CN112053413B - 脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质 - Google Patents

脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112053413B
CN112053413B CN202010898831.0A CN202010898831A CN112053413B CN 112053413 B CN112053413 B CN 112053413B CN 202010898831 A CN202010898831 A CN 202010898831A CN 112053413 B CN112053413 B CN 112053413B
Authority
CN
China
Prior art keywords
density curve
time density
time
sequence
brain
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.)
Active
Application number
CN202010898831.0A
Other languages
English (en)
Other versions
CN112053413A (zh
Inventor
向建平
鲁伟
张世福
夏永清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Arteryflow Technology Co ltd
Original Assignee
Arteryflow Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Arteryflow Technology Co ltd filed Critical Arteryflow Technology Co ltd
Priority to CN202010898831.0A priority Critical patent/CN112053413B/zh
Publication of CN112053413A publication Critical patent/CN112053413A/zh
Application granted granted Critical
Publication of CN112053413B publication Critical patent/CN112053413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Dentistry (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Pulmonology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种脑部CT灌注成像的参数图获取方法、装置、计算机设备和存储介质。所述方法包括：获取与脑部相关的CT灌注成像数据，CT灌注成像数据包括与脑部动脉以及脑组织相关的成像数据；将CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；对滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线；进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；根据第二序列进行相应计算，获取脑部CT灌注成像的参数图。采用本方法能够快速且准确的获取CTP参数图。

Description

脑部CT灌注成像的参数图获取方法、装置、计算机设备和存储 介质
技术领域
本申请涉及图像处理和医疗工程交叉技术领域，特别是涉及一种脑部CT灌注成像的参数图获取方法、装置、计算机设备和存储介质。
背景技术
脑卒也称为中风或脑梗，是一种由于脑部缺血导致的脑组织损伤，具有很高的复发率和致残率。脑部CT灌注(CT Perfusion，简称为CTP)可以很好的显示出脑组织的血流情况，对于判断患者病灶区域和估计梗死体积具有重要价值。但是CTP图像受到电子噪声的干扰，导致重建图像中存在大量的噪声和伪影，这将对后续的CTP参数图计算带来严重的影响。这样将直接影响到医生对于患者的诊断和治疗。因此准确的计算出CTP各参数图具有重要意义。
在现有技术中，一般先对CTP图像进行滤波，以去除电子噪声对CTP图像的干扰，再对滤波后的CTP图像进行参数图计算。对于CTP图像的传统去噪方法有均值滤波、高斯滤波、中值滤波等，也有很多针对CTP噪声提出了新的解决方法。例如改进非局部均值的低CT图像后处理算法研究中提出了基于梯度方向的非局部均值LDCT图像后处理方法。但是该算法复杂，在降噪过程中会消耗大量的时间，浪费了病人就诊的宝贵时间。在低剂量CT图像的处理方法中提出一种利用高斯滤波和非局部均值滤波的结合来解决CTP图像中的噪声。该方法虽有较快的速度，但是去噪效果并不明显。
传统的CTP参数图计算方式包括Axel L提出的瞬时法。Gobbel对瞬时法的改进，利用Gamma曲线拟合时间密度曲线。Peters提出的最大斜率法。而去卷积算法的奇异值分解计算CTP各参数图，是当下使用最为广泛的算法。标准的奇异值分解(ssvd)对于噪声的影响非常敏感，并且受到对比剂延迟的影响。Wu O提出了一种延迟校准奇异值分解方法(dsvd)，该方法将曲线向前移动一定的时间，时间由组织达到峰值5％的时间差确定，由于对比剂注射地点的不同并且每一个组织的延迟都不相同，因此5％的参数并不准确。Kudo K提出一种块循环奇异值分解(bsvd)，构建了分块循环矩阵，通过循环卷积消除延迟效应带来的偏差，而截断奇异值分解(tsvd)通过对奇异值截取来降低噪声的影响。另一种正则化和截断奇异值分解的结合，则利用正则化的方式来调节最后的奇异值，使数据更加平滑。但是该方法对于不同的数据，会存在不同的正则化参数。因此每一个病例都需要调整，无法实现自动化操作。
发明内容
基于此，有必要针对上述技术问题，提供能够快速且准确的获取CTP参数图的一种脑部CT灌注成像的参数图获取方法、装置、计算机设备和存储介质。
一种脑部CT灌注成像的参数图获取方法，所述方法包括：
获取与脑部相关的CT灌注成像数据，所述CT灌注成像数据包括与脑部动脉以及脑组织相关的成像数据；
将所述CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；
对所述滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线；
对所述第一时间密度曲线进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；
根据所述第二序列进行相应计算，获取脑部CT灌注成像的参数图。
可选的，所述CT灌注成像数据为以扫描时间顺序进行排列的多张CT灌注图像。
可选的，根据所述滤波后的CT灌注成像数据，得到与脑部动脉相关的第一时间密度曲线包括：
对所述滤波后的CT灌注成像数据进行相应处理，得到最大密度投影图像；
获取所述最大密度投影图像中的感兴趣点，并将该感兴趣点作为动脉点；
将所述滤波后的各所述CT灌注图像中与所述动脉点同一位置的密度值以扫描时间顺序进行排列，得到所述第一时间密度曲线。
可选的，根据所述滤波后的CT灌注成像数据，得到第二时间密度曲线包括：
将所述滤波后的各所述CT灌注图像中同一像素点上的密度值以扫描时间顺序进行排列，得到与各像素点一一对应的多条时间密度曲线；
各条所述时间密度曲线的集合为所述第二时间密度曲线。
可选的，根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线包括：
根据所述第一时间密度曲线峰值以及第二时间密度曲线峰值，计算得到达到两峰值之间的时间差；
根据所述时间差将所述第二时间密度曲线在时间轴上进行平移，得到所述第二校正时间密度曲线。
可选的，对所述第一时间密度曲线进行奇异值分解以及平滑处理，得到第一序列包括：
对所述第一时间密度曲线进行矩阵化计算，得到第一矩阵；
对所述第一矩阵进行奇异值分解，得到与所述第一矩阵相关的奇异值；
将所述奇异值做平滑处理得到所述第一序列。
可选的，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列包括：
根据所述第二校正时间密度曲线进行乘积计算，得到所述第二序列。
本申请还提供了一种脑部CT灌注成像的参数图获取装置，所述参数图获取装置包括：
数据获取模块，获取与脑部相关的CT灌注成像数据，所述CT灌注成像数据包括与脑部动脉以及脑组织相关的成像数据；
数据滤波模块，将所述CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；
时间密度曲线得到模块，对所述滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线；
奇异值分解模块，对所述第一时间密度曲线进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；
参数图获取模块，根据所述第二序列进行相应计算，获取脑部CT灌注成像的参数图。
本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取与脑部相关的CT灌注成像数据，所述CT灌注成像数据包括与脑部动脉以及脑组织相关的成像数据；
将所述CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；
对所述滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线；
对所述第一时间密度曲线进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；
根据所述第二序列进行相应计算，获取脑部CT灌注成像的参数图。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取与脑部相关的CT灌注成像数据，所述CT灌注成像数据包括与脑部动脉以及脑组织相关的成像数据；
将所述CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；
对所述滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线；
对所述第一时间密度曲线进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；
根据所述第二序列进行相应计算，获取脑部CT灌注成像的参数图。
上述脑部CT灌注成像的参数图获取方法、装置、计算机设备和存储介质，在对脑部CT灌注成像进行滤波时同时采用双边滤波以及非局部均值滤波，以提高滤波速度以及保证去噪效果；在进行参数图计算时，采用了奇异值分解，并且根据脑部动脉的密度时间曲线对脑组织的时间密度曲线进行校正，使得本方法不再受对比剂注射位置的限制，使得本方法运用更为灵活。
附图说明
图1为一个实施例中脑部CT灌注成像的参数图获取方法的流程示意图；
图2为一个实施例中CTP图像的滤波前示意图；
图3为一个实施例中CTP图像的滤波后示意图；
图4为一个实施例中时间密度曲线示意图；
图5为一个实施例中脑血容量参数图；
图6为一个实施例中脑血流量参数图；
图7为一个实施例中峰值时间参数图；
图8为一个实施例中平均通过时间参数图；
图9为一个实施例中脑部CT灌注成像的参数图获取装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
脑部CT灌注成像(CT Perfusion，CTP)是一种用于分析颅内的血流动力学的成像技术。通过对待扫描对象静脉注射放射性示踪剂(一般采用碘对比剂)，随血管中血液在脑组织中流动。在一段时间内对头部感兴趣层进行CT扫描获取CTP成像，再对CTP成像进行计算，可以得到每一像素的时间密度曲线(Time Density Curve,TDC)。该曲线横坐标为时间，纵坐标为注射碘对比剂后增加的CT值(如图4所示)，其曲线反应的是碘对比剂在器官中浓度的变化，间接反应了组织器官灌注量的变化。再根据TDC通过不同的数字模型转换和计算机伪彩处理得到脑部的脑血流量(Cerebra Blood Flow,CBF)、脑血容量(Cerebral BloodVolume,CBV)、平均通过时间(Mean Transit Time,MTT)以及残余功能的达峰时间(Tmax)参数图，通过各参数图对扫描对象的脑部病灶区域进行判断或估计梗死体积等。
其中，CTP成像容易受到电子噪声的干扰，需要对CTP成像进行滤波，但现有的多种滤波方式均存在各种缺陷。而在对滤波后的CTP成像进行参数图计算时，考虑到碘对比剂在动脉和组织中达到峰值的时间有延迟，需要对延迟时间进行校正。
如图1所示，提供了一种解决上述问题的脑部CT灌注成像的参数图获取方法，包括以下步骤：
步骤101，获取与脑部相关的CT灌注成像数据，CT灌注成像数据包括与脑部动脉以及脑组织相关的成像数据；
步骤102，将CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；
步骤103，对滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据第一时间密度曲线对第二时间密度曲线进行延时校正，得到第二校正时间密度曲线；
步骤104，对第一时间密度曲线进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；
步骤105，根据第二序列进行相应计算，获取脑部CT灌注成像的参数图。
在步骤101中，CT灌注成像也就是CTP成像，CTP成像数据为以扫描时间顺序进行排列的多张CT灌注图像。在对扫描对象注射碘对比剂后，在一定时间后，碘对比剂在器官中随血液流动，通过对脑部进行多次CT扫描，可从连续的多张CT灌注图像中得到动态的碘对比剂在器官各区域的吸收状况，同时反映出血液在脑组织里流动状态。
在进行CT扫描时，根据扫描设备以及扫描部位的不同，相应调节扫描的次数以及各次扫描之间的间隔时间。
在步骤102中，对CTP成像数据中各张CTP图像进行逐张滤波。在本申请中采用双边滤波以及非局部均值滤波同时对CTP图像进行滤波。
在其他实施例中，使用高斯滤波和非局部均值滤波的结合，由于高斯滤波无法较好的保护边缘，而双边滤波不仅考虑了像素的欧氏距离，还考虑了像素范围域中的辐射差异。所以可以更有效的去除噪声对于图像的干扰，也更好的保护CTP图像细节部分，如图2-3所示。采用双边滤波以及非局部均值滤波结合的滤波方式提高了滤波速度，且得到的图像精度高，能够大大提高诊断速度。
在其中一实施例中，在对CTP成像数据进行滤波时，可采用opencv自带的双边滤波工具，并且设置像素领域的直径为5，颜色空间滤波器sigma的值为10，坐标空间中滤波器sigma的值为10。在完成双边滤波后进行非局部均值滤波操作，其中搜索窗口大小为21，领域窗口大小为7。对CTP时序所有影像完成滤波操作。其中各参数可根据具体的需求进行调整。
在步骤103中，根据滤波后的CT灌注成像数据，得到与脑部动脉相关的第一时间密度曲线包括：对滤波后的CT灌注成像数据进行相应处理，得到最大密度投影图像；获取最大密度投影图像中的感兴趣点，并将该感兴趣点作为动脉点；将滤波后的各CT灌注图像中与动脉点同一位置的密度值以扫描时间顺序进行排列，得到第一时间密度曲线。
具体的，最大密度投影图像(Maximal Intensity Projection,MIP)为根据CT灌注成像数据运用透视法获得的二维图像，在该图像中密度最大的像素被保留。
碘对比剂在脑部是从脑动脉进入到脑组织中，最后通过脑静脉流出。在对脑动脉的时间密度曲线进行计算时，可在最大密度投影图像中选取感兴趣的点，作为动脉点。在最大密度投影图像中，比较亮的区域为动脉血液流入的地方，可选取该点作为动脉点。
