CN113222893A - 一种异常区域确定方法及装置 - Google Patents

一种异常区域确定方法及装置 Download PDF

Info

Publication number
CN113222893A
CN113222893A CN202110368282.0A CN202110368282A CN113222893A CN 113222893 A CN113222893 A CN 113222893A CN 202110368282 A CN202110368282 A CN 202110368282A CN 113222893 A CN113222893 A CN 113222893A
Authority
CN
China
Prior art keywords
image
area
determining
parameter
difference value
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.)
Granted
Application number
CN202110368282.0A
Other languages
English (en)
Other versions
CN113222893B (zh
Inventor
阳光
左伟
郑超
肖月庭
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.)
Shukun Shanghai Medical Technology Co ltd
Original Assignee
Shukun Beijing Network 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 Shukun Beijing Network Technology Co Ltd filed Critical Shukun Beijing Network Technology Co Ltd
Priority to CN202110368282.0A priority Critical patent/CN113222893B/zh
Publication of CN113222893A publication Critical patent/CN113222893A/zh
Application granted granted Critical
Publication of CN113222893B publication Critical patent/CN113222893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种异常区域确定方法及装置，所述方法包括：获得指定图像和与所述指定图像对应的参数图像；根据预设参数和所述参数图像确定与所述指定图像对应的第一区域图像；通过区域预测模型对所述指定图像进行预测，确定与所述指定图像对应的第二区域图像；对所述第一区域图像和第二区域图像进行差异度比较，获得第一差异值；根据所述第一差异值满足预设指标的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像；其中，所述区域预测模型由与指定图像对应的图像样本通过神经网络训练获得，应用本实施例提供的方法，能够精确识别指定图像中的异常区域。

