CN113593678B - 基于血管影像补全的脑卒中分型方法及装置 - Google Patents

基于血管影像补全的脑卒中分型方法及装置 Download PDF

Info

Publication number
CN113593678B
CN113593678B CN202110886054.2A CN202110886054A CN113593678B CN 113593678 B CN113593678 B CN 113593678B CN 202110886054 A CN202110886054 A CN 202110886054A CN 113593678 B CN113593678 B CN 113593678B
Authority
CN
China
Prior art keywords
blood vessel
vessel
segmentation
image
result
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.)
Active
Application number
CN202110886054.2A
Other languages
English (en)
Other versions
CN113593678A (zh
Inventor
付鹤
吴振洲
代双凤
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.)
Beijing Ande Yizhi Technology Co ltd
Original Assignee
Beijing Ande Yizhi 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 Beijing Ande Yizhi Technology Co ltd filed Critical Beijing Ande Yizhi Technology Co ltd
Priority to CN202110886054.2A priority Critical patent/CN113593678B/zh
Publication of CN113593678A publication Critical patent/CN113593678A/zh
Application granted granted Critical
Publication of CN113593678B publication Critical patent/CN113593678B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本公开涉及一种基于血管影像补全的脑卒中分型方法及装置，所述方法包括：对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息；对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果；对所述血管重建结果进行血管断裂状态检测，得到待补全中断点；在所述待补全中断点处进行血管补全，得到补全后的血管重建结果；根据所述补全后的血管重建结果，得到脑部血管病变信息；根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象的脑卒中分型结果。本公开实施例可以有效统计血管闭塞情况，在得到血管重建结果中存在血管断裂形态的情况下，自动将血管闭塞位置补全为正常贯通状态，以提高脑卒中分型结果识别的准确性、效率。

Description

基于血管影像补全的脑卒中分型方法及装置
技术领域
本公开涉及图像处理技术领域，尤其涉及一种基于血管影像补全的脑卒中分型方法及装置。
背景技术
目前缺血性卒中主要有两种分类方法：临床症状分型、病因分型。在对缺血性卒中分型判断时，基层医院由于医疗设备条件和医师团队力量等多方面的制约，依然在采用人工评判的方式进行血管狭窄程度和闭塞的诊断，而一般的自动分析软件或无法判断和处理闭塞的情况，或无法判断和处理闭塞，或无法完成狭窄程度的有效判断，因此对缺血性卒中的识别存在准确性低、效率低、不客观的问题。
发明内容
根据本公开的一方面，提供了一种基于血管影像补全的脑卒中分型方法，所述方法包括：对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息；对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果；对所述血管重建结果进行血管断裂状态检测，得到待补全中断点；在所述待补全中断点处进行血管补全，得到补全后的血管重建结果；根据所述补全后的血管重建结果，得到脑部血管病变信息；根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象的脑卒中分型结果。
在一种可能的实施方式中，所述对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息，包括：对所述第一目标图像进行图像分割，得到脑梗病灶的分割结果；对所述第一目标图像进行图谱分区，得到脑部的分区结果；根据所述脑梗病灶的分割结果和/或所述脑部的分区结果，确定所述脑梗病灶信息，其中，所述脑梗病灶信息包括脑梗病灶的数量、体积、累及特定分区的数量、在各个分区的体积和比例分布信息、脑梗模式信息的至少一种。
在一种可能的实施方式中，所述对所述第一目标图像进行图像分割，得到脑梗病灶的分割结果，包括：将所述第一目标图像输入训练好的图像分割模型，通过所述图像分割模型的输出结果得到所述脑梗病灶的分割结果。
在一种可能的实施方式中，所述对所述第一目标图像进行图谱分区，得到脑部的分区结果，包括：将所述第一目标图像输入训练好的图谱分区模型，通过所述图谱分区模型的输出结果得到所述脑部的分区结果。
在一种可能的实施方式中，所述图谱分区模型包括血供分区模型、结构分区模型、分水岭分区模型、皮层分区模型的至少一种。
在一种可能的实施方式中，所述对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果，包括：对所述第二目标图像进行图像分割，得到所述血管重建结果；
在一种可能的实施方式中，所述对所述血管重建结果进行血管断裂状态检测，得到待补全中断点，包括：对所述血管重建结果进行图像处理，检测所有血管断裂状态的位置，得到所述待补全中断点；
在一种可能的实施方式中，所述在所述待补全中断点处进行血管补全，得到补全后的血管重建结果，包括：在所述待补全中断点位置对所述血管重建结果进行图像切割，得到血管切割子图；利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全；
在一种可能的实施方式中，所述根据所述补全后的血管重建结果，得到脑部血管病变信息，包括：对所述补全后的血管重建结果进行血管分段，得到血管分段结果；对所述补全后的血管重建结果中的血管进行狭窄率计算，以确定血管信息；根据所述血管分段结果和/或所述血管信息，确定所述脑部血管病变信息，其中，所述脑部血管病变信息包括血管狭窄率、血管狭窄位置、血管闭塞病灶、血管闭塞位置的至少一种。
在一种可能的实施方式中，所述对所述第二目标图像进行图像分割，得到血管重建结果，包括：将所述第二目标图像输入训练好的血管分割模型，通过所述血管分割模型的输出结果得到所述血管重建结果。
在一种可能的实施方式中，所述对所述补全后的血管重建结果进行血管分段，得到血管分段结果，包括：将所述补全后的血管重建结果输入训练好的血管分段模型，通过所述血管分段模型的输出结果得到所述血管分段结果。
在一种可能的实施方式中，所述对所述血管重建结果进行图像处理，检测所有血管断裂状态的位置，得到所述待补全中断点，包括：提取所述血管重建结果中血管的中线，在所述血管的中线的端点中确定待补全中断点。
在一种可能的实施方式中，所述在所述血管的中线的端点中确定待补全中断点，包括：提取所述血管的中线的端点处的影像组学信息，输入训练好的端点分类模型，通过所述端点分类模型的输出结果确定所述待补全中断点，其中，所述端点分类模型通过端点分类训练数据进行训练，所述端点分类训练数据包括利用随机孔洞构造中断点模拟血管闭塞的血管中断分割图提取的影像组学信息；
在一种可能的实施方式中，所述利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全，包括：将所述血管切割子图及预设形状孔洞输入血管补全模型，利用所述血管补全模型的输出结果得到血管补全结果。
在一种可能的实施方式中，所述方法还包括：对训练图像进行图像分割，得到训练血管分割图；对所述训练血管分割图进行切割，得到多个血管分割子图；生成随机孔洞结合所述血管分割子图得到血管中断分割子图；将所述血管中断子图及所述血管分割子图输入初始血管补全模型，以所述血管分割子图作为标注数据对所述初始血管补全模型进行训练，其中，在模型训练时，利用血管分割子图及所述初始血管补全模型的输出之间的损失调整所述初始血管补全模型的模型参数；利用具有血管闭塞特征的验证图像得到的验证血管分割图及在闭塞位置生成的随机孔洞对所述血管补全模型进行优化，得到所述训练好的血管补全模型；其中，所述第二目标图像、所述训练图像及测试图像包括脑部的磁共振血管成像MRA图像或CT血管造影CTA图像，所述第一目标图像包括脑部的扩散加权成像DWI图像。
根据本公开的一方面，提供了一种基于血管影像补全的脑卒中分型装置，所述装置包括：第一处理模块，用于对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息；第二处理模块，用于对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果；第三处理模块，用于对所述血管重建结果进行血管断裂状态检测，确定待补全中断点；第四处理模块，用于在所述待补全中断点处进行血管补全，得到补全后的血管重建结果；第五处理模块，用于根据所述补全后的血管重建结果，得到脑部血管病变信息；分型模块，连接于所述第一处理模块及所述第五处理模块，用于根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象的脑卒中分型结果。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
本公开实施例可以对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息；对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果；对所述血管重建结果进行血管断裂状态检测，得到待补全中断点；在所述待补全中断点处进行血管补全，得到补全后的血管重建结果；根据所述补全后的血管重建结果，得到脑部血管病变信息；根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象的脑卒中分型结果，本公开实施例可以有效统计血管闭塞情况，在得到血管重建结果中存在血管断裂形态的情况下，自动将血管闭塞位置补全为正常贯通状态，以提高脑卒中分型结果识别的准确性、效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出了根据本公开一实施例的基于血管影像补全的脑卒中分型方法的流程图。
图2示出了根据本公开一实施例的图像分割示意图。
图3a、图3b、图3c、图3d分别示出了血供分区模型、结构分区模型、分水岭分区模型、皮层分区模型的分区示意图。
图4示出了根据本公开一实施例的血管重建示意图。
图5示出了根据本公开一实施例的血管分段示意图。
图6示出了根据本公开一实施例的血管补全模型的训练、测试、预测示意图。
图7示出了根据本公开一实施例的基于血管影像补全的脑卒中分型方法的处理流程示意图。
图8示出了根据本公开一实施例的基于血管影像补全的脑卒中分型装置的框图。
图9示出了根据本公开一实施例的一种电子设备的框图。
图10示出了根据本公开一实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在本公开的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。
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”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本公开中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开中的具体含义。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种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：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
结合背景技术的描述，相关技术方案中，临床医生对狭窄程度和闭塞的判断受个人主观因素、知识经验等多方面的影响，闭塞在影像上表现为断裂，通过抽取血管中线或血管追踪的方式计算狭窄率，在闭塞处中线中断或追踪结束，无法继续向后计算，即当闭塞存在时，相关技术在该位置的运算逻辑与在血管末梢的运算逻辑一致，即终止，因此无法区分闭塞断裂和血管末梢终止的差异，故而无法有效的统计血管闭塞情况，影响狭窄率的计算，且相关技术无法判断闭塞情况，无法实现狭窄程度的预测，或预测的准确率和稳定性较低，因此，相关技术方案在对缺血性卒中的识别存在准确性低、效率低、不客观的问题。
本公开实施例可以对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息；对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果；对所述血管重建结果进行血管断裂状态检测，得到待补全中断点；在所述待补全中断点处进行血管补全，得到补全后的血管重建结果；根据所述补全后的血管重建结果，得到脑部血管病变信息；根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象的脑卒中分型结果，本公开实施例可以有效统计血管闭塞情况，在得到血管重建结果中存在血管断裂形态的情况下，自动将血管闭塞位置补全为正常贯通状态，以提高脑卒中分型结果识别的准确性、效率。
图1示出了根据本公开一实施例的基于血管影像补全的脑卒中分型方法的流程图。
所述基于血管影像补全的脑卒中分型方法的执行主体可以是基于血管影像补全的脑卒中分型装置。例如，所述基于血管影像补全的脑卒中分型方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、手持设备、计算设备或者车载设备等，示例性的，一些终端的举例为：手机(Mobile Phone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(MobileInternetdevice，MID)、可穿戴设备，虚拟现实(Virtual Reality，VR)设备、增强现实(Augmentedreality，AR)设备、工业控制(Industrial Control)中的无线终端、无人驾驶(Selfdriving)中的无线终端、远程手术(Remote medical Surgery)中的无线终端、智能电网(Smart Grid)中的无线终端、运输安全(Transportation Safety)中的无线终端、智慧城市(Smart City)中的无线终端、智慧家庭(Smart Home)中的无线终端、车联网中的无线终端等。例如，服务器可以是本地服务器，也可以是云服务器。
在一些可能的实现方式中，所述基于血管影像补全的脑卒中分型方法可以通过处理组件调用存储器中存储的计算机可读指令的方式来实现。在一个示例中，处理组件包括但不限于单独的处理器，或者分立元器件，或者处理器与分立元器件的组合。所述处理器可以包括电子设备中具有执行指令功能的控制器，所述处理器可以按任何适当的方式实现，例如，被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现。在所述处理器内部，可以通过逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器等硬件电路执行所述可执行指令。如图1所示，所述基于血管影像补全的脑卒中分型方法包括步骤S11至步骤S16。
步骤S11，对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息；
步骤S12，对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果；
步骤S13，对所述血管重建结果进行血管断裂状态检测，得到待补全中断点；
步骤S14，在所述待补全中断点处进行血管补全，得到补全后的血管重建结果；
步骤S15，根据所述补全后的血管重建结果，得到脑部血管病变信息。
步骤S16，根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象的脑卒中分型结果。
在一个示例中，分型结果可以包括TOAST分型、CISS分型、病因、发病机制等。其中，临床症状分型主要是英国牛津郡社区卒中项目(Oxfordshire Community StrokeProject，OCSP)；病因分型主要是TOAST(Trial of Org 10172in Acute StrokeTreatment)分型和中国缺血性卒中亚型(Chinese Ischemic Stroke Subclassification,CISS)分型为代表的一系列分型系统。TOAST分型、缺血性卒中病因分类系统(CausativeClassification System,CCS)分型和CISS为代表的病因分型系统，主要是随着神经影像学的发展而出现逐步演变。既根据临床特征，又结合相关影像学检查结果进行判断，如CT/MRI、经胸超声心动图、颈部血管超声、脑血管造影，及实验室检查等。它包括五大类病因：大动脉粥样硬化性、心源性栓塞、小血管闭塞、其它病因、病因不明；但TOAST分型系统一个重要局限性就是病因不明亚型所占比例较高(40％左右)。中国缺血性卒中分型(CISS，2011年)更加重视了血管的病理生理损害，更加强调了斑块的易损性及斑块负担与疾病的关系，更重视了动脉粥样硬化的系统性损害，而不单单是只根据梗死面积就进行病因分类。缺血性卒中病因分类系统(Causative Classification System,CCS)分型包括大动脉粥样硬化、心脏–主动脉源性栓塞、小血管闭塞、其他病因和病因未明5类，病因未明型进一步分成隐源性栓塞、其他隐源性、评估不完全和不能分类4种类型，每种分型根据其证据的权重分成明确、很可能和可能3类。本公开实施例对具体的分型类型不做限定。
在一种可能的实施方式中，所述第二目标图像可以包括脑部的磁共振血管成像MRA图像或CT血管造影CTA图像，所述第一目标图像可以包括脑部的扩散加权成像DWI图像。本公开实施例的第一目标图像、第二目标图像可以从病例库中获得，病例库中存储有病例数据、影像数据。本公开实施例可以对病例库中的病例数据和影像数据进行质量监控，例如，可以根据预设方式对病例库中的数据进行数据处理，以去除重复数据、不可靠数据或其他不符合预设规范的数据，本公开实施例对数据处理的具体方式不做限定，本领域技术人员可以根据相关技术实现，通过对病例库中的数据进行实时监控及质量控制，可以确保获得的第一目标图像、第二目标图像的高质量及高完整性，可以使得分型判断顺利、高效开展。本公开实施例通过对脑部的扩散加权成像DWI图像进行图像处理，可以快速得到脑梗病灶信息，通过对脑部的磁共振血管成像MRA图像或CT血管造影CTA图像进行图像处理，可以快速得到血管重建结果。
在一种可能的实施方式中，步骤S11对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息，可以包括：对所述第一目标图像进行图像分割，得到脑梗病灶的分割结果；对所述第一目标图像进行图谱分区，得到脑部的分区结果；
根据所述脑梗病灶的分割结果和/或所述脑部的分区结果，确定所述脑梗病灶信息，其中，所述脑梗病灶信息包括病灶的数量、体积、累及特定分区的数量、在各个分区的体积和比例分布信息、脑梗模式信息等的至少一种。在一个示例中，脑梗模式信息例如可以包括分水岭梗死分区、累计分水岭的病灶数量、穿支动脉区孤立梗死分区、流域性梗死分区、皮层梗死、累及皮层的病灶数量等。
在一个示例中，病灶的分割可以是指将影像数据中的病灶标识出来，与正常的组织和器官进行区分。在一个示例中，图谱分区可以是指将影像中特定的位置标识出来，其分区逻辑可以是组织解剖学、血液灌溉范围、血管段落、某些特定的感兴趣区域等，使其与其他区域进行区分。在一个示例中，病灶的分类可以指将影像中的病灶的类别进行区分，如肿瘤的分类，当影像中存在肿瘤时，一般需要进一步区分出肿瘤的类别，如胶质瘤、星形细胞瘤等。本公开实施例利用深度学习技术，对医疗影像数据进行病灶的快速、准确分割和分类、图谱分区的分割、病灶的模式识别和分型等，对于辅助医生进行疾病诊断具有重要参考意义。
在一种可能的实施方式中，所述对所述第一目标图像进行图像分割，得到脑梗病灶的分割结果，可以包括：将所述第一目标图像输入训练好的图像分割模型，通过所述图像分割模型的输出结果得到所述脑梗病灶的分割结果。本公开实施例通过图像分割模型可以快速、准确地进行病灶分割，得到脑梗病灶的分割结果。
请参阅图2，图2示出了根据本公开一实施例的图像分割示意图。
在一个示例中，如图2所示，将所述第一目标图像输入训练好的图像分割模型，通过所述图像分割模型的输出结果可以快速分割脑梗病灶，从而提取病灶数量、体积、直径等信息。例如，所述图像分割模型可以基于RNN、LSTM、BiLSTM、GRU、TCN等网络结构得到。本公开实施例对图像分割模型的具体实现方式不做限定，本领域技术人员可以根据需要选择合适的机器学习模型(如深度学习神经网络)实现。在对图像分割模型进行训练时，本公开实施例可以将包括脑梗病灶的训练图像输入初始图像分割模型进行训练，还可以建立测试图像集以对图像分割模型进行训练，还可以建立验证图像集以对图像分割模型进行验证，以进一步提高图像分割模型的准确性。
在一种可能的实施方式中，所述对所述第一目标图像进行图谱分区，得到脑部的分区结果，可以包括：将所述第一目标图像输入训练好的图谱分区模型，通过所述图谱分区模型的输出结果得到所述脑部的分区结果，其中，所述图谱分区模型包括血供分区模型、结构分区模型、分水岭分区模型、皮层分区模型等的至少一种。本公开实施例利用图谱分区模型可以快速、准确地对脑梗病灶进行图谱分区，得到脑部的分区结果。
请参阅图3a、图3b、图3c、图3d，图3a、图3b、图3c、图3d分别示出了血供分区模型、结构分区模型、分水岭分区模型、皮层分区模型的分区示意图。
本公开实施例通过血供分区模型、结构分区模型、分水岭分区模型、皮层分区模型，可以快速实现脑梗病灶位置的图谱分割，从而计算出病灶在每个区域的体积和比例分布信息，并根据有关医学定义可得到其他有价值的模式信息，如分水岭梗死模式(是/否)，皮层脑梗模式(皮层/皮层下/混合)，是否存在脑干孤立梗死、基底节区孤立梗死、分水岭区孤立梗死、流域性梗死等信息。本公开实施例对分区模型的具体实现方式不做限定，本领域技术人员可以根据需要选择合适的机器学习模型(如深度学习神经网络)实现。本公开实施例对分区模型的具体类型及数量也不做限定，在其他的实现方式中，分区模型还可以包括其他。
在一种可能的实施方式中，步骤S12对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果，可以包括：对所述第二目标图像进行图像分割，得到所述血管重建结果。
在一种可能的实施方式中，所述对所述第二目标图像进行图像分割，得到血管重建结果，可以包括：将所述第二目标图像输入训练好的血管分割模型，通过所述血管分割模型的输出结果得到所述血管重建结果。
在一个示例中，血管分割模型可以基于RNN、LSTM、BiLSTM、GRU、TCN等网络结构得到。本公开实施例对血管分割模型的具体实现方式不做限定，本领域技术人员可以根据需要选择合适的机器学习模型(如深度学习神经网络)实现。在对血管分割模型进行训练时，本公开实施例可以将包括脑部血管的训练图像输入初始血管分割模型进行训练，还可以建立测试图像集以对血管分割模型进行训练，还可以建立验证图像集以对血管分割模型进行验证，以进一步提高血管分割模型的准确性。
请参阅图4，图4示出了根据本公开一实施例的血管重建示意图。
在一个示例中，如图4所示，本公开实施例通过对所述第二目标图像进行图像分割，可以快速地得到血管重建结果。
请参阅图5，图5示出了根据本公开一实施例的血管分段示意图。
在一个示例中，如图5所示，本公开实施例通过对所述血管重建结果中的血管进行分段，可以快速得到所述血管分段结果，如包括分段血管BLD1、分段血管BLD2等。
在一个示例中，在得到的血管重建结果中，一些血管可能存在断裂状态，例如，如图5所示，分段血管BLD3存在断裂状态，即存在血管闭塞，在这种情况下，相关技术无法完成连续中线的抽取，即无法准确进行血管病变信息的获得，因此，本公开实施例进行血管补全，以将血管修补成贯通状态，即可抽取连续中线并计算狭窄率从而统计血管狭窄程度和闭塞等信息，因此，本公开实施例在得到血管重建结果后，对所述血管重建结果进行血管断裂状态检测，得到待补全中断点，在所述待补全中断点处进行血管补全，得到补全后的血管重建结果，以解决血管存在闭塞时无法进行中线抽取获取准确的血管病变信息的技术问题。
在一种可能的实施方式中，步骤S13对所述血管重建结果进行血管断裂状态检测，得到待补全中断点，包括：对所述血管重建结果进行图像处理，检测所有血管断裂状态的位置，得到所述待补全中断点。
在一种可能的实施方式中，步骤S14在所述待补全中断点处进行血管补全，得到补全后的血管重建结果，包括：在所述待补全中断点位置对所述血管重建结果进行图像切割，得到血管切割子图；利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全。
在一种可能的实施方式中，步骤S15根据所述补全后的血管重建结果，得到脑部血管病变信息，可以包括：
对所述补全后的血管重建结果进行血管分段，得到血管分段结果；
对所述补全后的血管重建结果中的血管进行狭窄率计算，以确定血管信息；
根据所述血管分段结果和/或所述血管信息，确定所述脑部血管病变信息，其中，所述脑部血管病变信息包括血管狭窄率、血管狭窄位置、血管闭塞病灶、血管闭塞位置的至少一种。
在一种可能的实施方式中，所述对补全后血管重建结果进行血管分段，得到血管分段结果，包括：将补全后的血管分割结果输入训练好的血管分段模型，通过所述血管分段模型的输出结果得到所述血管分段结果。
在一个示例中，血管分段模型可以基于RNN、LSTM、BiLSTM、GRU、TCN等网络结构得到。本公开实施例对血管分段模型的具体实现方式不做限定，本领域技术人员可以根据需要选择合适的机器学习模型(如深度学习神经网络)实现。在对血管分段模型进行训练时，本公开实施例可以将包括脑部血管的训练图像输入初始血管分段模型进行训练，还可以建立测试图像集以对血管分段模型进行训练，还可以建立验证图像集以对血管分段模型进行验证，以进一步提高血管分段模型的准确性。
在一种可能的实施方式中，所述对所述血管重建结果进行图像处理，检测所有血管断裂状态的位置，得到所述待补全中断点，可以包括：提取所述血管重建结果中血管的中线，在所述血管的中线的端点中确定待补全中断点。
通过以上方法，本公开实施例可以在多个血管的中线的端点中确定待补全中断点，在所述血管分割图上所述待补全中断点位置对所述血管重建结果进行图像切割，得到血管切割子图，利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行快速、准确血管补全，以贯通断裂的闭塞血管。
在一种可能的实施方式中，所述在多个分段血管的中线的端点中确定待补全中断点，包括：提取所述血管的中线的端点处的影像组学信息，输入训练好的端点分类模型，通过所述端点分类模型的输出结果确定所述待补全中断点，其中，所述端点分类模型通过端点分类训练数据进行训练，所述端点分类训练数据包括利用随机孔洞构造中断点模拟血管闭塞的血管中断分割图提取的影像组学信息。
在一个示例中，MRA/CTA影像(第二目标图像)通过血管分割模型生成血管分割图，在此基础上执行基于骨架化的中线算法抽取血管中线，对于一条不存在闭塞的血管，统计的所有中线端点均为血管的起始(如颈动脉起始)或末梢(毛细血管末端)位置，而非闭塞中断位置。在血管分割图上选取一部分随机位置，通过随机线、圆、椭圆(第二目标图像)的组合生成一些随机孔洞，这些孔洞将会造成血管的断裂，即人工构造的血管闭塞，形成血管中断分割图，此时中线上增加的端点即为人工构造的闭塞中断点，以端点和中断点位置在血管中断分割图上分别提取影像组学信息，并构建一个基于决策树的端点分类模型，如随机森林、xgboost等，实现端点的分类，即可从所有端点中区分出可疑的数个中断点，该端点分类模型在测试或应用场景中承担补全位置锚定功能。
在一种可能的实施方式中，所述利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全，包括：
将所述血管切割子图及预设形状孔洞输入血管补全模型，利用所述血管补全模型的输出结果得到血管补全结果。
在一个示例中，本公开实施例在MRA/CTA图像的血管分割图上进行中线的提取，统计中线的端点，并通过上述端点分类模型进行补全位置(补全中断点)的锚定，即判断每个端点是否为可疑的补全位置，定位到所有可疑的闭塞中断点(示例性的，可以通过模型剔除大量血管末梢的端点，避免不必要的补全流程)，在血管分割图上每个可疑中断点位置切割指定尺寸的血管分割子图，并构建圆形的孔洞(训练时使用复杂形状孔洞，预测时使用简单形状孔洞)，通过血管补全模型进行血管的补全。
在一种可能的实施方式中，所述方法还可以包括：
对训练图像进行图像分割，得到训练血管分割图；
对所述训练血管分割图进行切割，得到多个血管分割子图；
生成随机孔洞结合所述血管分割子图得到血管中断分割子图；
将所述血管中断子图及所述血管分割子图输入初始血管补全模型，以所述血管分割子图作为标注数据对所述初始血管补全模型进行训练，其中，在模型训练时，利用血管分割子图及所述初始血管补全模型的输出之间的损失调整所述初始血管补全模型的模型参数；
利用具有血管闭塞特征的验证图像得到的验证血管分割图及在闭塞位置生成的随机孔洞对血管补全模型进行优化，得到所述训练好的血管补全模型；
其中，所述训练图像及测试图像包括脑部的磁共振血管成像MRA图像或CT血管造影CTA图像。
下面对血管补全模型的可能实现方式进行示例性介绍。
请参阅图6，图6示出了根据本公开一实施例的血管补全模型的训练、测试、预测示意图。
在一个示例中，如图6所示，MRA/CTA影像(第二目标图像)通过血管分割模型生成血管分割图，如果图像尺寸较大，可以采用数据切割的方式将图像滑动切割为大量指定尺寸(如64*64*64)的血管分割子图，配合由随机线、圆、椭圆等图形的组合生成的随机孔洞，通过二者的“与”运算或其他运算可以生成血管中断分割子图，将血管中断分割子图与随机孔洞图输入初始的血管补全模型，并以血管分割子图作为groundtruth(标注数据)进行血管补全模型的训练。在训练后期，可以采用真实的血管闭塞数据，配合闭塞位置随机生成的孔洞，进行模型的调优，使其在人工构造和真实的血管闭塞数据上都达到更好的补全效果。
在一个示例中，血管补全模型可以采用PConv(Partial Convolutions，部分卷积)作为骨干网络，并引入一个基于VGG(Visual Geometry Group Network，视觉几何群网络)网络的分类预训练模型作为特征提取器，该VGG网络和本任务网络的训练数据均为MR数据，比自然影像VGG更优的效果，可以将一般PConv升级为3D版本，同时VGG也升级为3D版本，以提高血管补全的准确性。当然，血管补全模型也可以采用其他方式实现。
在一个示例中，血管补全模型的编码阶段可以采用3*3*3的3D卷积核，进行实例归一化并采用带泄露的修正线性单元进行修正，步长设定为2，实现下采样，并且特征图的数量随下采样的次数翻倍。
在一个示例中，解码阶段的上采样可以采用最近邻上采样方式，这种采样方式不需要训练，减少网络的训练参数，具有更好的鲁棒性和速度。并可以与编码阶段进行同级级联，将二者的卷积结果拼接起来，以在多分辨率下进行区域性质分析。
在一个示例中，如果血管分割子图的尺寸设定在64*64*64，故网络深度设定为5，过大的深度会导致参数的指数级递增，对于算力的要求过大，因此，本公开实施例根据血管分割子图的具体尺寸设置网络深度，可以降低算力要求，并增加环境适应性和灵活性。
在一个示例中，可以采用复合损失函数定义网络损失，需要涉及到如下几个方面：
孔洞损失Lhole：孔洞处补全内容与真实内容之间的损失，其中，孔洞损失可以表示为：Lhole＝‖(1-M)⊙(Ipred-Itrue)‖1。；
特征损失Lfeature：VGG网络的最后3个池化层作提取特征ψn，对补全结果与真实数据分别进行特征提取，计算二者之间的特征损失，其中，特征损失表示为：
Figure BDA0003194234090000111
Figure BDA0003194234090000112
风格损失Lstyle：特征损失计算过程中增加格拉姆矩阵G，可度量补全结果与真实数据之间图像风格的差异，其中，风格损失表示为：
Figure BDA0003194234090000113
平滑损失Ltv：该损失是一种正则项，可以平滑图像、去除鬼影、消除噪声等作用，其中，平滑损失表示为：
Figure BDA0003194234090000114
Figure BDA0003194234090000115
在一个示例中，总的损失可以通过孔洞损失Lhole、特征损失Lfeature、风格损失Lstyle、平滑损失Ltv的加权和得到，可以表示为：Ltotal＝a*Lhole+b*Lfeature+c*Lstyle+d*Ltv，其中，a、b、c、d等权值可以根据需要设置，本公开实施例不做限定。
在一个示例中，在将血管中断分割图和随机孔洞输入到血管补全模型时，血管补全模型可以输出血管补全图，即补全的血管分割子图可以表示为：
Ipred＝Itrue⊙M+Iout⊙(1-M)，
其中，M表示随机孔洞图，1-M表示非孔洞区域，Itrue表示血管分割子图，Iout表示初步补全结果图，Ipred表示将孔洞位置处的初步补全结果填充到血管分割子图的结果。
在一种可能的实施方式中，在通过以上方法在所述待补全中断点处进行血管补全，得到补全后的血管重建结果的情况下，步骤S15可以根据所述补全后的血管重建结果，得到脑部血管病变信息。
在一种可能的实施方式中，步骤S15可以根据所述补全后的血管重建结果，得到脑部血管病变信息，可以包括：
对所述补全后的血管重建结果进行血管分段，得到血管分段结果；
对所述补全后的血管重建结果中的血管进行狭窄率计算，以确定血管信息；
根据所述血管分段结果和/或所述血管信息，确定所述脑部血管病变信息，其中，所述脑部血管病变信息包括血管狭窄率、血管狭窄位置、血管闭塞病灶、血管闭塞位置等的至少一种。本公开实施例自动将血管闭塞位置补全为正常贯通状态，在补全的基础上抽取完整中线，并通过该中线在血管图上计算狭窄率来计算血管狭窄程度和闭塞情况，以准确、快速地确定血管狭窄程度、闭塞情况等血管信息。
本公开实施例对步骤S16根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象脑部的脑卒中分型结果的具体实现方式不做限定，本领域技术人员可以根据需要实现，示例性的，可以将所述脑梗病灶信息及所述脑部血管病变信息输入到训练好的分型模型，利用分型模型的输出结果得到所述对象脑部的脑卒中分型结果，对于分型模型的具体类型本公开实施不做限定，分型模型可以是各种机器学习模型，例如可以是基于决策树得到的模型。
本公开实施例在步骤S16根据所述脑梗病灶信息及所述脑部血管信息，得到所述对象脑部的脑卒中分型结果之后，还可以根据脑卒中分型结果输出治疗方案、治疗建议，并输出建议的证据来源。
下面对本公开实施例的基于血管影像补全的脑卒中分型进行示例性介绍。
请参阅图7，图7示出了根据本公开一实施例的基于血管影像补全的脑卒中分型方法的处理流程示意图。
在一个示例中，如图7所示，本公开实施例可以根据病灶分割模型对DWI影像(第一目标图像)进行图像分割，得到脑梗病灶的分割结果，利用血供分区模型、结构分区模型、分水岭分区模型、皮层分区模型等分区模型对第一目标图像进行图谱分区，得到脑梗病灶的分区结果，并根据所述脑梗病灶的分割结果和/或所述分区结果，确定所述脑梗病灶信息，示例性的，病灶模式基于病灶分割、分类及图谱分区的结果，分析病灶的数量、体积、位置等信息，可以进行病灶累及特定分区的体积/占比的计算，对病灶区域进行精细分类的处理过程。比如在某些疾病的诊断过程中，其数量和体积可能是一项重要信息，其所在的位置也可能是另一项极其关键的指标，这些按照其特定的特点进行的分类即可称为病灶的模式。同一个病灶在不同的评价标准下，可能会同时属于多种模式类型，这主要是由于医学的复杂性所决定的，比如某个脑梗病灶既可以是分水岭脑梗，也可以同时是流域性脑梗，甚至还可以同时是皮层下脑梗等多个模式类型。
在一个示例中，如图7所示，同步的或异步的，本公开是合理可以将MRA/CTA影像输入到血管分割模型进行血管分割，得到血管重建结果，对所述血管重建结果进行血管断裂状态检测，若发现一些血管存在断裂状态，则利用血管补全模型对断裂(闭塞)的血管进行血管补全操作，以贯通断裂血管，具体的，可以利用端点分类模型在多个分段血管的中线的端点中确定待补全中断点，利用血管补全模型在所述待补全中断点位置对所述血管分割图进行图像切割，得到血管切割子图，利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全。
在完成血管补全后，可以将补全后的血管重建结果输入到血管分段模型，对所述血管分割结果中的血管进行分段，得到所述血管分段结果，对所述补全后的血管重建结果利用中线算法抽取血管中线，并结合狭窄率算法进行狭窄率计算，以确定血管信息，根据所述血管分段结果和/或所述血管信息，确定所述脑部血管病变信息。
在一个示例中，如图7所示，在得到所述脑梗病灶信息及所述脑部血管病变信息的情况下，可以将所述脑梗病灶信息及所述脑部血管信息输入到训练好的分型模型，利用分型模型的输出结果得到所述对象脑部的脑卒中分型结果。
本公开实施例将深度学习技术与临床医学相结合，通过深度学习技术将临床需要的影像变量精准的提取出来，高效、精准且适应于不同质量的影像，将深度学习和临床医学的优点集于一身，保持了医生诊断的规范和标准，解决了深度学习可解释性差的缺点，并且通过规范化、标准化的急性缺血性卒中病因分型，为二级预防治疗决策提供参考，从而有助于改善患者预后，降低卒中复发等。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
请参阅图8，图8示出了根据本公开一实施例的基于血管影像补全的脑卒中分型装置的框图。
如图8所示，所述装置包括：第一处理模块10，用于对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息；第二处理模块20，用于对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果；第三处理模块30，用于对所述血管重建结果进行血管断裂状态检测，确定待补全中断点；第四处理模块40，用于在所述待补全中断点处进行血管补全，得到补全后的血管重建结果；第五处理模块50，用于根据所述补全后的血管重建结果，得到脑部血管病变信息；分型模块60，连接于所述第一处理模块10及所述第五处理模块50，用于根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象的脑卒中分型结果。
本公开实施例可以对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息；对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果；对所述血管重建结果进行血管断裂状态检测，得到待补全中断点；在所述待补全中断点处进行血管补全，得到补全后的血管重建结果；根据所述补全后的血管重建结果，得到脑部血管病变信息；根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象的脑卒中分型结果，本公开实施例可以有效统计血管闭塞情况，在得到血管重建结果中存在血管断裂形态的情况下，自动将血管闭塞位置补全为正常贯通状态，以提高脑卒中分型结果识别的准确性、效率。
在一种可能的实施方式中，所述对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息，包括：对所述第一目标图像进行图像分割，得到脑梗病灶的分割结果；对所述第一目标图像进行图谱分区，得到脑部的分区结果；根据所述脑梗病灶的分割结果和/或所述脑部的分区结果，确定所述脑梗病灶信息，其中，所述脑梗病灶信息包括脑梗病灶的数量、体积、累及特定分区的数量、在各个分区的体积和比例分布信息、脑梗模式信息的至少一种。
在一种可能的实施方式中，所述对所述第一目标图像进行图像分割，得到脑梗病灶的分割结果，包括：将所述第一目标图像输入训练好的图像分割模型，通过所述图像分割模型的输出结果得到所述脑梗病灶的分割结果。
在一种可能的实施方式中，所述对所述第一目标图像进行图谱分区，得到脑部的分区结果，包括：将所述第一目标图像输入训练好的图谱分区模型，通过所述图谱分区模型的输出结果得到所述脑部的分区结果。
在一种可能的实施方式中，所述图谱分区模型包括血供分区模型、结构分区模型、分水岭分区模型、皮层分区模型的至少一种。
在一种可能的实施方式中，所述对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果，包括：对所述第二目标图像进行图像分割，得到所述血管重建结果；
在一种可能的实施方式中，所述对所述血管重建结果进行血管断裂状态检测，得到待补全中断点，包括：对所述血管重建结果进行图像处理，检测所有血管断裂状态的位置，得到所述待补全中断点；
在一种可能的实施方式中，所述在所述待补全中断点处进行血管补全，得到补全后的血管重建结果，包括：在所述待补全中断点位置对所述血管重建结果进行图像切割，得到血管切割子图；利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全；
在一种可能的实施方式中，所述根据所述补全后的血管重建结果，得到脑部血管病变信息，包括：对所述补全后的血管重建结果进行血管分段，得到血管分段结果；对所述补全后的血管重建结果中的血管进行狭窄率计算，以确定血管信息；根据所述血管分段结果和/或所述血管信息，确定所述脑部血管病变信息，其中，所述脑部血管病变信息包括血管狭窄率、血管狭窄位置、血管闭塞病灶、血管闭塞位置的至少一种。
在一种可能的实施方式中，所述对所述第二目标图像进行图像分割，得到血管重建结果，包括：将所述第二目标图像输入训练好的血管分割模型，通过所述血管分割模型的输出结果得到所述血管重建结果。
在一种可能的实施方式中，所述对所述补全后的血管重建结果进行血管分段，得到血管分段结果，包括：将所述补全后的血管重建结果输入训练好的血管分段模型，通过所述血管分段模型的输出结果得到所述血管分段结果。
在一种可能的实施方式中，所述对所述血管重建结果进行图像处理，检测所有血管断裂状态的位置，得到所述待补全中断点，包括：提取所述血管重建结果中血管的中线，在所述血管的中线的端点中确定待补全中断点；
在一种可能的实施方式中，所述在所述待补全中断点处进行血管补全，包括：在所述待补全中断点位置对所述血管重建结果进行图像切割，得到血管切割子图；利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全。
在一种可能的实施方式中，所述在所述血管的中线的端点中确定待补全中断点，包括：提取所述血管的中线的端点处的影像组学信息，输入训练好的端点分类模型，通过所述端点分类模型的输出结果确定所述待补全中断点，其中，所述端点分类模型通过端点分类训练数据进行训练，所述端点分类训练数据包括利用随机孔洞构造中断点模拟血管闭塞的血管中断分割图提取的影像组学信息；
在一种可能的实施方式中，所述利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全，包括：将所述血管切割子图及预设形状孔洞输入血管补全模型，利用所述血管补全模型的输出结果得到血管补全结果。
在一种可能的实施方式中，所述装置还包括训练模块，用于：对训练图像进行图像分割，得到训练血管分割图；对所述训练血管分割图进行切割，得到多个血管分割子图；生成随机孔洞结合所述血管分割子图得到血管中断分割子图；将所述血管中断子图及所述血管分割子图输入初始血管补全模型，以所述血管分割子图作为标注数据对所述初始血管补全模型进行训练，其中，在模型训练时，利用血管分割子图及所述初始血管补全模型的输出之间的损失调整所述初始血管补全模型的模型参数；利用具有血管闭塞特征的验证图像得到的验证血管分割图及在闭塞位置生成的随机孔洞对所述血管补全模型进行优化，得到所述训练好的血管补全模型；其中，所述第二目标图像、所述训练图像及测试图像包括脑部的磁共振血管成像MRA图像或CT血管造影CTA图像，所述第一目标图像包括脑部的扩散加权成像DWI图像。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
请参阅图9，图9示出了根据本公开一实施例的一种电子设备的框图。
例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图9，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
请参阅图10，图10示出了根据本公开一实施例的一种电子设备的框图。
例如，电子设备1900可以被提供为一服务器。参照图10，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于血管影像补全的脑卒中分型方法，其特征在于，所述方法包括：
对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息；
对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果，包括：对所述第二目标图像进行图像分割，得到所述血管重建结果；
对所述血管重建结果进行血管断裂状态检测，得到待补全中断点，包括：对所述血管重建结果进行图像处理，检测所有血管断裂状态的位置，得到所述待补全中断点；
在所述待补全中断点处进行血管补全，得到补全后的血管重建结果，包括：在所述待补全中断点位置对所述血管重建结果进行图像切割，得到血管切割子图；利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全；
根据所述补全后的血管重建结果，得到脑部血管病变信息，包括：对所述补全后的血管重建结果进行血管分段，得到血管分段结果；对所述补全后的血管重建结果中的血管进行狭窄率计算，以确定血管信息；根据所述血管分段结果和/或所述血管信息，确定所述脑部血管病变信息；
根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象的脑卒中分型结果。
2.根据权利要求1所述的方法，其特征在于，所述对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息，包括：
对所述第一目标图像进行图像分割，得到脑梗病灶的分割结果；
对所述第一目标图像进行图谱分区，得到脑部的分区结果；
根据所述脑梗病灶的分割结果和/或所述脑部的分区结果，确定所述脑梗病灶信息，其中，所述脑梗病灶信息包括脑梗病灶的数量、体积、累及特定分区的数量、在各个分区的体积和比例分布信息、脑梗模式信息的至少一种。
3.根据权利要求2所述的方法，其特征在于，
所述对所述第一目标图像进行图像分割，得到脑梗病灶的分割结果，包括：将所述第一目标图像输入训练好的图像分割模型，通过所述图像分割模型的输出结果得到所述脑梗病灶的分割结果；
所述对所述第一目标图像进行图谱分区，得到脑部的分区结果，包括：将所述第一目标图像输入训练好的图谱分区模型，通过所述图谱分区模型的输出结果得到所述脑部的分区结果，
其中，所述图谱分区模型包括血供分区模型、结构分区模型、分水岭分区模型、皮层分区模型的至少一种。
4.根据权利要求1所述的方法，其特征在于，所述脑部血管病变信息包括血管狭窄率、血管狭窄位置、血管闭塞病灶、血管闭塞位置的至少一种。
5.根据权利要求4所述的方法，其特征在于，所述对所述第二目标图像进行图像分割，得到血管重建结果，包括：
将所述第二目标图像输入训练好的血管分割模型，通过所述血管分割模型的输出结果得到所述血管重建结果。
6.根据权利要求4所述的方法，其特征在于，所述对所述补全后的血管重建结果进行血管分段，得到血管分段结果，包括：
将所述补全后的血管重建结果输入训练好的血管分段模型，通过所述血管分段模型的输出结果得到所述血管分段结果。
7.根据权利要求4所述的方法，其特征在于，
所述对所述血管重建结果进行图像处理，检测所有血管断裂状态的位置，得到所述待补全中断点，包括：提取所述血管重建结果中血管的中线，在所述血管的中线的端点中确定待补全中断点。
8.根据权利要求7所述的方法，其特征在于，
所述在所述血管的中线的端点中确定待补全中断点，包括：提取所述血管的中线的端点处的影像组学信息，输入训练好的端点分类模型，通过所述端点分类模型的输出结果确定所述待补全中断点，其中，所述端点分类模型通过端点分类训练数据进行训练，所述端点分类训练数据包括利用随机孔洞构造中断点模拟血管闭塞的血管中断分割图提取的影像组学信息；
所述利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全，包括：将所述血管切割子图及预设形状孔洞输入血管补全模型，利用所述血管补全模型的输出结果得到血管补全结果。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
对训练图像进行图像分割，得到训练血管分割图；
对所述训练血管分割图进行切割，得到多个血管分割子图；
生成随机孔洞结合所述血管分割子图得到血管中断分割子图；
将所述血管中断子图及所述血管分割子图输入初始血管补全模型，以所述血管分割子图作为标注数据对所述初始血管补全模型进行训练，其中，在模型训练时，利用血管分割子图及所述初始血管补全模型的输出之间的损失调整所述初始血管补全模型的模型参数；
利用具有血管闭塞特征的验证图像得到的验证血管分割图及在闭塞位置生成的随机孔洞对所述血管补全模型进行优化，得到所述训练好的血管补全模型；
其中，所述第二目标图像、所述训练图像及测试图像包括脑部的磁共振血管成像MRA图像或CT血管造影CTA图像，所述第一目标图像包括脑部的扩散加权成像DWI图像。
10.一种基于血管影像补全的脑卒中分型装置，其特征在于，所述装置包括：
第一处理模块，用于对对象脑部的第一目标图像进行图像处理，得到脑梗病灶信息；
第二处理模块，用于对所述对象脑部的第二目标图像进行图像处理，得到血管重建结果，包括：对所述第二目标图像进行图像分割，得到所述血管重建结果；
第三处理模块，用于对所述血管重建结果进行血管断裂状态检测，确定待补全中断点，包括：对所述血管重建结果进行图像处理，检测所有血管断裂状态的位置，得到所述待补全中断点；
第四处理模块，用于在所述待补全中断点处进行血管补全，得到补全后的血管重建结果，包括：在所述待补全中断点位置对所述血管重建结果进行图像切割，得到血管切割子图；利用所述血管切割子图及预设形状孔洞对所述待补全中断点进行血管补全；
第五处理模块，用于根据所述补全后的血管重建结果，得到脑部血管病变信息，包括：对所述补全后的血管重建结果进行血管分段，得到血管分段结果；对所述补全后的血管重建结果中的血管进行狭窄率计算，以确定血管信息；根据所述血管分段结果和/或所述血管信息，确定所述脑部血管病变信息；
分型模块，连接于所述第一处理模块及所述第五处理模块，用于根据所述脑梗病灶信息及所述脑部血管病变信息，得到所述对象的脑卒中分型结果。
CN202110886054.2A 2021-08-03 2021-08-03 基于血管影像补全的脑卒中分型方法及装置 Active CN113593678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110886054.2A CN113593678B (zh) 2021-08-03 2021-08-03 基于血管影像补全的脑卒中分型方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110886054.2A CN113593678B (zh) 2021-08-03 2021-08-03 基于血管影像补全的脑卒中分型方法及装置

Publications (2)

Publication Number Publication Date
CN113593678A CN113593678A (zh) 2021-11-02
CN113593678B true CN113593678B (zh) 2022-06-10

Family

ID=78254340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110886054.2A Active CN113593678B (zh) 2021-08-03 2021-08-03 基于血管影像补全的脑卒中分型方法及装置

Country Status (1)

Country Link
CN (1) CN113593678B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8086011B2 (en) * 2007-10-31 2011-12-27 Siemens Medical Solutions Usa, Inc. Reconstructing a tomographic image
CN107145756A (zh) * 2017-05-17 2017-09-08 上海辉明软件有限公司 一种脑卒中类型预测方法以及装置
EP3493151A1 (en) * 2017-11-29 2019-06-05 Koninklijke Philips N.V. Combination of temporally resolved angiographic images with a spatially resolved angiographic image
KR102229367B1 (ko) * 2018-10-30 2021-03-19 주식회사 인피니트헬스케어 뇌혈관 비교 판독 영상 디스플레이 장치 및 방법
CN109903298B (zh) * 2019-03-12 2021-03-02 数坤（北京）网络科技有限公司 血管分割图像断裂的修复方法、系统和计算机存储介质
CN112185550A (zh) * 2020-09-29 2021-01-05 强联智创（北京）科技有限公司 一种分型方法、装置以及设备
CN113066583A (zh) * 2021-03-30 2021-07-02 昆明同心医联科技有限公司 动脉瘤破裂风险预测方法、装置及存储介质

Also Published As

Publication number Publication date
CN113593678A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
Ahmad et al. Artificial intelligence and computer-aided diagnosis in colonoscopy: current evidence and future directions
US7583829B2 (en) Method and apparatus for embolism analysis
US9858665B2 (en) Medical imaging device rendering predictive prostate cancer visualizations using quantitative multiparametric MRI models
US10424411B2 (en) Biopsy-free detection and staging of cancer using a virtual staging score
JP5830295B2 (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
CN112561908B (zh) 乳腺图像病灶匹配方法、装置及存储介质
CN113349810B (zh) 脑出血病灶识别及血肿扩大预测系统及装置
US20120008839A1 (en) Image processing apparatus, method of processing image, and computer-readable recording medium
CN113222038B (zh) 基于核磁图像的乳腺病灶分类和定位方法及装置
CN112967291B (zh) 图像处理方法及装置、电子设备和存储介质
US10997720B2 (en) Medical image classification method and related device
US8718344B2 (en) Image processing apparatus and medical image diagnosis apparatus
CN111899268A (zh) 图像分割方法及装置、电子设备和存储介质
CN115423819A (zh) 肺血管的分割方法及装置、电子设备和存储介质
JP2022538361A (ja) 画像分割信頼度決定
CN114820584A (zh) 肺部病灶定位装置
CN113012146A (zh) 血管信息获取方法及装置、电子设备和存储介质
CN117218133A (zh) 肺图像处理方法及装置、电子设备和存储介质
CN113469948B (zh) 左心室节段识别方法及装置、电子设备和存储介质
CN113593678B (zh) 基于血管影像补全的脑卒中分型方法及装置
CN111429457A (zh) 图像局部区域亮度智能评价方法、装置、设备及介质
CN115565666A (zh) 脑梗死评估方法及装置、电子设备和存储介质
US20230215153A1 (en) Automated and assisted identification of stroke using feature-based brain imaging
CN115471474A (zh) 右心室分割、心肺分析方法及装置、电子设备和存储介质
KR102322997B1 (ko) 최대강도투사를 통한 인공지능 노듈 세그먼테이션 방법 및 그 장치

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
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Classification method and device of stroke based on vascular image completion

Effective date of registration: 20221115

Granted publication date: 20220610

Pledgee: Beijing Jiahesen Health Technology Co.,Ltd.

Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd.

Registration number: Y2022990000806

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20220610

Pledgee: Beijing Jiahesen Health Technology Co.,Ltd.

Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd.

Registration number: Y2022990000806

PC01 Cancellation of the registration of the contract for pledge of patent right