的实施例中,右侧M4区的差值为-1.6,比值为0.95,采用上述方法进行计算:(0.95-0.5)/0.7+(-1.6+20)/50=1.02>1,因此认为M4区未发生梗死。采用该方法进行判断,左侧M2、M3区梗死。
待处理的多帧头颅CT影像数据完成梗死判断后,输出20个目标区域的梗死判断结果,以用于后续进行评分。前述梗死判断结果为一个数组,该数组包括三个元素,数组的第一个元素为布尔类型的数字,0代表未梗死,1代表梗死;第二个元素为浮点数,数值为该侧平均灰度值除以对侧平均灰度值;第三个元素为浮点数,数值为该侧平均灰度值减去对侧平均灰度值。如第1个输出为[0,1,0],其中,0表示左侧M1区没有梗死,左侧M1区的平均灰度值除以右侧M1区的平均灰度值为1,左侧M1区的平均灰度值减去右侧M1区的平均灰度值为0。
步骤S409:对左右脑的目标区域中的梗死像素点进行去噪处理。
前述步骤S407实现了对目标区域中的各个像素点进行分类,在这些区域的像素点中可能会出现孤立的梗死像素点,这些孤立的梗死像素点可能是由于影像质量、设备等因素引起的,属于干扰噪声,因此需要对这些噪声去除,以避免干扰对后续评分的影响。
上述去除的孤立的像素点的梗死判断结果,则需要进行校正。如步骤405梗死判断结果输出为[1,1],采用区域连通的去噪方法,发现该像素点为孤立的像素点,因此认为该像素点并未发生梗死,所以将上述步骤S405中的梗死判断结果校正为[1,0]。
步骤S411:对左右脑的目标区域的梗死判断结果的进一步判断。
前述步骤S409输出的20个目标区域的梗死判断结果,可能存在双侧均有目标区域出现梗死的情况。由于在正常情况下,应该只有一侧发生梗死,因此,若存在双侧梗死的情况,需要进一步判断具体哪侧发生梗死。可以根据灰度值变化较小的一侧发生梗死的概率较高,进行判断。在左右脑的目标区域中,灰度的比值或者差值或者比值与差值的结合的数值越小,置信度越高,因此对比左右脑的目标区域中,灰度的比值或者差值或者比值与差值的结合的数值的最小值,认为数值较小的一侧,亦即置信度高的一侧为梗死,另一侧未梗死,将前述步骤S409输出的梗死判断结果进行校正。
根据步骤S409所述的方法,采用比值法或差值法对图6所示的实施例进行梗死判断,目标区域1-20的输出的梗死判断结果如下:1:[0,0.99,-0.5],2:[1,0.92,-2.7],3:[1,0.93,-2.4],4:[0,1,0],5:[0,1.01,0.2],6:[0,1.03,0.9],7:[0,0.99,-0.5],8:[0,1.02,0.5],9:[0,1.09,2.7],10:[0,1.08,2.4],11:[0,1,0],12:[0,0.99,-0.2],13:[0,0.97,-0.9],14:[0,1.01,0.5],15:[0,1.05,1.6],16:[0,1,0],17:[0,1,0],18:[1,0.95,-1.6],19:[0,1,0],20:[0,1,0]。
在本发明的一个实施例中,采用基于比值的置信度法对上述输出的梗死判断结果进行进一步判断,左侧目标区域的最小比值为0.92,右侧目标区域的最小比值为0.95。由于比值小的一侧置信度高,发生梗死,因此左侧梗死。进一步地,将上述输出的梗死判断结果进行校正,将18:[1,0.95,-1.6]校正为18:[0,0.95,-1.6],其它梗死判断结果不变,将校正后的左右脑的目标区域的梗死判断结果作为新的梗死判断结果,用于后续评分。
在本发明的一个实施例中,采用基于差值的置信度法对上述输出的梗死判断结果进行进一步判断,左侧目标区域的最小差值为-2.7,右侧目标区域的最小差值为-1.6。由于比值小的一侧置信度高,发生梗死,-2.7<-1.6,因此左侧梗死。进一步地,将上述输出的梗死判断结果进行校正,将18:[1,0.95,-1.6]校正为18:[0,0.95,-1.6],其它梗死判断结果不变,将校正后的梗死判断结果作为新的梗死判断结果,用于后续评分。
在本发明的一个实施例中,采用比值和差值结合的置信度法,对上述输出的梗死判断结果进行进一步判断。该方法利用函数c=(ratio-0.5)/0.7+(diff+20)/50,对前述输出的梗死判断结果进行c值计算。由于c值越低,发生梗死的概率越高,即置信度越高,比较两侧的最小c值,最小c值低的一侧发生梗死。根据采用比值法或差值法对图6所示的实施例输出的梗死判断结果,计算目标区域的c值,目标区域1-20的c值依次为:1.09、0.95、0.97、1.11、1.13、1.17、1.09、1.15、1.30、1.28、1.11、1.10、1.05、1.14、1.22、1.11、1.11、1.01、1.11、1.11,根据上述c值结果可见,左侧的最小c值为0.95,右侧的最小c值为1.01,由于0.95<1.01,因此左侧发生梗死。进一步地,将上述输出的梗死判断结果进行校正,将18:[1,0.95,-1.6]校正为18:[0,0.95,-1.6],其它梗死判断结果不变,将校正后的梗死判断结果作为新的梗死判断结果,用于后续评分。
若步骤S409输出的梗死判断结果,为一侧发生梗死,则不需要进行进一步判断,可直接用于后续评分。
步骤S413:基于前述左右脑的目标区域的梗死判断结果,输出评分结果。
基于前述步骤S411输出的左右脑的目标区域的梗死判断结果,每个目标区域的权重为1分,总分为10分,从10分中扣除发生梗死的目标区域数,所得的数值作为评分结果。具体地,遍历1-20的目标区域,从前述输出的梗死判断结果中,筛选出数组中第一个元素为1的数组,并统计数目,即为发生梗死的目标区域的个数。进行评分时,每个发生梗死的目标区域扣除1分,最后所得的数值作为评分结果。
