CN109726752A - 基于时间信号曲线的灌注动态影像的分割方法及系统 - Google Patents
基于时间信号曲线的灌注动态影像的分割方法及系统 Download PDFInfo
- Publication number
- CN109726752A CN109726752A CN201811587567.8A CN201811587567A CN109726752A CN 109726752 A CN109726752 A CN 109726752A CN 201811587567 A CN201811587567 A CN 201811587567A CN 109726752 A CN109726752 A CN 109726752A
- Authority
- CN
- China
- Prior art keywords
- data
- perfusion
- training
- analyzed
- classifier
- 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.)
- Pending
Links
- 230000010412 perfusion Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 121
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000002372 labelling Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000002591 computed tomography Methods 0.000 claims description 15
- 238000012805 post-processing Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- NGVDGCNFYWLIFO-UHFFFAOYSA-N pyridoxal 5'-phosphate Chemical compound CC1=NC=C(COP(O)(O)=O)C(C=O)=C1O NGVDGCNFYWLIFO-UHFFFAOYSA-N 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims 1
- 239000007924 injection Substances 0.000 claims 1
- 210000001519 tissue Anatomy 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 210000005013 brain tissue Anatomy 0.000 description 8
- 230000000302 ischemic effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000003727 cerebral blood flow Effects 0.000 description 5
- 230000002490 cerebral effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 206010061216 Infarction Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000003788 cerebral perfusion Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于时间信号曲线的灌注动态影像的分割方法，包括以下步骤：（1）、分类器训练步骤；（1.1）、训练数据读入步骤；（1.2）、训练数据特征提取步骤及训练集生成步骤；（1.3）、分类器生成步骤；（2）、分类器使用步骤；（2.1）、待分析数据读入步骤；（2.2）、待分析数据特征提取步骤；（2.3）、分类标注步骤。本发明巧妙地直接利用灌注数据中各体素的时间信号曲线的特征参数，对灌注影像数据中的所有体素进行分类标注，以实现对不同组织的分类。本发明还公开了一种基于时间信号曲线的灌注动态影像的分割系统。
Description
技术领域
本发明涉及一种灌注成像数据处理技术，具体涉及一种基于时间信号曲线的灌注动态影像的分割方法。本发明还涉及一种基于时间信号曲线的灌注动态影像的分割系统。
背景技术
随着医学影像技术及计算机技术的发展，在医疗领域内以观察脑组织血流灌注状况为目的的动态脑灌注成像和定量分析技术开始应用于临床医学辅助诊断。通过对动态脑灌注检查所获得的一个时间影像序列的量化分析，可以测量出感兴趣区域脑组织的血流灌注量，从而绘制出对应的时间密度曲线。根据中心容积原理对这些曲线进行进一步分析、计算，可得到患者的相关脑血流动力学参数，如脑血流量（CBF）、脑血容量（CBV）、平均通过时间（MTT）、达峰时间（TTP）、最大剩余功能时间（TMAX）等。按照一定的色彩分布对所得到的参数进行映像，就可以分别绘制出具有临床辅助诊断意义的功能影像。
目前，脑灌注成像后处理方法包括以下步骤：
第一步，寻找到动脉和静脉的位置，得到动脉流入曲线（Arterial Input Function，AIF）和静脉流出曲线（Vein Output Function，VOF）；
第二步，求解反卷积以得到组织特性曲线；
第三步，由曲线的最大值、曲线下面积等进一步得到脑血流量（CBF）、脑血容量（CBV）、平均通过时间（MTT）、达峰时间（TTP）、最大剩余功能时间（TMAX）等参数图像。
中国发明专利文献CN105701815A公开了一种磁共振灌注成像后处理方法及系统，通过对动脉输入函数和求解矩阵进行加权优化，将非线性问题转化为线性求解，加快了后处理速度。
这种后处理方法依赖于通过简化的生理模型将灌注数据降维约化为若干参数图，再从参数图像中通过目测、勾选区域测值、阈值处理等方式推测病变区域。但是，参数图像作为灌注数据的约化结果，实质丢失了大量有用信息，导致仅根据参数图像确定病变区域时往往不能得到稳定、有效、准确的结果。另外，参数图计算过程中，需要对大小血管的血红细胞含量等参数进行假设，还需要对动脉静脉进行识别以测定输入输出曲线，这些假设和识别均容易引入误差。此外，在对参数图像进行目测、勾选区域测值、阈值处理等二次处理过程中，还需要受过训练的医疗技术人员参与，过程耗时昂贵且容易产生人为误差。
发明内容
本发明所要解决的技术问题是提供一种基于时间信号曲线的灌注动态影像的分割方法，它可以在完整地保留灌注数据全部信息的基础上，通过对灌注数据进行后处理，将灌注数据上的所有体素按照特征参数进行分类并标注，从而得到具有分类结果的三维影像数据。
为解决上述技术问题，本发明基于时间信号曲线的灌注动态影像的分割方法的技术解决方案为，包括以下步骤：
（1）、分类器训练步骤；
（1.1）、训练数据读入步骤；
读入灌注影像训练数据S；所述灌注影像训练数据S包含有脑组织所有体素集合V上的空间坐标的信息，以及采集时长T中的时间点t，标注为：
其中，S为灌注影像训练数据，
为空间坐标，
V为体素集合，
t为时间点，
T为采集时长；
所述灌注影像训练数据S为磁共振或计算机断层扫描的灌注成像所得到的训练数据，且训练数据经过预处理。
（1.2）、训练数据特征提取步骤；遍历灌注影像训练数据S的体素集合V，对所有空间坐标的时间信号曲线分别进行特征提取，使时间信号曲线以特征参数表达，得到一个特征提取函数；
所述特征提取的方法为高斯Gaussian函数、GAMMA函数、梅尔倒谱系数MFCC、感知线性预测系数PLP中的一种；
训练集生成步骤；将灌注影像训练数据S中的体素分为多个类别，对每一类别进行标注，从而生成训练集；
所述训练集生成步骤中的灌注影像训练数据S中的体素分为六类：0骨骼、1正常脑组织、2缺血脑组织、3梗死脑组织、4动静脉血管、5脑脊液；
（1.3）、分类器生成步骤；使用训练集训练分类器F，得到任意空间坐标体素的特征参数与其分类c的映射关系；
所述分类器F的训练采用随机森林或支持向量机。
（2）、分类器使用步骤；
（2.1）、待分析数据读入步骤；
读入灌注影像待分析数据，标注为：
其中，为灌注影像待分析数据；
所述灌注影像待分析数据为磁共振或计算机断层扫描的灌注成像所得到的待分析数据，且待分析数据经过预处理。
（2.2）、待分析数据特征提取步骤；遍历灌注影像待分析数据的体素集合V，对所有空间坐标的时间信号曲线使用特征提取函数G分别进行特征提取，得到；
（2.3）、分类标注步骤；使用分类器训练步骤所得到的分类器F，遍历灌注影像待分析数据体素集合V，对所有空间坐标的体素，按照其特征参数进行分类并标注，得到具有分类结果的三维影像数据。
所述步骤2.3中所得到的具有分类结果的三维影像数据中任一体素值为：
步骤2.4，图像后处理步骤，对具有分类结果的三维影像数据进行图像后处理，去除散落的奇异点。
步骤2.5，量化具有分类结果的三维影像数据中各类组织的体积。
本发明还提供一种基于时间信号曲线的灌注动态影像的分割系统，其技术解决方案为，包括分类器训练模块和分类器使用模块；
分类器训练模块包括训练数据读入单元、训练数据特征提取单元、训练集生成单元、分类器生成单元；
训练数据读入单元，被配置为读入灌注影像训练数据S；训练数据读入单元将灌注影像训练数据S标注为：
其中，S为灌注影像训练数据，
为空间坐标，
V为体素集合，
t为时间点，
T为采集时长；
训练数据特征提取单元，被配置为遍历灌注影像训练数据S的体素集合V，对所有空间坐标的时间信号曲线分别进行特征提取，使时间信号曲线以特征参数表达，得到一个特征提取函数；
训练集生成单元，被配置为将灌注影像训练数据S中的体素分为多个类别，对每一类别进行标注，从而生成训练集；
