CN109685843A - 一种基于头颅ct影像的核心梗死体积的测量方法及系统 - Google Patents
一种基于头颅ct影像的核心梗死体积的测量方法及系统 Download PDFInfo
- Publication number
- CN109685843A CN109685843A CN201811531628.9A CN201811531628A CN109685843A CN 109685843 A CN109685843 A CN 109685843A CN 201811531628 A CN201811531628 A CN 201811531628A CN 109685843 A CN109685843 A CN 109685843A
- Authority
- CN
- China
- Prior art keywords
- infarct
- head
- image data
- pixel
- infarction volume
- 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
- 206010061216 Infarction Diseases 0.000 title claims abstract description 233
- 230000007574 infarction Effects 0.000 title claims abstract description 233
- 238000000691 measurement method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000013016 learning Effects 0.000 claims description 12
- 206010008118 cerebral infarction Diseases 0.000 claims description 6
- 208000026106 cerebrovascular disease Diseases 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000002490 cerebral effect Effects 0.000 abstract description 9
- 206010008190 Cerebrovascular accident Diseases 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 5
- 238000002059 diagnostic imaging Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 208000032382 Ischaemic stroke Diseases 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004087 circulation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 238000012276 Endovascular treatment Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000001159 caudate nucleus Anatomy 0.000 description 2
- 230000003727 cerebral blood flow Effects 0.000 description 2
- 210000001653 corpus striatum Anatomy 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007598 dipping method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 210000002425 internal capsule Anatomy 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 206010056292 Androgen-Insensitivity Syndrome Diseases 0.000 description 1
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000005153 frontal cortex Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本说明书实施例公开了一种基于头颅CT影像的核心梗死体积的测量方法及系统，属于医学影像领域。本说明书实施例通过基于头颅CT影像的核心梗死体积的测量方法，解决了现有技术中主观性差异较大、核心梗死体积测量结果准确度差的问题。该核心梗死体积的测量方法包括：将待处理的多帧头颅CT影像数据输入到预先训练得到的梗死识别模型中；通过梗死识别模型识别头颅CT影像数据，获得头颅CT影像数据的梗死概率；基于头颅CT影像数据的梗死概率，测量核心梗死体积。本说明书实施例提供的测量方法和系统，能够快速、较为准确的测量核心梗死体积，排除或减少主观因素的干扰，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影像的核心梗死体积的测量方法及系统。
背景技术
核心梗死是急性缺血性脑卒中(acute ischemic stroke,AIS)评价的重要指标之一。其中，核心梗死即发生不可逆性损伤的脑组织，指的是与正常脑组织相比，脑血流量下降超过30％的区域，在NCCT(non-contrast CT，平扫计算机断层扫描)上显示为低密度区。梗死核心的大小与患者的临床预后密切相关。梗死核心越小，患者预后良好的可能性越大。同时，评估梗死核心也可预测血管内治疗出现并发症的风险，因此，准确评价梗死核心有助于筛选出适合血管内治疗的卒中患者。核心梗死体积是评估核心梗死的指标之一，与AIS患者良好预后相关的预测指标。
目前现有技术中，核心梗死体积的测量主要包括手工测量和计算机辅助测量两种方法。其中，手工测量核心梗死体积关键是人工勾画梗死病灶，该方法非常繁琐，在精确性、可重复性和客观性方面均存在较大局限。计算机辅助测量核心梗死体积多采用图像分割的方法进行测量，但是该方法会在处理过程中丢失一些信息，影响测量结果。
因此，目前需要一种核心梗死体积的测量方法，能够快速、较为准确的测量核心梗死体积，排除或减少主观因素的干扰，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影像的核心梗死体积的测量方法及系统，用于解决以下技术问题：能够快速、较为准确的测量核心梗死体积，排除或减少主观因素的干扰，作为计算机辅助方法，为脑卒中等医学研究提供客观依据。
本说明书实施例提供一种基于头颅CT影像的核心梗死体积的测量方法，包括以下步骤：
将待处理的多帧头颅CT影像数据输入到预先训练得到的梗死识别模型中；
通过所述梗死识别模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的梗死概率；
基于所述头颅CT影像数据的梗死概率，测量核心梗死体积。
优选地，将待处理的多帧头颅CT影像数据输入到预先训练得到的梗死判断模型中，该步骤前，还包括：
收集用于训练梗死模型的样本；
对所述收集的样本进行人工标记，获得人工标记的样本；
利用监督学习的方式进行训练，获得梗死识别模型。
优选地，通过所述梗死识别模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的梗死概率，具体包括：
梗死识别模型提取所述头颅CT影像数据的特征，输出所述头颅CT影像数据中各像素点的梗死概率。
优选地，基于所述头颅CT影像数据的梗死概率，测量核心梗死体积，具体包括：
基于所述头颅CT影像数据的梗死概率，统计发生梗死的像素点的个数；
根据CT影像的像素点间距、CT影像的层厚及所述发生梗死的像素点的个数，确定发生脑梗死的核心梗死体积。
优选地，基于所述头颅CT影像数据的梗死概率，统计发生梗死的像素点，进一步包括：
确定所述发生梗死的像素点所属的目标区域，确定所述目标区域中发生梗死的像素点的个数，其中，所述目标区域是用于测量核心梗死体积的区域。本说明书实施例提供的一种基于头颅CT影像的核心梗死体积的测量系统，包括：
输入模块，用于将待处理的头颅CT影像数据输入到梗死识别模型；
梗死识别模块，对所述头颅CT影像数据进行梗死判断；
测量模块，基于所述头颅CT影像数据的梗死判断结果，测量核心梗死体积。
优选地，对所述头颅CT影像数据进行梗死判断，具体包括：
将待处理的多帧头颅CT影像数据输入到预先训练得到的梗死识别模型中；
通过所述梗死识别模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的梗死概率；
基于所述头颅CT影像数据的梗死概率，测量核心梗死体积。
优选地，将待处理的多帧头颅CT影像数据输入到预先训练得到的梗死判断模型中，该步骤前，还包括：
收集用于训练梗死模型的样本；
对所述收集的样本进行人工标记，获得人工标记的样本；
利用监督学习的方式进行训练，获得梗死识别模型。
优选地，通过所述梗死识别模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的梗死概率，具体包括：
梗死识别模型提取所述头颅CT影像数据的特征，输出所述头颅CT影像数据中各像素点的梗死概率。
优选地，基于所述头颅CT影像数据的梗死概率，测量核心梗死体积，具体包括：
基于所述头颅CT影像数据的梗死概率，统计发生梗死的像素点的个数；
根据CT影像的像素点间距、CT影像的层厚及所述发生梗死的像素点的个数，确定发生脑梗死的核心梗死体积。
优选地，基于所述头颅CT影像数据的梗死概率，统计发生梗死的像素点，进一步包括：
确定所述发生梗死的像素点所属的目标区域，确定所述目标区域中发生梗死的像素点的个数，其中，所述目标区域是用于测量核心梗死体积的区域。
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：
本说明书实施例将待处理的多帧头颅CT影像数据，通过梗死识别模型进行梗死识别，进而测量核心梗死体积，能够快速、较为准确的测量核心梗死体积，排除或减少主观因素的干扰，作为计算机辅助方法，为脑卒中等医学研究提供客观依据。
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影像的核心梗死体积的测量方法的框架图；
图2为本说明书实施例提供的一种基于头颅CT影像的核心梗死体积的测量方法的流程图；
图3为本说明书实施例提供的训练梗死识别模型的流程图；
图4a为本说明书实施例提供的核团层中用于ASPECTS核心梗死体积测量的目标区域的示意图；
图4b为本说明书实施例提供的核团上层中用于ASPECTS核心梗死体积测量的目标区域的示意图；
图5为本说明书实施例提供的一种基于头颅CT影像的核心梗死体积的测量系统的示意图。
说明
C 尾状核头
L 豆状核
IC 内囊后肢
I 岛带
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
M4 M1上方的大脑中动脉皮层
M5 M2上方的大脑中动脉皮层
M6 M3上方的大脑中动脉皮层
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影像的核心梗死体积的测量方法的框架图，具体步骤包括：
步骤S101：将待处理的多帧头颅CT影像数据输入到预先训练得到的梗死识别模型中。
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，进行核心梗死体积测量时，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。
步骤S103：通过梗死识别模型识别头颅CT影像数据，获得头颅CT影像数据的梗死概率。
前述步骤S101中待处理的多帧头颅CT影像数据输入梗死识别模型后，经过模型识别，可以实现对头颅CT影像数据中各个像素点进行梗死判断，获得头颅CT影像数据的梗死概率。该梗死识别模型是利用头颅CT影像数据作为训练样本，利用监督学习的训练方式获得的模型。用作训练样本的头颅CT影像数据为发生梗死的头颅CT影像。
步骤S105：基于头颅CT影像数据的梗死概率，测量核心梗死体积。