在本说明书的一个实施例中,输出的评分结果可以是一个ASPECTS分值,该分值是基于左右脑的目标区域的两次梗死判断得出的结果。也可以是两个ASPECTS分值,分别表示左右脑的ASPECTS分值。若评分结果表示为两个ASPECTS分值时,在具体应用时,可以根据已知症状确定的梗死侧,直接输出相应侧的评分结果,而不必进行左右脑的目标区域的两次梗死判断。如已知症状表现为左侧偏瘫,可知是右脑发生了梗死,可以在评分时,直接输出右脑的评分结果。
前述用于前循环的基于头颅CT影像的评分方法,也可用于后循环。在具体实施过程中,用于后循环的基于头颅CT影像的评分方法,与前循环可能会存在一些区别,如后循环的目标区域脑桥、双侧小脑、中脑、双侧脑丘及双侧大脑后动脉供血区,因此数字标签为:以0代表背景、1代表脑桥、2代表左侧小脑、3代表右侧小脑、4代表中脑、5代表左侧丘脑、6代表右侧丘脑、7代表左侧大脑后动脉供血区、8代表右侧后动脉供血区。用于目标提取时,所提取的特征也有区别。由于后循环的目标区域,并不是所有区域在左右脑中均存在,如脑桥、中脑不需要进行双侧梗死判断,因此在进行梗死判断时,也会存在一定区别。此外,在后循环评分中,各个目标区域所占的权重也有一定区别,具体地,脑桥及中脑的权重为2,其它区域的权重均为1。
不论是针对前循环评分还是后循环评分,所有基于本说明书的思路,或者基于本发明提出的改进方法,均属于本发明的保护范围。
上述内容详细说明了一种基于头颅CT影像的评分方法,与之对应的,本申请还提供了一种基于头颅CT影像的评分系统,如图7所示,具体包括:
区域提取模块,从待处理的多帧头颅CT影像数据中,提取目标区域,其中,所述目标区域为所述头颅CT影像数据中用于评分的区域;
梗死识别模块,对所述目标区域所包含的各个目标区域进行梗死判断,输出目标区域的梗死判断结果;
评分模块,基于所述目标区域的梗死判断结果,输出评分结果。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种基于头颅CT影像的评分方法,其特征在于,包括:
从待处理的多帧头颅CT影像数据中,确定目标影像层所在的帧,其中,所述目标影像层是所述头颅CT影像中用于评分的头颅CT影像数据所在的层;
基于所述目标影像层所在的帧,提取目标区域,其中,所述目标区域为所述头颅CT影像数据中用于评分的区域;
对所述目标区域所包含的各个目标区域分别进行梗死判断,输出所述目标区域的梗死判断结果;
基于所述目标区域的梗死判断结果,输出评分结果。
2.如权利要求1所述的方法,其特征在于,所述从待处理的多帧头颅CT影像数据中,确定目标影像层所在的帧,具体包括:
提取所述待处理的多帧头颅CT影像数据的影像特征,确定所述多帧头颅CT影像数据中各帧头颅CT影像数据分别到各目标影像层的距离;
根据所述各帧头颅CT影像数据到各目标影像层的距离,确定目标影像层所在的帧。
3.如权利要求1所述的方法,其特征在于,所述基于所述目标影像层所在的帧,提取目标区域,具体包括:
基于所述目标影像层所在的帧,对头颅CT影像数据中的每一个像素点进行数字标签分类,输出与所述目标影像层所在帧中各个像素点对应的带有数字标签的二维矩阵,其中,所述数字标签与所述目标区域一一对应,所述二维矩阵分别与目标影像层所在的帧一一对应。
4.如权利要求1所述的方法,其特征在于,所述对所述目标区域所包含的各个目标区域进行梗死判断,输出所述目标区域的梗死判断结果,具体包括:
基于所述目标区域内所包含的各个像素点,进行梗死判断,输出所述目标区域的梗死判断结果。
5.如权利要求1或4所述的方法,其特征在于,所述对所述目标区域所包含的各个目标区域进行梗死判断,输出所述目标区域的梗死判断结果,进一步包括:
根据所述目标区域的梗死判断结果,判断目标区域是否在左右脑中均存在梗死;
若目标区域在左右脑中均存在梗死,则进一步判断具体哪侧发生梗死,校正所述目标区域的梗死判断结果,作为目标区域的新的梗死判断结果。
6.如权利要求1所述的方法,其特征在于,所述基于所述目标区域的梗死判断结果,输出评分结果,具体包括:
基于所述目标区域的梗死判断结果,确定发生梗死的目标区域;
基于目标区域的权重,总分中减去所述发生梗死的目标区域的权重,所得的数值作为评分结果进行输出。
7.一种基于头颅CT影像的评分系统,其特征在于,包括:
区域提取模块,从待处理的多帧头颅CT影像数据中,提取目标区域,其中,所述目标区域为所述头颅CT影像数据中用于评分的区域;
梗死识别模块,对所述目标区域所包含的各个目标区域进行梗死判断,输出目标区域的梗死判断结果;
评分模块,基于所述目标区域的梗死判断结果,输出评分结果。
8.如权利要求7所述的系统,其特征在于,所述从待处理的多帧头颅CT影像数据中,提取目标区域,具体包括:
从待处理的多帧头颅CT影像数据中,分别确定目标影像层所在的帧,其中,所述目标影像层是所述头颅CT影像中用于评分的头颅CT影像数据所在的层;
基于所述目标影像层所在的帧,提取目标区域,其中,所述目标区域为所述头颅CT影像数据中用于评分的区域。
9.如权利要求8所述的系统,其特征在于,所述从待处理的多帧头颅CT影像数据中,分别确定目标影像层所在的帧,具体包括:
提取所述待处理的多帧头颅CT影像数据的影像特征,确定所述多帧头颅CT影像数据中各帧头颅CT影像数据分别到各目标影像层的距离;
根据所述各帧头颅CT影像数据分别到各目标影像层的距离,确定目标影像层所在的帧。
10.如权利要求8所述的系统,其特征在于,所述基于所述目标影像层所在的帧,提取目标区域,具体包括:
