CN114463288B - 脑部医学影像评分方法、装置、计算机设备和存储介质 - Google Patents

脑部医学影像评分方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114463288B
CN114463288B CN202210055048.7A CN202210055048A CN114463288B CN 114463288 B CN114463288 B CN 114463288B CN 202210055048 A CN202210055048 A CN 202210055048A CN 114463288 B CN114463288 B CN 114463288B
Authority
CN
China
Prior art keywords
image
brain
region
interest
features
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
CN202210055048.7A
Other languages
English (en)
Other versions
CN114463288A (zh
Inventor
王思伦
肖焕辉
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.)
Shenzhen Yiwei Medical Technology Co Ltd
Original Assignee
Shenzhen Yiwei Medical 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 Shenzhen Yiwei Medical Technology Co Ltd filed Critical Shenzhen Yiwei Medical Technology Co Ltd
Priority to CN202210055048.7A priority Critical patent/CN114463288B/zh
Publication of CN114463288A publication Critical patent/CN114463288A/zh
Application granted granted Critical
Publication of CN114463288B publication Critical patent/CN114463288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T2207/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请涉及一种脑部医学影像评分方法、装置、计算机设备和存储介质。方法包括：获取待处理的脑部医学影像；提取脑部医学影像的脑部实质掩膜，并根据脑部实质掩膜获取脑部医学影像所对应的正中矢状面特征图像；将正中矢状面特征图像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域，并提取各感兴趣区域的局部特征以及所有感兴趣区域的整体特征；提取正中矢状面特征图像的高维影像特征；根据局部特征、整体特征以及高维影像特征，对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果。采用本方法能够提高脑部医学影像评分的效率和准确性。

Description

脑部医学影像评分方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种脑部医学影像评分方法、装置、计算机设备和存储介质。
背景技术
医学影像是指为了医疗或医学研究，对人体或人体某部分以非侵入方式取得的内部组织影像。对医学影像如脑部医学影像进行分类处理以得到该医学影像分类类别可以为医学工作者提供有效地医学辅助。
传统医学影像处理方案中，通常是医生通过查看医学影像的可见变化来区分患者的医学影像和正常人的医学影像，这种方式主观性强，且需要丰富的临床知识和经验，从而影响医学影像分类的效率以及准确性。
发明内容
基于此，有必要针对上述技术问题，提供一种提高分类效率以及准确率的脑部医学影像分类方法、装置、计算机设备和存储介质。
一种脑部医学影像评分方法，包括：
获取待处理的脑部医学影像；
提取所述脑部医学影像的脑部实质掩膜，并根据所述脑部实质掩膜获取所述脑部医学影像所对应的正中矢状面特征图像；
将所述正中矢状面特征图像映射至标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域，并提取各所述感兴趣区域的局部特征以及所有所述感兴趣区域的整体特征；
提取所述正中矢状面特征图像的高维影像特征；
根据所述局部特征、所述整体特征以及所述高维影像特征，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果。
在一个实施例中，所述将所述正中矢状面特征图像映射至标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域，并提取各所述感兴趣区域的局部特征以及所有所述感兴趣区域的整体特征，包括：
通过仿射变换和/或微分同胚变换，确定所述正中矢状面特征图像与标准脑部图像之间的映射关系；
按照所述映射关系将所述正中矢状面特征图像映射至所述标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域；
提取每个所述感兴趣区域的局部特征；
提取所有所述感兴趣区域的整体特征。
在一个实施例中，所述提取所述正中矢状面特征图像的高维影像特征，包括：
将所述正中矢状面特征图输入U型分割网络；
获取所述U型分割网络的编码层输出的所述高维影像特征；
其中，所述U型分割网络的训练步骤包括：
获取脑部医学影像样本，提取所述脑部医学影像样本的脑部实质掩膜样本，根据所述脑部实质掩膜样本获取所述脑部医学影像样本所对应的正中矢状面特征图像样本，将所述正中矢状面特征图样本像映射至标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域；
以所述正中矢状面特征图样本为所述U型分割网络的训练输入，所述正中矢状面特征图样本的感兴趣区域划分结果为训练目标，训练所述U型分割网络。
在一个实施例中，所述方法还包括：
获取所述正中矢状面特征图像的对称图像与所述正中矢状面特征图像之间的左右侧差异图像；
所述根据所述局部特征、所述整体特征以及所述高维影像特征，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果，包括：
根据所述左右侧差异图像、所述局部特征、所述整体特征以及所述高维影像特征，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果。
在一个实施例中，所述根据所述左右侧差异图像、所述局部特征、所述整体特征以及所述高维影像特征，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果，包括：
将所述左右侧差异图像中所述感兴趣区域内的灰度特征、所述局部特征、所述整体特征以及所述高维影像特征共同作为输入特征；
将所述输入特征输入SVM分类器，得到各所述感兴趣区域对应的异常概率；
根据所述异常概率，得到所述脑部医学影像所对应的评分结果。
在一个实施例中，所述根据所述异常概率，得到所述脑部医学影像所对应的评分结果，包括：
对各所述感兴趣区域对应的异常概率进行修正，得到各所述感兴趣区域对应的异常概率修正结果；
将对应的异常概率修正结果大于异常阈值的感兴趣区域识别为异常区域；
根据各所述异常区域在标准评分策略中的区域属性，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果。
在一个实施例中，所述对各所述感兴趣区域对应的异常概率进行修正，得到各所述感兴趣区域对应的异常概率修正结果，包括：
将对应的异常概率大于修正阈值的感兴趣区域识别为候选修正区域；
当所述候选修正区域的对称脑部区域也识别为候选修正区域时，则对两对称的候选修正区域中对应的CT均值高的候选修正区域进行异常概率修正；
当所述候选修正区域内存在体积占比大于10％的联通体素区域，且所述候选修正区域的CT均值小于全体所述感兴趣区域的CT均值时，则将所述候选修正区域的异常概率增加0.1，反之，则将所述候选修正区域的异常概率减少0.1；
当所述候选修正区域内存在体积占比大于10％的联通体素区域，且所述候选修正区域的CT均值高于60，则将所述候选修正区域的异常概率增加0.1，反之，则保持所述候选修正区域的异常概率不变；
当所述候选修正区域内存在体积占比大于10％的联通体素区域，且所述候选修正区域的CT均值小于20，则将所述候选修正区域的异常概率增加0.1，反之，则保持所述候选修正区域的异常概率不变。
一种脑部医学影像评分装置，包括：
获取模块，用于获取目标对象所对应的脑部医学影像；
提取模块，用于提取所述脑部医学影像的脑部实质掩膜，并根据所述脑部实质掩膜获取所述脑部医学影像所对应的正中矢状面特征图像；
映射模块，用于将所述正中矢状面特征图像映射至标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域，并提取各所述感兴趣区域的局部特征以及所有所述感兴趣区域的整体特征；
所述提取模块还用于提取所述正中矢状面特征图像的高维影像特征；
评分模块，用于根据所述局部特征、所述整体特征以及所述高维影像特征，得到所述脑部医学影像所对应的评分结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待处理的脑部医学影像；
提取所述脑部医学影像的脑部实质掩膜，并根据所述脑部实质掩膜获取所述脑部医学影像所对应的正中矢状面特征图像；
将所述正中矢状面特征图像映射至标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域，并提取各所述感兴趣区域的局部特征以及所有所述感兴趣区域的整体特征；
提取所述正中矢状面特征图像的高维影像特征；
根据所述局部特征、所述整体特征以及所述高维影像特征，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待处理的脑部医学影像；
提取所述脑部医学影像的脑部实质掩膜，并根据所述脑部实质掩膜获取所述脑部医学影像所对应的正中矢状面特征图像；
将所述正中矢状面特征图像映射至标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域，并提取各所述感兴趣区域的局部特征以及所有所述感兴趣区域的整体特征；
提取所述正中矢状面特征图像的高维影像特征；
根据所述局部特征、所述整体特征以及所述高维影像特征，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果。
上述脑部医学影像评分方法、装置、计算机设备和存储介质，在获取到待处理的脑部医学影像后，自动提取脑部医学影像的脑部实质掩膜，并根据脑部实质掩膜获取脑部医学影像所对应的正中矢状面特征图像；然后以该正中矢状面特征图像作为异常评分的基础，一方面将正中矢状面特征图像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域，并提取各感兴趣区域的局部特征以及所有感兴趣区域的整体特征；另一方面提取正中矢状面特征图像的高维影像特征；再结合根据局部特征、整体特征以及高维影像特征，至少综合考量局部、整体以及高层语义信息对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果，既提高了脑部医学影像评分的效率，又在一定程度上保障了评分的准确性。
附图说明
图1为一个实施例中脑部医学影像评分方法的应用环境图；
图2为一个实施例中脑部医学影像评分方法的流程示意图；
图3为一个实施例中图像映射的示意图；
图4为另一个实施例中脑部医学影像评分方法的流程示意图
图5为一个实施例中异常概率校正的流程示意图；
图6为一个实施例中脑部医学影像评分装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
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，对本申请进行进一步详细说明。应当理解，此处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。
