CN114820602A - 一种缺血区分割方法、装置、设备及存储介质 - Google Patents

一种缺血区分割方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114820602A
CN114820602A CN202210735523.5A CN202210735523A CN114820602A CN 114820602 A CN114820602 A CN 114820602A CN 202210735523 A CN202210735523 A CN 202210735523A CN 114820602 A CN114820602 A CN 114820602A
Authority
CN
China
Prior art keywords
image
cerebral blood
brain
training
artery
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210735523.5A
Other languages
English (en)
Other versions
CN114820602B (zh
Inventor
黄预立
杨鸣
吴子良
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.)
Naoxi Suzhou Intelligent Technology Co ltd
Original Assignee
Naoxi Suzhou Intelligent 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 Naoxi Suzhou Intelligent Technology Co ltd filed Critical Naoxi Suzhou Intelligent Technology Co ltd
Priority to CN202210735523.5A priority Critical patent/CN114820602B/zh
Publication of CN114820602A publication Critical patent/CN114820602A/zh
Application granted granted Critical
Publication of CN114820602B publication Critical patent/CN114820602B/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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

发明涉及图像处理技术领域，具体是一种缺血区分割方法、装置、设备及存储介质，所述方法包括：获取目标对象脑部的表观扩散系数图像；获取所述目标对象脑部的脑血流量图像、脑血容量图像以及动脉通过时间图像；利用预先训练的分类模型对所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行处理，得到所述目标对象脑部的缺血区分割图像。本发明的缺血区分割方法，通过联合扩散加权图像信息和多个标记后延迟的动脉自旋标记灌注图像信息进行缺血区分割，充分利用了各类图像之间的相互信息，提高了缺血区分割的准确性和鲁棒性。

Description

一种缺血区分割方法、装置、设备及存储介质
技术领域
本发明涉及图像处理技术领域，特别涉及一种缺血区分割方法、装置、设备及存储介质。
背景技术
缺血性脑卒中是一种常见的脑血管疾病，一直以来都严重危害着人体健康，其发病率、致残率和病死率都非常高。如何快速有效地诊断缺血性脑卒中是当前临床工作中的重要研究课题。缺血性脑卒中的早期发现是十分重要的，尤其是超急性期的正确发现，能够及时指导采取措施，以减少梗死灶周边缺血半暗带区域的脑细胞坏死，对于缺血性脑卒中的诊断与治疗具有重大作用。
现有技术常用脑实质成像来进行疾病的诊断、疗效评价以及预后判断，其中常用的有动脉自旋标记（Arterial Spin Labeling，ASL）灌注成像技术和扩散加权成像（Diffusion Weighted Imaging，DWI）技术。其中，ASL技术无辐射、无需注射造影剂的优点使其应用于肾功能不全、造影剂过敏或患有甲亢的脑卒中患者、儿童患者成为可能。现有的ASL技术通常是基于单一标记后延迟（Post-Labeling Delay，PLD）的ASL图像计算的脑血流量（Cerebral Blood Flow，CBF）图像与对侧值比较，小于40%的为缺血区，而现有的DWI技术通常是基于计算的表观扩散系数（Apparent Diffusion Coefficient，ADC）图像，小于620mm2/s的为梗死区。
但是，现有的ASL技术计算的CBF图像对PLD的选择很敏感，当某区域的动脉通过时间大于PLD时，CBF值会被严重低估，并且通过与对侧值进行比较的分割方法会漏掉双侧缺血的可能，同时由于正常白质CBF值就比正常灰质CBF值低，因此通过与对侧值进行比较的分割方法可能会过多地包含白质信号，影响分割结果的准确性。并且现有的ASL技术和DWI技术通过绝对阈值分割的方式，没有考虑不同个体的不一致性，会导致分割结果不稳定。
发明内容
针对现有技术的上述问题，本发明的目的在于提供一种缺血区分割方法、装置、设备及存储介质，能够提高缺血区分割的准确性和鲁棒性。
为了解决上述问题，本发明提供一种缺血区分割方法，包括：
获取目标对象脑部的表观扩散系数图像；
获取所述目标对象脑部的脑血流量图像、脑血容量图像以及动脉通过时间图像；
利用预先训练的分类模型对所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行处理，得到所述目标对象脑部的缺血区分割图像。
进一步地，所述获取目标对象脑部的表观扩散系数图像包括：
获取所述目标对象脑部的扩散加权图像数据；
根据所述扩散加权图像数据确定所述表观扩散系数图像；
将所述表观扩散系数图像配准到标准脑空间，得到标准脑空间的表观扩散系数图像。
进一步地，所述获取所述目标对象脑部的脑血流量图像、脑血容量图像以及动脉通过时间图像包括：
获取所述目标对象脑部的多个标记后延迟的动脉自旋标记灌注图像数据；
根据所述多个标记后延迟的动脉自旋标记灌注图像数据，确定所述目标对象脑部的动脉通过时间图像；
根据所述动脉通过时间图像确定所述目标对象脑部的脑血流量图像；
根据所述动脉通过时间图像和所述脑血流量图像确定所述目标对象脑部的脑血容量图像；
将所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像分别配准到标准脑空间，得到标准脑空间的脑血流量图像、脑血容量图像以及动脉通过时间图像。
进一步地，所述根据所述动脉通过时间图像确定所述目标对象脑部的脑血流量图像包括：
根据所述动脉通过时间图像和各个标记后延迟的动脉自旋标记灌注图像数据，分别计算各个标记后延迟的动脉自旋标记灌注图像数据对应的各个脑血流量图像；
计算各个标记后延迟的动脉自旋标记灌注图像数据对应的脑血流量图像的平均图像，作为所述目标对象脑部的脑血流量图像。
进一步地，所述利用预先训练的分类模型对所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行处理，得到所述目标对象脑部的缺血区分割图像包括：
将所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像输入所述分类模型，得到所述目标对象脑部的分类图像；其中，所述分类图像中的每个像素为区域类别标识；
获取所述目标对象脑部的目标动脉自旋标记灌注图像数据；
将所述分类图像与所述目标动脉自旋标记灌注图像数据进行融合，得到所述目标对象脑部的缺血区分割图像。
进一步地，所述方法还包括预先训练所述分类模型，所述分类模型的训练过程包括：
获取训练图像数据集，所述训练图像数据集中包括多个缺血性脑卒中患者的扩散加权训练图像数据、动态磁敏感对比增强灌注训练图像数据以及多个标记后延迟的动脉自旋标记灌注训练图像数据；
根据各个所述扩散加权训练图像数据确定对应的表观扩散系数训练图像；
根据各个缺血性脑卒中患者的多个标记后延迟的动脉自旋标记灌注训练图像数据确定对应的脑血流量训练图像、脑血容量训练图像以及动脉通过时间训练图像；
根据各个所述动态磁敏感对比增强灌注训练图像数据确定对应的残余功能函数最大时间参数图；
根据各个缺血性脑卒中患者对应的表观扩散系数训练图像和残余功能函数最大时间参数图，确定对应的缺血区分割标注结果；
基于各个缺血性脑卒中患者对应的所述表观扩散系数训练图像、所述脑血流量训练图像、所述脑血容量训练图像、所述动脉通过时间训练图像以及所述缺血区分割标注结果，对预设的分类器进行有监督训练，得到所述分类模型。
进一步地，所述方法还包括：
根据所述缺血区分割图像计算梗死区体积和半暗带区体积；
根据所述梗死区体积和所述半暗带区体积计算错配比。
本发明另一方面提供一种缺血区分割装置，包括：
第一获取模块，用于获取目标对象脑部的表观扩散系数图像；
第二获取模块，用于获取所述目标对象脑部的脑血流量图像、脑血容量图像以及动脉通过时间图像；
图像处理模块，用于利用预先训练的分类模型对所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行处理，得到所述目标对象脑部的缺血区分割图像。
本发明另一方面提供一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的缺血区分割方法。
本发明另一方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的缺血区分割方法。
由于上述技术方案，本发明具有以下有益效果：
根据本发明实施例的缺血区分割方法，通过利用扩散加权图像数据计算表观扩散系数图像，利用多个标记后延迟的动脉自旋标记灌注图像数据计算脑血流量图像、脑血容量图像以及动脉通过时间图像，再基于所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行机器学习分类，从而得到缺血区分割图像。这种联合扩散加权图像信息和多个标记后延迟的动脉自旋标记灌注图像信息进行缺血区分割的方法，充分利用了各类图像之间的相互信息，并且通过引入包括脑血容量图像、动脉通过时间图像等额外的信息，能够提高缺血区分割的准确性和鲁棒性。
另外，通过多个标记后延迟的动脉自旋标记灌注图像数据计算动脉通过时间图像，并利用动脉通过时间图像作为分类模型的输入数据，能够有效降低缺血区分割结果对PLD的敏感性，避免出现低估CBF值的情况，进一步提高了缺血区分割的准确性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本发明一个实施例提供的实施环境示意图；
图2是本发明一个实施例提供的缺血区分割方法的流程图；
图3是本发明一个实施例提供的动脉通过时间值与加权延时值的对应曲线的示意图；
图4a-图4c是本发明一个实施例提供的缺血区分割结果的示意图；
图5是本发明一个实施例提供的训练分类模型的流程图；
图6是本发明一个实施例提供的缺血区分割装置的结构示意图；
图7是本发明一个实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参考说明书附图1，其示出了本发明一个实施例提供的实施环境示意图。如图1所示，该实施环境可以包括至少一个医学扫描设备110和计算机设备120，所述计算机设备120和各个医学扫描设备110可以通过有线或无线通信方式进行直接或间接地连接，本发明实施例对此不做限制。
所述计算机设备120可以获取由医学扫描设备110扫描得到的目标对象脑部的医学影像数据（例如扩散加权图像数据以及多个标记后延迟的动脉自旋标记灌注图像数据），并通过本发明实施例提供的缺血区分割方法确定目标对象脑部的缺血区分割图像，以供医生进行查阅，以及时指导采取措施。其中，所述医学扫描设备110可以但不限于是磁共振成像设备等，所述计算机设备120可以但不限于是各种服务器、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备、服务器可以是独立的服务器或者是多个服务器组成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content DeliveryNetwork，CDN）、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是，图1仅仅是一种示例。本领域技术人员可以理解，虽然图1中只示出了1个医学扫描设备110，但并不构成对本发明实施例的限定，可以包括比图示更多或更少的医学扫描设备110。
参考说明书附图2，其示出了本发明一个实施例提供的缺血区分割方法的流程，该方法可以应用于图1中的计算机设备120中，具体的如图2所示，所述方法可以包括以下步骤：
S210：获取目标对象脑部的表观扩散系数图像。
本发明实施例中，可以通过磁共振DWI技术对所述目标对象脑部的影像进行采集，得到对应的DWI图像数据，进而利用DWI图像数据计算得到所述ADC图像。其中，所述目标对象可以为可能患有缺血性脑卒中的患者。
具体地，所述获取目标对象脑部的表观扩散系数图像可以包括：
获取所述目标对象脑部的扩散加权图像数据；
根据所述扩散加权图像数据确定所述表观扩散系数图像；
将所述表观扩散系数图像配准到标准脑空间，得到标准脑空间的表观扩散系数图像。
本发明实施例中，所述DWI图像数据可以包括具有不同扩散敏感系数（b0、b1）的至少两个DWI图像，可以通过所述至少两个DWI图像计算所述ADC图像。具体计算公式如下：
Figure 273545DEST_PATH_IMAGE002
其中，SIb0是b0值DWI图像的信号值，SIb1是b1值DWI图像的信号值，b1值大于b0值（b0值可以为0），所述ADC图像可以反映质子的扩散情况。
需要说明的是，上述利用DWI图像数据计算ADC图像的方法可以由实现本发明实施例提供的方法的计算机设备来执行，也可以由其它设备来执行，并将得到的ADC图像发送至所述计算机设备，本发明实施例对此不作限制。
本发明实施例中，获取到所述ADC图像之后，可以将其配准到标准脑空间，得到标准脑空间的ADC图像，以简化后续处理过程。需要说明的是，可以采用现有技术中的配准方法将所述ADC图像配准到标准脑空间，例如可以基于所述目标对象脑部的T1结构图像，将所述ADC图像配准到标准脑空间，得到标准脑空间的ADC图像等等，本发明实施例对此不作限制。
S220：获取所述目标对象脑部的脑血流量图像、脑血容量图像以及动脉通过时间图像。
本发明实施例中，可以利用ASL灌注成像技术对所述目标对象脑部的影像进行采集，得到Multi-PLD ASL（多标记后延迟 ASL）灌注图像数据，进而利用Multi-PLD ASL灌注图像数据计算得到所述CBF图像、脑血容量图像（Cerebral Blood Volume，CBV）以及动脉通过时间（Arterial Transit Time，ATT）图像。其中，所述目标对象可以为可能患有缺血性脑卒中的患者。
具体地，所述获取所述目标对象脑部的脑血流量图像、脑血容量图像以及动脉通过时间图像可以包括：
获取所述目标对象脑部的多个标记后延迟的动脉自旋标记灌注图像数据；
根据所述多个标记后延迟的动脉自旋标记灌注图像数据，确定所述目标对象脑部的动脉通过时间图像；
根据所述动脉通过时间图像确定所述目标对象脑部的脑血流量图像；
根据所述动脉通过时间图像和所述脑血流量图像确定所述目标对象脑部的脑血容量图像；
将所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像分别配准到标准脑空间，得到标准脑空间的脑血流量图像、脑血容量图像以及动脉通过时间图像。
本发明实施例中，所述ASL灌注图像数据可以包括质子密度（Proton Density，PD）加权图像、控制图像（control图像，也即非标记图像）和标记图像（label图像）。将各个PLD对应的control图像与label图像相减可以得到各个PLD对应的ASL图像，利用各个PLD对应的ASL图像可以计算得到加权延时（Weighted Delay，WD）图像，进而可以根据所述WD图像确定ATT图像。具体地，计算WD图像的过程可以参考以下公式：
Figure 312783DEST_PATH_IMAGE004
其中，N为PLD的个数，w(i)为PLD的值，∆S(i)为control图像与label图像的信号差（即ASL图像的信号值）。
具体地，得到所述WD图像后，可以基于预先建立的ATT值与WD值的对应曲线，确定所述WD图像中各个体素的WD值对应的ATT值，从而可以得到一个ATT图像。
如图3所示，ATT值与WD值的对应曲线为单调递增的曲线，也就是说，WD值越大，与之对应的ATT值就越大。在一些可能的实施例中，ATT值与WD值的对应曲线可以通过以下方式得到：首先，预先设定ATT值的取值范围，根据预设ASL信号模型，按一定步长计算所述取值范围内所有ATT值对应的WD值，即可得到ATT值与WD值的对应曲线。其中，所述取值范围可以根据实际需要进行设定，本发明实施例对此不作限制；所述预设ASL信号模型可以由（2）式和下式（3）组成：
Figure 487413DEST_PATH_IMAGE006
其中，w(i)为PLD的值，∆S(i)为control图像与label图像的信号差（即ASL图像的信号值），λ为脑-血分配系数，通常简化地取定值为0.9mL/g，S0为质子密度加权图像的体素信号值，α为标记效率，f(i)是每个PLD对应的CBF值，R1,a是动脉血T1弛豫率，即1/T1,a，δ为ATT值，τ为标记序列持续时间。
本发明实施例中，所述根据所述动脉通过时间图像确定所述目标对象脑部的脑血流量图像可以包括：
根据所述动脉通过时间图像和各个标记后延迟的动脉自旋标记灌注图像数据，分别计算各个标记后延迟的动脉自旋标记灌注图像数据对应的各个脑血流量图像；
计算各个标记后延迟的动脉自旋标记灌注图像数据对应的脑血流量图像的平均图像，作为所述目标对象脑部的脑血流量图像。
具体地，确定所述ATT图像后，可以基于所述ATT图像和各个PLD对应的ASL图像，利用公式（3）计算得到各个PLD对应的CBF图像中各体素的CBF值，从而可以得到各个PLD对应的CBF图像。然后计算各个PLD对应的CBF图像的平均图像，作为所述目标对象脑部的CBF图像。其中，所述平均图像可以为加权平均图像，各个PLD对应的CBF图像的权重可以预先设置，例如可以设置为1/N（N为PLD的个数），本发明实施例对此不作限制。
本发明实施例中，可以根据所述ATT图像和所述目标对象脑部的CBF图像计算得到所述目标对象脑部的CBV图像，具体计算公式可以参考下式：
Figure 150475DEST_PATH_IMAGE008
需要说明的是，上述利用ASL灌注图像数据计算CBF图像、CBV图像和ATT图像的方法可以由实现本发明实施例提供的方法的计算机设备来执行，也可以由其它设备来执行，并将得到的CBF图像、CBV图像和ATT图像发送至所述计算机设备，本发明实施例对此不作限制。
在一个可能的实施例中，获取到所述CBF图像、所述CBV图像和所述ATT图像之后，可以分别将它们配准到标准脑空间，得到标准脑空间的CBF图像、CBV图像和ATT图像，以简化后续处理过程。
需要说明的是，可以采用现有技术中的配准方法将所述CBF图像、所述CBV图像和所述ATT图像配准到标准脑空间，例如可以基于所述目标对象脑部的T1结构图像，将所述CBF图像、所述CBV图像和所述ATT图像配准到标准脑空间，得到标准脑空间的CBF图像、CBV图像和ATT图像等等，本发明实施例对此不作限制。
在一个优选的实施例中，还可以将所述CBF图像、所述CBV图像和所述ATT图像先配准到DWI数据空间，得到DWI数据空间的CBF图像、CBV图像和ATT图像，再将DWI数据空间的CBF图像、CBV图像和ATT图像配准到标准脑空间，得到标准脑空间的CBF图像、CBV图像和ATT图像。
可以理解，不同图像由于分辨率不同、扫描对象发生运动等原因会不完全一致，因此可以先将所述目标对象脑部的所有图像先进行个人的配准，使得所述目标对象脑部的所有图像保持一致，再将这些图像配准到标准脑空间，能够提高配准结果的鲁棒性。
在一些可能的实施例中，也可以将DWI图像数据计算的ADC图像先配准到ASL灌注数据空间，得到ASL灌注数据空间的ADC图像，再将ASL灌注数据空间的ADC图像，以及所述CBF图像、所述CBV图像和所述ATT图像配准到标准脑空间，得到标准脑空间的ADC图像、CBF图像、CBV图像和ATT图像。
S230：利用预先训练的分类模型对所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行处理，得到所述目标对象脑部的缺血区分割图像。
本发明实施例中，可以联合所述ADC图像、所述CBF图像、所述CBV图像和所述ATT图像，利用机器学习算法来进行缺血区自动分割。其中，分割得到的缺血区分割图像中可以包括梗死区、半暗带区和正常区域中的一种或多种。
具体地，所述利用预先训练的分类模型对所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行处理，得到所述目标对象脑部的缺血区分割图像可以包括：
将所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像输入所述分类模型，得到所述目标对象脑部的分类图像；其中，所述分类图像中的每个像素为区域类别标识；
获取所述目标对象脑部的目标动脉自旋标记灌注图像数据；
将所述分类图像与所述目标动脉自旋标记灌注图像数据进行融合，得到所述目标对象脑部的缺血区分割图像。
本发明实施例中，所述分类模型可以对输入的ADC图像、CBF图像、CBV图像和ATT图像进行分析处理，确定所述目标对象脑部图像各个像素点所属的区域类别，并通过不同的区域类别标识来进行区分。
其中，所述分类模型可以以通过DWI图像数据计算的ADC图像，以及动态磁敏感对比增强（Dynamic Susceptibility Contrast，DSC）灌注图像数据计算的残余功能函数最大时间（Time to Maximum Enhancement，TMAX）参数图确定的缺血区分割标注结果为监督，对预设的分类器进行训练得到，所述预设的分类器可以包括但不局限于现有技术中常用的分类模型，例如可以是随机森林（Random Forest，RF）、模糊聚类、岭回归或深度神经网络等模型，本发明实施例对此不作限制。
其中，所述区域类别可以包括梗死区、半暗带区和正常区域，可以采用不同的标识来区分不同的区域，例如可以采用2标识梗死区、采用1标识半暗带区以及采用0标识正常区域等。需要说明的是，上述区分方法并不构成对本发明实施例的限定，也可以采用其它标识方法对不同的区域类别进行区分。
本发明实施例中，结合参考说明书附图4a至图4c，为了更加直观地对各个区域进行展示，可以将分类图像与ASL灌注数据空间的图像进行融合得到缺血区分割图像，并对分割得到的梗死区和半暗带区进行标记，使得医生可以快速确定其位置和范围等信息。示例性地，如图4a至图4c所示，其中（a）区域为梗死区，（b）区域为半暗带区，其它区域为正常区域。
在一个可能的实施例中，所述目标动脉自旋标记灌注图像数据可以包括质子密度加权图像；所述将所述分类图像与所述目标动脉自旋标记灌注图像数据进行融合，得到所述目标对象脑部的缺血区分割图像可以包括：
将所述分类图像转换到动脉自旋标记灌注数据空间，得到动脉自旋标记灌注数据空间的分类图像；
将所述动脉自旋标记灌注数据空间的分类图像与所述质子密度加权图像进行融合，得到所述目标对象脑部的缺血区分割图像。
在实际应用中，可以将分类图像与原始图像（例如质子密度加权图像）进行融合，来得到所述缺血区分割图像。具体地，将标准脑空间的ADC图像、CBF图像、CBV图像和ATT图像输入所述分类模型，可以得到标准脑空间的分类图像，此时可以先将所述分类图像转换到ASL灌注数据空间，得到ASL灌注数据空间的分类图像，再将ASL灌注数据空间的分类图像与所述质子密度加权图像进行叠加，即可得到ASL灌注数据空间的缺血区分割图像。
在实际应用中，还可以将ASL灌注数据空间的分类图像中的缺血区用颜色进行标记，并叠加在所述质子密度加权图像中，例如可以用红色标记梗死区、用绿色标记半暗带区，通过颜色进行标记，使得医生可以快速准确地确定缺血半暗带的位置和范围等信息。
在一个可能的实施例中，结合参考说明书附图5，所述方法还可以包括预先训练所述分类模型，所述分类模型的训练过程可以包括以下步骤：
S510：获取训练图像数据集，所述训练图像数据集中包括多个缺血性脑卒中患者的扩散加权训练图像数据、动态磁敏感对比增强灌注训练图像数据以及多个标记后延迟的动脉自旋标记灌注训练图像数据。
本发明实施例中，可以采集多个缺血性脑卒中患者脑部的DWI图像数据、DSC灌注图像数据以及Multi-PLD ASL灌注图像数据，组成训练图像数据集。所述训练图像数据集中的训练图像数据为扫描质量优、无运动伪影，并且计算的ADC图像、CBV图像、CBF图像、ATT图像以及TMAX参数图均没有伪影的图像数据。
示例性地，可以采集至少300例急性缺血性脑卒中患者脑部的DWI图像数据、DSC灌注图像数据以及Multi-PLD ASL灌注图像数据，选择其中扫描质量优、无运动伪影，并且计算的ADC图像、CBV图像、CBF图像、ATT图像以及TMAX参数图均没有伪影的图像数据作为训练图像数据。
S520：根据各个所述扩散加权训练图像数据确定对应的表观扩散系数训练图像。
本发明实施例中，可以根据DWI训练图像数据计算得到对应的ADC训练图像，具体计算方法可以参考步骤S210中计算ADC图像的内容，本发明实施例在此不再赘述。
在一个可能的实施例中，得到ADC训练图像后，可以将所述ADC训练图像配准到标准脑空间，得到标准脑空间的ADC训练图像，以简化后续处理过程。
S530：根据各个缺血性脑卒中患者的多个标记后延迟的动脉自旋标记灌注训练图像数据确定对应的脑血流量训练图像、脑血容量训练图像以及动脉通过时间训练图像。
本发明实施例中，可以根据Multi-PLD ASL灌注图像数据计算得到对应的CBF训练图像、CBV训练图像和ATT训练图像，具体计算方法可以参考步骤S220中计算CBF图像、CBV图像和ATT图像的内容，本发明实施例在此不再赘述。
在一个可能的实施例中，得到CBF训练图像、CBV训练图像和ATT训练图像之后，可以分别将它们配准到标准脑空间，得到标准脑空间的CBF训练图像、CBV训练图像和ATT训练图像，以简化后续处理过程。
在一些实施例中，还可以将所述CBF训练图像、所述CBV训练图像和所述ATT训练图像先配准到DWI数据空间，得到DWI数据空间的CBF训练图像、CBV训练图像和ATT训练图像，再将DWI数据空间的CBF训练图像、CBV训练图像和ATT训练图像分别配准到标准脑空间，得到标准脑空间的CBF训练图像、CBV训练图像和ATT训练图像。
可以理解，不同图像由于分辨率不同、扫描对象发生运动等原因会不完全一致，因此可以先将所述目标对象脑部的所有图像先进行个人的配准，使得所述目标对象脑部的所有图像保持一致，再将这些图像配准到标准脑空间，能够提高配准结果的鲁棒性。
在一些可能的实施例中，也可以将DWI图像数据计算的ADC图像先配准到ASL灌注数据空间，得到ASL灌注数据空间的ADC图像，再将ASL灌注数据空间的ADC图像，以及所述CBF图像、所述CBV图像和所述ATT图像配准到标准脑空间，得到标准脑空间的ADC图像、CBF图像、CBV图像和ATT图像。
S540：根据各个所述动态磁敏感对比增强灌注训练图像数据确定对应的残余功能函数最大时间参数图。
本发明实施例中，可以先根据各个DSC灌注训练图像数据进行反卷积计算得到对应的残余功能函数r(t)，再基于得到的残余功能函数r(t)求解对应的TMAX参数图。
具体地，根据DSC灌注训练图像数据进行反卷积计算的过程可以参考如下公式：
Figure 410555DEST_PATH_IMAGE010
其中，r(t)为残余功能函数，⨂为卷积运算，ct(t)为DSC灌注训练图像数据的信号值随时间变化的曲线，ca(t)为动脉输入曲线。
具体地，根据残余功能函数r(t)求解对应的TMAX参数图的过程可以参考如下公式：
Figure 551687DEST_PATH_IMAGE012
其中，argmaxt是计算曲线最大值对应的时间t的运算。
在一个可能的实施例中，得到所述TMAX参数图后，可以将所述TMAX参数图配准到标准脑空间，得到标准脑空间的TMAX参数图，以简化后续处理过程。
S550：根据各个缺血性脑卒中患者对应的表观扩散系数训练图像和残余功能函数最大时间参数图，确定对应的缺血区分割标注结果。
本发明实施例中，针对每个缺血性脑卒中患者，可以分别基于所述步骤S540中计算得到的所述TMAX参数图来确定对应的半暗带区标注结果，基于所述步骤S520中计算得到的所述ADC训练图像来确定对应的梗死区标注结果，从而得到完整的缺血区分割标注结果。
具体地，得到所述TMAX参数图后，可以通过对所述TMAX参数图取阈值得到对应的半暗带区标注结果。示例性地，可以将所述TMAX参数图中TMAX值大于第一预设阈值的像素点组成的区域标注为半暗带区。其中，所述第一预设阈值可以根据实际情况进行设置，例如可以设置为6s，发明实施例对此不作限制。
具体地，得到所述ADC训练图像后，也可以通过对所述ADC训练图像取阈值得到对应的梗死区标注结果。示例性地，可以将所述ADC训练图像中ADC值小于第二预设阈值的像素点组成的区域标注为梗死区。其中，所述第二预设阈值可以根据实际情况进行设置，例如可以设置为620mm2/s，发明实施例对此不作限制。
具体地，确定各个缺血性脑卒中患者的半暗带区标注结果和梗死区标注结果后，可以将所述半暗带区和所述梗死区之外的其他区域标注为正常区域，从而得到各个缺血性脑卒中患者对应的缺血区分割标注结果。
S560：基于各个缺血性脑卒中患者对应的所述表观扩散系数训练图像、所述脑血流量训练图像、所述脑血容量训练图像、所述动脉通过时间训练图像以及所述缺血区分割标注结果，对预设的分类器进行有监督训练，得到所述分类模型。
本发明实施例中，可以以通过TMAX参数图和ADC训练图像得出的缺血区分割标注结果为监督，以所述ADC训练图像、所述CBF训练图像、所述CBV训练图像和所述ATT训练图像为输入数据，通过机器学习算法对预设的分类器进行有监督训练，得到所述分类模型。其中，所述预设的分类器可以包括但不局限于现有技术中常用的分类模型，例如可以是随机森林（Random Forest，RF）、模糊聚类、岭回归或深度神经网络等模型，本发明实施例对此不作限制。
具体地，在训练分类模型的过程中，可以将所述训练图像数据集中的各个训练图像数据交叉地分为训练集与测试集（例如可以将训练图像数据分为五组，每次取其中任意四组为训练集，余下一组为测试集），利用训练集中的训练图像数据训练所述分类模型，并利用测试集中的训练图像数据来测试训练得到的分类模型的性能，评估分类模型的表现，直到训练的分类模型满足预设条件时训练完成，得到一个可靠的可以用于分类的分类模型。
在实际应用中，可以根据所述测试集中的训练图像数据计算得到对应的ADC图像、CBF图像、CBV图像和ATT图像，利用这四个特征图像对训练的分类模型进行验证，当训练的分类模型满足预设条件时，得到可以用于分类的分类模型。其中，所述预设条件可以预先设定，例如可以设置为分割得到的缺血区/半暗带区与实际缺血区/半暗带区之间的DICE系数或者体积值的相关性大于某个预设值，所述预设值可以根据实际情况进行设置，本发明实施例对此不作限制。
可以理解，本发明实施例通过以DWI图像数据得到的ADC图像以及以DSC灌注图像数据得到的TMAX参数图为监督，以ADC图像、CBF图像、CBV图像和ATT图像为输入，进行机器学习的模型训练得到进行缺血区分割的分类模型，通过以经过临床有效性验证的DSC灌注图像数据为监督数据以及纳入更全面的输入数据，能够提高分类模型的可靠性，从而保证缺血区分割结果的可靠性。
在一个可能的实施例中，所述方法还可以包括以下步骤：
根据所述缺血区分割图像计算梗死区体积和半暗带区体积；
根据所述梗死区体积和所述半暗带区体积计算错配比。
本发明实施例中，得到所述缺血区分割图像后，可以确定各个区域的像素点的数量，然后乘以每个像素点的体积就是分割出来各个区域的体积。所述错配比可以通过下式进行计算：
Figure 580822DEST_PATH_IMAGE014
其中，V1为半暗带区体积，V2为梗死区体积。通过计算梗死区体积、半暗带区体积和错配比，可以对所述目标用户的缺血性脑卒中的缺血半暗带进行有效的评估，对缺血性脑卒中的诊断与治疗具有指导意义。
综上所述，根据本发明实施例的缺血区分割方法，通过利用扩散加权图像数据计算表观扩散系数图像，利用多个标记后延迟的动脉自旋标记灌注图像数据计算脑血流量图像、脑血容量图像以及动脉通过时间图像，再基于所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行机器学习分类，从而得到缺血区分割图像。这种联合扩散加权图像信息和多个标记后延迟的动脉自旋标记灌注图像信息进行缺血区分割的方法，充分利用了各类图像之间的相互信息，并且通过引入包括脑血容量图像、动脉通过时间图像等额外的信息，能够提高缺血区分割的准确性和鲁棒性。
另外，通过多个标记后延迟的动脉自旋标记灌注图像数据计算动脉通过时间图像，并利用动脉通过时间图像作为分类模型的输入数据，能够有效降低缺血区分割结果对PLD的敏感性，避免出现低估CBF值的情况，进一步提高了缺血区分割的准确性。
参考说明书附图6，其示出了本发明一个实施例提供的一种缺血区分割装置600的结构。如图6所示，所述装置600可以包括：
第一获取模块610，用于获取目标对象脑部的表观扩散系数图像；
第二获取模块620，用于获取所述目标对象脑部的脑血流量图像、脑血容量图像以及动脉通过时间图像；
图像处理模块630，用于利用预先训练的分类模型对所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行处理，得到所述目标对象脑部的缺血区分割图像。
在一个可能的实施例中，所述装置600还可以包括模型训练模块，所述模型训练模块可以包括：
训练图像数据集获取单元，用于获取训练图像数据集，所述训练图像数据集中包括多个缺血性脑卒中患者的扩散加权训练图像数据、动态磁敏感对比增强灌注训练图像数据以及多个标记后延迟的动脉自旋标记灌注训练图像数据；
训练图像确定单元，用于根据各个所述扩散加权训练图像数据确定对应的表观扩散系数训练图像；以及根据各个缺血性脑卒中患者的多个标记后延迟的动脉自旋标记灌注训练图像数据确定对应的脑血流量训练图像、脑血容量训练图像以及动脉通过时间训练图像；
参数图确定单元，用于根据各个所述动态磁敏感对比增强灌注训练图像数据确定对应的残余功能函数最大时间参数图；
分割标注结果确定单元，用于根据各个缺血性脑卒中患者对应的表观扩散系数训练图像和残余功能函数最大时间参数图，确定对应的缺血区分割标注结果；
模型训练单元，用于基于各个缺血性脑卒中患者对应的所述表观扩散系数训练图像、所述脑血流量训练图像、所述脑血容量训练图像、所述动脉通过时间训练图像以及所述缺血区分割标注结果，对预设的分类器进行有监督训练，得到所述分类模型。
在一个可能的实施例中，所述装置600还可以包括：
体积计算模块，用于根据所述缺血区分割图像计算梗死区体积和半暗带区体积；
错配比计算模块，用于根据所述梗死区体积和所述半暗带区体积计算错配比。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与相应方法实施例属于同一构思，其具体实现过程详见对应方法实施例，这里不再赘述。
本发明一个实施例还提供了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的缺血区分割方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
在一个具体的实施例中，图7示出了一种用于实现本发明实施例所提供的缺血区分割方法的电子设备的硬件结构示意图，所述电子设备可以为计算机终端、移动终端或其它设备，所述电子设备还可以参与构成或包含本发明实施例所提供的缺血区分割装置。如图7所示，所述电子设备700可以包括一个或一个以上计算机可读存储介质的存储器710、一个或者一个以上处理核心的处理器720、输入单元730、显示单元740、射频（RadioFrequency，RF）电路750、无线保真（wireless fidelity，WiFi）模块760以及电源770等部件。本领域技术人员可以理解，图7中示出的电子设备结构并不构成对电子设备700的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
所述存储器710可用于存储软件程序以及模块，所述处理器720通过运行或执行存储在所述存储器710的软件程序以及模块，以及调用存储在存储器710内的数据，从而执行各种功能应用以及数据处理。所述存储器710可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据所述电子设备的使用所创建的数据等。此外，存储器710可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器710还可以包括存储器控制器，以提供处理器720对存储器710的访问。
所述处理器720是电子设备700的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器710内的软件程序和/或模块，以及调用存储在存储器710内的数据，执行电子设备700的各种功能和处理数据，从而对电子设备700进行整体监控。所述处理器720可以是中央处理器，还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述输入单元730可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元730可包括触敏表面731以及其他输入设备732。具体地，触敏表面731可以包括但不限于触感板或者触摸屏，其他输入设备732可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。
所述显示单元740可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元740可包括显示面板741，可选的，可以采用液晶显示器（Liquid CrystalDisplay，LCD）、有机发光二极管（Organic Light-Emitting Diode，OLED）等形式来配置显示面板741。
所述RF电路750可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器720处理；另外，将涉及上行的数据发送给基站。通常，RF电路750包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块（SIM）卡、收发信机、耦合器、低噪声放大器（Low Noise Amplifier，LNA）、双工器等。此外，RF电路750还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统（Global System of Mobilecommunication，GSM）、通用分组无线服务（General Packet Radio Service，GPRS）、码分多址（Code Division Multiple Access，CDMA）、宽带码分多址（Wideband Code DivisionMultiple Access，WCDMA）、长期演进（Long Term Evolution，LTE）、电子邮件、短消息服务（Short Messaging Service，SMS）等。
WiFi属于短距离无线传输技术，电子设备700通过WiFi模块760可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图7示出了WiFi模块760，但是可以理解的是，其并不属于电子设备700的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
所述电子设备700还包括给各个部件供电的电源770（比如电池），优选的，电源可以通过电源管理系统与处理器720逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源770还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
需要说明的是，尽管未示出，所述电子设备700还可以包括蓝牙模块等，在此不再赘述。
本发明一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可设置于电子设备之中以保存用于实现一种缺血区分割方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的缺血区分割方法。
可选地，在本发明实施例中，上述存储介质可以包括但不限于：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本发明一个实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现例中提供的缺血区分割方法。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种缺血区分割方法，其特征在于，包括：
获取目标对象脑部的表观扩散系数图像；
获取所述目标对象脑部的脑血流量图像、脑血容量图像以及动脉通过时间图像；
利用预先训练的分类模型对所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行处理，得到所述目标对象脑部的缺血区分割图像。
2.根据权利要求1所述的方法，其特征在于，所述获取目标对象脑部的表观扩散系数图像包括：
获取所述目标对象脑部的扩散加权图像数据；
根据所述扩散加权图像数据确定所述表观扩散系数图像；
将所述表观扩散系数图像配准到标准脑空间，得到标准脑空间的表观扩散系数图像。
3.根据权利要求1所述的方法，其特征在于，所述获取所述目标对象脑部的脑血流量图像、脑血容量图像以及动脉通过时间图像包括：
获取所述目标对象脑部的多个标记后延迟的动脉自旋标记灌注图像数据；
根据所述多个标记后延迟的动脉自旋标记灌注图像数据，确定所述目标对象脑部的动脉通过时间图像；
根据所述动脉通过时间图像确定所述目标对象脑部的脑血流量图像；
根据所述动脉通过时间图像和所述脑血流量图像确定所述目标对象脑部的脑血容量图像；
将所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像分别配准到标准脑空间，得到标准脑空间的脑血流量图像、脑血容量图像以及动脉通过时间图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述动脉通过时间图像确定所述目标对象脑部的脑血流量图像包括：
根据所述动脉通过时间图像和各个标记后延迟的动脉自旋标记灌注图像数据，分别计算各个标记后延迟的动脉自旋标记灌注图像数据对应的各个脑血流量图像；
计算各个标记后延迟的动脉自旋标记灌注图像数据对应的脑血流量图像的平均图像，作为所述目标对象脑部的脑血流量图像。
5.根据权利要求1所述的方法，其特征在于，所述利用预先训练的分类模型对所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行处理，得到所述目标对象脑部的缺血区分割图像包括：
将所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像输入所述分类模型，得到所述目标对象脑部的分类图像；其中，所述分类图像中的每个像素为区域类别标识；
获取所述目标对象脑部的目标动脉自旋标记灌注图像数据；
将所述分类图像与所述目标动脉自旋标记灌注图像数据进行融合，得到所述目标对象脑部的缺血区分割图像。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括预先训练所述分类模型，所述分类模型的训练过程包括：
获取训练图像数据集，所述训练图像数据集中包括多个缺血性脑卒中患者的扩散加权训练图像数据、动态磁敏感对比增强灌注训练图像数据以及多个标记后延迟的动脉自旋标记灌注训练图像数据；
根据各个所述扩散加权训练图像数据确定对应的表观扩散系数训练图像；
根据各个缺血性脑卒中患者的多个标记后延迟的动脉自旋标记灌注训练图像数据确定对应的脑血流量训练图像、脑血容量训练图像以及动脉通过时间训练图像；
根据各个所述动态磁敏感对比增强灌注训练图像数据确定对应的残余功能函数最大时间参数图；
根据各个缺血性脑卒中患者对应的表观扩散系数训练图像和残余功能函数最大时间参数图，确定对应的缺血区分割标注结果；
基于各个缺血性脑卒中患者对应的所述表观扩散系数训练图像、所述脑血流量训练图像、所述脑血容量训练图像、所述动脉通过时间训练图像以及所述缺血区分割标注结果，对预设的分类器进行有监督训练，得到所述分类模型。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述缺血区分割图像计算梗死区体积和半暗带区体积；
根据所述梗死区体积和所述半暗带区体积计算错配比。
8.一种缺血区分割装置，其特征在于，包括：
第一获取模块，用于获取目标对象脑部的表观扩散系数图像；
第二获取模块，用于获取所述目标对象脑部的脑血流量图像、脑血容量图像以及动脉通过时间图像；
图像处理模块，用于利用预先训练的分类模型对所述表观扩散系数图像、所述脑血流量图像、所述脑血容量图像以及所述动脉通过时间图像进行处理，得到所述目标对象脑部的缺血区分割图像。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-7任意一项所述的缺血区分割方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-7任意一项所述的缺血区分割方法。
CN202210735523.5A 2022-06-27 2022-06-27 一种缺血区分割方法、装置、设备及存储介质 Active CN114820602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210735523.5A CN114820602B (zh) 2022-06-27 2022-06-27 一种缺血区分割方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210735523.5A CN114820602B (zh) 2022-06-27 2022-06-27 一种缺血区分割方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114820602A true CN114820602A (zh) 2022-07-29
CN114820602B CN114820602B (zh) 2022-09-16

Family

ID=82522452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210735523.5A Active CN114820602B (zh) 2022-06-27 2022-06-27 一种缺血区分割方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114820602B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830014A (zh) * 2023-02-03 2023-03-21 脑玺(苏州)智能科技有限公司 缺血半暗带的误标记识别方法、装置、设备及存储介质
CN117422732A (zh) * 2023-12-18 2024-01-19 湖南自兴智慧医疗科技有限公司 病理学图像分割方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170140551A1 (en) * 2014-06-30 2017-05-18 Universität Bern Method for segmenting and predicting tissue regions in patients with acute cerebral ischemia
CN113628207A (zh) * 2021-08-30 2021-11-09 脑玺(苏州)智能科技有限公司 一种图像区域分割方法、装置、设备及存储介质
CN113706560A (zh) * 2021-09-23 2021-11-26 南京鼓楼医院 一种缺血区分割方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170140551A1 (en) * 2014-06-30 2017-05-18 Universität Bern Method for segmenting and predicting tissue regions in patients with acute cerebral ischemia
CN113628207A (zh) * 2021-08-30 2021-11-09 脑玺(苏州)智能科技有限公司 一种图像区域分割方法、装置、设备及存储介质
CN113706560A (zh) * 2021-09-23 2021-11-26 南京鼓楼医院 一种缺血区分割方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830014A (zh) * 2023-02-03 2023-03-21 脑玺(苏州)智能科技有限公司 缺血半暗带的误标记识别方法、装置、设备及存储介质
CN117422732A (zh) * 2023-12-18 2024-01-19 湖南自兴智慧医疗科技有限公司 病理学图像分割方法及装置
CN117422732B (zh) * 2023-12-18 2024-02-23 湖南自兴智慧医疗科技有限公司 病理学图像分割方法及装置

Also Published As

Publication number Publication date
CN114820602B (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN114820602B (zh) 一种缺血区分割方法、装置、设备及存储介质
CN113628207B (zh) 一种图像区域分割方法、装置、设备及存储介质
CN113706560A (zh) 一种缺血区分割方法、装置、设备及存储介质
US11700540B2 (en) Method and device for monitoring network data
CN110852938B (zh) 一种展示图片生成方法、装置及存储介质
Lavdas et al. Fully automatic, multiorgan segmentation in normal whole body magnetic resonance imaging (MRI), using classification forests (CF s), convolutional neural networks (CNN s), and a multi‐atlas (MA) approach
CN108605205A (zh) 用于确定电子装置的位置的设备和方法
CN109712119A (zh) 一种磁共振成像及斑块识别方法和装置
CN111222647A (zh) 联邦学习系统优化方法、装置、设备及存储介质
CN105704818B (zh) 无线电通信设备和用于其操作的方法
US10462734B2 (en) Method, apparatus and system with carrier network switching control
CN113678121A (zh) Iot系统中标记数据的自动生成
CN113901764A (zh) 一种内容排版方法、装置、电子设备和存储介质
CN113876345A (zh) 缺血半暗带的识别方法、设备、电子装置和存储介质
CN108307088B (zh) 一种图像处理方法、装置、系统和存储介质
WO2023207995A1 (en) Systems and methods for image analysis
CN115830014B (zh) 缺血半暗带的误标记识别方法、装置、设备及存储介质
US9648554B2 (en) Mobile terminal for cell reselection in cellular mobile communication system and methods therefor
CN115530820B (zh) 一种氧摄取分数测量方法、装置、设备及存储介质
CN109615203A (zh) 气管病报销流程的处理方法、装置、设备及可读存储介质
CN113724160B (zh) 一种脑影像处理方法、装置、设备及存储介质
CN115908457A (zh) 低密度梗死区分割方法、分析方法、装置、系统、设备及介质
WO2022103659A1 (en) System and method for detecting medical conditions
CN113616160A (zh) 基于多模态医学影像的ffr确定方法、装置、设备及介质
CN118645210A (zh) 取栓手术前的临床预后预测方法、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