CN113538352A - 脑卒中组织窗评价值的获取方法及装置、存储介质 - Google Patents
脑卒中组织窗评价值的获取方法及装置、存储介质 Download PDFInfo
- Publication number
- CN113538352A CN113538352A CN202110744031.8A CN202110744031A CN113538352A CN 113538352 A CN113538352 A CN 113538352A CN 202110744031 A CN202110744031 A CN 202110744031A CN 113538352 A CN113538352 A CN 113538352A
- Authority
- CN
- China
- Prior art keywords
- sequence
- gray
- flair
- region
- dwi
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 218
- 208000006011 Stroke Diseases 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 57
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims abstract description 8
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 165
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical group CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims abstract description 103
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 65
- 238000007689 inspection Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000008520 organization Effects 0.000 claims abstract description 13
- 238000002597 diffusion-weighted imaging Methods 0.000 claims description 108
- 238000009792 diffusion process Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002075 inversion recovery Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims 2
- 238000000576 coating method Methods 0.000 claims 2
- 210000001519 tissue Anatomy 0.000 description 66
- 210000004556 brain Anatomy 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 241001270131 Agaricus moelleri Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 231100000518 lethal Toxicity 0.000 description 2
- 230000001665 lethal effect Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 239000002956 ash Substances 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000010410 reperfusion Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000002537 thrombolytic effect 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种脑卒中组织窗评价值的获取方法及装置、存储介质、计算机设备，该方法包括：依据DWI序列以及ADC序列，检测所述DWI序列对应的异常区域特征，分割出所述DWI序列中的第一异常区域Rdwi；将所述第一异常区域Rdwi映射到所述检查对象的FLAIR序列中，确定第二异常区域Rflair；将所述FLAIR序列的脑组织区域中除所述第二异常区域Rflair以外的部分作为目标分析区域Rnorm，根据所述目标分析区域Rnorm获得所述FLAIR序列的目标评价区域；基于所述目标评价区域内全部像素点对应的灰度统计值以及所述第二异常区域Rflair中各像素点的灰度值，确定检查对象的脑卒中组织窗评价值。
Description
技术领域
本申请涉及医学图像技术领域，尤其是涉及到一种脑卒中组织窗评价值的获取方法及装置、存储介质、计算机设备。
背景技术
脑卒中目前是世界各国的主要致死性和致残性疾病之一，脑卒中已成为我国第一位致死疾病，也是中国成年人残疾的首要原因。对于脑卒中患者，早期的静脉溶栓和血管内治疗可以使闭塞的血管再通，血流再灌注，从而减小梗死体积，降低残疾的发生率，有效改善患者的整体预后。因此，如何使急性脑梗死患者安全有效地接受再灌注治疗就成为了一个亟待解决的问题。早期脑卒中患者的治疗主要依赖时间窗，但随着DAWN和DEFUSE3实验的深入研究，人们逐渐证实存在大部分超窗患者在接受治疗后仍然有比较良好的预后，自此，组织窗评价逐渐走进了脑卒中领域，其中，醒后卒中的组织窗评价方法主要为DWI-FlAIR不匹配。
目前，医生评价患者DWI-FLAIR不匹配程度主要是依赖肉眼观察DWI(DiffusionWeighted Imaging，磁共振弥散加权成像)序列高信号处，T2 FLAIR(磁共振成像液体衰减反转恢复)序列上相应区域信号是否异常，肉眼观察的方法对明显的T2 FLAIR序列异常信号比较容易判断，但对于不明显的T2FLAIR序列高信号则难以识别，无法准确获得DWI-FLAIR不匹配程度。
发明内容
有鉴于此，本申请提供了一种脑卒中组织窗评价值的获取方法及装置、存储介质、计算机设备。
根据本申请的一个方面，提供了一种脑卒中组织窗评价值的获取方法，包括：
依据检查对象的DWI序列以及ADC(apparent diffusion coefficient，表观弥散系数)序列，检测所述DWI序列对应的异常区域特征，并按所述异常区域特征分割出所述DWI序列中的第一异常区域Rdwi；
将所述第一异常区域Rdwi映射到所述检查对象的磁共振成像液体衰减反转恢复FLAIR序列中，确定所述FLAIR序列中的第二异常区域Rflair；
