CN112862022A - 一种计算非增强ct的aspects评分方法 - Google Patents

一种计算非增强ct的aspects评分方法 Download PDF

Info

Publication number
CN112862022A
CN112862022A CN202110451848.6A CN202110451848A CN112862022A CN 112862022 A CN112862022 A CN 112862022A CN 202110451848 A CN202110451848 A CN 202110451848A CN 112862022 A CN112862022 A CN 112862022A
Authority
CN
China
Prior art keywords
enhanced
area
ischemia
image data
ischemic
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
Application number
CN202110451848.6A
Other languages
English (en)
Inventor
杨旗
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 CN202110451848.6A priority Critical patent/CN112862022A/zh
Publication of CN112862022A publication Critical patent/CN112862022A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Software Systems (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种计算非增强CT的ASPECTS评分方法，包括如下步骤：获取脑缺血非增强CT影像数据，并提取目标区域；判断是否缺血进行标记；设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型；输入数据为待测图像，左右脑对应区域的掩模图像以及是否缺血的分类标签；根据得到的分类结果计算ASPECTS评分。本发明既考虑了同一区域左右侧局部对比，又能兼顾该区域在整个脑组织内的全局情况。

Description

一种计算非增强CT的ASPECTS评分方法
技术领域
本发明涉及医疗影像及计算机领域，具体涉及一种计算非增强CT的ASPECTS评分方法。
背景技术
Alberta卒中项目早期CT评分(Alberta Stroke Program Early CT Score，ASPECTS)是评价缺血性卒中患者大脑中动脉供血区早期缺血改变的一种简单、可靠和系统的方法。主要基于非增强CT扫描（NCCT），在CT 影像上选取大脑中动脉供血区中2个层面的10个区域，如图1所示为一侧的10个区域，对侧与所示区域完全对称：①核团层面(即丘脑和纹状体平面)，分为M1、M2、M3、岛叶I、豆状核L、尾状核C和内囊后肢IC 7个区域；②核团以上层面(在核团水平面上方2cm)，包括M4、M5 和M6。两者的界限为尾状核头部，在横断面CT 影像中，任何位于尾状核及其以下层面的缺血性改变均定义为核团层面缺血，而在尾状核头部层面以上的缺血性改变则定义为核团上层面缺血。这10个区域的权重相同，都为1分，实行扣分制，满分10分。扣分依据为该区域有可识别的缺血区域。
目前ASPECTS评分主要由医生通过上述扣分标准，进行“肉眼标准”的人工判定，其描述没有明确的体积与面积标准，完全由医生根据个人经验进行判断。由于不同影像设备、不同参数、不同病人状况等因素的存在，不能保证头颅CT影像数据的一致性。不同医生由于经验不同导致评分结果主观差异较大，该差异无法避免。脑卒中病情发展快，短时间内得不到有效救治可能出现永久不可逆性伤害，致残致死率极高，而CT影像数据上组织分区界限分辨难度较高，微弱密度下降难以在短时间内准确识别，由医生人工评分的时间过长，会导致延误病情，危及患者安全。
现有方案主要流程包括，从待处理的多帧头颅CT影像数据中，提取目标区域；对目标区域所包含的各个目标区域分别进行梗死判断，输出梗死判断结果；基于目标区域的梗死判断结果，输出评分结果。其梗死判断标准为对各区域左右两侧的区域中所有像素点的灰度值，分别求和后计算平均值，作为目标区域的平均灰度值，将一侧的灰度值与对侧灰度值进行比较，从而判断目标区域是否梗死。该方法只针对该区域是否具有梗死进行判断，但临床中存在大量只缺血未梗死的情况，该方法未对此种情况进行区分，会遗漏较多需要扣分的情况，导致评分不准。并且其梗死判断方法为区域均值的双侧对比，当梗死体积相对于目标区域较小时，其均值变化微弱，易无法有效区分，导致准确性下降。另外，由于脑组织不同结构的正常CT值存在差异，例如灰质与白质CT值存在差异，单纯用均值差异进行比较也难以真正区分梗死。
因此，需要一种自动ASPECTS评分方法，能够排除或降低不一致因素差异带来的诊断差异，这些因素包括：技术水平、操作方法、图像质量、人眼分辨能力、疲劳程度、认知经验，以及影像设备成像。该方法应能够缩短人眼观察、思考、调节显示参数及肉眼评分所需的时间，准确给出分数结果，为脑卒中病情的诊断与判断做出客观依据。
发明内容
本发明的目的是提出一种基于深度学习的ASPECTS评分方法，能够准确客观的根据各个ASPECTS评分子区域的左右侧局部对比及子区域与整个脑组织的全局对比，对该区域是否缺血，而非梗死进行分类，通过对缺血区域扣分得到准确、客观的ASPECTS评分。
为实现上述目的，本发明采用了如下技术方案：
本发明提供了一种基于深度学习的自动计算ASPECTS评分的方法，其可以准确快速地计算出ASPECTS评分。本发明包括以下步骤：
步骤1：获取脑缺血非增强CT影像数据，并提取目标区域；目标区域为非增强CT影像数据中用于评分的区域，分别为尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共10个区域；
步骤2：对各区域是否缺血进行标记；同时由3名及以上的奇数名专家对同一个区域进行是否缺血的标记；
步骤3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型；输入数据为待测图像，左右脑同一对应区域的掩模图像以及是否缺血的分类标签；
步骤4：将待测脑缺血非增强CT影像数据输入所述步骤3中训练好的分类模型中，得到分类结果；
步骤5：根据所述步骤4中得到的分类结果计算ASPECTS评分。
所述步骤1中，具体方法为：
根据已经标记的模板数据，使用配准方法进行目标区域配准，得到图像中每个像素的标签，标签与目标区域一一对应，像素点不属于目标区域时，归类为背景区域。具有标签的像素集合为区域标签图像。配准方法包括但不限于：刚性配准、仿射配准、非刚性配准方法。
本例中使用级联式的非刚性配准网络进行实现。将具有对应标签图像的模板数据与待配准数据同时输入级联式的非刚性配准网络，获得模板数据相对于待配准数据的形变场；根据形变场将模板数据对应的区域标签图像进行非刚性形变，并进行形态学处理填补孔洞后，得到待配准数据的区域标签图像。
所述步骤2：对各区域是否缺血进行标记。
优选地，同时由3名及以上的奇数名专家对同一个区域进行是否缺血的标记，只有一半以上专家标记为缺血的区域的分类标签为缺血，分类标签不是缺血的标记为未缺血。
所述步骤3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型。
输入数据为待测图像，左右脑同一对应区域的掩模图像以及是否缺血的分类标签；
网络模型由卷积层，最大池化层，全连接层与softmax分类器构成。所述卷积层包括卷积核、BatchNorm与Relu激活函数，后续卷积层尺寸均指其卷积核大小。网络模型结构为顺序连接以下模块：连续2个64通道的步长为1的5×5卷积层，2×2大小的最大池化层，连续2个128通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续2个256通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续4个512通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续4个512通道的步长为1的3×3卷积层，2×2大小的最大池化层，4096个单元的全连接层，1024个单元的全连接层，soft-max分类器；输出为当前对应区域是否缺血的标签。
所述步骤4：将待测脑缺血非增强CT影像数据输入训练好的分类模型中，得到分类结果。
首先，使用与步骤1中同样的方法，获得待测脑缺血非增强CT影像数据的区域标签图像；
然后，分别将10个区域对应的区域掩模图像与待测脑缺血非增强CT影像数据，输入到步骤3中训练好的模型，获得各区域是否缺血的分类标签。
所述步骤5：根据得到的分类结果计算ASPECTS评分。
根据目标区域的各个分区缺血标签，依据规则从10分进行扣分。其扣分规则为：当一个区域被分类为缺血时，该区域扣1分；否则，不扣分。遍历所有区域后，剩余分数即为最终ASPECTS评分。
一种用于计算非增强CT的ASPECTS评分的装置，其特征在于，包括：
模块1，获取脑缺血非增强CT影像数据，并提取目标区域；目标区域为非增强CT影像数据中用于评分的区域，分别为尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共10个区域；
模块2：对各区域是否缺血进行标记；同时由3名及以上的奇数名专家对同一个区域进行是否缺血的标记；
模块3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型；输入数据为待测图像，左右脑同一对应区域的掩模图像以及是否缺血的分类标签；
模块4：将待测脑缺血非增强CT影像数据输入训练好的分类模型中，得到分类结果；
模块5：根据得到的分类结果计算ASPECTS评分。
一种用于计算非增强CT的ASPECTS评分的装置，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，实现所述的计算非增强CT的ASPECTS评分方法。
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，实现所述的计算非增强CT的ASPECTS评分方法。
本发明既考虑了同一区域左右侧局部对比，又能兼顾该区域在整个脑组织内的全局情况；以缺血为判断标准，而不是以梗死为判断标准，缺血区域包含梗死区域，使适用范围得到扩大，能够有效处理存在缺血但未梗死区域的情况。
附图说明
图1为基于深度学习的自动计算ASPECTS评分方法的计算流程图；
图2为ASPECTS评分单侧区域示意图；
图3为进行是否缺血分类的网络模型示意图。
具体实施方式
下面将结合本发明的附图，对本发明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发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
一种基于深度学习的自动计算ASPECTS评分的方法，其可以准确快速地计算出ASPECTS评分。本发明包括以下步骤，如图1所示：
步骤1：获取脑缺血非增强CT影像数据，并提取目标区域。
步骤2：对各区域是否缺血进行标记。
步骤3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型。
步骤4：将待测脑缺血非增强CT影像数据输入训练好的分类模型中，得到分类结果。
步骤5：根据得到的分类结果计算ASPECTS评分。
步骤1：获取脑缺血非增强CT影像数据，并提取目标区域，其中，所述目标区域为非增强CT影像数据中用于评分的区域，分别为尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共10个区域。各个区域保持空间上的相对关系。
其具体方法为：
根据已经标记的模板数据，使用配准方法进行目标区域配准，得到图像中每个像素的标签，标签与目标区域一一对应，像素点不属于目标区域时，归类为背景区域。具有标签的像素集合为区域标签图像。配准方法包括但不限于：刚性配准、仿射配准、非刚性配准方法。
本例中使用级联式的非刚性配准网络进行实现。将具有对应标签图像的模板数据与待配准数据同时输入级联式的非刚性配准网络，非刚性配准网络通过计算特征图，求得损失函数，在配准过程中不断缩小损失函数，获得模板数据相对于待配准数据的形变场；根据形变场在每个像素的方向向量进行像素的移动，在所有像素完成移动后，使用B样条插值方法进行插值，恢复因像素移动导致破坏的像素。在对模板数据对应的区域标签图像进行非刚性形变后，进行开闭操作形态学处理，并填补孔洞，，得到待配准数据的区域标签图像。