在最大密度投影图像中选取动脉点，根据该动脉点的位置依次将各张CTP图像中相同位置的CT值按照时间顺序进行排列后，可得到动脉点的时间密度曲线，也就是第一时间密度曲线。
在实际操作过程中，可在第一时间密度曲线上获取曲线峰值对应的时间。并且再将第一时间密度曲线进行奇异值分解的步骤。
在步骤103中，根据滤波后的CT灌注成像数据，得到第二时间密度曲线包括：将滤波后的各CT灌注图像中同一像素点上的密度值以扫描时间顺序进行排列，得到与各像素点一一对应的多条时间密度曲线；各条时间密度曲线的集合为第二时间密度曲线。
各张CTP图像上包括有多个像素点，通过将各张CTP图像上同一像素点的CT值按照扫描时间顺序进行排列可以得到与各像素一一对应的多条时间密度曲线，也就是脑组织的时间密度曲线。
在本申请中，采用的是去卷积算法的奇异值分解计算CTP成像的各参数图，并且还利用第一时间密度曲线对第二时间密度曲线进行校正，以消除延迟效应带来的偏差。
在步骤103中，根据第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线包括：根据第一时间密度曲线峰值以及第二时间密度曲线峰值，计算得到达到两峰值之间的时间差；根据时间差将第二时间密度曲线在时间轴上进行平移，得到第二校正时间密度曲线。
其中计算得到的两峰值之间的时间差Δt也就是延迟时间，如图4所示。将脑组织中CT值达到峰值的时间减去动脉点CT值达峰值的时间。由于第二时间密度曲线包括各像素点上的时间密度曲线，在进行校正时，将所有的时间密度曲线根据延迟时间进行调整，得到校正后的时间密度密度曲线，计算公式表达如下：
C′(t)＝C(t+td)
C′(t)为矫正后的组织时间密度曲线，t表示当前时间，td表示延迟校正的时间差值
在本实施例中，对于奇异值分解的时间延迟的改进，针对现有技术中提出的将脑组织时间密度曲线向前移动一定的延迟时间，且该延迟时间由组织达到峰值5％的时间差确定，该方法由于注射位置的不同，不是对于每一位病例都能吻合。因而在本实施例中使用动脉点和脑组织在CT值峰值的时间差值作为延迟时间，然后对组织的时间密度曲线进行校正，消除延迟问题，并且不再对注射位置进行限制。
在步骤104中，对第一时间密度曲线进行奇异值分解以及平滑处理，得到第一序列包括：对第一时间密度曲线进行矩阵化计算，得到第一矩阵；对第一矩阵进行奇异值分解，得到与第一矩阵相关的奇异值；将奇异值做平滑处理得到第一序列。
在本实施例中，第一序列为将矩阵化后的第一时间密度曲线进行奇异值分解后的奇异值。并对该对奇异列进行平滑处理，首先对奇异值进行划分，前20％的数据不进行任何处理，因为此处包含了大量的信息，含有的噪声也极少。所以只对数据的后80％根据以下公式进行平滑处理，公式如下所示：
其中，σt表示当前奇异值，σt-1表示上一个奇异值，σt+1表示后一个奇异值。
通过将平滑处理后的奇异值序列中前后数据的结合可以更好的对数据起到平滑，稳定的作用。
在对于奇异值序列进行处理时，也有将后面的80％直接截取成0，或通过正则化的方式对数据进行平滑处理。直接截取的方式会导致一些重要信息的丢失，而正则化的平滑处理，未使用到上下的奇异值来进行参考，并且还引入了一个参数，需要不断地的调整。这将给算法增加难度，并且不适用于每一位病例。在本申请中采用参考当前数据的前后数据，将会有更好、更自动化的平滑效果。
在步骤104中，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列包括：根据第一序列以及第二校正时间密度曲线进行乘积计算，得到第二序列。
在本实施例中，将已经进行奇异值分解以及平滑处理后的第一序列与第二校正时间进行乘积运算，则可得到第二序列。
在步骤105中，根据第二序列进行计算，得到推动剩余函数(Impulse ResidueFunction，IRF)，或称为脉冲式特征曲线函数(Impulse Response Function，IRF)。再根据IRF计算得到脑部的脑血流量(Cerebra Blood Flow,CBF)、脑血容量(Cerebral BloodVolume,CBV)、平均通过时间(Mean Transit Time,MTT)以及峰值时间(Time to Peak,TTP)参数图，如图5-8所示。
需要说明的是，在进行实际计算中，可在得到第一时间密度曲线后进行奇异值分解以及平滑处理得到第一序列后，再计算第二时间密度曲线。
上述脑部CT灌注成像的参数图获取方法中，在对脑部CT灌注成像进行滤波时同时采用双边滤波以及非局部均值滤波，以提高滤波速度以及保证去噪效果；在进行参数图计算时，采用了奇异值分解，随后对分解后的奇异值进行光滑处理，并且根据脑部动脉的密度时间曲线对脑组织的密度时间曲线进行校正，使得本方法不再受对比剂注射位置的限制，使得得本方法运用更为灵活。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种脑部CT灌注成像的参数图获取装置，包括：数据获取模块901、数据滤波模块902、时间密度曲线得到模块903、奇异值分解模块904和参数图获取模块905，其中：
数据获取模块901，获取与脑部相关的CT灌注成像数据，所述CT灌注成像数据包括与脑部动脉以及脑组织相关的成像数据；
数据滤波模块902，将所述CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；
时间密度曲线得到模块903，对所述滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线；