将所述FLAIR序列的脑组织区域中除所述第二异常区域Rflair以外的部分作为所述FLAIR序列对应的目标分析区域Rnorm，根据所述目标分析区域Rnorm获得所述FLAIR序列对应的目标评价区域；
基于所述目标评价区域内全部像素点对应的灰度统计值以及所述第二异常区域Rflair中各像素点的灰度值，确定所述检查对象的脑卒中组织窗评价值。
可选地，所述依据检查对象的DWI序列以及ADC序列，检测所述DWI序列对应的异常区域特征，并按所述异常区域特征分割出所述DWI序列中的第一异常区域Rdwi，具体包括：
通过主动轮廓法分割出所述DWI序列中的脑组织区域Rbrainmask；
对所述ADC序列中灰度值小于预设灰度阈值的部分与所述脑组织区域Rbrainmask的取交集，作为所述ADC序列对应的第三异常区域Radc；
基于所述脑组织区域Rbrainmask以及所述第三异常区域Radc，确定所述DWI序列对应的正常脑组织区域，并依据所述正常脑组织区域内各像素点的灰度值，计算所述DWI序列对应的异常灰度值阈值；
提取所述DWI序列中灰度值大于所述异常灰度值阈值的部分作为第一异常区域Rdwi，并依据所述第三异常区域Radc修正所述第一异常区域Rdwi，其中，修正后的第一异常区域Rdwi为初始的第一异常区域与所述第三异常区域的交集。
可选地，所述依据所述正常脑组织区域内各像素点的灰度值，计算所述DWI序列对应的异常灰度值阈值，具体包括：
计算所述正常脑组织区域中各像素点对应的灰度均值Graymean和灰度标准差Graystd；
基于所述灰度均值Graymean和所述灰度标准差Graystd，确定所述DWI序列对应的异常灰度阈值，其中，所述异常灰度阈值为max(Graymean+2*Graystd,1.25*Graymean)。
可选地，所述将所述第一异常区域Rdwi映射到所述检查对象的FLAIR序列中，确定所述FLAIR序列中的第二异常区域Rflair，具体包括：
通过互信息配准方法，对所述检查对象的FLAIR序列和所述DWI序列进行刚性配准，以得到所述FLAIR序列的脑组织区域；
将所述第一异常区域映射到配准后的所述FLAIR序列上，得到所述FLAIR序列对应的第二异常区域Rflair。
可选地，所述根据所述目标分析区域Rnorm获得所述FLAIR序列对应的目标评价区域，具体包括：
绘制所述目标分析区域Rnorm对应的灰度直方图H(x,y)，其中，所述灰度直方图H(x,y)包括所述目标分析区域内各像素点对应的灰度直方，任一灰度直方用于表示各像素点的灰度值以及每个灰度值对应的像素点数量；
获取所述灰度直方图中各灰度直方对应的像素点数量峰值P0，并根据所述像素点数量峰值P0以及预设系数a计算所述灰度直方图对应的第一评价值，所述第一评价值＝a*P0；
绘制所述第一评价值对应的第一评价水平线L0，并获取与所述第一评价水平线L0相交且距离最近的两个灰度直方Xl和Xu，其中，Xl小于Xu，所述第一评价水平线L0为y＝a*P0；
将灰度值小于Xl的第一灰度直方进行线性拟合，得到第一参考水平线y＝P1，计算所述第一灰度直方的第一标准差S1，依据所述第一参考水平线和所述第一标准差S1绘制第二评价水平线L1，并获取第一灰度直方中与所述第二评价水平线L1相交的灰度直方T1，其中，所述第二评价水平线L1为y＝P1+2*S1；
将灰度值大于Xu的第二灰度直方进行线性拟合，得到第二参考水平线y＝P2，计算所述第二灰度直方的第二标准差S2，依据所述第二参考水平线和所述第二标准差S2绘制第三评价水平线L2，并获取第二灰度直方中与所述第三评价水平线L2相交的灰度直方Tu，其中，所述第三评价水平线L2为y＝P2+2*S2；
分割所述FLAIR序列中(T1，Tu)范围内的部分作为所述FLAIR序列对应的目标评价区域。
可选地，所述DWI序列、所述ADC序列以及所述FLAIR序列各自对应于多层脑组织，所述目标评价区域包括每一层脑组织对应的目标评价区域；所述基于所述目标评价区域内全部像素点对应的灰度统计值以及所述第二异常区域Rflair中各像素点的灰度值，确定所述检查对象的脑卒中组织窗评价值，具体包括：
分别计算每层所述目标评价区域内全部像素点的灰度值中值V；
分别依据每层所述目标评价区域对应的灰度值V以及对应层的所述第二异常区域Rflair，计算每层所述第二异常区域Rflair内各像素点的组织窗评价值；
计算全部所述第二异常区域Rflair包含的全部像素点的组织窗评价值的均值，并将所述均值作为所述脑卒中组织窗评价值。
可选地，所述ADC序列通过弥散梯度因子为0的第一DWI序列和弥散梯度因子为1000的第二DWI序列计算得到，所述ADC序列＝ln(第一DWI序列/第二DWI序列)/1000。
可选地，所述确定所述检查对象的脑卒中组织窗评价值之后，所述方法还包括：
将所述脑卒中组织窗评价值输出至显示界面进行显示；和/或，
依据所述脑卒中组织窗评价值确定对应的DWI-FLAIR不匹配程度，并将所述DWI-FLAIR不匹配程度输出至显示界面进行显示。
根据本申请的另一方面，提供了一种脑卒中组织窗评价值的获取装置，包括：
第一区域确定模块，用于依据检查对象的DWI序列以及ADC序列，检测所述DWI序列对应的异常区域特征，并按所述异常区域特征分割出所述DWI序列中的第一异常区域Rdwi；
第二区域确定模块，用于将所述第一异常区域Rdwi映射到所述检查对象的FLAIR序列中，确定所述FLAIR序列中的第二异常区域Rflair；
第三区域确定模块，用于将所述FLAIR序列的脑组织区域中除所述第二异常区域Rflair以外的部分作为所述FLAIR序列对应的目标分析区域Rnorm，根据所述目标分析区域Rnorm获得所述FLAIR序列对应的目标评价区域；
评价值计算模块，用于基于所述目标评价区域内全部像素点对应的灰度统计值以及所述第二异常区域Rflair中各像素点的灰度值，确定所述检查对象的脑卒中组织窗评价值。
可选地，所述第一区域确定模块，具体用于：
通过主动轮廓法分割出所述DWI序列中的脑组织区域Rbrainmask；
对所述ADC序列中灰度值小于预设灰度阈值的部分与所述脑组织区域Rbrainmask的取交集，作为所述ADC序列对应的第三异常区域Radc；
基于所述脑组织区域Rbrainmask以及所述第三异常区域，确定所述DWI序列对应的正常脑组织区域，并依据所述正常脑组织区域内各像素点的灰度值，计算所述DWI序列对应的异常灰度值阈值；
提取所述DWI序列中灰度值大于所述异常灰度值阈值的部分作为第一异常区域Rdwi，并依据所述第三异常区域Radc修正所述第一异常区域Rdwi，其中，修正后的第一异常区域Rdwi为初始的第一异常区域与所述第三异常区域的交集。
可选地，所述第一区域确定模块，还用于：
计算所述正常脑组织区域中各像素点对应的灰度均值Graymean和灰度标准差Graystd；
基于所述灰度均值Graymean和所述灰度标准差Graystd，确定所述DWI序列对应的异常灰度阈值，其中，所述异常灰度阈值为max(Graymean+2*Graystd,1.25*Graymean)。
可选地，所述第二区域确定模块，具体用于：
通过互信息配准装置，对所述检查对象的FLAIR序列和所述DWI序列进行刚性配准，以得到所述FLAIR序列的脑组织区域；
将所述第一异常区域映射到配准后的所述FLAIR序列上，得到所述FLAIR序列对应的第二异常区域Rflair。
可选地，所述第三区域确定模块，具体用于：
绘制所述目标分析区域Rnorm对应的灰度直方图H(x,y)，其中，所述灰度直方图H(x,y)包括所述目标分析区域内各像素点对应的灰度直方，任一灰度直方用于表示各像素点的灰度值以及每个灰度值对应的像素点数量；
获取所述灰度直方图中各灰度直方对应的像素点数量峰值P0，并根据所述像素点数量峰值P0以及预设系数a计算所述灰度直方图对应的第一评价值，所述第一评价值＝a*P0；
绘制所述第一评价值对应的第一评价水平线L0，并获取与所述第一评价水平线L0相交且距离最近的两个灰度直方Xl和Xu，其中，Xl小于Xu，所述第一评价水平线L0为y＝a*P0；
将灰度值小于Xl的第一灰度直方进行线性拟合，得到第一参考水平线y＝P1，计算所述第一灰度直方的第一标准差S1，依据所述第一参考水平线和所述第一标准差S1绘制第二评价水平线L1，并获取第一灰度直方中与所述第二评价水平线L1相交的灰度直方T1，其中，所述第二评价水平线L1为y＝P1+2*S1；
将灰度值大于Xu的第二灰度直方进行线性拟合，得到第二参考水平线y＝P2，计算所述第二灰度直方的第二标准差S2，依据所述第二参考水平线和所述第二标准差S2绘制第三评价水平线L2，并获取第二灰度直方中与所述第三评价水平线L2相交的灰度直方Tu，其中，所述第三评价水平线L2为y＝P2+2*S2；
分割所述FLAIR序列中(T1，Tu)范围内的部分作为所述FLAIR序列对应的目标评价区域。
可选地，所述DWI序列、所述ADC序列以及所述FLAIR序列各自对应于多层脑组织，所述目标评价区域包括每一层脑组织对应的目标评价区域；所述评价值计算模块，具体用于：分别计算每层所述目标评价区域内全部像素点的灰度值中值V；分别依据每层所述目标评价区域对应的灰度值V以及对应层的所述第二异常区域Rflair，计算每层所述第二异常区域Rflair内各像素点的组织窗评价值；计算全部所述第二异常区域Rflair包含的全部像素点的组织窗评价值的均值，并将所述均值作为所述脑卒中组织窗评价值。
可选地，所述ADC序列通过弥散梯度因子为0的第一DWI序列和弥散梯度因子为1000的第二DWI序列计算得到，所述ADC序列＝ln(第一DWI序列/第二DWI序列)/1000。
可选地，所述装置还包括：
显示模块，用于所述确定所述检查对象的脑卒中组织窗评价值之后，将所述脑卒中组织窗评价值输出至显示界面进行显示；和/或，依据所述脑卒中组织窗评价值确定对应的DWI-FLAIR不匹配程度，并将所述DWI-FLAIR不匹配程度输出至显示界面进行显示。
依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述脑卒中组织窗评价值的获取方法。
依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述脑卒中组织窗评价值的获取方法。
借由上述技术方案，本申请提供的一种脑卒中组织窗评价值的获取方法及装置、存储介质、计算机设备，可以通过对DWI高信号区域的分割，即分割第一异常区域Rdwi，实现对FLAIR上相应第二异常区域的分割，进而确定FLAIR正常脑组织区域即目标分析区域Rnorm，从而通过绘制目标分析区域Rnorm对应的灰度直方图确定目标评价区域，以通过目标评价区域中全部像素点对应的灰度统计值，对FLAIR序列中第二异常区域Rflair内每个像素点进行组织窗评价，并确定检查对象的脑卒中组织窗评价值，最终通过脑卒中组织窗评价值来表示DWI-FLAIR不匹配程度，自动、快速、客观、准确、高效的实现对脑卒中的组织窗评价。相比于现有技术中依赖于医生经验进行人工评价的方式，解决了现有技术存在的组织窗评价值难以准确计算以及评价值计算效率低的问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种脑卒中组织窗评价方法的流程示意图；
图2示出了本申请实施例提供的一种灰度直方图的示意图；
图3示出了本申请实施例提供的一种脑卒中组织窗评价装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种脑卒中组织窗评价方法，如图1所示，该方法包括：
步骤101，依据检查对象的磁共振弥散加权成像DWI序列以及表观弥散系数ADC序列，检测所述DWI序列对应的异常区域特征，并按所述异常区域特征分割出所述DWI序列中的第一异常区域Rdwi；
步骤102，将所述第一异常区域Rdwi映射到所述检查对象的磁共振成像液体衰减反转恢复FLAIR序列中，确定所述FLAIR序列中的第二异常区域Rflair；
步骤103，将所述FLAIR序列的脑组织区域中除所述第二异常区域Rflair以外的部分作为所述FLAIR序列对应的目标分析区域Rnorm，根据所述目标分析区域Rnorm获得所述FLAIR序列对应的目标评价区域；
步骤104，基于所述目标评价区域内全部像素点对应的灰度统计值以及所述第二异常区域Rflair中各像素点的灰度值，确定所述检查对象的脑卒中组织窗评价值。
在本申请实施例中，检查对象具体可以包括脑卒中患者，例如醒后卒中患者，DWI序列具体可以为弥散梯度因子为1000的DWI-B1000序列，DWI序列通过对检查对象进行脑部扫描获得，ADC序列也可以通过对检查对象进行脑部扫描获得。得到DWI序列以及ADC序列之后，首先依据DWI序列和ADC序列对DWI序列进行高信号区域分割，确定DWI序列中的高信号区域即第一异常区域Rdwi，在具体应用场景中，可以依据DWI序列和ADC序列分析DWI序列对应的异常区域特征，从而按照异常区域特征分割出第一异常区域Rdwi。接着，通过映射的方式，将第一异常区域Rdwi映射到检查对象的FLAIR序列上，其中FLAIR序列具体为与DWI序列进行配准后的序列，因此通过映射的方式可以将DWI序列中的异常部分映射到FLAIR序列中，得到FLAIR序列中的第二异常区域Rflair，通过DWI序列的异常区域确定与之对应的FLAIR序列上的异常区域，以便后续通过FLAIR序列对应的第二异常区域Rflair进行组织窗评价。
进一步，从完整FLAIR序列中分割出除第二异常区域Rflair的正常脑组织区域作为目标分析区域Rnorm，以便对目标分析区域Rnorm进行分析，实现脑卒中组织窗评价。具体可以依据目标分析区域Rnorm绘制相应的灰度直方图H(x,y)，灰度直方图包括各像素点对应的灰度直方，任一灰度直方用于表示各像素点的灰度值以及每个灰度值对应的像素点数量，x表示目标分析区域Rnorm的各像素的灰度值，y表示相应灰度值对应的像素点数量，通过数理统计方式统计出灰度直方图对应的正常灰度区间，并在FLAIR序列中提取出与正常灰度区间匹配的目标评价区域，作为组织窗评价的依据，以排出脑脊液、异常高信号区域对组织窗评价的影响。
而后，计算上述目标评价区域内全部像素点的灰度统计值，灰度统计值具体可以为全部像素点的灰度值均值、中值等等，将该灰度统计值作为对FLAIR序列中第二异常区域Rflair的评价标准，依据灰度统计值以及第二异常区域Rflair中各像素点的灰度值，分别对每个像素点进行组织窗评价，进而依据每个像素点的组织窗评价值计算该检查对象的脑卒中组织窗评价值，最终得出的脑卒中组织窗评价值作为检查对象的组织窗评价结果的评价依据，以便评价DWI-FLAIR不匹配程度，该脑卒中组织窗评价值越大表示发病时间越早，在具体的应用场景中，可以根据DWI-FLAIR不匹配程度的高低设置不同的区分阈值，将脑卒中组织窗评价值与各区分阈值进行比较，以根据脑卒中组织窗评价值得到对应的DWI-FLAIR不匹配程度。
另外，可选地，步骤104之后还可以包括：
步骤105，将所述脑卒中组织窗评价值输出至显示界面进行显示；和/或，依据所述脑卒中组织窗评价值确定对应的DWI-FLAIR不匹配程度，并将所述DWI-FLAIR不匹配程度输出至显示界面进行显示。
在该实施例中，可以对脑卒中组织窗评价值、DWI-FLAIR不匹配程度进行显示，以及对脑卒中组织窗评价值对应的发病时间进行显示，对评价结果进行可视化导出，方便医护人员、患者查看。
通过应用本实施例的技术方案，可以通过对DWI高信号区域的分割，即分割第一异常区域Rdwi，实现对FLAIR上相应第二异常区域的分割，进而确定FLAIR正常脑组织区域即目标分析区域Rnorm，从而依据目标分析区域Rnorm确定目标评价区域，以通过目标评价区域中全部像素点对应的灰度统计值，对FLAIR序列中第二异常区域Rflair内每个像素点进行组织窗评价，并确定检查对象的脑卒中组织窗评价值，最终通过脑卒中组织窗评价值来表示DWI-FLAIR不匹配程度，自动、快速、客观、准确、高效的实现对脑卒中的组织窗评价。相比于现有技术中依赖于医生经验进行人工评价的方式，解决了现有技术存在的组织窗评价值难以准确计算以及评价值计算效率低的问题。
本申请实施例中，可选地，步骤101具体可以包括：
步骤101-1，通过主动轮廓法分割出所述DWI序列中的脑组织区域Rbrainmask；
步骤101-2，对所述ADC序列中灰度值小于预设灰度阈值的部分与所述脑组织区域Rbrainmask的取交集，作为所述ADC序列对应的第三异常区域Radc；
步骤101-3，基于所述脑组织区域Rbrainmask以及所述第三异常区域Radc，确定所述DWI序列对应的正常脑组织区域，并依据所述正常脑组织区域内各像素点的灰度值，计算所述DWI序列对应的异常灰度值阈值；
步骤101-4，提取所述DWI序列中灰度值大于所述异常灰度值阈值的部分作为第一异常区域Rdwi，并依据所述第三异常区域Radc修正所述第一异常区域Rdwi，其中，修正后的第一异常区域Rdwi为初始的第一异常区域与所述第三异常区域的交集。
在上述实施例中，首先，可以通过主动轮廓法对DWI序列进行脑组织分割，得到脑组织区域Rbrainmask，消除脑部其他图像序列例如脑部骨骼对组织窗评价结果的影响，提高组织窗评价准确性。其次，提取ADC序列中灰度值小于预设灰度阈值的部分，并取该部分与脑组织区域Rbrainmask的交集作为ADC序列对应的第三异常区域Radc，其中预设灰度阈值为预先设定的表示脑组织正常的最小值，小于该预设灰度阈值表示该像素点对应的脑组织可能存在异常，预设灰度阈值可以取260。然后，从脑组织区域Rbrainmask中提取出除第三异常区域Radc的正常脑组织区域，并根据该正常脑组织区域中各像素点的灰度值，进行DWI序列异常灰度值阈值的动态计算。可选地，计算所述正常脑组织区域中各像素点对应的灰度均值Graymean和灰度标准差Graystd；基于所述灰度均值Graymean和所述灰度标准差Graystd，确定所述DWI序列对应的异常灰度阈值，其中，所述异常灰度阈值为max(Graymean+2*Graystd,1.25*Graymean)。最后，根据异常灰度值阈值，从DWI序列中提取出像素点灰度值大于该异常灰度值阈值的部分作为第一异常区域Rdwi，另外，为提高异常区域分割的准确性，还可以利用ADC序列对应的第三异常区域Radc对进行第一异常区域Rdwi校准，具体可以取第一异常区域Rdwi与第三异常区域Radc作为最终的第一异常区域Rdwi，实现对DWI异常高信号区域的分割。
在本申请实施例中，可选地，步骤102具体可以包括：
步骤102-1，通过互信息配准方法，对所述检查对象的FLAIR序列和所述DWI序列进行刚性配准；
步骤102-2，将所述第一异常区域映射到配准后的所述FLAIR序列上，得到所述FLAIR序列对应的第二异常区域Rflair。
在上述实施例中，可以通过互信息配准方法对DWI序列和FLAIR序列进行刚性配准，以使配准后的FLAIR序列与DWI序列的各像素点匹配。其中，基于互信息的图像配准算法以其较高的配准精度和广泛的适用性而成为图像配准领域研究的热点之一，而基于互信息的医学图像配准方法被认为是最好的配准方法之一。配准后将DWI序列的第一异常区域Rdwi映射到FLAIR序列上，得到其对应区域，即FLAIR序列的第二异常区域Rflair。
本申请实施例中，可选地，如图2所示，步骤103中“根据所述目标分析区域Rnorm获得所述FLAIR序列对应的目标评价区域具体可以包括：
步骤103-1，绘制所述目标分析区域Rnorm对应的灰度直方图H(x,y)，其中，所述灰度直方图H(x,y)包括所述目标分析区域内各像素点对应的灰度直方，任一灰度直方用于表示各像素点的灰度值以及每个灰度值对应的像素点数量；
步骤103-2，获取所述灰度直方图中各灰度直方对应的像素点数量峰值P0，并根据所述像素点数量峰值P0以及预设系数a计算所述灰度直方图对应的第一评价值，所述第一评价值＝a*P0；
步骤103-3，绘制所述第一评价值对应的第一评价水平线L0，并获取与所述第一评价水平线L0相交且距离最近的两个灰度直方Xl和Xu，其中，Xl小于Xu，所述第一评价水平线L0为y＝a*P0；
步骤103-4，将灰度值小于Xl的第一灰度直方进行线性拟合，得到第一参考水平线y＝P1，计算所述第一灰度直方的第一标准差S1，依据所述第一参考水平线和所述第一标准差S1绘制第二评价水平线L1，并获取第一灰度直方中与所述第二评价水平线L1相交的灰度直方T1，其中，所述第二评价水平线L1为y＝P1+2*S1；
步骤103-5，将灰度值大于Xu的第二灰度直方进行线性拟合，得到第二参考水平线y＝P2，计算所述第二灰度直方的第二标准差S2，依据所述第二参考水平线和所述第二标准差S2绘制第三评价水平线L2，并获取第二灰度直方中与所述第三评价水平线L2相交的灰度直方Tu，其中，所述第三评价水平线L2为y＝P2+2*S2；
步骤103-6，分割所述FLAIR序列中(T1，Tu)范围内的部分作为所述FLAIR序列对应的目标评价区域。
在上述实施例中，灰度直方图中各灰度直方呈正态分布，计算灰度直方图中最高峰值P0，然后绘制一条y＝预设系数a*P0的第一评价水平线L0，例如预设系数a取1/3，第一评价水平线为y＝1/3*P0。获取L0与直方图中各灰度直方相交，且像素点数量与1/3*P0最接近的两个灰度直方Xl和Xu，如图2所示，左边的为Xl，右边的为Xu。之后，取x在(0，Xl)范围内所有的灰度直方，用最小二乘法拟合出一条y＝P1的第一参考水平线，计算x在(0，Xl)范围内所有的灰度直方对应像素点数量的标准差S1，然后绘制一条y＝P1+2*S1的第二评价水平线L1，计算L1与直方图的左侧交点T1。类似地，取x在(Xu，Xmax)范围内所有的灰度直方，用最小二乘法拟合出一条y＝P2的第二参考水平线，计算x在(Xu，Xmax)范围内所有的灰度直方对应像素点数量的标准差S2，然后绘制一条y＝P2+2*S2的第二评价水平线L2，计算L2与直方图的右侧交点Tu。最后分割出FLAIR序列中灰度值在(T1，Tu)范围内的部分，作为FLAIR序列对应的目标评价区域。
在本申请实施例中，可选地，所述DWI序列、所述ADC序列以及所述FLAIR序列各自对应于多层脑组织，所述目标评价区域包括每一层脑组织对应的目标评价区域；相应地，步骤104具体可以包括：
步骤104-1，分别计算每层所述目标评价区域内全部像素点的灰度值中值V；
步骤104-2，分别依据每层所述目标评价区域对应的灰度值V以及对应层的所述第二异常区域Rflair，计算每层所述第二异常区域Rflair内各像素点的组织窗评价值；
步骤104-3，计算全部所述第二异常区域Rflair包含的全部像素点的组织窗评价值的均值，并将所述均值作为所述脑卒中组织窗评价值。
在上述实施例中，对检查对象进行脑部扫描时，可以分层扫描以获得每一层对应的DWI序列、ADC序列以及FLAIR序列，上述步骤101至步骤104分别针对每一层对应的DWI序列、ADC序列以及FLAIR序列执行，得到每一层FLAIR序列对应的目标评价区域。接着，分别计算每层目标评价区域内全部像素点的灰度值中值V，例如对脑部图像分15层进行扫描，就可以获得15层各自对应的目标评价区域，15层各自对应的灰度值中值V。然后，计算第二异常区域Rflair内每个像素点的灰度值与其所在层的灰度值中值V的比值，将比值作为第二异常区域Rflair范围内每个像素点的组织窗评价值SIR。最后，对每层第二异常区域Rflair内每个像素点的组织窗评价值求均值，作为该检查对象的脑卒中组织窗评价值SIR。
在本申请实施例中，ADC序列可以通过DWI序列计算得到，可选地，所述ADC序列通过弥散梯度因子为0的第一DWI序列和弥散梯度因子为1000的第二DWI序列计算得到，所述ADC序列＝ln(第一DWI序列/第二DWI序列)/1000。其中，通常DWI序列会包含后处理生成的ADC序列，但是当不包含ADC序列时需要根据DWI-B0和DWI-B1000图像(B为弥散梯度因子)计算得到ADC，计算公式为ADC＝ln(DWI-B0/DWI-B1000)/1000。
通过应用本实施例的技术方案，通过DWI-FLAIR刚性配准技术，能够精确的分割出识别DWI-FLAIR不匹配的候选区域即第二异常区域Rflair，避免了人眼观察和手动勾画的误差，同时该方法设计了一种FLAIR正常脑组织区域分割技术，能够排除脑脊液及FLAIR异常高信号的干扰，得到准确的FLAIR序列对应的第二异常区域Rflair与正常区域(即目标评价区域)的信号强度比SIR(即第二异常区域Rflair内各像素点的组织窗评价值)，最终通过SIR值的均值来精确表示DWI-FLAIR不匹配程度，自动、快速、客观、可重复的实现对醒后卒中的组织窗评价，有助于提高组织窗评价准确率以及减少评价成本。
进一步的，作为图1方法的具体实现，本申请实施例提供了一种脑卒中组织窗评价值的获取装置，如图3所示，该装置包括：
第一区域确定模块，用于依据检查对象的DWI序列以及ADC序列，检测所述DWI序列对应的异常区域特征，并按所述异常区域特征分割出所述DWI序列中的第一异常区域Rdwi；
第二区域确定模块，用于将所述第一异常区域Rdwi映射到所述检查对象的FLAIR序列中，确定所述FLAIR序列中的第二异常区域Rflair；
第三区域确定模块，用于将所述FLAIR序列的脑组织区域中除所述第二异常区域Rflair以外的部分作为所述FLAIR序列对应的目标分析区域Rnorm，根据所述目标分析区域Rnorm获得所述FLAIR序列对应的目标评价区域；
评价值计算模块，用于基于所述目标评价区域内全部像素点对应的灰度统计值以及所述第二异常区域Rflair中各像素点的灰度值，确定所述检查对象的脑卒中组织窗评价值。
可选地，所述第一区域确定模块，具体用于：
通过主动轮廓法分割出所述DWI序列中的脑组织区域Rbrainmask；
对所述ADC序列中灰度值小于预设灰度阈值的部分与所述脑组织区域Rbrainmask的取交集，作为所述ADC序列对应的第三异常区域Radc；
基于所述脑组织区域Rbrainmask以及所述第三异常区域，确定所述DWI序列对应的正常脑组织区域，并依据所述正常脑组织区域内各像素点的灰度值，计算所述DWI序列对应的异常灰度值阈值；
提取所述DWI序列中灰度值大于所述异常灰度值阈值的部分作为第一异常区域Rdwi，并依据所述第三异常区域Radc修正所述第一异常区域Rdwi，其中，修正后的第一异常区域Rdwi为初始的第一异常区域与所述第三异常区域的交集。
可选地，所述第一区域确定模块，还用于：
计算所述正常脑组织区域中各像素点对应的灰度均值Graymean和灰度标准差Graystd；
基于所述灰度均值Graymean和所述灰度标准差Graystd，确定所述DWI序列对应的异常灰度阈值，其中，所述异常灰度阈值为max(Graymean+2*Graystd,1.25*Graymean)。
可选地，所述第二区域确定模块，具体用于：
通过互信息配准装置，对所述检查对象的FLAIR序列和所述DWI序列进行刚性配准，以得到所述FLAIR序列的脑组织区域；
将所述第一异常区域映射到配准后的所述FLAIR序列上，得到所述FLAIR序列对应的第二异常区域Rflair。
可选地，所述第三区域确定模块，具体用于：
绘制所述目标分析区域Rnorm对应的灰度直方图H(x,y)，其中，所述灰度直方图H(x,y)包括所述目标分析区域内各像素点对应的灰度直方，任一灰度直方用于表示各像素点的灰度值以及每个灰度值对应的像素点数量；
获取所述灰度直方图中各灰度直方对应的像素点数量峰值P0，并根据所述像素点数量峰值P0以及预设系数a计算所述灰度直方图对应的第一评价值，所述第一评价值＝a*P0；
绘制所述第一评价值对应的第一评价水平线L0，并获取与所述第一评价水平线L0相交且距离最近的两个灰度直方Xl和Xu，其中，Xl小于Xu，所述第一评价水平线L0为y＝a*P0；
将灰度值小于Xl的第一灰度直方进行线性拟合，得到第一参考水平线y＝P1，计算所述第一灰度直方的第一标准差S1，依据所述第一参考水平线和所述第一标准差S1绘制第二评价水平线L1，并获取第一灰度直方中与所述第二评价水平线L1相交的灰度直方T1，其中，所述第二评价水平线L1为y＝P1+2*S1；
将灰度值大于Xu的第二灰度直方进行线性拟合，得到第二参考水平线y＝P2，计算所述第二灰度直方的第二标准差S2，依据所述第二参考水平线和所述第二标准差S2绘制第三评价水平线L2，并获取第二灰度直方中与所述第三评价水平线L2相交的灰度直方Tu，其中，所述第三评价水平线L2为y＝P2+2*S2；
分割所述FLAIR序列中(T1，Tu)范围内的部分作为所述FLAIR序列对应的目标评价区域。
