CN113256748A - 基于脑血管ct影像的图像处理方法及图像处理装置 - Google Patents
基于脑血管ct影像的图像处理方法及图像处理装置 Download PDFInfo
- Publication number
- CN113256748A CN113256748A CN202010089706.5A CN202010089706A CN113256748A CN 113256748 A CN113256748 A CN 113256748A CN 202010089706 A CN202010089706 A CN 202010089706A CN 113256748 A CN113256748 A CN 113256748A
- Authority
- CN
- China
- Prior art keywords
- cta
- image
- ctp
- neural network
- ncct
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 title claims abstract description 10
- 238000002591 computed tomography Methods 0.000 title claims description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 39
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 claims abstract description 38
- 108091006623 SLC12A3 Proteins 0.000 claims abstract description 38
- 206010061216 Infarction Diseases 0.000 claims abstract description 31
- 230000007574 infarction Effects 0.000 claims abstract description 31
- 230000000302 ischemic effect Effects 0.000 claims abstract description 26
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 230000010412 perfusion Effects 0.000 claims description 38
- 239000002872 contrast media Substances 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 10
- 238000010968 computed tomography angiography Methods 0.000 description 75
- 210000005013 brain tissue Anatomy 0.000 description 11
- 210000004204 blood vessel Anatomy 0.000 description 4
- 208000032382 Ischaemic stroke Diseases 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000028867 ischemia Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 206010008089 Cerebral artery occlusion Diseases 0.000 description 1
- 206010069729 Collateral circulation Diseases 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- A61B6/504—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 blood vessels, e.g. by angiography
-
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Vascular Medicine (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于脑血管CT影像的图像处理方法，包括以下步骤：步骤1，对深度神经网络进行训练；步骤2，采用常规的CT扫描仪进行三种方式的扫描，得到NCCT、CTA和CTA+影像；步骤3，对NCCT、CTA和CTA+影像进行自动FOV的裁剪和配准；步骤4，对CTA及CTA+图像进行图像增强变换；步骤5，将三种影像数据NCCT、CTA和CTA+输入已训练好的深度神经网络中的三个通道中，神经网络的输出即为缺血区和梗死区的分割标注。本发明能够得到准确的影像学组织窗参数，即梗死核心区域和缺血区域。本发明还公开了一种基于脑血管CT影像的图像处理装置。