分类器生成单元，被配置为使用训练集训练分类器F，得到任意空间坐标体素的特征参数与其分类c的映射关系；
分类器使用模块包括待分析数据读入单元、待分析数据特征提取单元、分类标注单元；
待分析数据读入单元，被配置为读入灌注影像待分析数据，标注为：
其中，为灌注影像待分析数据；
待分析数据特征提取单元，被配置为遍历灌注影像待分析数据的体素集合V，对所有空间坐标的时间信号曲线使用特征提取函数G分别进行特征提取，得到；
分类标注单元，被配置为使用分类器训练步骤所得到的分类器F，遍历灌注影像待分析数据的体素集合V，对所有空间坐标的体素，按照其特征参数进行分类并标注，得到具有分类结果的三维影像数据。
在另一实施例中，所述分割系统还包括图像后处理单元，被配置为对具有分类结果的三维影像数据进行图像后处理，去除散落的奇异点。
在另一实施例中，所述分割系统还包括分割结果量化单元，被配置为量化具有分类结果的三维影像数据中各类组织的体积。
在另一实施例中，所述训练数据读入单元还包括数据预处理单元，数据预处理单元对磁共振或计算机断层扫描的灌注成像所得到的训练数据进行预处理，得到所述灌注影像训练数据S。
在另一实施例中，所述待分析数据读入单元还包括数据预处理单元，数据预处理单元对磁共振或计算机断层扫描的灌注成像所得到的待分析数据进行预处理，得到所述灌注影像待分析数据。
本发明可以达到的技术效果是：
本发明直接利用灌注数据中各体素的时间信号曲线的特征参数，对灌注影像数据中的所有体素进行分类标注，以实现对不同组织的分类，与现有技术基于时间信号曲线先计算出CBF、 CBV、MTT、TMAX等参数图，再进行分割的方法相比，能够完整地保留灌注数据全部信息。
本发明所得到的具有分类结果的三维影像数据，可以作为中间结果，供专业医疗技术人员参考。
本发明直接从所有体素的时间信号曲线上提取特征参数，并通过对各体素的特征参数进行分类标注，能够更好利用原始灌注数据的丰富信息对任一体素进行类别判断，避免了现有技术基于不完备生理模型的计算参数图过程造成的信息流失及误差引入。
本发明将计算量较大的训练任务提前完成，训练完毕的分类器投入使用后具有使用计算资源少，计算速度快等优点。本发明相较于传统方案参数图时的反卷积计算更加快捷。
本发明相较传统方案，还能够节省专业医疗技术人员对参数图像的勾画测量、阈值处理等步骤，医疗技术人员可以直接从本发明的分类结果与原始影像结合进行阅读。
附图说明
本领域的技术人员应理解，以下说明仅是示意性地说明本发明的原理，所述原理可按多种方式应用，以实现许多不同的可替代实施方式。这些说明仅用于示出本发明的教导内容的一般原理，不意味着限制在此所公开的发明构思。
结合在本说明书中并构成本说明书的一部分的附图示出了本发明的实施方式，并且与上文的总体说明和下列附图的详细说明一起用于解释本发明的原理。
下面结合附图和具体实施方式对本发明作进一步详细的说明：
图1是本发明基于时间信号曲线的灌注动态影像的分割方法的框架示意图；
如图2为采用本发明对灌注影像数据中的缺血梗死区域进行标注及体积计算的结果示意图。
如图3为采用本发明对灌注影像数据中的动脉进行标注的结果示意图；
图4为灌注影像数据中各组织的时间信号曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另外定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
如图1所示，本发明基于时间信号曲线的灌注动态影像的分割方法，包括以下步骤：
1、分类器训练步骤；
1.1，训练数据读入步骤；
读入磁共振(MRI)或计算机断层扫描（CT）的灌注成像所得到的训练数据，对训练数据进行预处理，得到经处理的灌注影像训练数据S；
预处理方法包括：逐时间点进行运动矫正、背景去除、图像去噪；
灌注影像训练数据S包含有脑组织所有体素集合V上的空间坐标的信息，以及采集时长T中的时间点t，标注为：
其中，S为灌注影像训练数据，
为空间坐标，
V为体素集合，
t为时间点，
T为采集时长；
1.2、训练数据特征提取步骤；遍历灌注影像训练数据S的体素集合V，对所有空间坐标的时间信号曲线分别进行特征提取，使时间信号曲线以特征参数表达，得到一个特征提取函数；
特征提取的方法可以采用现有技术中任意一种方法，如高斯Gaussian函数、GAMMA函数、使用梅尔倒谱系数MFCC、感知线性预测系数PLP等；实际训练时可迭代尝试多种特征提取方法以获得最佳表现；
训练集生成步骤；将灌注影像训练数据S中的体素分为多个类别，对每一类别进行标注，从而生成训练集；
例如：将缺血性卒中的灌注影像训练数据S中的体素根据其不同的特征参数分为六类：0骨骼、1正常脑组织、2缺血脑组织、3梗死脑组织、4动静脉血管、5脑脊液，此时；
当然，根据不同的应用场景，也可以将灌注影像训练数据分为其它类别；
