CN114841996A - 一种图像分析系统及方法 - Google Patents
一种图像分析系统及方法 Download PDFInfo
- Publication number
- CN114841996A CN114841996A CN202210650312.1A CN202210650312A CN114841996A CN 114841996 A CN114841996 A CN 114841996A CN 202210650312 A CN202210650312 A CN 202210650312A CN 114841996 A CN114841996 A CN 114841996A
- Authority
- CN
- China
- Prior art keywords
- stroke
- time points
- analysis
- brain
- time point
- 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.)
- Pending
Links
- 238000010191 image analysis Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000004556 brain Anatomy 0.000 claims abstract description 134
- 238000004458 analytical method Methods 0.000 claims abstract description 101
- 230000008859 change Effects 0.000 claims abstract description 37
- 208000006011 Stroke Diseases 0.000 claims description 157
- 230000000302 ischemic effect Effects 0.000 claims description 63
- 230000000740 bleeding effect Effects 0.000 claims description 49
- 208000032382 Ischaemic stroke Diseases 0.000 claims description 26
- 230000036770 blood supply Effects 0.000 claims description 21
- 206010061216 Infarction Diseases 0.000 claims description 20
- 230000007574 infarction Effects 0.000 claims description 20
- 208000016988 Hemorrhagic Stroke Diseases 0.000 claims description 19
- 208000020658 intracerebral hemorrhage Diseases 0.000 claims description 19
- 238000012916 structural analysis Methods 0.000 claims description 10
- 208000028867 ischemia Diseases 0.000 claims description 8
- 238000003703 image analysis method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 51
- 208000032843 Hemorrhage Diseases 0.000 description 50
- 230000006870 function Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 12
- 206010008190 Cerebrovascular accident Diseases 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000002490 cerebral effect Effects 0.000 description 7
- 230000003902 lesion Effects 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 210000001638 cerebellum Anatomy 0.000 description 4
- 210000003710 cerebral cortex Anatomy 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 210000003657 middle cerebral artery Anatomy 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 210000001103 thalamus Anatomy 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000002008 hemorrhagic effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000001259 mesencephalon Anatomy 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 206010056292 Androgen-Insensitivity Syndrome Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 210000004227 basal ganglia Anatomy 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 210000001652 frontal lobe Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000000869 occipital lobe Anatomy 0.000 description 2
- 238000012014 optical coherence tomography Methods 0.000 description 2
- 210000001152 parietal lobe Anatomy 0.000 description 2
- 210000003388 posterior cerebral artery Anatomy 0.000 description 2
- 210000003478 temporal lobe Anatomy 0.000 description 2
- 206010018852 Haematoma Diseases 0.000 description 1
- 208000004552 Lacunar Stroke Diseases 0.000 description 1
- 206010051078 Lacunar infarction Diseases 0.000 description 1
- 241000243684 Lumbricus Species 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 210000001653 corpus striatum Anatomy 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000092 effect on stroke Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002608 intravascular ultrasound Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004973 left posterior cerebral artery Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 210000002330 subarachnoid space Anatomy 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000002385 vertebral artery Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本说明书实施例提供一种图像分析系统及方法,其中,该系统包括获取模块,用于获取目标对象的多个时间点中每个时间点对应的脑部扫描图像;脑卒中分析模块,用于分析所述每个时间点对应的脑部扫描图像,确定所述每个时间点对应的脑卒中分析结果;以及趋势分析模块,用于基于所述每个时间点对应的脑卒中分析结果,确定所述多个时间点中至少两个时间点对应的脑卒中变化趋势。
Description
技术领域
本说明书涉及医学影像分析领域,特别涉及一种图像分析系统及方法。
背景技术
脑卒中主要分为出血性卒中和缺血性卒中,其中约80%为缺血性脑卒中。缺血性脑卒中(Acute Ischemic Stroke,AIS)是不断变化的,在不同的阶段其表现不同,且可能存在治疗后并发症。对于脑卒中,治疗后的并发症常具有迟发性,比如对于出血性卒中是否存在出血血肿的进一步扩大;对于缺血性卒中是否存在AIS治疗后的出血转化、梗死核心区域缩减等。由此可见,对卒中患者的随访是非常必要的。
因此,有必要提供一种图像分析系统及方法,可以针对多次的脑卒中数据进行查看和评估,从而可以直观、便捷地对脑卒中的病灶变化趋势进行分析。
发明内容
本说明书实施例之一提供一种图像分析系统,包括获取模块,用于获取目标对象的多个时间点中每个时间点对应的脑部扫描图像;脑卒中分析模块,用于分析所述每个时间点对应的脑部扫描图像,确定所述每个时间点对应的脑卒中分析结果;以及趋势分析模块,用于基于所述每个时间点对应的脑卒中分析结果,确定所述多个时间点中至少两个时间点对应的脑卒中变化趋势。
在一些实施例中,所述获取模块进一步用于将所述多个时间点中每个时间点对应的脑部扫描图像进行配准。
在一些实施例中,所述脑卒中分析模块进一步包括脑卒中类型判断子模块,用于判断所述每个时间点对应的脑部扫描图像对应的脑卒中类型;出血功能子模块,用于确定所述脑卒中类型为出血性卒中时,所述脑部扫描图像对应的出血性卒中相关信息;缺血功能子模块,用于确定所述脑卒中类型为缺血性卒中时,所述脑部扫描图像对应的缺血性卒中相关信息。
在一些实施例中,所述出血性卒中相关信息包括出血量和出血位置中的至少一种;所述缺血性卒中相关信息包括ASPECTS评分、缺血区域的位置、缺血区域的尺寸、缺血区域对应的供血血管、缺血区域的核心梗死体积中的至少一种。
在一些实施例中,所述基于所述每个时间点对应的脑卒中分析结果,确定所述多个时间点中至少两个时间点对应的脑卒中变化趋势包括:对比所述多个时间点中至少两个时间点对应的脑卒中分析结果,获得对比结果;基于所述对比结果,确定所述多个时间点中至少两个时间点对应的脑卒中变化趋势。
在一些实施例中,所述对比结果包括所述至少两个时间点对应的脑部扫描图像的融合图像,其中,所述融合图像显示所述至少两个时间点对应的脑部扫描图像的差异化区域。
在一些实施例中,所述对比结果包括所述至少两个时间点对应的所述脑卒中分析结果基于所述至少两个时间点的变化曲线。
在一些实施例中,所述图像分析系统还包括报告生成模块。所述报告生成模块用于基于所述脑卒中变化趋势和预设生成方式,生成与所述目标对象相关的结构化分析报告。
本说明书实施例之一提供一种图像分析方法,利用如前所述的图像分析系统执行。所述方法包括:获取目标对象的多个时间点中每个时间点对应的脑部扫描图像;分析所述每个时间点对应的脑部扫描图像,确定所述每个时间点对应的脑卒中分析结果;以及基于所述每个时间点对应的脑卒中分析结果,确定所述多个时间点中至少两个时间点对应的脑卒中变化趋势。
本说明书实施例之一提供一种图像分析装置,其特征在于,所述装置包括:至少一个存储介质,存储计算机指令;至少一个处理器,执行所述计算机指令,以实现如前所述的图像分析方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述计算机指令时,所述计算机执行如前所述的图像分析方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的示例性图像分析系统的应用场景示意图;
图2是根据本说明书一些实施例所示的示例性图像分析系统的模块图;
图3和图4是根据本说明书一些实施例所示的示例性图像分析方法的流程示意图;
图5A-5C是根据本说明书一些实施例所示的示例性大脑皮层分区的示意图;
图6A-6B是根据本说明书一些实施例所示的示例性差异化区域的示意图;
图7是根据本说明书一些实施例所示的示例性变化曲线的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例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说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的示例性图像分析系统的应用场景示意图。
仅作为示例,如图1所示,图像分析系统100可以包括医疗设备110、处理设备120、终端设备130、存储设备140和网络150。在一些实施例中,处理设备120可以是医疗设备110中的一部分。
医疗设备110可以是用于疾病诊断或研究目的非侵入性扫描成像设备。在一些实施例中,医疗设备110可以对检测区域或扫描区域内的目标对象进行扫描,得到该目标对象的扫描数据。在一些实施例中,医疗设备110可以包括单模态扫描仪和/或多模态扫描仪。单模态扫描仪可以包括例如超声波扫描仪、X射线扫描仪、计算机断层扫描(CT)扫描仪、核磁共振成像(MRI)扫描仪、光学相干断层扫描(OCT)扫描仪、超声(US)扫描仪、血管内超声(IVUS)扫描仪等,或其任意组合。多模态扫描仪可以包括例如X射线成像-核磁共振成像(X射线-MRI)扫描仪、正电子发射断层扫描-X射线成像(PET-X射线)扫描仪、单光子发射计算机断层扫描-核磁共振成像(SPECT-MRI)扫描仪、正电子发射断层扫描-计算机断层摄影(PET-CT)扫描仪、数字减影血管造影-核磁共振成像(DSA-MRI)扫描仪等。在一些实施例中,处理设备120可以集成在医疗设备110上,或者医疗设备110与处理设备120通过同一实体实现其功能。上面提供的医疗设备仅用于说明目的,而无意限制本说明书的范围。
处理设备120可以处理从医疗设备110、终端设备130、存储设备140或图像分析系统100的其他组件获得的数据和/或信息。例如,处理设备120可以从医疗设备110中获取目标对象的多个时间点中每个时间点对应的脑部扫描图像,其中,脑部扫描图像可以包括CT扫描图像、PET扫描图像、MRI扫描图像等,并分析每个时间点对应的脑部扫描图像,确定每个时间点对应的脑卒中分析结果。处理设备120可以进一步基于每个时间点对应的脑卒中分析结果,确定多个时间点中至少两个时间点对应的卒中变化趋势。又例如,处理设备120可以从终端设备130获取卒中分析结构化报告的预设生成方式。处理设备120可以进一步基于卒中变化趋势和预设生成方式,生成与目标对象相关的结构化分析报告。在一些实施例中,处理设备120可以是本地或远程的。例如,处理设备120可以通过网络150从医疗设备110、终端设备130和/或存储设备140访问信息和/或数据。
在一些实施例中,终端设备130可以是脑卒中图像分析的请求终端和/或脑卒中图像分析结果的处理终端。例如,用户可以通过终端设备130发送指令,请求进行脑卒中图像分析。又如,终端设备130可以将生成/获取的卒中分析结果(例如,卒中分析结构化报告)展示在显示界面,以输出给用户。在本说明书的实施例中,终端设备130可以包括移动设备131、平板电脑132、笔记本电脑133等或其任意组合。
存储设备140可以存储数据、指令和/或任何其他信息。在一些实施例中,存储设备140可以存储从医疗设备110、处理设备120和/或终端设备130获得的数据,例如,目标对象的脑部扫描图像、脑卒中分析结果、卒中变化趋势、目标对象相关的结构化分析报告、结构分析报告的预设生成方式等。
在一些实施例中,存储设备140可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其他设备的一部分。在一些实施例中,存储设备140可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性的,大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备140可在云平台上实现。
网络150可以包括能够促进信息和/或数据交换的任何合适的网络。在一些实施例中,图像分析系统100的至少一个组件(例如,医疗设备110、处理设备120、终端设备130、存储设备140)可以通过网络150与图像分析系统100中至少一个其他组件交换信息和/或数据。例如,处理设备120可以通过网络150从医疗设备110获取目标对象的脑部扫描图像。又如,终端设备130可以通过网络150从处理设备120获取与目标对象相关的结构化分析报告。
应当注意,图像分析系统100仅仅是为了说明的目的而提供的,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,图像分析系统100还可以包括输入装置和/或输出装置。又例如,图像分析系统100可以在其它设备上实现类似或不同的功能。然而,这些变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的示例性图像分析系统的模块图。
如图2所示,在一些实施例中,图像分析系统200可以包括获取模块210、脑卒中分析模块220、趋势分析模块230以及报告生成模块240。在一些实施例中,图像分析系统200对应的功能可以由处理设备120执行,如获取模块210、脑卒中分析模块220、趋势分析模块230以及报告生成模块240可以为处理设备120中的模块。
在一些实施例中,获取模块210可以用于获取目标对象的多个时间点中每个时间点对应的脑部扫描图像,例如,患者的CT平扫数据等。
在一些实施例中,获取模块210可以进一步用于将多个时间点中每个时间点对应的脑部扫描图像进行配准。
在一些实施例中,脑卒中分析模块220可以用于分析每个时间点对应的脑部扫描图像,确定每个时间点对应的脑卒中分析结果。
在一些实施例中,脑卒中分析模块220可以进一步包括脑卒中类型判断子模块221、出血功能子模块222和缺血功能子模块223。
在一些实施例中,脑卒中类型判断子模块221可以用于判断每个时间点对应的脑部扫描图像对应的脑卒中类型。
在一些实施例中,出血功能子模块222可以用于确定脑卒中类型为出血性卒中时,脑部扫描图像对应的出血性卒中相关信息。在一些实施例中,出血性卒中相关信息可以包括出血量和出血位置中的至少一种。
在一些实施例中,缺血功能子模块223可以用于确定脑卒中类型为缺血性卒中时,脑部扫描图像对应的缺血性卒中相关信息。在一些实施例中,缺血性卒中相关信息可以包括Alberta卒中项目早期CT评分(Alberta Stroke Proram EarlCT Score,ASPECTS)、缺血区域的位置、缺血区域的尺寸、缺血区域对应的供血血管、缺血区域的核心梗死体积中的至少一种。
在一些实施例中,趋势分析模块230可以用于基于每个时间点对应的脑卒中分析结果,确定多个时间点中至少两个时间点对应的脑卒中变化趋势。
在一些实施例中,趋势分析模块230可以进一步用于对比多个时间点中至少两个时间点对应的脑卒中分析结果,获得对比结果;基于对比结果,确定多个时间点中至少两个时间点对应的脑卒中变化趋势。
在一些实施例中,趋势分析模块230可以进一步用于将所述至少两个时间点对应的脑部扫描图像进行融合,得到融合图像,其中,所述融合图像显示所述至少两个时间点对应的脑部扫描图像的差异化区域。
在一些实施例中,趋势分析模块230可以进一步用于得到所述至少两个时间点对应的所述脑卒中分析结果基于所述至少两个时间点的变化曲线。
在一些实施例中,报告生成模块240可以用于基于脑卒中变化趋势和预设生成方式,生成与目标对象相关的结构化分析报告。
通过图像分析系统可以实现基于获取的多个时间点对应的脑部扫描图像,自动地确定多个时间点内脑卒中变化趋势,节约评估病灶发展趋势的时间和效率,并且基于多种信息确定的脑卒中变化趋势准确度高。
应当理解,图2所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。
需要注意的是,以上对于系统及其模块的描述,仅为描述方便,作为示意,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,在一些实施例中,图2中披露的以上模块可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的示例性图像分析方法的流程示意图。如图3所示,流程300包括下述步骤。在一些实施例中,图3所示的流程300的一个或一个以上操作可以在图1所示的图像分析系统100中实现。例如,图3所示的流程300可以以指令的形式存储在存储设备140中,并由处理设备120调用和/或执行。
步骤310,获取目标对象的多个时间点中每个时间点对应的脑部扫描图像。在一些实施例中,步骤310可以由处理设备120或获取模块210执行。
在一些实施例中,可以获取目标对象的多个时间点中每个时间点对应的脑部扫描图像。
在一些实施例中,目标对象可以包括扫描过程中涉及的生物对象和/或非生物对象的整体或部位。例如,目标对象可以是有生命或无生命的有机和/或无机物质,如头部、耳鼻、颈部、胸部、腹部、肝胆胰脾、肾脏、脊柱等,如人体脑部。
在一些实施例中,脑部扫描图像可以是对人体脑部进行扫描得到的图像,例如,断层扫描图像、PET扫描图像等。在一些实施例中,目标对象的脑部扫描图像可以通过医疗设备(如医疗设备110),如CT扫描设备、PET扫描设备、MRI扫描设备等,经扫描获取,或通过网络(如网络150)、存储设备(如存储设备140)等获取。
在一些实施例中,多个时间点可以是目标对象多次进行脑部扫描的时间。例如,某一时间点可以是2022年1月10日。在一些实施例中,多个时间点之间的时间间隔可以是规律的,例如,以目标对象首次进行脑补扫描的时间为基线(即时间点1为第一天),每隔3天进行脑部扫描(即时间点2为第4天、时间点3为第7天等),多个时间点的间隔时间也可以是随机的,例如,时间点2与时间点1的时间间隔为3天,时间点3与时间点2的时间间隔为5天等。
在一些实施例中,可以将多个时间点中每个时间点对应的脑部扫描图像进行配准。“配准”是指对不同时间点的相关数据根据这些数据的相关特征进行匹配校准的操作。例如,“配准”可以包括但不限于图像对齐;而图像对齐是指将两幅或两幅以上的图像匹配到一起的方法。例如,可以将多个时间点中每个时间点对应的脑部扫描图像进行对齐。具体地,可以提取多个时间点中某一时间点对应的脑部扫描图像中的目标区域,再以该时间点对应的脑部扫描图像为参考图像,对其他时间点对应的脑部扫描图像进行配准,以使同一目标对象在不同时间点对应的脑部扫描图像中对应于空间同一位置,即可得到其他时间点对应的脑部扫描图像中的目标区域。
由于磁共振成像(MRI)对软组织的高对比度,针对同一样本患者的多个时间点对应的脑部扫描图像,相同组织在不同时间点的亮度会有差异,其成像时间前后会有几分钟或几十分钟的差异,可能因病人移动等原因,同一组织在不同时间点上其位置会有所偏移,因此需要采用图像配准技术将多个时间点对应的脑部扫描图像进行对齐。其中,图像配准是指将两幅图像匹配到一起的迭代优化过程,该两幅图像往往具有相似性,将一幅图像作为参考图像不动,另一幅图像进行旋转、平移、错切、缩放等变换操作以达到与参考图像重合的过程即为图像配准。
在一些实施例中,可以从多个时间点对应的脑部扫描图像中选择用于进行图像配准的脑部扫描图像。具体地,若通过多种不同的扫描检测方式得到多个时间点对应的脑部扫描图像,可以从这些多个时间点对应的脑部扫描图像中选择扫描检测方式相同的脑部扫描图像,然后对这些扫描检测方式相同的脑部扫描图像进行图像配准。
图像配准可以将同一患者的多个时间点对应的脑部扫描图像放在一起进行同步看图与定量分析,从而得到该患者的多方面的综合信息,提高脑卒中趋势分析的准确率。
步骤320,分析每个时间点对应的脑部扫描图像,确定每个时间点对应的脑卒中分析结果。在一些实施例中,步骤320可以由处理设备120或脑卒中分析模块220执行。
在一些实施例中,可以分析每个时间点对应的脑部扫描图像,确定每个时间点对应的脑卒中分析结果。
在一些实施例中,脑卒中分析结果可以是与目标对象的脑卒中类型相关的信息。在一些实施例中,脑卒中分析结果可以包括出血性卒中、缺血性卒中、无卒中,以及每种卒中对应的相关信息,如分割信息、体积测量信息和定位信息等。
如图4所示,在一些实施例中,脑卒中分析结果可以通过下述过程得到。
步骤321,判断每个时间点对应的脑部扫描图像对应的脑卒中类型。在一些实施例中,步骤321可以由处理设备120或脑卒中分析模块220执行。
在一些实施例中,脑卒中类型可以是根据病因和临床表现对脑卒中的分类。在一些实施例中,脑卒中类型可以包括出血性卒中、缺血性卒中和无卒中。
出血性卒中可以是脑内或脑表面的血管出血导致的卒中。例如,脑实质出血、蛛网膜下腔出血等。缺血性卒中可以是脑供血动脉(如颈动脉和椎动脉)狭窄或闭塞、脑供血不足导致的卒中。例如,腔隙性脑梗塞、脑白质变性等。无卒中可以是脑部正常的情况。
在一些实施例中,脑卒中类型可以通过处理设备120或脑卒中类型判断子模块221确定每个时间点对应的脑部扫描图像中的病灶区域,并对每个时间点对应的脑部扫描图像中的病灶区域进行分析得到。例如,处理设备120或脑卒中类型判断子模块221可以利用训练好的脑卒中类型识别模型确定脑部扫描图像对应的脑卒中类型。又例如,每个时间点对应的脑部扫描图像中的病灶区域以及相关信息可以展示在用户界面,用户可以确定每个时间点对应的脑部扫描图像对应的脑卒中类型和/或相关信息,并通过用户界面手动输入确定的脑卒中类型和/或相关信息。处理设备120或脑卒中类型判断子模块221可以获取用户确定的脑卒中类型、或者基于用户输入的相关信息确定脑卒中类型。
步骤322,脑卒中类型为出血性卒中时,确定脑部扫描图像对应的出血性卒中相关信息。在一些实施例中,步骤322可以由处理设备120或出血功能子模块222执行。
在一些实施例中,出血性卒中相关信息可以包括脑部扫描图像对应的出血量和出血位置中的至少一种。
在一些实施例中,处理设备120或出血功能子模块222可以使用图像分析算法(例如,图像分割算法)从脑部扫描图像中分割出多个脑部区域。示例性的脑部区域可以包括右侧额叶、左侧额叶、中脑、右侧顶叶、左侧顶叶、小脑蚓部、右侧颞叶、左侧颞叶、脑桥、右侧枕叶、左侧枕叶、右侧小脑、左侧小脑、右基底节、左基底节、右侧外囊、左侧外囊、右侧丘脑和左侧丘脑等。示例性的图像分割算法可以包括阈值分割算法、边缘检测算法、基于机器学习的分割算法等,或其任意组合。在一些实施例中,对脑部扫描图像分割还可以得到眼膜,眼膜可以用于估算出血体积。
在一些实施例中,出血量可以是出血性卒中血液自血管或心脏外流的量。出血量可以通过出血体积表示。出血体积可以基于脑部扫描图像中出血区域的尺寸确定。例如,可以采用多田式公式计算出血量。在一些实施例中,处理设备120或出血功能子模块222可以根据脑部扫描图像空间背景大小及眼膜在空间上的尺寸估算出血体积。
在一些实施例中,出血位置可以是出血性卒中血液外流的具体部位。在一些实施例中,处理设备120或出血功能子模块222可以基于上述分割得到的多个脑部区域的位置,确定目标对象的出血位置。例如,处理设备120或出血功能子模块222可以采用上述图像分割技术,分割得到出血区域。处理设备120或出血功能子模块222可以建立脑部坐标系,并确定每个脑部区域在脑部坐标系中的坐标、以及出血区域在脑部坐标系中的坐标。处理设备120或出血功能子模块222可以进一步比较每个脑部区域在脑部坐标系中的坐标、以及出血区域在脑部坐标系中的坐标,以确定目标对象的出血区域的位置(即,出血位置)。
步骤323,脑卒中类型为缺血性卒中时,确定脑部扫描图像对应的缺血性卒中相关信息。在一些实施例中,步骤323可以由处理设备120或缺血功能子模块223执行。
在一些实施例中,缺血性卒中相关信息可以包括ASPECTS评分、缺血区域的位置、缺血区域的尺寸、缺血区域对应的供血血管、缺血区域的核心梗死体积中的至少一种。
ASPECTS评分也可以称为Alberta卒中项目早期电子计算机断层扫描评分,其可以包括前循环ASPECTS评分、后循环ASPECTS评分等。在一些实施例中,缺血性卒中的脑部扫描图像对应的ASPECTS评分可以通过对大脑皮层不同部位的评分实现。如图5A-5C所示。仅作为示例,图5A中所示的皮层下结构区域,如:岛叶皮质I、尾状核C、豆状核L以及内囊IC、大脑中动脉前皮质区M1、大脑中动脉岛叶外侧皮质区M2、大脑中动脉后皮层区M3,以及图5B中所示的大脑中动脉皮层区域,如:M1上方的大脑中动脉皮层M4、M2上方的大脑中动脉皮层M5、M3上方的大脑中动脉皮层M6均对应1分,前循环ASPECTS评分=10-所有区域总分(早期缺血改变每累及一个区域减1分);图5C中脑桥和中脑Po的任何部分均对应2分,左侧小脑、右侧小脑、左侧丘脑、右侧丘脑、左侧大脑后动脉供血区、右侧大脑后动脉供血区均对应1分,所有区域总分对应后循环ASPECTS评分,得分越高对应预后越好。
缺血区域的位置(也可以称为缺血位置)可以是缺血性卒中供血不足的具体部位。在一些实施例中,可以采用类似于确定出血位置的方式来确定缺血区域的位置,相关描述可以参见步骤323,在此不再赘述。
缺血区域的尺寸可以是缺血性卒中供血不足的具体部位的尺寸大小。在一些实施例中,处理设备120或缺血功能子模块223可以通过计算对应于缺血区域的像素点或者体素点的数量来确定缺血区域的尺寸。例如,处理设备120或缺血功能子模块223可以确定脑部扫描图像中对应于目标对象的脑部区域的像素点数量,以及对应于缺血区域的像素点数量。处理设备120或缺血功能子模块223可以进一步基于脑部的尺寸,以及对应于缺血区域的像素点数量与对应于脑部区域的像素点数量之间的比率,确定缺血区域的尺寸。例如,处理设备120或缺血功能子模块223可以将目标对象的脑部尺寸乘以对应于缺血区域的像素点数量与对应于目标对象的脑部区域的像素点数量之间的比率,得到缺血区域的尺寸。
缺血区域对应的供血血管可以是为该缺血区域供血的血管。在缺血性卒中,由于缺血区域对应的供血血管的部分甚至全部闭塞,导致为该缺血区域供血不足。在一些实施例中,处理设备120或缺血功能子模块223可以基于目标对象的脑部扫描图像,使用供血血管确定模型确定缺血区域对应的供血血管。在一些实施中,供血血管确定模型可以包括第一部分、第二部分和第三部分。第一部分可以用于确定脑部扫描图对应的缺血区域。第二部分可以用于提取图像特征。示例性图像特征可以包括颜色特征、纹理特征、形状特征、尺寸特征、空间关系特征等。第三部分可以提供每个脑部血管与其供血区域之间的对应关系。仅仅作为示例,处理设备120或缺血功能子模块223可以将目标对象的脑部扫描图像输入供血血管确定模型。供血血管确定模型的第一部分可以确定输入的脑部扫描图对应的缺血区域。供血血管确定模型的第二部分可以提取缺血区域的图像特征并将提取的图像特征输入第三部分。供血血管确定模型的第三部分可以基于获取的图像特征以及每个脑部血管与其供血区域之间的对应关系,输出缺血区域对应的供血血管。
在一些实施例中,供血血管确定模型可以只包括上述第二部分和第三部分。仅仅作为示例,在获取目标对象的脑部扫描图像后,处理设备可以确定脑部扫描图像对应的缺血区域。处理设备120或缺血功能子模块223可以将标记有缺血区域的脑部扫描图像输入供血血管确定模型。供血血管确定模型的第二部分可以提取缺血区域的图像特征并将提取的图像特征输入第三部分。供血血管确定模型的第三部分可以基于获取的图像特征以及每个脑部血管与其供血区域之间的对应关系,输出缺血区域对应的供血血管。
缺血区域的核心梗死体积可以是发生不可逆性损伤的脑组织的体积。在一些实施例中,核心梗死体积可以是与正常脑组织相比,脑血流量下降超过30%的区域。在一些实施例中,核心梗死体积可以通过脑灌注方式计算。在一些实施例中,处理设备120可以采用步骤330中所述的图像分割技术确定缺血区域的核心梗死区域。处理设备120可以通过计算对应于核心梗死区域的像素点或者体素点的数量来确定核心梗死区域的体积(即,核心梗死体积)。例如,处理设备120可以确定脑部扫描图像中对应于目标对象的脑部区域的像素点数量,以及对应于核心梗死区域的像素点数量。处理设备120可以进一步基于目标对象的脑部体积以及对应于核心梗死区域的像素点数量与对应于脑部区域的像素点数量之间的比率,确定核心梗死体积。例如,处理设备120可以将目标对象的脑部体积乘以对应于核心梗死区域的像素点数量与对应于目标对象的脑部区域的像素点数量之间的比率,得到核心梗死体积。
步骤330,基于每个时间点对应的脑卒中分析结果,确定多个时间点中至少两个时间点对应的脑卒中变化趋势。在一些实施例中,步骤330可以由处理设备120或趋势分析模块230执行。
在一些实施例中,可以基于每个时间点对应的脑卒中分析结果,确定多个时间点中至少两个时间点对应的脑卒中变化趋势。
在一些实施例中,多个时间点中至少两个时间点可以包括多个时间点中的全部时间点,也可以包括多个时间点中的部分时间点。在一些实施例中,多个时间点中至少两个时间点可以是连续的时间点,如时间点1、时间点2和时间点3等,也可以是间隔的时间点,如时间点1、时间点3和时间点5等。在一些实施例中,多个时间点中至少两个时间点可以是预先设置的,也可以根据用户需求进行选取。
在一些实施例中,脑卒中变化趋势可以指多个时间点中至少两个时间点对应的脑卒中分析结果的变化情况,脑卒中分析结果的变化情况是脑卒中分析结果随时间推移而产生的变化情况。在一些实施例中,脑卒中分析结果的变化趋势可以包括出血量的变化、出血位置的变化、ASPECTS评分的变化、缺血区域的位置的变化、缺血区域的尺寸的变化、缺血区域对应的供血血管的变化、缺血区域的核心梗死体积的变化中的一种或几种。
在一些实施例中,脑卒中变化趋势可以是一段时间内的脑卒中分析结果的变化情况,即两个时间点期间的脑卒中分析结果的变化情况,例如,时间点1和时间点5期间的脑卒中分析结果的变化情况。在一些实施例中,脑卒中变化趋势可以是多段时间内的脑卒中分析结果的变化情况,即多个时间点期间的脑卒中分析结果的变化情况,例如,时间点1和时间点3以及时间点3和时间点5期间的脑卒中分析结果的变化情况。
在一些实施例中,当多个时间点的个数为3个及以上时,可以先确定初始时间点(即第一个时间点)和最终时间点(即最后一个时间点)期间对应的脑卒中分析结果的变化情况,即脑部扫描检测期间内整体的脑卒中病灶变化情况,记为变换情况1,然后确定多个时间点中其他多个两个时间点对应的脑卒中分析结果的变化情况,记为变换情况2,通过比较变换情况1和多个变换情况2,可以对不同阶段的脑卒中分析结果的变化情况有更直观的认识。其中,其他多个两个时间点中的时间间隔可以是相同的,例如,多个时间点的个数为5,多个两个时间点可以为时间点1和时间点3、时间点3和时间点5;其他多个两个时间点中的时间间隔可以是不同的,例如,多个时间点的个数为5,多个两个时间点可以为时间点1和时间点2、时间点2和时间点5。仅作为实例,多个时间点的个数为5时,可以先确定时间点1和时间点5期间对应的脑卒中分析结果的变化情况1,然后确定时间点1和时间点3期间对应的脑卒中分析结果的变化情况21以及时间点3和时间点5期间对应的脑卒中分析结果的变化情况22,通过比较变化情况1和变化情况21以及变化情况22,可以使用户更直观地对脑卒中分析结果的整体及阶段性的变化情况进行查看和分析。
在一些实施例中,对比结果可以包括至少两个时间点对应的脑部扫描图像的融合图像。具体地,可以以至少两个时间点中的起始时间点(即第一个时间点)对应的脑部扫描图像作为基准,对起始时间点之后的时间点对应的脑部扫描图像进行掩图融合操作,得到融合图像。在一些实施例中,掩图融合操作是指将至少两幅图像进行融合的方法,例如,空间域融合方法(如简单组合式图像融合方法、逻辑滤波器法、图像代数法等)、变换域融合方法(如HIS变换、PCA变换、高通滤波法、金字塔变换法等)等,本申请对融合方法不做限定。
在一些实施例中,融合图像可以显示至少两个时间点对应的脑部扫描图像的差异化区域。在一些实施例中,差异化区域是指至少两个时间点对应的脑部扫描图像的不同区域。仅作为示例,如图6A-6B所示,图6A是时间点1对应的脑部扫描图像,其中,区域A和区域B是病灶区域(如出血区域),图6B是时间点2对应的脑部扫描图像,其中,区域A是病灶区域。图6B中的阴影区域B为时间点1中的病灶区域,而在时间点2,区域B为非病灶区域,由此可知,图6B中的阴影区域B为时间点1和时间点2的差异化区域。
通过在融合图像显示至少两个时间点对应的脑部扫描图像的差异化区域,可以使用户直观地看到脑部扫描图像的变化,如上述例子所述,用户可以直观地看到在时间点2时,区域B已由病灶区域转为非病灶区域,由此可以快速地得到在时间点2时病灶的情况有所改善,节省评估病灶发展情况以及医疗对脑卒中的干预效果的时间。
在一些实施例中,对比结果可以包括至少两个时间点对应的脑卒中分析结果基于至少两个时间点的变化曲线。具体地,可以以至少两个时间点中的起始时间点(即第一个时间点)对应的脑卒中分析结果作为基准,将起始时间点之后的时间点对应的脑卒中分析结果显示在图(如折线图、直方图等)或表格中,得到脑卒中分析结果在至少两个时间点的变化曲线。
在一些实施例中,变化曲线可以显示至少两个时间点对应的脑卒中分析结果的变化趋势。以脑卒中分析结果中出血量为例,例如,时间点1的出血量为40ml,时间点2的出血量为30ml,时间点3的出血量为25ml,将上述信息显示在图中,得到如图7所示的折线图,具体地,图7显示了时间点1、时间点2和时间点3对应的出血量以及出血量随时间点变化的趋势为下降趋势。
在一些实施例中,对比结果可以包括一条变化曲线,如出血量的变化曲线,也可以包括多条变化曲线,如出血量的变化曲线、缺血区域的尺寸的变化曲线等。
步骤340,基于脑卒中变化趋势和预设生成方式,生成与目标对象相关的结构化分析报告。在一些实施例中,步骤340可以由处理设备120或报告生成模块240执行。
在一些实施例中,预设生成方式可以是针对脑卒中变化趋势预先设置的报告生成内置规则。例如,预设的报告的分析内容、分析内容的放置顺序、突出显示内容、突出显示方式等格式信息。
在一些实施例中,预设生成方式可以包括用户自定义编辑的生成方式。自定义编辑可以是用户通过人工设置的方式确定结构化分析报告的格式信息。在一些实施例中,自定义编辑可以包括:编辑结构化分析报告的分析内容、分析内容的放置顺序、突出显示内容、突出显示方式等中的至少一种。不同病患(即目标对象)的病灶状况(如卒中类型)具有唯一性,通过让用户自主填写或选择报告显示的内容,可以实现结构化分析报告的针对性定制,满足不同用户(例如,医生)对不同病患的疾病诊断需求,提高疾病诊断效率。
在一些实施例中,处理设备120或报告生成模块240可以基于预设生成方式和脑卒中变化趋势,生成与目标对象相关的结构化分析报告。在一些实施例中,结构化分析报告的分析内容可以包括脑卒中类型,以及对应的相关信息。例如,如果确定脑部扫描图像对应的脑卒中类型为无卒中,结构化分析报告的分析内容可以包括提示脑部正常的相关信息。又例如,如果确定脑部扫描图像对应的脑卒中类型为出血性卒中,结构化分析报告的分析内容可以包括出血性卒中的变化趋势以及出血性卒中的相关信息(例如,步骤322中的出血体积、出血位置中的至少一种)。再例如,如果确定脑部扫描图像对应的脑卒中类型为缺血性卒中,结构化分析报告的分析内容可以包括缺血性卒中的变化趋势的相关信息(例如,步骤323中的ASPECTS评分、缺血区域的位置、缺血区域的尺寸、缺血区域对应的供血血管、缺血区域的核心梗死体积中的至少一种)。在一些实施例中,用户可以通过修改上述处理设备120或报告生成模块240自动生成的分析内容中的至少一种,确定实际生成的结构化分析报告中包含的内容。
在一些实施例中,分析内容的放置顺序可以是分析内容在结构化分析报告的上下/左右等排列顺序。突出显示内容可以指需要重点显示的内容。例如,可以突出显示脑部扫描图像对应的脑卒中变化趋势。突出显示方式可以是对突出显示内容采用醒目的提醒方式。例如,采用较大的字体、采用醒目颜色(如红色)、采用其他文字格式(如下划线或圈注文字)等方式进行显示。
在一些实施例中,图像分析系统100可以远程连接其他分析中心(例如,医院),根据分析中心的要求,将目标对象的脑部扫描图像和/或结构化分析报告发送至其他分析中心。在一些实施例中,可将目标对象的脑部扫描图像、脑部扫描图像对应的变化趋势以及相关信息、结构化分析报告中的至少一部分发送至数据库(例如,影像归档和通信系统(Picture Archiving and Communication Systems,PACS)、放射科信息系统(RadiographyInformation System,RIS)等)进行归档存储。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
本说明书一些实施例中,通过图像分析系统及其方法,(1)可以基于获取的多个时间点对应的脑部扫描图像,自动地确定多个时间点内脑卒中变化趋势,节约评估病灶发展趋势的时间和效率;(2)基于多种信息确定的脑卒中变化趋势准确度高。例如,对于缺血性卒中,可以基于ASPECTS评分、缺血区域的位置、缺血区域的尺寸、缺血区域对应的供血血管、缺血区域的核心梗死体积等确定脑卒中变化趋势,相比较于传统方法仅根据ASPECTS评分等单一性或者少量信息确定脑卒中变化趋势,可以使得确定的脑卒中变化趋势更加准确;(3)脑卒中图像分析与报告结构化处理方法结合有助于减少用户工作量;(4)通过预设方式生成结构化报告,可以实现结构化报告的针对性定制,系统灵活性较高、适应性较强。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种图像分析系统,其特征在于,所述系统包括:
获取模块,用于获取目标对象的多个时间点中每个时间点对应的脑部扫描图像;
脑卒中分析模块,用于分析所述每个时间点对应的脑部扫描图像,确定所述每个时间点对应的脑卒中分析结果;以及
趋势分析模块,用于基于所述每个时间点对应的脑卒中分析结果,确定所述多个时间点中至少两个时间点对应的脑卒中变化趋势。
2.根据权利要求1所述的系统,其特征在于,所述获取模块进一步用于:
将所述多个时间点中每个时间点对应的脑部扫描图像进行配准。
3.根据权利要求1所述的系统,其特征在于,所述脑卒中分析模块进一步包括:
脑卒中类型判断子模块,用于判断所述每个时间点对应的脑部扫描图像对应的脑卒中类型;
出血功能子模块,用于确定所述脑卒中类型为出血性卒中时,所述脑部扫描图像对应的出血性卒中相关信息;
缺血功能子模块,用于确定所述脑卒中类型为缺血性卒中时,所述脑部扫描图像对应的缺血性卒中相关信息。
4.根据权利要求3所述的系统,其特征在于,所述出血性卒中相关信息包括出血量和出血位置中的至少一种;所述缺血性卒中相关信息包括ASPECTS评分、缺血区域的位置、缺血区域的尺寸、缺血区域对应的供血血管、缺血区域的核心梗死体积中的至少一种。
5.根据权利要求1所述的系统,其特征在于,其特征在于,所述基于所述每个时间点对应的脑卒中分析结果,确定所述多个时间点中至少两个时间点对应的脑卒中变化趋势包括:
对比所述多个时间点中至少两个时间点对应的脑卒中分析结果,获得对比结果;
基于所述对比结果,确定所述多个时间点中至少两个时间点对应的脑卒中变化趋势。
6.根据权利要求5所述的系统,其特征在于,所述对比结果包括所述至少两个时间点对应的脑部扫描图像的融合图像,其中,所述融合图像显示所述至少两个时间点对应的脑部扫描图像的差异化区域。
7.根据权利要求5所述的系统,其特征在于,所述对比结果包括所述至少两个时间点对应的所述脑卒中分析结果基于所述至少两个时间点的变化曲线。
8.根据权利要求1所述的系统,其特征在于,所述系统还包括:
报告生成模块,用于基于所述脑卒中变化趋势和预设生成方式,生成与所述目标对象相关的结构化分析报告。
9.一种图像分析方法,利用如权利要求1-8中任一项所述的图像分析系统执行,其特征在于,所述方法包括:
获取目标对象的多个时间点中每个时间点对应的脑部扫描图像;
分析所述每个时间点对应的脑部扫描图像,确定所述每个时间点对应的脑卒中分析结果;以及
基于所述每个时间点对应的脑卒中分析结果,确定所述多个时间点中至少两个时间点对应的脑卒中变化趋势。
10.一种图像分析装置,其特征在于,所述装置包括:
至少一个存储介质,存储计算机指令;
至少一个处理器,执行所述计算机指令,以实现如权利要求9所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650312.1A CN114841996A (zh) | 2022-06-10 | 2022-06-10 | 一种图像分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650312.1A CN114841996A (zh) | 2022-06-10 | 2022-06-10 | 一种图像分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841996A true CN114841996A (zh) | 2022-08-02 |
Family
ID=82573956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210650312.1A Pending CN114841996A (zh) | 2022-06-10 | 2022-06-10 | 一种图像分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841996A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953381A (zh) * | 2023-01-04 | 2023-04-11 | 上海市第六人民医院 | 一种脑卒中分析系统、分析方法和计算机可读存储介质 |
-
2022
- 2022-06-10 CN CN202210650312.1A patent/CN114841996A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953381A (zh) * | 2023-01-04 | 2023-04-11 | 上海市第六人民医院 | 一种脑卒中分析系统、分析方法和计算机可读存储介质 |
CN115953381B (zh) * | 2023-01-04 | 2023-10-27 | 上海市第六人民医院 | 一种脑卒中分析系统、分析方法和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5366356B2 (ja) | 医用画像処理装置及び医用画像処理方法 | |
Rorden et al. | Stereotaxic display of brain lesions | |
US8019142B2 (en) | Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis | |
US7903849B2 (en) | Medical image processing apparatus | |
JP5637928B2 (ja) | 医用画像表示装置 | |
US9646393B2 (en) | Clinically driven image fusion | |
US20140126789A1 (en) | Image diagnosis assisting apparatus, and method | |
JP2013545520A (ja) | 画像検索エンジン | |
US11580642B2 (en) | Disease region extraction apparatus, disease region extraction method, and disease region extraction program | |
CN111445575B (zh) | 威利斯环的图像重建方法、装置、电子设备、存储介质 | |
CN114841996A (zh) | 一种图像分析系统及方法 | |
US8805122B1 (en) | System, method, and computer-readable medium for interpolating spatially transformed volumetric medical image data | |
US11158054B2 (en) | Medical image processing apparatus, medical image processing method, and medical image processing program | |
CN110738639B (zh) | 医学图像检测结果的展示方法、装置、设备及存储介质 | |
CN114783595A (zh) | 一种急性卒中分析系统、方法及存储介质 | |
US20120269413A1 (en) | Processing an image dataset based on clinically categorized populations | |
JP5750381B2 (ja) | 領域抽出処理システム | |
JP6788113B2 (ja) | 医用画像処理装置、方法およびプログラム | |
CN114882969A (zh) | 一种结构化分析报告的生成方法、系统、装置和存储介质 | |
US12033366B2 (en) | Matching apparatus, matching method, and matching program | |
JP6807981B2 (ja) | 画像位置合わせ装置および方法並びにプログラム | |
US20220398732A1 (en) | Pet quantitative localization system and operation method thereof | |
US20220044052A1 (en) | Matching apparatus, matching method, and matching program | |
Chou et al. | Spatial registration without interpolation for uniform display of longitudinal images on clinical PACS systems | |
Grandhe et al. | Fusion Based Integrated Advance Magnetic Visualization of MRI 3D Images Using Advance Matlab Tools |
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 |