CN112450961B - 一种ct与mr脑灌注数据动脉输入函数自动提取方法 - Google Patents

一种ct与mr脑灌注数据动脉输入函数自动提取方法 Download PDF

Info

Publication number
CN112450961B
CN112450961B CN202110080426.2A CN202110080426A CN112450961B CN 112450961 B CN112450961 B CN 112450961B CN 202110080426 A CN202110080426 A CN 202110080426A CN 112450961 B CN112450961 B CN 112450961B
Authority
CN
China
Prior art keywords
aif
blood vessel
data
filtering
curve
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
CN202110080426.2A
Other languages
English (en)
Other versions
CN112450961A (zh
Inventor
边钺岩
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.)
Nanjing Yuexi Medical Technology Co ltd
Original Assignee
Nanjing Yuexi Medical 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 Nanjing Yuexi Medical Technology Co ltd filed Critical Nanjing Yuexi Medical Technology Co ltd
Priority to CN202110080426.2A priority Critical patent/CN112450961B/zh
Publication of CN112450961A publication Critical patent/CN112450961A/zh
Application granted granted Critical
Publication of CN112450961B publication Critical patent/CN112450961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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
    • A61B6/52—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
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种CT与MR脑灌注数据动脉输入函数自动提取方法，其特征在于，包括如下5个步骤：第一步，数据时间维度配准；第二步，去除颅骨；第三步，4D数据血管分割；第四步，候选动脉血管筛选；第五步，构造代价函数方程进行AIF提取。本发明相比现有技术性能更好，结果更准确，能够兼容运动未完全校正的影像。相比现有的通过聚类的方式进行AIF提取的方法，更贴近于AIF曲线的曲线特征，通过血管分割、峰值、峰宽、曲线面积等特征值组成符合先验知识的模型进行约束，能够保证提取出的AIF曲线形态完整或规则。同时，本方法对运动和噪声有一定的抗扰动性，对存在小幅度运动和噪声的影像也能应用本方法进行AIF曲线的提取。