前述步骤S103输出的头颅CT影像数据的梗死概率是一个二分类结果，用0表示未发生梗死，1表示发生梗死，从而获得了头颅CT影像数据中各像素点的梗死概率。
为了测量核心梗死体积，需要进一步确定发生梗死的像素点，因此，统计头颅CT影像数据中发生梗死的像素点的个数。然后根据CT影像的像素点间距、CT影像的层厚及发生梗死的像素点的个数，计算核心梗死体积。采用该方法，获得的核心梗死体积是待处理的头颅CT影像中，所有发生脑梗死的像素点的核心梗死体积，测量结果比较全面。
采用本实施例提供的方法，对头颅CT影像数据进行核心梗死体积的测量，可以快速、较为准确的测量核心梗死体积，排除或减少主观因素的干扰，作为计算机辅助方法，为脑卒中等医学研究提供客观依据。
为了进一步说明基于头颅CT影像的核心梗死体积的测量方法，图2为本说明书实施例提供的一种基于头颅CT影像的核心梗死体积的测量方法的流程图，以前循环核心梗死体积测量为例详细说明测量过程。
步骤S201：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S203：通过梗死识别模型识别头颅CT影像数据，获得头颅CT影像数据的梗死概率。
前述步骤S201获得的头颅CT影像数据输入梗死识别模型后，利用梗死识别模型，识别头颅CT影像数据，提取影像特征，输出头颅CT影像数据的梗死概率。该梗死概率是一个二分类结果，0表示未发生梗死，1表示发生梗死。
前述梗死识别模型是通过监督学习的训练方式获得的，图3为本说明书实施例提供的训练梗死识别模型的流程图，具体过程如下：
步骤S301：收集用于训练梗死识别模型的样本。
为了训练梗死识别模型，需要收集足够的头颅CT影像数据样本。其中，作为训练样本的头颅CT影像数据为发生梗死的病例的头颅CT影像数据。为了保证训练梗死识别模型的准确性，收集的样本的数量应该足够大。
步骤S303：人工标记样本。
上述步骤S301收集的样本，需要进一步进行人工标记。将作为样本的头颅CT影像数据进行标记，将未发生梗死的区域标记为0，发生梗死的区域标记为1。
步骤S305：提取人工标记样本的影像特征。
提取上述步骤S303中的人工标记样本的影像特征，该至少包括：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。该影像特征至少包括10个特征。
步骤S307：利用监督学习进行训练，获得梗死识别模型。
监督学习是利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。具体地，可以利用SVM算法(Support VectorMachine，支持向量随机算法)、随机森林等监督学习的方式训练模型。利用该学习方法，可以从训练样本中，建立一个模型，利用建立的模型的映射关系，将输入映射到合适的输出，可以用该模型，由输入映射出预期的输出。
利用前述步骤提取的影像特征及人工标记，进行监督学习训练，获得梗死识别模型。利用该梗死识别模型，对每一帧头颅CT影像的每一个像素点提取影像特征，该影像特征与训练梗死识别模型提取的影像特征一致，则可得到各像素点的梗死概率。
在本说明书的一个实施例中，输入数据为30*512*512的影像，代表30帧CT影像数据，每帧CT影像数据为512*512，则会输出带有数字标签的三维矩阵，该三维矩阵为30*512*512，该数字标签为0或者1，该带有数字标签的三维矩阵与头颅CT影像数据一一对应，表示头颅CT影像数据中，各像素点的梗死概率。
步骤S205：确定梗死像素点所属的目标区域。
采用步骤S203实现了对头颅CT影像数据的梗死判断，获得了头颅CT影像数据中发生梗死的各个像素点。进一步地，确定发生梗死的像素点属于目标区域中的哪一个区域，该目标区域是用于测量核心梗死体积的区域。对于前循环而言，目标区域为左右脑的尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共20个区域，具体如图4所示。具体可以经过神经网络或者其他算法，获得各像素点对应的目标区域。
步骤S207：梗死像素点去噪。
利用步骤S205确定了梗死像素点所属的目标区域，但是由于影像质量、设备等因素的影响，这些发生梗死的像素点中可能存在孤立的梗死像素点，属于干扰噪声，因此需要对这些噪声进行去除，以避免噪声干扰对后续测量核心梗死体积的影响。
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S205某一帧中第一个像素点的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S205中的梗死判断结果校正为[1,0]。如步骤S205某一帧中28个像素点的梗死判断结果输出为[28,1]，该像素点不是孤立的梗死像素点，则不需要进行校正。
步骤S209：测量核心梗死体积。
前述步骤S207梗死像素点去噪后，校正梗死像素点，根据预设的灰度阈值，确定目标区域内发生脑梗死的像素点的个数，根据CT影像的像素点间距、CT影像的层厚及发生梗死的像素点的个数，测量核心梗死体积。
在本说明书的一个实施例中，对于核心梗死体积的测量，也可以采用较为简化的流程。具体地，采用图2的方法，获取待处理的头颅CT影像数据；通过梗死识别模型识别头颅CT影像数据，所述头颅CT影像数据的梗死概率；梗死像素点去噪；测量核心梗死体积。采用该简化方法，也可测量核心梗死体积，该方法测量的核心梗死体积包括全部的梗死像素点，测量结果更为准确。
前述用于前循环的基于头颅CT影像的核心梗死体积的测量方法，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影像的核心梗死体积的测量方法，与前循环可能会存在一些区别，如后循环的目标区域为脑桥、双侧小脑、中脑、双侧脑丘及双侧大脑后动脉供血区。
不论是针对前循环核心梗死体积的测量还是后循环核心梗死体积的测量，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影像的核心梗死体积的测量方法，与之对应的，本申请还提供了一种基于头颅CT影像的核心梗死体积的测量系统，如图5所示，具体包括：
输入模块，用于将待处理的头颅CT影像数据输入到梗死识别模型；
梗死识别模块，对所述头颅CT影像数据进行梗死判断；