Description

一种异常区域确定方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种异常区域确定方法及装置。
背景技术
“脑卒中”又称“中风”、“脑血管意外”（cerebral vascular accident，CVA）。是一种急性脑血管疾病。当出现中风后，需要对患者进行脑灌注异常的诊断，一般是要检测梗死、缺血区的位置，计算其体积。传统的方式是将其各期相数据进行参数图解析，基于参数图设定阈值，进而诊断病灶，然而由于不同的患者的脑部情况不同，采用基于参数图设定阈值进行判断的话，无法准确地确定针对不同患者的脑部情况。
发明内容
本发明实施例提供了一种异常区域确定方法及装置，具有能够精确识别指定图像中的异常区域。
本发明实施例一方面提供一种异常区域确定方法，所述方法包括：获得指定图像和与所述指定图像对应的参数图像；根据预设参数和所述参数图像确定与所述指定图像对应的第一区域图像；通过区域预测模型对所述指定图像进行预测，确定与所述指定图像对应的第二区域图像；对所述第一区域图像和第二区域图像进行差异度比较，获得第一差异值；根据所述第一差异值满足预设指标的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像；其中，所述区域预测模型由与指定图像对应的图像样本通过神经网络训练获得。
在一可实施方式中，所述根据预设参数和所述参数图像确定与所述指定图像对应的第一区域图像，包括：获得多组预设参数；根据每一组预设参数和所述参数图像确定与每一组预设参数对应的第一区域图像。
在一可实施方式中，所述对所述第一区域图像和第二区域图像进行差异度比较，获得第一差异值，包括：将所述与每一组预设参数对应的第一区域图像与所述第二区域图像，获得与每一组预设参数对应的第一差异值。
在一可实施方式中，当所述第一差异值满足预设指标的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像，包括：将所述与每一组预设参数对应的第一差异值进行比较，将与最小第一差异值对应的第一区域图像与所述指定图像对应的异常区域图像。
在一可实施方式中，所述根据所述第一差异值满足预设指标的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像，包括：当所述第一差异值满足差异度阈值的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像；当所述第一差异值不满足差异度阈值的情况下，对所述预设参数进行调整，获得调整参数。
在一可实施方式中，所述方法还包括：根据所述调整参数和所述参数图像确定与所述指定图像对应的第三区域图像；对所述第三区域图像和所述第二区域图像进行差异度比较，获得第二差异值；当所述第二差异值满足差异度阈值的情况下，将所述第三区域图像确定为与所述指定图像对应的异常区域图像。
在一可实施方式中，所述方法还包括：当所述第二差异值不满足差异度阈值的情况下，将所述指定图像确定为异常图像。
在一可实施方式中，所述方法还包括：获得图像样本，所述图像样本包含与峰值时间参数对应的第一训练样本和与常规时间参数对应的第二训练样本；通过所述第一训练样本和与所述第二训练样本对双通道模型进行训练，获得区域预测模型。
本发明实施例另一方面提供一种异常区域确定装置，所述装置包括：获得模块，用于获得指定图像和与所述指定图像对应的参数图像；确定模块，用于根据预设参数和所述参数图像确定与所述指定图像对应的第一区域图像；预测模块，用于通过区域预测模型对所述指定图像进行预测，确定与所述指定图像对应的第二区域图像；比较模块，用于对所述第一区域图像和第二区域图像进行差异度比较，获得第一差异值；所述确定模块，还用于根据所述第一差异值满足预设指标的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像；其中，所述区域预测模型由与指定图像对应的图像样本通过神经网络训练获得。
在一可实施方式中，所述确定模块，包括：获得子模块，用于获得多组预设参数；确定子模块，用于根据每一组预设参数和所述参数图像确定与每一组预设参数对应的第一区域图像。
在一可实施方式中，所述比较模块，包括：将所述与每一组预设参数对应的第一区域图像与所述第二区域图像，获得与每一组预设参数对应的第一差异值。
