CN111091563A - 一种基于颅脑影像数据的目标区域的提取方法及系统 - Google Patents

Abstract

本说明书实施例公开了一种基于颅脑影像数据的目标区域的提取方法及系统，解决了现有技术需要观察者的参与，且识别过程复杂，这种“人工判读方法”往往依赖观察者的经验，存在主观差异，且耗时长，准确度低，可操作性差等问题。该方法包括：读取待处理的颅脑灌注影像数据；基于所述待处理的颅脑灌注影像数据，计算所述待处理的颅脑灌注影像数据对应的特征图；基于待处理的颅脑灌注影像数据的对称轴，获得所述特征图的对侧比较图；采用阈值分割法，获取所述对侧比较图的目标区域。本说明书实施例提供的目标区域的提取方法及系统，能够排除或减少人为因素带来的判断差异，减小判读误差，节约时间，实现自动化判读CTP图像。

Description

一种基于颅脑影像数据的目标区域的提取方法及系统

技术领域

本说明书涉及医学影像和计算机技术领域，尤其涉及一种基于颅脑影像数据的目标区域的提取方法及系统。

背景技术

CT灌注(CT perfusion,CTP)是急性脑缺血快速诊断的重要手段，常用于急性脑缺血的早期诊断和一过性脑缺血发作的诊断。CTP可以在早期显示缺血部位的病灶，能够区分脑部的缺血半暗带区域，从而在有效的灌注时间内积极进行溶栓治疗，抢救缺血半暗带的神经元功能，对脑缺血的及时诊断、指导治疗具有重要的临床意义。利用CTP图像准确地判断脑缺血病灶的范围及其容积，有助于预测脑缺血的预后，对脑缺血的治疗效果进行评价。

目前，现有技术中，CTP图像的判读过程需要观察者的参与，且识别过程复杂。这种“人工判读方法”往往依赖观察者的经验，存在主观差异，且耗时长，准确度低，可操作性差。

因此，需要一种新的方法，能够排除或减少人为因素带来的判断差异，减小判读误差，节约时间，实现自动化判读CTP图像。

发明内容

本说明书实施例提供一种基于颅脑影像数据的目标区域的提取方法及系统，用于解决以下技术问题：能够排除或减少人为因素带来的判断差异，减小判读误差，节约时间，实现自动化判读CTP图像。