1.3、分类器生成步骤；使用训练集训练分类器F，得到任意空间坐标体素的特征参数与其分类c的映射关系；
分类器训练时可以采用随机森林（randomforest），支持向量机（supportvectormachine）等方案，在实际训练时可迭代尝试不同方案以获得最佳表现。
2、分类器使用步骤；
2.1，待分析数据读入步骤；
读入待分析的磁共振(MRI)或计算机断层扫描（CT）的灌注影像数据，对待分析数据进行预处理，得到经处理的灌注影像待分析数据，标注为：
其中，为灌注影像待分析数据，
为空间坐标，
V为体素集合，
t为时间点，
T为采集时长；
2.2、待分析数据特征提取步骤；遍历灌注影像待分析数据的体素集合V，对所有空间坐标的时间信号曲线使用特征提取函数G分别进行特征提取，得到灌注影像待分析数据中所有空间坐标的时间信号曲线的特征参数；
2.3、分类标注步骤；使用分类器训练步骤所得到的分类器F，遍历灌注影像待分析数据体素集合V，对所有空间坐标的体素，按照其特征参数进行分类并标注，得到一个具有分类结果的三维影像数据（如图2、图3所示），则该三维影像数据中任一体素值为：
2.4，图像后处理步骤；因同类组织均相链接，因此可利用组织的形态信息（如缺血组织应集中在一块区域）进行开闭操作及连接域操作，去除散落的奇异点；
2.5，得到分割结果；之后还可进一步地量化各类组织的体积，如计算缺血体积为：
缺血体积 = 分类为缺血脑组织2的体素个数×体素的体积。
由于磁共振(MRI)和计算机断层扫描（CT）的灌注成像所得到的数据可以理解为一个三维的电影，灌注影像数据中的每一个体素（voxel）都可以描述为一条随时间变化的曲线（即如图4所示的时间信号曲线），造影剂在各组织中的代谢及通过速率的不同，各组织上体素的时间信号曲线也具有不同形态，因此不同组织上体素的时间信号曲线具有不同的特征参数。
本发明直接利用上述特性，根据不同的特征参数对不同组织上的体素进行分类标注，从而分辨出不同组织。本发明大大减少了数据处理量，加快了数据分析速度，从根本上解决了磁共振扫描速度慢的问题。
另外，本发明直接对灌注影像数据中的各体素进行分类标注，准确度更高。
本发明基于时间信号曲线的灌注动态影像的分割系统，包括分类器训练模块和分类器使用模块；
分类器训练模块包括训练数据读入单元、训练数据特征提取单元、训练集生成单元、分类器生成单元；
训练数据读入单元，被配置为读入磁共振(MRI)或计算机断层扫描（CT）的灌注成像所得到的训练数据；进一步地，训练数据读入单元还包括数据预处理单元，数据预处理单元对所输入的训练数据进行预处理，得到经处理的灌注影像训练数据S；训练数据读入单元将灌注影像训练数据S标注为：
其中，S为灌注影像训练数据，
为空间坐标，
V为体素集合，
t为时间点，
T为采集时长；
训练数据特征提取单元，被配置为遍历灌注影像训练数据S的体素集合V，对所有空间坐标的时间信号曲线分别进行特征提取，使时间信号曲线以特征参数表达，得到一个特征提取函数；
训练集生成单元，被配置为将灌注影像训练数据S中的体素分为多个类别，对每一类别进行标注，从而生成训练集；
分类器生成单元，被配置为使用训练集训练分类器F，得到任意空间坐标体素的特征参数与其分类c的映射关系；
分类器使用模块包括待分析数据读入单元、待分析数据特征提取单元、分类标注单元、图像后处理单元、分割结果量化单元；
待分析数据读入单元，被配置为读入待分析的磁共振(MRI)或计算机断层扫描（CT）的灌注影像数据，对待分析数据进行预处理，得到经处理的灌注影像待分析数据，标注为：
其中，为灌注影像待分析数据；
为空间坐标，
V为体素集合，
t为时间点，
T为采集时长；
待分析数据特征提取单元，被配置为遍历灌注影像待分析数据的体素集合V，对所有空间坐标的时间信号曲线使用特征提取函数G分别进行特征提取，得到；
分类标注单元，被配置为使用分类器训练步骤所得到的分类器F，遍历灌注影像待分析数据的体素集合V，对所有空间坐标的体素，按照其特征参数进行分类并标注，得到具有分类结果的三维影像数据，则该三维影像数据中任一体素值为：
该具有分类结果的三维影像数据能够直观地显示出各组织的分布，从而分辨出缺血组织、动静脉血管等；
图像后处理单元，被配置为利用组织的形态信息进行开闭操作及连接域操作，去除散落的奇异点；
分割结果量化单元，被配置为量化各类组织的体积。
显然，本领域的技术人员可以对本发明进行各种改动和变形，而不脱离本发明的精神和范围。这样，倘若本发明的这些修改属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变形在内。
Claims (9)
1.一种基于时间信号曲线的灌注动态影像的分割方法，其特征在于，包括以下步骤：
（1）、分类器训练步骤；
（1.1）、训练数据读入步骤；
读入灌注影像训练数据S；所述灌注影像训练数据S包含有脑组织所有体素集合V上的空间坐标的信息，以及采集时长T中的时间点t，标注为：
其中，S为灌注影像训练数据，
