CN115330775B - 一种脑卒中ct和mri影像征象定量评估方法及系统 - Google Patents
一种脑卒中ct和mri影像征象定量评估方法及系统 Download PDFInfo
- Publication number
- CN115330775B CN115330775B CN202211250171.0A CN202211250171A CN115330775B CN 115330775 B CN115330775 B CN 115330775B CN 202211250171 A CN202211250171 A CN 202211250171A CN 115330775 B CN115330775 B CN 115330775B
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- acute
- value
- bean
- 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
Links
- 208000006011 Stroke Diseases 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 27
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 19
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims abstract description 18
- 208000024891 symptom Diseases 0.000 title abstract description 5
- 230000001154 acute effect Effects 0.000 claims abstract description 99
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 97
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 85
- 210000004556 brain Anatomy 0.000 claims abstract description 75
- 210000004884 grey matter Anatomy 0.000 claims abstract description 70
- 230000000694 effects Effects 0.000 claims abstract description 43
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 36
- 238000003384 imaging method Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000002591 computed tomography Methods 0.000 claims description 106
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000002597 diffusion-weighted imaging Methods 0.000 claims description 27
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000003902 lesion Effects 0.000 claims description 16
- 210000001653 corpus striatum Anatomy 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005291 magnetic effect Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000002075 inversion recovery Methods 0.000 claims description 6
- 230000001684 chronic effect Effects 0.000 claims description 5
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005481 NMR spectroscopy Methods 0.000 claims description 2
- 208000000474 Poliomyelitis Diseases 0.000 claims 2
- 210000000988 bone and bone Anatomy 0.000 abstract description 8
- 238000003759 clinical diagnosis Methods 0.000 abstract description 7
- 238000013170 computed tomography imaging Methods 0.000 abstract description 7
- 210000001519 tissue Anatomy 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 description 9
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005298 paramagnetic effect Effects 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 2
- 206010018852 Haematoma Diseases 0.000 description 2
- 108010061951 Methemoglobin Proteins 0.000 description 2
- 108010064719 Oxyhemoglobins Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 108010002255 deoxyhemoglobin Proteins 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 206010048962 Brain oedema Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 208000006752 brain edema Diseases 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005292 diamagnetic effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 210000003657 middle cerebral artery Anatomy 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000006496 vascular abnormality Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000004885 white matter 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/10—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