Description
技术领域
本发明涉及一种灌注成像数据处理技术，具体涉及一种基于脑血管CT影像的图像处理方法。本发明还涉及一种基于脑血管CT影像的图像处理装置。
背景技术
脑动脉的急性或慢性闭塞使得部分脑组织得不到充足的血液供应而坏死，从而形成缺血型卒中。在缺血型卒中的急性期影像学检查中，常使用计算机断层扫描动态灌注成像技术(Computer Tomography PerfusionImaging，CTP)来计算CBF(Cerebral BloodFlow)、CBV(Cerebral Blood Volume)、TMAX(Time to max enhancement)、TTP(Time toPeak)等参数图，再进一步对这些参数图进行阈值处理，得到所谓的“影像学组织窗”，即核心梗死区(一般定义为CBF小于全脑中位数CBF的30％的区域)和缺血区(一般定义为TMAX大于6秒的区域)，为医生提供诊疗决策的信息。
然而该方法依赖于覆盖全脑组织的CTP扫描，该扫描需要128排(256层)并配有摇篮床的CT扫描仪。由于此扫描仪价格昂贵，实践中并没有得到很好的普及。大部分医疗机构在急诊时，CT扫描还局限于传统的平扫像及增强像两种，无法开展CTP灌注成像，因而得不到组织窗参数。
目前也有一些基于人工智能技术的研究，希望仅使用CT平扫或CT增强像两种常规扫描即可得到梗死核心和/或缺血区。如Brainomix公司的e-ASPECTS软件，其使用了CT平扫影像进行梗死核心区的分割(参见Nagel S,Joly O,Pfaff J,et al.e-ASPECTS derivedacute ischemic volumes on non-contrast-enhanced computed tomography images:[J].International Journal of Stroke,2019)。Oman O等人发表了一篇使用CTA影像使用3DCNN技术进行梗死核心区的分割(参见
O.,
T.,Salli,E.,Savolainen,S.,&Kangasniemi,M.(2019).3D convolutional neural networks applied to CTangiography in the detection of acute ischemic stroke.European RadiologyExperimental,3(1).https://doi.org/10.1186/s41747-019-0085-6)。
但上述研究还处于理论阶段，并不能应用于实践。
发明内容
本发明所要解决的技术问题是提供一种基于脑血管CT影像的图像处理方法，它可以利用常规CT扫描仪的扫描结果得到梗死核心区域和缺血区域。
为解决上述技术问题，本发明基于脑血管CT影像的图像处理方法的技术解决方案为，包括以下步骤：
步骤1，对深度神经网络进行训练；采用CTP灌注数据，根据CTP灌注数据计算出核心梗死和缺血区的标注参数图；
步骤2，采用常规的CT扫描仪进行三种方式的扫描，得到NCCT、CTA和CTA+影像；
步骤2.1，进行CT平扫得到NCCT影像数据，并重建为所述CTP灌注数据的层厚；
步骤2.2，注射造影剂，进行CT增强扫描得到CTA影像数据，并重建为所述CTP灌注数据的层厚；
步骤2.3，等待3～8秒后，再进行一次CT扫描得到CTA+影像数据；
步骤3，对NCCT、CTA和CTA+影像进行自动FOV的裁剪和配准，以使NCCT、CTA和CTA+影像与训练深度神经网络时所输入的CTP影像的FOV大致相当；并进行层方向上的重采样，以调整至步骤1神经网络训练中使用训练数据的层厚；
步骤4，对CTA及CTA+图像进行图像增强变换；
步骤5，将三种影像数据NCCT、CTA和CTA+输入已训练好的深度神经网络中的三个通道中，神经网络的输出即为缺血区和梗死区的分割标注。
在另一实施例中，所述步骤1中对深度神经网络进行训练的方法是：
抽出CTP的三期时相；以第一期作为增强前的CT平扫像，以CTP动脉期的CTP期相作为CTA增强像，以CTP动脉期后3～8秒的CTP期相作为CTA+第二增强像；
将CTP的三期时相输入深度神经网络；
使深度神经网络根据输入的CTP灌注数据进行多次计算，输出训练结果。
在另一实施例中，所述训练结果为根据该CTP数据计算得到参数图标注的核心梗死区和缺血区。
在另一实施例中，所述输入的CTP灌注数据包括不同梗死大小和不同梗死位置的CTP灌注数据。
在另一实施例中，所述输入的CTP灌注数据的层厚与常规CTA扫描的层厚保持一致。
在另一实施例中，所述输入的CTP灌注数据的层厚为1mm层厚。
在另一实施例中，在所述步骤1.2的CTA扫描时，使扫描对象进入CT机架并同时进行螺旋扫描；在所述步骤1.3中的CTA+扫描时，使扫描对象退出CT机架并同时进行螺旋扫描。
本发明还提供一种基于脑血管CT影像的图像处理装置，其技术解决方案为，包括：
深度神经网络训练模块，被配置为采用CTP灌注数据，根据CTP灌注数据计算出核心梗死和缺血区的标注参数图；