为空间坐标，
V为体素集合，
t为时间点，
T为采集时长；
（1.2）、训练数据特征提取步骤；遍历灌注影像训练数据S的体素集合V，对所有空间坐标的时间信号曲线分别进行特征提取，使时间信号曲线以特征参数表达，得到一个特征提取函数；
训练集生成步骤；将灌注影像训练数据S中的体素分为多个类别，对每一类别进行标注，从而生成训练集；
（1.3）、分类器生成步骤；使用训练集训练分类器F，得到任意空间坐标体素的特征参数与其分类c的映射关系；
（2）、分类器使用步骤；
（2.1）、待分析数据读入步骤；
读入灌注影像待分析数据，标注为：
其中，为灌注影像待分析数据；
（2.2）、待分析数据特征提取步骤；遍历灌注影像待分析数据的体素集合V，对所有空间坐标的时间信号曲线使用特征提取函数G分别进行特征提取，得到；
（2.3）、分类标注步骤；使用分类器训练步骤所得到的分类器F，遍历灌注影像待分析数据的体素集合V，对所有空间坐标的体素，按照其特征参数进行分类并标注，得到具有分类结果的三维影像数据。
2.根据权利要求1所述的基于时间信号曲线的灌注动态影像的分割方法，其特征在于：所述步骤（1.1）中的灌注影像训练数据S为磁共振或计算机断层扫描的灌注成像所得到的训练数据，且训练数据经过预处理。
3.根据权利要求1所述的基于时间信号曲线的灌注动态影像的分割方法，其特征在于：所述步骤（2.3）后执行步骤（2.4），图像后处理步骤，对具有分类结果的三维影像数据进行图像后处理，去除散落的奇异点。
4.根据权利要求3所述的基于时间信号曲线的灌注动态影像的分割方法，其特征在于：所述步骤（2.4）之后执行步骤（2.5），量化具有分类结果的三维影像数据中各类组织的体积。
5.根据权利要求1所述的基于时间信号曲线的灌注动态影像的分割方法，其特征在于：所述步骤（1.2）和/或步骤（2.2）中特征提取的方法为高斯Gaussian函数、GAMMA函数、梅尔倒谱系数MFCC、感知线性预测系数PLP中的一种；所述步骤（1.4）中分类器F的训练采用随机森林或支持向量机。
6.一种基于时间信号曲线的灌注动态影像的分割系统，其特征在于：包括分类器训练模块和分类器使用模块；
所述分类器训练模块包括训练数据读入单元、训练数据特征提取单元、训练集生成单元、分类器生成单元；
训练数据读入单元，被配置为读入灌注影像训练数据S；训练数据读入单元将灌注影像训练数据S标注为：
其中，S为灌注影像训练数据，
为空间坐标，
V为体素集合，
t为时间点，
T为采集时长；
训练数据特征提取单元，被配置为遍历灌注影像训练数据S的体素集合V，对所有空间坐标的时间信号曲线分别进行特征提取，使时间信号曲线以特征参数表达，得到一个特征提取函数；
训练集生成单元，被配置为将灌注影像训练数据S中的体素分为多个类别，对每一类别进行标注，从而生成训练集；
分类器生成单元，被配置为使用训练集训练分类器F，得到任意空间坐标体素的特征参数与其分类c的映射关系；
所述分类器使用模块包括待分析数据读入单元、待分析数据特征提取单元、分类标注单元；
待分析数据读入单元，被配置为读入灌注影像待分析数据，标注为：
其中，为灌注影像待分析数据；
待分析数据特征提取单元，被配置为遍历灌注影像待分析数据体素集合V，对所有空间坐标的时间信号曲线使用特征提取函数G分别进行特征提取，得到；
分类标注单元，被配置为使用分类器训练步骤所得到的分类器F，遍历灌注影像待分析数据的体素集合V，对所有空间坐标的体素，按照其特征参数进行分类并标注，得到具有分类结果的三维影像数据。
7.根据权利要求6所述的基于时间信号曲线的灌注动态影像的分割系统，其特征在于：所述分割系统还包括图像后处理单元，被配置为对具有分类结果的三维影像数据进行图像后处理，去除散落的奇异点。
8.根据权利要求7所述的基于时间信号曲线的灌注动态影像的分割系统，其特征在于：所述分割系统还包括分割结果量化单元，被配置为量化具有分类结果的三维影像数据中各类组织的体积。
9.根据权利要求6所述的基于时间信号曲线的灌注动态影像的分割系统，其特征在于：所述训练数据读入单元还包括数据预处理单元，数据预处理单元对磁共振或计算机断层扫描的灌注成像所得到的训练数据进行预处理，得到所述灌注影像训练数据S；所述待分析数据读入单元还包括数据预处理单元，数据预处理单元对磁共振或计算机断层扫描的灌注成像所得到的待分析数据进行预处理，得到所述灌注影像待分析数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811587567.8A CN109726752A (zh) | 2018-12-25 | 2018-12-25 | 基于时间信号曲线的灌注动态影像的分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811587567.8A CN109726752A (zh) | 2018-12-25 | 2018-12-25 | 基于时间信号曲线的灌注动态影像的分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109726752A true CN109726752A (zh) | 2019-05-07 |