- G06T2207/10—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
- G06T2207/20—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)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像处理技术领域，具体公开了一种脑卒中CT和MRI影像征象定量评估方法，结合CT图像的组织密度影征象和MRI图像的模糊效应特征，通过检测不同急性周期对应的脑部CT图像的豆状核轮廓并计算豆状核区灰质聚合曲线；并根据脑部MRI图像计算得到对应模糊效应拟合曲线，结合豆状核区灰质聚合曲线计算得到脑组织软化指数，能够从海量的脑卒中数据集的大数据中快速的筛选出灰白质信号指标、病灶清晰度和图像分辨率与患者最相似的脑卒中数据图像；可有效避免了由于CT存在骨伪影和MRI分辨率较低导致成像噪声误差干扰医护人员临床诊断结果的不足，作为监测脑卒中患者临床判断的重要指标和评估标准。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种脑卒中CT和MRI影像征象定量评估方法及系统。
背景技术
随着影像学技术如计算机断层扫描(CT)与磁共振扫描(MRI)等在临床的广泛应用，CT技术能清晰呈现脑卒中病灶情况，区分出血性和缺血性类型；而MRI术能多方位直接成像，显示动脉瘤等血管异常。因此，通过分析脑卒中患者的特定典型的CT和MRI影像征象，如脑肿胀、脑萎缩、组织密度影、脑梗死范围、皮髓界限模糊以及颅内动脉钙化征等，能为临床动态观察、治疗诊断和判断预后提供技术指标。
但是在基于临床影像的脑卒中诊疗过程中，由于影像数据涉及多模式多序列，医生难以短时间内依据大量影像数据准确找出脑卒中病灶并分析成因进行救治；而急救救治需要高时效性，会由于临床诊断效率与准确性的不足错过最佳时间窗造成患者不可逆性的损伤。而基于影像的疾病诊断应用主要依赖于医生临床经验用肉眼观察做出诊断，但医学影像存在噪声多、边缘模糊、层数多、数据量大等困难，且患者存在个体化差异因素强，常规的辅助诊断工具不足以保证高准确率。因此，目前亟需一种高效精准的基于影像学分析的脑卒中定量评估方法，能有效辅助临床诊断且评估预后，降低脑卒中患者的致死率、致残率和复发率。
而CT和MRI影像在临床应用上仍存在一些局限性，CT成像无法避免颅骨等非脑组织的遮挡影响，不能清晰呈现小脑、脑干等病灶位置容易出现误判漏诊；MRI能显示脑部结构无死角无骨伪影，获得清晰的脑组织成像，但分辨率较低且成像速度较慢。近年来伴随影像学技术的不断革新，开展了应用多模影像对脑卒中病灶的研究，但目前仍未有将CT和MRI影像两者优势结合的脑卒中定量评估标准及应用，并且，在已经公开的海量的脑卒中数据集的大数据中，尽管已经收录有无数种脑卒中数据图像，医生难以根据灰白质信号指标、病灶清晰度和图像分辨率与患者最相似的脑卒中数据图像。
发明内容
鉴于以上所述现有方法的局限，本发明的目的在于提供一种脑卒中CT和MRI影像征象定量评估方法及系统，结合CT图像的组织密度影征象和MRI图像的模糊效应特征，通过检测不同急性周期对应的脑部CT图像的豆状核轮廓并计算豆状核区灰质聚合曲线；并根据脑部MRI图像计算得到对应模糊效应拟合曲线，结合豆状核区灰质聚合曲线计算得到脑组织软化指数，进一步评估脑卒中病变程度，可有效避免了由于CT存在骨伪影和MRI分辨率较低导致成像噪声误差干扰医护人员临床诊断结果的不足，作为监测脑卒中患者临床判断的重要指标和评估标准，并且，在已经公开的海量的脑卒中数据集的大数据中，尽管已经收录有无数种脑卒中数据图像，医生难以根据灰白质信号指标、病灶清晰度和图像分辨率与患者最相似的脑卒中数据图像。
为了实现上述目的，根据本公开的一方面，提供一种脑卒中CT和MRI影像征象定量评估方法，所述方法包括以下步骤：
S100，获取不同急性周期对应的脑部CT图像和脑部MRI图像；
S200，获得不同急性周期对应的脑部CT图像的豆状核轮廓，并计算豆状核区灰质聚合曲线；
S300，根据不同急性周期对应的脑部MRI图像计算得到模糊效应拟合曲线；
S400，结合豆状核区灰质聚合曲线和模糊效应拟合曲线计算得到脑组织软化指数；
S500，当脑组织软化指数大于或等于阈值时，从脑卒中数据集中筛选得到和当前的脑部CT图像或脑部MRI图像的相似度最高的脑部CT图像或脑部MRI图像(能够从海量的脑卒中数据集的大数据中快速的筛选出灰白质信号指标、病灶清晰度和图像分辨率与患者最相似的脑卒中数据图像)。
进一步地，在S100中，利用计算机断层扫描仪获取脑部CT图像和核磁共振仪获得不同急性周期对应的脑部MRI图像；其中脑部MRI图像包括T1加权成像记作T1WI、T2加权成像记作T2WI、磁共振弥散加权成像记作DWI以及液体反转恢复成像记作FLAIR；优选地，不同急性周期可根据脑卒中发病时间之后的时间段划分周期，i值表示为急性周期序号，以6h作为一个急性周期的时间间隔，按i值从小到大顺序排列划分得到n个急性周期，i∈[1, n]，n∈[56, 120]。
进一步地，在S200中，获得不同急性周期对应的脑部CT图像的豆状核轮廓，并计算豆状核区灰质聚合曲线的方法为：
S201，将不同急性周期对应的脑部CT图像进行图像配准处理，得到特征点匹配的CT配准图像，根据急性周期对应的时间段按时间顺序构成CT配准图像集合，以i为CT配准图像的序号，记multiCT(x,y,i)为CT配准图像集合中第i个急性周期对应的CT配准图像在像素坐标为(x,y)上的灰度值；其中，设CT配准图像将各像素按矩阵M×N大小排列，x∈[1,M]，y∈[1,N]，i∈[1, n]；
优选地，图像配准处理可为Harris-Laplacian提取算法，Susan角点算法、Harris角点算法等其中一种，特征点提取算子包括Canny、Moravec、Forstner、罗伯特算子等其中一种；
S202，遍历i值的取值范围，叠加所述CT配准图像集合中的所有CT配准图像得到重合CT配准图像，并计算所述CT配准图像集合中所有CT配准图像在各个像素坐标的灰度值对应的算术平均值得到平均CT配准图像；将重合CT配准图像与平均CT配准图像在各个对应的像素坐标上的灰度值分别作差得到CT差值图像；
S203，利用边缘检测算法检测CT差值图像，获得距离图像边界最远或长度大于所有边缘线的一条边缘线，或者，获取各个边缘线所构成的区域中面积最大的区域所对应的边缘线，记为豆状核轮廓边缘线；将豆状核轮廓边缘线所构成的闭合区域记作豆状核区域，提取所述CT配准图像集合中各个CT配准图像对应豆状核区域内的像素点，按照预设顺序存入豆状核区灰质结构矩阵集合，记multiLN(i, j)表示为豆状核区灰质结构矩阵集合中第i个急性周期对应的CT配准图像在豆状核区域内的第j个灰度值；其中，j∈[1, Num]，Num为豆状核区域内的像素点个数；