图1为一个实施例中脑部医学影像评分方法的应用环境图。参照图1，该脑部医学影像评分方法应用于脑部医学影像评分系统。该脑部医学影像评分系统包括终端102和服务器104。终端102和服务器104通过网络连接。终端102具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端102和服务器104均可单独用于执行本申请实施例中提供的脑部医学影像评分方法。终端102和服务器104也可协同用于执行本申请实施例中提供的脑部医学影像评分方法。
在一个实施例中，如图2所示，提供了一种脑部医学影像评分方法，以该方法应用于图1中的计算机设备(该计算机设备具体可以是图1中的终端或服务器)为例进行说明，包括以下步骤：
步骤202，获取待处理的脑部医学影像。
其中，医学影像为，针对生物对象的目标部位，以非入侵方式取得的具有空间位置信息的三维组织影像。其具体可以为基于CT(X线断层扫描)、MRI(核磁共振)、PT(渗透检测)等技术得到的组织影像等。
在一个具体的实施例中，待处理的脑部医学影像为脑部CT影像。
步骤204，提取脑部医学影像的脑部实质掩膜，并根据脑部实质掩膜获取脑部医学影像所对应的正中矢状面特征图像。
其中，脑部实质掩膜是脑实质的掩膜。具体地，计算机设备在获取脑部医学影像后，可根据颅骨最小HU值提取颅骨，对图像二值化，将颅骨设为前景，其余部分设为背景，进行膨胀，填充颅骨空洞，在颅内设定种子点，利用区域生长，在颅内合并与种子点像素相近的区域，获得脑实质，利用填充算法对脑空洞补全，并膨胀至原颅骨边界处，获得脑部实质掩膜。
进一步地，计算机设备再基于脑部实质掩膜，计算每层图像的脑实质体积，获取脑实质面积最大的图像层，通过对应的脑实质掩膜获得非零像素的坐标矩阵X，计算横纵坐标均值向量mX及协方差矩阵PX；通过协方差矩阵求解特征方程，得到特征值λ1，λ2(即拟合椭圆的半长轴、半短轴)，并根据特征值求得椭圆长短轴特征向量e1，e2(即椭圆半轴的方向)，通过反三角函数求得旋转角θ，该旋转角即为位于图像坐标系的与参考切片垂直的中矢面角度(相对于理想坐标系)。根据非零像素坐标矩阵X定位拟合椭圆长轴坐标，通过长轴坐标及旋转角θ，对三维图像进行旋转获得正中矢状面特征图像。
步骤206，将正中矢状面特征图像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域，并提取各感兴趣区域的局部特征以及所有感兴趣区域的整体特征。
其中，标准脑部图像是作为模板的标准的大脑影像。标准脑部图像已由专业的医生进行了区域划分并进行了感兴趣区域的认定。
在一个实施例中，步骤206，包括：通过仿射变换和/或微分同胚变换，确定正中矢状面特征图像与标准脑部图像之间的映射关系；按照映射关系将正中矢状面特征图像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域；提取每个感兴趣区域的局部特征；提取所有感兴趣区域的整体特征。
具体地，计算机设备可通过仿射变换和/或微分同胚变换，确定正中矢状面特征图像与标准脑部图像之间的映射关系，然后按照映射关系将正中矢状面特征图像映射至标准脑部图像，即得到正中矢状面特征图像与标准脑部图像中的区域对应关系，这样根据标准脑部图像的区域划分便可得知正中矢状面特征图像的区域划分，确定出正中矢状面特征图像中的感兴趣区域。
进一步地，计算机设备可提取各个感兴趣区域的局部特征。比如感兴趣区域的大小信息、感兴趣区域内的CT值均值、标准差，区域相邻体素点的梯度信息等。计算机设备还可以以全体感兴趣区域的体素合点作为单位，提取所有感兴趣区域的整体特征。比如所有感兴趣区域的区域体积，区域内CT值均值、标准差等信息。
本实施例中，将个案的正中矢状面特征图像映射至标准脑部图像，借助于标准脑部图像已有的区域划分和感兴趣区域的认定，来自动确定正中矢状面特征图像中的感兴趣区域，不需要额外的人工操作，提高了图像处理效率。
举例说明，如图3所示为一个实施例中图像映射的示意图，参考图3，左图为正中矢状面特征图像示意图，右图为标准脑部图像，其中标准脑部图像已事先划分好区域以及认定感兴趣区域。
步骤208，提取正中矢状面特征图像的高维影像特征。
其中，高维影像特征是对影像语义特性的高维表达，可以涵盖正中矢状面特征图像的语义层面的信息。该高维影像特征有助于对正中矢状面特征图像中感兴趣区域的异常进行识别。
在一个实施例中，步骤208，包括：将正中矢状面特征图输入U型分割网络；获取U型分割网络的编码层输出的高维影像特征。
具体地，U型分割网络通常包括编码器和解码器两部分，编码器用于对输入图像进行处理以提取出不同层面的特征信息。在本申请中，计算机设备利用U型分割网络对正中矢状面特征图处理，获取U型分割网络的编码层输出的高维影像特征来辅助对正中矢状面特征图像中感兴趣区域的异常识别。其中，计算机设备可获取编码器的其中一层编码层输出的高维影像特征，也可以是编码器的多层编码层各自输出的高维影像特征。
进一步地，在一个实施例中，该脑部医学影像评分方法还包括U型分割网络的训练步骤，计算机设备可事先按照该训练方法训练出U型分割网络，等到需要使用U型分割网络时可直接使用。
具体地，U型分割网络的训练步骤包括：获取脑部医学影像样本，提取脑部医学影像样本的脑部实质掩膜样本，根据脑部实质掩膜样本获取脑部医学影像样本所对应的正中矢状面特征图像样本，将正中矢状面特征图样本像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域；以正中矢状面特征图样本为U型分割网络的训练输入，正中矢状面特征图样本的感兴趣区域划分结果为训练目标，训练U型分割网络。
计算机设备可收集历史的脑部医学影像用作脑部医学影像样本，提取脑部医学影像样本的脑部实质掩膜样本，根据脑部实质掩膜样本获取脑部医学影像样本所对应的正中矢状面特征图像样本，将正中矢状面特征图样本像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域；以正中矢状面特征图样本为U型分割网络的训练输入，正中矢状面特征图样本的感兴趣区域划分结果为训练目标，反复迭代训练U型分割网络，迭代至网络分割结果与训练目标基本一致后，得到训练后的U型分割网络。
在本实施例中，在前述实施例创造性地使用映射方式识别感兴趣区域的基础上，巧妙引入U型分割网络，该U型分割网络的网络目的是区域分割，正好可利用前述识别感兴趣区域的结果用于训练，此后便可利用U型分割网络的编码层输出的高维影像特征来辅助对正中矢状面特征图像中感兴趣区域的异常识别，提高对正中矢状面特征图像中感兴趣区域的异常识别准确性。
步骤210，根据局部特征、整体特征以及高维影像特征，对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果。
可以理解，单个感兴趣区域的特征可能不足以反映出脑部异常，不同的感兴趣区域可能会存在关联，这些关联往往会对脑部异常的识别做出贡献，那么在进行异常识别时，不仅仅需要关注单个感兴趣区域独立的特征，还考虑到感兴趣区域之间的关联使用到所有感兴趣区域的整体特征，再巧妙利用已有的图像的分割区域的划分，训练3DUnet网络来提取高维影像特征，进一步将语义层面的信息纳入考量，使得异常识别结果更加准确可靠。
具体地，计算机设备可结合局部特征、整体特征以及高维影像特征，同时从个体区域差异性角度、区域整体关联性角度以及图像语义角度为考量，对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果，提高对脑部医学影像进行异常评分以得到的脑部医学影像所对应的评分结果的准确性。
在一个实施例中，该脑部医学影像评分方法还包括：获取正中矢状面特征图像的对称图像与正中矢状面特征图像之间的左右侧差异图像；步骤210，包括：根据左右侧差异图像、局部特征、整体特征以及高维影像特征，对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果。
具体地，计算机设备还可将正中矢状面特征图像进行水平翻转，得到翻转后的对称图像，通过正中矢状面特征图像逐像素减去对称图像的方式，得到两者之间的左右侧差异图像。计算机设备再基于左右侧差异图像、局部特征、整体特征以及高维影像特征，对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果。可以理解，在临床医学中，尤其是脑部缺血性卒中诊断中，CT影像会出现的病变部位，主要是以低密度的方式呈现，即图像对应区域，较正常组织，灰度会下降，再结合脑卒中一般是单侧异常，这样通过同样组织区域的左右侧对比，可以得到偏离正常组织信号的程度，提高异常识别的准确性。
在一个实施例中，根据左右侧差异图像、局部特征、整体特征以及高维影像特征，对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果，包括：将左右侧差异图像中感兴趣区域内的灰度特征、局部特征、整体特征以及高维影像特征共同作为输入特征；将输入特征输入SVM分类器，得到各感兴趣区域对应的异常概率；根据异常概率，得到脑部医学影像所对应的评分结果。
具体地，SVM分类器是计算机设备事先训练好的用于分类的模型，在本申请中，SVM分类器的输入为将左右侧差异图像中感兴趣区域内的灰度特征、局部特征、整体特征以及高维影像特征融合后的特征向量或特征矩阵，SVM分类器的输出为“左右侧差异图像中感兴趣区域内的灰度特征、局部特征、整体特征以及高维影像特征”所源自的正中矢状面特征图像中各感兴趣区域各自对应的异常概率，也就是各感兴趣区域存在异常的概率。
进一步地，在一个实施例中，该脑部医学影像评分方法还包括SVM分类器的训练步骤，计算机设备可事先按照该训练方法训练出SVM分类器，等到需要使用SVM分类器时可直接使用。其中，SVM分类器的训练样本可复用U型分割网络的训练样本。
具体地，SVM分类器的训练步骤包括：获取脑部医学影像样本，提取脑部医学影像样本的脑部实质掩膜样本，根据脑部实质掩膜样本获取脑部医学影像样本所对应的正中矢状面特征图像样本，将正中矢状面特征图样本像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域；一方面提取每个感兴趣区域的局部特征样本以及提取所有感兴趣区域的整体特征样本，另一方面利用U型分割网络提取正中矢状面特征图像样本的高维影像特征样本，还一方面获取正中矢状面特征图像样本的对称图像与正中矢状面特征图像样本之间的左右侧差异图像样本，并获取左右侧差异图像样本中感兴趣区域内的灰度特征样本；再以灰度特征样本、局部特征样本、整体特征样本以及高维影像特征样本共同作为输入，训练SVM分类器。
在一个实施例中，根据异常概率，得到脑部医学影像所对应的评分结果，包括：对各感兴趣区域对应的异常概率进行修正，得到各感兴趣区域对应的异常概率修正结果；将对应的异常概率修正结果大于异常阈值的感兴趣区域识别为异常区域；根据各异常区域在标准评分策略中的区域属性，对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果。
具体地，计算机设备可根据医学临床先验知识设置异常概率大于0.3的感兴趣区域为候选修正区域，对候选修正区域的异常概率进行修正。计算机设备可根据医学临床先验知识设置修正后的异常概率大于0.5的感兴趣区域为异常区域。然后各异常区域在标准评分策略中的区域属性，对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果。
例如，对于APSECTS区域评分，初始评分为10分，感兴趣区域包括对应核团层面的尾状核头(C)、豆状核(L)、内囊后肢(IC)、岛带(I)、M1(大脑中动脉前皮质区)、M2(大脑中动脉岛叶外侧皮质区)、M3(大脑中动脉后皮质区)，以及位于核团以上层面(核团上层)的M4(M1上方的大脑中动脉皮层)、M5(M2上方的大脑中动脉皮层)和M6(M3上方的大脑中动脉皮层)，其中有任意一个区域被视为异常区域，则评分减1分，得到最终的ASPECTS评分。
再例如，对于PC-ASPECTS评分，初始评分为10分，感兴趣区域包括左右丘脑、小脑、大脑后动脉区、中脑及桥脑，其中左右丘脑、小脑及大脑后动脉区中每存在一个区域被视为异常区域，则相应减去1分，中脑或桥脑被视为异常区域，则减去2分，完成减分后，得到最终的PC-ASPECTS评分。
上述实施例中，并不仅仅采用模型输出的各感兴趣区域对应的异常概率进行异常识别，结合临床先验知识对异常概率进行修正，再进行异常识别，既通过机器学习的方式自动快速地得到基础数据，再结合以临床先验知识对基础数据进行修正，这样既能提高数据处理效率，又能提高处理结果的准确性。
在一个实施例中，对各感兴趣区域对应的异常概率进行修正，得到各感兴趣区域对应的异常概率修正结果，包括：将对应的异常概率大于修正阈值的感兴趣区域识别为候选修正区域；当候选修正区域的对称脑部区域也识别为候选修正区域时，则对两对称的候选修正区域中对应的CT均值高的候选修正区域进行异常概率修正；当候选修正区域内存在体积占比大于10％的联通体素区域，且候选修正区域的CT均值小于全体感兴趣区域的CT均值时，则将候选修正区域的异常概率增加0.1，反之，则将候选修正区域的异常概率减少0.1；当候选修正区域内存在体积占比大于10％的联通体素区域，且候选修正区域的CT均值高于60，则将候选修正区域的异常概率增加0.1，反之，则保持候选修正区域的异常概率不变；当候选修正区域内存在体积占比大于10％的联通体素区域，且候选修正区域的CT均值小于20，则将候选修正区域的异常概率增加0.1，反之，则保持候选修正区域的异常概率不变。
具体地，在ASPECTS评分标准中，对于存在左右对称结构的候选修正区域，仅保留异常概率高的一侧作为候选修正区域。
在ASPECTS与PC-ASPECTS评分标准中，存在左右对称结构的感兴趣区域R1与R2，若R1的CT均值x1小于对侧区域R2的CT均值x2，则对R1的异常概率进行校正。其中，校正公式为pnew＝p+(x2-x1)/std2*0.1，std2为R2的CT值标准差，p为SVM分类器输出的区域R1的异常概率，pnew为区域R修正后的异常概率。反之，则对R2的异常概率进行修正。
在ASPECTS与PC-ASPECTS评分标准中，对于任意候选修正区域，当该候选修正区域中存在体积占比大于10％的联通体素区域，且其CT均值小于全体感兴趣区域的CT均值，则其异常概率增加0.1。反之，则异常概率减少0.1。当该候选修正区域中存在体积占比大于10％的联通体素区域，且其CT均值高于60，则其异常概率增加0.1。反之，则异常概率不变。当该候选修正区域中存在体积占比大于10％的联通体素区域，其CT均值小于20，则其异常概率增加0.1。反之，则异常概率不变。
可以理解，在临床医学数据表明感兴趣区域中联通体素区域的占比以及CT均值都会对异常的识别产生一定的影响。在本实施例中，结合这两方面数据的影响对感兴趣区域的异常概率进行校正，能够提高异常识别的准确性。
上述脑部医学影像评分方法，在获取到待处理的脑部医学影像后，自动提取脑部医学影像的脑部实质掩膜，并根据脑部实质掩膜获取脑部医学影像所对应的正中矢状面特征图像；然后以该正中矢状面特征图像作为异常评分的基础，一方面将正中矢状面特征图像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域，并提取各感兴趣区域的局部特征以及所有感兴趣区域的整体特征；另一方面提取正中矢状面特征图像的高维影像特征；再结合根据局部特征、整体特征以及高维影像特征，至少综合考量局部、整体以及高层语义信息对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果，既提高了脑部医学影像评分的效率，又在一定程度上保障了评分的准确性。
而且本申请所提供的脑部医学影像评分方法不完全依赖于模型运算结果，而是将模型运算结果与先验知识相结合，既利用了模型运算带来的好处，又通过先验知识对模型运算结果进行优化，在一定程度上保障了评分的合理性。
在一个具体的实施例中，脑部医学影像为脑部CT影像。参考图4，该脑部医学影像评分方法具体是进行脑梗死评分，具体地：计算机设备获取脑部CT影像，对该脑部CT影像去除颅骨后获取该脑部CT影像的正中矢状面特征图像，一方面将正中矢状面特征图像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域；另一方面获取正中矢状面特征图像的对称图像与正中矢状面特征图像之间的左右侧差异图像。
进一步地，计算机设备一方面提取每个感兴趣区域的局部特征以及提取所有感兴趣区域的整体特征，另一方面利用U型分割网络提取正中矢状面特征图像样本的高维影像特征，再一方面获取左右侧差异图像样本中感兴趣区域内的灰度特征。计算机设备再将灰度特征、局部特征、整体特征以及高维影像特征共同输入SVM分类器，输出各感兴趣区域对应的梗死概率，再基于阈值和先验知识确定梗死区域，进行脑梗死评分。
其中，如图5所示，SVM分类器输出n个感兴趣区域的梗死概率：区域1梗死概率p1、区域2梗死概率p2、…、区域n梗死概率pn；阈值化筛选出x个候选梗死区：候选梗死区R1梗死概率P1、候选梗死区R2梗死概率P2、…、候选梗死区Rx梗死概率Px，再基于先验信息对候选梗死区的梗死概率进行修正，然后基于修正后的梗死概率识别出梗死区C1-Cm，最后基于评分标准如ASPECTS评分标准或者PC-ASPECTS评分标准进行脑梗死评分。其中，阈值化筛选候选梗死区，具体为筛选出梗死概率大于0.3的感兴趣区域，基于修正后的梗死概率识别出梗死区，具体为筛选出修正后的梗死概率大于0.5的候选梗死区。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种脑部医学影像评分装置，包括：获取模块601、提取模块602、映射模块603和评分模块604，其中：
获取模块601，用于获取目标对象所对应的脑部医学影像；
提取模块602，用于提取脑部医学影像的脑部实质掩膜，并根据脑部实质掩膜获取脑部医学影像所对应的正中矢状面特征图像；
映射模块603，用于将正中矢状面特征图像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域，并提取各感兴趣区域的局部特征以及所有感兴趣区域的整体特征；
提取模块602还用于提取正中矢状面特征图像的高维影像特征；
评分模块604，用于根据局部特征、整体特征以及高维影像特征，得到脑部医学影像所对应的评分结果。
在一个实施例中，提取模块602还用于通过仿射变换和/或微分同胚变换，确定正中矢状面特征图像与标准脑部图像之间的映射关系；按照映射关系将正中矢状面特征图像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域；提取每个感兴趣区域的局部特征；提取所有感兴趣区域的整体特征。
在一个实施例中，提取模块602还用于将正中矢状面特征图输入U型分割网络；获取U型分割网络的编码层输出的高维影像特征；其中，U型分割网络的训练步骤包括：获取脑部医学影像样本，提取脑部医学影像样本的脑部实质掩膜样本，根据脑部实质掩膜样本获取脑部医学影像样本所对应的正中矢状面特征图像样本，将正中矢状面特征图样本像映射至标准脑部图像，根据标准脑部图像的区域划分确定正中矢状面特征图像中的感兴趣区域；以正中矢状面特征图样本为U型分割网络的训练输入，正中矢状面特征图样本的感兴趣区域划分结果为训练目标，训练U型分割网络。
在一个实施例中，获取模块601还用于获取正中矢状面特征图像的对称图像与正中矢状面特征图像之间的左右侧差异图像；评分模块604还用于根据左右侧差异图像、局部特征、整体特征以及高维影像特征，对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果。
在一个实施例中，评分模块604还用于将左右侧差异图像中感兴趣区域内的灰度特征、局部特征、整体特征以及高维影像特征共同作为输入特征；将输入特征输入SVM分类器，得到各感兴趣区域对应的异常概率；根据异常概率，得到脑部医学影像所对应的评分结果。
在一个实施例中，评分模块604还用于对各感兴趣区域对应的异常概率进行修正，得到各感兴趣区域对应的异常概率修正结果；将对应的异常概率修正结果大于异常阈值的感兴趣区域识别为异常区域；根据各异常区域在标准评分策略中的区域属性，对脑部医学影像进行异常评分以得到脑部医学影像所对应的评分结果。
在一个实施例中，评分模块604还用于将对应的异常概率大于修正阈值的感兴趣区域识别为候选修正区域；当候选修正区域的对称脑部区域也识别为候选修正区域时，则对两对称的候选修正区域中对应的CT均值高的候选修正区域进行异常概率修正；当候选修正区域内存在体积占比大于10％的联通体素区域，且候选修正区域的CT均值小于全体感兴趣区域的CT均值时，则将候选修正区域的异常概率增加0.1，反之，则将候选修正区域的异常概率减少0.1；当候选修正区域内存在体积占比大于10％的联通体素区域，且候选修正区域的CT均值高于60，则将候选修正区域的异常概率增加0.1，反之，则保持候选修正区域的异常概率不变；当候选修正区域内存在体积占比大于10％的联通体素区域，且候选修正区域的CT均值小于20，则将候选修正区域的异常概率增加0.1，反之，则保持候选修正区域的异常概率不变。
关于脑部医学影像评分装置的具体限定可以参见上文中对于脑部医学影像评分装置的限定，在此不再赘述。上述脑部医学影像评分装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种脑部医学影像分类装置。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例中脑部医学影像分方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中脑部医学影像分方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上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 (10)

1.一种脑部医学影像评分方法，其特征在于，包括：
获取待处理的脑部医学影像；
提取所述脑部医学影像的脑部实质掩膜，并根据所述脑部实质掩膜获取所述脑部医学影像所对应的正中矢状面特征图像；
将所述正中矢状面特征图像映射至标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域，并提取各所述感兴趣区域的局部特征以及所有所述感兴趣区域的整体特征；所述局部特征是指单个所述感兴趣区域所具有的特征，以全体感兴趣区域的体素合点作为单位，提取所有感兴趣区域的整体特征；
提取所述正中矢状面特征图像的高维影像特征，包括：将所述正中矢状面特征图输入U型分割网络；获取所述U型分割网络的编码层输出的所述高维影像特征；
使用分类模型根据所述局部特征、所述整体特征以及所述高维影像特征，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述正中矢状面特征图像映射至标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域，并提取各所述感兴趣区域的局部特征以及所有所述感兴趣区域的整体特征，包括：
通过仿射变换和/或微分同胚变换，确定所述正中矢状面特征图像与标准脑部图像之间的映射关系；
按照所述映射关系将所述正中矢状面特征图像映射至所述标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域；
提取每个所述感兴趣区域的局部特征；
提取所有所述感兴趣区域的整体特征。
3.根据权利要求1所述的方法，其特征在于，其中，所述U型分割网络的训练步骤包括：
获取脑部医学影像样本，提取所述脑部医学影像样本的脑部实质掩膜样本，根据所述脑部实质掩膜样本获取所述脑部医学影像样本所对应的正中矢状面特征图像样本，将所述正中矢状面特征图样本像映射至标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域；
以所述正中矢状面特征图样本为所述U型分割网络的训练输入，所述正中矢状面特征图样本的感兴趣区域划分结果为训练目标，训练所述U型分割网络。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述正中矢状面特征图像的对称图像与所述正中矢状面特征图像之间的左右侧差异图像；
所述使用分类模型根据所述局部特征、所述整体特征以及所述高维影像特征，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果，包括：
使用分类模型根据所述左右侧差异图像、所述局部特征、所述整体特征以及所述高维影像特征，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果。
5.根据权利要求4所述的方法，其特征在于，所述使用分类模型根据所述左右侧差异图像、所述局部特征、所述整体特征以及所述高维影像特征，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果，包括：
将所述左右侧差异图像中所述感兴趣区域内的灰度特征、所述局部特征、所述整体特征以及所述高维影像特征共同作为输入特征；
将所述输入特征输入SVM分类器，得到各所述感兴趣区域对应的异常概率；
根据所述异常概率，得到所述脑部医学影像所对应的评分结果。
6.根据权利要求5所述的方法，其特征在于，所述根据所述异常概率，得到所述脑部医学影像所对应的评分结果，包括：
对各所述感兴趣区域对应的异常概率进行修正，得到各所述感兴趣区域对应的异常概率修正结果；
将对应的异常概率修正结果大于异常阈值的感兴趣区域识别为异常区域；
根据各所述异常区域在标准评分策略中的区域属性，对所述脑部医学影像进行异常评分以得到所述脑部医学影像所对应的评分结果。
7.根据权利要求6所述的方法，其特征在于，所述对各所述感兴趣区域对应的异常概率进行修正，得到各所述感兴趣区域对应的异常概率修正结果，包括：
将对应的异常概率大于修正阈值的感兴趣区域识别为候选修正区域；
当所述候选修正区域的对称脑部区域也识别为候选修正区域时，则对两对称的候选修正区域中对应的CT均值高的候选修正区域进行异常概率修正；
当所述候选修正区域内存在体积占比大于10%的联通体素区域，且所述候选修正区域的CT均值小于全体所述感兴趣区域的CT均值时，则将所述候选修正区域的异常概率增加0.1，反之，则将所述候选修正区域的异常概率减少0.1；
当所述候选修正区域内存在体积占比大于10%的联通体素区域，且所述候选修正区域的CT均值高于60，则将所述候选修正区域的异常概率增加0.1，反之，则保持所述候选修正区域的异常概率不变；
当所述候选修正区域内存在体积占比大于10%的联通体素区域，且所述候选修正区域的CT均值小于20，则将所述候选修正区域的异常概率增加0.1，反之，则保持所述候选修正区域的异常概率不变。
8.一种脑部医学影像评分装置，其特征在于，包括：
获取模块，用于获取目标对象所对应的脑部医学影像；
提取模块，用于提取所述脑部医学影像的脑部实质掩膜，并根据所述脑部实质掩膜获取所述脑部医学影像所对应的正中矢状面特征图像；
映射模块，用于将所述正中矢状面特征图像映射至标准脑部图像，根据所述标准脑部图像的区域划分确定所述正中矢状面特征图像中的感兴趣区域，并提取各所述感兴趣区域的局部特征以及所有所述感兴趣区域的整体特征；所述局部特征是指单个所述感兴趣区域所具有的特征，以全体感兴趣区域的体素合点作为单位，提取所有感兴趣区域的整体特征；
所述提取模块还用于提取所述正中矢状面特征图像的高维影像特征，包括：将所述正中矢状面特征图输入U型分割网络；获取所述U型分割网络的编码层输出的所述高维影像特征；
评分模块，用于使用分类模型根据所述局部特征、所述整体特征以及所述高维影像特征，得到所述脑部医学影像所对应的评分结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，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7中任一项所述的方法的步骤。
CN202210055048.7A 2022-01-18 2022-01-18 脑部医学影像评分方法、装置、计算机设备和存储介质 Active CN114463288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210055048.7A CN114463288B (zh) 2022-01-18 2022-01-18 脑部医学影像评分方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210055048.7A CN114463288B (zh) 2022-01-18 2022-01-18 脑部医学影像评分方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN114463288A CN114463288A (zh) 2022-05-10
CN114463288B true CN114463288B (zh) 2023-01-10

Family

ID=81410155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210055048.7A Active CN114463288B (zh) 2022-01-18 2022-01-18 脑部医学影像评分方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114463288B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899253A (zh) * 2020-08-07 2020-11-06 长沙大端信息科技有限公司 胎儿颅脑切面图像的异常判断分析方法及装置
CN111951265A (zh) * 2020-08-31 2020-11-17 杭州脉流科技有限公司 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质
CN112907563A (zh) * 2021-03-17 2021-06-04 复旦大学附属华山医院 基于深度学习的cta全自动侧枝循环评分方法及系统
WO2021120961A1 (zh) * 2019-12-16 2021-06-24 中国科学院深圳先进技术研究院 大脑成瘾结构图谱评估方法及装置
CN113077479A (zh) * 2021-03-25 2021-07-06 深圳市铱硙医疗科技有限公司 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110934608B (zh) * 2019-10-31 2020-11-13 上海杏脉信息科技有限公司 脑卒中早期cta图像评估系统及评估方法、可读存储介质
CN111524109B (zh) * 2020-04-16 2023-07-25 推想医疗科技股份有限公司 头部医学影像的评分方法和装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021120961A1 (zh) * 2019-12-16 2021-06-24 中国科学院深圳先进技术研究院 大脑成瘾结构图谱评估方法及装置
CN111899253A (zh) * 2020-08-07 2020-11-06 长沙大端信息科技有限公司 胎儿颅脑切面图像的异常判断分析方法及装置