基于所述目标影像层所在的帧,对头颅CT影像数据中的每一个像素点进行数字标签分类,输出与所述目标影像层所在帧中各个像素点对应的带有数字标签的二维矩阵,其中,所述数字标签与所述目标区域一一对应,所述二维矩阵分别与目标影像层所在的帧一一对应。
11.如权利要求7所述的系统,其特征在于,所述对所述目标区域所包含的各个目标区域进行梗死判断,输出所述目标区域的梗死判断结果,具体包括:
基于所述目标区域内所包含的各个像素点,进行梗死判断,输出所述目标区域的梗死判断结果。
12.如权利要求7或11所述的系统,其特征在于,所述对所述目标区域所包含的各个目标区域进行梗死判断,输出所述目标区域的梗死判断结果,进一步包括:
根据所述目标区域的梗死判断结果,判断目标区域是否在左右脑中均存在梗死;
若目标区域在左右脑中均存在梗死,则进一步判断具体哪侧发生梗死,校正所述目标区域的梗死判断结果,作为目标区域的新的梗死判断结果。
13.如权利要求7所述的系统,其特征在于,所述对所述目标区域的梗死判断结果,输出评分结果,具体包括:
基于所述目标区域的梗死判断结果,确定发生梗死的目标区域;
基于目标区域的权重,总分中减去所述发生梗死的目标区域的权重,所得的数值作为评分结果进行输出。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811530664.3A CN109685123B (zh) | 2018-12-14 | 2018-12-14 | 一种基于头颅ct影像的评分方法及系统 |
PCT/CN2019/118588 WO2020119375A1 (en) | 2018-12-14 | 2019-11-14 | Cranial ct-based grading method and system |
US17/299,685 US11935283B2 (en) | 2018-12-14 | 2019-11-14 | Cranial CT-based grading method and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811530664.3A CN109685123B (zh) | 2018-12-14 | 2018-12-14 | 一种基于头颅ct影像的评分方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685123A true CN109685123A (zh) | 2019-04-26 |
CN109685123B CN109685123B (zh) | 2021-02-19 |
Family
ID=66187666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811530664.3A Active CN109685123B (zh) | 2018-12-14 | 2018-12-14 | 一种基于头颅ct影像的评分方法及系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11935283B2 (zh) |
CN (1) | CN109685123B (zh) |
WO (1) | WO2020119375A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517244A (zh) * | 2019-08-23 | 2019-11-29 | 首都医科大学宣武医院 | 一种基于dsa图像的定位方法及系统 |
CN110934608A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期cta图像评估系统及评估方法、可读存储介质 |
WO2020119376A1 (en) * | 2018-12-14 | 2020-06-18 | Union Strong (Beijing) Technology Co. Ltd. | Cranial ct-based grading method and system |
WO2020119375A1 (en) * | 2018-12-14 | 2020-06-18 | Union Strong (Beijing) Technology Co. Ltd. | Cranial ct-based grading method and system |
CN111524109A (zh) * | 2020-04-16 | 2020-08-11 | 北京推想科技有限公司 | 头部医学影像的评分方法和装置、电子设备及存储介质 |
CN111951265A (zh) * | 2020-08-31 | 2020-11-17 | 杭州脉流科技有限公司 | 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 |
CN112801996A (zh) * | 2021-02-05 | 2021-05-14 | 强联智创(北京)科技有限公司 | 一种评分方法、装置以及设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384448B (zh) * | 2023-04-10 | 2023-09-12 | 中国人民解放军陆军军医大学 | 基于混合高阶非对称卷积网络的cd严重程度分级系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1270005A (zh) * | 2000-03-21 | 2000-10-18 | 上海医科大学 | 一种脑梗塞面积及体积的自动测量方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101530015B1 (ko) * | 2014-08-29 | 2015-06-18 | 고려대학교 산학협력단 | 컴퓨터 단층촬영 이미지의 밀도 분석 방법 |