Family
ID=66297820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811587567.8A Pending CN109726752A (zh) | 2018-12-25 | 2018-12-25 | 基于时间信号曲线的灌注动态影像的分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726752A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110301900A (zh) * | 2019-07-01 | 2019-10-08 | 脑玺(上海)智能科技有限公司 | 动态灌注影像处理的定量分析方法及系统 |
| CN112419340A (zh) * | 2020-12-09 | 2021-02-26 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
| CN113329688A (zh) * | 2019-09-18 | 2021-08-31 | 拜耳公司 | 用于预测、预期和/或评估组织特征的系统、方法和计算机程序产品 |
| CN114077863A (zh) * | 2020-12-24 | 2022-02-22 | 深圳市铱硙医疗科技有限公司 | 动态灌注影像后处理中动脉输入函数的测量系统及方法 |
| CN114077863B (zh) * | 2020-12-24 | 2024-09-06 | 深圳市铱硙医疗科技有限公司 | 动态灌注影像后处理中动脉输入函数的测量系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020111550A1 (en) * | 2000-12-18 | 2002-08-15 | Schwamm Lee H. | Imaging system for obtaining quantative perfusion indices |
| CN101283362A (zh) * | 2005-10-25 | 2008-10-08 | 布拉科成像S.P.A.公司 | 用于自动处理和评估图像、特别是诊断图像的方法和系统 |
| US20150226815A1 (en) * | 2014-02-12 | 2015-08-13 | Kai Tobias Block | Automatic bolus detection |
| CN105701815A (zh) * | 2016-01-12 | 2016-06-22 | 深圳安科高技术股份有限公司 | 一种磁共振灌注成像后处理方法及系统 |
| CN105787958A (zh) * | 2016-05-20 | 2016-07-20 | 东南大学 | 一种基于三维Zernike矩的肾脏动脉CT造影图像血管分割方法 |
| CN107767378A (zh) * | 2017-11-13 | 2018-03-06 | 浙江中医药大学 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
| CN107886510A (zh) * | 2017-11-27 | 2018-04-06 | 杭州电子科技大学 | 一种基于三维全卷积神经网络的前列腺mri分割方法 |
| CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 迈格生命科技（深圳）有限公司 | 一种神经指纹提取分类方法及系统 |
| CN108846838A (zh) * | 2018-06-04 | 2018-11-20 | 卢龙 | 一种三维mri半自动病灶图像分割方法及系统 |
-
2018
- 2018-12-25 CN CN201811587567.8A patent/CN109726752A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020111550A1 (en) * | 2000-12-18 | 2002-08-15 | Schwamm Lee H. | Imaging system for obtaining quantative perfusion indices |
| CN101283362A (zh) * | 2005-10-25 | 2008-10-08 | 布拉科成像S.P.A.公司 | 用于自动处理和评估图像、特别是诊断图像的方法和系统 |