步骤2：对各区域是否缺血进行标记。优选地，同时由3名及以上的奇数名专家对同一个区域进行是否缺血的标记，只有一半以上专家标记为缺血的区域的分类标签为缺血，分类标签不是缺血的标记为未缺血。基本的缺血判断为区域灰度低于正常值，或有异常的占位，缺失等现象，其最终结果由专家进行主观判断。
步骤3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型。在构造训练数据有更大的信息量，采用阶段、翻转、旋转、放大尺寸、缩小尺寸方法，对数据进行扩充。
所述分类模型如图3所示：
网络模型由卷积层，最大池化层，全连接层与softmax分类器构成。所述卷积层包括卷积核、BatchNorm与Relu激活函数，后续卷积层尺寸均指其卷积核大小。
网络模型如图2所示，其结构为顺序连接以下模块：连续2个64通道的步长为1的5×5卷积层，2×2大小的最大池化层，连续2个128通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续2个256通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续4个512通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续4个512通道的步长为1的3×3卷积层，2×2大小的最大池化层，4096个单元的全连接层，1024个单元的全连接层，soft-max分类器。
在训练模型时，输入数据为待训练图像，左右脑同一对应区域的掩模图像以及是否缺血的分类标签，使用一套网络模型分别对10个区域进行模型训练，输出为对应10个区域的不同的模型参数。在使用模型进行分类时，输入数据为待测图像，左右脑同一对应区域的掩模图像，根据训练好的对应区域的模型参数与网络模型进行计算，输出为当前对应区域是否缺血的标签。
步骤4：将待测脑缺血非增强CT影像数据输入训练好的分类模型中，得到分类结果。
首先，使用与步骤1中同样的方法，获得待测脑缺血非增强CT影像数据的区域标签图像；
然后，分别将尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共10个区域对应的区域掩模图像与待测脑缺血非增强CT影像数据，分别输入到步骤3中训练好的模型，获得各区域是否缺血的分类标签，并对结果进行保存。
步骤5：根据得到的分类结果计算ASPECTS评分。
根据目标区域的各个分区缺血标签，依据规则从10分进行扣分。其扣分规则为：当一个区域被分类为缺血时，该区域扣1分；否则，不扣分。遍历所有区域后，剩余分数即为最终ASPECTS评分。
一种用于计算非增强CT的ASPECTS评分的装置，其特征在于，包括：
模块1，获取脑缺血非增强CT影像数据，并提取目标区域；目标区域为非增强CT影像数据中用于评分的区域，分别为尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共10个区域；
模块2：对各区域是否缺血进行标记；同时由3名及以上的奇数名专家对同一个区域进行是否缺血的标记；
模块3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型；输入数据为待测图像，左右脑同一对应区域的掩模图像以及是否缺血的分类标签；
模块4：将待测脑缺血非增强CT影像数据输入训练好的分类模型中，得到分类结果；
模块5：根据得到的分类结果计算ASPECTS评分。
一种用于计算非增强CT的ASPECTS评分的装置，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，实现所述的计算非增强CT的ASPECTS评分方法。
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，实现所述的计算非增强CT的ASPECTS评分方法。
本发明以缺血，而不是梗死为区域是否扣分的判断标准；以非增强CT图像与对比区域为输入，进行是否缺血分类的网络模型；本发明整个ASPECTS评分流程，如图2所示，为ASPECTS评分单侧区域。
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发明的优选例，并不用来限制本发明，在不脱离本发明新型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 (8)

1.一种计算非增强CT的ASPECTS评分方法，其特征在于，包括如下步骤：
步骤1：获取脑缺血非增强CT影像数据，并提取目标区域；目标区域为非增强CT影像数据中用于评分的区域，分别为尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共10个区域；
步骤2：对各区域是否缺血进行标记；同时由3名及以上的奇数名专家对同一个区域进行是否缺血的标记；
步骤3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型；输入数据为待测图像，左右脑同一对应区域的掩模图像以及是否缺血的分类标签；
步骤4：将待测脑缺血非增强CT影像数据输入所述步骤3中训练好的分类模型中，得到分类结果；
步骤5：根据所述步骤4中得到的分类结果计算ASPECTS评分；
所述步骤3具体包括：网络模型由卷积层，最大池化层，全连接层与softmax分类器构成；所述卷积层包括卷积核、BatchNorm与Relu激活函数，后续卷积层尺寸均指其卷积核大小；网络模型结构为顺序连接以下模块：连续2个64通道的步长为1的5×5卷积层，2×2大小的最大池化层，连续2个128通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续2个256通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续4个512通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续4个512通道的步长为1的3×3卷积层，2×2大小的最大池化层，4096个单元的全连接层，1024个单元的全连接层，soft-max分类器；输出为当前对应区域是否缺血的标签。
2.根据权利要求1所述的计算非增强CT的ASPECTS评分方法，其特征在于，所述步骤1中，具体方法为：
根据已经标记的模板数据，使用配准方法进行目标区域配准，得到图像中每个像素的标签，标签与目标区域一一对应，像素点不属于目标区域时，归类为背景区域；具有标签的像素集合为区域标签图像；配准方法包括但不限于：刚性配准、仿射配准、非刚性配准方法。
3.根据权利要求1所述的计算非增强CT的ASPECTS评分方法，其特征在于，所述步骤2具体包括：有一半以上专家标记为缺血的区域的分类标签为缺血，分类标签不是缺血的标记为未缺血。
4.根据权利要求1所述的计算非增强CT的ASPECTS评分方法，其特征在于，根据权利要求1所述的计算非增强CT的ASPECTS评分方法，其特征在于，所述步骤4具体包括：
步骤4.1：使用与所述步骤1中同样的方法，获得待测脑缺血非增强CT影像数据的区域标签图像；
步骤4.2：分别将10个区域对应的区域掩模图像与待测脑缺血非增强CT影像数据，输入到所述步骤3中训练好的模型，获得各区域是否缺血的分类标签。
5.根据权利要求1所述的计算非增强CT的ASPECTS评分方法，其特征在于，所述步骤5具体包括：
根据目标区域的各个分区缺血标签，依据规则以10分为满分进行扣分；其扣分规则为：当一个区域被分类为缺血时，该区域扣1分；否则，不扣分；遍历所有区域后，剩余分数即为最终ASPECTS评分。
6.一种用于计算非增强CT的ASPECTS评分的装置，其特征在于，包括：
模块1，获取脑缺血非增强CT影像数据，并提取目标区域；目标区域为非增强CT影像数据中用于评分的区域，分别为尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共10个区域；
模块2：对各区域是否缺血进行标记；同时由3名及以上的奇数名专家对同一个区域进行是否缺血的标记；
模块3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型；输入数据为待测图像，左右脑同一对应区域的掩模图像以及是否缺血的分类标签；
模块4：将待测脑缺血非增强CT影像数据输入训练好的分类模型中，得到分类结果；
模块5：根据得到的分类结果计算ASPECTS评分。
7.一种用于计算非增强CT的ASPECTS评分的装置，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至5任一项所述的计算非增强CT的ASPECTS评分方法。
8.一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至5任一项所述的计算非增强CT的ASPECTS评分方法。
CN202110451848.6A 2021-04-26 2021-04-26 一种计算非增强ct的aspects评分方法 Pending CN112862022A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110451848.6A CN112862022A (zh) 2021-04-26 2021-04-26 一种计算非增强ct的aspects评分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110451848.6A CN112862022A (zh) 2021-04-26 2021-04-26 一种计算非增强ct的aspects评分方法

Publications (1)

Publication Number Publication Date
CN112862022A true CN112862022A (zh) 2021-05-28

Family

ID=75992919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110451848.6A Pending CN112862022A (zh) 2021-04-26 2021-04-26 一种计算非增强ct的aspects评分方法

Country Status (1)

Country Link
CN (1) CN112862022A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113273969A (zh) * 2021-06-22 2021-08-20 上海市第六人民医院 一种脑部缺血状况评估装置、方法、介质及电子设备
CN113796877A (zh) * 2021-08-17 2021-12-17 昆明同心医联科技有限公司 脑卒中预测值获取方法、装置及存储介质
TWI779900B (zh) * 2021-10-25 2022-10-01 瑞昱半導體股份有限公司 基於區域控制以及多重分支處理架構進行圖像增強的圖像處理系統與相關圖像處理方法
US11501437B1 (en) * 2022-04-28 2022-11-15 Qure.Ai Technologies Private Limited Monitoring brain CT scan image
US11636596B1 (en) 2022-04-28 2023-04-25 Qure.Ai Technologies Private Limited Monitoring brain CT scan image

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956626A (zh) * 2019-12-09 2020-04-03 北京推想科技有限公司 一种基于图像的预后评估方法及装置
KR102165840B1 (ko) * 2020-05-21 2020-10-16 주식회사 휴런 인공지능 기반 뇌졸중 진단 장치 및 방법
CN112185550A (zh) * 2020-09-29 2021-01-05 强联智创（北京）科技有限公司 一种分型方法、装置以及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956626A (zh) * 2019-12-09 2020-04-03 北京推想科技有限公司 一种基于图像的预后评估方法及装置
KR102165840B1 (ko) * 2020-05-21 2020-10-16 주식회사 휴런 인공지능 기반 뇌졸중 진단 장치 및 방법
CN111904449A (zh) * 2020-05-21 2020-11-10 和人人工知能科技有限公司 基于人工智能的脑卒中诊断装置及方法
CN112185550A (zh) * 2020-09-29 2021-01-05 强联智创（北京）科技有限公司 一种分型方法、装置以及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李琳 等: "《云计算与大数据实验教材系列 MAHOUT实验指南》", 30 April 2017, 武汉：武汉大学出版社 *
杨林泉: "《预测与决策方法应用》", 31 August 2011, 北京：冶金工业出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113273969A (zh) * 2021-06-22 2021-08-20 上海市第六人民医院 一种脑部缺血状况评估装置、方法、介质及电子设备
CN113796877A (zh) * 2021-08-17 2021-12-17 昆明同心医联科技有限公司 脑卒中预测值获取方法、装置及存储介质
TWI779900B (zh) * 2021-10-25 2022-10-01 瑞昱半導體股份有限公司 基於區域控制以及多重分支處理架構進行圖像增強的圖像處理系統與相關圖像處理方法
US11501437B1 (en) * 2022-04-28 2022-11-15 Qure.Ai Technologies Private Limited Monitoring brain CT scan image
US11636596B1 (en) 2022-04-28 2023-04-25 Qure.Ai Technologies Private Limited Monitoring brain CT scan image

Similar Documents

Publication Publication Date Title
CN112862022A (zh) 一种计算非增强ct的aspects评分方法
CN108198184B (zh) 造影图像中血管分割的方法和系统
Yaqub et al. A deep learning solution for automatic fetal neurosonographic diagnostic plane verification using clinical standard constraints
CN111325739B (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
US20220198230A1 (en) Auxiliary detection method and image recognition method for rib fractures based on deep learning
EP2888718B1 (en) Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation
Zhang et al. Automated semantic segmentation of red blood cells for sickle cell disease
JP2019525786A (ja) 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法
CN112348785B (zh) 一种癫痫病灶定位方法及系统
CN113768461B (zh) 一种眼底图像分析方法、系统和电子设备
CN108665454A (zh) 一种内镜图像智能分类及不规则病变区域检测方法
Chen et al. Automated ventricular systems segmentation in brain CT images by combining low-level segmentation and high-level template matching
WO2024001140A1 (zh) 一种椎体亚区域分割方法、装置及存储介质
Castro et al. Convolutional neural networks for detection intracranial hemorrhage in CT images.
Ribeiro et al. Handling inter-annotator agreement for automated skin lesion segmentation
CN114693961A (zh) 眼底照片分类方法、眼底图像处理方法和系统
CN117764957A (zh) 基于人工神经网络的青光眼图像特征提取的训练系统
CN111584066A (zh) 基于卷积神经网络与对称信息的脑部医学影像诊断方法
CN114708240A (zh) 基于平扫ct的自动化aspects评分方法、计算机设备、可读存储介质和程序产品
Qi et al. Ideal midline detection using automated processing of brain CT image
US11842492B2 (en) Cerebral hematoma volume analysis
CN114926396A (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
CN112991289B (zh) 图像标准切面的处理方法及装置
Sarmiento et al. Cardiac disease prediction from spatio-temporal motion patterns in cine-mri
CN113643263A (zh) 一种上肢骨定位与前臂骨融合畸形的识别方法及系统

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