CN105590324A (zh) * | 2016-02-03 | 2016-05-18 | 上海联影医疗科技有限公司 | 医学图像的分割方法及其装置 |
CN105997128A (zh) * | 2016-08-03 | 2016-10-12 | 上海联影医疗科技有限公司 | 利用灌注成像识别病灶的方法及系统 |
CN109671069B (zh) | 2018-12-14 | 2021-02-19 | 强联智创(北京)科技有限公司 | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 |
CN109685123B (zh) | 2018-12-14 | 2021-02-19 | 强联智创(北京)科技有限公司 | 一种基于头颅ct影像的评分方法及系统 |
JP2022516154A (ja) * | 2018-12-31 | 2022-02-24 | テンプス ラブス,インコーポレイティド | 組織画像の人工知能セグメンテーション |
-
2018
- 2018-12-14 CN CN201811530664.3A patent/CN109685123B/zh active Active
-
2019
- 2019-11-14 US US17/299,685 patent/US11935283B2/en active Active
- 2019-11-14 WO PCT/CN2019/118588 patent/WO2020119375A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1270005A (zh) * | 2000-03-21 | 2000-10-18 | 上海医科大学 | 一种脑梗塞面积及体积的自动测量方法 |
Non-Patent Citations (2)
Title |
---|
王珂雅等: "一种新的脑部CT图像异常检测算法", 《计算机技术与发展》 * |
秦荣荣等: "Aspect评分指导下超静脉溶栓时间窗脑梗死患者的机械取栓治疗", 《南通大学学报(医学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119376A1 (en) * | 2018-12-14 | 2020-06-18 | Union Strong (Beijing) Technology Co. Ltd. | Cranial ct-based grading method and system |
WO2020119375A1 (en) * | 2018-12-14 | 2020-06-18 | Union Strong (Beijing) Technology Co. Ltd. | Cranial ct-based grading method and system |
US11631489B2 (en) | 2018-12-14 | 2023-04-18 | Union Strong (Beijing) Technology Co. Ltd. | Cranial CT-based grading method and system |
US11935283B2 (en) | 2018-12-14 | 2024-03-19 | Union Strong (Beijing) Technology Co. Ltd. | Cranial CT-based grading method and system |
CN110517244A (zh) * | 2019-08-23 | 2019-11-29 | 首都医科大学宣武医院 | 一种基于dsa图像的定位方法及系统 |
CN110934608A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期cta图像评估系统及评估方法、可读存储介质 |
CN110934608B (zh) * | 2019-10-31 | 2020-11-13 | 上海杏脉信息科技有限公司 | 脑卒中早期cta图像评估系统及评估方法、可读存储介质 |
CN111524109A (zh) * | 2020-04-16 | 2020-08-11 | 北京推想科技有限公司 | 头部医学影像的评分方法和装置、电子设备及存储介质 |
CN111951265A (zh) * | 2020-08-31 | 2020-11-17 | 杭州脉流科技有限公司 | 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 |
CN111951265B (zh) * | 2020-08-31 | 2023-12-01 | 杭州脉流科技有限公司 | 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 |
CN112801996A (zh) * | 2021-02-05 | 2021-05-14 | 强联智创(北京)科技有限公司 | 一种评分方法、装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109685123B (zh) | 2021-02-19 |