扫描影像获取模块，被配置为采用常规的CT扫描仪进行三种方式的扫描，得到NCCT、CTA和CTA+影像；所述NCCT影像为通过CT平扫所得到的NCCT影像数据，并重建为所述CTP灌注数据的层厚；所述CTA影像为注射造影剂后通过CT增强扫描所得到的CTA影像数据，并重建为所述CTP灌注数据的层厚；所述CTA+影像为等待3～8秒后再进行一次CT扫描所得到的CTA+影像数据；
视场角裁剪和配准模块，被配置为对NCCT、CTA和CTA+影像进行自动FOV的裁剪和配准，使NCCT、CTA和CTA+影像与训练深度神经网络时所输入的CTP影像的FOV一致；
图像增强变换模块，被配置为对CTA及CTA+图像进行图像增强变换；
影像数据输入模块，被配置为将三种影像数据NCCT、CTA和CTA+输入深度神经网络训练模块所训练好的深度神经网络中的三个通道中，深度神经网络的输出即为缺血区和梗死区的分割标注。
在另一实施例中，还包括重采样模块，被配置为对NCCT、CTA和CTA+影像进行层方向上的重采样，以调整至与深度神经网络训练模块中使用训练数据的层厚。
在另一实施例中，所述深度神经网络训练模块包括：
CTP三期时相抽出模块，被配置为以第一期作为增强前的CT平扫像，以CTP动脉期的CTP期相作为CTA增强像，以CTP动脉期后3～8秒的CTP期相作为CTA+第二增强像；
输入模块，被配置为将CTP的三期时相输入深度神经网络；
训练模块，被配置为使深度神经网络根据所述输入模块输入的CTP灌注数据进行多次计算，输出训练结果。
本发明可以达到的技术效果是：
本发明使用常规CT平扫、CT增强，以及第二期CT增强共三次扫描，能够计算得到所谓的影像学组织窗，即梗死核心区域和缺血区域。
本发明在CTA扫描之后，间隔3～8秒后再进行一次CTA+扫描，即多使用了一期CTA+延迟扫描。通过增加该延迟扫描，能够得到准确的影像学组织窗参数，即梗死核心区域和缺血区域。
附图说明
本领域的技术人员应理解，以下说明仅是示意性地说明本发明的原理，所述原理可按多种方式应用，以实现许多不同的可替代实施方式。这些说明仅用于示出本发明的教导内容的一般原理，不意味着限制在此所公开的发明构思。
结合在本说明书中并构成本说明书的一部分的附图示出了本发明的实施方式，并且与上文的总体说明和下列附图的详细说明一起用于解释本发明的原理。
下面结合附图和具体实施方式对本发明作进一步详细的说明：
图1是深度神经网络训练的输入及输出示意图；
图2是采用常规的CT扫描仪所得到的NCCT、CTA和CTA+影像的示意图；
图3是缺血脑组织与正常脑组织随时间变化的图像信号。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。除非另外定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1所示，本发明基于脑血管CT影像的图像处理方法，包括以下步骤：
步骤1，对深度神经网络进行训练；
训练方法可以是采用CTP灌注数据，根据CTP灌注数据计算出核心梗死和缺血区标注；
具体地，首先，抽出CTP的三期时相；
以第一期作为增强前的CT平扫像(即NCCT)，选取CTP动脉期即一段动脉中信号达到最大值时的CTP期相作为CTA增强像(血管增强像)，以CTP动脉期后3～8秒的CTP期相作为CTA+第二增强像；
然后，将CTP的三期时相输入深度神经网络；
最后，使深度神经网络根据输入的CTP灌注数据进行多次计算，输出训练结果；该训练结果为根据该CTP数据计算得到的核心梗死区和缺血区标注图，即CTP定义下的核心梗死区(一般定义为CBF小于全脑中位数CBF的30％的区域)和缺血区(一般定义为TMAX大于6秒的区域)，如图1所示；
深度神经网络进行计算的过程中，所采用的CTP灌注数据作为训练数据，可以包括不同梗死大小和不同梗死位置的CTP灌注数据；所采用的CTP灌注数据的层厚与常规CTA扫描的层厚保持一致，优选为1mm左右层厚的CTP灌注数据。
深度神经网络可以是三通道3Dunet深度神经网络；
步骤2，采用常规的CT扫描仪进行三种方式的扫描，得到NCCT、CTA和CTA+影像；
步骤2.1，进行CT平扫(即NCCT)并重建为1mm左右层厚；
步骤2.2，注射造影剂，进行CT增强扫描(即CTA扫描)并重建为1mm左右层厚；
步骤2.3，等待3～8秒后，再进行一次CT扫描(即CTA+扫描)，扫描及重建参数与步骤2.2中所述CTA扫描一致；
优选地，在步骤1.2的CTA扫描时，使病人床进入CT机架并同时进行螺旋扫描；在步骤1.3中的CTA+扫描时，使病人床退出CT机架并同时进行螺旋扫描；工作流程上，多增加的这次扫描带来的工作量比较少。
步骤3，对NCCT、CTA和CTA+影像进行自动FOV(the field of view，视场角)的裁剪和配准，以使NCCT、CTA和CTA+影像与训练深度神经网络时所输入的CTP影像的FOV大致相当；并进行层方向上的重采样，以调整至步骤1神经网络训练中使用训练数据的层厚；
步骤4，对CTA及CTA+图像进行图像增强变换；
由于CTP扫描与CTA扫描所使用的造影剂浓度与注射速率不相同，因此需要对CTA进行图像增强变换，以贴近训练深度神经网络所用CTP动脉期的效果；
步骤5，将三种扫描数据NCCT、CTA和CTA+输入已训练好的深度神经网络中的三个通道中，神经网络的输出即为缺血区和梗死区的分割标注。