本说明书实施例提供一种基于颅脑影像数据的目标区域的提取方法，包括以下步骤：

读取待处理的颅脑灌注影像数据；

基于所述待处理的颅脑灌注影像数据，计算所述待处理的颅脑灌注影像数据对应的特征图；

基于待处理的颅脑灌注影像数据的对称轴，获得所述特征图的对侧比较图；

采用阈值分割法，获取所述对侧比较图的目标区域，其中，所述目标区域包括核心梗死区和/或低灌注区。

优选地，所述方法进一步包括：

获取所述目标区域的体积，具体包括：

利用形态学处理方法，对所述目标区域进行降噪处理；

将所述目标区域内的目标像素的体积乘以目标像素的数量，作为所述目标区域的体积。

优选地，所述读取待处理的颅脑灌注影像数据，之后还包括步骤：

以所述待处理的颅脑灌注影像数据中的第一个序列为基准，将所述待处理的颅脑灌注影像数据中的其它序列与所述第一个序列进行配准。

优选地，所述方法还包括预处理步骤，具体包括：

采用去骨算法，去除所述待处理颅脑灌注影像数据中的颅骨和线圈，得到第一掩模数据图像；

采用GPU加速的保留边缘滤波算法，对所述第一掩模数据图像进行平滑处理，得到第二掩模数据图像；

将所述第二掩模数据图像中相同位置像素的最大灰度值进行密度投影，获得第一图像。

优选地，所述方法进一步包括：

基于所述第一图像，通过二值化阈值提取血管，获得第二图像。

优选地，所述方法进一步包括：

基于所述待处理颅脑灌注影像数据对应的时间密度曲线，获得动脉输入点及静脉输出点；

将所述动脉输入点及所述静脉输出点在所述第二图像中进行标注，得到第三图像。

优选地，所述方法进一步包括：

基于所述第一掩模数据图像，提取颅脑影像的对称轴。

优选地，所述基于所述待处理的颅脑灌注影像数据，计算所述待处理的颅脑灌注影像数据对应的特征图，具体包括：

基于所述待处理颅脑灌注影像数据对应的时间密度曲线、所述动脉输入点和所述静脉输出点，计算所述待处理颅脑灌注影像数据的中各像素点的最大梯度；

基于所述各像素点的最大梯度，获取待处理的颅脑灌注影像数据对应的特征图。

优选地，所述基于待处理的颅脑灌注影像数据的对称轴，获得所述特征图的对侧比较图，具体包括：

根据所述待处理的颅脑灌注影像数据的对称轴，计算所述特征图中一侧像素点与对侧像素点的比值和/或差值，获得对侧比较图，其中，

计算特征图中的CBF和/或CBV中一侧像素点与对侧像素点的比值，获得rCBF和/或rCBV；

计算特征图中的MTT和/或Tmax中一侧像素点与对侧像素点的差值，获得rMTT和/或rTmax。

优选地，所述采用阈值分割法，获取所述对侧比较图的目标区域，具体包括：

根据预设阈值，获得所述对侧比较图中的目标区域的梗死像素点。

本说明书实施例提供的一种基于颅脑影像数据的目标区域的提取系统，包括：

获取模块，读取待处理的颅脑灌注影像数据；

处理模块，基于所述待处理的颅脑灌注影像数据，计算所述待处理的颅脑灌注影像数据对应的特征图；

基于待处理的颅脑灌注影像数据的对称轴，获得所述特征图的对侧比较图；

目标区域模块，采用阈值分割法，获取所述对侧比较图的目标区域，其中，所述目标区域包括核心梗死区和/或低灌注区。

优选地，所述系统进一步包括：

计算模块，获取所述目标区域的体积，具体包括：

利用形态学处理方法，对所述目标区域进行降噪处理；

所述目标区域内的目标像素体积乘以目标像素数量，作为目标区域的体积。

优选地，所述读取待处理的颅脑灌注影像数据，之后还包括步骤：

以所述待处理的颅脑灌注影像数据的第一个序列为基准，将所述待处理的颅脑灌注影像数据中的其它数据与所述第一个序列进行配准。

优选地，所述系统还包括预处理模块，具体包括：

采用去骨算法，去除所述待处理颅脑灌注影像数据中的颅骨和线圈，得到第一掩模数据图像；

采用GPU加速的保留边缘滤波算法，对所述第一掩模数据图像进行平滑处理，得到第二掩模数据图像；

将所述第二掩模数据图像中相同位置像素的最大灰度值进行密度投影，获得第一图像。

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：

本说明书实施例通过读取待处理的颅脑灌注影像数据；基于所述待处理的颅脑灌注影像数据，计算所述待处理的颅脑灌注影像数据对应的特征图；基于待处理的颅脑灌注影像数据的对称轴，获得所述特征图的对侧比较图；采用阈值分割法，获取所述对侧比较图的目标区域，能够排除或减少人为因素带来的判断差异，减小判读误差，节约时间，实现自动化判读CTP图像。

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颅脑影像数据的目标区域的提取方法的流程示意图；

图2为本说明书实施例提供的一种对称轴的提取方法；

图3为本说明书实施例提供的一种基于颅脑影像数据的目标区域的提取方法的流程示意图；

图4为本说明书实施例提供的一种基于颅脑影像数据的目标区域的提取系统的示意图。

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。

脑缺血时局部血流量减少，导致血流速、血容量和通过时间等均发生不同程度的变化。脑部缺血，首先表现为功能异常，随后表现为形态上的改变，由于脑组织的损伤程度与缺血时间密切相关，因此尽早诊断、治疗并恢复脑部供血可明显改善病人的治愈效果。

用于急性脑缺血的常规CT扫描，一般适用于缺血24小时后病灶的诊断；MRI弥散加权成像(diffusion weighted imaging,DWI)可以在发病4小时后显示病灶；而CTP(CTperfusion,CT灌注成像)可以在发病后30分钟显示病灶。CTP主要作为急性脑缺血快速诊断的重要手段，可以在发病早期显示缺血部位的病灶，区分脑部的缺血半暗带区域，从而在有效的灌注时间内积极进行溶栓治疗，抢救缺血半暗带的神经元功能，具有重要的临床意义。