奇异值分解模块904，对所述第一时间密度曲线进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；
参数图获取模块905，根据所述第二序列进行相应计算，获取脑部CT灌注成像的参数图。
关于脑部CT灌注成像的参数图获取装置的具体限定可以参见上文中对于脑部CT灌注成像的参数图获取方法的限定，在此不再赘述。上述脑部CT灌注成像的参数图获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种脑部CT灌注成像的参数图获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取与脑部相关的CT灌注成像数据，所述CT灌注成像数据包括与脑部动脉以及脑组织相关的成像数据；
将所述CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；
对所述滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线；
对所述第一时间密度曲线进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；
根据所述第二序列进行相应计算，获取脑部CT灌注成像的参数图。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取与脑部相关的CT灌注成像数据，所述CT灌注成像数据包括与脑部动脉以及脑组织相关的成像数据；
将所述CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；
对所述滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线；
对所述第一时间密度曲线进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；
根据所述第二序列进行相应计算，获取脑部CT灌注成像的参数图。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.脑部CT灌注成像的参数图获取方法，其特征在于，所述参数图获取方法包括：
获取与脑部相关的CT灌注成像数据，所述CT灌注成像数据为以扫描时间顺序进行排列的多张CT灌注图像，且包括与脑部动脉以及脑组织相关的成像数据；
将所述CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；
对所述滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线，得到与脑部动脉相关的第一时间密度曲线包括：对所述滤波后的CT灌注成像数据进行相应处理，得到最大密度投影图像，获取所述最大密度投影图像中的感兴趣点，并将该感兴趣点作为动脉点，将所述滤波后的各所述CT灌注图像中与所述动脉点同一位置的密度值以扫描时间顺序进行排列，得到所述第一时间密度曲线；
对所述第一时间密度曲线进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；
根据所述第二序列进行相应计算，获取脑部CT灌注成像的参数图。
2.根据权利要求1所述的参数图获取方法，其特征在于，根据所述滤波后的CT灌注成像数据，得到第二时间密度曲线包括：
将所述滤波后的各所述CT灌注图像中同一像素点上的密度值以扫描时间顺序进行排列，得到与各像素点一一对应的多条时间密度曲线；
各条所述时间密度曲线的集合为所述第二时间密度曲线。
3.根据权利要求2所述的参数图获取方法，其特征在于，根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线包括：
根据所述第一时间密度曲线峰值以及第二时间密度曲线峰值，计算得到达到两峰值之间的时间差；
根据所述时间差将所述第二时间密度曲线在时间轴上进行平移，得到所述第二校正时间密度曲线。
4.根据权利要求3所述的参数图获取方法，其特征在于，对所述第一时间密度曲线进行奇异值分解以及平滑处理，得到第一序列包括：
对所述第一时间密度曲线进行矩阵化计算，得到第一矩阵；
对所述第一矩阵进行奇异值分解，得到与所述第一矩阵相关的奇异值；
将所述奇异值做平滑处理得到所述第一序列。
5.根据权利要求4所述的参数图获取方法，其特征在于，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列包括：
根据所述第二校正时间密度曲线进行乘积计算，得到所述第二序列。
6.一种脑部CT灌注成像的参数图获取装置，其特征在于，所述参数图获取装置包括：
数据获取模块，获取与脑部相关的CT灌注成像数据，所述CT灌注成像数据为以扫描时间顺序进行排列的多张CT灌注图像，且包括与脑部动脉以及脑组织相关的成像数据；
数据滤波模块，将所述CT灌注成像数据依次进行双边滤波以及非局部均值滤波，得到滤波后的CT灌注成像数据；