测量模块，基于所述头颅CT影像数据的梗死判断结果，测量核心梗死体积。
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 (11)
1.一种基于头颅CT影像的核心梗死体积的测量方法，其特征在于，包括：
将待处理的多帧头颅CT影像数据输入到预先训练得到的梗死识别模型中；
通过所述梗死识别模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的梗死概率；
基于所述头颅CT影像数据的梗死概率，测量核心梗死体积。
2.如权利要求1所述的方法，其特征在于，所述将待处理的多帧头颅CT影像数据输入到预先训练得到的梗死判断模型中，该步骤前，还包括：
收集用于训练梗死模型的样本；
对所述收集的样本进行人工标记，获得人工标记的样本；
利用监督学习的方式进行训练，获得梗死识别模型。
3.如权利要求1所述的方法，其特征在于，所述通过所述梗死识别模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的梗死概率，具体包括：
梗死识别模型提取所述头颅CT影像数据的特征，输出所述头颅CT影像数据中各像素点的梗死概率。
4.如权利要求1所述的方法，其特征在于，所述基于所述头颅CT影像数据的梗死概率，测量核心梗死体积，具体包括：
基于所述头颅CT影像数据的梗死概率，统计发生梗死的像素点的个数；
根据CT影像的像素点间距、CT影像的层厚及所述发生梗死的像素点的个数，确定发生脑梗死的核心梗死体积。
5.如权利要求4所述的方法，其特征在于，所述基于所述头颅CT影像数据的梗死概率，统计发生梗死的像素点，进一步包括：
确定所述发生梗死的像素点所属的目标区域，确定所述目标区域中发生梗死的像素点的个数，其中，所述目标区域是用于测量核心梗死体积的区域。
6.一种基于头颅CT影像的核心梗死体积的测量系统，其特征在于，包括：
输入模块，用于将待处理的头颅CT影像数据输入到梗死识别模型；
梗死识别模块，对所述头颅CT影像数据进行梗死判断；
测量模块，基于所述头颅CT影像数据的梗死判断结果，测量核心梗死体积。
7.如权利要求6所述的系统，其特征在于，所述对所述头颅CT影像数据进行梗死判断，具体包括：
将待处理的多帧头颅CT影像数据输入到预先训练得到的梗死识别模型中；
通过所述梗死识别模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的梗死概率；
基于所述头颅CT影像数据的梗死概率，测量核心梗死体积。
8.如权利要求7所述的系统，其特征在于，所述将待处理的多帧头颅CT影像数据输入到预先训练得到的梗死判断模型中，该步骤前，还包括：
收集用于训练梗死模型的样本；
对所述收集的样本进行人工标记，获得人工标记的样本；
利用监督学习的方式进行训练，获得梗死识别模型。
9.如权利要求8所述的系统，其特征在于，所述通过所述梗死识别模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的梗死概率，具体包括：
梗死识别模型提取所述头颅CT影像数据的特征，输出所述头颅CT影像数据中各像素点的梗死概率。
10.如权利要求8所述的系统，其特征在于，所述基于所述头颅CT影像数据的梗死概率，测量核心梗死体积，具体包括：
基于所述头颅CT影像数据的梗死概率，统计发生梗死的像素点的个数；
根据CT影像的像素点间距、CT影像的层厚及所述发生梗死的像素点的个数，确定发生脑梗死的核心梗死体积。
11.如权利要求10所述的系统，其特征在于，所述基于所述头颅CT影像数据的梗死概率，统计发生梗死的像素点，进一步包括：
确定所述发生梗死的像素点所属的目标区域，确定所述目标区域中发生梗死的像素点的个数，其中，所述目标区域是用于测量核心梗死体积的区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811531628.9A CN109685843B (zh) | 2018-12-14 | 2018-12-14 | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811531628.9A CN109685843B (zh) | 2018-12-14 | 2018-12-14 | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109685843A true CN109685843A (zh) | 2019-04-26 |
| CN109685843B CN109685843B (zh) | 2023-12-26 |
Family
ID=66187710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811531628.9A Active CN109685843B (zh) | 2018-12-14 | 2018-12-14 | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109685843B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256748A (zh) * | 2020-02-13 | 2021-08-13 | 脑玺(上海)智能科技有限公司 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
| CN115546159A (zh) * | 2022-10-13 | 2022-12-30 | 数坤(上海)医疗科技有限公司 | 图像处理方法、装置、设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101756712A (zh) * | 2008-11-19 | 2010-06-30 | 李祥 | Ct图像颅内血肿体积测量方法的研究 |
| US20170083682A1 (en) * | 2014-05-15 | 2017-03-23 | The Johns Hopkins University | Method, system and computer-readable media for treatment plan risk analysis |
| CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
-
2018
- 2018-12-14 CN CN201811531628.9A patent/CN109685843B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101756712A (zh) * | 2008-11-19 | 2010-06-30 | 李祥 | Ct图像颅内血肿体积测量方法的研究 |
| US20170083682A1 (en) * | 2014-05-15 | 2017-03-23 | The Johns Hopkins University | Method, system and computer-readable media for treatment plan risk analysis |
| CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 孙勇等: "CTA原始成像用于预测急性脑梗死患者的最终梗死体积", 《心脑血管病防治》 * |
| 孙勇等: "CT血管成像的侧支循环评分用于预测急性脑梗死患者的最终梗死体积", 《中华老年心脑血管病杂志》 * |
| 孟淑春等: "CT血管造影和CT灌注对前循环卒中患者梗死体积的预测效果评价", 《现代预防医学》 * |
| 谢容霞等: "急诊多参数CT用于预测急性脑梗死的最终梗死体积", 《中华老年心脑血管病杂志》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256748A (zh) * | 2020-02-13 | 2021-08-13 | 脑玺(上海)智能科技有限公司 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
| CN113256748B (zh) * | 2020-02-13 | 2024-05-31 | 脑玺(上海)智能科技有限公司 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
| CN115546159A (zh) * | 2022-10-13 | 2022-12-30 | 数坤(上海)医疗科技有限公司 | 图像处理方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109685843B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Su et al. | Lung nodule detection based on faster R-CNN framework | |
| Tan et al. | Breast cancer detection using convolutional neural networks for mammogram imaging system | |
| CN109658400A (zh) | 一种基于头颅ct影像的评分方法及系统 | |
| CN109685123B (zh) | 一种基于头颅ct影像的评分方法及系统 | |
| CN110490881A (zh) | 医学影像分割方法、装置、计算机设备及可读存储介质 | |
| Liang et al. | United snakes | |
| CN109671066A (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
| CN109712122B (zh) | 一种基于头颅ct影像的评分方法及系统 | |
| 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 | |
| US20220284578A1 (en) | Image processing for stroke characterization | |
| CN110534193A (zh) | 一种动脉瘤破裂风险评估方法及系统 | |
| 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 | |
| WO2021164320A1 (zh) | 基于计算机视觉的导管特征获取方法、装置和智能显微镜 | |
| 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 | |
| Rekik et al. | Prediction of longitudinal development of infant cortical surface shape using a 4D current-based learning framework | |
| CN109741339A (zh) | 一种分区方法及系统 | |
| CN115082405B (zh) | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 | |
| CN115359002A (zh) | 一种颈动脉超声图像斑块自动检测系统及方法 | |
| 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 | |
| CN113393445B (zh) | 乳腺癌影像确定方法及系统 | |
| CN110517244A (zh) | 一种基于dsa图像的定位方法及系统 | |
| CN110517243A (zh) | 一种基于dsa图像的定位方法及系统 | |
| Dicente Cid et al. | A lung graph–model for pulmonary hypertension and pulmonary embolism detection on DECT images | |
| CN109671065A (zh) | 一种基于头颅ct影像的取栓判断的方法及系统 | |
| CN112215922A (zh) | 一种ft域的医学图像融合方法 |
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 |