Description

一种CT与MR脑灌注数据动脉输入函数自动提取方法
技术领域
本发明涉及医疗领域，具体涉及一种CT与MR脑灌注数据动脉输入函数自动提取方法。
背景技术
在临床上有CT的脑灌注，还有核磁的脑灌注。在脑梗死发生的时候，有梗死区缺血半暗带，梗死区域是无法救活的脑组织，所以可以做脑灌注，把缺血半暗带发现然后进行及时的治疗。在进行治疗以后，针对缺血半暗带进行疗效的评估，这是脑灌注的优势所在。
但是梗死核心和缺血半暗带的判断标准和评估手段还不尽相同。
DAWN和DEFUSE把Tmax大于6秒的区域作为缺血区，而Tmax的计算需要通过对每个像素点的时间密度曲线TDC进行关于AIF曲线的反卷积来得到，所以AIF曲线的选取对最终的缺血半暗带评估至关重要。
目前提取AIF曲线主要有2种方式，一种是手工提取AIF，但是因为灌注数据是4D数据，不仅要在空间上确定位置，还要在时间上观察曲线特征，人工提取效率极低。另一种是自动提取的方式，现有方法有k-means和fuzzy-cmeans等聚类方法，但这两种方法的性能并不稳定。
上述的背景技术中，主要缺点为：以上方法都是聚类方法，而聚类方法就需要指定聚类的数量，而各类中的曲线数量分布不均匀，导致某些聚类中点的数量不够，鲁棒性不强。其次，对于这些方法只是针对曲线的特征进行了简单的计算，没有考虑实际数据中病人在扫描过程中的运动，会造成将运动造成的信号变化看作是对比剂的突出变化特征，从而造成误选。
发明内容
本发明中包含一种自动提取动脉输入函数（arterial input function，AIF），可以更好的针对曲线的特征进行筛选，并且能够在存在运动的情况下，更合理的选出受影响较小的曲线
为实现上述目的，本发明提供的具体技术方案如下：
一种CT与MR脑灌注数据动脉输入函数自动提取方法，其特征在于，包括从所有血管中进行动脉血管候选的筛选方法以及从候选区域进行AIF曲线筛选的方法；具体包括如下5个步骤：第一步，数据时间维度配准；第二步，去除颅骨；第三步，4D数据血管分割；第四步，候选动脉血管筛选；第五步，构造代价函数方程进行AIF提取；所述第一步还包括，使用互信息对4D数据进行时间维度的配准；将所有期的体数据对应到第一期的体数据上，保证组织结构的对应关系；所述第二步还包括，使用主动轮廓法，分割颅骨，并进行去除，留下脑组织部分；所述第三步还包括，对于CT进行时间维度上的最大密度投影，通过自适应阈值，分割出高于阈值的脑组织作为血管；对于MR使用最小密度投影，通过自适应阈值，分割出低于阈值的脑组织作为血管；所述第四步包括步骤4.1运动估计和4.2血管筛选。
所述步骤4.1具体包括：
步骤4.1.1：分别对血管、非血管脑组织和包括血管脑组织中的所有像素点的灰度求和，得到灰度和曲线Cv，Ct和Cb；
步骤4.1.2：分别对三条曲线求取峰值位置Pv，Pt和Pb；合并为向量P=(Pv，Pt，Pb)，得到P向量的标准差Sp；
步骤4.1.3：分别求取曲线Cv，Ct和Cb的峰度，并合并为向量K=(Kv, Kt, Kb)，得到K向量的标准差Sk；
当Sp>1，或者Sk-min(Kv,Kb)>0.1时，认为存在明显的运动误差，否则认为没有运动误差；
其中，min(a,b)表示取a和b中更小的值；
当存在运动误差时，将Cv和Ct分别归一化，得到Nv和Nt，并计算二者差值曲线D；
步骤4.1.4：计算D的二阶导数Gd，找到Gd>0.1的时间坐标，记为集合Tg；计算Nv的二阶导数，找到Nv<-0.1的时间坐标，记为集合Tn；找到D<0的位置，记为集合Td；运动时间坐标集合Tm为Tg、Tn和Td的交集。
所述步骤4.2具体包括：
步骤4.2.1：运动血管过滤；
计算所有血管内像素点对应的达峰时间坐标Tp，当某个血管内像素点对应的Tp∈Tm时，认为该血管内像素点在时间维度上存在运动，将该像素从候选血管中去除；
步骤4.2.2：低峰值过滤；
计算所有血管的峰值均值P，计算所有血管内像素点对应的峰值Pv，过滤Pv<P的血管；
步骤4.2.3：峰宽过滤；
计算所有血管的峰的半高宽W，计算所有血管内像素点对应的峰值Wv，过滤Wv>W的血管；
步骤4.2.4：面积过滤；
计算所有血管峰下曲线面积Ap和整条曲线面积Ac，过滤Ap<0.5Ac的血管，过滤后剩余的血管像素，就是AIF候选提取点。
所述第五步还包括：
步骤5.1：提取所有AIF候选提取点的时间密度曲线TDC，并记录下其点的坐标；
步骤5.2：时间密度曲线TDC记做T，对所有时间密度曲线TDC计算或提取以下参数：最大峰的起始位置分别记做L1、L2；峰值位置记做Lp；将L1到L2之间的第i个点记做Li，i∈[L1,L2]；L1到L2之间的曲线记做V；与Li位置对应的灰度值记做Vi；时间密度曲线TDC的峰值记做Vp；
步骤5.3：按照下式计算分数：
S1= ∑i(|Li - Lp|×Vi)
S2= ∑i(|Li - L1|×Vi)
S3为V的二阶导数
S4= L2 - L1
S5为峰的半高宽
S6为大于0.8Vp的所有峰的数量
Si=(S1+S2)×S3×S4×S5×S63×Lp2÷Vp4
Si为每个候选像素点的分数；
步骤5.4：分别计算每个候选点邻域内分数中最小的5个点的均值Mi，并记录下对应的点坐标；选取最小Mi对应的邻域内的点作为AIF提取点，AIF为这些点的TDC曲线的均值。
一种用于CT与MR脑灌注数据动脉输入函数自动提取的装置，其特征在于，包括：
模块1，用于对数据时间维度配准；
模块2，作为去除颅骨的辅助模块；
模块3，用于4D数据血管分割；
模块4，用于对候选动脉血管筛选；
模块5，用于构造代价函数方程进行AIF提取。
一种用于CT与MR脑灌注数据动脉输入函数自动提取存储和处理的装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现所述的CT与MR脑灌注数据动脉输入函数自动提取方法。
一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的CT与MR脑灌注数据动脉输入函数自动提取方法。
本发明相比现有技术性能更好，结果更准确，能够兼容运动未完全校正的影像。相比现有的通过聚类的方式进行AIF提取的方法，更贴近于AIF曲线的曲线特征，通过血管分割、峰值、峰宽、曲线面积等特征值组成符合先验知识的模型进行约束，能够保证提取出的AIF曲线形态完整或规则。同时，本方法对运动和噪声有一定的抗扰动性，对存在小幅度运动和噪声的影像也能应用本方法进行AIF曲线的提取。
附图说明
图1为本发明动脉输入函数提取流程图；
图2为本发明运动估计流程图；
图3为本发明动脉输入函数筛选流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述，但并不以此作为对本申请保护范围的限定。
本发明提供的具体技术方案通过5个步骤实现：
第一步，数据时间维度配准；
第二步，去除颅骨；
第三步，4D数据血管分割；
第四步，候选动脉血管筛选；
第五步，构造代价函数方程进行AIF提取；
所述第一步还包括，使用互信息对4D数据进行时间维度的配准。将所有期的体数据对应到第一期的体数据上，保证组织结构的对应关系。
所述第二步还包括，使用主动轮廓法，分割颅骨，并进行去除，留下脑组织部分。
所述第三步还包括，对于CT进行时间维度上的最大密度投影，通过自适应阈值，分割出高于阈值的脑组织作为血管；对于MR使用最小密度投影，通过自适应阈值，分割出低于阈值的脑组织作为血管。
所述第四步包括步骤4.1.运动估计和4.2血管筛选。
所述步骤4.1具体包括：
步骤4.1.1：分别对血管、非血管脑组织和包括血管脑组织中的所有像素点的灰度求和，得到灰度和曲线Cv，Ct和Cb；
步骤4.1.2：分别对三条曲线求取峰值位置Pv，Pt和Pb；合并为向量P=(Pv，Pt，Pb)，得到P向量的标准差Sp；
步骤4.1.3：分别求取曲线Cv，Ct和Cb的峰度，并合并为向量K=(Kv, Kt, Kb)，得到K向量的标准差Sk；
当Sp>1，或者Sk-min(Kv,Kb)>0.1时，认为存在明显的运动误差，否则认为没有运动误差；
其中，min(a,b)表示取a和b中更小的值；
当存在运动误差时，将Cv和Ct分别归一化，得到Nv和Nt，并计算二者差值曲线D；
步骤4.1.4：计算D的二阶导数Gd，找到Gd>0.1的时间坐标，记为集合Tg；计算Nv的二阶导数，找到Nv<-0.1的时间坐标，记为集合Tn；找到D<0的位置，记为集合Td；运动时间坐标集合Tm为Tg、Tn和Td的交集。
所述步骤4.2具体包括：
步骤4.2.1：运动血管过滤；
计算所有血管内像素点对应的达峰时间坐标Tp，当某个血管内像素点对应的Tp∈Tm时，认为该血管内像素点在时间维度上存在运动，将该像素从候选血管中去除；
步骤4.2.2：低峰值过滤；
计算所有血管的峰值均值P，计算所有血管内像素点对应的峰值Pv，过滤Pv<P的血管；
步骤4.2.3：峰宽过滤；
计算所有血管的峰的半高宽W，计算所有血管内像素点对应的峰值Wv，过滤Wv>W的血管；
步骤4.2.4：面积过滤；
计算所有血管峰下曲线面积Ap和整条曲线面积Ac，过滤Ap<0.5Ac的血管，过滤后剩余的血管像素，就是AIF候选提取点。
所述第五步还包括：
步骤5.1：提取所有AIF候选提取点的时间密度曲线TDC，并记录下其点的坐标；
步骤5.2：时间密度曲线TDC记做T，对所有时间密度曲线TDC计算或提取以下参数：最大峰的起始位置分别记做L1、L2；峰值位置记做Lp；将L1到L2之间的第i个点记做Li，i∈[L1,L2]；L1到L2之间的曲线记做V；与Li位置对应的灰度值记做Vi；时间密度曲线TDC的峰值记做Vp；
步骤5.3：按照下式计算分数：
S1= ∑i(|Li - Lp|×Vi)
S2= ∑i(|Li - L1|×Vi)
S3为V的二阶导数
S4= L2 - L1
S5为峰的半高宽
S6为大于0.8Vp的所有峰的数量
Si=(S1+S2)×S3×S4×S5×S63×Lp2÷Vp4
Si为每个候选像素点的分数；
步骤5.4：分别计算每个候选点邻域内分数中最小的5个点的均值Mi，并记录下对应的点坐标；选取最小Mi对应的邻域内的点作为AIF提取点，AIF为这些点的TDC曲线的均值。
一种用于CT与MR脑灌注数据动脉输入函数自动提取的装置，其特征在于，包括：
模块1，用于对数据时间维度配准；
模块2，作为去除颅骨的辅助模块；
模块3，用于4D数据血管分割；
模块4，用于对候选动脉血管筛选；
模块5，用于构造代价函数方程进行AIF提取。
一种用于CT与MR脑灌注数据动脉输入函数自动提取存储和处理的装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现所述的CT与MR脑灌注数据动脉输入函数自动提取方法。
一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的CT与MR脑灌注数据动脉输入函数自动提取方法。
本发明已经做出自动化的软件，通过医生临床使用证实这种方法更接近实际。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种CT与MR脑灌注数据动脉输入函数自动提取方法，其特征在于，包括从所有血管中进行动脉血管候选的筛选方法以及从候选区域进行AIF曲线筛选的方法；具体包括如下5个步骤：第一步，数据时间维度配准；第二步，去除颅骨；第三步，4D数据血管分割；第四步，候选动脉血管筛选；第五步，构造代价函数方程进行AIF提取；所述第一步还包括，使用互信息对4D数据进行时间维度的配准；将所有期的体数据对应到第一期的体数据上，保证组织结构的对应关系；所述第二步还包括，使用主动轮廓法，分割颅骨，并进行去除，留下脑组织部分；所述第三步还包括，对于CT进行时间维度上的最大密度投影，通过自适应阈值，分割出高于阈值的脑组织作为血管；对于MR使用最小密度投影，通过自适应阈值，分割出低于阈值的脑组织作为血管；所述第四步包括步骤4.1运动估计和4.2血管筛选；
所述步骤4.1具体包括：
步骤4.1.1：分别对血管、非血管脑组织和包括血管脑组织中的所有像素点的灰度求和，得到灰度和曲线Cv，Ct和Cb；
步骤4.1.2：分别对三条曲线求取峰值位置Pv，Pt和Pb；合并为向量P=(Pv，Pt，Pb)，得到P向量的标准差Sp；
步骤4.1.3：分别求取曲线Cv，Ct和Cb的峰度，并合并为向量K=(Kv, Kt, Kb)，得到K向量的标准差Sk；
当Sp>1，或者Sk-min(Kv,Kb)>0.1时，认为存在明显的运动误差，否则认为没有运动误差；
其中，min(a,b)表示取a和b中更小的值；
当存在运动误差时，将Cv和Ct分别归一化，得到Nv和Nt，并计算二者差值曲线D；
步骤4.1.4：计算D的二阶导数Gd，找到Gd>0.1的时间坐标，记为集合Tg；计算Nv的二阶导数，找到Nv<-0.1的时间坐标，记为集合Tn；找到D<0的位置，记为集合Td；运动时间坐标集合Tm为Tg、Tn和Td的交集；
所述步骤4.2具体包括：
步骤4.2.1：运动血管过滤；
计算所有血管内像素点对应的达峰时间坐标Tp，当某个血管内像素点对应的Tp∈Tm时，认为该血管内像素点在时间维度上存在运动，将该像素从候选血管中去除；
其中，Tm为运动时间坐标集合；
步骤4.2.2：低峰值过滤；
计算所有血管的峰值均值H，计算所有血管内像素点对应的峰值Hv，过滤Hv<H的血管；
步骤4.2.3：峰宽过滤；
计算所有血管的峰的半高宽W，计算所有血管内像素点对应的峰值Wv，过滤Wv>W的血管；
步骤4.2.4：面积过滤；
计算所有血管峰下曲线面积Ap和整条曲线面积Ac，过滤Ap<0.5Ac的血管，过滤后剩余的血管像素，就是AIF候选提取点；
所述第五步还包括：
步骤5.1：提取所有AIF候选提取点的时间密度曲线TDC，并记录下其点的坐标；
步骤5.2：时间密度曲线TDC记做T，对所有时间密度曲线TDC计算或提取以下参数：最大峰的起始位置和终止位置分别记做L1、L2；峰值位置记做Lp；将L1到L2之间的第i个点记做Li，i∈[L1,L2]；L1到L2之间的曲线记做V；与Li位置对应的灰度值记做Vi；时间密度曲线TDC的峰值记做Vp；
步骤5.3：按照下式计算分数：
S1= ∑i(|Li - Lp|×Vi)
S2= ∑i(|Li - L1|×Vi)
S3为V的二阶导数
S4= L2 - L1
S5为最大峰的半高宽
S6为大于0.8Vp的所有峰的数量
Si=(S1+S2)×S3×S4×S5×S63×Lp2÷Vp4
Si为每个候选像素点的分数；
步骤5.4：分别计算每个候选提取点邻域内分数中最小的5个点的均值Mi，并记录下对应的点坐标；选取最小Mi对应的邻域内的点作为AIF提取点，AIF为这些点的TDC曲线的均值。
2.一种用于CT与MR脑灌注数据动脉输入函数自动提取的装置，该装置用于根据权利要求1所述的方法进行动脉输入函数的自动提取，其特征在于，包括：
模块1，用于对数据时间维度配准，使用互信息对4D数据进行时间维度的配准；将所有期的体数据对应到第一期的体数据上，保证组织结构的对应关系；
模块2，作为去除颅骨的辅助模块，使用主动轮廓法，分割颅骨，并进行去除，留下脑组织部分；
模块3，用于4D数据血管分割，对于CT进行时间维度上的最大密度投影，通过自适应阈值，分割出高于阈值的脑组织作为血管；对于MR使用最小密度投影，通过自适应阈值，分割出低于阈值的脑组织作为血管；
模块4，用于对候选动脉血管筛选，包括步骤4.1运动估计，步骤4.2血管筛选，包括运动血管过滤、低峰值过滤、峰宽过滤和面积过滤；
模块5，用于构造代价函数方程进行AIF提取。
3.一种用于CT与MR脑灌注数据动脉输入函数自动提取存储和处理的装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1所述的CT与MR脑灌注数据动脉输入函数自动提取方法。
4.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1所述的CT与MR脑灌注数据动脉输入函数自动提取方法。
CN202110080426.2A 2021-01-21 2021-01-21 一种ct与mr脑灌注数据动脉输入函数自动提取方法 Active CN112450961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110080426.2A CN112450961B (zh) 2021-01-21 2021-01-21 一种ct与mr脑灌注数据动脉输入函数自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110080426.2A CN112450961B (zh) 2021-01-21 2021-01-21 一种ct与mr脑灌注数据动脉输入函数自动提取方法

Publications (2)

Publication Number Publication Date
CN112450961A CN112450961A (zh) 2021-03-09
CN112450961B true CN112450961B (zh) 2021-04-30

Family

ID=74802281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110080426.2A Active CN112450961B (zh) 2021-01-21 2021-01-21 一种ct与mr脑灌注数据动脉输入函数自动提取方法

Country Status (1)

Country Link
CN (1) CN112450961B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712523A (zh) * 2021-02-05 2021-04-27 南京钺曦医疗科技有限公司 一种自动脑灌注数据动脉候选血管筛选方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030045791A1 (en) * 2001-06-25 2003-03-06 Carroll Timothy J. Determination of the arterial input function in dynamic contrast-enhanced mri
CN1689510A (zh) * 2004-04-19 2005-11-02 中国科学院自动化研究所 磁共振灌注成像的数字化方法
US20080114234A1 (en) * 2006-11-10 2008-05-15 General Electric Company Method, apparatus and user interface for determining an arterial input function used for calculating hemodynamic parameters
US20080194943A1 (en) * 2004-05-14 2008-08-14 The General Hospital Corporation Perfusion Weighted Mri with Local Arterial Input Functions
US20140163403A1 (en) * 2012-12-12 2014-06-12 The Texas A&M University System Automated determination of arterial input function areas in perfusion analysis
WO2019220417A1 (en) * 2018-05-17 2019-11-21 The United States Of America, Department Of Health And Human Services, National Institutes Of Health Method and system for automatically generating and analyzing fully quantitative pixel-wise myocardial blood flow and myocardial perfusion reserve maps to detect ischemic heart disease using cardiac perfusion magnetic resonance imaging

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030045791A1 (en) * 2001-06-25 2003-03-06 Carroll Timothy J. Determination of the arterial input function in dynamic contrast-enhanced mri
CN1689510A (zh) * 2004-04-19 2005-11-02 中国科学院自动化研究所 磁共振灌注成像的数字化方法
US20080194943A1 (en) * 2004-05-14 2008-08-14 The General Hospital Corporation Perfusion Weighted Mri with Local Arterial Input Functions
US20080114234A1 (en) * 2006-11-10 2008-05-15 General Electric Company Method, apparatus and user interface for determining an arterial input function used for calculating hemodynamic parameters
US20140163403A1 (en) * 2012-12-12 2014-06-12 The Texas A&M University System Automated determination of arterial input function areas in perfusion analysis
WO2019220417A1 (en) * 2018-05-17 2019-11-21 The United States Of America, Department Of Health And Human Services, National Institutes Of Health Method and system for automatically generating and analyzing fully quantitative pixel-wise myocardial blood flow and myocardial perfusion reserve maps to detect ischemic heart disease using cardiac perfusion magnetic resonance imaging

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Arterial input function in perfusion MRI: A comprehensive review;Fernando Calamante;《Progress in Nuclear Magnetic Resonance Spectroscopy》;20130511;第74卷;第1-32页 *
Automatic measurements of arterial input and venous output functions on cerebral computed tomography perfusion images：A preliminary study;Yi-Hsuan Kao等;《Computers in Biology and Medicine》;20141231;第51卷;第51-60页 *
Multiple Reference Tissue Method for Contrast Agent Arterial Input Function Estimation;Cheng Yang等;《Magnetic Resonance in Medicine》;20071029;第58卷;第1266-1275页 *
基于k-means簇分析提取DSC成像的脑动脉输入函数;尹建东等;《东北大学学报( 自然科学版)》;20141231;第35卷(第12期);第1677-1681页 *

Also Published As

Publication number Publication date
CN112450961A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
CN114820654A (zh) 血管分割方法、装置、医疗影像设备及存储介质
US8218839B2 (en) Automatic localization of the left ventricle in cardiac cine magnetic resonance imaging
CN110648338B (zh) 图像分割方法、可读存储介质及图像处理装置
US8831328B2 (en) Method and system for segmenting a brain image
KR101258814B1 (ko) 동적조영증강 유방 ｍｒ 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템
CN114511670B (zh) 基于动态灌注影像的血管重建方法、装置、设备和介质
CN109035203A (zh) 医学图像处理方法、装置、设备及存储介质
CN112450961B (zh) 一种ct与mr脑灌注数据动脉输入函数自动提取方法
CN105590324A (zh) 医学图像的分割方法及其装置
US8050470B2 (en) Branch extension method for airway segmentation
CN109886973A (zh) 一种血管提取方法、装置及计算机可读存储介质
CN113160245A (zh) 基于分块区域生长法的ct脑实质分割系统、方法及装置
CN109410181B (zh) 一种心脏图像分割方法及装置
CN112712523A (zh) 一种自动脑灌注数据动脉候选血管筛选方法
CN112862850A (zh) 数字剪影血管造影影像处理方法及装置
Chen et al. Advanced level set segmentation of the right atrium in MR
CN116704184A (zh) 一种基于Deep U-Net模型的左心房及疤痕分割方法
CN115841472A (zh) 大脑中动脉高密度征识别方法、装置、设备及存储介质
CN112837283B (zh) 一种肺栓塞检测系统、介质及电子设备
EP3434187A1 (en) Motion compensated cardiac valve reconstruction
CN114209344A (zh) 一种侧枝循环状态评估方法、装置、存储介质及电子设备
CN112258533A (zh) 一种超声图像中小脑蚓部的分割方法
Orkisz et al. Advances of blood vessel morphology analysis in 3D magnetic resonance images

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