经大量研究发现，当造影剂进入大动脉后，造影剂进入脑组织的缺血部分和健康部分的延迟时间不同，二者之间的间隔时间为3～8秒，如图3所示；由于延迟时间不同，扫描结果也会有明显的灰度改变，因此在间隔3～8秒之后，脑组织中的缺血部分和健康部分才会因造影剂进入延迟不同而发生明显的灰度改变。
传统的CT扫描仪的扫描方式是仅使用NCCT，或仅使用NCCT和CTA影像数据，无法体现出造影剂进入脑组织的缺血部分和健康部分的延迟时间的不同，在CTA扫描时，造影剂很可能还没有进入脑组织或刚进入脑组织，此时缺血部分和健康部分的脑组织都还没有得到信号增强，因此无法得到影像学组织窗参数。
本发明利用了造影剂进入脑组织的缺血部分和健康部分的延迟时间不同的特性，在常规的CTA扫描之后，间隔3～8秒后再进行一次CTA+扫描，通过CTA扫描与CTA+延迟扫描的比对，能够直观地发现梗死核心区域和缺血区域。
值得注意的是，目前国内外对脑组织区域影像的前期研究中也采用多期CTA扫描，即在CTA动脉期扫描后，追加平衡期、静脉期等2～3个期相的扫描，以判断动脉的延迟充盈及静脉的引流情况。这种多期CTA扫描一般用于评估各CTA期相中血管的显影多少，再通过各种目测量表以对侧枝循环进行评估。本发明直接使用CTA及CTA+的图像的脑组织区域影像进行脑组织梗死或缺血的评估，而并不利用血管影像。因此本发明与现有的多期CTA扫描之间具有显著的区别。
本发明无需依赖于覆盖全脑组织的CTP扫描，仅使用常规的CT扫描仪就能够得到影像学组织窗参数。
本发明适用于无全脑灌注扫描能力的CT扫描仪。
显然，本领域的技术人员可以对本发明进行各种改动和变形，而不脱离本发明的精神和范围。这样，倘若本发明的这些修改属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变形在内。
Claims (10)
1.一种基于脑血管CT影像的图像处理方法，其特征在于，包括以下步骤：
步骤1，对深度神经网络进行训练；采用CTP灌注数据，根据CTP灌注数据计算出核心梗死和缺血区的标注参数图；
步骤2，采用常规的CT扫描仪进行三种方式的扫描，得到NCCT、CTA和CTA+影像；
步骤2.1，进行CT平扫得到NCCT影像数据，并重建为所述CTP灌注数据的层厚；
步骤2.2，注射造影剂，进行CT增强扫描得到CTA影像数据，并重建为所述CTP灌注数据的层厚；
步骤2.3，等待3～8秒后，再进行一次CT扫描得到CTA+影像数据；
步骤3，对NCCT、CTA和CTA+影像进行自动FOV的裁剪和配准，以使NCCT、CTA和CTA+影像与训练深度神经网络时所输入的CTP影像的FOV大致相当；并进行层方向上的重采样，以调整至步骤1神经网络训练中使用训练数据的层厚；
步骤4，对CTA及CTA+图像进行图像增强变换；
步骤5，将三种影像数据NCCT、CTA和CTA+输入已训练好的深度神经网络中的三个通道中，神经网络的输出即为缺血区和梗死区的分割标注。
2.根据权利要求1所述的基于脑血管CT影像的图像处理方法，其特征在于，所述步骤1中对深度神经网络进行训练的方法是：
抽出CTP的三期时相；以第一期作为增强前的CT平扫像，以CTP动脉期的CTP期相作为CTA增强像，以CTP动脉期后3～8秒的CTP期相作为CTA+第二增强像；
将CTP的三期时相输入深度神经网络；
使深度神经网络根据输入的CTP灌注数据进行多次计算，输出训练结果。
3.根据权利要求2所述的基于脑血管CT影像的图像处理方法，其特征在于，所述训练结果为根据该CTP数据计算得到参数图标注的核心梗死区和缺血区。
4.根据权利要求2所述的基于脑血管CT影像的图像处理方法，其特征在于，所述输入的CTP灌注数据包括不同梗死大小和不同梗死位置的CTP灌注数据。
5.根据权利要求2所述的基于脑血管CT影像的图像处理方法，其特征在于，所述输入的CTP灌注数据的层厚与常规CTA扫描的层厚保持一致。
6.根据权利要求2所述的基于脑血管CT影像的图像处理方法，其特征在于，所述输入的CTP灌注数据的层厚为1mm层厚。
7.根据权利要求1所述的基于脑血管CT影像的图像处理方法，其特征在于，在所述步骤1.2的CTA扫描时，使扫描对象进入CT机架并同时进行螺旋扫描；在所述步骤1.3中的CTA+扫描时，使扫描对象退出CT机架并同时进行螺旋扫描。
8.一种基于脑血管CT影像的图像处理装置，其特征在于，包括：
深度神经网络训练模块，被配置为采用CTP灌注数据，根据CTP灌注数据计算出核心梗死和缺血区的标注参数图；
扫描影像获取模块，被配置为采用常规的CT扫描仪进行三种方式的扫描，得到NCCT、CTA和CTA+影像；所述NCCT影像为通过CT平扫所得到的NCCT影像数据，并重建为所述CTP灌注数据的层厚；所述CTA影像为注射造影剂后通过CT增强扫描所得到的CTA影像数据，并重建为所述CTP灌注数据的层厚；所述CTA+影像为等待3～8秒后再进行一次CT扫描所得到的CTA+影像数据；
视场角裁剪和配准模块，被配置为对NCCT、CTA和CTA+影像进行自动FOV的裁剪和配准，使NCCT、CTA和CTA+影像与训练深度神经网络时所输入的CTP影像的FOV一致；
图像增强变换模块，被配置为对CTA及CTA+图像进行图像增强变换；
影像数据输入模块，被配置为将三种影像数据NCCT、CTA和CTA+输入深度神经网络训练模块所训练好的深度神经网络中的三个通道中，深度神经网络的输出即为缺血区和梗死区的分割标注。
9.根据权利要求8所述的基于脑血管CT影像的图像处理装置，其特征在于，还包括重采样模块，被配置为对NCCT、CTA和CTA+影像进行层方向上的重采样，以调整至与深度神经网络训练模块中使用训练数据的层厚。
10.根据权利要求8所述的基于脑血管CT影像的图像处理装置，其特征在于，所述深度神经网络训练模块包括：
CTP三期时相抽出模块，被配置为以第一期作为增强前的CT平扫像，以CTP动脉期的CTP期相作为CTA增强像，以CTP动脉期后3～8秒的CTP期相作为CTA+第二增强像；
输入模块，被配置为将CTP的三期时相输入深度神经网络；
训练模块，被配置为使深度神经网络根据所述输入模块输入的CTP灌注数据进行多次计算，输出训练结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010089706.5A CN113256748B (zh) | 2020-02-13 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010089706.5A CN113256748B (zh) | 2020-02-13 | 基于脑血管ct影像的图像处理方法及图像处理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113256748A true CN113256748A (zh) | 2021-08-13 |
| CN113256748B CN113256748B (zh) | 2024-05-31 |
Family
ID=
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114066846A (zh) * | 2021-11-16 | 2022-02-18 | 高峰 | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 |
| CN114332043A (zh) * | 2021-12-31 | 2022-04-12 | 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 |
| CN115205294A (zh) * | 2022-09-16 | 2022-10-18 | 杭州脉流科技有限公司 | 一种基于多模型融合的缺血性脑卒中梗死评估装置和方法 |
| CN115546159A (zh) * | 2022-10-13 | 2022-12-30 | 数坤(上海)医疗科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN115908457A (zh) * | 2023-01-06 | 2023-04-04 | 脑玺(苏州)智能科技有限公司 | 低密度梗死区分割方法、分析方法、装置、系统、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103186895A (zh) * | 2013-04-15 | 2013-07-03 | 武汉大学 | 一种基于神经网络模型的ct灌注医疗图像智能融合方法 |
| CN108765363A (zh) * | 2018-03-24 | 2018-11-06 | 语坤（北京）网络科技有限公司 | 一种基于人工智能的冠脉cta自动后处理系统 |
| US20180366225A1 (en) * | 2017-06-19 | 2018-12-20 | Viz.ai, Inc. | Method and system for computer-aided triage |
| EP3435334A1 (en) * | 2017-07-25 | 2019-01-30 | Tsinghua University | Method and device for reconstructing ct image and storage medium |
| CN109685843A (zh) * | 2018-12-14 | 2019-04-26 | 强联智创（北京）科技有限公司 | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 |
| CN109712122A (zh) * | 2018-12-14 | 2019-05-03 | 强联智创（北京）科技有限公司 | 一种基于头颅ct影像的评分方法及系统 |
| CN109907758A (zh) * | 2019-03-15 | 2019-06-21 | 脑玺(上海)智能科技有限公司 | 颅内血管血流延迟的影像标注方法及系统 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103186895A (zh) * | 2013-04-15 | 2013-07-03 | 武汉大学 | 一种基于神经网络模型的ct灌注医疗图像智能融合方法 |
| US20180366225A1 (en) * | 2017-06-19 | 2018-12-20 | Viz.ai, Inc. | Method and system for computer-aided triage |
| EP3435334A1 (en) * | 2017-07-25 | 2019-01-30 | Tsinghua University | Method and device for reconstructing ct image and storage medium |
| CN108765363A (zh) * | 2018-03-24 | 2018-11-06 | 语坤（北京）网络科技有限公司 | 一种基于人工智能的冠脉cta自动后处理系统 |
| CN109685843A (zh) * | 2018-12-14 | 2019-04-26 | 强联智创（北京）科技有限公司 | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 |
| CN109712122A (zh) * | 2018-12-14 | 2019-05-03 | 强联智创（北京）科技有限公司 | 一种基于头颅ct影像的评分方法及系统 |
| CN109907758A (zh) * | 2019-03-15 | 2019-06-21 | 脑玺(上海)智能科技有限公司 | 颅内血管血流延迟的影像标注方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| NAGEL S 等: "e-ASPECTS derived acute ischemic volumes on non-contrast-enhanced computed tomography images", INTERNATIONAL JOURNAL OF STROKE, vol. 15, no. 9, 30 September 2019 (2019-09-30), pages 1 - 7 * |
| OMAN, OLLI 等: "3D convolutional neural networks applied to CT angiography in the detection of acute ischemic stroke", EUROPEAN RADIOLOGY EXPERIMENTAL, vol. 3, no. 1, 13 February 2019 (2019-02-13), pages 1 - 8 * |
| SHETH, SA 等: "Machine Learning-Enabled Automated Determination of Acute Ischemic Core From Computed Tomography Angiography", STROKE, vol. 50, no. 11, 24 September 2019 (2019-09-24), pages 3093 - 3100 * |
| WANG, CY 等: "Deep learning-based identification of acute ischemic core and deficit from non-contrast CT and CTA", JOURNAL OF CEREBRAL BLOOD FLOW AND METABOLISM, vol. 41, no. 11, 30 November 2021 (2021-11-30), pages 3028 - 3038 * |
| 周卉芳: "CT平扫、CT灌注成 像及CT血管成像对缺血性卒中脑侧支循环的诊断价值分析", 中国CT和MRI杂志, vol. 16, no. 07, 10 July 2018 (2018-07-10), pages 72 - 75 * |
| 周筠佳: "CTA联合CTP研究急性大脑中动脉闭塞或狭窄侧支循环与认知功能", 中国优秀硕士学位论文全文数据库（电子期刊）, 15 January 2019 (2019-01-15), pages 077 - 13 * |
| 陈志军;梁立华;林景兴;吴菊芳;冯晓荣;: "脑CTP联合头颈CTA对脑卒中侧支循环诊断的价值", 中国CT和MRI杂志, no. 03, 15 March 2016 (2016-03-15), pages 48 - 51 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114066846A (zh) * | 2021-11-16 | 2022-02-18 | 高峰 | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 |
| CN114332043A (zh) * | 2021-12-31 | 2022-04-12 | 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 |
| CN115205294A (zh) * | 2022-09-16 | 2022-10-18 | 杭州脉流科技有限公司 | 一种基于多模型融合的缺血性脑卒中梗死评估装置和方法 |
| CN115205294B (zh) * | 2022-09-16 | 2022-11-22 | 杭州脉流科技有限公司 | 一种基于多模型融合的缺血性脑卒中梗死评估装置和方法 |
| CN115546159A (zh) * | 2022-10-13 | 2022-12-30 | 数坤(上海)医疗科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN115908457A (zh) * | 2023-01-06 | 2023-04-04 | 脑玺(苏州)智能科技有限公司 | 低密度梗死区分割方法、分析方法、装置、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6628743B1 (en) | Method and apparatus for acquiring and analyzing cardiac data from a patient | |
| AU2009315384B2 (en) | Method and system for mapping tissue status of acute stroke | |
| US10902585B2 (en) | System and method for automated angiography utilizing a neural network | |
| CN106469449B (zh) | 一种医学图像中病灶的显示方法及装置 | |
| CN109377481B (zh) | 图像质量评价方法、装置、计算机设备和存储介质 | |
| TW201219013A (en) | Method for generating bone mask | |
| CN111325759A (zh) | 血管分割方法、装置、计算机设备及可读存储介质 | |
| CN111489360A (zh) | 一种图像分割方法及相关设备 | |
| CN114511670B (zh) | 基于动态灌注影像的血管重建方法、装置、设备和介质 | |
| CN113409328A (zh) | Ct图像的肺动静脉分割方法、装置、介质及设备 | |
| CN113256748A (zh) | 基于脑血管ct影像的图像处理方法及图像处理装置 | |
| CN113256748B (zh) | 基于脑血管ct影像的图像处理方法及图像处理装置 | |
| CN108765303B (zh) | 一种数字减影血管成像图像的积分增强方法 | |
| US20240169544A1 (en) | Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information | |
| CN113658332B (zh) | 一种基于超声影像的腹直肌智能分割重建方法及装置 | |
| CN113940694A (zh) | 脑部血流参数图获取装置、方法和计算机可读存储介质 | |
| CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
| Breeuwer et al. | The detection of normal, ischemic and infarcted myocardial tissue using MRI | |
| WO2023040918A1 (en) | Methods and systems for vascular analysis | |
| Yonekura et al. | Classification algorithm of pulmonary vein and artery based on multi-slice CT image | |
| US20230186474A1 (en) | Simultaneous implementation method of 3d subtraction arteriography, 3d subtraction venography, and 4d color angiography through post-processing of image information of 4d magnetic resonance angiography, and medical imaging system | |
| Discher et al. | An unsupervised approach for measuring myocardial perfusion in MR image sequences | |
| Elkington et al. | Combined long‐and short‐axis myocardial perfusion cardiovascular magnetic resonance | |
| CN111528885B (zh) | 一种基于能谱增强ct的图像处理方法 | |
| US20230252645A1 (en) | Vascular plaque extraction apparatus and method |
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 |