在一可实施方式中，所述确定子模块，还用于将所述与每一组预设参数对应的第一差异值进行比较，将与最小第一差异值对应的第一区域图像确定为异常区域图像。
在一可实施方式中，所述确定子模块，还用于当所述第一差异值满足差异度阈值的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像；所述装置还包括：调整模块，用于当所述第一差异值不满足差异度阈值的情况下，对所述预设参数进行调整，获得调整参数。
在一可实施方式中，所述确定模块，还用于根据所述调整参数和所述参数图像确定与所述指定图像对应的第三区域图像；所述比较模块，还用于对所述第三区域图像和所述第二区域图像进行差异度比较，获得第二差异值；所述确定模块，还用于当所述第二差异值满足差异度阈值的情况下，将所述第三区域图像确定为与所述指定图像对应的异常区域图像。
在一可实施方式中，所述确定模块，还用于当所述第二差异值不满足差异度阈值的情况下，将所述指定图像确定为异常图像。
在一可实施方式中，所述获得模块，用于获得图像样本，所述图像样本包含与峰值时间参数对应的第一训练样本和与常规时间参数对应的第二训练样本；所述装置还包括：训练模块，用于通过所述第一训练样本和与所述第二训练样本对双通道模型进行训练，获得区域预测模型
本发明实施例提供的异常区域确定方法，通过对指定图像采用预设参数计算确定可能存在异常区域的第一区域图像，并通过对指定图像采用神经网络预测确定可能存在异常区域的第二区域图像，然后以第二区域图像作为依据，确定第一区域图像和第二区域图像之间的差异度对应的第一差异值，若第一差异值满足预设指标，则将第一区域图像确定为与指定图像对应的异常区域图像，若第一差异度不满足预设指标，则不将第一区域图像确定为与指定图像对应的异常区域图像。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1为本发明实施例一种异常区域确定方法的实现流程示意图；
图2为本发明实施例一种异常区域确定方法差异度比较的实现流程示意图；
图3为本发明实施例一种异常区域确定装置的实现模块示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
图1为本发明实施例一种异常区域确定方法的实现流程示意图。
参见图1，本发明实施例一方面提供一种异常区域确定方法，方法包括：操作101，获得指定图像和与指定图像对应的参数图像；操作102，根据预设参数和参数图像确定与指定图像对应的第一区域图像；操作103，通过区域预测模型对指定图像进行预测，确定与指定图像对应的第二区域图像；操作104，对第一区域图像和第二区域图像进行差异度比较，获得第一差异值；操作105，根据第一差异值满足预设指标的情况下，将第一区域图像确定为与指定图像对应的异常区域图像；其中，区域预测模型由与指定图像对应的图像样本通过神经网络训练获得。
本发明实施例提供的异常区域确定方法应用于图像处理技术领域，用于识别指定图像中的异常区域，指定图像指代具有某一类相同或相似特征的图像，如脑灌注图像等；当指定图像中的相同或相似特征中的部分区域呈现出不一样的表征时，该区域为异常区域，即异常区域指代图像中与相同或相似特征不同的部分特征，如脑灌注图像中的脑灌注异常区域等。本方法通过对指定图像采用预设参数计算确定可能存在异常区域的第一区域图像，并通过对指定图像采用神经网络预测确定可能存在异常区域的第二区域图像，然后以第二区域图像作为依据，确定第一区域图像和第二区域图像之间的差异度对应的第一差异值，若第一差异值满足预设指标，则将第一区域图像确定为与指定图像对应的异常区域图像，若第一差异度不满足预设指标，则不将第一区域图像确定为与指定图像对应的异常区域图像。为方便本方法的理解，以下以确定脑灌注图像中的脑灌注异常区域作为具体实施方式进行举例说明。
具体的，在本方法操作101中，通过医学图像采集设备可以采集获得指定图像和部分或全部的参数图像，本方法也可以在获得指定图像之后，通过对指定图像进行参数化标注，以获得参数图像。可以理解的是，与指定图像对应的参数图像的数量为一张或多张。其中，医学图像采集设备包括但不限于：电子计算机断层扫描设备（CT）、计算机X线摄影系统(CR)、直接数字化X线摄影系统(DR)、磁共振成像设备（MRI）、数字减影血管造影设备（DSA）等。参数图像可以是用于获得参数信息的图像，也可以是已经标注有参数信息的图像。参数图像对应的参数信息包括但不限于：时间密度曲线（TDC）、脑血容量(CBV)、脑血流量（CBF）、平均通过时间（MTT）、达峰时间（TTP）、血管表面通透性（PS）等参数，参数信息可以直接从指定图像测量获得，也可以根据指定图像经过计算后获得。通过这些参数可以对脑灌注图像对应的血流动力学情况进行评估，以确定脑灌注图像中是否存在脑灌注异常区域。