时间密度曲线得到模块，对所述滤波后的CT灌注成像数据进行相应处理，得到与脑部动脉相关的第一时间密度曲线以及与脑组织相关的第二时间密度曲线，并根据所述第一时间密度曲线对第二时间密度曲线进行延迟校正，得到第二校正时间密度曲线，得到与脑部动脉相关的第一时间密度曲线包括：对所述滤波后的CT灌注成像数据进行相应处理，得到最大密度投影图像，获取所述最大密度投影图像中的感兴趣点，并将该感兴趣点作为动脉点，将所述滤波后的各所述CT灌注图像中与所述动脉点同一位置的密度值以扫描时间顺序进行排列，得到所述第一时间密度曲线；
奇异值分解模块，对所述第一时间密度曲线进行奇异值分解以及平滑处理得到相应的第一序列，根据所述第一序列以及第二校正时间密度曲线进行计算，相应的得到第二序列；
参数图获取模块，根据所述第二序列进行相应计算，获取脑部CT灌注成像的参数图。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202010898831.0A 2020-08-31 2020-08-31 脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质 Active CN112053413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010898831.0A CN112053413B (zh) 2020-08-31 2020-08-31 脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010898831.0A CN112053413B (zh) 2020-08-31 2020-08-31 脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112053413A CN112053413A (zh) 2020-12-08
CN112053413B true CN112053413B (zh) 2023-08-29

Family

ID=73607918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010898831.0A Active CN112053413B (zh) 2020-08-31 2020-08-31 脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112053413B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908469A (zh) * 2021-01-28 2021-06-04 上海商汤智能科技有限公司 基于图像的数据处理方法、装置、电子设备及存储介质
CN113112507B (zh) * 2021-03-30 2023-08-22 上海联影智能医疗科技有限公司 灌注影像分析方法、系统、电子设备及存储介质
CN114332043B (zh) * 2021-12-31 2022-12-13 深圳市铱硙医疗科技有限公司 基于ct灌注影像的侧枝循环测量方法、装置、设备及介质
CN116433890A (zh) * 2021-12-31 2023-07-14 杭州德诺脑神经医疗科技有限公司 基于ct灌注成像的数据处理方法、装置、介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003162071A (ja) * 2001-11-28 2003-06-06 Mitsubishi Chemicals Corp 感光性平版印刷版の刷版方法
CN102165455A (zh) * 2008-09-30 2011-08-24 皇家飞利浦电子股份有限公司 灌注成像
CN109242863A (zh) * 2018-09-14 2019-01-18 北京市商汤科技开发有限公司 一种缺血性脑卒中图像区域分割方法及装置
WO2019230738A1 (ja) * 2018-05-29 2019-12-05 国立大学法人愛媛大学 コンピュータプログラム、画像処理装置、および画像処理方法
WO2020154807A1 (en) * 2019-01-29 2020-08-06 Uti Limited Partnership System and method for generating perfusion functional maps from temporally resolved helical computed tomographic images

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010001280A1 (en) * 2008-06-30 2010-01-07 Koninklijke Philips Electronics N.V. Perfusion imaging
US20110150309A1 (en) * 2009-11-27 2011-06-23 University Health Network Method and system for managing imaging data, and associated devices and compounds

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003162071A (ja) * 2001-11-28 2003-06-06 Mitsubishi Chemicals Corp 感光性平版印刷版の刷版方法