| US20150226815A1 (en) * | 2014-02-12 | 2015-08-13 | Kai Tobias Block | Automatic bolus detection |
| CN105701815A (zh) * | 2016-01-12 | 2016-06-22 | 深圳安科高技术股份有限公司 | 一种磁共振灌注成像后处理方法及系统 |
| CN105787958A (zh) * | 2016-05-20 | 2016-07-20 | 东南大学 | 一种基于三维Zernike矩的肾脏动脉CT造影图像血管分割方法 |
| CN107767378A (zh) * | 2017-11-13 | 2018-03-06 | 浙江中医药大学 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
| CN107886510A (zh) * | 2017-11-27 | 2018-04-06 | 杭州电子科技大学 | 一种基于三维全卷积神经网络的前列腺mri分割方法 |
| CN108288070A (zh) * | 2018-01-12 | 2018-07-17 | 迈格生命科技（深圳）有限公司 | 一种神经指纹提取分类方法及系统 |
| CN108846838A (zh) * | 2018-06-04 | 2018-11-20 | 卢龙 | 一种三维mri半自动病灶图像分割方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| HAMED AKBARI 等: "Pattern Analysis of Dynamic Susceptibility Contrast-enhanced MR Imaging Demonstrates Peritumoral Tissue Heterogeneity", 《RADIOLOGY》 * |
| KYRRE E. EMBLEM 等: "Predictive modeling in glioma grading from MR perfusion images using support vector machines", 《MAGNETIC RESONANCE IN MEDICINE》 * |
| LUCHT R E A 等: "Classification of Signal-Time Curves Obtained by Dynamic Magnetic Resonance Mammography: Statistical Comparison of Quantitative Methods", 《INVESTIGATIVE RADIOLOGY》 * |
| YI-HSUAN KAO 等: "Hemodynamic segmentation of MR brain perfusion images using independent component analysis, thresholding, and Bayesian estimation", 《MAGNETIC RESONANCE IN MEDICINE》 * |
| 乔惠婷 等: "基于DSA动态图像的颅内动脉灌注特征提取", 《影像技术学》 * |
| 张国栋 等: "动态CT脑灌注影像后处理算法", 《工程图学学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110301900A (zh) * | 2019-07-01 | 2019-10-08 | 脑玺(上海)智能科技有限公司 | 动态灌注影像处理的定量分析方法及系统 |
| CN110301900B (zh) * | 2019-07-01 | 2020-06-05 | 脑玺(上海)智能科技有限公司 | 动态灌注影像处理的定量分析方法及系统 |
| CN113329688A (zh) * | 2019-09-18 | 2021-08-31 | 拜耳公司 | 用于预测、预期和/或评估组织特征的系统、方法和计算机程序产品 |
| CN113329688B (zh) * | 2019-09-18 | 2023-11-28 | 拜耳公司 | 用于确定组织体素的特征的方法、系统和计算机可读介质 |
| CN112419340A (zh) * | 2020-12-09 | 2021-02-26 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
| CN114077863A (zh) * | 2020-12-24 | 2022-02-22 | 深圳市铱硙医疗科技有限公司 | 动态灌注影像后处理中动脉输入函数的测量系统及方法 |