US11935283B2 (en) | 2024-03-19 |
US20220036553A1 (en) | 2022-02-03 |
WO2020119375A1 (en) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685123A (zh) | 一种基于头颅ct影像的评分方法及系统 | |
Chudzik et al. | Microaneurysm detection using fully convolutional neural networks | |
CN109712122A (zh) | 一种基于头颅ct影像的评分方法及系统 | |
YİĞİT et al. | Applying deep learning models to structural MRI for stage prediction of Alzheimer's disease | |
CN109886986A (zh) | 一种基于多分支卷积神经网络的皮肤镜图像分割方法 | |
CN109658400A (zh) | 一种基于头颅ct影像的评分方法及系统 | |
CN109671066A (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
Protopapas et al. | Evaluating cognitive models of visual word recognition using fMRI: Effects of lexical and sublexical variables | |
CN109671069A (zh) | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 | |
CN109671067A (zh) | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 | |
Maqsood et al. | Detection of macula and recognition of aged-related macular degeneration in retinal fundus images | |
Haider et al. | Exploring deep feature-blending capabilities to assist glaucoma screening | |
Singh | A novel mask r-cnn model to segment heterogeneous brain tumors through image subtraction | |
Bhattacharya et al. | PY-Net: rethinking segmentation frameworks with dense pyramidal operations for optic disc and cup segmentation from retinal fundus images | |
Iqbal et al. | Hybrid Parallel Fuzzy CNN Paradigm: Unmasking Intricacies for Accurate Brain MRI Insights | |
CN109685843A (zh) | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 | |
Kazaj et al. | U-net-based models for skin lesion segmentation: More attention and augmentation | |
Akram et al. | Microaneurysm detection for early diagnosis of diabetic retinopathy | |
Sankari et al. | Automated detection of retinopathy of prematurity using quantum machine learning and deep learning techniques | |
Khani | Medical image segmentation using machine learning | |
CN109741299A (zh) | 一种基于头颅ct影像的目标区域的错误检测方法及系统 | |
Gull et al. | 9 Artificial Intelligence in Brain Tumor Detection through MRI Scans | |
Fang et al. | Lens structure segmentation from AS-OCT images via shape-based learning | |
Brown et al. | Deep learning for computer-aided diagnosis in ophthalmology: a review | |
Yan et al. | MFE-Net: Multi-type feature enhancement net for retinal blood vessel 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 |