CN114862823B - 区域分割方法及装置 - Google Patents

区域分割方法及装置 Download PDF

Info

Publication number
CN114862823B
CN114862823B CN202210587920.2A CN202210587920A CN114862823B CN 114862823 B CN114862823 B CN 114862823B CN 202210587920 A CN202210587920 A CN 202210587920A CN 114862823 B CN114862823 B CN 114862823B
Authority
CN
China
Prior art keywords
super
pixel
image
feature
matrix
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
CN202210587920.2A
Other languages
English (en)
Other versions
CN114862823A (zh
Inventor
刘伟奇
马学升
陈金钢
徐鹏
赵友源
庞盼
陈磊
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.)
Tongxin Yilian Technology Beijing Co ltd
Original Assignee
Tongxin Yilian Technology Beijing 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 Tongxin Yilian Technology Beijing Co ltd filed Critical Tongxin Yilian Technology Beijing Co ltd
Priority to CN202210587920.2A priority Critical patent/CN114862823B/zh
Publication of CN114862823A publication Critical patent/CN114862823A/zh
Application granted granted Critical
Publication of CN114862823B publication Critical patent/CN114862823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
    • G06V10/70—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Abstract

本发明公开了一种区域分割方法及装置，通过提取脑组织图像的像素值；将灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射；使用超像素分割技术生成每个参数图的超像素图像；将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；将所有超像素图像的特征向量的总和定义为第二特征矩阵；将第一特征矩阵和第二特征矩阵组合得到总矩阵；通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域。本发明采取全自动算法分割半暗带和缺血核心区域，相比传统的分割技术，分割更加精细化，也大大缩短了分割时间，提升了分割效率。

Description

区域分割方法及装置
技术领域
本申请涉及医学图像处理技术领域，具体而言，涉及一种区域分割方法、装置、计算机设备和存储介质。
背景技术
对于缺血区域的分割，一般是采用“基于计算机断层扫描灌注技术后的手动分割”技术，通过计算机断层扫描灌注(CTP)的方式，在CTP中在造影剂注射期间获取时间序列的三维(3D)数据集。根据组织密度随时间的变化，计算颜色编码的参数图，通过评估这些参数图来间接评估缺血核心区和半暗带。手动分割技术虽然依照患者实际情况进行分割并采取有效的治疗决策，但手动分割技术耗时过长，所以需要自动化的分割技术来进行缺血区域分割，故此应运产生了第二种方法“基于像素信息提取图像连通区域的半自动分割(以下简称半自动分割)”技术。
但半自动分割技术仅用于使用3D T2快速自旋回声磁共振成像(MRI)的脑梗死面积，且分割目标是描绘缺血区域，而不是将缺血核心区和半暗带区分开来。因此并不能完成缺血区域的分割。随着对自动化分割技术的需求进一步加深，研发出了第三种方法“基于机器学习(ML)和卷积神经网络(CNN)算法自动化分割”技术。
“基于机器学习(ML)和卷积神经网络(CNN)算法自动化分割”技术产生于近年，随着ML和CNN算法在大量医学图像分析应用中取得可喜成果，也进入了缺血性脑卒中应用。例如：以参数映射输入和临床数据的广义线性组织模型量化组织梗死变化；用非对比计算机断层扫描(NCCT)输入，随访磁共振扩散加权成像(DWI)作为标准答案的急性缺血性脑卒中患者早期梗死检测算法；基于CNN的半自动方法，对缺血核心进行分类。但是以上算法只被训练来分类缺血核心区域，而没有发现半暗带区域。除了上述的自动分割算法，还创建了以多相CTA输入，DWI/NCCT随访图像作为标准答案算法预测缺血核心区域和半暗带，但主要目标是证明多相血管造影检查(CTA)与CTP成像相比在评估缺血区域的有效性，且使用随访图像来描绘缺血区域限制了医生的可用性，可能无助于治疗决策，只是与临床结果进行比较，其数据材料仍存在局限性。
针对上述相关技术中所存在的手动分割技术时间过长、半自动分割技术无法分割缺血区域中缺血核心区域和半暗带、“基于ML和CNN算法自动化分割”技术的图像及数据材料的局限性的诸多问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供一种区域分割方法、装置、计算机设备和存储介质，用以解决相关技术中所存在的分割时间过长、无法分割缺血区域中缺血核心区域和半暗带、以及图像及数据材料的局限性的问题。
为了实现上述目的，本发明实施例的第一方面，提供一种区域分割方法，包括：
获取脑组织图像，并提取所述脑组织图像的像素值；
将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像、峰值时间超像素图像和达峰时间超像素图像；
通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
根据所述总矩阵，通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域。
可选地，在第一方面的一种可能实现方式中，所述机器学习算法包括决策树学习算法和随机森林算法。
可选地，在第一方面的一种可能实现方式中，所述通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，包括：
其中，n代表脑血流量参考图、脑血容量参考图、峰值时间参考图和达峰时间参考图中的任意一种，Xn代表脑血流量特征向量、脑血容量特征向量、峰值时间特征向量和达峰时间特征向量中的任意一种，BT代表脑组织的像素值，stack代表堆栈函数。
本发明实施例的第二方面，还提供一种区域分割方法，所述方法包括步骤1和步骤2，
所述步骤1，包括：
获取脑组织图像，并提取所述脑组织图像的像素值；
将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括峰值时间超像素图像、达峰时间超像素图像；
通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
根据所述总矩阵，通过SVM算法对半暗带进行分割，输出半暗带的二值图像；
所述步骤2，包括：
获取脑组织图像，并提取所述脑组织图像的像素值；
将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图；
使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像；
通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量的总和定义为第一特征矩阵；
通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
根据所述总矩阵，通过SVM算法对缺血核心区域进行分割，输出缺血核心区域的二值图像。
本发明实施例的第三方面，提供一种区域分割装置，包括：
脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；
映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
超像素图像生成模块，用于使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像、峰值时间超像素图像和达峰时间超像素图像；
第一特征矩阵生成模块，用于通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
第二特征矩阵生成模块，用于通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
总矩阵生成模块，用于将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
分割模块，用于根据所述总矩阵，通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域。
可选地，在第三方面的一种可能实现方式中，所述第一特征矩阵生成模块，还用于执行如下步骤：
其中，n代表脑血流量参考图、脑血容量参考图、峰值时间参考图和达峰时间参考图中的任意一种，Xn代表脑血流量特征向量、脑血容量特征向量、峰值时间特征向量和达峰时间特征向量中的任意一种，BT代表脑组织的像素值，stack代表堆栈函数。
本发明实施例的第四方面，提供一种区域分割装置，所述装置包括半暗带分割子装置和缺血核心区域分割子装置，
所述半暗带分割子装置，包括：
脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；
映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
超像素图像生成模块，用于使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括峰值时间超像素图像、达峰时间超像素图像；
第一特征矩阵生成模块，用于通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
第二特征矩阵生成模块，用于通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
总矩阵生成模块，用于将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
半暗带分割模块，用于根据所述总矩阵，通过SVM算法对半暗带进行分割，输出半暗带的二值图像；
所述缺血核心区域分割子装置，包括：
脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；
映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图；
超像素图像生成模块，用于使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像；
第一特征矩阵生成模块，用于通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量的总和定义为第一特征矩阵；
第二特征矩阵生成模块，用于通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
总矩阵生成模块，用于将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
缺血核心区域分割模块，用于根据所述总矩阵，通过SVM算法对缺血核心区域进行分割，输出缺血核心区域的二值图像。
本发明实施例的第五方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在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上述各个方法实施例中的步骤。
本发明实施例的第六方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法的步骤。
本发明提供的区域分割方法、装置、计算机设备和存储介质，通过获取脑组织图像，并提取所述脑组织图像的像素值；将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像、峰值时间超像素图像和达峰时间超像素图像；通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；根据所述总矩阵，通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域。本发明采取全自动算法分割半暗带和缺血核心区域，相比传统的分割技术，分割更加精细化，也大大缩短了分割时间，提升了分割效率；也不会出现因为图像及材料的局限性导致无法准确对半暗带和缺血核心区域进行分割的情况。
附图说明
图1为本发明实施例提供的一种区域分割方法的流程图；
图2为单步法流程图；
图3为TTP、Tmax、CBF、CBV的参数图；
图4为TTP参数图生成的3D超像素图像的示意图；
图5为单步法分割后的最终结果的示意图；
图6为两步法流程图；
图7为半暗带分割二值图像；
图8为缺血核心区域分割二值图像；
图9为两步法缺血区域分割结果的示意图；
图10为本发明实施例提供的一种区域分割装置的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
为解决上述背景技术中所出现的技术问题，例如手动分割技术时间过长、半自动分割技术无法分割缺血区域中缺血核心区域和半暗带、“基于ML和CNN算法自动化分割”技术的图像及数据材料的局限性等；本申请采取单步法和两步法两种技术方案，具体如下：
实施例1：
本发明提供一种区域分割方法(单步法)，如图1、2所示其流程图，包括：
步骤S110、获取脑组织图像，并提取所述脑组织图像的像素值。
在本步骤中，在对缺血区域(半暗带和缺血核心区域)进行分割之前，需要先进行预处理，即从大脑图像中提取脑组织图像，并保留使用脑组织(BT)中的像素值。
步骤S120、将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表。
在步骤S120中，
首先，获取入院时的CTP数据集(包含脑血流量参数图(CBF)、脑血容量参数图(CBV)、峰值时间参数图(TTP)和达峰时间参数图(Tmax))，以及脑部MIP映射图和NIHSS评分量表，其中脑血流量CBF，代表在单位时间内流经一定量脑组织血管结构的血容量，其值越小，脑组织血流量越低；脑血容量CBV反映脑血容量的状态；达峰时间TTP是指对比剂至脑内兴奋区达到峰值的时间，其值越大意味着对比剂团峰达到脑组织的时间越晚。
然后将其中的参数图CBF、CBV、TTP和Tmax映射到提取的脑组织(BT)的像素值作为输入特征，每个输入特征都与输入特征图像右侧相应颜色条进行映射，并转换为[0，1]区间内的值。其中“0”对应输入特征图像右侧颜色条中的底部值，而“1”对应输入特征图像右侧颜色条中的顶部值。通过转换为[0，1]区间内的值减少了每个输入特征为一个单一的值，而不是保持三个颜色通道。(如图3所示的参数图)。
步骤S130、使用超像素分割技术，生成映射后的每个参数图的超像素图像。
在该步骤中，超像素分割技术是指使用简单线性迭代聚类(SLIC)利用每个断层扫描图像切片间的邻近性和相似性聚类堆叠以获取生成CBF、CBV、TTP和Tmax每个参数图的3D超像素版本图像。并将这些超像素版本图像作为额外的特征输入到机器学习算法中。这些额外的特征有助于机器学习的算法考虑沿第三维(z轴)的相邻像素。SLIC利用像素在图像平面上的相邻性和相似性聚类产生超像素区域。(图4为TTP参数图生成的3D超像素版本图像示例，左侧参数图，右侧超像素图像)。
步骤S140、通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵。
在步骤S140中，
其中，n代表脑血流量参考图、脑血容量参考图、峰值时间参考图和达峰时间参考图中的任意一种，Xn代表脑血流量特征向量、脑血容量特征向量、峰值时间特征向量和达峰时间特征向量中的任意一种，BT代表脑组织的像素值，stack代表堆栈函数。
通过上述公式，利用stack函数(堆栈函数)将每个参考图中的所有像素值连接成一个特征向量，例如：
其中，上述XCBV、XCBF XTTP和XTMax均是大小为L的向量；
根据上述公式，构建脑部MIP映射图的特征向量，即：
同时，将[1]定义为长度为L的全1向量，则XNIHSS定义为XNIHSS＝NIHSS·[1]；最后所有输入特征的参数映射的总和构成第一特征矩阵Z。
矩阵Z＝[XCBV XCBF XTTP XTMax XMIP XNIHSS]。
步骤S150、通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵。
在步骤S150中，和上述步骤S140同理，
参数图映射的超像素版本图像的特征向量为：
在得到XCBV S、XCBF S、XTTPS和XT S，将所有参数图映射的超像素版本图像的额外输入特征的总数定义为第二特征矩阵ZSLIC，定义为
ZSLIC＝[XCBV s XCBF s XTTP s XT s]。
步骤S160、将所述第一特征矩阵和第二特征矩阵组合得到总矩阵。
步骤S170、根据所述总矩阵，通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域。
在步骤S160-S170中，第一特征矩阵Z和第二特征矩阵ZSLIC根据机器学习算法组合得到总矩阵ZTotal＝[ZZSLIC]；将组合得到的总矩阵ZTotal输入至机器学习算法(包含决策树算法DT和随机森林算法RF)，并经过3D模式过滤器分割半暗带和缺血核心区域(图5为单步法分割后最终结果)。
其中决策树学习算法(DT)是一种有效的分类计数，它通过计算独立特征与目标之间的关系来生成树状结构，它包括二进制和多类分类；随机森林算法(RF)是一种监督学习算法，“森林”是由决策树的集合组成。设L为BT中的像素数。在机器学习阶段，这些机器学习方法的输入特征的总和被定义为一个矩阵。
本发明采取全自动算法分割半暗带和缺血核心区域，相比传统的分割技术，分割更加精细化，也大大缩短了分割时间，提升了分割效率；也不会出现因为图像及材料的局限性导致无法准确对半暗带和缺血核心区域进行分割的情况。
实施例2：
本发明的实施例还提供另一种区域分割方法(两步法)，如图6所示，包括：
步骤1(用于分割半暗带)：
步骤S1.1，获取脑组织图像，并提取所述脑组织图像的像素值；
该步骤与步骤S110相同，在此不作赘述。
步骤S1.2，将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
在步骤S1.2中，将数据集中的峰值时间TTP参考图、达峰时间Tmax参考图映射到提取的脑组织(BT)的像素值作为输入特征，具体映射过程与步骤S120相同，在此不作赘述。
步骤S1.3，使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括峰值时间超像素图像、达峰时间超像素图像；
在步骤S1.3中，超像素分割技术是指使用简单线性迭代聚类(SLIC)利用每个断层扫描图像切片间的邻近性和相似性聚类堆叠以获取生成TTP和Tmax每个参数图的3D超像素版本图像。
步骤S1.4，通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
在步骤S1.4中，通过上述S140中的公式，利用stack函数(堆栈函数)将TTP和Tmax每个参考图中的所有像素值连接成一个特征向量，例如：
其中，上述XTTP和XTMax均是大小为L的向量；
根据上述公式，构建脑部MIP映射图的特征向量，即：
同时，将[1]定义为长度为L的全1向量，则XNIHSS定义为XNIHSS＝NIHSS·[1]；最后所有输入特征的参数映射的总和构成第一特征矩阵Z。
矩阵Z＝[XTTP XTMax XMIP XNIHSS]
步骤S1.5，通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
在步骤S1.5中，和上述步骤S1.4同理，
参数图映射的超像素版本图像的特征向量为：
在得到XTTPS和XT S，将所有参数图映射的超像素版本图像的额外输入特征的总数定义为第二特征矩阵ZSLIC，定义为ZSLIC＝[XTTP s XT s]。
步骤S1.6，将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
步骤S1.7，根据所述总矩阵，通过SVM算法对半暗带进行分割，输出半暗带的二值图像；
在步骤S1.6-S1.7中，将TTP、Tmax、MIP和NIHSS的特征向量的参数映射矩阵(第一特征矩阵Z)与该输入特征经SLIC算法生成的超像素版本图像矩阵(第二特征矩阵ZSLIC)的矩阵总和ZTotal＝[Z ZSLIC]输入至SVM算法，对半暗带进行预测，并输出显示所预测的半暗带二值图像(图7为预测的半暗带二值图像)。
步骤2(用于分割缺血核心区域)：
步骤S2.1，获取脑组织图像，并提取所述脑组织图像的像素值；
该步骤与步骤S110相同，在此不作赘述。
步骤S2.2，将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图；
在步骤S2.2中，将数据集中的脑血流量CBF参考图、脑血容量CBV参考图映射到提取的脑组织(BT)的像素值作为输入特征，具体映射过程与步骤S120相同，在此不作赘述。
步骤S2.3，使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像；
在步骤S2.3中，超像素分割技术是指使用简单线性迭代聚类(SLIC)利用每个断层扫描图像切片间的邻近性和相似性聚类堆叠以获取生成CBV和CBF每个参数图的3D超像素版本图像。
步骤S2.4，通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量的总和定义为第一特征矩阵；
在步骤S2.4中，通过上述S140中的公式，利用stack函数(堆栈函数)将CBV和CBF每个参考图中的所有像素值连接成一个特征向量，例如：
其中，上述XCBV和XCBF均是大小为L的向量；
最后所有输入特征的参数映射的总和构成第一特征矩阵Z；
矩阵Z＝[XCBV XCBF]。
步骤S2.5，通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
在步骤S2.5中，和上述步骤S2.4同理，
参数图映射的超像素版本图像的特征向量为：
在得到XCBV和XCBF，将所有参数图映射的超像素版本图像的额外输入特征的总数定义为第二特征矩阵ZSLIC，定义为ZSLIC＝[XCBV s XCBF s]。
步骤S2.6将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
步骤S2.7，根据所述总矩阵，通过SVM算法对缺血核心区域进行分割，输出缺血核心区域的二值图像。
在步骤S2.6-S2.7中，将CBV和CBF输入特征的参数映射矩阵(第一特征矩阵Z)与经SLIC算法生成的超像素版本图像矩阵(第二特征矩阵ZSLIC)的矩阵总和ZTotal＝[Z ZSLIC]输入，经SVM算法，对缺血核心区域进行预测，并输出显示所预测的缺血核心区域的二值图像。(图8为预测的缺血核心区域二值图像)。
在实施例2中，因为TTP和Tmax常用于检测半暗带，其他参数图用于分割核心区域，因此在两步法中，缺血核心区域和半暗带的二元预测在逻辑上组合在一起，故两个预测中的共同白色区域表示最终结果中的缺血核心区域，如图9所示。
技术效果：
1)通过全自动算法分割缺血性脑卒中患者的缺血区域(半暗带和缺血核心区域)，解决了手动分割技术的时间问题，大大缩短了分割时间；同时也解决了半自动化分割技术无法分割缺血区域中缺血核心区域和半暗带的问题；并解决了“基于ML和CNN算法自动化分割”技术的图像及数据材料的局限性。
2)本发明分割缺血性脑卒中患者的半暗带和缺血核心区域，对可挽救组织的可以准确可视化，从而达到更好的指导治疗决策。
3)本发明不限制患者类型，即疑似脑卒中患者和脑卒中患者均可以使用本发明进行缺血性脑卒中缺血区域的分割。
4)本发明既可以通过单步法分割半暗带和缺血核心区域，也可以两步法分割半暗带和缺血核心区域，并未对于检查仪器设备以及图像进行统一要求，而是通过机器学习算法，统一像素，更加智能快捷的完成缺血区域分割问题。
5)本发明中对半暗带和缺血核心区域的预测都会通过3D模型过滤器，该步骤有助于减少减少不必要的噪声影响，并且还允许来自机器学习算法的预测依赖于第三维度(z轴)上的相邻体素。
实施例3：
本发明的实施例提供了一种区域分割装置，如图10所示，包括：
脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；
映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
超像素图像生成模块，用于使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像、峰值时间超像素图像和达峰时间超像素图像；
第一特征矩阵生成模块，用于通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
第二特征矩阵生成模块，用于通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
总矩阵生成模块，用于将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；分割模块，用于根据所述总矩阵，通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域。
实施例4：
本发明的实施例还提供了另一种区域分割装置，所述装置包括半暗带分割子装置和缺血核心区域分割子装置，
所述半暗带分割子装置，包括：
脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；
映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
超像素图像生成模块，用于使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括峰值时间超像素图像、达峰时间超像素图像；
第一特征矩阵生成模块，用于通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
第二特征矩阵生成模块，用于通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
总矩阵生成模块，用于将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
半暗带分割模块，用于根据所述总矩阵，通过SVM算法对半暗带进行分割，输出半暗带的二值图像；
所述缺血核心区域分割子装置，包括：
脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；
映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图；
超像素图像生成模块，用于使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像；
第一特征矩阵生成模块，用于通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量的总和定义为第一特征矩阵；
第二特征矩阵生成模块，用于通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
总矩阵生成模块，用于将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；缺血核心区域分割模块，用于根据所述总矩阵，通过SVM算法对缺血核心区域进行分割，输出缺血核心区域的二值图像。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)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。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种区域分割方法，其特征在于，包括：
获取脑组织图像，并提取所述脑组织图像的像素值；
将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像、峰值时间超像素图像和达峰时间超像素图像；
通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
根据所述总矩阵，通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域；
所述通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，包括：
其中，n代表脑血流量参考图、脑血容量参考图、峰值时间参考图和达峰时间参考图中的任意一种，Xn代表脑血流量特征向量、脑血容量特征向量、峰值时间特征向量和达峰时间特征向量中的任意一种，BT代表脑组织的像素值，stack代表堆栈函数；
其中，特征向量包括：
其中，XCBV、XCBF、XTTP和XTMax均是大小为L的向量；XCBV表示脑血容量特征向量，XCBF表示脑血流量特征向量，XTTP表示峰值时间特征向量，XTMax表示达峰时间特征向量；
将所有输入特征的参数映射的总和构成第一特征矩阵Z；
矩阵Z＝[XCBV XCBF XTTP XTMax XMIP XNIHSS]；
同时，将[1]定义为长度为L的全1向量，则XNIHSS定义为XNIHSS＝NIHSS·[1]；
通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，包括：
在得到XCBVS、XCBFS、XTTPS和XTS，将所有参数图映射的超像素版本图像的额外输入特征的总数定义为第二特征矩阵ZSLIC，定义为
ZSLIC＝[XCBVs XCBFs XTTPs XTs]；
将所述第一特征矩阵和第二特征矩阵组合得到总矩阵，包括：第一特征矩阵Z和第二特征矩阵ZSLIC根据机器学习算法组合得到总矩阵ZTotal＝[Z ZSLIC]。
2.根据权利要求1所述的区域分割方法，其特征在于，所述机器学习算法包括决策树学习算法和随机森林算法。
3.一种区域分割方法，其特征在于，所述方法包括步骤1和步骤2，
所述步骤1，包括：
获取脑组织图像，并提取所述脑组织图像的像素值；
将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括峰值时间超像素图像、达峰时间超像素图像；
通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
根据所述总矩阵，通过SVM算法对半暗带进行分割，输出半暗带的二值图像；
所述通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，包括：
其中，n代表脑血流量参考图、脑血容量参考图、峰值时间参考图和达峰时间参考图中的任意一种，Xn代表脑血流量特征向量、脑血容量特征向量、峰值时间特征向量和达峰时间特征向量中的任意一种，BT代表脑组织的像素值，stack代表堆栈函数；
所述步骤2，包括：
获取脑组织图像，并提取所述脑组织图像的像素值；
将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图；
使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像；
通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量的总和定义为第一特征矩阵；
通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
根据所述总矩阵，通过SVM算法对缺血核心区域进行分割，输出缺血核心区域的二值图像。
4.一种区域分割装置，其特征在于，包括：
脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；
映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
超像素图像生成模块，用于使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像、峰值时间超像素图像和达峰时间超像素图像；
第一特征矩阵生成模块，用于通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
第二特征矩阵生成模块，用于通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
总矩阵生成模块，用于将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
分割模块，用于根据所述总矩阵，通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域；
所述通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，包括：
其中，n代表脑血流量参考图、脑血容量参考图、峰值时间参考图和达峰时间参考图中的任意一种，Xn代表脑血流量特征向量、脑血容量特征向量、峰值时间特征向量和达峰时间特征向量中的任意一种，BT代表脑组织的像素值，stack代表堆栈函数；
其中，特征向量包括：
其中，XCBV表示脑血容量特征向量，XCBF表示脑血流量特征向量，XTTP表示峰值时间特征向量，XTMax表示达峰时间特征向量；上述XCBV、XCBF、XTTP和XTMax均是大小为L的向量；
将所有输入特征的参数映射的总和构成第一特征矩阵Z；
矩阵Z＝[XCBV XCBF XTTP XTMax XMIP XNIHSS]；
通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，包括：
在得到XCBVS、XCBFS、XTTPS和XTS，将所有参数图映射的超像素版本图像的额外输入特征的总数定义为第二特征矩阵ZSLIC，定义为
ZSLIC＝[XCBVs XCBFs XTTPs XTs]；
将所述第一特征矩阵和第二特征矩阵组合得到总矩阵，包括：第一特征矩阵Z和第二特征矩阵ZSLIC根据机器学习算法组合得到总矩阵ZTotal＝[Z ZSLIC]。
5.一种区域分割装置，其特征在于，所述装置包括半暗带分割子装置和缺血核心区域分割子装置，
所述半暗带分割子装置，包括：
脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；
映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
超像素图像生成模块，用于使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括峰值时间超像素图像、达峰时间超像素图像；
第一特征矩阵生成模块，用于通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
第二特征矩阵生成模块，用于通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
总矩阵生成模块，用于将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
半暗带分割模块，用于根据所述总矩阵，通过SVM算法对半暗带进行分割，输出半暗带的二值图像；
所述通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，包括：
其中，n代表脑血流量参考图、脑血容量参考图、峰值时间参考图和达峰时间参考图中的任意一种，Xn代表脑血流量特征向量、脑血容量特征向量、峰值时间特征向量和达峰时间特征向量中的任意一种，BT代表脑组织的像素值，stack代表堆栈函数；
所述缺血核心区域分割子装置，包括：
脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；
映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图；
超像素图像生成模块，用于使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像；
第一特征矩阵生成模块，用于通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量的总和定义为第一特征矩阵；
第二特征矩阵生成模块，用于通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
总矩阵生成模块，用于将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
缺血核心区域分割模块，用于根据所述总矩阵，通过SVM算法对缺血核心区域进行分割，输出缺血核心区域的二值图像。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，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2任意一项所述的方法，或者权利要求3所述的方法的步骤。
7.一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2任意一项所述的方法，或者权利要求3所述的方法的步骤。
CN202210587920.2A 2022-05-26 2022-05-26 区域分割方法及装置 Active CN114862823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210587920.2A CN114862823B (zh) 2022-05-26 2022-05-26 区域分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210587920.2A CN114862823B (zh) 2022-05-26 2022-05-26 区域分割方法及装置

Publications (2)

Publication Number Publication Date
CN114862823A CN114862823A (zh) 2022-08-05
CN114862823B true CN114862823B (zh) 2024-02-13

Family

ID=82640470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210587920.2A Active CN114862823B (zh) 2022-05-26 2022-05-26 区域分割方法及装置

Country Status (1)

Country Link
CN (1) CN114862823B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630450A (zh) * 2023-05-29 2023-08-22 中国人民解放军陆军军医大学 一种动脉夹层腔内特征提取和编码方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427313A (zh) * 2015-11-23 2016-03-23 西安电子科技大学 基于反卷积网络和自适应推理网络的sar图像分割方法
CN106780485A (zh) * 2017-01-12 2017-05-31 西安电子科技大学 基于超像素分割和特征学习的sar图像变化检测方法
CN111915629A (zh) * 2020-07-06 2020-11-10 天津大学 基于边界检测的超像素分割方法
CN113160138A (zh) * 2021-03-24 2021-07-23 山西大学 一种脑部核磁共振图像分割方法及系统
CN113876345A (zh) * 2021-09-28 2022-01-04 武汉中科医疗科技工业技术研究院有限公司 缺血半暗带的识别方法、设备、电子装置和存储介质
CN114066846A (zh) * 2021-11-16 2022-02-18 高峰 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统
CN114266726A (zh) * 2021-11-22 2022-04-01 中国科学院深圳先进技术研究院 一种医学图像分割方法、系统、终端以及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7630530B2 (en) * 2005-01-14 2009-12-08 Siemens Medical Solutions Usa, Inc. System and method for fast tensor field segmentation
DE102008062672A1 (de) * 2008-12-17 2010-07-15 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Durchführung eines Vergleichs zwischen einer linken und einer rechten Gehirnhälfte eines Patienten
US10339648B2 (en) * 2013-01-18 2019-07-02 H. Lee Moffitt Cancer Center And Research Institute, Inc. Quantitative predictors of tumor severity
US10949973B2 (en) * 2016-11-23 2021-03-16 Wake Forest University Health Sciences Medical image analysis using mechanical deformation information
US20220012890A1 (en) * 2020-07-01 2022-01-13 University Of Iowa Research Foundation Model-Based Deep Learning for Globally Optimal Surface Segmentation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427313A (zh) * 2015-11-23 2016-03-23 西安电子科技大学 基于反卷积网络和自适应推理网络的sar图像分割方法
CN106780485A (zh) * 2017-01-12 2017-05-31 西安电子科技大学 基于超像素分割和特征学习的sar图像变化检测方法
CN111915629A (zh) * 2020-07-06 2020-11-10 天津大学 基于边界检测的超像素分割方法
CN113160138A (zh) * 2021-03-24 2021-07-23 山西大学 一种脑部核磁共振图像分割方法及系统
CN113876345A (zh) * 2021-09-28 2022-01-04 武汉中科医疗科技工业技术研究院有限公司 缺血半暗带的识别方法、设备、电子装置和存储介质
CN114066846A (zh) * 2021-11-16 2022-02-18 高峰 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统
CN114266726A (zh) * 2021-11-22 2022-04-01 中国科学院深圳先进技术研究院 一种医学图像分割方法、系统、终端以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fast level set method for glioma brain tumor segmentation based on Superpixel fuzzy clustering and lattice Boltzmann method;Asieh Khosravanian et al.;《Computer Methods and Programs in Biomedicine》;全文 *
基于马尔可夫随机场和模糊C-均值聚类的DTI图像分割算法;陈康等;《上海师范大学学报(自然科学版)》;全文 *

Also Published As

Publication number Publication date
CN114862823A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN110934606B (zh) 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质
CN110506278B (zh) 隐空间中的目标检测
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
Ilesanmi et al. A method for segmentation of tumors in breast ultrasound images using the variant enhanced deep learning
Ni et al. Global channel attention networks for intracranial vessel segmentation
Zhang et al. LU-NET: An improved U-Net for ventricular segmentation
JP2023540910A (ja) 病変検出のための共同訓練を伴う接続機械学習モデル
Tan et al. Automated vessel segmentation in lung CT and CTA images via deep neural networks
CN116681958B (zh) 基于机器学习的胎儿肺脏超声影像成熟度预测方法
Rachmatullah et al. Convolutional neural network for semantic segmentation of fetal echocardiography based on four-chamber view
Yalçın et al. Brain stroke classification and segmentation using encoder-decoder based deep convolutional neural networks
US20060211940A1 (en) Blood vessel structure segmentation system and method
Yamanakkanavar et al. MF2-Net: A multipath feature fusion network for medical image segmentation
Ho et al. A temporal deep learning approach for MR perfusion parameter estimation in stroke
Zhuang et al. Tumor classification in automated breast ultrasound (ABUS) based on a modified extracting feature network
CN114862823B (zh) 区域分割方法及装置
Du et al. An integrated deep learning framework for joint segmentation of blood pool and myocardium
WO2022086910A1 (en) Anatomically-informed deep learning on contrast-enhanced cardiac mri
Gheorghiță et al. Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data
Jafari et al. LMISA: A lightweight multi-modality image segmentation network via domain adaptation using gradient magnitude and shape constraint
Ahmed et al. COMA-Net: Towards generalized medical image segmentation using complementary attention guided bipolar refinement modules
Pal et al. A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation
Wan et al. Ceus-net: Lesion segmentation in dynamic contrast-enhanced ultrasound with feature-reweighted attention mechanism
CN115908299A (zh) 基于医学影像的生存期预测方法、装置、设备及介质

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