CN115565666A - 脑梗死评估方法及装置、电子设备和存储介质 - Google Patents
脑梗死评估方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115565666A CN115565666A CN202211136745.1A CN202211136745A CN115565666A CN 115565666 A CN115565666 A CN 115565666A CN 202211136745 A CN202211136745 A CN 202211136745A CN 115565666 A CN115565666 A CN 115565666A
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- blood vessel
- cerebral infarction
- artery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种脑梗死评估方法及装置、电子设备和存储介质,涉及脑梗死评估技术领域,所述的脑梗死的评估方法,包括:获取脑图像中多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目;基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估。本公开实施例同时考虑了梗死面积(区域)及动脉血管的补偿机制,可实现脑梗死的快速评估,以解决脑梗死患者不能在临床上早期进行诊断,因此本公开的实施例有利于临床医生根据入院时患者发病设定时间段内的影像学检查结果早期诊断大面积脑梗死,早期发现大面脑梗死可大大改善患者预后,降低死亡率和致残率。
Description
技术领域
本公开涉及脑梗死评估技术领域,尤其涉及一种脑梗死评估方法及装置、电子设备和存储介质。
背景技术
大面积脑梗死是最严重的缺血性卒中类型,是导致死亡及严重残障的主要原因,该病起病急、发展快、死亡率高、预后差。单侧颈内动脉或大脑中动脉主干闭塞常引起大面积脑梗死,发生率约占脑卒中10%,病死率高达80%。
对于大面积脑梗死患者,假阴性导致的漏诊可能危及生命,所以避免假阴性比假阳性收益更大。传统ROC只能检测准确性,而对于模型实际临床应用价值缺乏相应指导。
因此,有必要提出一种脑梗死评估方法,指导临床医生选取最有利于患者的行为决策,寻找净受益最大的方法。进而,有利于临床医生根据入院时患者发病24h内的影像学检查结果早期诊断大面积脑梗死,早期发现大面脑梗死可大大改善患者预后,降低死亡率和致残率。
发明内容
本公开提出了一种脑梗死评估方法及装置、电子设备和存储介质技术方案。
根据本公开的一方面,提供了一种脑梗死评估方法,包括:
获取脑图像中多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目;
基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估。
优选地,所述基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估的方法,包括:
获取第一设定评分阈值;
根据所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,对所述脑图像进行评分;
基于所述评分及所述第一设定评分阈值,进行脑梗死评估。
优选地,所述根据所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,对所述脑图像进行评分的方法,包括:
获取设定比例;
分别确定所述多个设定脑内每个对称区域内的第一动脉血管数目及第二动脉血管数目的比例;
若所述比例大于所述设定比例,则配置所述对称区域为第一数值;否则配置所述对称区域为第二数值,其中所述第一数值大于所述第二数值;
对所述每个对称区域对应的所述第一数值及所述第二数值进行求和,得到所述脑图像的评分;
以及/或,
所述基于所述评分及所述第一设定评分阈值,进行脑梗死评估的方法,包括:
若所述评分小于或等于所述第一设定评分阈值,则评估所述脑图像对应的患者为脑梗死。
优选地,所述基于所述评分及所述第一设定评分阈值,进行脑梗死评估的方法,还包括:
获取第二设定阈值;
若所述评分大于或等于所述第二设定阈值,分别对所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管进行配准,得到对应的位置点对;
提取所述位置点对对应的第一几何参数及第二几何参数;
基于所述第一几何参数及第二几何参数,评估脑梗死的风险。
优选地,在所述基于所述第一几何参数及第二几何参数,评估脑梗死的风险之前,获取第三设定阈值;
分别确定所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管对应的第一血管长度及第二血管长度;
分别计算所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管对应的第一血管长度及第二血管长度的差值,得到多个血管长度差值;
若所述多个血管长度差值的和大于或等于所述第三设定阈值,则基于所述第一几何参数及第二几何参数,评估脑梗死的风险;
以及/或,
所述基于所述第一几何参数及第二几何参数,评估脑梗死的风险的方法,包括:
获取第四设定阈值;
计算所述第一几何参数及第二几何参数的动脉管径的差值;
若所述差值大于或等于所述第四设定阈值,则确定存在所述脑梗死的风险。
优选地,在所述获取脑图像中设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目之前,获取预设脑动脉血管分割模型;
利用所述预设脑动脉血管分割模型,对所述脑图像进行动脉血管进行分割,得到多个设定脑内区域内的第一动脉血管及第二动脉血管。
优选地,在所述获取预设脑动脉血管分割模型之前,获取待训练的脑动脉血管分割模型及预设的脑区域分割模型,及获取多个同一患者的灌注脑图像及其对应的动脉血管图像及非灌注脑图像;
对所述非灌注脑图像及所述灌注脑图像进行配准操作,得到脑配准图像;利用预设的脑区域分割模型,对所述脑配准图像进行脑分割,得到脑区域分割图像;
利用所述灌注脑图像对应的动脉血管图像及所述脑区域分割图像,对所述待训练的脑动脉血管分割模型进行训练,得到所述预设脑动脉血管分割模型;
或,
在所述获取预设脑动脉血管分割模型之前,获取待训练的脑动脉血管分割模型及预设的脑区域分割模型,及获取多个同一患者的灌注脑图像及其对应的动脉血管图像及非灌注脑图像;
利用预设的脑区域分割模型,对所述非灌注脑图像进行脑分割,得到脑区域分割图像;
对所述脑区域分割图像及所述灌注脑图像进行配准操作,得到脑配准图像;
利用所述灌注脑图像对应的动脉血管图像及所述脑配准图像,对所述待训练的脑动脉血管分割模型进行训练,得到所述预设脑动脉血管分割模型。
根据本公开的一方面,提供了一种脑梗死评估装置,包括:
获取单元,用于获取脑图像中多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目;
评估单元,用于基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述脑梗死评估方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述脑梗死评估方法。
在本公开实施例中,基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,同时考虑了梗死面积(区域)及动脉血管的补偿机制,可进行脑梗死的快速评估,以解决脑梗死患者不能在临床上早期进行诊断,因此本公开的实施例有利于临床医生根据入院时患者发病设定时间段(例如,24h)内的影像学检查结果早期诊断大面积脑梗死,早期发现大面脑梗死可大大改善患者预后,降低死亡率和致残率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的脑梗死评估方法的流程图;
图2示出根据本公开实施例的脑梗死评估装置的框图;
图3示出根据本公开实施例的脑梗死评估结果;
图4是根据一示例性实施例示出的一种电子设备800的框图;
图5是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了脑梗死评估装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种脑梗死评估方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图1示出根据本公开实施例的脑梗死评估方法的流程图,如图1所示,所述脑梗死评估的方法,包括:步骤S101:获取脑图像中多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目;步骤S102:基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估。基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,可进行脑梗死的快速评估,以解决脑梗死患者不能在临床上早期进行诊断,因此本公开的实施例有利于临床医生根据入院时患者发病设定时间段(例如,24h)内的影像学检查结果(脑图像)早期诊断大面积脑梗死,早期发现大面脑梗死可大大改善患者预后,降低死亡率和致残率。
步骤S101:获取脑图像中多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目。
在本公开的实施例及其他可能的实施例中,所述脑图像可以为脑CT图像、脑MR图像、或者PEC-CT图像,还可以为CT灌注脑图像(CTA)等。
在本公开的实施例及其他可能的实施例中,在获取所述脑图像之前,获取设定时间段,并确定患者入院对应的第一时间点及提取所述脑图像对应的第二时间点;计算所述第二时间点与所述第二时间点的差值,若所述差值小于所述设定时间段,则进一步获取脑图像中多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目。其中,所述设定时间段可配置为24小时,同时本领域技术人员还可以根据实际需要对所述设定时间段进行配置。
在本公开的实施例及其他可能的实施例中,所述脑图像配置为入院时患者发病24小时内拍摄的脑图像。
在本公开的实施例及其他可能的实施例中,所述多个设定脑内对称区域可为左脑或右脑中的多个设定脑内区域。例如,多个设定脑内对称区域的数目配置为10个,分别为2个大脑前动脉区域A1-2、6个大脑中动脉区域M1-6、2个大脑后动脉区域P1-2。也就是说,左脑及右脑都包括上述10个设定脑内对称区域。其中,第一动脉血管数目及第二动脉血管数目应理解为动脉血管对应的第一数目及第二数目。也就是说,2个大脑前动脉区域A1-2、6个大脑中动脉区域M1-6、2个大脑后动脉区域P1-2中的每个区域可能存在多个(段)动脉血管,通过确定多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进而进行脑梗死评估,可进行脑梗死的快速评估,以解决脑梗死患者不能在临床上早期进行诊断,因此本公开的实施例有利于临床医生根据入院时患者发病24小时内的影像学检查结果早期诊断大面积脑梗死,早期发现大面脑梗死可大大改善患者预后,降低死亡率和致残率。
在本公开的实施例中,在所述获取脑图像中设定脑内对称区域内的第一动脉血管数目(动脉血管对应的第一数目)及第二动脉血管数目(动脉血管对应的第二数目)之前,获取预设脑动脉血管分割模型;利用所述预设脑动脉血管分割模型,对所述脑图像进行动脉血管进行分割,得到多个设定脑内区域内的第一动脉血管及第二动脉血管。本领域人员还可以基于深度学习的预设脑动脉血管分割模型对所述脑图像进行动脉血管进行分割,例如Unet网络模型,或其改进的网络模型。
同时,基于深度学习方法依赖于标注数据,标注的质量直接决定了模型的性能。由于脑血管复杂的解剖结构,脑血管的标注是一个耗时费力的过程,标注样本稀少且不准确。通过静脉注射造影剂,灌注脑图像可以显示脑血管。然而,对于一些有造影剂禁忌症的患者和没有灌注脑图像的患者,有必要从非灌注脑图像中分割出脑血管。