CN111951265A (zh) * 2020-08-31 2020-11-17 杭州脉流科技有限公司 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质
CN112907563A (zh) * 2021-03-17 2021-06-04 复旦大学附属华山医院 基于深度学习的cta全自动侧枝循环评分方法及系统
CN113077479A (zh) * 2021-03-25 2021-07-06 深圳市铱硙医疗科技有限公司 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
EIS-Net:Segmenting early infarct and scoring ASPECTS simultaneously on non-contrast CT of patients with acute ischemic stroke;Hulin Kuang et al;《Medical Image Analysis》;20211231;全文 *
基于定量影像组学的脑肿瘤分级预测;朱永北;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20200315;全文 *

Also Published As

Publication number Publication date
CN114463288A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
US10679740B2 (en) System and method for patient privacy protection in medical images
JP7486485B2 (ja) 脳画像内の領域を特定するための装置
Hu et al. Automatic segmentation of intracerebral hemorrhage in CT images using encoder–decoder convolutional neural network
Yao et al. Automated hematoma segmentation and outcome prediction for patients with traumatic brain injury
Pourreza et al. Brain tumor segmentation in MRI scans using deeply-supervised neural networks
Wang et al. Automated segmentation of CBCT image using spiral CT atlases and convex optimization
CN112348785B (zh) 一种癫痫病灶定位方法及系统
Shieh et al. Computer-aided diagnosis of hyperacute stroke with thrombolysis decision support using a contralateral comparative method of CT image analysis
Sun et al. Intracranial hemorrhage detection by 3D voxel segmentation on brain CT images
WO2023125828A1 (en) Systems and methods for determining feature points
Poh et al. Automatic segmentation of ventricular cerebrospinal fluid from ischemic stroke CT images
CN113223015A (zh) 血管壁图像分割方法、装置、计算机设备和存储介质
CN114332132A (zh) 图像分割方法、装置和计算机设备
Panda et al. Robust optic nerve segmentation on clinically acquired CT
Li et al. BrainK for structural image processing: creating electrical models of the human head
Liu et al. Robust cortical thickness morphometry of neonatal brain and systematic evaluation using multi-site MRI datasets
Banerjee et al. A CADe system for gliomas in brain MRI using convolutional neural networks
CN111681205B (zh) 图像分析方法、计算机设备和存储介质
CN114463288B (zh) 脑部医学影像评分方法、装置、计算机设备和存储介质
Suneetha et al. A survey on image processing techniques for brain tumor detection using magnetic resonance imaging
WO2021032325A1 (en) Updating boundary segmentations
Zheng et al. Adaptive segmentation of vertebral bodies from sagittal MR images based on local spatial information and Gaussian weighted chi-square distance
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study
JPWO2020174770A1 (ja) 領域特定装置、方法およびプログラム、学習装置、方法およびプログラム、並びに識別器
Martins Unsupervised brain anomaly detection in MR images

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