图1为本说明书实施例提供的一种基于颅脑影像数据的目标区域的提取方法的流程示意图。该方法具体包括以下步骤：

步骤S101：读取待处理的颅脑灌注影像数据。

颅脑灌注影像数据是注射造影剂后在等时间间隔拍摄的多幅CT序列图像，由于不同厂家的CTP设备输出的DICOM图像格式不一致，因此，在读取待处理的颅脑灌注影像数据时，需要根据不同厂家的DICOM图像格式及CT序列图像的拍摄时间，最终将颅脑灌注影像数据按照时间排序的多幅断层影像。

在本申请中，采用读取DICOM头信息的方法，实现颅脑灌注影像数据的自适应读取。具体地，根据DICOM头信息中的设备厂商信息，实现不同设备厂商的颅脑灌注影像数据的读取；根据DCOM头信息中提取的时间信息估计相邻序列的时间间隔，实现颅脑灌注影像数据按照时间进行排序。

由于CTP拍摄时间相对较长，被观察者可能发生位移，因此不同时间的CT序列在空间上可能不是完全对准的，需要对不同时相的多个序列进行配准。在本申请中，采用基于图像互信息测度的三维刚性配准算法，实现不同时相的多个CT序列的配准。具体地，以待处理的颅脑灌注影像数据中的第一个序列为基准，将待处理的颅脑灌注影像数据中的其它序列与所述第一个序列进行配准。由于颅脑灌注影像数据之间的位移变化不大，因此，在具体实施过程中，采用较小的初始步长及较小的松弛因子，以降低配准时间，提高效率。

经过配准的颅脑灌注影像数据，除了CTP的研究对象外，还有头骨等无关部分、噪声等干扰，会影响后续计算，增大计算时的存储空间及运行时间开销，因此，需要进一步进行预处理。主要包括图像去骨、滤波，并计算最大密度投影图。

在本申请的一个实施例中，采用去骨算法对颅脑灌注影像数据进行去骨，主要包括去除颅骨和线圈，去除干扰像素。具体地，通过阈值分割，根据第一阈值，从待处理的颅脑灌注影像数据中提取出颅骨，得到颅骨掩模(mask)图像，将颅脑分割为颅骨内和颅骨外两部分。在实际应用中，提取颅骨的阈值为>100。进一步，低于第二阈值的像素点属于颅骨内，从颅骨掩模图像中取出颅骨，得到去除颅骨后的组织掩模图像。在具体实施过程中，第二阈值可以为80。基于去除颅骨后的组织掩模图像，基于最大连通域方法，提取颅内组织的最大轮廓，进一步采用区域生长的方法，获得完整的颅内组织掩模图像，从而实现颅骨和线圈的去除，得到第一掩模数据图像。

为减少噪声对后续计算的影响，因此需要进一步对第一掩模数据图像进行去噪处理。由于第一掩模数据图像的数据量较大，采用传统的滤波算法会产生巨大的时间开销，在本申请的一个实施例中，采用GPU加速的保留边缘滤波算法，对第一掩模数据图像进行平滑处理，得到第二掩模数据图像。

最大密度投影图像上的每个像素点对应于图像序列上的一条时间密度曲线，最大密度投影图像上的每一点像素值都是相应时间密度曲线上的最大值，反应了脑部组织各个像素点的最大增强。在本申请中，将第二掩模数据图像中相同位置像素的最大灰度值进行密度投影，获得第一图像。经过前述处理步骤，得到的第一图像中仅含有脑组织的灰质、白质和血管三个部分。其中，脑灰质和脑白质是疾病多发部位，用于后续目标区域的计算。而血管用于选取对比剂的输入动脉和输出静脉。

步骤S103：基于所述待处理的颅脑灌注影像数据，计算所述待处理的颅脑灌注影像数据对应的特征图。

在CT灌注的实际应用中，常采用灌注参数的特征图进行组织器官灌注状态的功能。常见的灌注参数主要包括：脑血流量(cerebral blood flow,CBF)、脑血容量(cerebralblood volume,CBV)、平均通过时间(mean transit time,MTT)和达峰反应时间(Tmax)。CBV是指单位脑组织(100g)内脑血容量，单位ml/100g，在脑组织中，灰质与白质的CBV存在差异，一般灰质的CBV为4％-6％，白质的CBV为1％-3％，在实际应用中，CBV的明显下降区认为是核心梗死区。CBF是指单位时间内流经一定量脑组织血管结构的血流量，单位ml/min/100g。MTT是造影剂从颅内的动脉侧到静脉侧所需要的时间，所有通过时间的平均值，单位s。Tmax是代表组织储存功能达到最大值的时间，反应组织灌注改变及脑组织梗死的敏感指标，该指标不受扫描时间影响，是常见的反映半暗带的指标。因此，确定基于灌注参数的特征图，具有重要的应用价值。