| CN114077863B (zh) * | 2020-12-24 | 2024-09-06 | 深圳市铱硙医疗科技有限公司 | 动态灌注影像后处理中动脉输入函数的测量系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7447344B2 (en) | System and method for visualization of pulmonary emboli from high-resolution computed tomography images | |
| US9036878B2 (en) | Method for delineation of tissue lesions | |
| Oeltze et al. | Interactive visual analysis of perfusion data | |
| Deshpande et al. | Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature | |
| US8076937B2 (en) | Fibre tracking on the basis of macroscopic information | |
| CN108734163B (zh) | 确定弥散张量成像感兴趣区的方法 | |
| US9898824B2 (en) | Method for volume evaluation of penumbra mismatch in acute ischemic stroke and system therefor | |
| CN109726752A (zh) | 基于时间信号曲线的灌注动态影像的分割方法及系统 | |
| CN106157279A (zh) | 基于形态学分割的眼底图像病变检测方法 | |
| CN110236544B (zh) | 基于相关系数的中风灌注成像病变区域检测系统及方法 | |
| JP2010526572A (ja) | 被検者の脳の画像を解析するための方法、そのような画像を解析するためのコンピュータプログラム製品、および前記方法を実施するための装置 | |
| CN114419181A (zh) | Cta图像的重建方法及重建装置、显示方法及显示装置 | |
| US20100014739A1 (en) | System and method for segmentation of mr flow data using fluid dynamics and tracking | |
| CN115937196A (zh) | 一种医学图像分析系统、分析方法和计算机可读存储介质 | |
| CN109726753A (zh) | 基于时间信号曲线的灌注动态影像的分割方法及系统 | |
| CN111685740A (zh) | 一种心脏功能参数检测方法及装置 | |
| Xu et al. | Deep learning-based automated detection of arterial vessel wall and plaque on magnetic resonance vessel wall images | |
| KR20130045544A (ko) | 자기공명영상을 분석하는 방법, 장치 그리고 자기공명영상을 분석하기 위한 프로그램이 기록된 기록매체 | |
| Somasundaram et al. | Brain extraction method for T1-weighted magnetic resonance scans | |
| CN110301900B (zh) | 动态灌注影像处理的定量分析方法及系统 | |
| US20230222771A1 (en) | Method and system for automatic classification of radiographic images having different acquisition characteristics | |
| WO2022006917A1 (zh) | 基于人工智能的磁共振肺部影像识别装置及方法 | |
| US11295448B1 (en) | Concurrent display of hemodynamic parameters and damaged brain tissue | |
| Lauersen et al. | Kidney segmentation for quantitative analysis applying MaskRCNN architecture | |
| JP4068098B2 (ja) | 血流測定装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |
|
| RJ01 | Rejection of invention patent application after publication |