在操作102中，预设参数包括用于配合函数计算以确定参数信息的参数，也包括与参数信息结合确定第一区域图像的参数，也可以为判断是否存在异常的评价指标。即预设参数即可以用于确定参数信息，也可以用于确定第一区域图像。通过预设参数和参数图像对应的参数信息可以根据传统的脑灌注异常区域计算函数进行计算，以确定与指定图像对应的第一区域图像。例如，设置与脑灌注异常区域计算函数的计算结果对应的阈值，当该区域计算结果超出阈值时，可以确定该区域存在异常，当该区域计算结果未超出阈值时，可以确定该区域不存在阈值。其中，根据脑灌注异常原因的不同，所采用的参数信息和预设参数不同，对应的阈值也可以设置为不同。
在操作103中，通过区域预测模型对指定图像进行预测，确定与指定图像对应的第二区域图像。区域预测模型通过与指定图像对应的图像样本预测获得，用于预测指定图像的异常区域，以获得第二区域图像。
其中，区域预测模型的具体训练方法包括：首先，获得图像样本，图像样本包含与峰值时间参数对应的第一训练样本和与常规时间参数对应的第二训练样本；然后，通过第一训练样本和与第二训练样本对双通道模型进行训练，获得区域预测模型。
本方法采用的区域预测模型为双通道模型，图像样本包含与峰值时间参数对应的第一训练样本和与常规时间参数对应的第二训练样本，具体的，在当区域预测模型味脑灌注异常区域模型时，第一训练样本为标注有达峰时间(TPP)的图像样本；第二训练样本为包含有平均通过时间（MTT）的图像样本。图像样本还可以包括不包括参数信息的图像样本。根据图像样本的类型数量，本方法还可以采用与图像样本的类型数量对应的多通道模型进行训练。其中，图像样本可以通过数据库或网络获得。
在操作104中，对第一区域图像和第二区域图像进行差异度比较，具体可以是对第一区域图像和第二区域图像所表征的异常区域进行重叠，根据不重叠的区域的占比确定不重叠区域的占比，或者根据重叠区域的占比确定不重叠区域的占比，根据不重叠区域的占比确定第一差异值。例如在一种情况下，第一区域图像中异常区域与第二区域图像中异常区域的重叠率为90%，则与差异度对应的第一差异值为10%。
在操作105中，预设指标为与第一差异值对应的差异度阈值，当第一差异值未超过差异度阈值的情况下，可以确定为第一区域图像为与指定图像对应的异常区域图像。当第一差异值超过差异度阈值的情况下，可以确定为第一区域图像不是与指定图像对应的异常区域图像。
在其他可实施方式中，还可以以第一区域图像作为依据，确定第二区域图像是否为与指定图像对应的异常区域图像。具体的，可以设置针对第二区域图像的差异度阈值，当第一差异值未超过差异度阈值的情况下，可以确定为第二区域图像为与指定图像对应的异常区域图像。当第一差异值超过差异度阈值的情况下，可以确定为第二区域图像不是与指定图像对应的异常区域图像。
在一可实施方式中，操作102，根据预设参数和参数图像确定与指定图像对应的第一区域图像，包括：首先，获得多组预设参数；然后，根据每一组预设参数和参数图像确定与每一组预设参数对应的第一区域图像。
需要说明的是，本方法根据不同的预设参数和参数图像进行计算，可以获得针对不同预设参数的第一区域图像，即本方法所获得的第一区域图像可以是一张或多张。本方法多张第一区域图像可以是同一异常的区域图像，也可以是不同异常的区域图像，同理，根据图像样本和标注数据的不同，区域预测模型也可以为多个。
以下提供一种具体实施场景，在该实施场景中，本方法的预设参数为不同评价指标的局部脑血流量（rCBF），评价指标包括25%、30%、35%、40%，通过评价指标为25%对参数图像进行整合计算，获得区域图像一，通过评价指标为30%对参数图像进行整合计算，获得区域图像二；通过评价指标为35%对参数图像进行整合计算，获得区域图像三；通过评价指标为40%对参数图像进行整合计算，获得区域图像四。本方法可以通过多张第一区域图像与第二区域图像进行比较，以选择差异度最小的第一区域图像确定为异常区域图像。