在本申请中，特征图包括CBV图、CBF图、MTT图和Tmax图。特征图是基于待处理颅脑灌注影像数据对应的时间密度曲线、动脉输入点和静脉输出点，计算待处理颅脑灌注影像数据的中各像素点的最大梯度；基于所述各像素点的最大梯度，获取待处理的颅脑灌注影像数据对应的特征图。

在本申请中，各像素点的时间密度曲线是基于待处理的颅脑灌注影像数据获得的。

在本申请中，颅脑灌注影像数据对应的动脉输入点和静脉输出点的选择均是在第一图像上进行的。在具体实施过程中，首先，基于第一图像，通过二值化阈值提取血管，获得第二图像。在本申请的一个实施例中，二值化阈值范围为100，提取大于阈值范围的像素点，得到第二图像。进一步，基于第二图像，选择动脉输入点及静脉输出点。由于在CTP中，对比剂在输入动脉速度最快，输入动脉曲线上的峰值较其他动脉峰值出现位置最早，输入动脉曲线上的最大增强值比其他动脉增强值最大。输出静脉的时间密度曲线的最大增强值远远超过输入动脉，并且输出静脉的时间密度曲线最大增强出现较晚。基于此，可得到动脉输入点及静脉输出点。具体地，遍历第二图像对应的时间密度曲线，将所述时间密度曲线中出现峰值相对较早的点作为动脉输入点，将所述时间密度曲线中出现峰值相对较晚的点作为静脉输出点，其中，所述时间密度曲线是所述待处理颅脑灌注影像数据中各像素点随时间变化的CT值。最后，将动脉输入点及静脉输出点在第二图像中进行标注，得到第三图像。

步骤S105：基于待处理的颅脑灌注影像数据的对称轴，获得所述特征图的对侧比较图。

由于发生脑缺血时，相应部位的灰度值、血流平均通过时间等均会发生变化，基于颅脑的对称性，可以通过颅脑一侧与对侧对比的方式进行病变的判断，因此，颅脑对称轴的提取至关重要。

图2为本说明书实施例提供的一种对称轴的提取方法，具体包括：

步骤S201：获取颅脑的初始对称轴。

首先获取前述步骤中第一掩模图像的的质心。图像的质心，也称为图像的中心，相当于图像灰度的中心，亦即二值图像的像素中心点。质心的获得有多种方法，诸如矩计算。同时，需要确定第一掩模图像的主轴方向，亦即长轴方向，具体可以通过矩计算或者最小二乘法拟合来求取。然后将经过质心，以第一掩模图像的主轴方向的直线作为颅脑的初始对称轴。

步骤S203：不断调整颅脑的初始对称轴，获得颅脑的对称轴。

具体地，以初始对称轴为基准，调整初始对称轴绕质心的角度，作为新的初始对称轴；计算新的初始对称轴两侧图像的像素点的灰度均值的均方差；以对称轴两侧图像的像素点的灰度均值的均方差为判断标准，通过梯度下降法优化初始对称轴绕所述质心的角度，直至角度变化小于预设值时，当前位置的对称轴则是颅脑的对称轴。

颅脑对称轴的提取亦可采用其他方法，如基于图像翻转的配准算法，基于深度学习的方法。

根据所述待处理的颅脑灌注影像数据的对称轴，计算所述特征图中一侧像素点与对侧像素点的比值和/或差值，获得对侧比较图，其中，计算特征图中的CBF和/或CBV中一侧像素点与对侧像素点的比值，获得rCBF和/或rCBV；计算特征图中的MTT和/或Tmax中一侧像素点与对侧像素点的差值，获得rMTT和/或rTmax。在实际应用中，rCBF和/或rTmax可用于获取目标区域，rCBV和/或rMTT可用于对结果的进一步验证。