S204，由豆状核区灰质结构矩阵集合计算得到随着急性周期变化的豆状核区灰质聚合曲线，计算豆状核区灰质聚合值LNcurve(i)构成豆状核区灰质聚合曲线，豆状核区灰质聚合值的计算公式为：
其中，LNcurve(i)表示为豆状核区灰质聚合曲线上第i个急性周期对应的豆状核区灰质聚合值；LNρ(j)为豆状核区灰质结构矩阵集合内对应的第j个灰质结构倾向度，meanLN(i)为豆状核区灰质结构矩阵集合中第i个急性周期对应的CT配准图像在豆状核区域内的平均灰度值；max[LNρ(j)]表示为遍历j取值范围计算LNρ(j)的绝对值中的最大值。
进一步地，在S300中，根据不同急性周期对应的脑部MRI图像计算得到模糊效应拟合曲线的方法为：
S301，遍历i值取值范围，将第i个急性周期对应的T1加权成像、T2加权成像、磁共振弥散加权成像和液体反转恢复成像分别记作T1WI(i)、T2WI(i)、DWI(i) 和FLAIR(i)；
S302，遍历T1WI(i)、T2WI(i)、DWI(i)和FLAIR(i)的各个像素点在i值取值范围内进行累加求均值，并由各个像素点对应的均值构成平均图像，分别记作aveT1WI、aveT2WI、aveDWI和aveFLAIR；分别对aveT1WI、aveT2WI、aveDWI和aveFLAIR进行归一化处理，并利用OTSU阈值分割算法分别获得对应的非脑组织区域阈值，分别将aveT1WI、aveT2WI、aveDWI和aveFLAIR上数值大于或等于对应的非脑组织区域阈值的各个像素点标记为脑组织点，其余的像素点标记为非脑组织点；并根据脑组织点利用边界膨胀处理、边缘检测算法提取出对应的脑组织轮廓线，其脑组织轮廓线所构成的闭合区域记作对应的脑组织区域；
S303，分别对T1WI、T2WI、DWI和FLAIR对应的脑组织区域内进行图像增强处理，并利用模糊C均值聚类算法将图像划分得到对应的灰白质子区域以及脑脊液子区域；
S304，遍历i值取值范围，分别计算T1WI(i)、T2WI(i)、DWI(i)以及FLAIR(i)对应的灰白质子区域内所有像素点对应的灰度值的算术平均值，分别记作T1(i)、T2(i)、Dwg(i)、以及Fwg(i)；利用最小二乘法分别对T1(i)、T2(i)、Dwg(i)、以及Fwg(i)进行拟合，分别获得T1WI、T2WI、DWI和FLAIR对应的模糊效应拟合曲线，分别记作T1fitting(i)、T2fitting(i)、Dwgfitting(i)、以及Fwgfitting(i)。
进一步地，在S400中，结合豆状核区灰质聚合曲线和模糊效应拟合曲线计算得到脑组织软化指数的方法为：
S401，根据豆状核区灰质聚合曲线和不同的模糊效应拟合曲线计算得到对应的脑组织模糊液化曲线，其计算公式为：
其中BlurT1(i)表示为T1WI对应的随着i值变化的脑组织模糊液化曲线；BlurT2(i)表示为T2WI对应的随着i值变化的脑组织模糊液化曲线；
S402，由脑组织模糊液化曲线计算得到对应的脑组织软化指数，其计算公式为：
其中SoftenT1(i)表示为第i个急性周期时T1WI对应的脑组织软化指数；SoftenT2(i)表示为第i个急性周期时T2WI对应的脑组织软化指数。
进一步地，在S500中，阈值为人工设置的值，或者，阈值为通过S100～S400计算5~10个脑卒中患者得到的脑组织软化指数的平均值，或者，阈值为脑卒中数据集中随机抽取5~100组脑部CT图像和脑部MRI图像数据通过S100～S400计算得到的脑组织软化指数的平均值。
其中，脑卒中数据集包括： BraTS2018数据集、CQ500数据集、ISLE数据集、MRBrainS数据集, Hippocampus(MRI, 1759) 数据集、 Brain Hemarhage数据集。
其中，相似度的计算方法包括：结构相似性度量、余弦相似度算法、感知哈希算法、向量相似度算法、PSNR峰值信噪比法。
进一步地，在S500中，将相似度最高的脑部CT图像或脑部MRI图像推送到客户端或者移动设备中输出，以作为监测脑卒中患者临床判断的重要指标和评估标准。
本发明还提供了一种脑卒中CT和MRI影像征象定量评估系统，所述系统包括：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一种脑卒中CT和MRI影像征象定量评估方法中的步骤，
所述一种脑卒中CT和MRI影像征象定量评估系统还包括：
豆状核区灰质结构处理单元，用于对不同急性周期对应的脑部CT图像检测得到豆状核轮廓边缘线，并计算对应的豆状核区灰质聚合曲线；
MRI模糊效应拟合处理单元，用于根据不同急性周期对应的脑部MRI图像计算得到T1WI、T2WI、DWI和FLAIR对应的模糊效应拟合曲线；
脑组织软化指数计算单元，用于根据豆状核区灰质聚合曲线和模糊效应拟合曲线计算得到脑组织软化指数；
脑卒中病变程度评估单元，用于根据不同急性周期对应的脑组织软化指数和MRI对应的模糊效应拟合曲线量化评估脑卒中病变程度。
其中，根据不同急性周期对应的脑组织软化指数和MRI对应的模糊效应拟合曲线量化评估脑卒中病变程度具体包括以下步骤：
S501，分别计算SoftenT1(i)和SoftenT2(i)在i值取值范围内的算术平均值，分别记作meanST1和meanST2，以及分别计算Dwgfitting(i)和Fwgfitting(i) 在i值取值范围内的算术平均值，分别记作meanDwg和meanFwg；遍历i值取值范围，进一步由步骤S5031~S5034评估脑卒中病变程度：
S5031，当SoftenT1(i)≤meanST1且SoftenT2(i)≤meanST2时，若满足Dwgfitting(i)≥meanDwg且Fwgfitting(i)≤meanFwg条件，则评估脑卒中在第i个急性周期处于超急性早期；否则跳转至S5034；
S5032，当SoftenT1(i)≤meanST1且SoftenT2(i)＞meanST2时，若满足Dwgfitting(i)≥meanDwg且Fwgfitting(i)＞meanFwg条件，则评估脑卒中在第i个急性周期处于超急性晚期；
S5033，当SoftenT1(i)＞meanST1时，进一步判断是否满足SoftenT2(i)＜meanST2条件，是则若满足Dwgfitting(i) ≤meanDwg且Fwgfitting(i)≤meanFwg条件，则评估脑卒中在第i个急性周期处于亚急性早期；否则均评估脑卒中在第i个急性周期处于亚急性晚期；
S5034，判断是否满足i≤(n/2)值条件，是则评估脑卒中在第i个急性周期处于急性期；否则评估脑卒中在第i个急性周期处于慢性期；
所述一种脑卒中CT和MRI影像征象定量评估系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中。
如上所述，本发明所述的一种脑卒中CT和MRI影像征象定量评估方法及系统，具有以下有益效果：（1）通过叠加抵消能较好地豆状核区域的模糊轮廓，识别豆状核区域，解决了CT成像由于骨伪影难以对脑灰白质的病灶清晰成像的局限性；（2）识别不同MRI图像的灰白质子区域计算得到对应的模糊效应拟合曲线，能提供更准确的灰白质信号指标，在一定程度上解决MRI成像分辨率较低的问题；（3）能够从海量的脑卒中数据集的大数据中快速的筛选出灰白质信号指标、病灶清晰度和图像分辨率与患者最相似的脑卒中数据图像；（4）结合CT图像的组织密度影特征和MRI图像的模糊效应特征，可有效避免由于CT存在骨伪影和MRI分辨率较低导致成像噪声误差干扰医护人员临床诊断结果的不足，计算得到脑组织软化指数进一步评估脑卒中病变程度，能作为监测脑卒中患者临床判断的重要指标和评估标准。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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他的附图，在附图中：
图1所示为一种脑卒中CT和MRI影像征象定量评估方法于一实施例中的流程图；
图2所示为一种脑卒中CT和MRI影像征象定量评估系统于一实施例中的系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本发明的一种脑卒中CT和MRI影像征象定量评估方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种脑卒中CT和MRI影像征象定量评估方法。本公开提出一种脑卒中CT和MRI影像征象定量评估方法，所述方法具体包括以下步骤：
S100，获取不同急性周期对应的脑部CT图像和脑部MRI图像；
S200，获得不同急性周期对应的脑部CT图像的豆状核轮廓，并计算豆状核区灰质聚合曲线；
S300，根据不同急性周期对应的脑部MRI图像计算得到模糊效应拟合曲线；
S400，结合豆状核区灰质聚合曲线和模糊效应拟合曲线计算得到脑组织软化指数；
S500，当脑组织软化指数大于或等于阈值时，从脑卒中数据集中筛选得到和当前的脑部CT图像或脑部MRI图像的相似度最高的脑部CT图像或脑部MRI图像。
进一步地，在S100中，利用计算机断层扫描仪获取脑部CT图像和核磁共振仪获得不同急性周期对应的脑部MRI图像；其中脑部MRI图像包括T1加权成像记作T1WI、T2加权成像记作T2WI、磁共振弥散加权成像记作DWI以及液体反转恢复成像记作FLAIR；优选地，不同急性周期可根据脑卒中发病时间之后的时间段划分周期，i值表示为急性周期序号，以6h（6小时）作为一个急性周期的时间间隔，按i值从小到大顺序排列划分（或者也可以为：脑卒中发病时间到当前时刻的时间段）得到n个急性周期，i∈[1, n]，n∈[56, 120]；
优选地，所述计算机断层扫描仪采用双排螺旋CT断层扫描，以om线为扫描基线，层厚5.0 mm，螺距1.5 mm，扫描参数为160 kV，50 mAs；所述核磁共振仪的视场角为250×220mm，扫描尺寸为256×256，扫描参数分别为FSE-T1WI（TE/TR= 9/2000 ms），FSE-T2WI（TE/TR= 105/6000 ms），DWI（TE/TR= 102/5500 ms），FLAIR（TE/TR= 96/8000 ms）。
进一步地，在S200中，获得不同急性周期对应的脑部CT图像的豆状核轮廓，并计算豆状核区灰质聚合曲线的方法为：
S201，将不同急性周期对应的脑部CT图像进行图像配准处理，得到特征点匹配的CT配准图像，根据急性周期对应的时间段按时间顺序构成CT配准图像集合，以i为CT配准图像的序号，记multiCT(x,y,i)为CT配准图像集合中第i个急性周期对应的CT配准图像在像素坐标为(x,y)上的灰度值；其中，设CT配准图像将各像素按矩阵M×N大小排列，x∈[1,M]，y∈[1,N]，i∈[1, n]；
优选地，图像配准处理可为Harris-Laplacian提取算法，Susan角点算法、Harris角点算法等其中一种，特征点提取算子包括Canny、Moravec、Forstner、罗伯特算子等其中一种；
S202，遍历i值的取值范围，叠加所述CT配准图像集合中的所有CT配准图像得到重合CT配准图像，并计算所述CT配准图像集合中所有CT配准图像在各个像素坐标的灰度值对应的算术平均值得到平均CT配准图像；将重合CT配准图像与平均CT配准图像在各个对应的像素坐标上的灰度值分别作差得到CT差值图像；
S203，利用边缘检测算法检测CT差值图像，获得距离图像边界最远或长度大于所有边缘线的一条边缘线，或者，获取各个边缘线所构成的区域中面积最大的区域所对应的边缘线，记为豆状核轮廓边缘线；将豆状核轮廓边缘线所构成的闭合区域记作豆状核区域，提取所述CT配准图像集合中各个CT配准图像对应豆状核区域内的像素点，按照预设顺序存入豆状核区灰质结构矩阵集合，记multiLN(i, j)表示为豆状核区灰质结构矩阵集合中第i个急性周期对应的CT配准图像在豆状核区域内的第j个灰度值；其中，预设顺序为将豆状核区域内像素坐标为(x,y)对应的(x+y)值按从小到大顺序排列，其排列中第j个像素坐标(x,y)对应的灰度值对应为multiLN(i, j)中的第j个灰度值，j∈[1, Num]，Num为豆状核区域内的像素点个数；
S204，由豆状核区灰质结构矩阵集合计算得到随着急性周期变化的豆状核区灰质聚合曲线，计算豆状核区灰质聚合值LNcurve(i)构成豆状核区灰质聚合曲线，豆状核区灰质聚合值的计算公式为：
其中，LNcurve(i)表示为豆状核区灰质聚合曲线上第i个急性周期对应的豆状核区灰质聚合值；LNρ(j)为豆状核区灰质结构矩阵集合内对应的第j个灰质结构倾向度，meanLN(i)为豆状核区灰质结构矩阵集合中第i个急性周期对应的CT配准图像在豆状核区域内的平均灰度值；max[LNρ(j)]表示为遍历j取值范围计算LNρ(j)的绝对值中的最大值。（其原理为：当脑灰质的血流灌注减少会导致CT图像征象上出现豆状核征、脑岛带征及皮髓界限模糊，而豆状核征是由于大脑中动脉供血区细胞水肿导致的，随着脑卒中的急性周期增加，对应的豆状核轮廓会逐渐模糊或密度逐渐降低，对应灰白质界限消失，脑实质密度降低呈片状或斑片状的低密度影，处于慢性期时会发生“模糊效应”，即受损脑组织逐渐出现软化灶，在CT图像上表现为脑脊液样低密度影，但由于骨伪影难以对脑灰白质的病灶清晰成像，无法提供完整的灰白质疾病的诊断依据；而步骤S200通过叠加抵消能较好地豆状核区域的模糊轮廓，识别豆状核区域并计算豆状核区灰质聚合曲线，可在无清晰CT成像的条件下反映豆状核区域内脑实质的X线吸收系数随着急性周期变化的密度差异，有效量化低密度影的变化程度）。
进一步地，在S300中，根据不同急性周期对应的脑部MRI图像计算得到模糊效应拟合曲线的方法为：
S301，遍历i值取值范围，将第i个急性周期对应的T1加权成像、T2加权成像、磁共振弥散加权成像和液体反转恢复成像分别记作T1WI(i)、T2WI(i)、DWI(i) 和FLAIR(i)；
S302，遍历T1WI(i)、T2WI(i)、DWI(i)和FLAIR(i)的各个像素点在i值取值范围内进行累加求均值，并由各个像素点对应的均值构成平均图像，分别记作aveT1WI、aveT2WI、aveDWI和aveFLAIR；分别对aveT1WI、aveT2WI、aveDWI和aveFLAIR进行归一化处理，并利用OTSU阈值分割算法分别获得对应的非脑组织区域阈值，分别将aveT1WI、aveT2WI、aveDWI和aveFLAIR上数值大于或等于对应的非脑组织区域阈值的各个像素点标记为脑组织点，其余的像素点标记为非脑组织点；并根据脑组织点利用边界膨胀处理、边缘检测算法提取出对应的脑组织轮廓线，其脑组织轮廓线所构成的闭合区域记作对应的脑组织区域；
S303，分别对T1WI、T2WI、DWI和FLAIR对应的脑组织区域内进行图像增强处理，并利用模糊C均值聚类算法将图像划分得到对应的灰白质子区域以及脑脊液子区域；
S304，遍历i值取值范围，分别计算T1WI(i)、T2WI(i)、DWI(i)以及FLAIR(i)对应的灰白质子区域内所有像素点对应的灰度值的算术平均值，分别记作T1(i)、T2(i)、Dwg(i)、以及Fwg(i)；利用最小二乘法分别对T1(i)、T2(i)、Dwg(i)、以及Fwg(i)进行拟合，分别获得T1WI、T2WI、DWI和FLAIR对应的模糊效应拟合曲线，分别记作T1fitting(i)、T2fitting(i)、Dwgfitting(i)、以及Fwgfitting(i)。（其原理为：由于脑部MRI图像由脑组织和非脑组织两部分组成，其中非脑组织包括头皮、头骨等，脑组织包括脑白质、脑灰质、脑脊液等；CT成像会存在骨伪影干扰，而MRI能获得清晰的脑组织成像，通过步骤S302可有效去除各个MRI图像中非脑组织部分，克服了CT成像由于颅骨等非脑组织的遮挡易出现误判漏诊的局限；而步骤S303~S304识别不同MRI图像的灰白质子区域计算得到对应的模糊效应拟合曲线，能提供更准确的灰白质信号指标，在一定程度上解决MRI成像分辨率较低的问题）。
进一步地，在S400中，结合豆状核区灰质聚合曲线和模糊效应拟合曲线计算得到脑组织软化指数的方法为：
S401，根据豆状核区灰质聚合曲线和不同的模糊效应拟合曲线计算得到对应的脑组织模糊液化曲线，其计算公式为：
其中BlurT1(i)表示为T1WI对应的随着i值变化的脑组织模糊液化曲线；BlurT2(i)表示为T2WI对应的随着i值变化的脑组织模糊液化曲线；
S402，由脑组织模糊液化曲线计算得到对应的脑组织软化指数，其计算公式为：
其中SoftenT1(i)表示为第i个急性周期时T1WI对应的脑组织软化指数；SoftenT2(i)表示为第i个急性周期时T2WI对应的脑组织软化指数。（有益效果为：步骤S400可结合CT图像的组织密度影特征和MRI图像的模糊效应特征，可有效避免了由于CT存在骨伪影和MRI分辨率较低导致成像噪声误差干扰医护人员临床诊断结果的不足，能获得更高检测精度的灰白质病灶较为完整的诊断依据，通过计算不同急性周期对应的脑组织软化指数并结合MRI图像对应的模糊效应拟合曲线，能够准确的从脑卒中数据集中筛选出脑组织软化和患者最接近的图像数据集，使医护人员能够通过筛选出的图像数据集准确的进一步评估脑卒中病变程度，从而能准确的有效辅助临床诊断且评估预后）。
进一步地，在S500中，阈值为人工设置的值，或者，阈值为通过S100～S400计算5~10个脑卒中患者得到的脑组织软化指数的平均值，或者，阈值为脑卒中数据集中随机抽取5~100组脑部CT图像和脑部MRI图像数据通过S100～S400计算得到的脑组织软化指数的平均值。
其中，脑卒中数据集包括： BraTS2018数据集、CQ500数据集、ISLE数据集、MRBrainS数据集, Hippocampus(MRI, 1759) 数据集、 Brain Hemarhage数据集。
其中，相似度的计算方法包括：结构相似性度量、余弦相似度算法、感知哈希算法、向量相似度算法、PSNR峰值信噪比法。
如图2所示为本公开的一种脑卒中CT和MRI影像征象定量评估系统结构图，所述处理器执行所述计算机程序运行在以下系统的单元中：
脑部图像获取单元，用于获取不同急性周期对应的脑部CT图像和脑部MRI图像；
豆状核区灰质结构处理单元，用于对不同急性周期对应的脑部CT图像检测得到豆状核轮廓边缘线，并计算对应的豆状核区灰质聚合曲线；
MRI模糊效应拟合处理单元，用于根据不同急性周期对应的脑部MRI图像计算得到T1WI、T2WI、DWI和FLAIR对应的模糊效应拟合曲线；
脑组织软化指数计算单元，用于根据豆状核区灰质聚合曲线和模糊效应拟合曲线计算得到脑组织软化指数；
脑卒中病变程度评估单元，用于根据不同急性周期对应的脑组织软化指数和MRI对应的模糊效应拟合曲线量化评估脑卒中病变程度；
其中，根据不同急性周期对应的脑组织软化指数和MRI对应的模糊效应拟合曲线量化评估脑卒中病变程度具体包括以下步骤：
S501，分别计算SoftenT1(i)和SoftenT2(i)在i值取值范围内的算术平均值，分别记作meanST1和meanST2，以及分别计算Dwgfitting(i)和Fwgfitting(i) 在i值取值范围内的算术平均值，分别记作meanDwg和meanFwg；遍历i值取值范围，进一步由步骤S5031~S5034评估脑卒中病变程度：
S5031，当SoftenT1(i)≤meanST1且SoftenT2(i)≤meanST2时，若满足Dwgfitting(i)≥meanDwg且Fwgfitting(i)≤meanFwg条件，则评估脑卒中在第i个急性周期处于超急性早期；否则跳转至S5034；
S5032，当SoftenT1(i)≤meanST1且SoftenT2(i)＞meanST2时，若满足Dwgfitting(i)≥meanDwg且Fwgfitting(i)＞meanFwg条件，则评估脑卒中在第i个急性周期处于超急性晚期；
S5033，当SoftenT1(i)＞meanST1时，进一步判断是否满足SoftenT2(i)＜meanST2条件，是则若满足Dwgfitting(i) ≤meanDwg且Fwgfitting(i)≤meanFwg条件，则评估脑卒中在第i个急性周期处于亚急性早期；否则均评估脑卒中在第i个急性周期处于亚急性晚期；
S5034，判断是否满足i≤(n/2)值条件，是则评估脑卒中在第i个急性周期处于急性期；否则评估脑卒中在第i个急性周期处于慢性期；
优选地，在本具体实施例中，结合MRI信号进一步评估得到随着急性周期递增分别对应着不同的病变阶段；其中，
（1）超急性期是红细胞内氧合血红蛋白阶段，氧合血红蛋白抗磁性，主要分为早期和晚期，超急性早期对应的SoftenT1(i)和SoftenT2(i)未见异常，但和Dwgfitting(i)呈现高信号；而超急性晚期血肿含水较多，SoftenT2(i)和Fwgfitting(i)均呈现高信号；
（2）急性期是红细胞内脱氧血红蛋白顺磁阶段，但脱氧血红蛋白结构所限，SoftenT1(i)、SoftenT2(i)、Dwgfitting(i)和Fwgfitting(i)均呈现低信号；
（3）亚急性期也分为早期和晚期，亚急性早期是红细胞内正铁血红蛋白顺磁阶段，SoftenT2(i)呈现低信号，但由于正铁血红蛋白（和脱氧比铁原子位置变了）转正使SoftenT1(i)呈现高信号，Dwgfitting(i)和Fwgfitting(i)保持低信号；而亚急性晚期时红细胞外正铁血红蛋白顺磁，且血肿里面水分增加，SoftenT1(i)、SoftenT2(i)、Dwgfitting(i)和Fwgfitting(i)均呈现高信号；
（4）而慢性期时是红细胞外含铁血黄素超顺磁阶段，SoftenT1(i)和SoftenT2(i)均呈现低信号，Dwgfitting(i)和Fwgfitting(i)保持低信号。
所述一种脑卒中CT和MRI影像征象定量评估系统可以运行于桌上型计算机、笔记本、掌上电脑及云端数据中心等计算设备中。所述一种脑卒中CT和MRI影像征象定量评估系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种脑卒中CT和MRI影像征象定量评估方法及系统的示例，并不构成对一种脑卒中CT和MRI影像征象定量评估方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种脑卒中CT和MRI影像征象定量评估系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，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 Integrated Circuit，ASIC)、现场可编程门阵列 (Field-ProgrammHCO3-le Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路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，所述处理器是所述一种脑卒中CT和MRI影像征象定量评估系统的控制中心，利用各种接口和线路连接整个一种脑卒中CT和MRI影像征象定量评估系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种脑卒中CT和MRI影像征象定量评估方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，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。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (4)
1.一种脑卒中CT和MRI影像征象定量评估方法，其特征在于，所述方法包括以下步骤：
S100，获取不同急性周期对应的脑部CT图像和脑部MRI图像；
S200，获得不同急性周期对应的脑部CT图像的豆状核轮廓，并计算豆状核区灰质聚合曲线；
S300，根据不同急性周期对应的脑部MRI图像计算得到模糊效应拟合曲线；
S400，结合豆状核区灰质聚合曲线和模糊效应拟合曲线计算得到脑组织软化指数；
S500，当脑组织软化指数大于或等于阈值时，从脑卒中数据集中筛选得到和当前的脑部CT图像或脑部MRI图像的相似度最高的脑部CT图像或脑部MRI图像；
其中，在S200中，获得不同急性周期对应的脑部CT图像的豆状核轮廓，并计算豆状核区灰质聚合曲线的方法为：
S201，将不同急性周期对应的脑部CT图像进行图像配准处理，得到特征点匹配的CT配准图像，根据急性周期对应的时间段按时间顺序构成CT配准图像集合，以i为CT配准图像的序号，记multiCT(x,y,i)为CT配准图像集合中第i个急性周期对应的CT配准图像在像素坐标为(x,y)上的灰度值；其中，设CT配准图像将各像素按矩阵M×N大小排列，x∈[1,M]，y∈[1,N]，i∈[1, n]；
S202，遍历i值的取值范围，叠加所述CT配准图像集合中的所有CT配准图像得到重合CT配准图像，并计算所述CT配准图像集合中所有CT配准图像在各个像素坐标的灰度值对应的算术平均值得到平均CT配准图像；将重合CT配准图像与平均CT配准图像在各个对应的像素坐标上的灰度值分别作差得到CT差值图像；
S203，利用边缘检测算法检测CT差值图像，获得距离图像边界最远或长度大于所有边缘线的一条边缘线，或者，获取各个边缘线所构成的区域中面积最大的区域所对应的边缘线，记为豆状核轮廓边缘线；将豆状核轮廓边缘线所构成的闭合区域记作豆状核区域，提取所述CT配准图像集合中各个CT配准图像对应豆状核区域内的像素点，按照预设顺序存入豆状核区灰质结构矩阵集合，记multiLN(i, j)表示为豆状核区灰质结构矩阵集合中第i个急性周期对应的CT配准图像在豆状核区域内的第j个灰度值；其中，j∈[1, Num]，Num为豆状核区域内的像素点个数；
S204，由豆状核区灰质结构矩阵集合计算得到随着急性周期变化的豆状核区灰质聚合曲线，计算豆状核区灰质聚合值LNcurve(i)构成豆状核区灰质聚合曲线，豆状核区灰质聚合值的计算公式为：
其中，LNcurve(i)表示为豆状核区灰质聚合曲线上第i个豆状核区灰质聚合值；LNρ(j)为豆状核区灰质结构矩阵集合内对应的第j个灰质结构倾向度，meanLN(i)为豆状核区灰质结构矩阵集合中第i个急性周期对应的CT配准图像在豆状核区域内的平均灰度值；max[LNρ(j)]表示为遍历j取值范围计算LNρ(j)的绝对值中的最大值；
其中，在S300中，根据不同急性周期对应的脑部MRI图像计算得到模糊效应拟合曲线的方法为：
S301，遍历i值取值范围，将第i个急性周期对应的T1加权成像、T2加权成像、磁共振弥散加权成像和液体反转恢复成像分别记作T1WI(i)、T2WI(i)、DWI(i) 和FLAIR(i)；
S302，遍历T1WI(i)、T2WI(i)、DWI(i)和FLAIR(i)的各个像素点在i值取值范围内进行累加求均值，并由各个像素点对应的均值构成平均图像，分别记作aveT1WI、aveT2WI、aveDWI和aveFLAIR；分别对aveT1WI、aveT2WI、aveDWI和aveFLAIR进行归一化处理，并利用OTSU阈值分割算法分别获得对应的非脑组织区域阈值，分别将aveT1WI、aveT2WI、aveDWI和aveFLAIR上数值大于或等于对应的非脑组织区域阈值的各个像素点标记为脑组织点，其余的像素点标记为非脑组织点；并根据脑组织点利用边界膨胀处理、边缘检测算法提取出对应的脑组织轮廓线，其脑组织轮廓线所构成的闭合区域记作对应的脑组织区域；
S303，分别对T1WI、T2WI、DWI和FLAIR对应的脑组织区域内进行图像增强处理，并利用模糊C均值聚类算法将图像划分得到对应的灰白质子区域以及脑脊液子区域；
S304，遍历i值取值范围，分别计算T1WI(i)、T2WI(i)、DWI(i)以及FLAIR(i)对应的灰白质子区域内所有像素点对应的灰度值的算术平均值，分别记作T1(i)、T2(i)、Dwg(i)、以及Fwg(i)；利用最小二乘法分别对T1(i)、T2(i)、Dwg(i)、以及Fwg(i)进行拟合，分别获得T1WI、T2WI、DWI和FLAIR对应的模糊效应拟合曲线，分别记作T1fitting(i)、T2fitting(i)、Dwgfitting(i)、以及Fwgfitting(i)；
其中，在S400中，结合豆状核区灰质聚合曲线和模糊效应拟合曲线计算得到脑组织软化指数的方法为：
S401，根据豆状核区灰质聚合曲线和不同的模糊效应拟合曲线计算得到对应的脑组织模糊液化曲线，其计算公式为：
其中BlurT1(i)表示为T1WI对应的随着i值变化的脑组织模糊液化曲线；BlurT2(i)表示为T2WI对应的随着i值变化的脑组织模糊液化曲线；
S402，由脑组织模糊液化曲线计算得到对应的脑组织软化指数，其计算公式为：
其中SoftenT1(i)表示为第i个急性周期时T1WI对应的脑组织软化指数；SoftenT2(i)表示为第i个急性周期时T2WI对应的脑组织软化指数。
2.根据权利要求1所述的一种脑卒中CT和MRI影像征象定量评估方法，其特征在于，在S100中，利用计算机断层扫描仪获取不同急性周期对应的脑部CT图像和核磁共振仪获得不同急性周期对应的脑部MRI图像；其中脑部MRI图像包括T1加权成像记作T1WI、T2加权成像记作T2WI、磁共振弥散加权成像记作DWI以及液体反转恢复成像记作FLAIR；其中，不同急性周期是根据脑卒中发病时间之后的时间段划分的周期，i值表示为急性周期序号，以6h作为一个急性周期的时间间隔，按i值从小到大顺序排列划分得到n个急性周期，i∈[1, n]，n∈[56, 120]。
3.根据权利要求1所述的一种脑卒中CT和MRI影像征象定量评估方法，其特征在于，在S500中，所述相似度的计算方法包括：结构相似性度量、余弦相似度算法、感知哈希算法、向量相似度算法、PSNR峰值信噪比法。
4.一种脑卒中CT和MRI影像征象定量评估系统，其特征在于，所述一种脑卒中CT和MRI影像征象定量评估系统包括：处理器、存储器及存储在所述存储器中并在所述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权利要求1至3所述任一项的一种脑卒中CT和MRI影像征象定量评估方法中的步骤，所述一种脑卒中CT和MRI影像征象定量评估系统还包括：脑卒中病变程度评估单元，用于根据不同急性周期对应的脑组织软化指数和MRI对应的模糊效应拟合曲线量化评估脑卒中病变程度；
其中，根据不同急性周期对应的脑组织软化指数和MRI对应的模糊效应拟合曲线量化评估脑卒中病变程度具体包括以下步骤：
S501，分别计算SoftenT1(i)和SoftenT2(i)在i值取值范围内的算术平均值，分别记作meanST1和meanST2，以及分别计算Dwgfitting(i)和Fwgfitting(i) 在i值取值范围内的算术平均值，分别记作meanDwg和meanFwg；遍历i值取值范围，进一步由步骤S5031~S5034评估脑卒中病变程度：
S5031，当SoftenT1(i)≤meanST1且SoftenT2(i)≤meanST2时，若满足Dwgfitting(i)≥meanDwg且Fwgfitting(i)≤meanFwg条件，则评估脑卒中在第i个急性周期处于超急性早期；否则跳转至S5034；
S5032，当SoftenT1(i)≤meanST1且SoftenT2(i)＞meanST2时，若满足Dwgfitting(i)≥meanDwg且Fwgfitting(i)＞meanFwg条件，则评估脑卒中在第i个急性周期处于超急性晚期；
S5033，当SoftenT1(i)＞meanST1时，进一步判断是否满足SoftenT2(i)＜meanST2条件，是则若满足Dwgfitting(i) ≤meanDwg且Fwgfitting(i)≤meanFwg条件，则评估脑卒中在第i个急性周期处于亚急性早期；否则均评估脑卒中在第i个急性周期处于亚急性晚期；
S5034，判断是否满足i≤(n/2)值条件，是则评估脑卒中在第i个急性周期处于急性期；否则评估脑卒中在第i个急性周期处于慢性期；
所述一种脑卒中CT和MRI影像征象定量评估系统运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211250171.0A CN115330775B (zh) | 2022-10-13 | 2022-10-13 | 一种脑卒中ct和mri影像征象定量评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211250171.0A CN115330775B (zh) | 2022-10-13 | 2022-10-13 | 一种脑卒中ct和mri影像征象定量评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115330775A CN115330775A (zh) | 2022-11-11 |
| CN115330775B true CN115330775B (zh) | 2023-01-17 |
Family
ID=83913712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211250171.0A Active CN115330775B (zh) | 2022-10-13 | 2022-10-13 | 一种脑卒中ct和mri影像征象定量评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330775B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117372439B (zh) * | 2023-12-08 | 2024-03-12 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种基于核磁和ct融合的子宫病变位置识别方法、系统及介质 |
| CN117745751B (zh) * | 2024-02-21 | 2024-04-26 | 中国人民解放军总医院第八医学中心 | 一种基于特征提取的肺结核ct图像分割方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110767293A (zh) * | 2019-11-07 | 2020-02-07 | 辽宁医汇智健康科技有限公司 | 一种脑部辅助诊断系统 |
| 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 |
| CN112599236A (zh) * | 2020-12-09 | 2021-04-02 | 东南大学 | 一种基于ct平扫图像辅助诊断急性缺血性脑卒中方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9361686B2 (en) * | 2011-12-15 | 2016-06-07 | Commonwealth Scientific And Industrial Research Organisation | Method and apparatus for the assessment of medical images |
| CN113538352A (zh) * | 2021-06-30 | 2021-10-22 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑卒中组织窗评价值的获取方法及装置、存储介质 |
-
2022
- 2022-10-13 CN CN202211250171.0A patent/CN115330775B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110767293A (zh) * | 2019-11-07 | 2020-02-07 | 辽宁医汇智健康科技有限公司 | 一种脑部辅助诊断系统 |
| 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 |
| CN112599236A (zh) * | 2020-12-09 | 2021-04-02 | 东南大学 | 一种基于ct平扫图像辅助诊断急性缺血性脑卒中方法 |
Non-Patent Citations (2)
| Title |
|---|
| MＲI 在老年多发性脑梗死患者诊断中的优越性;徐长金;《中国民康医学》;20160228;第28卷(第4期);第26-27页 * |
| The hemorrhagic transformation index score: a prediction tool in middle cerebral artery ischemic stroke;Kalinin et al.;《BMC Neurology（2017）》;20171231;第1-16页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115330775A (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115330775B (zh) | 一种脑卒中ct和mri影像征象定量评估方法及系统 | |
| Chawla et al. | A method for automatic detection and classification of stroke from brain CT images | |
| Karahaliou et al. | Assessing heterogeneity of lesion enhancement kinetics in dynamic contrast-enhanced MRI for breast cancer diagnosis | |
| Somasundaram et al. | Fully automatic brain extraction algorithm for axial T2-weighted magnetic resonance images | |
| Herry et al. | Quantitative assessment of pain-related thermal dysfunction through clinical digital infrared thermal imaging | |
| Vignati et al. | Performance of a fully automatic lesion detection system for breast DCE‐MRI | |
| CA2723469C (en) | Texture quantification of medical images | |
| TW201603781A (zh) | 偵測與量化腦梗塞區域的方法 | |
| Kuijf et al. | Quantification of deep medullary veins at 7 T brain MRI | |
| Khayati et al. | A novel method for automatic determination of different stages of multiple sclerosis lesions in brain MR FLAIR images | |
| JP7216145B2 (ja) | 医用画像による腫瘍検出及び診断装置 | |
| Jayasuriya et al. | Brain symmetry plane detection based on fractal analysis | |
| Forsberg | Atlas-based registration for accurate segmentation of thoracic and lumbar vertebrae in CT data | |
| Wei et al. | Fully automatic quantification of fibroglandular tissue and background parenchymal enhancement with accurate implementation for axial and sagittal breast MRI protocols | |
| Khademi et al. | Whole volume brain extraction for multi-centre, multi-disease FLAIR MRI datasets | |
| Sultana et al. | Detection of pectoral muscle in mammograms using a mean-shift segmentation approach | |
| Włodarczyk et al. | Fast automated segmentation of wrist bones in magnetic resonance images | |
| Kanchana et al. | Computer reinforced analysis for ischemic stroke recognition: a review | |
| Badarneh et al. | Semi-automated spine and intervertebral disk detection and segmentation from whole spine MR images | |
| Xu et al. | CHSNet: Automatic lesion segmentation network guided by CT image features for acute cerebral hemorrhage | |
| Benameur et al. | Left ventricular MRI wall motion assessment by monogenic signal amplitude image computation | |
| Yokoyama et al. | Development of an automated method for the detection of chronic lacunar infarct regions in brain MR images | |
| Yang et al. | Differentiation of glioblastoma and lymphoma using feature extraction and support vector machine | |
| Noroozi et al. | Computerized measurement of melanocytic tumor depth in skin histopathological images | |
| Lee et al. | Fully automated segmentation on brain ischemic and white matter hyperintensities lesions using semantic segmentation networks with squeeze-and-excitation blocks in MRI |
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 |