可选地，所述DWI序列、所述ADC序列以及所述FLAIR序列各自对应于多层脑组织，所述目标评价区域包括每一层脑组织对应的目标评价区域；所述评价值计算模块，具体用于：分别计算每层所述目标评价区域内全部像素点的灰度值中值V；分别依据每层所述目标评价区域对应的灰度值V以及对应层的所述第二异常区域Rflair，计算每层所述第二异常区域Rflair内各像素点的组织窗评价值；计算全部所述第二异常区域Rflair包含的全部像素点的组织窗评价值的均值，并将所述均值作为所述脑卒中组织窗评价值。
可选地，所述ADC序列通过弥散梯度因子为0的第一DWI序列和弥散梯度因子为1000的第二DWI序列计算得到，所述ADC序列＝ln(第一DWI序列/第二DWI序列)/1000。
可选地，所述装置还包括：
显示模块，用于所述确定所述检查对象的脑卒中组织窗评价值之后，将所述脑卒中组织窗评价值输出至显示界面进行显示；和/或，依据所述脑卒中组织窗评价值确定对应的DWI-FLAIR不匹配程度，并将所述DWI-FLAIR不匹配程度输出至显示界面进行显示。
需要说明的是，本申请实施例提供的一种脑卒中组织窗评价装置所涉及各功能单元的其他相应描述，可以参考图1至图2方法中的对应描述，在此不再赘述。
基于上述如图1至图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述如图1至图2所示的脑卒中组织窗评价值的获取方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图2所示的方法，以及图3所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的脑卒中组织窗评价值的获取方法。
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件可以通过对DWI高信号区域的分割，即分割第一异常区域Rdwi，实现对FLAIR上相应第二异常区域的分割，进而确定FLAIR正常脑组织区域即目标分析区域Rnorm，从而依据目标分析区域Rnorm确定目标评价区域，以通过目标评价区域中全部像素点对应的灰度统计值，对FLAIR序列中第二异常区域Rflair内每个像素点进行组织窗评价，并确定检查对象的脑卒中组织窗评价值，最终通过脑卒中组织窗评价值来表示DWI-FLAIR不匹配程度，自动、快速、客观、准确、高效的实现对脑卒中的组织窗评价。相比于现有技术中依赖于医生经验进行人工评价的方式，解决了现有技术存在的评价结果不准确以及评价效率低的问题。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (11)
1.一种脑卒中组织窗评价值的获取方法，其特征在于，包括：
依据检查对象的磁共振弥散加权成像DWI序列以及表观弥散系数ADC序列，检测所述DWI序列对应的异常区域特征，并按所述异常区域特征分割出所述DWI序列中的第一异常区域Rdwi；
将所述第一异常区域Rdwi映射到所述检查对象的磁共振成像液体衰减反转恢复FLAIR序列中，确定所述FLAIR序列中的第二异常区域Rflair；
将所述FLAIR序列的脑组织区域中除所述第二异常区域Rflair以外的部分作为所述FLAIR序列对应的目标分析区域Rnorm，根据所述目标分析区域Rnorm获得所述FLAIR序列对应的目标评价区域；
基于所述目标评价区域内全部像素点对应的灰度统计值以及所述第二异常区域Rflair中各像素点的灰度值，确定所述检查对象的脑卒中组织窗评价值。
2.根据权利要求1所述的方法，其特征在于，所述依据检查对象的DWI序列以及ADC序列，检测所述DWI序列对应的异常区域特征，并按所述异常区域特征分割出所述DWI序列中的第一异常区域Rdwi，具体包括：
通过主动轮廓法分割出所述DWI序列中的脑组织区域Rbrainmask；
对所述ADC序列中灰度值小于预设灰度阈值的部分与所述脑组织区域Rbrainmask的取交集，作为所述ADC序列对应的第三异常区域Radc；
基于所述脑组织区域Rbrainmask以及所述第三异常区域Radc，确定所述DWI序列对应的正常脑组织区域，并依据所述正常脑组织区域内各像素点的灰度值，计算所述DWI序列对应的异常灰度值阈值；
提取所述DWI序列中灰度值大于所述异常灰度值阈值的部分作为第一异常区域Rdwi，并依据所述第三异常区域Radc修正所述第一异常区域Rdwi，其中，修正后的第一异常区域Rdwi为初始的第一异常区域与所述第三异常区域的交集。
3.根据权利要求2所述的方法，其特征在于，所述依据所述正常脑组织区域内各像素点的灰度值，计算所述DWI序列对应的异常灰度值阈值，具体包括：
计算所述正常脑组织区域中各像素点对应的灰度均值Graymean和灰度标准差Graystd；
基于所述灰度均值Graymean和所述灰度标准差Graystd，确定所述DWI序列对应的异常灰度阈值，其中，所述异常灰度阈值为max(Graymean+2*Graystd,1.25*Graymean)。
4.根据权利要求2所述的方法，其特征在于，所述将所述第一异常区域Rdwi映射到所述检查对象的FLAIR序列中，确定所述FLAIR序列中的第二异常区域Rflair，具体包括：
通过互信息配准方法，对所述检查对象的FLAIR序列和所述DWI序列进行刚性配准，以得到所述FLAIR序列的脑组织区域；
将所述第一异常区域映射到配准后的所述FLAIR序列上，得到所述FLAIR序列对应的第二异常区域Rflair。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标分析区域Rnorm获得所述FLAIR序列对应的目标评价区域，具体包括：
绘制所述目标分析区域Rnorm对应的灰度直方图H(x,y)，其中，所述灰度直方图H(x,y)包括所述目标分析区域内各像素点对应的灰度直方，任一灰度直方用于表示各像素点的灰度值以及每个灰度值对应的像素点数量；
获取所述灰度直方图中各灰度直方对应的像素点数量峰值P0，并根据所述像素点数量峰值P0以及预设系数a计算所述灰度直方图对应的第一评价值，所述第一评价值＝a*P0；
绘制所述第一评价值对应的第一评价水平线L0，并获取与所述第一评价水平线L0相交且距离最近的两个灰度直方Xl和Xu，其中，Xl小于Xu，所述第一评价水平线L0为y＝a*P0；
将灰度值小于Xl的第一灰度直方进行线性拟合，得到第一参考水平线y＝P1，计算所述第一灰度直方的第一标准差S1，依据所述第一参考水平线和所述第一标准差S1绘制第二评价水平线L1，并获取第一灰度直方中与所述第二评价水平线L1相交的灰度直方T1，其中，所述第二评价水平线L1为y＝P1+2*S1；
将灰度值大于Xu的第二灰度直方进行线性拟合，得到第二参考水平线y＝P2，计算所述第二灰度直方的第二标准差S2，依据所述第二参考水平线和所述第二标准差S2绘制第三评价水平线L2，并获取第二灰度直方中与所述第三评价水平线L2相交的灰度直方Tu，其中，所述第三评价水平线L2为y＝P2+2*S2；
分割所述FLAIR序列中(T1，Tu)范围内的部分作为所述FLAIR序列对应的目标评价区域。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述DWI序列、所述ADC序列以及所述FLAIR序列各自对应于多层脑组织，所述目标评价区域包括每一层脑组织对应的目标评价区域；所述基于所述目标评价区域内全部像素点对应的灰度统计值以及所述第二异常区域Rflair中各像素点的灰度值，确定所述检查对象的脑卒中组织窗评价值，具体包括：
分别计算每层所述目标评价区域内全部像素点的灰度值中值V；
分别依据每层所述目标评价区域对应的灰度值V以及对应层的所述第二异常区域Rflair，计算每层所述第二异常区域Rflair内各像素点的组织窗评价值；
计算全部所述第二异常区域Rflair包含的全部像素点的组织窗评价值的均值，并将所述均值作为所述脑卒中组织窗评价值。
7.根据权利要求1所述的方法，其特征在于，所述ADC序列通过弥散梯度因子为0的第一DWI序列和弥散梯度因子为1000的第二DWI序列计算得到，所述ADC序列＝ln(第一DWI序列/第二DWI序列)/1000。
8.根据权利要求1所述的方法，其特征在于，所述确定所述检查对象的脑卒中组织窗评价值之后，所述方法还包括：
将所述脑卒中组织窗评价值输出至显示界面进行显示；和/或，
依据所述脑卒中组织窗评价值确定对应的DWI-FLAIR不匹配程度，并将所述DWI-FLAIR不匹配程度输出至显示界面进行显示。
9.一种脑卒中组织窗评价值的获取装置，其特征在于，包括：
第一区域确定模块，用于依据检查对象的DWI序列以及ADC序列，检测所述DWI序列对应的异常区域特征，并按所述异常区域特征分割出所述DWI序列中的第一异常区域Rdwi；
第二区域确定模块，用于将所述第一异常区域Rdwi映射到所述检查对象的FLAIR序列中，确定所述FLAIR序列中的第二异常区域Rflair；
第三区域确定模块，用于将所述FLAIR序列的脑组织区域中除所述第二异常区域Rflair以外的部分作为所述FLAIR序列对应的目标分析区域Rnorm，根据所述目标分析区域Rnorm获得所述FLAIR序列对应的目标评价区域；
评价值计算模块，用于基于所述目标评价区域内全部像素点对应的灰度统计值以及所述第二异常区域Rflair中各像素点的灰度值，确定所述检查对象的脑卒中组织窗评价值。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法。
11.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110744031.8A CN113538352B (zh) | 2021-06-30 | 2021-06-30 | 脑卒中组织窗评价值的获取方法及装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110744031.8A CN113538352B (zh) | 2021-06-30 | 2021-06-30 | 脑卒中组织窗评价值的获取方法及装置、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113538352A true CN113538352A (zh) | 2021-10-22 |
| CN113538352B CN113538352B (zh) | 2024-08-09 |
Family
ID=78126436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110744031.8A Active CN113538352B (zh) | 2021-06-30 | 2021-06-30 | 脑卒中组织窗评价值的获取方法及装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113538352B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330775A (zh) * | 2022-10-13 | 2022-11-11 | 佛山科学技术学院 | 一种脑卒中ct和mri影像征象定量评估方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001056466A2 (en) * | 2000-02-02 | 2001-08-09 | The General Hospital Corporation | Method for evaluating novel stroke treatments using a tissue risk map |
| CN101596109A (zh) * | 2009-06-12 | 2009-12-09 | 深圳先进技术研究院 | 获取脑部特征参数的方法、系统及溶栓指征生成系统与方法 |
| CN108122221A (zh) * | 2016-11-29 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
| KR102020157B1 (ko) * | 2018-11-12 | 2019-11-04 | 사회복지법인 삼성생명공익재단 | Flair 기반 병변 검출과 현황 파악 방법 및 시스템 |
| CN111407277A (zh) * | 2020-03-06 | 2020-07-14 | 中国科学院武汉物理与数学研究所 | 一种急性缺血性脑卒中磁共振灌注-弥散影像配准方法 |
| CN111803103A (zh) * | 2020-07-20 | 2020-10-23 | 上海市第六人民医院 | 一种脑卒中发病时间检测装置及脑卒中治疗系统 |
| CN112263232A (zh) * | 2020-10-26 | 2021-01-26 | 中国人民解放军总医院第一医学中心 | 多模态磁共振成像的脑部dwi高亮信号区定量分析方法 |
-
2021
- 2021-06-30 CN CN202110744031.8A patent/CN113538352B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001056466A2 (en) * | 2000-02-02 | 2001-08-09 | The General Hospital Corporation | Method for evaluating novel stroke treatments using a tissue risk map |
| CN101596109A (zh) * | 2009-06-12 | 2009-12-09 | 深圳先进技术研究院 | 获取脑部特征参数的方法、系统及溶栓指征生成系统与方法 |
| CN108122221A (zh) * | 2016-11-29 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
| KR102020157B1 (ko) * | 2018-11-12 | 2019-11-04 | 사회복지법인 삼성생명공익재단 | Flair 기반 병변 검출과 현황 파악 방법 및 시스템 |
| CN111407277A (zh) * | 2020-03-06 | 2020-07-14 | 中国科学院武汉物理与数学研究所 | 一种急性缺血性脑卒中磁共振灌注-弥散影像配准方法 |