步骤S107：采用阈值分割法，获取所述对侧比较图的目标区域，其中，所述目标区域包括核心梗死区和/或低灌注区。

由于在脑缺血时，灌注参数的变化，如CBF降低，Tmax延长等，在本申请中，目标区域的获取采用阈值分割法。具体地，采用阈值分割法，获取对侧比较图的目标区域。在本申请的一个实施例中，rCBF的阈值范围为30％，将rCBF图中阈值范围在30％以内的像素点作为目标区域，该目标区域为核心梗死区。在本申请的又一个实施例中，rTmax的阈值范围为6s，将rTmax图中阈值范围超过6s的像素点作为目标区域，该目标区域为低灌注区。

在实际应用中，由于离散噪声的干扰，可能会存在目标区域的误判，因此进一步对目标区域进行去噪，进而获取目标区域的体积。具体地，利用形态学处理方法，对目标区域进行降噪处理；将目标区域内的目标像素的体积乘以目标像素的数量，作为目标区域的体积。其中，目标像素的体积为每个目标像素的长、宽及厚度的乘积。

采用本申请提供的方法，可以快速获得目标区域和/或目标区域的体积，能够排除或减少人为因素带来的判断差异，减小判读误差，节约时间，实现自动化判读CTP图像。

本申请实施例还提供了一种更优的实施方式，图3为本说明书实施例提供的一种基于颅脑影像数据的目标区域的提取方法的流程示意图。该方法具体包括以下步骤：

步骤S301：读取待处理的颅脑灌注影像数据。

步骤S303：将所述待处理的颅脑灌注影像数据进行配准。

步骤S305：将所述经过配准的待处理的颅脑灌注影像数据进行预处理。

步骤S307：提取血管、动脉输入点和静脉输出点。

步骤S309：计算所述待处理的颅脑灌注影像数据对应的特征图。

步骤S311：基于待处理的颅脑灌注影像数据的对称轴，获取所述特征图的对侧比较图。

步骤S313：采用阈值分割法，获取所述对侧比较图的目标区域。

步骤S315：获取所述目标区域的体积。

基于同样的思路，本说明书实施例还提供了一种基于颅脑影像数据的目标区域的提取系统，图4为本说明书实施例提供的一种基于颅脑影像数据的目标区域的提取系统的示意图，该系统包括：

获取模块401，读取待处理的颅脑灌注影像数据；

处理模块403，基于所述待处理的颅脑灌注影像数据，计算待处理的颅脑灌注影像数据对应的特征图；

基于待处理的颅脑灌注影像数据的对称轴，获得所述特征图的对侧比较图；

目标区域模块405，采用阈值分割法，获取所述对侧比较图的目标区域。

所述系统进一步包括：

计算模块407，获取所述目标区域的体积，具体包括：

利用形态学处理方法，对所述目标区域进行降噪处理；

所述目标区域内的目标像素体积乘以目标像素数量，作为目标区域的体积。

所述读取待处理的颅脑灌注影像数据，之后还包括步骤：

以所述待处理的颅脑灌注影像数据的第一个序列为基准，将所述待处理的颅脑灌注影像数据中的其它数据与所述第一个序列进行配准。

所述系统还包括预处理模块409，具体包括：

采用去骨算法，去除所述待处理颅脑灌注影像数据中的颅骨和线圈，得到第一掩模数据图像；

采用GPU加速的保留边缘滤波算法，对所述第一掩模数据图像进行平滑处理，得到第二掩模数据图像；

将所述第二掩模数据图像中相同位置像素的最大灰度值进行密度投影，获得第一图像。

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 (14)

1.一种基于颅脑影像数据的目标区域的提取方法，其特征在于，包括：

读取待处理的颅脑灌注影像数据；

基于所述待处理的颅脑灌注影像数据，计算所述待处理的颅脑灌注影像数据对应的特征图；

基于待处理的颅脑灌注影像数据的对称轴，获得所述特征图的对侧比较图；

采用阈值分割法，获取所述对侧比较图的目标区域，其中，所述目标区域包括核心梗死区和/或低灌注区。

2.如权利要求1所述的方法，其特征在于，所述方法进一步包括：

获取所述目标区域的体积，具体包括：

利用形态学处理方法，对所述目标区域进行降噪处理；

将所述目标区域内的目标像素的体积乘以目标像素的数量，作为所述目标区域的体积。

3.如权利要求1所述的方法，其特征在于，所述读取待处理的颅脑灌注影像数据，之后还包括步骤：

以所述待处理的颅脑灌注影像数据中的第一个序列为基准，将所述待处理的颅脑灌注影像数据中的其它序列与所述第一个序列进行配准。

4.如权利要求1或3所述的方法，其特征在于，所述方法还包括预处理步骤，具体包括：

采用去骨算法，去除所述待处理颅脑灌注影像数据中的颅骨和线圈，得到第一掩模数据图像；

采用GPU加速的保留边缘滤波算法，对所述第一掩模数据图像进行平滑处理，得到第二掩模数据图像；

将所述第二掩模数据图像中相同位置像素的最大灰度值进行密度投影，获得第一图像。

5.如权利要求4所述的方法，其特征在于，所述方法进一步包括：

基于所述第一图像，通过二值化阈值提取血管，获得第二图像。

6.如权利要求5所述的方法，其特征在于，所述方法进一步包括：

基于所述待处理颅脑灌注影像数据对应的时间密度曲线，获得动脉输入点及静脉输出点；

将所述动脉输入点及所述静脉输出点在所述第二图像中进行标注，得到第三图像。

7.如权利要求1或4任一项所述的方法，其特征在于，所述方法进一步包括：

基于所述第一掩模数据图像，提取颅脑影像的对称轴。

8.如权利要求1或6任一项所述的方法，其特征在于，所述基于所述待处理的颅脑灌注影像数据，计算所述待处理的颅脑灌注影像数据对应的特征图，具体包括：

基于所述待处理颅脑灌注影像数据对应的时间密度曲线、所述动脉输入点和所述静脉输出点，计算所述待处理颅脑灌注影像数据的中各像素点的最大梯度；

基于所述各像素点的最大梯度，获取待处理的颅脑灌注影像数据对应的特征图。

9.如权利要求1或8任一项所述的方法，其特征在于，所述基于待处理的颅脑灌注影像数据的对称轴，获得所述特征图的对侧比较图，具体包括：

根据所述待处理的颅脑灌注影像数据的对称轴，计算所述特征图中一侧像素点与对侧像素点的比值和/或差值，获得对侧比较图，其中，

计算特征图中的CBF和/或CBV中一侧像素点与对侧像素点的比值，获得rCBF和/或rCBV；

计算特征图中的MTT和/或Tmax中一侧像素点与对侧像素点的差值，获得rMTT和/或rTmax。

10.如权利要求1所述的方法，其特征在于，所述采用阈值分割法，获取所述对侧比较图的目标区域，具体包括：

根据预设阈值，获得所述对侧比较图中的目标区域的梗死像素点。

11.一种基于颅脑影像数据的目标区域的提取系统，包括：

获取模块，读取待处理的颅脑灌注影像数据；

处理模块，基于所述待处理的颅脑灌注影像数据，计算所述待处理的颅脑灌注影像数据对应的特征图；

基于待处理的颅脑灌注影像数据的对称轴，获得所述特征图的对侧比较图；

目标区域模块，采用阈值分割法，获取所述对侧比较图的目标区域，其中，所述目标区域包括核心梗死区和/或低灌注区。

12.如权利要求11所述的系统，其特征在于，所述系统进一步包括：

计算模块，获取所述目标区域的体积，具体包括：

利用形态学处理方法，对所述目标区域进行降噪处理；

所述目标区域内的目标像素体积乘以目标像素数量，作为目标区域的体积。

13.如权利要求11所述的系统，其特征在于，所述读取待处理的颅脑灌注影像数据，之后还包括步骤：

以所述待处理的颅脑灌注影像数据的第一个序列为基准，将所述待处理的颅脑灌注影像数据中的其它数据与所述第一个序列进行配准。

14.如权利要求11或13所述的系统，其特征在于，所述系统还包括预处理模块，具体包括：

采用去骨算法，去除所述待处理颅脑灌注影像数据中的颅骨和线圈，得到第一掩模数据图像；

采用GPU加速的保留边缘滤波算法，对所述第一掩模数据图像进行平滑处理，得到第二掩模数据图像；

将所述第二掩模数据图像中相同位置像素的最大灰度值进行密度投影，获得第一图像。

Images