因此,在本公开的实施例中,提出了一种脑动脉血管分割模型的训练方法,包括:在所述获取预设脑动脉血管分割模型之前,获取待训练的脑动脉血管分割模型及预设的脑区域分割模型,及获取多个同一患者的灌注脑图像及其对应的动脉血管图像及非灌注脑图像;对所述非灌注脑图像及所述灌注脑图像进行配准操作,得到脑配准图像;利用预设的脑区域分割模型,对所述脑配准图像进行脑分割,得到脑区域分割图像;利用所述灌注脑图像对应的动脉血管图像及所述脑区域分割图像,对所述待训练的脑动脉血管分割模型进行训练,得到所述预设脑动脉血管分割模型;或,在所述获取预设脑动脉血管分割模型之前,获取待训练的脑动脉血管分割模型及预设的脑区域分割模型,及获取多个同一患者的灌注脑图像及其对应的动脉血管图像及非灌注脑图像;利用预设的脑区域分割模型,对所述非灌注脑图像进行脑分割,得到脑区域分割图像;对所述脑区域分割图像及所述灌注脑图像进行配准操作,得到脑配准图像;利用所述灌注脑图像对应的动脉血管图像及所述脑配准图像,对所述待训练的脑动脉血管分割模型进行训练,得到所述预设脑动脉血管分割模型。
本公开实施例采用的配准方法可为3D Slicer(www.slicer.org)中的配准(Elastix)模块或SIFT配准方法、3DSIFT配准方法或SURF配准方法等。
在本公开的实施例及其他可能的实施例中,所述待训练的脑动脉血管分割模型,包括:U-Net骨干网络,所述U-Net骨干网络在每次卷积操作后,得到多个特征图;分别对所述多个特征图进行特征映射归一化;并利用激活函数对归一化的所述多个特征图进行激活。在所述待训练的脑动脉血管分割模型解码过程中,计算每次解码后对应的特征图的损失;根据所述每次解码后对应的特征图的损失,得到训练过程中的总损失。
在本公开的实施例及其他可能的实施例中,基于所述训练的所述预设脑动脉血管分割模型,对所述非灌注脑图像进行脑动脉血管分割。
在本公开的实施例及其他可能的实施例中,所述基于所述训练的所述预设脑动脉血管分割模型,对所述非灌注脑图像进行脑动脉血管分割的方法,包括:获取所述至少2个视图下的用于非灌注脑图像进行脑动脉血管分割的预设脑动脉血管分割模型;对所述非灌注脑图像按照所述用于非灌注脑图像进行脑动脉血管分割的预设脑动脉血管分割模型的至少2个视图进行投影,得到对应的非灌注脑投影图像;分别利用所述至少2个视图下的用于非灌注脑图像进行脑动脉血管分割的预设脑动脉血管分割模型,对所述非灌注脑投影图像进行分割,得到对应的待融合的脑动脉血管分割图像;对所述待融合的脑动脉血管分割图像进行融合,得到所述非灌注脑图像对应的脑动脉血管图像。
例如,所述用于非灌注脑图像进行脑动脉血管分割的预设脑动脉血管分割模型的至少2个视图分别为冠状面视图以及横断面视图,对所述非灌注脑图像按照冠状面视图以及横断面视图进行投影,得到对应的非灌注脑投影图像(非灌注脑冠状面视图图像及非灌注脑横断面视图图像);利用冠状面视图下的用于非灌注脑图像进行脑动脉血管分割的预设脑动脉血管分割模型对非灌注脑冠状面视图图像进行分割,得到对应的待融合的脑动脉血管分割冠状面视图图像;同时,利用横断面视图下的用于非灌注脑图像进行脑动脉血管分割的预设脑动脉血管分割模型对非灌注脑横断面视图图像进行分割,得到对应的待融合的脑动脉血管分割横断面视图图像;对所述待融合的脑动脉血管分割冠状面视图图像及待融合的脑动脉血管分割横断面视图图像进行融合,得到所述非灌注脑图像对应的脑动脉血管图像。
在本公开的实施例及其他可能的实施例中,对所述待融合的脑动脉血管分割图像进行融合,得到所述非灌注脑图像对应的脑动脉血管图像的方法,包括:确定投影方向;基于所述投影方向,分别对所述待融合的脑动脉血管分割图像进行投影,得到脑动脉血管分割投影图像;对所述待融合的脑动脉血管分割图像进行配准,得到对应的配准点对;对所述配准点对应的位置进行均值处理,得到所述非灌注脑图像对应的脑动脉血管图像。具体地说,所述对所述配准点对应的位置进行均值处理,得到所述非灌注脑图像对应的脑动脉血管图像的方法,包括:计算所述配准点对应位置的均值,得到所述非灌注脑图像对应的脑动脉血管图像。位置点分别为(x1,y1,z1)及(x2,y2,z2),该位置点的均值为((x1+x2)/2,(y1+y2)/2,(z1+x2)/2)。
在本公开的实施例及其他可能的实施例中,所述投影方向可配置为所述待融合的脑动脉血管分割图像对应的视图方向。例如,待融合的脑动脉血管分割冠状面视图图像及待融合的脑动脉血管分割横断面视图图像,所述投影方向可配置为冠状面视图的方向或脑动脉血管分割横断面视图的方向。
步骤S102:基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估。
在本公开的实施例中,所述基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估的方法,包括:获取第一设定评分阈值;根据所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,对所述脑图像进行评分;基于所述评分及所述第一设定评分阈值,进行脑梗死评估。显然,本领域技术人员可以根据实际需要对上述第一设定评分阈值进行配置。
例如,上述10个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目分别为m1、m2、m3、…、m10及n1、n2、n3、…、n10。根据所述多个设定脑内对称区域内的第一动脉血管数目m1、m2、m3、…、m10及第二动脉血管数目n1、n2、n3、…、n10,对所述脑图像进行评分。进而,基于所述评分及所述第一设定评分阈值,进行脑梗死评估。
在本公开的实施例中,所述根据所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,对所述脑图像进行评分的方法,包括:获取设定比例;分别确定所述多个设定脑内每个对称区域内的第一动脉血管数目及第二动脉血管数目的比例;若所述比例大于所述设定比例,则配置所述对称区域为第一数值;否则配置所述对称区域为第二数值,其中所述第一数值大于所述第二数值;对所述每个对称区域对应的所述第一数值及所述第二数值进行求和,得到所述脑图像的评分。其中,本领域技术人员可根据实际需要对所述设定比例进行配置,例如,所述设定比例可配置为50%。
例如,分别确定上述10个设定脑内每个对称区域内的第一动脉血管数目m1、m2、m3、…、m10及第二动脉血管数目n1、n2、n3、…、n10的比例m1/n1、m2/n2、m3/n3、…、m10/n4。若所述比例大于所述设定比例(如,50%),则配置所述对称区域为第一数值;否则,配置所述对称区域为第二数值,其中所述第一数值大于所述第二数值。同样地,本领域技术人员可根据实际需要对所述设定比例进行配置,例如,所述第一数值可配置为2,所述第二数值可配置为1。
在本公开的实施例及其他可能的实施例中,若所述比例大于所述设定比例(如,50%),则配置所述对称区域为第一数值,此时说明一半以上(区域)存在侧支血流;否则,少量至中等(区域)存在侧支血流。
又例如,上述10个设定脑内每个对称区域内对应的第一数值或第二数值分别为1,2,1,2,2,2,2,2,2,2,则得到所述脑图像的评分为18。
在本公开的实施例及其他可能的实施例中,在所述分别确定所述多个设定脑内每个对称区域内的第一动脉血管数目及第二动脉血管数目的比例之前,分别根据所述脑图像确定所述左脑或右脑是否异常;将异常的设定脑内区域的动脉血管确定为第一动脉血管,即将正常的设定脑内区域的动脉血管确定为第二动脉血管。
在本公开的实施例及其他可能的实施例中,提出了一种根据脑图像快速确定所述左脑或右脑是否异常的方法,包括:获取设定显著性值;对所述脑图像进行左脑及右脑分割,得到左脑图像及右脑图像;分别统计所述左脑图像及右脑图像的第一灰度值及第二灰度值;计算所述第一灰度值及所述第二灰度值的显著性值;根据所述显著性值及所述设定显著性值确定所述左脑或右脑是否可能异常;若可能异常,计算所述左脑图像及右脑图像的平均灰度值,根据所述第一灰度值、第二灰度值及平均灰度值确定左脑异常还是右脑异常。其中,本领域技术人员可根据实际需要对所述设定显著性值进行配置,例如,所述设定显著性值配置为0.05。其中,对所述脑图像进行左脑及右脑分割的模型,为本领域人员常规的脑分割模型,同样地,本领域人员还可以基于深度学习模型对脑图像进行左脑及右脑分割;例如,Unet网络模型,或其改进的网络模型。
在本公开的实施例及其他可能的实施例中,根据所述显著性值及所述设定显著性值确定所述左脑及右脑是否可能异常的方法,包括:若所述显著性值小于或等于所述设定显著性值(如,0.05),则确定所述左脑或右脑可能异常。
在本公开的实施例及其他可能的实施例中,所述计算所述左脑图像及右脑图像的平均灰度值,根据所述第一灰度值、第二灰度值及平均灰度值确定左脑异常还是右脑异常的方法,包括:若所述第一灰度值或第二灰度值小于所述平均灰度值,则确定所述第一灰度值或第二灰度值对应的左脑或右脑异常。
例如,所述第一灰度值、第二灰度值及平均灰度值分别为r、s、t。若所述第一灰度值r小于所述平均灰度值t,则确定所述第一灰度值对应的左脑异常。所述第二灰度值s小于所述平均灰度值t,则确定所述第二灰度值对应的右脑异常。其中,t=(r+s)/2。
本公开实施例中,确定所述左脑或右脑可能异常的方法还可以包括:提取脑图像中所述左脑和/或右脑区域的第二影像特征,基于所述第二影像特征确定所述左脑和/或右脑是否异常。其中,所述第二影像特征为预先确定的能够用于检测脑区是否存在异常的影像特征。
在一些可能的实施方式中,确定所述第二影像特征的方法可以包括:获取脑图像集;确定所述脑图像集中各脑图像的感兴趣区域,所述感兴趣区域包括左脑区域和右脑区域;分别提取所述感兴趣区域的第一影像特征;基于多级特征选择策略,从所述第一影像特征中筛选出用于区分所述感兴趣区域是否异常的第二影像特征。其中,所述基于多级特征选择策略,从所述第一影像特征中筛选出用于区分所述感兴趣区域是否异常的第二影像特征,包括:从所述第一影像特征中选择出满足显著性的显著特征;基于至少两种特征选择方法,从所述显著特征中筛选出满足所述特征选择方法的选择条件的第三影像特征;利用至少一种分类模型从所述第三影像特征中选择出满足分类条件的第二影像特征。
在一个示例中,从感兴趣区域中提取第一影像特征的特征提取方法可以包括:对感兴趣区域执行至少一种图像变换,基于感兴趣区域及其图像变换结果得到所述感兴趣区域的扩增集;并提取所述扩增集中的任一图像的一阶梯度特征、形状特征和纹理特征中的至少一种。其中,所述图像变化包括傅里叶变换、Gabor变换、高斯-拉普拉斯变换、小波变换、平方根滤波、指数函数滤波中的至少一种。本公开实施例可以利用原始的感兴趣区域以及进行图像变换后的结果组成扩增集,并对扩增集中每个感兴趣区域进行特征提取,以获得更为丰富的影像特征。提取的一阶梯度特征可以包括感兴趣区域的灰度均值、最大灰度值、最小灰度值、方差、百分位数(14和15)等描述单像素或者单体素的特征,描述数据强度分布的形状的偏度、峰度特征,以及直方图商和能量信息等。其中,偏度反映了数据分布曲线向左(负偏,低于均值)或向右(正偏,高于均值)的不对称性;而峰度则反映了数据分布相对于高斯分布由于异常值而导致的拖尾。形状特征可以包括基于表面和体积的特征,如紧凑性和球形度特征。纹理特征可以包括绝对梯度(Absolute Gradient)、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)、灰度大小区域矩阵(GLSZM),以及灰度依赖矩阵(GLDM)。
在一些可能的实施方式中,可以利用提取影像组学方式执行上述特征提取处理,得到各感兴趣区域的第一影像特征。本公开实施例可以计算出1674个第一影像特征。这些第一影像特征被分为9组:(1)形状特征,(2)一阶梯度特征,(3)灰度共生矩阵,(4)灰度运行长度矩阵,(5)灰度大小区域矩阵,(6)邻近的灰色基调不同矩阵,(7)灰度相关矩阵,(8)拉普拉斯变换,9)小波变换。
在一些可能的实施方式中,可以首先对得到的第一影像特征执行标准化处理,以减少特征本身数值跨度的影响。本公开实施例得到的第一影像特征的每一行特征表示一个患者的感兴趣区的不同特征项的特征值,每一列表示不同患者的感兴趣区域内同一特征的特征值。在执行特征标准化时,分别针对第一影像特征的每列特征执行标准化处理,如本公开实施例的标准化处理可以为均值方差标准化,使得标准后的特征为均值为0,方差为1。在其他实施方式中,也可以将每列特征与该列特征的最大值的比值作为标准化后的特征值。而后可以利用标准化处理后的第一影像特征执行特征筛选。
在一些可能的实施方式中,本公开实施例从多种角度进行特征筛选,一方面实现高维特征的降维处理,另一方面,提高选择特征的精准度。首先,本公开实施例可以从第一影像特征中选择出显著特征,通过对正常区域和异常区域的各第一影像特征进行显著性分析,计算两组特征之间的p值(假定值),在p值小于显著阈值的情况下,确定为该特征为显著特征。其中显著阈值为0.05,p值计算方法包括T检验,上述仅为示例性说明,不作为本公开的具体限定。另外,本公开实施例还可以计算正常区域和异常区域的第一影像特征之间的相关系数,在特征的相关系数高于系数阈值,且p值小于显著阈值的情况下,确定该特征为显著特征。其中系数阈值可以为大于0.6的数值,如0.9。
其次,本公开实施例采用多种特征选择方法执行特征选择,该多种选择方法的选择原理不同。在一个示例中,特征选择方法可以包括基于信息理论的方法、基于相似特征的方法、基于统计特征的方法以及基于稀疏特征和流特征的方法中的至少两种。基于信息理论的方法可以包括最大互信息法(MIM)、条件互信息最大化方法(CMIM)、条件互信息最大化方法(MRMR)、最佳个体特征(BIF)、互信息选择(MIFS)、联合互信息(JMI)等,以及基于相似特征的方法可以包括距离可分性测度(Fisher score算法)、拉普拉斯分数(Lap score算法)、特征权重算法(ReliefF),基于统计特征的方法可以包括T score算法和F score算法,基于稀疏特征和流特征的方法可以包括多聚类特征选择算法(MCFS)、最小绝对收缩选择算子(Lasso)、Alpha算法。
本公开实施例可以采用至少两种上述特征选择方法对的正常感兴趣区域和异常感兴趣区域的显著特征进行特征选择,其中Lasso算法以外的特征选择方法的选择条件可以包括:最大特征数小于特征数量阈值,以及特征分数大于分数阈值,其中特征数量阈值大于10,如本公开设为20,分数阈值可以大于0.6,如本公开设为0.8。Lasso算法的选择条件为选择特征系数为非零的特征项。上述仅为示例性说明,不作为本公开的具体限定。
基于上述配置每种特征选择方法均可以对应的从显著特征中选择出一组第三影像特征。如n种特征选择方法对应的则生成n组第三影像特征。在得到第三影像特征的情况下,可以进一步利用至少一种分类模型从所述第三影像特征中选择出满足分类条件的第二影像特征。其中本公开实施例可以采用两种方式执行上述过程。在一些可能的实施方式中,本公开实施例可以对各特征选择方法得到的第三影像特征进行组合,得到全部的第三影像特征,并利用至少一种分类模型基于全部第三影像特征执行正常区域和异常区域的分类,将满足分类条件的第三影像特征确定为第二影像特征。
具体地,本公开实施例可以利用分类模型对获得各第三影像特征的重要度,按照重要度排名得到第二影像特征。其中,利用分类模型对获得各第三影像特征的重要度的过程可以包括:将各第三影像特征单独输入到分类模型中,利用分类模型执行十折交叉验证,得到分类模型的指标,所述指标包括AUC(ROC曲线线下面积)、精度、准确度、Reall(召回率)、F1-score(F1得分)中的至少两种,并利用各指标的平均值作为该特征的重要度。在包括多个分类模型的情况下,可以将各分类模型对应的重要度执行均值处理,得到最终的重要度。在得到各第三影像特征的重要度的情况下,可以按照重要度对各第三影像特征进行从高到低排名,其中,可以将重要度最高的预设数量个第三影像特征作为第二影像特征,或者也可以将重要度高于重要度阈值的第三影像特征作为第二影像特征。预设数量可以为大于5的数值,重要度阈值可以为大于0.6的数值,但不作为本公开的具体限定。
在另一些可能的实施方式中,本公开实施例可以对各特征选择方法得到的各组第三影像特征执行特征选择,选择出表现最好的一组第三影像特征作为第二影像特征。具体地,可以利用至少一种分类模型基于各组第三影像特征执行正常区域和异常区域的分类,将满足分类条件的一组或者多组第三影像特征确定为第二影像特征。其中,可以基于各组第三影像特征在分类模型上的表现,计算各组第三影像特征的评分;基于所述评分,将满足分类条件的第三影像特征确定为第二影像特征。其中可以将一组第三影像特征单独输入到分类模型中,利用分类模型执行十折交叉验证,得到分类模型的指标,所述指标包括AUC(ROC曲线线下面积)、精度、准确度、Reall、F1中的至少两种,并利用各指标的平均值作为该组第三影像特征的评分。在包括多个分类模型的情况下,可以将各分类模型对应的评分执行均值处理,得到最终的评分。在得到各组第三影像特征的评分的情况下,可以按照评分对各组第三影像特征进行从高到低排名,其中,可以将评分最高一组第三影像特征作为第二影像特征,或者也可以将评分高于评分阈值的第三影像特征作为第二影像特征。评分阈值可以为大于0.6的数值,但不作为本公开的具体限定。
本公开实施例的分类模型可以包括基于不同分类策略的机器学习模型,如可以包括基于非线性关系的支持向量机模型(SVM)、决策树模型、随机森林模型、Adaboost模型、神经网络模型、最近邻模型(KNN)、逻辑回归模型(LR)、线性辨别分析模型(DA)、梯度提升分类模型(GBDT)以及高斯朴素贝叶斯模型(NB)中的一种或多种。另外,本公开实施例可以利用各特征选择方法得到的第三影像特征在各分类模型上的评分,得到特征选择方法的评分,并将评分最高的特征选择方法最优特征选择方法。其中,具体的,可以将各组第三影像特征的评分确定为与该组第三影像特征对应的特征选择方法的评分,或者也可以利用各组内第三影像特征的重要度的均值,确定为该组第三影像特征对应的特征选择方法的评分。
基于上述配置,本公开实施例可以利用多级特征选择策略,融合不同选择原理的选择方法,筛选出能够高度区分正常区域和异常区域的第二影像特征,提高了特征选择精度,进而提高异常检测的准确性。
在得到第二影像特征的情况下,可以将分别从左脑和右脑区域中提取第二影像特征,并将第二影像特征输入到训练的分类模型中,进而得到异常检测的结果。
在本公开的实施例及其他可能的实施例中,所述根据所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,对所述脑图像进行评分的方法,还包括:若所述第一动脉血管数目及第二动脉血管数目相同,则获取最低阈值;判断所述第一动脉血管数目或所述第二动脉血管数目是否小于或等于所述最低阈值;若小于或等于所述最低阈值,则不再进行脑梗死评估;否则,获取最高阈值;判断所述第一动脉血管数目或所述第二动脉血管数目是否大于或等于所述最高阈值;若大于或等于所述最高阈值,则将所述第一动脉血管或所述第二动脉血管对应的区域配置为第三数值;对所述每个对称区域对应的所述第一数值、所述第二数值及第三数值进行求和,得到所述脑图像的评分。其中,所述第三数值大于所述第一数值及第二数值。其中,本领域技术人员可根据实际需要对所述最低阈值及所述最高阈值进行配置。例如,所述最低阈值可配置为0,所述最高阈值可配置为3。同样地,本领域技术人员可根据实际需要对所述设定比例进行配置,例如,所述第三数值可配置为3。
在本公开的实施例及其他可能的实施例中,所述最低阈值可配置为0时,表示每一区域的脑侧支循环无侧支血流(没有血管,即多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目均为0)。同时,若所述第一动脉血管数目及第二动脉血管数目相同,且所述第一动脉血管数目或所述第二动脉血管数目是否大于或等于所述最高阈值时,此时为正常的侧支血流。
例如,上述10个设定脑内每个对称区域内对应的第一数值或第二数值或第三数值分别为3,2,3,2,2,2,2,2,2,2,则得到所述脑图像的评分为22。
在本公开的实施例中,所述基于所述评分及所述第一设定评分阈值,进行脑梗死评估的方法,包括:若所述评分小于或等于所述第一设定评分阈值,则评估所述脑图像对应的患者为脑梗死。同样地,本领域技术人员可根据实际需要对所述第一设定评分阈值进行配置,例如,所述第一设定评分阈值可配置为15。
在本公开的实施例中,所述基于所述评分及所述第一设定评分阈值,进行脑梗死评估的方法,还包括:获取第二设定阈值;若所述评分大于或等于所述第二设定阈值,分别对所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管进行配准,得到对应的位置点对;提取所述位置点对对应的第一几何参数及第二几何参数;基于所述第一几何参数及第二几何参数,评估脑梗死的风险。同样地,本领域技术人员可根据实际需要对所述第二设定评分阈值进行配置,例如,所述第二设定评分阈值可配置为20。具体地说,分别对所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管进行配准的方法,可以是基于SIFT或者3D SIFT的配准算法或其他现有的配准模型、算法或模型。
在本公开的实施例及其他可能的实施例中,所述分别对所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管进行配准,得到对应的位置点对的方法,包括:别对所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管进行配准,得到对应的待确定的位置点对;若所述待确定的位置点对在所述第一动脉血管及第二动脉血管内(包括动脉血管边界),则将所述待确定的位置点对确定为最终的位置点对;否则,删除所述待确定的位置点对。
例如,分别对所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管进行配准,得到对应的位置点对为2个点,1个点位于左脑的一个区域,另外一个点位于与左脑的区域对称右脑的区域。
在本公开的实施例及其他可能的实施例中,在分别对所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管进行配准之前,获取预设的动脉血管分割模型,利用所述预设的动脉血管分割模型分别对所述脑图像中多个设定脑内对称区域内的第一动脉血管及第二动脉血管。具体地说,预设的动脉血管分割模型可以为传统的动脉血管分割模型,也可以是基于深度学习的动脉血管分割模型,例如Unet网络模型,或其改进的网络模型。
在本公开的实施例中,在所述基于所述第一几何参数及第二几何参数,评估脑梗死的风险之前,获取第三设定阈值;分别确定所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管对应的第一血管长度及第二血管长度;分别计算所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管对应的第一血管长度及第二血管长度的差值,得到多个血管长度差值;若所述多个血管长度差值的和大于或等于所述第三设定阈值,则基于所述第一几何参数及第二几何参数,评估脑梗死的风险。样地,本领域技术人员可根据实际需要对所述第三设定阈值进行配置。具体地说,所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管可能有多个动脉血管,此时所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管对应的第一血管长度及第二血管长度为在区域内所有血管的总长度。同样地,本领域技术人员可根据实际需要对所述第三设定阈值进行配置。
例如,上述10个设定脑内每个对称区域内对应的第一动脉血管对应的第一血管长度分别为a1,a2,…,a10;上述10个设定脑内每个对称区域内对应的第二动脉血管对应的第二血管长度分别为b1,b2,…,b10;分别计算所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管对应的第一血管长度及第二血管长度的差值,得到多个血管长度差值c1=|a1-b1|,c2=|a2-b2|,…,c10=|a10-b10|,其中||表示取绝对值;若所述多个血管长度差值的和(c1+c2+…+c10)大于或等于所述第三设定阈值,则基于所述第一几何参数及第二几何参数,评估脑梗死的风险。
在本公开的实施例中,所述基于所述第一几何参数及第二几何参数,评估脑梗死的风险的方法,包括:获取第四设定阈值;计算所述第一几何参数及第二几何参数的动脉管径的多个差值;若所述多个差值的平均值大于或等于所述第四设定阈值,则确定存在所述脑梗死的风险。同样地,本领域技术人员可根据实际需要对所述第四设定阈值进行配置。
在本公开的实施例及其他可能的实施例中,分别对所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管进行配准,得到了对应的多个位置点对;在此基础上,分别提取所述多个位置点对对应的第一几何参数中的第一动脉管径(直径)及第二几何参数中的第二动脉管径(直径);进而分别计算第一动脉管径(直径)及第二几何参数中的第二动脉管径(直径)的差值,若所述多个差值对应的绝对值的平均值大于或等于所述第四设定阈值,则确定存在所述脑梗死的风险。
例如,以一个位置点对(x,y)为例,x位于左脑的一个区域,y位于左脑的一个对称区域(与左脑的一个区域对称),因此可以提取位置点对(x,y)对应第一动脉管径(直径)及第二动脉管径(直径)。
在本公开的实施例及其他可能的实施例中,在所述计算所述第一几何参数及第二几何参数的动脉管径的多个差值之前,确定所述第一几何参数中的第一动脉管径(直径)及第二几何参数中的第二动脉管径(直径),其确定方法,包括:分别对所述位置点对对应的第一动脉及第二动脉进行边缘检测,得到第一动脉边界及第二动脉边界;分别确定所述位置点对在所述第一动脉及第二动脉的位置;若所述位置点对的一个位置点在所述第一动脉边界或第二动脉边界上,则以所述位置点为起点向另个一动脉边界做垂线,所述垂线与所述另个一动脉边界的交点与所述位置点的距离为第一动脉管径(直径)或第二几何参数中的第二动脉管径(直径);若所述位置点对的一个位置点在所述第一动脉边界或第二动脉边界内,则以所述位置点为起点分别向两侧的动脉边界做垂线,所述垂线分别与所述两侧的动脉边界交点的距离为第一动脉管径(直径)或第二几何参数中的第二动脉管径(直径)。
脑梗死评估方法的执行主体可以是脑梗死评估装置,例如,脑梗死评估方法可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(UserEquipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该脑梗死评估方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图2示出根据本公开实施例的脑梗死评估装置的框图,如图2所示,所述脑梗死评估装置,包括:获取单元201,用于获取脑图像中多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目;评估单元202,用于基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图3示出根据本公开实施例的脑梗死评估结果。如图3所示,一位58岁女性患者在该发病入院24h内的脑图像,多个设定脑内对称区域的数目配置为10个,分别为2个大脑前动脉区域A1-2、6个大脑中动脉区域M1-6、2个大脑后动脉区域P1-2。当所述第一数值可配置为2(一半以上存在侧支血流(>50%)),所述第二数值可配置为1(少量至中等侧支血流(<50%)),所述第三数值可配置为3(存在动脉血管,且动脉血管的数目一样多),所述第一设定评分阈值可配置为15时,此女性患者的评分为30,分别为A1-2(3、3)、M1-6(3、3、3、3、3、3)、P1-2(3、3),给出的结论为不会发生脑梗死。
图4是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图4,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种脑梗死的评估方法,其特征在于,包括:
获取脑图像中多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目;
基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估。
2.根据权利要求1所述的评估方法,其特征在于,所述基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估的方法,包括:
获取第一设定评分阈值;
根据所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,对所述脑图像进行评分;
基于所述评分及所述第一设定评分阈值,进行脑梗死评估。
3.根据权利要求2所述的评估方法,其特征在于,所述根据所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,对所述脑图像进行评分的方法,包括:
获取设定比例;
分别确定所述多个设定脑内每个对称区域内的第一动脉血管数目及第二动脉血管数目的比例;
若所述比例大于所述设定比例,则配置所述对称区域为第一数值;否则配置所述对称区域为第二数值,其中所述第一数值大于所述第二数值;
对所述每个对称区域对应的所述第一数值及所述第二数值进行求和,得到所述脑图像的评分;
以及/或,
所述基于所述评分及所述第一设定评分阈值,进行脑梗死评估的方法,包括:
若所述评分小于或等于所述第一设定评分阈值,则评估所述脑图像对应的患者为脑梗死。
4.根据权利要求3所述的评估方法,其特征在于,所述基于所述评分及所述第一设定评分阈值,进行脑梗死评估的方法,还包括:
获取第二设定阈值;
若所述评分大于或等于所述第二设定阈值,分别对所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管进行配准,得到对应的位置点对;
提取所述位置点对对应的第一几何参数及第二几何参数;
基于所述第一几何参数及第二几何参数,评估脑梗死的风险。
5.根据权利要求4所述的评估方法,其特征在于,在所述基于所述第一几何参数及第二几何参数,评估脑梗死的风险之前,获取第三设定阈值;
分别确定所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管对应的第一血管长度及第二血管长度;
分别计算所述多个设定脑内对称区域内的第一动脉血管及第二动脉血管对应的第一血管长度及第二血管长度的差值,得到多个血管长度差值;
若所述多个血管长度差值的和大于或等于所述第三设定阈值,则基于所述第一几何参数及第二几何参数,评估脑梗死的风险;
以及/或,
所述基于所述第一几何参数及第二几何参数,评估脑梗死的风险的方法,包括:
获取第四设定阈值;
计算所述第一几何参数及第二几何参数的动脉管径的差值;
若所述差值大于或等于所述第四设定阈值,则确定存在所述脑梗死的风险。
6.根据权利要求1-5任一项所述的评估方法,其特征在于,在所述获取脑图像中设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目之前,获取预设脑动脉血管分割模型;
利用所述预设脑动脉血管分割模型,对所述脑图像进行动脉血管进行分割,得到多个设定脑内区域内的第一动脉血管及第二动脉血管。
7.根据权利要求6所述的评估方法,其特征在于,在所述获取预设脑动脉血管分割模型之前,获取待训练的脑动脉血管分割模型及预设的脑区域分割模型,及获取多个同一患者的灌注脑图像及其对应的动脉血管图像及非灌注脑图像;
对所述非灌注脑图像及所述灌注脑图像进行配准操作,得到脑配准图像;利用预设的脑区域分割模型,对所述脑配准图像进行脑分割,得到脑区域分割图像;
利用所述灌注脑图像对应的动脉血管图像及所述脑区域分割图像,对所述待训练的脑动脉血管分割模型进行训练,得到所述预设脑动脉血管分割模型;
或,
在所述获取预设脑动脉血管分割模型之前,获取待训练的脑动脉血管分割模型及预设的脑区域分割模型,及获取多个同一患者的灌注脑图像及其对应的动脉血管图像及非灌注脑图像;
利用预设的脑区域分割模型,对所述非灌注脑图像进行脑分割,得到脑区域分割图像;
对所述脑区域分割图像及所述灌注脑图像进行配准操作,得到脑配准图像;
利用所述灌注脑图像对应的动脉血管图像及所述脑配准图像,对所述待训练的脑动脉血管分割模型进行训练,得到所述预设脑动脉血管分割模型。
8.一种脑梗死评估装置,其特征在于,包括:
获取单元,用于获取脑图像中多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目;
评估单元,用于基于所述多个设定脑内对称区域内的第一动脉血管数目及第二动脉血管数目,进行脑梗死评估。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的脑梗死评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的脑梗死评估方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022111288642 | 2022-09-16 | ||
CN202211128864 | 2022-09-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115565666A true CN115565666A (zh) | 2023-01-03 |
Family
ID=84740434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211136745.1A Pending CN115565666A (zh) | 2022-09-16 | 2022-09-19 | 脑梗死评估方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115565666A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052883A (zh) * | 2023-01-09 | 2023-05-02 | 北京大学口腔医学院 | 头颈部手术的受区血管数量与手术风险的av值评价方法 |
-
2022
- 2022-09-19 CN CN202211136745.1A patent/CN115565666A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052883A (zh) * | 2023-01-09 | 2023-05-02 | 北京大学口腔医学院 | 头颈部手术的受区血管数量与手术风险的av值评价方法 |
CN116052883B (zh) * | 2023-01-09 | 2023-08-22 | 北京大学口腔医学院 | 头颈部手术的受区血管数量与手术风险的av值评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210158533A1 (en) | Image processing method and apparatus, and storage medium | |
CN111310764B (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
WO2021051965A1 (zh) | 图像处理方法及装置、电子设备、存储介质和计算机程序 | |
TWI713054B (zh) | 圖像分割方法及裝置、電子設備和儲存媒體 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
CN111368923A (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
TW202131281A (zh) | 圖像處理方法及圖像處理裝置、電子設備和電腦可讀儲存媒介 | |
CN112541928A (zh) | 网络训练方法及装置、图像分割方法及装置和电子设备 | |
WO2021259391A2 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
TW202209254A (zh) | 圖像分割方法、電子設備和電腦可讀儲存介質 | |
WO2021259390A2 (zh) | 一种冠脉钙化斑块检测方法及装置 | |
CN113012146B (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
CN113349810B (zh) | 脑出血病灶识别及血肿扩大预测系统及装置 | |
CN115423819A (zh) | 肺血管的分割方法及装置、电子设备和存储介质 | |
CN114820584A (zh) | 肺部病灶定位装置 | |
CN115565666A (zh) | 脑梗死评估方法及装置、电子设备和存储介质 | |
CN113012816B (zh) | 脑分区风险预测方法及装置、电子设备和存储介质 | |
CN114418931A (zh) | 术后剩余肺叶的提取方法及装置、电子设备和存储介质 | |
Kusters et al. | Colorectal polyp classification using confidence-calibrated convolutional neural networks | |
CN114494442A (zh) | 图像处理方法、装置及设备 | |
WO2022012038A1 (zh) | 图像处理方法及装置、电子设备、存储介质和程序产品 | |
CN115761371A (zh) | 医学影像分类方法、装置、存储介质及电子设备 | |
CN115393274A (zh) | 脑神经功能损伤检测方法及装置、电子设备和存储介质 | |
CN113593678B (zh) | 基于血管影像补全的脑卒中分型方法及装置 | |
CN115410028A (zh) | 特征组合策略选择、状态检测方法及装置、电子设备 |
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 |