在一可实施方式中，操作104，对第一区域图像和第二区域图像进行差异度比较，获得第一差异值，包括：将与每一组预设参数对应的第一区域图像与第二区域图像，获得与每一组预设参数对应的第一差异值。
操作105，当第一差异值满足预设指标的情况下，将第一区域图像确定为与指定图像对应的异常区域图像，包括：将与每一组预设参数对应的第一差异值进行比较，将与最小第一差异值对应的第一区域图像与指定图像对应的异常区域图像。
具体的，在一种具体实施场景中，本方法通过与局部脑血流量（rCBF）对应的区域预测模型对与参数图像对应的指定图像进行预测，获得区域图像五。比较区域图像一和区域图像五的重合度，获得差异值一；比较区域图像二和区域图像五的重合度，获得差异值二；比较区域图像三和区域图像五的重合度，获得差异值三；比较区域图像四和区域图像五的重合度，获得差异值四。然后通过比较差异值一、差异值二、差异值三、差异值四之间的大小，将四个差异值中最小的差异值对应的区域图像确定为异常区域图像。本方法也可以将四个差异值与差异度阈值进行比较，先排除超过差异度阈值的区域图像，然后对剩下的区域图像进行差异值比较，将与最小差异值对应的区域图像确定为异常区域图像。
在一可实施方式中，操作105，根据第一差异值满足预设指标的情况下，将第一区域图像确定为与指定图像对应的异常区域图像，包括：当第一差异值满足差异度阈值的情况下，将第一区域图像确定为与指定图像对应的异常区域图像；当第一差异值不满足差异度阈值的情况下，对预设参数进行调整，获得调整参数。
可以理解的是，第一差异值存在满足差异度阈值或不满足差异度阈值两种情况。当第一差异值不满足差异度阈值的情况下，即第一差异值超过差异度阈值的情况下，本方法可以对根据对预设参数进行调整，或对计算函数进行调整，以提高对第一区域图像的计算精度和准确度，调整方式包括且不限于，放大数值，设置更为精确的数值等。例如，将原本的整数参数修改为带小数点后两位的数值。通过对预设参数进行调整，以获得调整参数，调整参数用于重新对指定图像及对应的参数图像按照传统方法进行计算，以确定与调整参数对应的区域图像。
图2为本发明实施例一种异常区域确定方法差异度比较的实现流程示意图。
参见图2，在一可实施方式中，方法还包括：操作201，根据调整参数和参数图像确定与指定图像对应的第三区域图像；操作202，对第三区域图像和第二区域图像进行差异度比较，获得第二差异值；操作203，当第二差异值满足差异度阈值的情况下，将第三区域图像确定为与指定图像对应的异常区域图像。
本方法在确定调整参数后，通过调整参数和参数图像确定与指定图像对应的第三区域图像，即根据调整参数按照传统算法重新计算与指定图像对应的异常区域，获得第三区域图像。然后根据第三区域图像和第二区域图像进行差异度比较，获得第二差异值。同理，当第二差异值满足差异度阈值的情况下，将第三区域图像确定为与指定图像对应的异常区域图像。
在一可实施方式中，方法还包括：操作204，当第二差异值不满足差异度阈值的情况下，将指定图像确定为异常图像。
当第二差异值不满足差异度阈值的情况下，本方法可以对调整参数进行再次调整，也可以直接将指定图像确定为异常图像，异常图像指代原始数据存在问题的图像，即指定图像并不符合由图像采集设备采集获得的图像标准。不符合的理由包括但不限于：成像不清晰，成像时间不够、存在环境因素影响成像结果等。当将指定图像确定为异常图像时，本方法可以对异常图像进行丢弃，并生成提示信息，以指示对指定图像进行重新采集。
为方便上述实施方式的理解，以下提供两种具体实施场景进行说明。具体实施场景一：
首先，获得与缺血半暗带(Tmax)异常对应的图像样本，图像样本包括与缺血半暗带的达峰信息对应的第一图像样本和与缺血半暗带的日常信息对应的第二图像样本。通过第一图像样本和第二图像样本对双通道图像模型进行训练，获得用于预测缺血半暗带异常区域的缺血半暗带区域预测模型。
然后，获得待确定是否具有缺血半暗带异常的指定图像；通过传统缺血半暗带算法对指定图像及对应的参数图像进行计算，确定指定图像上的缺血半暗带异常区域一。
之后，通过缺血半暗带区域预测模型对指定图像进行预测，确定指定图像上的缺血半暗带异常区域二。
