CN113298800A - 一种ct血管造影cta源图像的处理方法、装置及设备 - Google Patents
一种ct血管造影cta源图像的处理方法、装置及设备 Download PDFInfo
- Publication number
- CN113298800A CN113298800A CN202110656162.0A CN202110656162A CN113298800A CN 113298800 A CN113298800 A CN 113298800A CN 202110656162 A CN202110656162 A CN 202110656162A CN 113298800 A CN113298800 A CN 113298800A
- Authority
- CN
- China
- Prior art keywords
- source image
- cta source
- cta
- mca
- target
- 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
Links
- 238000010968 computed tomography angiography Methods 0.000 title abstract description 414
- 238000003672 processing method Methods 0.000 title abstract description 13
- 210000004556 brain Anatomy 0.000 claims abstract description 227
- 230000036770 blood supply Effects 0.000 claims abstract description 220
- 238000012549 training Methods 0.000 claims abstract description 110
- 210000003657 middle cerebral artery Anatomy 0.000 claims description 243
- 238000000034 method Methods 0.000 claims description 50
- 230000000302 ischemic effect Effects 0.000 claims description 47
- 210000004204 blood vessel Anatomy 0.000 claims description 30
- 238000011002 quantification Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 abstract description 9
- 238000002583 angiography Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 238000013139 quantization Methods 0.000 description 12
- 230000009471 action Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T7/10—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
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请实施例公开了一种CT血管造影CTA源图像的处理方法、装置及设备,通过从CTA源图像中提取脑实质区域,得到脑实质CTA源图像,将脑实质CTA源图像和CTA源图像对应的模板图像输入预设训练生成的配准模型,得到目标形变场;基于得到的目标形变场,将模板图像对应的MCA脑图谱图像进行形变,得到脑实质CTA源图像对应的MCA脑图谱图像;通过目标形变场得到的脑实质CTA源图像对应的MCA脑图谱图像,得到脑实质CTA源图像中各个MCA供血区域的划分结果。基于目标形变场得到的脑实质CTA源图像对应的MCA脑图谱图像,可以准确地划分脑实质CTA源图像中MCA供血区域。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种CTA源图像的处理方法、装置及设备。
背景技术
CTA(CT angiography,CT血管造影)源图像是对人体血管注射造影剂的情况下进行CT扫描后得到的图像。CTA源图像中血管显影较为明显,可以清楚地显示动脉以及主要分支,能够帮助医生了解患者的供血情况。
CTA源图像可以用于针对MCA(Middle Cerebral Artery,大脑中动脉)的多个供血区域的供血情况进行判断。目前,CTA源图像中MCA供血区域需要依赖人工经验进行划分,人工成本较高且缺乏一致性,导致难以基于CTA源图像准确确定MCA的供血情况。
发明内容
有鉴于此,本申请实施例提供一种CTA源图像的处理方法、装置及设备。
为解决上述问题,本申请实施例提供的技术方案如下:
一种CT血管造影CTA源图像的处理方法,所述方法包括:
提取CTA源图像中的脑实质区域,获取脑实质CTA源图像;
将所述脑实质CTA源图像以及与所述CTA源图像对应的模板图像输入预先训练生成的配准模型,得到目标形变场,所述目标形变场标识所述模板图像与所述脑实质CTA源图像之间的形变规律;
利用所述目标形变场对所述模板图像对应的大脑中动脉MCA脑图谱图像进行形变,得到所述脑实质CTA源图像对应的MCA脑图谱图像,所述MCA脑图谱图像包括所述脑实质CTA源图像中各个MCA供血区域的划分结果;
将所述脑实质CTA源图像对应的MCA脑图谱图像映射到所述CTA源图像,得到所述CTA源图像中各个MCA供血区域的划分结果。
在一种可能的实现方式中,所述方法还包括:
根据所述CTA源图像中各个MCA供血区域的CT值或者所述CTA源图像中各个MCA供血区域的血管区域的体积占比,确定所述CTA源图像中各个MCA供血区域的缺血性量化值。
在一种可能的实现方式中,所述根据所述CTA源图像中各个MCA供血区域的CT值或者所述CTA源图像中各个MCA供血区域的血管区域的体积占比,确定所述CTA源图像中各个MCA供血区域的缺血性量化值,包括:
根据所述CTA源图像中各个MCA供血区域的CT值,将所述CTA源图像中的左脑一侧或者右脑一侧确定为目标侧;所述CTA源图像中各个MCA供血区域在左右脑呈对称分布;
计算目标MCA供血区域在所述目标侧的CT均值与所述目标MCA供血区域在所述目标侧另一侧的CT均值之差,得到CT差值;如果所述CT差值大于所述目标MCA供血区域对应的CT差值阈值,将所述目标MCA供血区域的缺血性量化值设置为目标数值;
或者,提取所述CTA源图像中各个MCA供血区域在所述目标侧的血管区域,如果目标MCA供血区域在所述目标侧的血管区域的体积占比小于所述目标MCA供血区域对应的体积占比阈值,将所述目标MCA供血区域的缺血性量化值设置为目标数值;
所述目标MCA供血区域分别为所述CTA源图像中MCA供血区域中的每一个。
在一种可能的实现方式中,所述根据所述CTA源图像中各个MCA供血区域的CT值,将所述CTA源图像中的左脑一侧或者右脑一侧确定为目标侧,包括:
根据所述CTA源图像中各个MCA供血区域的CT值,计算所述CTA源图像中位于左脑一侧的全部MCA供血区域的第一CT均值以及位于右脑一侧的全部MCA供血区域的第二CT均值;
将第一CT均值以及第二CT均值中的较小值对应的一侧确定为目标侧。
在一种可能的实现方式中,所述配准模型的训练过程包括:
将第一训练CTA源图像、第二训练CTA源图像输入配准模型,得到第一预测形变场,所述第一预测形变场标识所述第一训练CTA源图像与所述第二训练CTA源图像之间的形变规律;
利用模拟形变场对所述第二训练CTA源图像进行形变,得到第三训练CTA源图像,将所述第二训练CTA源图像、所述第三训练CTA源图像输入所述配准模型,得到第二预测形变场,所述第二预测形变场标识所述第二训练CTA源图像与所述第三训练CTA源图像之间的形变规律;
利用所述第一预测形变场对所述第二训练CTA源图像进行形变,得到第一预测CTA源图像;
利用所述第二预测形变场对所述第二训练CTA源图像进行形变,得到第二预测CTA源图像;
根据所述第二预测形变场与所述模拟形变场,计算形变场损失;
根据所述第一预测CTA源图像与所述第一训练CTA源图像,计算第一相似性损失;
根据所述第二预测CTA源图像与所述第三训练CTA源图像,计算第二相似性损失;
根据所述形变场损失、所述第一相似性损失以及所述第二相似性损失,对所述配准模型进行调整;
重复执行将第一训练CTA源图像、第二训练CTA源图像输入配准模型,得到第一预测形变场以及后续步骤,直到达到预设条件,获得训练生成的配准模型。
在一种可能的实现方式中,所述配准模型为改进的Unet网络结构,所述改进的Unet网络结构为在Unet网络结构的编码层与解码层之间添加空洞卷积层。
在一种可能的实现方式中,所述提取CTA源图像中的脑实质区域,获取脑实质CTA源图像,包括:
对CTA源图像进行阈值分割,得到所述CTA源图像各层切片中满足预设阈值范围区域的区域轮廓;
将所述CTA源图像各层切片中区域轮廓对应面积最大的切片确定为目标切片,将所述目标切片的区域轮廓确定为所述目标切片的初始轮廓;
利用时间全隐的测地线水平集活动轮廓算法,将所述目标切片的初始轮廓进行调整,得到所述目标切片的脑实质轮廓;
将所述目标切片的脑实质轮廓确定为相邻切片的初始轮廓,将所述相邻切片重新确定为所述目标切片;
重新执行利用时间全隐的测地线水平集活动轮廓算法,将所述目标切片的初始轮廓进行调整,得到所述目标切片的脑实质轮廓以及后续步骤,直到得到所述CTA源图像各层切片的脑实质轮廓;
根据所述CTA源图像各层切片的脑实质轮廓,确定CTA源图像中的脑实质区域,获取脑实质CTA源图像。
一种CT血管造影CTA源图像的处理装置,所述装置包括:
提取单元,用于提取CTA源图像中的脑实质区域,获取脑实质CTA源图像;
执行单元,用于将所述脑实质CTA源图像以及与所述CTA源图像对应的模板图像输入预先训练生成的配准模型,得到目标形变场,所述目标形变场标识所述模板图像与所述脑实质CTA源图像之间的形变规律;
形变单元,用于利用所述目标形变场对所述模板图像对应的大脑中动脉MCA脑图谱图像进行形变,得到所述脑实质CTA源图像对应的MCA脑图谱图像,所述MCA脑图谱图像包括所述脑实质CTA源图像中各个MCA供血区域的划分结果;
映射单元,用于将所述脑实质CTA源图像对应的MCA脑图谱图像映射到所述CTA源图像,得到所述CTA源图像中各个MCA供血区域的划分结果。
一种CT血管造影CTA源图像的处理设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的CT血管造影CTA源图像的处理方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述的CT血管造影CTA源图像的处理方法。
由此可见,本申请实施例具有如下有益效果:
本申请实施例提供的一种CTA源图像的处理方法、装置及设备,通过先从CTA源图像中提取脑实质区域,得到脑实质CTA源图像,再将脑实质CTA源图像和CTA源图像对应的模板图像输入预设训练生成的配准模型,得到目标形变场;目标形变场能够指示模板图像和脑实质CTA源图像之间的形变规律,能够准确地反映脑实质CTA源图像和对应的模板图像之间的形变规律;基于得到的目标形变场,可以将模板图像对应的MCA脑图谱图像进行形变,得到脑实质CTA源图像对应的MCA脑图谱图像;MCA脑图谱图像中包括各个MCA供血区域的划分结果;通过目标形变场得到的脑实质CTA源图像对应的MCA脑图谱图像,可以得到脑实质CTA源图像中各个MCA供血区域的划分结果。基于目标形变场得到的脑实质CTA源图像对应的MCA脑图谱图像,可以准确地划分脑实质CTA源图像中MCA供血区域,便于后续可以基于脑实质CTA源图像中MCA供血区域的划分结果,更为准确地确定患者的MCA各个供血区域的供血情况。
附图说明
图1为本申请实施例提供的一种CTA源图像的处理方法的示意图;
图2为本申请实施例提供的一种CTA源图像的处理方法的流程图;
图3为本申请实施例提供的一种配准模型的网络结构示意图;
图4为本申请实施例提供的一种CTA源图像中典型层的各个MCA供血区域的划分结果的示意图;
图5为本申请实施例提供的另一种CTA源图像的处理方法的流程图;
图6为本申请实施例提供的一种配准模型的训练过程的示意图;
图7为本申请实施例提供的一种获取脑实质CTA源图像的流程图;
图8为本申请实施例提供的一种CTA源图像的处理装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了便于理解和解释本申请实施例提供的技术方案,下面将先对本申请的背景技术进行说明。
在对传统的利用脑实质CTA源图像确定MCA供血情况的方法进行研究后发现,目前脑实质CTA源图像中MCA供血区域需要依赖人工经验进行划分,人工成本较高且缺乏一致性,导致难以基于脑实质CTA源图像对MCA的供血情况进行较为准确地确定。进一步的,现有技术中也无法自动基于各个MCA供血区域的划分结果进行各个MCA供血区域的供血情况的量化评价。
基于此,本申请实施例提供一种CTA源图像的处理方法,通过先从CTA源图像中提取脑实质区域,得到脑实质CTA源图像,再将脑实质CTA源图像和CTA源图像对应的模板图像输入预设训练生成的配准模型,得到目标形变场;目标形变场能够指示模板图像和脑实质CTA源图像之间的形变规律,能够准确地反映脑实质CTA源图像和对应的模板图像之间的形变规律;基于得到的目标形变场,可以将模板图像对应的MCA脑图谱图像进行形变,得到脑实质CTA源图像对应的MCA脑图谱图像;MCA脑图谱图像中包括各个MCA供血区域的划分结果;通过目标形变场得到的脑实质CTA源图像对应的MCA脑图谱图像,可以得到脑实质CTA源图像中各个MCA供血区域的划分结果。基于目标形变场得到的脑实质CTA源图像对应的MCA脑图谱图像,可以准确地划分脑实质CTA源图像中MCA供血区域,便于后续可以基于脑实质CTA源图像中MCA供血区域的划分结果,更为准确地确定患者的MCA供血情况。
为了便于理解本申请实施例提供的CTA源图像的处理方法,下面结合图1所示的场景示例进行说明。参见图1所示,该图为本申请实施例提供的一种CTA源图像的处理方法的示意图。
在实际应用中,CTA源图像101可以是针对患者的大脑进行CT扫描后得到的图像,为了更为准确地对CTA源图像101中的各个MCA供血区域进行划分,先提取CTA源图像101中的脑实质区域,得到脑实质CTA源图像102。脑实质CTA源图像102具有对应的标准的CTA源图像,也就是模板图像103。将脑实质CTA源图像102和模板图像103输入至配准模型104中,得到配准模型104输出的目标形变场105,目标形变场105标识模板图像103和脑实质CTA源图像102之间的形变规律。基于目标形变场105可以对与模板图像对应的MCA脑图谱图像106进行形变,得到与脑实质CTA源图像对应的MCA脑图谱图像107。脑实质CTA源图像对应的MCA脑图谱图像107包括脑实质CTA源图像102中各个MCA供血区域的划分结果。最后,将脑实质CTA源图像对应的MCA脑图谱图像107映射到CTA源图像中,得到CTA源图像中各个MCA供血区域的划分结果108。
为了便于理解本申请,下面结合附图对本申请实施例提供的一种CTA源图像的处理方法进行说明。
参见图2所示,该图为本申请实施例提供的一种CTA源图像的处理方法的流程图,该方法包括步骤S201-S204:
S201:提取CTA源图像中的脑实质区域,获取脑实质CTA源图像。
CTA源图像为对人体血管注射造影剂的情况下进行CT扫描得到的图像。在本申请实施例中,CTA源图像为针对头部进行CT扫描的图像。CTA源图像中包括脑实质区域和其他区域,其中,脑实质区域包括MCA供血区域。从CTA源图像中提取脑实质区域,得到脑实质CTA源图像,减少CTA源图像中其他区域对脑实质区域中MCA供血区域划分的影响。
在生成CTA源图像的过程中,容易受到成像环境和硬件条件等因素的影响,导致生成的CTA源图像具有较大的噪声。为了提高后续确定CTA源图像中MCA供血区域划分结果的准确性,可以先对CTA源图像进行去噪处理。例如,可以采用高斯滤波的去噪方法对CTA源图像进行去噪处理。
在一种可能的实现方式中,本申请实施例提供一种提取CTA源图像中的脑实质区域,获取脑实质CTA源图像的具体实现方式,请参见下文。
S202:将脑实质CTA源图像以及与CTA源图像对应的模板图像输入预先训练生成的配准模型,得到目标形变场,目标形变场标识模板图像与脑实质CTA源图像之间的形变规律。
脑实质CTA源图像与进行CT扫描的人的脑结构对应,不同人群的脑结构不同,对应的MCA供血区域存在差异。为了更为准确地确定CTA源图像中MCA供血区域的划分结果,可以先确定与CTA源图像对应的模板图像。CTA源图像对应的模板图像的类型为提取了脑实质区域的CTA源图像,模板图像可以理解为是与CTA源图像中脑部形态结构最为相近的,具有较为标准的脑实质区域的CTA源图像。不同的模板图像可以预先存储在模板库中,在得到CTA源图像后,可以从模板库中确定与CTA源图像对应的模板图像。在一种可能的实现方式中,CTA源图像中的脑实质区域与进行CT扫描的人的年龄、健康状态以及脑室大小等因素相关。对应的,可以基于CTA源图像所对应的人的年龄、健康状态以及脑室大小等因素确定与CTA源图像对应的模板图像。
脑实质CTA源图像与CTA源图像对应的模板图像之间具有图像的形变。将脑实质CTA源图像和CTA源图像对应的模板图像输入至配准模型中,得到用于标识脑实质CTA源图像与CTA源图像对应的模板图像之间形变规律的目标形变场。目标形变场具体可以标识脑实质CTA源图像与CTA源图像对应的模板图像之间像素点的移动情况。
在一种可能的实现方式中,本申请实施例提供一种配准模型的训练过程,具体请参见下文。
配准模型具体可以为改进的Unet网络结构,该改进的Unet网络结构是在原Unet网络结构的编码层与解码层之间添加了空洞卷积层。参见图3所示,该图为本申请实施例提供的一种配准模型的网络结构示意图。其中,第一卷积层到第三卷积层为编码层,第四卷积层到第六卷积层为解码层,第一卷积层到第三卷积层与第四卷积层到第六卷积层之间添加了空洞卷积层。通过采用属于神经网络结构的Unet网络结构,可以提高配准精度,简化配准的复杂程度。通过空洞卷积层,可以保证卷积层输出包括较大范围的信息,更好地保留输入配准模型的图像的特征。
S203:利用目标形变场对模板图像对应的大脑中动脉MCA脑图谱图像进行形变,得到脑实质CTA源图像对应的MCA脑图谱图像,MCA脑图谱图像包括脑实质CTA源图像中各个MCA供血区域的划分结果。
模板图像具有对应的MCA脑图谱图像,模板图像对应的MCA脑图谱图像包括模板图像中各个MCA供血区域的划分结果。
由于目标形变场标识的是脑实质CTA源图像和模板图像之间形变规律,利用目标形变场可以对模板图像对应的MCA脑图谱图像进行形变,得到脑实质CTA源图像对应的MCA脑图谱图像。根据脑实质CTA源图像对应的MCA脑图谱图像,可以确定脑实质CTA源图像中MCA供血区域的划分结果。
S204:将脑实质CTA源图像对应的MCA脑图谱图像映射到CTA源图像,得到CTA源图像中各个MCA供血区域的划分结果。
脑实质CTA源图像对应的MCA脑图谱图像包括各个MCA供血区域的划分结果,将脑实质CTA源图像对应的MCA脑图谱图像映射到CTA源图像,可以得到对CTA源图像中各个MCA供血区域的划分结果。
参见图4所示,该图为本申请实施例提供的一种CTA源图像中典型层的各个MCA供血区域的划分结果的示意图。CTA源图像中典型层为CTA源图像中具有典型医学意义的分层,例如,图4中分别为颅脑核团层以及核团上层的各个MCA供血区域的划分结果的示意图。而在CTA源图像中,MCA供血区域可以有10个。
基于上述S201-S204的相关内容可知,可以自动对CTA源图像中MCA供血区域进行划分,得到的CTA源图像中各个MCA供血区域的划分结果较为准确,便于医生确定各个MCA供血区域,了解CTA源图像中各个MCA供血区域的供血情况。
在一种可能的实现方式中,在确定CTA源图像中各个MCA供血区域之后,还可以确定各个MCA供血区域的缺血性量化值。MCA供血区域的缺血性量化值可以作为医生进一步确定MCA供血区域的供血情况的参考值。
本申请实施例提供一种CTA源图像的处理方法,参见图5所示,该图为本申请实施例提供的另一种CTA源图像的处理方法的流程图。除上述S201-S204以外,还可以包括:
S205:根据CTA源图像中各个MCA供血区域的CT值或者CTA源图像中各个MCA供血区域的血管区域的体积占比,确定CTA源图像中各个MCA供血区域的缺血性量化值。
CTA源图像中各个MCA供血区域的图像特征,或者MCA供血区域的血管信息,能够表征MCA供血区域的供血情况。具体可以根据CTA源图像确定MCA供血区域的缺血性量化值,缺血性量化值作为衡量供血区域的缺血情况的参考值,用于帮助医生确定MCA供血区域的供血情况。
具体的,CTA源图像中各个MCA供血区域的缺血性量化值可以用于ASPECTS(Alberta Stoke Program Early CT Score,Alberta卒中项目早期CT评分)。ASPECTS是一种用于评价急性缺血性卒中MAC供血区早期缺血性改变的方法。在一种具体的实现方式中,可以将ASPECTS的总分设置为与MCA供血区域的数量所对应的分数值10分,再用ASPECTS的总分分别减去各个MCA供血区域的缺血性量化值,得到ASPECTS的分值。
在一种可能的实现方式中,各个MCA供血区域的CT值与MCA供血区域的结构以及血流相关,可以根据各个MCA供血区域的CT值确定各个MCA供血区域的供血情况,得到对应的缺血性量化值。
在另一种可能的实现方式中,可以通过CTA源图像中各个MCA供血区域的血管区域的体积占比,确定各个MCA供血区域的供血情况,得到对应的缺血性量化值。
本申请实施例提供一种根据CTA源图像中各个MCA供血区域的CT值或者CTA源图像中各个MCA供血区域的血管区域的体积占比,确定CTA源图像中各个MCA供血区域的缺血性量化值的具体实施方式,请参见下文。
在本申请实施例中,通过基于确定的CTA源图像的各个MCA供血区域,进一步确定各个MCA供血区域的缺血性量化值。各个MCA供血区域的缺血性量化值能够较为准确地衡量MCA供血区域的供血情况,便于医生根据缺血性量化值确定MCA供血区域的供血情况。
进一步的,本申请实施例提供一种根据CTA源图像中各个MCA供血区域的CT值或者CTA源图像中各个MCA供血区域的血管区域的体积占比,确定CTA源图像中各个MCA供血区域的缺血性量化值的具体实施方式。
在一种可能的情况下,可以确定左右脑中的目标侧和目标侧另一侧,基于MCA供血区域在目标侧和目标侧另一侧的CT均值确定缺血性量化值设置的目标数值,具体请参见A1-A2:
A1:根据CTA源图像中各个MCA供血区域的CT值,将CTA源图像中的左脑一侧或者右脑一侧确定为目标侧;CTA源图像中各个MCA供血区域在左右脑呈对称分布。
CTA源图像中各个MCA供血区域在左右脑中呈对称分布,左脑一侧的MCA供血区域与对应的右脑一侧的MCA供血区域的CT值可能不同。基于CTA源图像中各个MCA供血区域的CT值,从CTA源图像中将左脑一侧或者右脑一侧确定为目标侧。
在一种可能的实现方式中,可以根据左右脑MCA供血区域的CT均值确定目标侧。本申请实施例提供一种根据CTA源图像中各个MCA供血区域的CT值,将CTA源图像中的左脑一侧或者右脑一侧确定为目标侧的具体实施方式,具体请参见下文。
A2:计算目标MCA供血区域在目标侧的CT均值与目标MCA供血区域在目标侧另一侧的CT均值之差,得到CT差值;如果CT差值大于目标MCA供血区域对应的CT差值阈值,将目标MCA供血区域的缺血性量化值设置为目标数值。
将CTA源图像中的每一个MCA供血区域分别作为目标MCA供血区域。目标MCA供血区域在目标侧和目标侧另一侧的CT均值可能存在差距,分别计算目标MCA供血区域在目标侧和目标侧另一侧的CT均值,并计算目标侧和目标侧另一侧的CT均值的差,得到CT差值。
在CT差值大于目标MCA供血区域对应的CT差值阈值时,将目标MCA供血区域的缺血性量化值设置为目标数值。目标数值可以是预先设置的目标侧和目标侧另一侧的CT差值较大时的具体的缺血性量化值,例如,目标数值可以为1。
MCA供血区域对应的CT差值阈值,可以根据预定义的初始阈值调整得到。
具体的,可以获取多组标准CTA源图像,并已知每组标准CTA源图像各MCA供血区域的缺血性量化值以及对应的标准ASPECTS总分。然后,选取某个MCA供血区域,该MCA供血区域具有CT差值阈值对应的初始阈值以及阈值上限。利用固定步长对初始阈值进行调整,得到一个待确定阈值,根据该待确定阈值利用上述方式可以确定出标准CTA源图像当前MCA供血区域的缺血性量化值,并和其他MCA供血区域的缺血性量化值共同计算标准CTA源图像的ASPECTS总分。由于已知每组标准CTA源图像的标准ASPECTS总分,则可以得到利用该待确定阈值计算出的ASPECTS总分的准确率。
重新利用固定步长对上一个待确定阈值进行调整,重新得到一个待确定阈值,根据该待确定阈值利用上述方式可以确定标准CTA源图像当前MCA供血区域的缺血性量化值,并和其他MCA供血区域的缺血性量化值共同计算标准CTA源图像的ASPECTS总分,得到利用该待确定阈值计算出的ASPECTS总分的准确率。
以此类推,重复执行利用固定步长对上一个待确定阈值进行调整,直到达到阈值上限,从而可以得到各个待确定阈值计算出的ASPECTS总分的准确率。最后从各个待确定阈值中选取ASPECTS总分的准确率最高的阈值作为该MCA供血区域对应的CT差值阈值。
在另一种可能的情况下,可以基于MCA供血区域在目标侧的血管区域的体积确定缺血性量化值设置的目标数值,具体请参见A3。
A3:提取CTA源图像中各个MCA供血区域在目标侧的血管区域,如果目标MCA供血区域在目标侧的血管区域的体积占比小于目标MCA供血区域对应的体积占比阈值,将目标MCA供血区域的缺血性量化值设置为目标数值。
提取CTA源图像中各个MCA供血区域在目标侧的血管区域,具体的,例如可以采用Unet网络提取CTA源图像中各个MCA供血区域在目标侧的血管区域。将CTA源图像中的每一个MCA供血区域分别作为目标MCA供血区域。在得到目标MCA供血区域在目标侧的血管区域后,计算目标MCA供血区域在目标侧的血管区域的体积与目标MCA供血区域在目标侧的体积比值,得到目标MCA供血区域在目标侧的血管区域的体积占比。
若目标MCA供血区域在目标侧的血管区域的体积占比小于目标MCA供血区域对应的体积占比阈值,将目标MCA供血区域的缺血性量化值设置为目标数值。目标数值可以是预先设置的,MCA供血区域的血管区域在目标侧的体积占比小于MCA供血区域对应的体积占比阈值时的缺血性量化值。比如,目标数值可以为1。
MCA供血区域对应的体积占比阈值,可以根据预定义的初始阈值调整得到。
与上述确定CT差值阈值的方式类似,可以获取多组标准CTA源图像,并已知每组标准CTA源图像各MCA供血区域的缺血性量化值以及对应的标准ASPECTS总分。然后,选取某个MCA供血区域,该MCA供血区域具有体积占比阈值对应的初始阈值以及阈值上限。利用固定步长对初始阈值进行调整,得到一个待确定阈值,根据该待确定阈值利用上述方式可以确定出标准CTA源图像当前MCA供血区域的缺血性量化值,并和其他MCA供血区域的缺血性量化值共同计算标准CTA源图像的ASPECTS总分。由于已知每组标准CTA源图像的标准ASPECTS总分,则可以得到利用该待确定阈值计算出的ASPECTS总分的准确率。
重新利用固定步长对上一个待确定阈值进行调整,重新得到一个待确定阈值,根据该待确定阈值利用上述方式可以确定标准CTA源图像当前MCA供血区域的缺血性量化值,并和其他MCA供血区域的缺血性量化值共同计算标准CTA源图像的ASPECTS总分,得到利用该待确定阈值计算出的ASPECTS总分的准确率。
以此类推,重复执行利用固定步长对上一个待确定阈值进行调整,直到达到阈值上限,从而可以得到各个待确定阈值计算出的ASPECTS总分的准确率。最后从各个待确定阈值中选取ASPECTS总分的准确率最高的阈值作为该MCA供血区域对应的体积占比阈值。
基于上述内容可知,通过基于MCA供血区域在目标侧和目标侧另一侧的CT均值或者在目标侧的血管区域的体积,确定MCA供血区域的缺血性量化值的具体的目标数值,可以基于CTA源图像中血管信息或者MCA供血区域的左右脑的差异,可以较为准确地基于CTA源图像确定MCA供血区域的缺血性量化值的具体数值,从而实现自动基于各个MCA供血区域的划分结果进行各个MCA供血区域的供血情况的量化评价,为医生提供较为准确、客观的参考依据。
进一步的,本申请实施例提供一种根据CTA源图像中各个MCA供血区域的CT值,将CTA源图像中的左脑一侧或者右脑一侧确定为目标侧的具体实施方式,包括:
根据CTA源图像中各个MCA供血区域的CT值,计算CTA源图像中位于左脑一侧的全部MCA供血区域的第一CT均值以及位于右脑一侧的全部MCA供血区域的第二CT均值;
将第一CT均值以及第二CT均值中的较小值对应的一侧确定为目标侧。
利用CTA源图像中各个MCA供血区域的CT值,计算得到CTA源图像中属于左脑一侧的全部的MCA供血区域的第一CT均值,以及属于右脑一侧的全部的MCA供血区域的第二CT均值。第一CT均值可以表示左脑一侧的全部MCA供血区域的CT值的平均情况,第二CT均值可以表示右脑一侧的全部MCA供血区域的CT值的平均情况。
比较第一CT均值和第二CT均值的大小程度,将第一CT均值和第二CT均值中较小值所对应的一侧作为目标侧。在一种可能的实现方式中,本申请实施例提供一种配准模型的训练过程。参见图6所示,该图为本申请实施例提供的一种配准模型的训练过程的示意图,包括以下9个步骤:
B1:将第一训练CTA源图像、第二训练CTA源图像输入配准模型,得到第一预测形变场,第一预测形变场标识第一训练CTA源图像与第二训练CTA源图像之间的形变规律。
第一训练CTA源图像和第二训练CTA源图像为从训练数据集中随机选取的CTA源图像,例如,可以是根据患者通过CT扫描得到的CTA源图像经过处理后得到的。在一种可能的实现方式中,可以将非标准的CTA源图像预先储存在CTA源图像库中,从CTA源图像库中选取两个非标准的CTA源图像作为第一训练CTA源图像和第二训练CTA源图像。
将第一训练CTA源图像和第二训练CTA源图像输入至配准模型中,得到配准模型输出的第一预测形变场。第一预测形变场用于标识第一训练CTA源图像和第二训练CTA源图像之间的形变规律,表示第一训练CTA源图像和第二训练CTA源图像的对应的像素点的移动变化情况。
其中,配准网络为改进的Unet网络结构,该改进的Unet网络结构为在Unet网络结构的编码层与解码层之间添加空洞卷积层。
B2:利用模拟形变场对第二训练CTA源图像进行形变,得到第三训练CTA源图像,将第二训练CTA源图像、第三训练CTA源图像输入配准模型,得到第二预测形变场,第二预测形变场标识第二训练CTA源图像与第三训练CTA源图像之间的形变规律。
模拟形变场为生成的包括仿射变换与弹性形变的形变场,模拟形变场可以理解为标准的形变场。将第二训练CTA源图像输入至模拟形变场中,得到经过形变的第三训练CTA源图像。将第二训练CTA源图像和第三训练CTA源图像输入至配准模型中,得到第二预测形变场。第二预测形变场用于表示第二训练CTA源图像和第三训练CTA源图像之间的形变规律,表示第二训练CTA源图像和第三训练CTA源图像的对应的像素点的移动变化情况。
B3:利用第一预测形变场对第二训练CTA源图像进行形变,得到第一预测CTA源图像。
由于第一预测形变场用于标识第一训练CTA源图像和第二训练CTA源图像之间的形变规律,利用第一预测形变场对第二训练CTA源图像进行形变,得到与第一训练CTA源图像对应的第一预测CTA源图像。
B4:利用第二预测形变场对第二训练CTA源图像进行形变,得到第二预测CTA源图像。
由于第二预测形变场用于标识第三训练CTA源图像和第二训练CTA源图像之间的形变规律,利用第二预测形变场对第二训练CTA源图像进行形变,得到与第三训练CTA源图像对应的第二预测CTA源图像。
B5:根据第二预测形变场与模拟形变场,计算形变场损失。
在较为理想的情况下,第二预测形变场和模拟形变场相同,根据第二预测形变场和模拟形变场的差距,计算得到形变场损失。形变场损失为基于监督学习表示模拟形变场和第二预测形变场之间的偏移量误差。通过形变场损失可以调整模拟形变场和第二预测形变场的对齐精度。
B6:根据第一预测CTA源图像与第一训练CTA源图像,计算第一相似性损失。
在较为理想的情况下,第一预测CTA源图像与第一训练CTA源图像相同。基于第一预测CTA源图像和第一训练CTA源图像的差距,计算得到第一相似性损失。第一相似性损失用于衡量第一预测CTA源图像和第一训练CTA源图像之间的差距。
B7:根据第二预测CTA源图像与第三训练CTA源图像,计算第二相似性损失。
在较为理想的情况下,第二预测CTA源图像与第三训练CTA源图像相同。基于第二预测CTA源图像和第三训练CTA源图像的差距,计算得到第二相似性损失。第二相似性损失用于衡量第二预测CTA源图像和第三训练CTA源图像之间的差距。
第一相似性损失和第二相似性损失是基于无监督学习得到的损失值。通过无监督学习可以降低配准模型对训练的CTA源图像多样性的依赖,能够提升训练得到的配准模型的泛化能力。
B8:根据形变场损失、第一相似性损失以及第二相似性损失,对配准模型进行调整。
根据得到的形变场损失、第一相似性损失以及第二相似性损失,调整配准模型。根据利用形变场损失、第一相似性损失和第二相似性损失调整后的配准模型,生成的形变场能够更为准确地标识两张CTA源图像之间的形变规律。
在一种可能的实现方式中,可以调整形变场损失、第一相似性损失以及第二相似性损失的权重,对配准模型进行调整。
B9:重复执行将第一训练CTA源图像、第二训练CTA源图像输入配准模型,得到第一预测形变场以及后续步骤,直到达到预设条件,获得训练生成的配准模型。
多次执行上述B1-B9,进行多次的配准模型的调整,直到达到预设条件。预设条件可以为配准模型的收敛条件。
在本申请实施例中,通过计算形变场损失、第一相似性损失以及第二相似性损失对配准模型进行调整,可以得到准确率较高的配准模型,从而实现基于训练后的配准模型得到较为准确的目标形变场,进而得到CTA源图像中各个MCA供血区域的准确的划分结果。
在一种可能的实现方式中,本申请实施例提供一种提取CTA源图像中的脑实质区域,获取脑实质CTA源图像的具体实施方式。参见图7所示,该图为本申请实施例提供的一种获取脑实质CTA源图像的流程图,具体包括以下6个步骤:
S701:对CTA源图像进行阈值分割,得到CTA源图像各层切片中满足预设阈值范围区域的区域轮廓。
CTA源图像中各个区域的CT值不同,例如,CTA源图像中颅骨CT值较高。对CTA源图像基于CT值进行阈值分割,将属于不同CT值的区域进行分割,得到CTA源图像中各层切片中满足预设阈值范围区域的区域轮廓。通过对CTA源图像进行阈值分割,可将CTA源图像中不同区域进行分割,便于较为准确地确定脑实质所在的区域轮廓。
S702:将CTA源图像各层切片中区域轮廓对应面积最大的切片确定为目标切片,将目标切片的区域轮廓确定为目标切片的初始轮廓。
CTA源图像具有多层切片,从CTA源图像的各层切片中确定区域轮廓对应面积最大的切片,作为目标切片。区域轮廓对应面积最大的切片中区域轮廓较为清晰、准确,可以基于区域轮廓对应面积最大的切片中的轮廓区域进一步确定其他切片中的脑实质轮廓。
将目标切片的区域轮廓确定为目标切片的初始轮廓。初始轮廓可以是根据阈值分割的轮廓确定的。
S703:利用时间全隐的测地线水平集活动轮廓算法,将目标切片的初始轮廓进行调整,得到目标切片的脑实质轮廓。
时间全隐的测地线水平集活动轮廓算法用于得到图像区域的封闭轮廓。利用时间全隐的测地线水平集活动轮廓算法对目标切片的初始轮廓进行调整,得到目标切片中的脑实质轮廓。
S704:将目标切片的脑实质轮廓确定为相邻切片的初始轮廓,将相邻切片重新确定为目标切片。
CTA源图像中相邻的切片之间的脑实质轮廓具有相关性。基于目标切片分别向上、向下依次确定相邻切片。基于目标切片的脑实质轮廓,确定目标切片的相邻切片的初始轮廓。并将相邻切片重新确定为需要进行初始轮廓调整的目标切片。
S705:重新执行利用时间全隐的测地线水平集活动轮廓算法,将目标切片的初始轮廓进行调整,得到目标切片的脑实质轮廓以及后续步骤,直到得到CTA源图像各层切片的脑实质轮廓。
重新执行S703-S705,依次确定CTA源图像各层切片的初始轮廓,并对各层切片的初始轮廓进行调整,直到得到CTA源图像各层切片的脑实质轮廓。
S706:根据CTA源图像各层切片的脑实质轮廓,确定CTA源图像中的脑实质区域,获取脑实质CTA源图像。
基于CTA源图像的各层切片的脑实质轮廓,可以确定CTA源图像中的脑实质区域。从CTA源图像中获取脑实质CTA源图像。
在一种可能的实现方式中,在得到脑实质区域后,对脑实质区域进行整体补洞与孤立点去除操作,得到脑实质CTA源图像。
基于上述内容可知,通过利用阈值分割以及时间全隐的测地线水平集活动轮廓算法,可以逐层确定切片的脑实质轮廓,进而准确地得到脑实质CTA源图像,减少CTA源图像中其他区域的划分对MCA供血区域的影响。
基于上述方法实施例提供的CTA源图像的处理方法,本申请实施例还提供了一种CTA源图像的处理装置,下面将结合附图对该CTA源图像的处理装置进行说明。
参见图8,该图为本申请实施例提供的一种CTA源图像的处理装置的结构示意图。如图8所示,该CTA源图像的处理装置包括:
提取单元801,用于提取CTA源图像中的脑实质区域,获取脑实质CTA源图像;
执行单元802,用于将所述脑实质CTA源图像以及与所述CTA源图像对应的模板图像输入预先训练生成的配准模型,得到目标形变场,所述目标形变场标识所述模板图像与所述脑实质CTA源图像之间的形变规律;
形变单元803,用于利用所述目标形变场对所述模板图像对应的大脑中动脉MCA脑图谱图像进行形变,得到所述脑实质CTA源图像对应的MCA脑图谱图像,所述MCA脑图谱图像包括所述脑实质CTA源图像中各个MCA供血区域的划分结果;
映射单元804,用于将所述脑实质CTA源图像对应的MCA脑图谱图像映射到所述CTA源图像,得到所述CTA源图像中各个MCA供血区域的划分结果。
在一种可能的实现方式中,所述装置还包括:
确定单元,用于根据所述CTA源图像中各个MCA供血区域的CT值或者所述CTA源图像中各个MCA供血区域的血管区域的体积占比,确定所述CTA源图像中各个MCA供血区域的缺血性量化值。
在一种可能的实现方式中,所述确定单元,包括:
确定子单元,用于根据所述CTA源图像中各个MCA供血区域的CT值,将所述CTA源图像中的左脑一侧或者右脑一侧确定为目标侧;所述CTA源图像中各个MCA供血区域在左右脑呈对称分布;
第一设置子单元,用于计算目标MCA供血区域在所述目标侧的CT均值与所述目标MCA供血区域在所述目标侧另一侧的CT均值之差,得到CT差值;如果所述CT差值大于所述目标MCA供血区域对应的CT差值阈值,将所述目标MCA供血区域的缺血性量化值设置为目标数值;
第二设置子单元,用于提取所述CTA源图像中各个MCA供血区域在所述目标侧的血管区域,如果目标MCA供血区域在所述目标侧的血管区域的体积占比小于所述目标MCA供血区域对应的体积占比阈值,将所述目标MCA供血区域的缺血性量化值设置为目标数值;
所述目标MCA供血区域分别为所述CTA源图像中MCA供血区域中的每一个。
在一种可能的实现方式中,所述确定子单元,具体用于根据所述CTA源图像中各个MCA供血区域的CT值,计算所述CTA源图像中位于左脑一侧的全部MCA供血区域的第一CT均值以及位于右脑一侧的全部MCA供血区域的第二CT均值;
将第一CT均值以及第二CT均值中的较小值对应的一侧确定为目标侧。
在一种可能的实现方式中,所述配准模型的训练过程包括:
将第一训练CTA源图像、第二训练CTA源图像输入配准模型,得到第一预测形变场,所述第一预测形变场标识所述第一训练CTA源图像与所述第二训练CTA源图像之间的形变规律;
利用模拟形变场对所述第二训练CTA源图像进行形变,得到第三训练CTA源图像,将所述第二训练CTA源图像、所述第三训练CTA源图像输入所述配准模型,得到第二预测形变场,所述第二预测形变场标识所述第二训练CTA源图像与所述第三训练CTA源图像之间的形变规律;
利用所述第一预测形变场对所述第二训练CTA源图像进行形变,得到第一预测CTA源图像;
利用所述第二预测形变场对所述第二训练CTA源图像进行形变,得到第二预测CTA源图像;
根据所述第二预测形变场与所述模拟形变场,计算形变场损失;
根据所述第一预测CTA源图像与所述第一训练CTA源图像,计算第一相似性损失;
根据所述第二预测CTA源图像与所述第三训练CTA源图像,计算第二相似性损失;
根据所述形变场损失、所述第一相似性损失以及所述第二相似性损失,对所述配准模型进行调整;
重复执行将第一训练CTA源图像、第二训练CTA源图像输入配准模型,得到第一预测形变场以及后续步骤,直到达到预设条件,获得训练生成的配准模型。
在一种可能的实现方式中,所述配准模型为改进的Unet网络结构,所述改进的Unet网络结构为在Unet网络结构的编码层与解码层之间添加空洞卷积层。
在一种可能的实现方式中,所述提取单元801,具体用于对CTA源图像进行阈值分割,得到所述CTA源图像各层切片中满足预设阈值范围区域的区域轮廓;
将所述CTA源图像各层切片中区域轮廓对应面积最大的切片确定为目标切片,将所述目标切片的区域轮廓确定为所述目标切片的初始轮廓;
利用时间全隐的测地线水平集活动轮廓算法,将所述目标切片的初始轮廓进行调整,得到所述目标切片的脑实质轮廓;
将所述目标切片的脑实质轮廓确定为相邻切片的初始轮廓,将所述相邻切片重新确定为所述目标切片;
重新执行利用时间全隐的测地线水平集活动轮廓算法,将所述目标切片的初始轮廓进行调整,得到所述目标切片的脑实质轮廓以及后续步骤,直到得到所述CTA源图像各层切片的脑实质轮廓;
根据所述CTA源图像各层切片的脑实质轮廓,确定CTA源图像中的脑实质区域,获取脑实质CTA源图像。
另外,本申请实施例还提供了一种CTA源图像的处理设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述任一项实施例所述的CTA源图像的处理方法。
另外,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述任一项实施例所述的CTA源图像的处理方法。
本申请实施例提供的一种CTA源图像的处理装置及设备,通过先从CTA源图像中提取脑实质区域,得到脑实质CTA源图像,再将脑实质CTA源图像和CTA源图像对应的模板图像输入预设训练生成的配准模型,得到目标形变场;目标形变场能够指示模板图像和脑实质CTA源图像之间的形变规律,能够准确地反映脑实质CTA源图像和对应的模板图像之间的形变规律;基于得到的目标形变场,可以将模板图像对应的MCA脑图谱图像进行形变,得到脑实质CTA源图像对应的MCA脑图谱图像;MCA脑图谱图像中包括各个MCA供血区域的划分结果;通过目标形变场得到的脑实质CTA源图像对应的MCA脑图谱图像,可以得到脑实质CTA源图像中各个MCA供血区域的划分结果。基于目标形变场得到的脑实质CTA源图像对应的MCA脑图谱图像,可以准确地划分脑实质CTA源图像中MCA供血区域,便于后续可以基于脑实质CTA源图像中MCA供血区域的划分结果,更为准确地确定患者的MCA各个供血区域的供血情况。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种CT血管造影CTA源图像的处理方法,其特征在于,所述方法包括:
提取CTA源图像中的脑实质区域,获取脑实质CTA源图像;
将所述脑实质CTA源图像以及与所述CTA源图像对应的模板图像输入预先训练生成的配准模型,得到目标形变场,所述目标形变场标识所述模板图像与所述脑实质CTA源图像之间的形变规律;
利用所述目标形变场对所述模板图像对应的大脑中动脉MCA脑图谱图像进行形变,得到所述脑实质CTA源图像对应的MCA脑图谱图像,所述MCA脑图谱图像包括所述脑实质CTA源图像中各个MCA供血区域的划分结果;
将所述脑实质CTA源图像对应的MCA脑图谱图像映射到所述CTA源图像,得到所述CTA源图像中各个MCA供血区域的划分结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述CTA源图像中各个MCA供血区域的CT值或者所述CTA源图像中各个MCA供血区域的血管区域的体积占比,确定所述CTA源图像中各个MCA供血区域的缺血性量化值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述CTA源图像中各个MCA供血区域的CT值或者所述CTA源图像中各个MCA供血区域的血管区域的体积占比,确定所述CTA源图像中各个MCA供血区域的缺血性量化值,包括:
根据所述CTA源图像中各个MCA供血区域的CT值,将所述CTA源图像中的左脑一侧或者右脑一侧确定为目标侧;所述CTA源图像中各个MCA供血区域在左右脑呈对称分布;
计算目标MCA供血区域在所述目标侧的CT均值与所述目标MCA供血区域在所述目标侧另一侧的CT均值之差,得到CT差值;如果所述CT差值大于所述目标MCA供血区域对应的CT差值阈值,将所述目标MCA供血区域的缺血性量化值设置为目标数值;
或者,提取所述CTA源图像中各个MCA供血区域在所述目标侧的血管区域,如果目标MCA供血区域在所述目标侧的血管区域的体积占比小于所述目标MCA供血区域对应的体积占比阈值,将所述目标MCA供血区域的缺血性量化值设置为目标数值;
所述目标MCA供血区域分别为所述CTA源图像中MCA供血区域中的每一个。
4.根据权利要求3所述的方法,其特征在于,所述根据所述CTA源图像中各个MCA供血区域的CT值,将所述CTA源图像中的左脑一侧或者右脑一侧确定为目标侧,包括:
根据所述CTA源图像中各个MCA供血区域的CT值,计算所述CTA源图像中位于左脑一侧的全部MCA供血区域的第一CT均值以及位于右脑一侧的全部MCA供血区域的第二CT均值;
将第一CT均值以及第二CT均值中的较小值对应的一侧确定为目标侧。
5.根据权利要求1所述的方法,其特征在于,所述配准模型的训练过程包括:
将第一训练CTA源图像、第二训练CTA源图像输入配准模型,得到第一预测形变场,所述第一预测形变场标识所述第一训练CTA源图像与所述第二训练CTA源图像之间的形变规律;
利用模拟形变场对所述第二训练CTA源图像进行形变,得到第三训练CTA源图像,将所述第二训练CTA源图像、所述第三训练CTA源图像输入所述配准模型,得到第二预测形变场,所述第二预测形变场标识所述第二训练CTA源图像与所述第三训练CTA源图像之间的形变规律;
利用所述第一预测形变场对所述第二训练CTA源图像进行形变,得到第一预测CTA源图像;
利用所述第二预测形变场对所述第二训练CTA源图像进行形变,得到第二预测CTA源图像;
根据所述第二预测形变场与所述模拟形变场,计算形变场损失;
根据所述第一预测CTA源图像与所述第一训练CTA源图像,计算第一相似性损失;
根据所述第二预测CTA源图像与所述第三训练CTA源图像,计算第二相似性损失;
根据所述形变场损失、所述第一相似性损失以及所述第二相似性损失,对所述配准模型进行调整;
重复执行将第一训练CTA源图像、第二训练CTA源图像输入配准模型,得到第一预测形变场以及后续步骤,直到达到预设条件,获得训练生成的配准模型。
6.根据权利要求1或4所述的方法,其特征在于,所述配准模型为改进的Unet网络结构,所述改进的Unet网络结构为在Unet网络结构的编码层与解码层之间添加空洞卷积层。
7.根据权利要求1所述的方法,其特征在于,所述提取CTA源图像中的脑实质区域,获取脑实质CTA源图像,包括:
对CTA源图像进行阈值分割,得到所述CTA源图像各层切片中满足预设阈值范围区域的区域轮廓;
将所述CTA源图像各层切片中区域轮廓对应面积最大的切片确定为目标切片,将所述目标切片的区域轮廓确定为所述目标切片的初始轮廓;
利用时间全隐的测地线水平集活动轮廓算法,将所述目标切片的初始轮廓进行调整,得到所述目标切片的脑实质轮廓;
将所述目标切片的脑实质轮廓确定为相邻切片的初始轮廓,将所述相邻切片重新确定为所述目标切片;
重新执行利用时间全隐的测地线水平集活动轮廓算法,将所述目标切片的初始轮廓进行调整,得到所述目标切片的脑实质轮廓以及后续步骤,直到得到所述CTA源图像各层切片的脑实质轮廓;
根据所述CTA源图像各层切片的脑实质轮廓,确定CTA源图像中的脑实质区域,获取脑实质CTA源图像。
8.一种CT血管造影CTA源图像的处理装置,其特征在于,所述装置包括:
提取单元,用于提取CTA源图像中的脑实质区域,获取脑实质CTA源图像;
执行单元,用于将所述脑实质CTA源图像以及与所述CTA源图像对应的模板图像输入预先训练生成的配准模型,得到目标形变场,所述目标形变场标识所述模板图像与所述脑实质CTA源图像之间的形变规律;
形变单元,用于利用所述目标形变场对所述模板图像对应的大脑中动脉MCA脑图谱图像进行形变,得到所述脑实质CTA源图像对应的MCA脑图谱图像,所述MCA脑图谱图像包括所述脑实质CTA源图像中各个MCA供血区域的划分结果;
映射单元,用于将所述脑实质CTA源图像对应的MCA脑图谱图像映射到所述CTA源图像,得到所述CTA源图像中各个MCA供血区域的划分结果。
9.一种CT血管造影CTA源图像的处理设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7任一项所述的CT血管造影CTA源图像的处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-7任一项所述的CT血管造影CTA源图像的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110656162.0A CN113298800A (zh) | 2021-06-11 | 2021-06-11 | 一种ct血管造影cta源图像的处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110656162.0A CN113298800A (zh) | 2021-06-11 | 2021-06-11 | 一种ct血管造影cta源图像的处理方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298800A true CN113298800A (zh) | 2021-08-24 |
Family
ID=77328173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110656162.0A Pending CN113298800A (zh) | 2021-06-11 | 2021-06-11 | 一种ct血管造影cta源图像的处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298800A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630247A (zh) * | 2023-05-06 | 2023-08-22 | 河北省儿童医院(河北省第五人民医院、河北省儿科研究所) | 脑血流图像处理方法及装置、脑血流监测系统 |
CN116934768A (zh) * | 2023-08-16 | 2023-10-24 | 中国人民解放军总医院 | 用于提高cta影像模态中血管分割精度的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190037458A (ko) * | 2017-09-29 | 2019-04-08 | 주식회사 인피니트헬스케어 | 의료 영상 기반 뇌혈전 영역 식별 및 가시화를 위한 컴퓨팅 시스템 및 방법 |
US20200090334A1 (en) * | 2018-09-14 | 2020-03-19 | The Board Of Regents, The University Of Texas System | Systems And Methods For Evaluating The Brain After Onset Of A Stroke Using Computed Tomography Angiography |
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
KR102189623B1 (ko) * | 2020-10-06 | 2020-12-11 | 주식회사 휴런 | 비 뇌출혈 상태인 경우, 뇌 대혈관의 이상 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치 |
CN112070781A (zh) * | 2020-08-13 | 2020-12-11 | 沈阳东软智能医疗科技研究院有限公司 | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 |
KR102189625B1 (ko) * | 2020-10-06 | 2020-12-11 | 주식회사 휴런 | Aspects를 산출하는 인공지능 기반 뇌졸중 진단 장치 |
-
2021
- 2021-06-11 CN CN202110656162.0A patent/CN113298800A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190037458A (ko) * | 2017-09-29 | 2019-04-08 | 주식회사 인피니트헬스케어 | 의료 영상 기반 뇌혈전 영역 식별 및 가시화를 위한 컴퓨팅 시스템 및 방법 |
US20200090334A1 (en) * | 2018-09-14 | 2020-03-19 | The Board Of Regents, The University Of Texas System | Systems And Methods For Evaluating The Brain After Onset Of A Stroke Using Computed Tomography Angiography |
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
CN112070781A (zh) * | 2020-08-13 | 2020-12-11 | 沈阳东软智能医疗科技研究院有限公司 | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 |
KR102189623B1 (ko) * | 2020-10-06 | 2020-12-11 | 주식회사 휴런 | 비 뇌출혈 상태인 경우, 뇌 대혈관의 이상 여부를 판단하는 인공지능 기반 뇌졸중 진단 장치 |
KR102189625B1 (ko) * | 2020-10-06 | 2020-12-11 | 주식회사 휴런 | Aspects를 산출하는 인공지능 기반 뇌졸중 진단 장치 |
Non-Patent Citations (2)
Title |
---|
PAUL BENTLEY: ""Prediction of stroke thrombolysis outcome using CT brain machine learning"", 《NEUROIMAGE: CLINICAL》, 31 December 2014 (2014-12-31), pages 635 - 640, XP055756103, DOI: 10.1016/j.nicl.2014.02.003 * |
陶四明: ""体外心脏震波对猪急性心肌梗死后心室重塑的影响及机制研究"", 《中国博士学位论文全文数据库 (医药卫生科技辑)》, 15 September 2011 (2011-09-15), pages 062 - 13 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630247A (zh) * | 2023-05-06 | 2023-08-22 | 河北省儿童医院(河北省第五人民医院、河北省儿科研究所) | 脑血流图像处理方法及装置、脑血流监测系统 |
CN116630247B (zh) * | 2023-05-06 | 2023-10-20 | 河北省儿童医院(河北省第五人民医院、河北省儿科研究所) | 脑血流图像处理方法及装置、脑血流监测系统 |
CN116934768A (zh) * | 2023-08-16 | 2023-10-24 | 中国人民解放军总医院 | 用于提高cta影像模态中血管分割精度的方法及系统 |
CN116934768B (zh) * | 2023-08-16 | 2024-05-10 | 中国人民解放军总医院 | 用于提高cta影像模态中血管分割精度的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumamaru et al. | Diagnostic accuracy of 3D deep-learning-based fully automated estimation of patient-level minimum fractional flow reserve from coronary computed tomography angiography | |
CN109146872B (zh) | 基于深度学习和光流法的心脏冠状动脉影像分割识别方法 | |
JP2019055230A (ja) | 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体 | |
JP7204007B2 (ja) | 画像データ中の病変部の境界の識別 | |
US20180199997A1 (en) | Method and apparatus for segmentation of blood vessels | |
CN111275755B (zh) | 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备 | |
CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
CN113298800A (zh) | 一种ct血管造影cta源图像的处理方法、装置及设备 | |
US11810293B2 (en) | Information processing device, information processing method, and computer program | |
CN111353996B (zh) | 一种血管钙化检测方法及装置 | |
CN114881968A (zh) | 基于深度卷积神经网络的octa图像血管分割方法、设备及介质 | |
EP3471054A1 (en) | Method for determining at least one object feature of an object | |
US11675039B2 (en) | Automated segmentation of tissue in magnetic resonance imaging | |
CN113920109A (zh) | 医疗影像识别模型训练方法、识别方法、装置及设备 | |
CN113469963B (zh) | 肺动脉图像分割方法及装置 | |
CN114387317A (zh) | Ct图像和mri三维图像的配准方法、装置 | |
CN114627345A (zh) | 人脸属性的检测方法及装置、存储介质、终端 | |
EP3614313A1 (en) | Estimating confidence of machine-learning output | |
US20220301177A1 (en) | Updating boundary segmentations | |
Lötjönen et al. | Evaluation of cardiac biventricular segmentation from multiaxis MRI data: a multicenter study | |
CN112419340A (zh) | 脑脊液分割模型的生成方法、应用方法及装置 | |
CN109767468B (zh) | 脏器体积检测方法及装置 | |
CN112634224B (zh) | 基于目标影像的病灶检测方法和装置 | |
Yadav et al. | Deep learning based intraretinal layer segmentation using cascaded compressed U-net | |
CN116862930B (zh) | 适用于多模态的脑血管分割方法、装置、设备和存储介质 |
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 |