| CN111803103A (zh) * | 2020-07-20 | 2020-10-23 | 上海市第六人民医院 | 一种脑卒中发病时间检测装置及脑卒中治疗系统 |
| CN112263232A (zh) * | 2020-10-26 | 2021-01-26 | 中国人民解放军总医院第一医学中心 | 多模态磁共振成像的脑部dwi高亮信号区定量分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| BENZAKOUN JOSEPH 等: "Tissue outcome prediction in hyperacute ischemic stroke: Comparison of machine learning models", 《JOURNAL OF CEREBRAL BLOOD FLOW AND METABOLISM : OFFICIAL JOURNAL OF THE INTERNATIONAL SOCIETY OF CEREBRAL BLOOD FLOW AND METABOLISM》, vol. 41, no. 11, 23 June 2021 (2021-06-23), pages 3085 - 3096 * |
| 张晓祥 等: "CT图像纹理分析急性缺血性脑梗死的应用价值", 《影像研究与医学应用》, vol. 3, no. 22, 15 November 2019 (2019-11-15), pages 17 - 20 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330775A (zh) * | 2022-10-13 | 2022-11-11 | 佛山科学技术学院 | 一种脑卒中ct和mri影像征象定量评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113538352B (zh) | 2024-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829942B (zh) | 一种眼底图像视网膜血管管径自动量化方法 | |
| CN111047591A (zh) | 基于深度学习的病灶体积测量方法、系统、终端及存储介质 | |
| JP5931418B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
| US9811904B2 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
| CN108272434A (zh) | 对眼底图像进行处理的方法及装置 | |
| TWI788629B (zh) | 圖像處理方法、裝置及系統、電子設備及電腦可讀儲存媒體 | |
| Turco et al. | Reliability of total renal volume computation in polycystic kidney disease from magnetic resonance imaging | |
| CN110785123B (zh) | 采用改进的数据处理技术对组织异常进行体素内不相干运动mri三维定量检测 | |
| CN113538352A (zh) | 脑卒中组织窗评价值的获取方法及装置、存储介质 | |
| Sveric et al. | Improved assessment of left ventricular ejection fraction using artificial intelligence in echocardiography: A comparative analysis with cardiac magnetic resonance imaging | |
| KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
| Benameur et al. | Left ventricular MRI wall motion assessment by monogenic signal amplitude image computation | |
| CN109767468B (zh) | 脏器体积检测方法及装置 | |
| CN117017347A (zh) | 超声设备的图像处理方法、系统及超声设备 | |
| Mwawado et al. | Robust edge detection method for the segmentation of diabetic foot ulcer images | |
| US20220398720A1 (en) | Diagnostic support program | |
| CN117059263B (zh) | 基于双视图胸片的肺动脉高压发生概率的确定方法及系统 | |
| CN118229555B (zh) | 一种图像融合方法、装置、设备及计算机可读存储介质 | |
| CN113674248B (zh) | 磁共振酰胺质子转移成像磁化转移率检测方法及相关设备 | |
| CN115578285B (zh) | 一种乳腺钼靶图像细节增强方法及系统 | |
| CN116152253B (zh) | 心脏磁共振mapping量化方法、系统和存储介质 | |
| CN116309662B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN118229538B (zh) | 一种骨质量ct影像智能增强方法 | |
| Ding et al. | Quantification of multiple sclerosis lesion load and brain tissue volumetry using multiparameter MRI: methodology and reproducibility | |
| RU178086U1 (ru) | Автоматизированное устройство для диагностики заболеваний сердца |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240305 Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd. Country or region after: China Address before: 110167 room 336, No. 177-1, Chuangxin Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: Shenyang advanced medical equipment Technology Incubation Center Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |