CN113876345B - 缺血半暗带的识别方法、设备、电子装置和存储介质 - Google Patents

缺血半暗带的识别方法、设备、电子装置和存储介质 Download PDF

Info

Publication number
CN113876345B
CN113876345B CN202111145536.9A CN202111145536A CN113876345B CN 113876345 B CN113876345 B CN 113876345B CN 202111145536 A CN202111145536 A CN 202111145536A CN 113876345 B CN113876345 B CN 113876345B
Authority
CN
China
Prior art keywords
region
parameter map
mask
area
ischemia
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
CN202111145536.9A
Other languages
English (en)
Other versions
CN113876345A (zh
Inventor
张天
张璟
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.)
Wuhan Zhongke Medical Technology Industrial Technology Research Institute Co Ltd
Original Assignee
Wuhan Zhongke Medical Technology Industrial Technology Research Institute 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 Wuhan Zhongke Medical Technology Industrial Technology Research Institute Co Ltd filed Critical Wuhan Zhongke Medical Technology Industrial Technology Research Institute Co Ltd
Priority to CN202111145536.9A priority Critical patent/CN113876345B/zh
Publication of CN113876345A publication Critical patent/CN113876345A/zh
Application granted granted Critical
Publication of CN113876345B publication Critical patent/CN113876345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Neurology (AREA)
  • Vascular Medicine (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请涉及一种缺血半暗带的识别方法、设备、电子装置和存储介质，其中，该缺血半暗带的识别方法包括：基于灌注图像，获取患者脑部的缺血区参数图和梗死区参数图，对缺血区参数图和梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模，根据缺血区掩模和梗死区掩模，确定患者脑部的缺血半暗带。通过本申请，解决了相关技术中基于阈值分割得到的缺血半暗带的准确率较低的问题，提高了对缺血半暗带进行识别的准确率。

Description

缺血半暗带的识别方法、设备、电子装置和存储介质
技术领域
本申请涉及医学图像技术领域，特别是涉及缺血半暗带的识别方法、设备、电子装置和存储介质。
背景技术
缺血性脑卒中是最常见的脑卒中类型，其发病率、致残率、死亡率和复发率均较高，缺血性脑卒中病人的脑组织细胞会经历从缺血到梗死的过程。具体地，当得不到足够的血流供应时，脑组织细胞会进入缺血状态，只保留最基础的生理功能，此时，如果处于缺血状态的脑组织细胞得到充足的血流供应，那么这些细胞又会重新恢复到正常状态，但是如果处于缺血状态的脑组织细胞长期得不到血流供应，这些细胞就会进入梗死状态，即使重新得到了血流供应，也无法再恢复功能。通常缺血区域和梗死区域的差集被称为缺血半暗带，缺血半暗带的识别，对于缺血性脑卒中病人的病情的判断和治疗方案的制定，都具有重要意义。
在相关技术中，灌注成像可以被用来定量地分析人体组织的血流动力学以及毛细血管内外的渗透性，对明确病灶的血液供给具有重要意义。在基于灌注成像识别缺血半暗带的过程中，可以基于灌注参数图阈值分割得到缺血区和梗死区，从而计算缺血半暗带。然而，基于阈值分割得到的缺血半暗带为大量离散区域，并且存在很多假阳性，所以缺血半暗带的分割准确率较低，不能直接被用于临床诊断。
目前针对相关技术中，基于阈值分割得到的缺血半暗带的准确率较低的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种缺血半暗带的识别方法、设备、电子装置和存储介质，以至少解决相关技术中基于阈值分割得到的缺血半暗带的准确率较低的问题。
第一方面，本申请实施例提供了一种缺血半暗带的识别方法，包括：
基于灌注图像，获取患者脑部的缺血区参数图和梗死区参数图；
对所述缺血区参数图和所述梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模；
根据所述缺血区掩模和所述梗死区掩模，确定所述患者脑部的缺血半暗带。
在其中一些实施例中，所述对所述缺血区参数图和所述梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模包括：
在所述缺血区参数图中，根据与预设的第一感兴趣区域对应的掩模和/或阈值进行假阳性去除，得到所述缺血区掩模；
在所述梗死区参数图中，去除所述缺血区掩模之外的区域，得到所述梗死区参数图的校正图；
在所述梗死区参数图的校正图中，根据与预设的第二感兴趣区域对应的掩模和/或阈值进行假阳性去除，得到所述梗死区掩模。
在其中一些实施例中，对于所述缺血区参数图，所述第一感兴趣区域包括颅骨区域、血管区域、脑实质区域、连通域以及颅底区域中的至少一个；以及，
对于所述梗死区参数图，所述第二感兴趣区域包括血管区域、脑实质区域、连通域以及颅底区域中的至少一个。
在其中一些实施例中，对于所述颅骨区域，所述假阳性去除包括：
获取与所述脑实质区域对应的脑实质掩模，对所述脑实质掩模进行腐蚀，得到腐蚀后的脑实质掩模；
获取所述缺血区参数图中的连通域，根据所述连通域与所述腐蚀后的脑实质掩模的重合度，判断所述连通域是否为假阳性；
在所述连通域为假阳性的情况下，去除所述连通域。
在其中一些实施例中，对于所述血管区域，所述进行假阳性去除包括：
获取血管掩模，在目标参数图中去除与所述血管掩模对应的区域，其中，所述目标参数图包括所述缺血区参数图和/或梗死区参数图。
在其中一些实施例中，对于所述脑实质区域，所述进行假阳性去除包括：
获取脑实质掩模，在目标参数图中去除与所述脑实质掩模对应的区域，其中，所述目标参数图包括所述缺血区参数图和/或梗死区参数图。
在其中一些实施例中，对于所述连通域，所述进行假阳性去除包括：
获取目标参数图中的连通域，其中，所述目标参数图包括所述缺血区参数图和/或梗死区参数图；
根据所述连通域的体积和预设体积阈值，判断所述连通域是否为假阳性；
在所述连通域为假阳性的情况下，去除所述连通域。
在其中一些实施例中，对于所述颅底区域，所述进行假阳性去除包括：
获取目标参数图中的颅顶区域，其中，所述目标参数图包括所述缺血区参数图和/或梗死区参数图；
获取用于区分所述患者脑部的颅底区域和所述颅顶区域的预设距离阈值；
根据所述颅顶区域和所述预设距离阈值，去除所述颅底区域。
在其中一些实施例中，在所述对所述缺血区参数图和所述梗死区参数图进行假阳性去除之前，所述方法包括：
对目标参数图进行分割处理，其中，所述目标参数图包括所述缺血区参数图和/或梗死区参数图，所述分割处理包括二值化分割以及形态学操作中的至少一个。
第二方面，本申请实施例提供了一种缺血半暗带的识别设备，包括获取模块、去除模块和确定模块：
所述获取模块，用于基于灌注图像，获取患者脑部的缺血区参数图和梗死区参数图；
所述去除模块，用于对所述缺血区参数图和所述梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模；
所述确定模块，用于根据所述缺血区掩模和所述梗死区掩模，得到所述患者脑部的缺血半暗带。
第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以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第一方面所述的缺血半暗带的识别方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的缺血半暗带的识别方法。
相比于相关技术，本申请实施例提供的缺血半暗带的识别方法，通过基于灌注图像，获取患者脑部的缺血区参数图和梗死区参数图，对缺血区参数图和梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模，根据缺血区掩模和梗死区掩模，确定患者脑部的缺血半暗带，解决了相关技术中基于阈值分割得到的缺血半暗带的准确率较低的问题，提高了对缺血半暗带进行识别的准确率。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
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是根据本申请实施例的缺血半暗带的识别方法的流程图；
图2是根据本申请实施例的缺血区掩模和梗死区掩模的确定方法的流程图；
图3是根据本申请实施例的梗死区掩模的示意图；
图4是根据本申请实施例的颅骨区域假阳性去除方法的流程图；
图5是根据本申请实施例的脑实质掩模的示意图；
图6是根据本申请实施例的颅骨区域假阳性去除的示意图；
图7是根据本申请实施例的血管区域假阳性去除的示意图；
图8是根据本申请实施例的脑实质区域假阳性去除的示意图；
图9是根据本申请实施例的连通域假阳性去除的示意图；
图10是根据本申请实施例的二值化示意图；
图11是根据本申请实施例的形态学操作示意图；
图12是根据本申请实施例的缺血半暗带的匹配示意图；
图13为本申请实施例的缺血半暗带的识别方法的终端的硬件结构框图；
图14是根据本申请实施例的缺血半暗带的识别设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”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。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本实施例提供了一种缺血半暗带的识别方法，图1是根据本申请实施例的缺血半暗带的识别方法的流程图，如图1所示，该方法包括如下步骤：
步骤S110，基于灌注图像，获取患者脑部的缺血区参数图和梗死区参数图。
其中，灌注图像为在将能通过正常血脑屏障的放射性药物注入人体后，通过显像仪器获得的反映脑功能与代谢的清晰图像。具体地，在电子计算机断层扫描(ComputedTomography，简称为CT)设备中，可以利用放射性示踪剂稀释原理和中心容积定律，通过定量测定局部脑组织的碘聚集量，经计算得出局部脑组织的血流灌注量，最终得到灌注图像。在其他实施例中，也可以通过正电子发射型计算机断层显像(Positron EmissionComputed Tomography，简称为PET)或者磁共振(Magnetic Resonance，简称为MR)设备获取灌注图像。
以CT设备为例，经过一定的循环时间后，对脑组织区域进行连续多次CT扫描，通过放射性药物在脑组织中的浓度变化，利用后处理软件中不同的数学模型对血流动力学指标参数进行计算，其中，血流动力学指标包括：时间密度曲线(Time-Density Curve，简称为TDC)，为感兴趣区域的CT值随时间变化的曲线图；脑血容量(Cerebral Blood Volum简称为CBV)，为单位组织中毛细血管体积；脑血流量(Cerebral Blood Flow，简称为CBF)，为单位组织血液流入速度；平均通过时间(Mean Transit Time，简称为MTT)，为血液通过单位组织的平均时间；达峰时间(Time to Pead，简称为TTP)，为对比剂浓度上升至峰值的时间；残余函数达峰时间Tmax为组织残余函数的峰值时间；相对脑血流量rCBF(relative CBF)，为对CBF进行了归一化，得到的一个相对的CBF值；相对脑血容量rCBV(relative CBV)，为对CBV进行了归一化，得到的一个相对的CBV值等等。
通过将一个或者多个上述血流动力学指标参数与预设参数阈值进行对比，可以得到缺血区参数图和梗死区参数图，且缺血区参数图和梗死区参数图分别与不同的预设参数阈值对应。其中，得不到足够的血流供应，进入缺血状态的脑组织为缺血区，缺血区只保留最基础的生理功能，缺血区若得到充足的血流供应，会重新恢复到正常状态，但是如果缺血区的脑组织细胞长期得不到血流供应，就会进入梗死状态，形成梗死区，梗死区的脑组织细胞即使重新得到了血流供应，也无法再恢复功能。由于缺血区和梗死区对放射性药物的代谢能力不同，因此可以通过血流动力学指标参数对脑组织中的缺血区和梗死区进行区别，能够反应缺血区代谢参数变化的为缺血区参数图，能够反应梗死区代谢参数变化的为梗死区参数图。
步骤S120，对缺血区参数图和梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模。
通常情况下，除了脑组织细胞之外，脑部其他区域，例如血管、骨骼等，由于其本身的性质，即使不存在放射性药物，在对血流动力学指标参数进行分析计算时，也会呈现和缺血区或梗死区相似的状态，因此，在脑部区域中，呈现与缺血区或者梗死区对放射性药物相似的代谢状态，而实质上并非缺血区或者梗死区的区域，为假阳性区域。
假阳性区域的存在会对缺血区和梗死区的判断造成影响，因此本实施例中需要在缺血区参数图和梗死区参数图中分别进行假阳性去除。具体地，在缺血区参数图的基础上，进行假阳性去除后得到缺血区掩模，在梗死区参数图的基础上，进行假阳性去除后得到梗死区掩模。
步骤S130，根据缺血区掩模和梗死区掩模，确定患者脑部的缺血半暗带。
通常缺血区和梗死区的差集被称为缺血半暗带，因此，本实施例中，可以通过缺血区掩模和梗死区掩模的差集得到假阳性去除后的缺血半暗带。
通过上述步骤S110至步骤S130，分别对缺血区参数图和梗死区参数图进行假阳性去除，基于假阳性去除后的缺血区掩模和梗死区掩模得到最终的缺血半暗带。而相关技术中，通常基于阈值分割的结果直接确定缺血半暗带，存在大量的假阳性区域，而本实施中基于通过假阳性去除得到缺血区掩模和梗死区掩模确定缺血半暗带，解决了相关技术中基于阈值分割得到的缺血半暗带的准确率较低的问题，提高了对缺血半暗带进行识别的准确率。
在其中一些实施例中，可以根据预设的感兴趣区域，以及与感兴趣区域对应的掩模和/或阈值对缺血区参数图和梗死区参数图进行假阳性去除，图2是根据本申请实施例的缺血区掩模和梗死区掩模的确定方法的流程图，如图2所示，该方法包括如下步骤：
步骤S210，在缺血区参数图中，根据与预设的第一感兴趣区域对应的掩模和/或阈值进行假阳性去除，得到缺血区掩模。
本实施例中的第一感兴趣区域为缺血参数图中的假阳性区域，例如血管、骨骼、噪声区域等等。在假阳性去除的过程中，可以选择掩模和/或阈值的方式。其中，与第一感兴趣区域对应的掩模为和第一感兴趣区域中假阳性区域形状对应的图像，用于在缺血区参数图中识别第一感兴趣区域的位置、形状和大小，并将其去除，阈值为用于区分第一感兴趣区域中假阳性区域和真实缺血区的预设值。具体地，掩模和阈值均可以根据实际场景进行设置，也可以通过深度学习算法得到。
步骤S220，在梗死区参数图中，去除缺血区掩模之外的区域，得到梗死区参数图的校正图。
通常情况下，梗死区不会超出缺血区的范围，因此，本实施例为了保证梗死区在缺血区之内，在梗死区参数图中删除缺血区掩模以外的区域，以对梗死区参数图进行校正。
具体地，可以通过如下公式1实现：
在公式1中，yi表示去除缺血区掩模之后的梗死区参数图的像素值，xi表示去除缺血区掩模之前的梗死区参数图的像素值，代表缺血区掩模，si表示缺血区掩模的第i个像素。图3是根据本申请实施例的梗死区掩模的示意图，如图3所示，图3中的(a)是根据本申请实施例的梗死区参数图二值化后的示意图，图3中的(b)是根据本申请实施例的缺血区掩模的示意图，图3中的(c)是根据本申请实施例的梗死区参数图的校正图。可以看出，缺血区掩模对于梗死区参数图具有明显的校正效果。
步骤S230，在梗死区参数图的校正图中，根据与预设的第二感兴趣区域对应的掩模和/或阈值进行假阳性去除，得到梗死区掩模。
同样的，本实施例中的第二感兴趣区域为梗死区参数图的校正图中的假阳性区域，第一感兴趣区域和第二感兴趣区域可以相同也可以不同。与第二感兴趣区域对应的掩模为和第二感兴趣区域中假阳性区域形状对应的图像，用于在梗死区参数图的校正图中识别第二感兴趣区域的位置、形状和大小，并将其去除，阈值为用于区分第二感兴趣区域中假阳性区域和真实缺血区的预设值。具体地，掩模和阈值均可以根据实际场景进行设置，也可以通过深度学习算法得到。
通过上述步骤S210至步骤S230，根据预设的感兴趣区域和对应的掩模和/或阈值实现假阳性去除，并基于已经获得的缺血区掩模对梗死区参数图进行校正，从而得到最终的梗死区掩模，提高缺血区掩模和梗死区掩模的准确度。
进一步地，对于缺血区参数图，第一感兴趣区域包括颅骨区域、血管区域、脑实质区域、连通域以及颅底区域中的至少一个；以及，对于梗死区参数图，第二感兴趣区域包括血管区域、脑实质区域、连通域以及颅底区域中的至少一个。具体地，颅骨由于部分容积效应和骨位移的存在，周围易出现假阳性，与缺血区混淆，因此需要在缺血区参数图中去除颅骨部分的假阳性。而缺血区参数图中的血管部分和脑实质部分的代谢参数均与缺血区接近，因此缺血区参数图中的血管部分和脑实质部分易与实际的缺血区混淆，需要进行去除，类似的，梗死区参数图中的血管部分和脑实质部分的代谢参数均与梗死区接近，因此梗死区参数图中的血管部分和脑实质部分易与实际的梗死区混淆，需要进行去除。对于连通域和颅底，容易出现噪声，影响对缺血区和/或梗死区的判定，因此在缺血区和/或梗死区中，均需要对连通域和颅底造成的假阳性进行去除。其中，连通域可以定义为具有相近代谢参数值的闭合区域。本实施例中，对于缺血区和梗死区，分别选取具体的感兴趣区域进行假阳性去除，更具有针对性，以进一步提高假阳性去除的准确度。
在其中一些实施例中，图4是根据本申请实施例的颅骨区域假阳性去除方法的流程图，如图4所示，该方法包括如下步骤：
步骤S410，获取与脑实质区域对应的脑实质掩模，对脑实质掩模进行腐蚀，得到腐蚀后的脑实质掩模。
需要说明的是，大脑是一个球形结构，外层是一圈头骨，由于拍摄中扫描设备和/或扫描对象会进行运动并产生噪声，从而导致计算出的缺血区参数图在颅骨附近容易有假阳性产生。
脑实质掩模为颅骨以内的区域，可以通过对扫描对象进行扫描得到脑实质的扫描图像，然后对扫描图像进行图像分析得到，例如语义分割。腐蚀操作为图像的形态学操作中除去图像的某些部分的操作，本实施例中，通过腐蚀操作将脑实质掩模缩减一圈，产生一个腐蚀后的脑实质掩模。图5是根据本申请实施例的脑实质掩模的示意图，如图5所示，实线区域内为腐蚀前的脑实质掩模，虚线区域内为腐蚀后的脑实质掩模，腐蚀前的脑实质掩模和腐蚀后的脑实质掩模相减可以得到一个贴近颅骨的环，即虚线和实线之间的部分，本实施例中去除颅骨区域的假阳性，就是去除这个环上的假阳性。
步骤S420，获取缺血区参数图中的连通域，根据连通域与腐蚀后的脑实质掩模的重合度，判断连通域是否为假阳性。
在实际情况中，除假阳性区域外，与颅骨区域对应的环上还有可能存在真实的缺血区。真实的缺血区通常在脑内的面积较大，包括环内部分和环上部分。如果连通域与环内的重合度很高，可以认为该连通域同时存在于环内和环上的部分，是真实的缺血区，如果重合度很低，认为连通域是大部分存在于环上的假阳性。
具体地，本实施例中先在缺血区参数图中进行连通域的计算，得到多个连通域，该连通域包括假阳性区域和缺血区。对于每个连通域的重合度，可以通过第一像素点个数与第二像素点个数之比得到，其中第一像素点个数为连通域与腐蚀后脑实质掩模重合区域的所有像素点个数，第二像素值为该连通域内所有像素点个数，如公式2：
在公式2中，α表示连通域与腐蚀后的脑实质掩模的重合度，C表示连通域，be表示腐蚀后的脑实质掩模的像素值，图5中虚线区域内的像素值为1，其他部分像素值为0，下标j表示多个连通域的序号，下标i表示每个连通域中像素的序号，bei是位置i处的mask值，为第j个连通域的第i个像素，/>为连通域Cj像素点的总个数。
表示每一个连通域的像素点个数，具体为第j个连通域的所有像素点个数相加，/>是每一个连通域在环内的像素点个数。通过公式2，腐蚀后的脑实质掩模以内的部分会乘1被保留，腐蚀后的脑实质掩模以外的部分会乘0被剔除。分式上下相除，就会得到第j个连通域与腐蚀后的脑实质掩模的重合度。
步骤S430，在连通域为假阳性的情况下，去除连通域。
本实施例基于重合度判断连通域是否为假阳性，对于重合度小于或者等于预设重合度阈值的连通域，将该连通域从缺血区参数图中去除，对于重合度大于预设重合度阈值的连通域，保留该连通域。具体地，如公式3所示：
在公式3中，yi表示去除假阳性之后的缺血区参数图的像素值，xi表示去除假阳性之前的缺血区参数图的像素值，i表示第i个像素。tbe表示预设重合度阈值，Cj表示第j个连通域，αj表示第j个连通域的重合度。
图6是根据本申请实施例的颅骨区域假阳性去除的示意图，如图6所示，图6中的(a)是根据本申请实施例的颅骨区域假阳性去除前的目标参数图二值化后的示意图；图6中的(b)是根据本申请实施例的颅骨区域假阳性去除后的目标参数图的示意图；经过连通域的重合度判断之后，由噪声造成的假阳性被去除。
通过上述步骤S410至步骤S430，本实施例基于连通域与腐蚀后脑实质掩模的重合度进行假阳性的判断，可以对颅骨区域的假阳性进行有效去除，提高颅骨区域假阳性去除的准确度。
在其中一些实施例中，对于包括缺血区参数图和/或梗死区参数图的目标参数图，还需要进行血管区域的假阳性去除。具体为，获取血管掩模，在目标参数图中去除与血管掩模对应的区域。缺血区参数图中血管区域对放射性药物的代谢参数与真实缺血区的参数很接近，相应的，梗死区参数图中血管区域对放射性药物的代谢参数与真实梗死区的参数很接近，因此血管区域被划分至目标参数图时会导致相应的缺血区或者梗死区被过分估计。所以在目标参数图中减去血管区域，可以移除这些假阳性。
将血管掩模与目标参数图匹配，目标参数图中与血管掩模对应的区域置为0，即可在目标参数图中去除血管区域的假阳性，如公式4所示：
在公式4中，yi表示去除假阳性之后的目标参数图的像素值，xi表示去除假阳性之前的目标参数图的像素值，v代表血管掩模，i表示第i个像素，vi表示血管掩模中的像素值，在有血管的部分，vi＝1，在没有血管的部分，vi＝0。具体地，血管掩模为脑部的血管区域分布图，可以通过对扫描对象进行扫描得到脑实质的扫描图像，然后对扫描图像进行图像分析，例如语义分割得到该血管掩模。图7是根据本申请实施例的血管区域假阳性去除的示意图，如图7所示，图7中的(a)是根据本申请实施例的血管区域假阳性去除前的目标参数图二值化后的示意图，图7中的(b)是根据本申请实施例的血管掩模的示意图，图7中的(c)是根据本申请实施例的血管区域假阳性去除后的目标参数图的示意图。可以看出，相对于图7中的(a)，图7中的(c)中目标参数图中去除了血管区域。
本实施例中，通过血管掩模对目标参数图中的假阳性进行去除，可以提高假阳性去除的准确度。
在其中一些实施例中，需要对目标参数图中的脑实质区域进行假阳性去除，同样的，目标参数图包括缺血区参数图和/或梗死区参数图。具体地，获取脑实质掩模，在目标参数图中去除与脑实质掩模对应的区域。缺血区参数图中脑实质对放射性药物的代谢参数与真实缺血区的参数很接近，相应的，梗死区参数图中脑实质对放射性药物的代谢参数与真实梗死区的参数很接近，因此脑实质区域被划分至目标参数图时会导致相应的缺血区或者梗死区被过分估计。所以在目标参数图中减去脑实质区域，可以移除这些假阳性。
具体地，将脑实质掩模与目标参数图匹配，目标参数图中与脑实质掩模对应的区域置为0，即可在目标参数图中去除脑实质区域的假阳性，如公式5所示：
在公式5中，c表示脑实质掩模，yi表示去除假阳性之后的目标参数图的像素值，xi表示去除假阳性之前的目标参数图的像素值，i表示第i个像素，ci表示脑实质掩模中的像素值，在存在脑实质区域的部分，ci＝1，在没有脑实质区域的部分，ci＝0。图8是根据本申请实施例的脑实质区域假阳性去除的示意图，如图8所示，图8中的(a)是根据本申请实施例的脑实质假阳性去除前的目标参数图二值化后的示意图，图8中的(b)是根据本申请实施例的脑实质掩模的示意图，图8中的(c)是根据本申请实施例的脑实质区域假阳性去除后的目标参数图的示意图。可以看出，相对于图8中的(a)，图8中的(c)的目标参数图中去除了脑实质区域，提高了脑实质区域假阳性去除的准确度。
在其中一些实施例中，由于扫描过程中普遍存在噪声，而灌注图像对噪声十分敏感，所以计算得到的灌注图像一般都是不光滑的、有噪音的。在上述灌注图像中进行计算，由于噪声处的参数值和目标参数图中对放射性药物进行代谢的参数值一致，因此有呈连通域的假阳性产生。同时，由噪声产生的假阳性，对应的连通域面积和体积通常较小，而对于实际的缺血区和梗死区，由于实际生理代谢状态发生了改变，一般会有成片的代谢参数值发生变化，所以面积和体积会比较大。因此，由噪声产生的假阳性的面积和体积，是很大概率小于预设体积阈值的。其中，该预设体积阈值可以根据医生的经验确定，也可以通过深度学习模型计算，并在实际场景中根据需要进行修改。
由此，对于包括缺血区参数图和/或梗死区参数图的目标参数图，还需要进行连通域的假阳性去除。具体地，获取目标参数图中的连通域，根据连通域的体积和预设体积阈值，判断连通域是否为假阳性，在连通域的体积小于或者等于预设体积阈值的情况下，判定连通域为假阳性，在连通域的体积大于预设体积阈值的情况下，判定其为真实的缺血区或者梗死区。最终，在连通域为假阳性的情况下，去除该连通域。
例如，可以基于各个方向上的像素间隔计算连通域的体积，如公式6所示：
在公式6中，Vj为第j个连通域的体积，为连通域Cj像素点的总个数，i表示连通域Cj的第i个像素，/>为第j个连通域的第i个像素，在目标参数图中建立坐标系后，spacingx、spacingy、spacingz分别为x、y和z方向上的像素间隔。对于体积低于预设体积阈值的连通域，将该连通域置为0。
连通域的假阳性去除可以通过如下公式7进行：
在公式7中，yi表示去除假阳性之后的目标参数图的像素值，xi表示去除假阳性之前的目标参数图的像素值，Vj为第j个连通域的体积，tv表示预设体积阈值。
图9是根据本申请实施例的连通域假阳性去除的示意图，如图9所示，图9中的(a)是根据本申请实施例的连通域假阳性去除前的目标参数图二值化后的示意图，图9中的(b)是根据本申请实施例的连通域假阳性去除后的目标参数图的示意图。可以看出，相对于图9中的(a)，图9中的(b)的目标参数图中去除了部分小体积的连通域，减弱了噪声的影响，提高了对目标参数图进行假阳性去除的准确度。
在其中一些实施例中，由于在对扫描对象进行扫描的信号值在颅底区域不稳定，在通过CT扫描得到灌注图像的情况下，由于灌注图像是由原始CT扫描数据计算来的，所以原始CT扫描数据的噪声会导致计算出来的灌注图像中也有异常值产生。其中，异常值是指计算得到的代谢参数值与该处组织实际的代谢参数值不符。例如，某块脑组织的生理情况实际上是正常的，实际Tmax＝3s，但是由于原始CT扫描数据噪声的存在，灌注图像中该处计算值Tmax＝10s，被认为是缺血组织。
所以颅底区域的灌注图像经常有异常值出现，导致目标参数图中有假阳性产生。本实施例中计算颅顶位置，去除距离颅顶大于或者等于预设距离阈值的部分，即认为去除了颅底区域。具体为，在目标参数图包括缺血区参数图和/或梗死区参数图的情况下，获取目标参数图中的颅顶区域，该颅顶区域可以通过对目标参数图进行图像分析得到，例如语义分割或者二值化分割，在此基础上，获取用于区分患者脑部的颅底区域和颅顶区域的预设距离阈值，由于颅底区域远离颅顶区域，所以可以通过预设距离阈值对颅底区域进行判断，具体地，预设距离阈值可以基于医生的经验进行确定，也可以通过深度学习获取，并能够根据实际场景进行修正。最后，根据颅顶区域和预设距离阈值，去除颅底区域，例如，保留在预设距离阈值内的区域，去除在预设距离外的区域。
本实施例中，基于对颅顶区域的识别以及预设距离阈值，对颅底进行去除，避免了颅底区域中的假阳性对目标参数图的干扰，提高了目标参数图的准确度。
在对目标参数图进行校正的过程中，缺血区参数图和梗死区参数图中的血管掩模、脑实质掩模以及预设距离阈值可以相同，预设体积阈值可以相同，也可以根据实际需求设置为不同值。
需要说明的是，上述实施例中假阳性去除的过程，适用于梗死区参数图和梗死区参数图的校正图。
进一步地，在对目标参数图进行假阳性去除之前，还需要对目标参数图进行分割处理，其中，所述分割处理包括二值化分割以及形态学操作中的至少一个。具体地，二值化分割为图像二值化，需要根据像素点的参数值与二值化分割阈值，重新划分图像中像素点的参数值，以呈现出明显的黑白效果，可以通过OpenCV中的函数实现，本实施例中的二值化分割阈值为血流动力学指标。形态学操作的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的，可以简化图像数据，保持图像数据基本的形状特性，并除去不相干的结构。进一步地，形态学操作包括膨胀、腐蚀、开操作和闭操作、击中与击不中变换、黑帽变换等。可以应用于消除噪声、边界提取、区域填充、连通分量提取、凸壳、细化、粗化、分割独立的图像元素、分割图像中相邻的元素、求取图像中明显的极大值区域和极小值区域、求取图像梯度等等。
在本实施例中，缺血区参数图基于缺血区分割阈值进行二值化，该缺血区分割阈值可以为固定的预设值，也可以由医生基于实际场景进行手动调整，以提高对缺血区参数图进行二值化的准确度。优选地，本实施例中的缺血区分割阈值包括阈值上限和阈值下限，其中阈值下限可以取Tmax＝6s。二值化分割可以通过如下公式8实现：
在公式8中，threshold1low为缺血区分割阈值的阈值下限，threshold1high为缺血区分割阈值的阈值上限，对于缺血区参数图上任意像素i，m1i为二值化之前缺血区参数图的像素值，n1i为二值化之后缺血区参数图的像素值。
此外，还需要对二值化之后的缺血区参数图进行形态学操作。由于噪声在灌注图像中普遍存在，二值化之后的缺血区参数图存在大量孔洞以及假阳性噪声。本实施例中先进行闭操作再进行开操作，还可以使用腐蚀膨胀组合，而且上述各类形态学操作在顺序上可以变换。
同样的，梗死区参数图同样需要进行二值化分割和形态学操作。梗死区参数图基于梗死区分割阈值进行二值化，该梗死区分割阈值同样可以为固定的预设值，也可以由医生基于实际场景进行手动调整，以提高对梗死区参数图进行二值化的准确度。优选地，本实施例中的梗死区分割阈值也包括阈值上限和阈值下限，其中，阈值上限可以为rCBF<30％，二值化分割可以通过如下公式9实现：
在公式9中，threshold2low为梗死区分割阈值的阈值下限，threshold2high为梗死区分割阈值的阈值上限，对于梗死区参数图上任意像素i，m2i为二值化之前梗死区参数图的像素值，n2i为二值化之后梗死区参数图的像素值。
对梗死区参数图进行的形态学操作与对缺血区参数图进行的形态学操作类似。图10是根据本申请实施例的二值化示意图，如图10所示，在二值化之后，包括缺血区和梗死区的目标区域更加明显。图11是根据本申请实施例的形态学操作示意图，如图11所示，进行形态学操作之后，目标区域变得平滑，孔洞以及假阳性噪声被大量清除掉。
优选地，在对梗死区参数图进行二值化分割得到梗死区的二值化图之后，先去除二值化图中缺血区掩模之外的部分，从而得到梗死区参数图的校正图，然后对梗死区参数图的校正图进行形态学操作。
下面通过优选实施例对本申请实施例进行描述和说明。
相关技术中，基于灌注图像识别缺血半暗带可以通过人工根据经验判断，人力成本较高，且不准确，而基于灌注图像进行阈值分割得到缺血区和梗死区，从而计算缺血半暗带的方式得到的缺血半暗带是大量离散区域，并且存在假阳性区域，不能直接被用于临床诊断。
本专利提供了一种精准快速、可解释性强的缺血半暗带的识别方法，其计算过程的平均时间小于5s。在基于CT扫描得到灌注图像的情况下，该方法在不同层厚的扫描数据上都能得到良好的结果。具体步骤如下：
步骤Y1，基于灌注图像，通过二值化分割阈值得到初始的缺血区参数图和初始的梗死区参数图，其中，二值化分割阈值基于血流动力学指标得到，且缺血区参数图和梗死区参数图分别对应不同的二值化分割阈值。
具体为，对灌注图像进行运动校正，减少头部运动对灌注参数计算产生的影响，然后通过动脉输入函数和静脉输出函数进行识别，对血流动力学指标进行计算；基于不同的血流动力学指标得到缺血区参数图和梗死区参数图。
其中，灌注图像是指四维灌注数据经过参数计算得到的参数图，目的是为了尽量逼近该处组织的实际生理状况。本实施例中，缺血区分割阈值优选为Tmax，梗死区分割阈值优选为rCBF。在其他实施例中，也可以根据rMTT>145％来划分缺血区。
具体地，对于急性脑卒中患者，Tmax>6s的区域判定为缺血区，rCBF＜30％的区域判定为梗死区。但是对于一些非急性卒中病人，Tmax>6s以及rCBF＜30％的二值化分割阈值可能不适用，若仍然使用上述阈值，可能会有假阴性产生，因此，此时需要对包括缺血区分割阈值和梗死区分割阈值的二值化分割阈值进行调整，使算法适用于非急性脑卒中的病人。
所以上述二值化分割阈值可以根据医生需求进行调整，辅助医生针对不同病人实现差异性诊断。
步骤Y2，对初始的缺血区参数图进行形态学操作，以平滑图像，得到最终的缺血区参数图。
步骤Y3，基于最终的缺血区参数图，进行假阳性去除。具体为，通过血管掩模实现血管区域的假阳性去除，通过脑实质掩模实现脑实质区域的假阳性去除，通过腐蚀后的脑实质掩模实现颅骨区域的假阳性去除，通过预设体积阈值，实现小体积区域的假阳性去除，通过颅顶区域的预设距离阈值，实现颅底部分假阳性去除，最终得到缺血区掩模。
步骤Y4，在初始的梗死区参数图中去除缺血区掩模之外的部分，得到梗死区参数图的校正图，然后对梗死区参数图的校正图进行形态学操作，以平滑图像，得到最终的梗死区参数图。
步骤Y5，基于最终的梗死区参数图，进行假阳性去除。具体为，通过血管掩模实现血管区域的假阳性去除，通过脑实质掩模实现脑实质区域的假阳性去除，通过预设体积阈值，实现小体积区域的假阳性去除，通过颅顶区域的预设距离阈值，实现颅底部分假阳性去除，最终得到梗死区掩模。
步骤Y6，将缺血区掩模和梗死区掩模进行错配(mismatch)计算，通过缺血区掩模和梗死区掩模的差值，即缺血区掩模减去梗死区掩模得到缺血半暗带。
具体地，mismatch参数包括错配体积(mismatch volume)和错配比率(mismatchratio)。其中，mismatch volume＝vischemic-vinfarct，vischemic为缺血区掩模的体积，vinfarct为梗死区掩模的体积。
图12是根据本申请实施例的缺血半暗带的匹配示意图，如图12所示。图12中的(a)是根据本申请实施例的缺血区掩模的示意图，图12中的(b)是根据本申请实施例的梗死区掩模的示意图，图12中的(c)是根据本申请实施例的缺血半暗带的示意图。
通过上述步骤Y1至Y6，本实施例中的方法对目标参数图中的假阳性有很好的去除功能，提高了缺血半暗带的识别准确度。而且，本实施例中的方法在灌注加权成像(perfusion weighted imaging，简称为PWI)数据上也可以达到较好的效果，且同样适用于其他与血流动力学指标对应的参数图的定量分割。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。以运行在终端上为例，图13为本申请实施例的缺血半暗带的识别方法的终端的硬件结构框图。如图13所示，终端130可以包括一个或多个(图13中仅示出一个)处理器1302(处理器1302可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器1304，可选地，上述终端还可以包括用于通信功能的传输设备1306以及输入输出设备1308。本领域普通技术人员可以理解，图13所示的结构仅为示意，其并不对上述终端的结构造成限定。例如，终端130还可包括比图13中所示更多或者更少的组件，或者具有与图13所示不同的配置。
存储器1304可用于存储控制程序，例如，应用软件的软件程序以及模块，如本申请实施例中的缺血半暗带的识别方法对应的控制程序，处理器1302通过运行存储在存储器1304内的控制程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器1304可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1304可进一步包括相对于处理器1302远程设置的存储器，这些远程存储器可以通过网络连接至终端130。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备1306用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端130的通信供应商提供的无线网络。在一个实例中，传输设备1306包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备1306可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
本实施例还提供了一种缺血半暗带的识别设备，该设备用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图14是根据本申请实施例的缺血半暗带的识别设备的结构框图，如图14所示，该设备包括获取模块1401、去除模块1402和确定模块1403：
获取模块1401，用于基于灌注图像，获取患者脑部的缺血区参数图和梗死区参数图；去除模块1402，用于对缺血区参数图和梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模；确定模块1403，用于根据缺血区掩模和梗死区掩模，得到患者脑部的缺血半暗带。
本实施例中，去除模块1402分别对缺血区参数图和梗死区参数图进行假阳性去除，确定模块1403基于假阳性去除后的缺血区掩模和梗死区掩模得到最终的缺血半暗带。而相关技术中，通常基于阈值分割的结果直接确定缺血半暗带，存在大量的假阳性区域，而本实施中基于通过假阳性去除得到缺血区掩模和梗死区掩模确定缺血半暗带，解决了相关技术中基于阈值分割得到的缺血半暗带的准确率较低的问题，提高了对缺血半暗带进行识别的准确率。
在其中一些实施例中，去除模块1402还用于，在缺血区参数图中，根据与预设的第一感兴趣区域对应的掩模和/或阈值进行假阳性去除，得到缺血区掩模；在梗死区参数图中，去除缺血区掩模之外的区域，得到梗死区参数图的校正图；在梗死区参数图的校正图中，根据与预设的第二感兴趣区域对应的掩模和/或阈值进行假阳性去除，得到梗死区掩模，以提高缺血区掩模和梗死区掩模的准确度。对于缺血区参数图，第一感兴趣区域包括颅骨区域、血管区域、脑实质区域、连通域以及颅底区域中的至少一个；以及，对于梗死区参数图，第二感兴趣区域包括血管区域、脑实质区域、连通域以及颅底区域中的至少一个。
在其中一些实施例中，去除模块1402还用于对颅骨区域进行假阳性去除，具体为，获取与脑实质区域对应的脑实质掩模，对脑实质掩模进行腐蚀，得到腐蚀后的脑实质掩模；获取缺血区参数图中的连通域，根据连通域与腐蚀后的脑实质掩模的重合度，判断连通域是否为假阳性；在连通域为假阳性的情况下，去除连通域，以提高颅骨区域假阳性去除的准确度。
在其中一些实施例中，去除模块1402还用于对血管区域进行假阳性去除，具体为获取血管掩模，在目标参数图中去除与血管掩模对应的区域，其中，目标参数图包括缺血区参数图和/或梗死区参数图，以提高血管区域与假阳性去除的准确度。
在其中一些实施例中，去除模块1402还用于对脑实质区域进行假阳性去除，具体为，获取脑实质掩模，在目标参数图中去除与脑实质掩模对应的区域，以提高脑实质区域假阳性去除的准确度，其中，目标参数图包括缺血区参数图和/或梗死区参数图。
在其中一些实施例中，去除模块1402还用于对连通域进行假阳性去除，具体为获取目标参数图中的连通域，其中，目标参数图包括缺血区参数图和/或梗死区参数图；根据连通域的体积和预设体积阈值，判断连通域是否为假阳性；在连通域为假阳性的情况下，去除连通域，以提高小体积假阳性去除的准确度。
在其中一些实施例中，去除模块1402还用于对颅底区域进行假阳性去除，具体为获取目标参数图中的颅顶区域，其中，目标参数图包括缺血区参数图和/或梗死区参数图；获取用于区分患者脑部的颅底区域和颅顶区域的预设距离阈值；根据颅顶区域和预设距离阈值，去除颅底区域，以提高颅底区域假阳性去除的准确度。
在其中一些实施例中，缺血半暗带的识别设备还包括分割模块，用于对目标参数图进行分割处理，其中，目标参数图包括缺血区参数图和/或梗死区参数图，分割处理包括二值化分割以及形态学操作中的至少一个。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，基于灌注图像，获取患者脑部的缺血区参数图和梗死区参数图。
S2，对缺血区参数图和梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模。
S3，根据缺血区掩模和梗死区掩模，确定患者脑部的缺血半暗带。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
另外，结合上述实施例中的缺血半暗带的识别方法，本申请实施例可提供一种存储介质来实现。该存储介质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实施例中的任意一种缺血半暗带的识别方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种缺血半暗带的识别方法，其特征在于，包括：
基于灌注图像，获取患者脑部的缺血区参数图和梗死区参数图；
对所述缺血区参数图和所述梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模；
根据所述缺血区掩模和所述梗死区掩模，确定所述患者脑部的缺血半暗带；
所述对所述缺血区参数图和所述梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模包括：
在所述缺血区参数图中，根据与预设的第一感兴趣区域对应的掩模和/或阈值进行假阳性去除，得到所述缺血区掩模；
在所述梗死区参数图中，去除所述缺血区掩模之外的区域，得到所述梗死区参数图的校正图；
在所述梗死区参数图的校正图中，根据与预设的第二感兴趣区域对应的掩模和/或阈值进行假阳性去除，得到所述梗死区掩模。
2.根据权利要求1所述的缺血半暗带的识别方法，其特征在于，对于所述缺血区参数图，所述第一感兴趣区域包括颅骨区域、血管区域、脑实质区域、连通域以及颅底区域中的至少一个；以及，
对于所述梗死区参数图，所述第二感兴趣区域包括血管区域、脑实质区域、连通域以及颅底区域中的至少一个。
3.根据权利要求2所述的缺血半暗带的识别方法，其特征在于，对于所述颅骨区域，所述假阳性去除包括：
获取与所述脑实质区域对应的脑实质掩模，对所述脑实质掩模进行腐蚀，得到腐蚀后的脑实质掩模；
获取所述缺血区参数图中的连通域，根据所述连通域与所述腐蚀后的脑实质掩模的重合度，判断所述连通域是否为假阳性；
在所述连通域为假阳性的情况下，去除所述连通域。
4.根据权利要求2所述的缺血半暗带的识别方法，其特征在于，对于所述血管区域，所述进行假阳性去除包括：
获取血管掩模，在目标参数图中去除与所述血管掩模对应的区域，其中，所述目标参数图包括所述缺血区参数图和/或梗死区参数图。
5.根据权利要求2所述的缺血半暗带的识别方法，其特征在于，对于所述脑实质区域，所述进行假阳性去除包括：
获取脑实质掩模，在目标参数图中去除与所述脑实质掩模对应的区域，其中，所述目标参数图包括所述缺血区参数图和/或梗死区参数图。
6.根据权利要求2所述的缺血半暗带的识别方法，其特征在于，对于所述连通域，所述进行假阳性去除包括：
获取目标参数图中的连通域，其中，所述目标参数图包括所述缺血区参数图和/或梗死区参数图；
根据所述连通域的体积和预设体积阈值，判断所述连通域是否为假阳性；
在所述连通域为假阳性的情况下，去除所述连通域。
7.根据权利要求2所述的缺血半暗带的识别方法，其特征在于，对于所述颅底区域，所述进行假阳性去除包括：
获取目标参数图中的颅顶区域，其中，所述目标参数图包括所述缺血区参数图和/或梗死区参数图；
获取用于区分所述患者脑部的颅底区域和所述颅顶区域的预设距离阈值；
根据所述颅顶区域和所述预设距离阈值，去除所述颅底区域。
8.根据权利要求1所述的缺血半暗带的识别方法，其特征在于，在所述对所述缺血区参数图和所述梗死区参数图进行假阳性去除之前，所述方法包括：
对目标参数图进行分割处理，其中，所述目标参数图包括所述缺血区参数图和/或梗死区参数图，所述分割处理包括二值化分割以及形态学操作中的至少一个。
9.一种缺血半暗带的识别设备，其特征在于，包括获取模块、去除模块和确定模块：
所述获取模块，用于基于灌注图像，获取患者脑部的缺血区参数图和梗死区参数图；
所述去除模块，用于对所述缺血区参数图和所述梗死区参数图进行假阳性去除，得到缺血区掩模和梗死区掩模；
所述确定模块，用于根据所述缺血区掩模和所述梗死区掩模，得到所述患者脑部的缺血半暗带；
去除模块还用于，在缺血区参数图中，根据与预设的第一感兴趣区域对应的掩模和/或阈值进行假阳性去除，得到缺血区掩模；在梗死区参数图中，去除缺血区掩模之外的区域，得到梗死区参数图的校正图；在梗死区参数图的校正图中，根据与预设的第二感兴趣区域对应的掩模和/或阈值进行假阳性去除，得到梗死区掩模。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的缺血半暗带的识别方法。
11.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至8中任一项所述的缺血半暗带的识别方法。
CN202111145536.9A 2021-09-28 2021-09-28 缺血半暗带的识别方法、设备、电子装置和存储介质 Active CN113876345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111145536.9A CN113876345B (zh) 2021-09-28 2021-09-28 缺血半暗带的识别方法、设备、电子装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111145536.9A CN113876345B (zh) 2021-09-28 2021-09-28 缺血半暗带的识别方法、设备、电子装置和存储介质

Publications (2)

Publication Number Publication Date
CN113876345A CN113876345A (zh) 2022-01-04
CN113876345B true CN113876345B (zh) 2024-04-16

Family

ID=79007446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111145536.9A Active CN113876345B (zh) 2021-09-28 2021-09-28 缺血半暗带的识别方法、设备、电子装置和存储介质

Country Status (1)

Country Link
CN (1) CN113876345B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638843B (zh) * 2022-03-18 2022-09-06 北京安德医智科技有限公司 大脑中动脉高密度征影像识别方法及装置
CN114862823B (zh) * 2022-05-26 2024-02-13 同心医联科技（北京）有限公司 区域分割方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101332088A (zh) * 2008-07-21 2008-12-31 深圳先进技术研究院 一种获取脑部特征参数的方法、系统及溶栓决策系统及方法
CN105997128A (zh) * 2016-08-03 2016-10-12 上海联影医疗科技有限公司 利用灌注成像识别病灶的方法及系统
CN108665465A (zh) * 2018-05-14 2018-10-16 沈阳东软医疗系统有限公司 分割缺血半暗带的方法、装置、存储介质及设备
CN109431531A (zh) * 2018-12-25 2019-03-08 上海联影医疗科技有限公司 基于灌注成像的血管分割方法及装置和计算机装置
CN110288587A (zh) * 2019-06-28 2019-09-27 重庆同仁至诚智慧医疗科技股份有限公司 一种缺血性脑卒中磁共振影像的病灶识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007050437A2 (en) * 2005-10-21 2007-05-03 The General Hospital Corporation Methods and apparatus for segmentation and reconstruction for endovascular and endoluminal anatomical structures

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101332088A (zh) * 2008-07-21 2008-12-31 深圳先进技术研究院 一种获取脑部特征参数的方法、系统及溶栓决策系统及方法
CN105997128A (zh) * 2016-08-03 2016-10-12 上海联影医疗科技有限公司 利用灌注成像识别病灶的方法及系统
CN108665465A (zh) * 2018-05-14 2018-10-16 沈阳东软医疗系统有限公司 分割缺血半暗带的方法、装置、存储介质及设备
CN109431531A (zh) * 2018-12-25 2019-03-08 上海联影医疗科技有限公司 基于灌注成像的血管分割方法及装置和计算机装置
CN110288587A (zh) * 2019-06-28 2019-09-27 重庆同仁至诚智慧医疗科技股份有限公司 一种缺血性脑卒中磁共振影像的病灶识别方法

Also Published As

Publication number Publication date
CN113876345A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN109741344B (zh) 血管分割方法、装置、医疗影像设备及存储介质
CN113876345B (zh) 缺血半暗带的识别方法、设备、电子装置和存储介质
CN109410221B (zh) 脑灌注图像分割方法、装置、服务器和存储介质
TW202137132A (zh) 一種圖像分割方法、設備及電腦可讀儲存介質
Oezdemir et al. Tumor vascular networks depicted in contrast-enhanced ultrasound images as a predictor for transarterial chemoembolization treatment response
CN109389653B (zh) 心脏图像重建方法、装置、计算机设备和可读存储介质
JP2019512361A (ja) 体積画像データセット内の血管構造のセグメント化のための方法及びシステム
US8160344B2 (en) Iterative segmentation of images for computer-aided detection
CN109377481B (zh) 图像质量评价方法、装置、计算机设备和存储介质
CN106709920B (zh) 血管提取方法及其装置
CN109754397B (zh) 血管段中心路径的提取方法、装置、终端设备及存储介质
CN115082348A (zh) 图像重建方法及装置
Antunes et al. Phase symmetry approach applied to children heart chambers segmentation: a comparative study
WO2019007952A1 (en) METHOD OF EVALUATING IMAGE ANALYSIS OF PROBABILITY THAT ISCHEMIA IN A CEREBRAL TISSUE AREA RESULTS IN INFARCTION OF THIS BRAIN TISSUE AREA
Gao et al. Quantification of common carotid artery and descending aorta vessel wall thickness from MR vessel wall imaging using a fully automated processing pipeline
Sakellarios et al. Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data
JP2013223620A (ja) 医用画像のレジストレーション処理装置、方法およびプログラム
Yeh et al. Myocardial border detection by branch-and-bound dynamic programming in magnetic resonance images
Yi et al. A review of segmentation method for MR image
CN109345606B (zh) 心脏图像重建方法、装置、计算机设备和可读存储介质
CN116091444A (zh) 侧枝评价方法及装置、存储介质、终端
CN114119688B (zh) 基于深度学习的冠状动脉造影前后单模医学图像配准方法
CN109410170A (zh) 图像数据处理方法、装置及设备
Adame et al. Automatic plaque characterization and vessel wall segmentation in magnetic resonance images of atherosclerotic carotid arteries
CN112767314A (zh) 医学图像处理方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant