CN115205294A - 一种基于多模型融合的缺血性脑卒中梗死评估装置和方法 - Google Patents

一种基于多模型融合的缺血性脑卒中梗死评估装置和方法 Download PDF

Info

Publication number
CN115205294A
CN115205294A CN202211126175.8A CN202211126175A CN115205294A CN 115205294 A CN115205294 A CN 115205294A CN 202211126175 A CN202211126175 A CN 202211126175A CN 115205294 A CN115205294 A CN 115205294A
Authority
CN
China
Prior art keywords
infarction
area
image
infarct
probability
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
CN202211126175.8A
Other languages
English (en)
Other versions
CN115205294B (zh
Inventor
向建平
刘凯政
鲁伟
冷晓畅
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.)
Arteryflow Technology Co ltd
Original Assignee
Arteryflow 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 Arteryflow Technology Co ltd filed Critical Arteryflow Technology Co ltd
Priority to CN202211126175.8A priority Critical patent/CN115205294B/zh
Publication of CN115205294A publication Critical patent/CN115205294A/zh
Application granted granted Critical
Publication of CN115205294B publication Critical patent/CN115205294B/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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06T2207/10081—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
    • G06T2207/20081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于多模型融合的缺血性脑卒中梗死评估装置和方法，包括：接收脑部的平扫CT影像序列，并对平扫CT影像序列进行预处理，以确定脑部整体图像和脑部区域图像；通过区域梗死阳性判别模型、梗死灶分割及占比预测模型、HU值对比模型分别评估区域梗死阳性的概率、梗死占比以及HU差值，在此基础上，将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率后，利用梗死融合评估模型同时融合区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率三方面进行梗死评估，这样能够提升评估的准确性。

Description

一种基于多模型融合的缺血性脑卒中梗死评估装置和方法
技术领域
本发明属于基于图像数据的风险评估领域，具体涉及一种基于多模型融合的缺血性脑卒中梗死评估装置和方法。
背景技术
脑卒中也称为中风或脑梗死，是一种严重威胁人口健康和阻碍社会经济发展的重大疾病。急性缺血性脑卒中作为最常见的卒中类型，约占全部脑卒中的60%~80%，它是由于局部脑组织供血不足引起的急性脑血管疾病，有着极高的致命风险。
平扫CT（Non-Contrast CT）也称NCCT，是一种用来诊断脑部病变的最常规成像技术和方法，它具有成像速度快、扫描方便、价格相对便宜的优点。对于判别急性脑梗死病人的严重程度，依据其颅脑NCCT影像数据，可将大脑中动脉供血的重要层面分成10个区域，包括位于基底神经节层面的尾状核头(C)、豆状核(L)、内囊(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)，以及位于上神经节层面的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)。
在目前的临床应用中，对于每个区域缺血性脑卒中的评估主要还是靠临床医生的人工读图。一方面，由于影像设备的差异、患者状况的差异和读图人员的主观性，人工读图的方法一直缺乏一定的稳定性；另一方面，人工读图也较为耗时，缺血性脑卒中作为一个时间要求比较紧急的疾病，患者需要争分夺秒的诊断和治疗来避免病情迅速恶化。所以，快速、准确和稳定地对患者进行缺血性脑卒中的评估具有重要的临床意义。
在目前的平扫CT影像缺血性脑卒中评估方法的模型设计中：多数研究采用影像组学特征提取工具提取特征后再送入机器学习模型训练的方法；还有部分研究直接采用了卷积神经网络来提取特征和训练模型，即所有研究的评分设计均为单一的模型类别。对于数据标注：部分研究采用医生直接在平扫CT上进行标注，然而在平扫CT影像上观察缺血性卒中病灶有着天然的局限性，导致了医生间的标注差异较大；部分研究采用了在1小时内随访MRI（Magnetic Resonance Imaging，磁共振成像）影像上标注的手段，然而在医疗机构诊断流程中，对于疑似缺血性卒中患者采用拍摄平扫CT后1小时内拍摄随访MRI影像的操作极少，因此较难获得大批量数据。同时，仅依靠单一的模型设计对脑卒中梗死评估存在较大误差。
因此，需要一种基于平扫CT影像的缺血性脑卒中多模型融合技术，能够解决目前脑梗死融合评估模型设计单一、标注方式说服力不强、数据获取难的问题。
发明内容
鉴于上述，本发明的目的是提供一种基于多模型融合的缺血性脑卒中梗死评估装置，通过结合区域图像的梗死阳性的概率、梗死占比以及HU差值三个方面来评估缺血性脑卒，以提升评估的准确性。
为实现上述发明目的，实施例提供了一种基于多模型融合的缺血性脑卒中梗死评估装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
接收预处理步骤：接收脑部的平扫CT影像序列，并对平扫CT影像序列进行预处理，以确定脑部整体图像和脑部区域图像；
第一评估步骤：利用区域梗死阳性判别模型对输入的脑部区域图像依据特征重要性进行特征提取后，对提取的重要特征进行区域梗死阳性预测，以得到区域梗死阳性的概率；
第二评估步骤：利用梗死灶分割及占比预测模型对输入脑部整体图像进行梗死区域分割得到梗死区域分割结果后，将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比；
第三评估步骤：利用HU值对比模型计算去除脑沟和高密度灶后区域图像的平均HU值后，根据平均HU值计算左右脑两侧对应区域图像的HU差值；
融合评估步骤：利用两个尺度转换函数将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率；利用梗死融合评估模型对输入的区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率进行梗死评估，得到梗死评估结果并输出。
在一个实施例中，所述梗死灶分割及占比预测模型包括梗死灶分割单元和占比预测单元，其中，梗死灶分割单元用于对输入的脑部整体图像进行梗死区域分割得到梗死区域分割结果，占比预测单元用于将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比；
梗死灶分割单元在被应用之前，依据构建的二值图分割模板作为监督标签进行参数优化，其中，二值图分割模板的构建过程包括：
获取脑部的CTP影像，根据CTP影像计算出CTP-CBF参数图、CTP-Tmax参数图；根据CTP-CBF参数图勾画出梗死区域的轮廓后，通过平扫CT影像修改轮廓边界，包括：删除平扫CT影像完全未展现出缺血灶的轮廓内区域，若轮廓外区域在平扫CT影像展现出了缺血灶，则需要再结合CTP-Tmax参数图判断是否增加出现缺血灶的轮廓外部区域为梗死阳性区域，最终生成基底节层、上神经节层的缺血性卒中梗死区域的二值图分割模板。
在一个实施例中，所述区域梗死阳性判别模型包括影像组学特征提取单元、重要特征提取单元以及预测单元，其中，影像组学特征提取单元用于从脑部区域图像提取M组影像组学特征，重要特征提取单元用于根据特征重要性排名从影像组学特征中筛选出前N组影像组学特征作为重要特征，预测单元用于根据重要特征进行区域梗死阳性预测，以输出区域梗死阳性的概率；
所述重要特征提取单元和预测单元在被应用之前，根据二值图分割模板构建的梗死二分类标签作为监督标签进行参数优化，其中，梗死二分类标签的构建过程包括：
根据二值图分割模板生成十个区域的梗死阴性、阳性二分类标签，包括：对于M1-M6区域，若在二值分割模板中梗死阳性区域面积大于区域总面积的1/3，则将该区域标注为梗死阳性，反之标注为梗死阴性；对于C、I、IC、L区域，若二值分割模板中存在梗死阳性区域，即将区域标注为梗死阳性，反之标注为梗死阴性；最终生成十个区域左、右两侧的梗死阴性、阳性二分类标签。
在一个实施例中，HU值对比模型中，通过阈值处理去除区域图像中的高密度灶，通过大津法分割脑沟以去除。
在一个实施例中，将梗死占比转换到概率分布的尺度转换函数包括：
针对M1-M6区域图像，采用的尺度转换函数f(x)表示为：
Figure 968014DEST_PATH_IMAGE001
其中，x表示梗死占比，S 1和S 2表示函数因变量的缩放比例，w 1和w 2表示函数自变量的缩放比例，在满足以下约束条件，通过选取不同的w 2使尺度转换函数f(x)在x = 1/3处的变化率不同，通过对数几率回归的方法拟合w 2；
约束条件为：
Figure 681892DEST_PATH_IMAGE002
其中，
Figure 320684DEST_PATH_IMAGE003
表示尺度转换函数f(x)在梗死占比在1/3处的导函数；
针对C、I、IC、L区域图像，采用的尺度转换函数f(x)表示为：
Figure 184735DEST_PATH_IMAGE004
其中，S 0 表示函数因变量的缩放程度，w 0表示函数自变量的缩放程度，在满足f(0)= 0，通过选择不同的w 0使尺度转换函数在x = 0处的变化率不同，通过对数几率回归的方法拟合w 0。
在一个实施例中，将HU差值转换到概率分布的尺度转换函数g(x)采用能够实现平移和缩放的Sigmoid函数，表示为：
Figure 795844DEST_PATH_IMAGE005
其中，b表示为通常一侧区域平均HU值比对侧小多少会被判断为梗死阳性，通过不同的w可使尺度转换函数在x = -b处的变化率不同，通过对数几率回归的方法拟合w。
在一个实施例中，所述梗死灶分割单元采用ResUNet，DeeplabV3+或CenterNet构建；所述重要特征提取单元以及预测单元采用随机森林、XGBoost或LightGBM构建；所述梗死融合评估模型采用梯度提升决策树算法构建。
为实现上述发明目的，实施例还提供了一种基于多模型融合的缺血性脑卒中梗死评估装置，包括：
接收预处理模块，用于接收脑部的平扫CT影像序列，并对平扫CT影像序列进行预处理，以确定脑部整体图像和脑部区域图像；
第一评估模块，用于利用区域梗死阳性判别模型对输入的脑部区域图像依据特征重要性进行特征提取后，对提取的重要特征进行区域梗死阳性预测，以得到区域梗死阳性的概率；
第二评估模块，用于利用梗死灶分割及占比预测模型对输入脑部整体图像进行梗死区域分割得到梗死区域分割结果后，将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比；
第三评估模块，用于利用HU值对比模型计算去除脑沟和高密度灶后区域图像的平均HU值后，根据平均HU值计算左右脑两侧对应区域图像的HU差值；
融合评估模块，用于利用两个尺度转换函数将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率；利用梗死融合评估模型对输入的区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率进行梗死评估，得到梗死评估结果并输出。
为实现上述发明目的，实施例还提供了一种基于多模型融合的缺血性脑卒中梗死评估方法，包括以下步骤：
接收预处理步骤：接收脑部的平扫CT影像序列，并对平扫CT影像序列进行预处理，以确定脑部整体图像和脑部区域图像；
第一评估步骤：利用区域梗死阳性判别模型对输入的脑部区域图像依据特征重要性进行特征提取后，对提取的重要特征进行区域梗死阳性预测，以得到区域梗死阳性的概率；
第二评估步骤：利用梗死灶分割及占比预测模型对输入脑部整体图像进行梗死区域分割得到梗死区域分割结果后，将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比；
第三评估步骤：利用HU值对比模型计算去除脑沟和高密度灶后区域图像的平均HU值后，根据平均HU值计算左右脑两侧对应区域图像的HU差值；
融合评估步骤：利用两个尺度转换函数将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率；利用梗死融合评估模型对输入的区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率进行梗死评估，得到梗死评估结果并输出。
与现有技术相比，本发明具有有益效果至少包括：
通过区域梗死阳性判别模型、梗死灶分割及占比预测模型、HU值对比模型分别评估区域梗死阳性的概率、梗死占比以及HU差值，在此基础上，将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率后，利用梗死融合评估模型同时融合区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率三方面进行梗死评估。最终，验证数据表明：未附带尺度转换函数的基于多模型融合的缺血性脑卒中梗死评估方法可使脑梗死评估的准确率从现有技术的80%提升至90%，附带尺度转换函数的基于多模型融合的缺血性脑卒中梗死评估方法可使脑梗死评估的准确率从现有技术的80%提升至95%，充分验证了本案方法的有效性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，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前提下，还可以根据这些附图获得其他附图。
图1是实施例提供的利用缺血性脑卒中梗死评估装置进行缺血性脑卒中梗死评估的流程图；
图2是实施例提供的基于多模型融合的缺血性脑卒中评估方法流程框图；
图3是实施例提供的基于CTP影像参考的平扫CT影像标注方式流程图；
图4（a）-图4（c）是实施例提供的根据CTP影像生成的CTP-CBF参数图、CTP-Tmax参数图以及梗死灶标注示意图；
图5是实施例提供的对于M1-M6区域，选取不同的w 2时尺度转换函数f(x)的曲线图；
图6是实施例提供的对于C、I、IC、L区域，选取不同的w 0时尺度转换函数f(x)的曲线图；
图7是实施例提供的选取不同的w时尺度转换函数g(x)的曲线图。
具体实施方式
为使本发明的目的、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发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
实施例提供了一种基于多模型融合的缺血性脑卒中梗死评估装置和方法，通过结合区域图像的梗死阳性的概率、梗死占比以及HU差值三个方面来评估缺血性脑卒中梗死，以提升评估的准确性。
实施例提供的基于多模型融合的缺血性脑卒中梗死评估装置，包括存储器、处理器以及存储在存储器中并可在处理器上执行的计算机程序，处理器执行计算机程序时实现缺血性脑卒中梗死评估的步骤，其中，存储器可以为在近端的易失性存储器，如RAM，还可以是非易失性存储器，如ROM，FLASH，软盘，机械硬盘等，还可以是远端的存储云。处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)，即可以通过这些处理器实现缺血性脑卒中梗死评估的步骤。
如图1和图2所示，处理器执行计算机程序时实现缺血性脑卒中梗死评估的步骤包括以下步骤：
S1、接收预处理步骤：接收脑部的平扫CT影像序列，并对平扫CT影像序列进行预处理，以确定脑部整体图像和脑部区域图像。
实施例中，对平扫CT影像序列进行预处理包括：对平扫CT影像序列进行去颅骨、倾斜校正、关键帧选层得到基底节层、上神经节层各多个帧关键帧（例如三帧关键帧）的脑部整体图像，通过对脑部整体图像分区影像配准，得到每个区域各多帧（例如三帧）的脑部区域图像。
S2、第一评估步骤：利用区域梗死阳性判别模型对输入的脑部区域图像依据特征重要性进行特征提取后，对提取的重要特征进行区域梗死阳性预测，以得到区域梗死阳性的概率。
实施例中，区域梗死阳性判别模型包括影像组学特征提取单元、重要特征提取单元以及预测单元，其中，影像组学特征提取单元用于从脑部区域图像提取M组影像组学特征，重要特征提取单元用于根据特征重要性排名从影像组学特征中筛选出前N组影像组学特征作为重要特征，预测单元用于根据重要特征进行区域梗死阳性预测，以输出区域梗死阳性的概率p 1，其中，M和N均属于自然数，M＞N。
实施例中，重要特征提取单元和预测单元可以采用随机森林、XGBoost、LightGBM等网络结构，在被应用之前需要进行训练以优化参数，需要说明的是，重要特征提取单元和预测单元可以联合训练，也可以单独训练。
实施例中，在对预测单元训练时，采用的梗死二分类标签根据二值图分割模板构建，其中二值图分割模板是采用基于CTP（CT Perfusion，CT灌注）影像参考的平扫CT影像标注方式。通常情况下，患者在进行CTP检查时，都会先进行平扫CT的扫描。因此，使用CTP影像作为病例缺血病灶判断的金标准虽可能不及MRI的准确性高，但MRI扫描与平扫CT扫描的间隔时间通常较长，在此时间段内病灶可能会变化，而CTP扫描与平扫CT扫描的间隔时间极短，更能代表平扫CT扫描时刻的病灶分布。
在获得脑部的CTP影像后，能够根据CTP影像计算根据CTP影像计算出如图4（a）所示的CTP-CBF（Cerebral Blood Flow，脑血流量）参数图、如图4（b）所示的CTP-Tmax（Timeto Maximum，残余功能的达峰时间）参数图，其中，根据CTP-CBF参数图可以确定脑部的梗死核心位置，通过CTP-Tmax参数图可以确定脑部的梗死核心加半暗带位置。相比于平扫CT影像通常仅可以判断出梗死核心位置，根据CTP影像既可以判断梗死核心位置，还可以判断梗死核心加半暗带位置。基于此，如图3所示，二值图分割模板的构建过程包括：
首先，获取脑部的CTP影像，根据CTP影像计算出CTP-CBF参数图、CTP-Tmax参数图；然后，医生根据CTP-CBF参数图勾画出梗死区域的轮廓后，通过平扫CT影像修改轮廓边界，包括：医生删除平扫CT影像完全未展现出缺血灶的轮廓内区域，若轮廓外区域在平扫CT影像展现出了缺血灶，则需要再结合CTP-Tmax参数图判断是否增加出现缺血灶的轮廓外部区域为梗死阳性区域，最终生成基底节层、上神经节层的缺血性卒中梗死区域的二值图分割模板。
实施例中，根据二值图分割模板构建梗死二分类标签的过程包括：
根据二值图分割模板生成十个区域的梗死阴性、阳性二分类标签，包括：对于M1-M6区域，若在二值分割模板中梗死阳性区域面积大于区域总面积的1/3，则将该区域标注为梗死阳性，反之标注为梗死阴性；对于C、I、IC、L区域，若二值分割模板中存在梗死阳性区域，即将区域标注为梗死阳性，反之标注为梗死阴性；最终生成十区域左、右两侧的梗死阴性、阳性二分类标签，如图4（c）所示。
实施例中，未采用国内较难得到的颅内MR影像作为金标准，采用了与平扫CT间隔时间更短的CTP影像作为标注参考。同时采用参考CTP-CBF参数图、CTP-Tmax参数图、平扫CT原始影像三者结合的方式标注梗死病灶轮廓，生成二值图分割模板作为梗死灶分割及占比预测模型的监督标签，供训练使用。对M1-M6区域采用1/3面积原则，对其他区域采用是否存在原则，将二值图分割模板转化为区域二分类标签，供区域梗死阳性判别模型训练使用。这样能够解决标注方式说服力不强，数据获取困难的问题。
S3、第二评估步骤：利用梗死灶分割及占比预测模型对输入脑部整体图像进行梗死区域分割得到梗死区域分割结果后，将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比。
实施例中，梗死灶分割及占比预测模型包括梗死灶分割单元和占比预测单元，其中，梗死灶分割单元用于对输入的脑部整体图像进行梗死区域分割得到梗死区域分割结果，占比预测单元用于将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比p ct。其中，匹配的对应区域是指在梗死区域分割结果所在的M1-M6区域、C、I、IC或L区域。
实施例中，梗死灶分割单元采用采用ResUNet、DeeplabV3+、CenterNet等，在被应用之前，需要经过参数优化，具体地依据构建的二值图分割模板作为监督标签进行训练。这样可以提升梗死灶分割及占比预测模型的鲁棒性。
S4、第三评估步骤：利用HU值对比模型计算去除脑沟和高密度灶后区域图像的平均HU值后，根据平均HU值计算左右脑两侧对应区域图像的HU差值。
实施例中，HU值是指计算机断层扫描(CT)中普遍使用的无量纲单位，用于标准、便捷的表达CT数值。HU值对比模型是用于计算HU差值的模型，具体地，通过阈值处理去除区域图像中高密度灶，通过大津法对区域图像分割处理，然后计算得到去除脑沟和高密度灶后区域图像的平均HU值后，对于某侧某区域，根据平均HU值计算左右脑两侧对应区域图像的HU差值diff。
S5、融合评估步骤：利用两个尺度转换函数将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率；利用梗死融合评估模型对输入的区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率进行梗死评估，得到梗死评估结果并输出。
实施例中，经过区域梗死阳性判别模型得到的区域梗死阳性的概率p 1的取值范围为(0, 1)，经过梗死灶分割及占比预测模型得到的梗死占比p ct的取值范围虽然为[0, 1]，但该p ct表达的梗死区域占比的意义与区域梗死阳性概率的意义并不一致，需要一个尺度转换函数f(x)将区域占比意义转化为梗死概率意义。经过HU值对比模型得到的HU差值diff的范围较大，同样需要一个尺度转换函数g(x)将较大范围的两侧平均HU值之差映射到(0, 1)的概率范围内。
实施例中，在对梗死占比p ct的尺度转换函数f(x)进行设计时，通常对于M1-M6区域，p ct = 1/3通常被认为是区域是否为梗死阳性的分界线，其梗死阳性的概率为0.5，即f(1/3) = 1/2。而且，f(x)在x = 1/3处的变化率应较大，在x = 0和x = 1处附近应较小。基于此，设计尺度转换函数f(x)为：
Figure 211782DEST_PATH_IMAGE006
（1）
其中，x表示梗死占比，S 1和S 2表示函数因变量的缩放比例，w 1和w 2表示函数自变量的缩放比例，b 1和b 2表示偏置比例。
由于需要满足
Figure 947657DEST_PATH_IMAGE007
，则
Figure 740033DEST_PATH_IMAGE008
（2）
仍然还需要满足约束条件：
Figure 143332DEST_PATH_IMAGE009
（3）
其中，
Figure 730171DEST_PATH_IMAGE010
表示尺度转换函数f(x)在梗死占比1/3处的导函数，
Figure 953342DEST_PATH_IMAGE011
表示在尺度转换函数f(x)的导函数在梗死占比1/3处连续，式(2)有四个待定系数，式(3)有三个约束条件，因此式(2)待定系数的选取有一个自由度，在满足以下约束条件，通过选取不同的w 2使尺度转换函数f(x)在x = 1/3处的变化率不同，如图5所示。
通常对于C、I、IC、L区域，p ct >0即被认为区域为梗死阳性，因此需要一个更接近0的x值使得f(x)= 1/2，且需满足f(1) = 1。即设计尺度转换函数f(x)为：
Figure 484162DEST_PATH_IMAGE012
（4）
其中，S 0 表示函数因变量的缩放程度，w 0表示函数自变量的缩放程度，由于满足f(0) = 0，则式(4)待定系数的选取仍有一个自由度，通过选择不同的w 0使尺度转换函数f(x)在x = 0处的变化率不同，如图6所示。
实施例中，HU差值diff值的范围较大，尺度转换函数g(x)可通过经过平移和缩放的Sigmoid函数，函数表达式为：
Figure 866602DEST_PATH_IMAGE013
（5）
其中，b表示为通常一侧区域平均HU值比对侧小多少会被判断为梗死阳性，通常可取b = 2，通过不同的w可使尺度转换函数g(x)在x = -2处的变化率不同，如图7所示。
需要说明的是，实施例中通过对数几率回归的方法拟合w 0、w 2、w。
实施例中，梗死占比p ct和HU差值diff经过尺度转换函数f(x)、g(x)变换可得到梗死占比对应的梗死概率p 2和HU差值对应的梗死概率p 3。该梗死概率p 2、梗死概率p 3以及区域梗死阳性的概率p 1三者结合作为梗死融合评估模型的输入，梗死融合评估模型综合p 1、p 2以及p 3进行梗死评估，输出区域缺血性卒中阴、阳性的梗死评估结果。
实施例中，梗死融合评估模型采用梯度提升决策树（GBDT，Gradient BoostingDecision Tree）算法构建。其中，梯度提升树决策算法原理如下：
(1) 利用先验知识初始化第一个学习器
Figure 765288DEST_PATH_IMAGE014
，其中
Figure 803651DEST_PATH_IMAGE015
为训练样本中标签y = 1的比例。
(2) 建立N颗分类回归树并计算第n颗树的残差值（损失函数的负梯度）
Figure 672250DEST_PATH_IMAGE016
。其中，n = 1, 2, ..., N，x为学习器的输入p 1、p 2、p 3，i为样本编号1, 2, ..., I，F(x)为当前迭代学习期。
(3) 利用CART回归树拟合数据(x i , r n,i )，得到第n颗回归树的叶子节点区域为R n,j 。其中j = 1, 2, ..., J n ，J n 为第n颗回归树叶子节点的个数。
(4) 计算最佳拟合值
Figure 50142DEST_PATH_IMAGE017
(5) 得到最终强学习器
Figure 182046DEST_PATH_IMAGE018
基于同样的发明构思，实施例还提供了一种基于多模型融合的缺血性脑卒中梗死评估装置，包括：
接收预处理模块，用于接收脑部的平扫CT影像序列，并对平扫CT影像序列进行预处理，以确定脑部整体图像和脑部区域图像；
第一评估模块，用于利用区域梗死阳性判别模型对输入的脑部区域图像依据特征重要性进行特征提取后，对提取的重要特征进行区域梗死阳性预测，以得到区域梗死阳性的概率；
第二评估模块，用于利用梗死灶分割及占比预测模型对输入脑部整体图像进行梗死区域分割得到梗死区域分割结果后，将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比；
第三评估模块，用于利用HU值对比模型计算去除脑沟和高密度灶后区域图像的平均HU值后，根据平均HU值计算左右脑两侧对应区域图像的HU差值；
融合评估模块，用于利用两个尺度转换函数将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率；利用梗死融合评估模型对输入的区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率进行梗死评估，得到梗死评估结果并输出。
需要说明的是，上述实施例提供的缺血性脑卒中梗死评估装置在进行缺血性脑卒中梗死评估时，应以上述各功能模块的划分进行举例说明，可以根据需要将上述功能分配由不同的功能模块完成，即在终端或服务器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，上述实施例提供的缺血性脑卒中梗死评估装置与S1-S5所述的缺血性脑卒中梗死评估过程实施例属于同一构思，其具体实现过程详见S1-S5所述的缺血性脑卒中梗死评估实施例，这里不再赘述。
基于同样的发明构思，实施例还提供了一种基于多模型融合的缺血性脑卒中梗死评估方法，包括以下步骤：
接收预处理步骤：接收脑部的平扫CT影像序列，并对平扫CT影像序列进行预处理，以确定脑部整体图像和脑部区域图像；
第一评估步骤：利用区域梗死阳性判别模型对输入的脑部区域图像依据特征重要性进行特征提取后，对提取的重要特征进行区域梗死阳性预测，以得到区域梗死阳性的概率；
第二评估步骤：利用梗死灶分割及占比预测模型对输入脑部整体图像进行梗死区域分割得到梗死区域分割结果后，将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比；
第三评估步骤：利用HU值对比模型计算去除脑沟和高密度灶后区域图像的平均HU值后，根据平均HU值计算左右脑两侧对应区域图像的HU差值；
融合评估步骤：利用两个尺度转换函数将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率；利用梗死融合评估模型对输入的区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率进行梗死评估，得到梗死评估结果并输出。
上述实施例提供的基于多模型融合的缺血性脑卒中梗死评估装置和方法，舍弃了传统单一模型的脑梗死评估手段，采用基于影像组学特征提取和两阶段机器学习的区域梗死阳性判别模型、基于深度学习的梗死灶分割及占比预测模型、基于去除脑沟与高密度灶的区域图像的HU值对比模型三者结合的评估方式。在基于深度学习的梗死灶分割及占比预测模型，采用了在平扫CT影像序列上分割梗死灶并通过某区域阳性面积与区域总面积之比作为评估区域脑梗死严重程度。分别对梗死区域占比、两侧平均HU值之差这两个值依据临床意义设计了尺度转换函数转化为概率值。并将区域梗死阳性判别模型、梗死灶分割及占比预测模型、HU值对比模型的三个概率值通过梗死融合评估模型将特征融合，联合判断区域是否为缺血性脑卒中阳性。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多模型融合的缺血性脑卒中梗死评估装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
接收预处理步骤：接收脑部的平扫CT影像序列，并对平扫CT影像序列进行预处理，以确定脑部整体图像和脑部区域图像；
第一评估步骤：利用区域梗死阳性判别模型对输入的脑部区域图像依据特征重要性进行特征提取后，对提取的重要特征进行区域梗死阳性预测，以得到区域梗死阳性的概率；
第二评估步骤：利用梗死灶分割及占比预测模型对输入脑部整体图像进行梗死区域分割得到梗死区域分割结果后，将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比；
第三评估步骤：利用HU值对比模型计算去除脑沟和高密度灶后区域图像的平均HU值后，根据平均HU值计算左右脑两侧对应区域图像的HU差值；
融合评估步骤：利用两个尺度转换函数将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率；利用梗死融合评估模型对输入的区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率进行梗死评估，得到梗死评估结果并输出。
2.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置，其特征在于，所述梗死灶分割及占比预测模型包括梗死灶分割单元和占比预测单元，其中，梗死灶分割单元用于对输入的脑部整体图像进行梗死区域分割得到梗死区域分割结果，占比预测单元用于将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比；
梗死灶分割单元在被应用之前，依据构建的二值图分割模板作为监督标签进行参数优化，其中，二值图分割模板的构建过程包括：
获取脑部的CTP影像，根据CTP影像计算出CTP-CBF参数图、CTP-Tmax参数图；根据CTP-CBF参数图勾画出梗死区域的轮廓后，通过平扫CT影像修改轮廓边界，包括：删除平扫CT影像完全未展现出缺血灶的轮廓内区域，若轮廓外区域在平扫CT影像展现出了缺血灶，则需要再结合CTP-Tmax参数图判断是否增加出现缺血灶的轮廓外部区域为梗死阳性区域，最终生成基底节层、上神经节层的缺血性卒中梗死区域的二值图分割模板。
3.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置，其特征在于，所述区域梗死阳性判别模型包括影像组学特征提取单元、重要特征提取单元以及预测单元，其中，影像组学特征提取单元用于从脑部区域图像提取M组影像组学特征，重要特征提取单元用于根据特征重要性排名从影像组学特征中筛选出前N组影像组学特征作为重要特征，预测单元用于根据重要特征进行区域梗死阳性预测，以输出区域梗死阳性的概率；
所述重要特征提取单元和预测单元在被应用之前，根据二值图分割模板构建的梗死二分类标签作为监督标签进行参数优化，其中，梗死二分类标签的构建过程包括：
根据二值图分割模板生成十个区域的梗死阴性、阳性二分类标签，包括：对于M1-M6区域，若在二值分割模板中梗死阳性区域面积大于区域总面积的1/3，则将该区域标注为梗死阳性，反之标注为梗死阴性；对于C、I、IC、L区域，若二值分割模板中存在梗死阳性区域，即将区域标注为梗死阳性，反之标注为梗死阴性；最终生成十个区域左、右两侧的梗死阴性、阳性二分类标签。
4.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置，其特征在于，HU值对比模型中，通过阈值处理去除区域图像中的高密度灶，通过大津法分割脑沟以去除。
5.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置，其特征在于，将梗死占比转换到概率分布的尺度转换函数包括：
针对M1-M6区域图像，采用的尺度转换函数f(x)表示为：
Figure 935016DEST_PATH_IMAGE001
其中，x表示梗死占比，S 1和S 2表示函数因变量的缩放比例，w 1和w 2表示函数自变量的缩放比例，在满足以下约束条件，通过选取不同的w 2使尺度转换函数f(x)在x = 1/3处的变化率不同，通过对数几率回归的方法拟合w 2；
约束条件为：
Figure 672028DEST_PATH_IMAGE002
其中，
Figure 195414DEST_PATH_IMAGE003
表示尺度转换函数f(x)在梗死占比在1/3处的导函数；
针对C、I、IC、L区域图像，采用的尺度转换函数f(x)表示为：
Figure 625258DEST_PATH_IMAGE004
其中，S 0 表示函数因变量的缩放程度，w 0表示函数自变量的缩放程度，在满足f(0) = 0，通过选择不同的w 0使尺度转换函数在x = 0处的变化率不同，通过对数几率回归的方法拟合w 0。
6.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置，其特征在于，将HU差值转换到概率分布的尺度转换函数g(x)采用能够实现平移和缩放的Sigmoid函数，表示为：
Figure 555299DEST_PATH_IMAGE005
其中，b表示为通常一侧区域平均HU值比对侧小多少会被判断为梗死阳性，通过不同的w可使尺度转换函数在x = -b处的变化率不同，通过对数几率回归的方法拟合w。
7.根据权利要求2所述的基于多模型融合的缺血性脑卒中梗死评估装置，其特征在于，所述梗死灶分割单元采用Res-UNet，DeeplabV3+或CenterNet构建。
8.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置，其特征在于，所述梗死融合评估模型采用梯度提升决策树算法构建。
9.一种基于多模型融合的缺血性脑卒中梗死评估装置，其特征在于，包括：
接收预处理模块，用于接收脑部的平扫CT影像序列，并对平扫CT影像序列进行预处理，以确定脑部整体图像和脑部区域图像；
第一评估模块，用于利用区域梗死阳性判别模型对输入的脑部区域图像依据特征重要性进行特征提取后，对提取的重要特征进行区域梗死阳性预测，以得到区域梗死阳性的概率；
第二评估模块，用于利用梗死灶分割及占比预测模型对输入脑部整体图像进行梗死区域分割得到梗死区域分割结果后，将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比；
第三评估模块，用于利用HU值对比模型计算去除脑沟和高密度灶后区域图像的平均HU值后，根据平均HU值计算左右脑两侧对应区域图像的HU差值；
融合评估模块，用于利用两个尺度转换函数将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率；利用梗死融合评估模型对输入的区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率进行梗死评估，得到梗死评估结果并输出。
10.一种基于多模型融合的缺血性脑卒中梗死评估方法，其特征在于，包括以下步骤：
接收预处理步骤：接收脑部的平扫CT影像序列，并对平扫CT影像序列进行预处理，以确定脑部整体图像和脑部区域图像；
第一评估步骤：利用区域梗死阳性判别模型对输入的脑部区域图像依据特征重要性进行特征提取后，对提取的重要特征进行区域梗死阳性预测，以得到区域梗死阳性的概率；
第二评估步骤：利用梗死灶分割及占比预测模型对输入脑部整体图像进行梗死区域分割得到梗死区域分割结果后，将梗死区域分割结果与对应区域进行匹配，并计算梗死区域分割结果的面积与匹配的区域总面积的梗死占比；
第三评估步骤：利用HU值对比模型计算去除脑沟和高密度灶后区域图像的平均HU值后，根据平均HU值计算左右脑两侧对应区域图像的HU差值；
融合评估步骤：利用两个尺度转换函数将梗死占比和HU差值分别转换到概率分布，得到梗死占比对应的梗死概率和HU差值对应的梗死概率；利用梗死融合评估模型对输入的区域梗死阳性的概率、梗死占比对应的梗死概率以及HU差值对应的梗死概率进行梗死评估，得到梗死评估结果并输出。
CN202211126175.8A 2022-09-16 2022-09-16 一种基于多模型融合的缺血性脑卒中梗死评估装置和方法 Active CN115205294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211126175.8A CN115205294B (zh) 2022-09-16 2022-09-16 一种基于多模型融合的缺血性脑卒中梗死评估装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211126175.8A CN115205294B (zh) 2022-09-16 2022-09-16 一种基于多模型融合的缺血性脑卒中梗死评估装置和方法

Publications (2)

Publication Number Publication Date
CN115205294A true CN115205294A (zh) 2022-10-18
CN115205294B CN115205294B (zh) 2022-11-22

Family

ID=83572134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211126175.8A Active CN115205294B (zh) 2022-09-16 2022-09-16 一种基于多模型融合的缺血性脑卒中梗死评估装置和方法

Country Status (1)

Country Link
CN (1) CN115205294B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102245189A (zh) * 2008-12-03 2011-11-16 阿莫塞特公司 改善梗死区灌注的组合物以及血管损伤修复方法
CN109498046A (zh) * 2018-11-19 2019-03-22 西安电子科技大学 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法
CN110298832A (zh) * 2019-06-25 2019-10-01 沈阳东软智能医疗科技研究院有限公司 梗死灶区域检测方法、装置、存储介质及设备
JP2019208620A (ja) * 2018-05-31 2019-12-12 株式会社ジェイマックシステム 医用画像処理装置、医用画像処理方法および医用画像処理プログラム
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
CN112435212A (zh) * 2020-10-15 2021-03-02 杭州脉流科技有限公司 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质
CN113034440A (zh) * 2021-03-03 2021-06-25 数坤（北京）网络科技有限公司 一种基于ctp脑灌注影像数据的梗死分类方法及系统
CN113256748A (zh) * 2020-02-13 2021-08-13 脑玺(上海)智能科技有限公司 基于脑血管ct影像的图像处理方法及图像处理装置
WO2021179078A1 (en) * 2020-03-10 2021-09-16 Circle Neurovascular Imaging Inc. Systems and methods of prediction of ischemic brain tissue fate from multi-phase ct-angiography in patients with acute ischemic stroke using machine learning
CN113538348A (zh) * 2021-06-29 2021-10-22 沈阳东软智能医疗科技研究院有限公司 一种颅脑磁共振弥散加权图像的处理方法及相关产品
CN113624979A (zh) * 2021-08-07 2021-11-09 中日友好医院(中日友好临床医学研究所) 一种cd177作为检测急性心肌梗死的生物标志物的用途
CN113827263A (zh) * 2021-11-08 2021-12-24 上海联影智能医疗科技有限公司 灌注影像处理方法、系统、电子设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102245189A (zh) * 2008-12-03 2011-11-16 阿莫塞特公司 改善梗死区灌注的组合物以及血管损伤修复方法
JP2019208620A (ja) * 2018-05-31 2019-12-12 株式会社ジェイマックシステム 医用画像処理装置、医用画像処理方法および医用画像処理プログラム
CN109498046A (zh) * 2018-11-19 2019-03-22 西安电子科技大学 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法
CN110298832A (zh) * 2019-06-25 2019-10-01 沈阳东软智能医疗科技研究院有限公司 梗死灶区域检测方法、装置、存储介质及设备
CN113256748A (zh) * 2020-02-13 2021-08-13 脑玺(上海)智能科技有限公司 基于脑血管ct影像的图像处理方法及图像处理装置
WO2021179078A1 (en) * 2020-03-10 2021-09-16 Circle Neurovascular Imaging Inc. Systems and methods of prediction of ischemic brain tissue fate from multi-phase ct-angiography in patients with acute ischemic stroke using machine learning
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
CN112435212A (zh) * 2020-10-15 2021-03-02 杭州脉流科技有限公司 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质
CN113034440A (zh) * 2021-03-03 2021-06-25 数坤（北京）网络科技有限公司 一种基于ctp脑灌注影像数据的梗死分类方法及系统
CN113538348A (zh) * 2021-06-29 2021-10-22 沈阳东软智能医疗科技研究院有限公司 一种颅脑磁共振弥散加权图像的处理方法及相关产品
CN113624979A (zh) * 2021-08-07 2021-11-09 中日友好医院(中日友好临床医学研究所) 一种cd177作为检测急性心肌梗死的生物标志物的用途
CN113827263A (zh) * 2021-11-08 2021-12-24 上海联影智能医疗科技有限公司 灌注影像处理方法、系统、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YINGWEI GUO ET AL: "Novel Survival Features Generated by clinical text information and radiomics features may improve the prediction of ischemic stroke outcome", 《DIAGNOSTICS》 *
叶子明等: "短暂性脑缺血发作ABCD~2评分与影像学研究进展", 《中华老年心脑血管病杂志》 *
孙丽娜: "头颅CTA联合CTP在急性脑梗死后出血性转化预测中的应用", 《内蒙古医科大学学报》 *

Also Published As

Publication number Publication date
CN115205294B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
Houssein et al. Deep and machine learning techniques for medical imaging-based breast cancer: A comprehensive review
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统
Shen et al. Simultaneous segmentation and classification of mass region from mammograms using a mixed-supervision guided deep model
Zhou et al. Using convolutional neural networks and transfer learning for bone age classification
Liu et al. A framework of wound segmentation based on deep convolutional networks
Chen et al. MSLPNet: multi-scale location perception network for dental panoramic X-ray image segmentation
WO2021209887A1 (en) Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis
Hennessey et al. Artificial intelligence in veterinary diagnostic imaging: A literature review
CN115908297A (zh) 基于拓扑知识的医学影像中血管分割建模方法
CN114638852A (zh) 基于cbct图像颌骨、软组织识别与重建的方法、装置及介质
Yao et al. Holistic segmentation of intermuscular adipose tissues on thigh MRI
Włodarczyk et al. Estimation of preterm birth markers with U-Net segmentation network
Gou et al. [Retracted] Deep Learning‐Based Detection and Diagnosis of Subarachnoid Hemorrhage
Elayaraja et al. An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach
Liu et al. Automated classification and measurement of fetal ultrasound images with attention feature pyramid network
Vasdev et al. Periapical dental X-ray image classification using deep neural networks
Ramos et al. Fast and smart segmentation of paraspinal muscles in magnetic resonance imaging with CleverSeg
Hussain et al. An attention-based ResNet architecture for acute hemorrhage detection and classification: Toward a health 4.0 digital twin study
Somasundaram et al. Brain extraction method for T1-weighted magnetic resonance scans
Qi et al. Examinee-examiner network: Weakly supervised accurate coronary lumen segmentation using centerline constraint
Duvieusart et al. Multimodal cardiomegaly classification with image-derived digital biomarkers
CN115205294B (zh) 一种基于多模型融合的缺血性脑卒中梗死评估装置和方法
Liu et al. Tracking-based deep learning method for temporomandibular joint segmentation
Dai et al. A one-stage deep learning method for fully automated mesiodens localization on panoramic radiographs
CN115409812A (zh) 一种基于融合时间注意机制的ct图像自动分类方法

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