再后，对异常区域一和异常区域二进行差异度比较，获得差异值，若差异度未超过与缺血半暗带对应的差异度阈值，将异常区域一确定为与指定图像对应的目标异常区域。若差异度超过与缺血半暗带对应的差异度阈值，对传统缺血半暗带算法中的设定参数进行调整，获得调整参数，通过调整参数和指定图像对应的参数图像按照传统缺血半暗带算法进行计算，获得异常区域三，若异常区域三未超过与缺血半暗带对应的差异度阈值，将异常区域三确定为目标异常区域。若异常区域三超过与缺血半暗带对应的差异度阈值，则确定为指定图像存在采集异常，抛弃指定图像。
具体实施场景二：
首先，获得与脑局部血流量(rCBF)异常对应的图像样本，图像样本包括与脑局部血流量的达峰信息对应的第一图像样本和与脑局部血流量的日常信息对应的第二图像样本。通过第一图像样本和第二图像样本对双通道图像模型进行训练，获得用于预测脑局部血流量异常区域的脑局部血流量区域预测模型。
然后，获得待确定是否存在脑局部血流量异常的指定图像；通过与多个指标对应的预设参数和与指定图像及对应的参数图像根据传统脑局部血流量算法对进行计算，确定指定图像上的脑局部血流量多个异常区域。例如，当指标为30%和40%时，存在对应指标30%的异常区域一和对应指标40%的异常区域二。
之后，通过脑局部血流量区域预测模型对指定图像进行预测，确定指定图像上的脑局部血流量异常区域三。
再后，对异常区域一和异常区域三进行差异度比较，获得第一差异值。再将异常区域二和异常区域三进行差异度比较，获得第二差异值。若第一差异值小于第二差异值，则将与第一差异值对应的异常区域一确定为目标异常区域；若第一差异值大于第二差异值，则将与第一差异值对应的异常区域一确定为目标异常区域。若第一差异值大于第二差异值，则调整预设参数直至获取差异值小于第一差异值和第二差异值的第三差异值，并将第三差异值对应的异常区域确定为目标异常区域。其中，脑局部血流量异常包括但不限于脑梗死。
图3为本发明实施例一种异常区域确定装置的实现模块示意图。
参见图3，本发明实施例另一方面提供一种异常区域确定装置，装置包括：获得模块301，用于获得指定图像和与指定图像对应的参数图像；确定模块302，用于根据预设参数和参数图像确定与指定图像对应的第一区域图像；预测模块303，用于通过区域预测模型对指定图像进行预测，确定与指定图像对应的第二区域图像；比较模块304，用于对第一区域图像和第二区域图像进行差异度比较，获得第一差异值；确定模块302，还用于根据第一差异值满足预设指标的情况下，将第一区域图像确定为与指定图像对应的异常区域图像；其中，区域预测模型由与指定图像对应的图像样本通过神经网络训练获得。
在一可实施方式中，确定模块302，包括：获得子模块3021，用于获得多组预设参数；确定子模块3022，用于根据每一组预设参数和参数图像确定与每一组预设参数对应的第一区域图像。
在一可实施方式中，比较模块304，包括：将与每一组预设参数对应的第一区域图像与第二区域图像，获得与每一组预设参数对应的第一差异值。
在一可实施方式中，确定子模块3022，还用于将与每一组预设参数对应的第一差异值进行比较，将与最小第一差异值对应的第一区域图像确定为异常区域图像。
在一可实施方式中，确定子模块3022，还用于当第一差异值满足差异度阈值的情况下，将第一区域图像确定为与指定图像对应的异常区域图像；装置还包括：调整模块305，用于当第一差异值不满足差异度阈值的情况下，对预设参数进行调整，获得调整参数。
在一可实施方式中，确定模块302，还用于根据调整参数和参数图像确定与指定图像对应的第三区域图像；比较模块304，还用于对第三区域图像和第二区域图像进行差异度比较，获得第二差异值；确定模块302，还用于当第二差异值满足差异度阈值的情况下，将第三区域图像确定为与指定图像对应的异常区域图像。
在一可实施方式中，确定模块302，还用于当第二差异值不满足差异度阈值的情况下，将指定图像确定为异常图像。
在一可实施方式中，获得模块301，用于获得图像样本，图像样本包含与峰值时间参数对应的第一训练样本和与常规时间参数对应的第二训练样本；装置还包括：训练模块306，用于通过第一训练样本和与第二训练样本对双通道模型进行训练，获得区域预测模型。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种异常区域确定方法，其特征在于，所述方法包括：
获得指定图像和与所述指定图像对应的参数图像；
根据预设参数和所述参数图像确定与所述指定图像对应的第一区域图像；
通过区域预测模型对所述指定图像进行预测，确定与所述指定图像对应的第二区域图像；
对所述第一区域图像和第二区域图像进行差异度比较，获得第一差异值；
根据所述第一差异值满足预设指标的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像；
其中，所述区域预测模型由与指定图像对应的图像样本通过神经网络训练获得。
2.根据权利要求1所述的方法，其特征在于，所述根据预设参数和所述参数图像确定与所述指定图像对应的第一区域图像，包括：
获得多组预设参数；
根据每一组预设参数和所述参数图像确定与每一组预设参数对应的第一区域图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述第一区域图像和第二区域图像进行差异度比较，获得第一差异值，包括：
将所述与每一组预设参数对应的第一区域图像与所述第二区域图像，获得与每一组预设参数对应的第一差异值。
4.根据权利要求3所述的方法，其特征在于，当所述第一差异值满足预设指标的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像，包括：
将所述与每一组预设参数对应的第一差异值进行比较，将与最小第一差异值对应的第一区域图像确定为异常区域图像。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一差异值满足预设指标的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像，包括：
当所述第一差异值满足差异度阈值的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像；
当所述第一差异值不满足差异度阈值的情况下，对所述预设参数进行调整，获得调整参数。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述调整参数和所述参数图像确定与所述指定图像对应的第三区域图像；
对所述第三区域图像和所述第二区域图像进行差异度比较，获得第二差异值；
当所述第二差异值满足差异度阈值的情况下，将所述第三区域图像确定为与所述指定图像对应的异常区域图像。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
当所述第二差异值不满足差异度阈值的情况下，将所述指定图像确定为异常图像。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获得图像样本，所述图像样本包含与峰值时间参数对应的第一训练样本和与常规时间参数对应的第二训练样本；
通过所述第一训练样本和与所述第二训练样本对双通道模型进行训练，获得区域预测模型。
9.一种异常区域确定装置，其特征在于，所述装置包括：
获得模块，用于获得指定图像和与所述指定图像对应的参数图像；
确定模块，用于根据预设参数和所述参数图像确定与所述指定图像对应的第一区域图像；
预测模块，用于通过区域预测模型对所述指定图像进行预测，确定与所述指定图像对应的第二区域图像；
比较模块，用于对所述第一区域图像和第二区域图像进行差异度比较，获得第一差异值；
所述确定模块，还用于根据所述第一差异值满足预设指标的情况下，将所述第一区域图像确定为与所述指定图像对应的异常区域图像；
其中，所述区域预测模型由与指定图像对应的图像样本通过神经网络训练获得。
10.根据权利要求1所述的装置，其特征在于，所述确定模块，包括：
获得子模块，用于获得多组预设参数；
确定子模块，用于根据每一组预设参数和所述参数图像确定与每一组预设参数对应的第一区域图像。
CN202110368282.0A 2021-04-06 2021-04-06 一种异常区域确定方法及装置 Active CN113222893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110368282.0A CN113222893B (zh) 2021-04-06 2021-04-06 一种异常区域确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110368282.0A CN113222893B (zh) 2021-04-06 2021-04-06 一种异常区域确定方法及装置

Publications (2)

Publication Number Publication Date
CN113222893A true CN113222893A (zh) 2021-08-06
CN113222893B CN113222893B (zh) 2022-03-08

Family

ID=77086424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110368282.0A Active CN113222893B (zh) 2021-04-06 2021-04-06 一种异常区域确定方法及装置

Country Status (1)

Country Link
CN (1) CN113222893B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569984A (zh) * 2021-08-17 2021-10-29 首都医科大学附属北京友谊医院 脑灌注状态分类装置、方法、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2518690A1 (es) * 2013-12-23 2014-11-05 Centro De Investigación Biomédica En Red De Salud Mental (Cibersam) Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética
CN105678762A (zh) * 2016-01-06 2016-06-15 四川大学 一种基于图像信息的缺血性脑卒中治疗监测系统
CN107301645A (zh) * 2017-06-20 2017-10-27 上海联影医疗科技有限公司 一种数据处理方法和装置
CN112183166A (zh) * 2019-07-04 2021-01-05 北京地平线机器人技术研发有限公司 确定训练样本的方法、装置和电子设备
CN112435212A (zh) * 2020-10-15 2021-03-02 杭州脉流科技有限公司 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2518690A1 (es) * 2013-12-23 2014-11-05 Centro De Investigación Biomédica En Red De Salud Mental (Cibersam) Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética
CN105678762A (zh) * 2016-01-06 2016-06-15 四川大学 一种基于图像信息的缺血性脑卒中治疗监测系统
CN107301645A (zh) * 2017-06-20 2017-10-27 上海联影医疗科技有限公司 一种数据处理方法和装置
CN112183166A (zh) * 2019-07-04 2021-01-05 北京地平线机器人技术研发有限公司 确定训练样本的方法、装置和电子设备
CN112435212A (zh) * 2020-10-15 2021-03-02 杭州脉流科技有限公司 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DUFAN WU, HUI REN, AND QUANZHENG LI: "Self-supervised Dynamic CT Perfusion Image Denoising with Deep", 《ARXIV》 *
高凡、屠娟: "超声射频信号的甲状腺结节智能诊断方法", 《应用声学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569984A (zh) * 2021-08-17 2021-10-29 首都医科大学附属北京友谊医院 脑灌注状态分类装置、方法、设备及存储介质
CN113569984B (zh) * 2021-08-17 2022-05-31 首都医科大学附属北京友谊医院 脑灌注状态分类装置、方法、设备及存储介质

Also Published As

Publication number Publication date
CN113222893B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
JP6036009B2 (ja) 医用画像処理装置、およびプログラム
EP2647335B1 (en) Medical image processing device
EP3199102B1 (en) Medical image display processing method, medical image display processing device, and program
CN103026379B (zh) 推算图像噪音水平的方法
WO2011040473A1 (ja) 医用画像処理方法、装置およびプログラム
KR101989695B1 (ko) 뇌 아밀로이드 축적 양성 예측 모델 및 이를 이용한 예측 방법
Hedderich et al. Normative brain volume reports may improve differential diagnosis of dementing neurodegenerative diseases in clinical practice
US11257211B2 (en) Medical image processing apparatus, medical image processing system, and medical image processing method
CN104093354A (zh) 用于评估医学图像的方法和设备
KR20210118389A (ko) 이미지 분할 방법 및 장치, 기기 및 컴퓨터 판독 가능한 저장 매체
CN113222893B (zh) 一种异常区域确定方法及装置
GB2545641A (en) A method for detecting motion in a series of image data frames, and providing a corresponding warning to a user
Avanija et al. An automated approach for detection of intracranial haemorrhage using DenseNets
KR101886000B1 (ko) 뇌 자기공명 영상에 기반한 뇌 구조 비정상도 지수 및 이를 이용한 퇴행성 뇌질환 진단 방법
KR102503646B1 (ko) 뇌경색 볼륨 계산 기반의 뇌경색 예측 방법 및 그를 위한 장치
KR102451108B1 (ko) 치매 진단에 필요한 정보 제공 방법 및 장치
Woodall et al. Repeatability of tumor perfusion kinetics from dynamic contrast-enhanced MRI in glioblastoma
KR101723791B1 (ko) 뇌졸중 전자동 경색부 구분 방법
da Silva Senra Filho A hybrid approach based on logistic classification and iterative contrast enhancement algorithm for hyperintense multiple sclerosis lesion segmentation
Rajan et al. Focal Cortical Dysplasia (FCD) lesion analysis with complex diffusion approach
US20200160516A1 (en) Priority judgement device, method, and program
JP2023512367A (ja) 医療映像分析方法、医療映像分析装置及び医療映像分析システム
EP4213735B1 (en) Processing dark-field x-ray image data information
Bai et al. A 3D multi-domain U-net model for intracranial aneurysms detecting
CN116051546B (zh) 一种用于医学检查结果互认的专用影像诊断系统及计算机可读存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Applicant after: Shukun (Beijing) Network Technology Co.,Ltd.

Address before: Rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Applicant before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230113

Address after: Room 307, Zone A, Floor 2, No. 420, Fenglin Road, Xuhui District, Shanghai, 200000

Patentee after: Shukun (Shanghai) Medical Technology Co.,Ltd.

Address before: Rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee before: Shukun (Beijing) Network Technology Co.,Ltd.