CN102165455A (zh) * 2008-09-30 2011-08-24 皇家飞利浦电子股份有限公司 灌注成像
WO2019230738A1 (ja) * 2018-05-29 2019-12-05 国立大学法人愛媛大学 コンピュータプログラム、画像処理装置、および画像処理方法
CN109242863A (zh) * 2018-09-14 2019-01-18 北京市商汤科技开发有限公司 一种缺血性脑卒中图像区域分割方法及装置
WO2020154807A1 (en) * 2019-01-29 2020-08-06 Uti Limited Partnership System and method for generating perfusion functional maps from temporally resolved helical computed tomographic images

Also Published As

Publication number Publication date
CN112053413A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112053413B (zh) 脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质
Zhou et al. MDPET: a unified motion correction and denoising adversarial network for low-dose gated PET
US20230054153A1 (en) Method for obtaining brain perfusion parameter maps through computed tomography perfusion imaging and its system
JP6448918B2 (ja) 画像処理装置、方法、及び医用画像診断装置
EP2297696B1 (en) Perfusion imaging
KR20130038794A (ko) 디지털 엑스레이 프레임들 시리즈에서의 잡음 감소의 방법
CN111179372A (zh) 图像衰减校正方法、装置、计算机设备和存储介质
CN112435212A (zh) 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质
CN110415310B (zh) 医学扫描成像方法、装置、存储介质及计算机设备
CN110136076B (zh) 医学扫描成像方法、装置、存储介质及计算机设备
Kim et al. Partial volume correction using structural–functional synergistic resolution recovery: comparison with geometric transfer matrix method
CN112330565A (zh) 基于改善的U-net的低剂量CT投影域中图像去噪方法
Zaker et al. Direct inference of Patlak parametric images in whole-body PET/CT imaging using convolutional neural networks
CN113962949A (zh) 脑部医学图像处理系统、方法及计算机可读存储介质
CN111862259B (zh) 医学灌注图像处理方法和医学成像设备
CN110610527B (zh) 计算suv的方法、装置、设备、系统及计算机存储介质
Karani et al. An image interpolation approach for acquisition time reduction in navigator-based 4D MRI
Manhart et al. Fast dynamic reconstruction algorithm with joint bilateral filtering for perfusion C-arm CT
Steckmann et al. Blooming artifact reduction for cardiac CT
CN113112507B (zh) 灌注影像分析方法、系统、电子设备及存储介质
Gigengack et al. Motion correction in thoracic positron emission tomography
Vashistha et al. ParaPET: non-invasive deep learning method for direct parametric brain PET reconstruction using histoimages
CN112641458A (zh) 医学图像处理方法、装置、图像处理设备及介质
CN116681715B (zh) 基于像素值变化的血管分割方法、装置、设备和存储介质
Fang et al. Direct estimation of permeability maps for low-dose CT perfusion

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