CN115880159A - Ct灌注影像参数图校正的方法和计算机可读存储介质 - Google Patents
Ct灌注影像参数图校正的方法和计算机可读存储介质 Download PDFInfo
- Publication number
- CN115880159A CN115880159A CN202211624754.5A CN202211624754A CN115880159A CN 115880159 A CN115880159 A CN 115880159A CN 202211624754 A CN202211624754 A CN 202211624754A CN 115880159 A CN115880159 A CN 115880159A
- Authority
- CN
- China
- Prior art keywords
- voxels
- class
- point group
- screening
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种CT灌注影像参数图校正的方法和计算机可读存储介质,方法包括:根据完成前处理的原始CT灌注影像,获得动静脉候选层,对所述动静脉候选层内的体素依次进行密度时间曲线的基线校正、积分筛选、粗糙度筛选,获得第一类体素;从所述第一类体素中筛选获得动脉候选点群,利用最大连通域算法对所述动脉候选点群分析,获得动脉结果点群,进而获得动脉输入函数;从所述第一类体素中筛选获得静脉候选点群,利用最大连通域算法对所述静脉候选点群分析,获得静脉结果点群,进而获得静脉输出函数;获得CT灌注影像参数图,利用所述动脉输入函数和所述静脉输出函数,对所述CT灌注影像参数图进行部分容积效应校正,获得校正后的CT灌输影像参数图。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种CT灌注影像参数图校正的方法和计算机可读存储介质。
背景技术
急性脑卒中是一种脑血管疾病,具有高致残率和高致死率。近年来,急性脑卒中发病率逐渐升高,而救治效率仍不理想,急需进一步提升。脑部CT灌注成像是检查脑卒中患者血流灌注情况的常规手段,检查时向患者静脉注射造影剂后在一定时间窗内进行快速连续头部CT扫描,造影剂流过时在影像上呈现高信号影,得到包含时间、空间维度的四维CT灌注影像。通过对灌注影像进行计算得到的脑血流容量(cerebral blood volume,CBV)、脑血流流量(cerebral blood flow,CBF)、造影剂平均通过时间(mean transit time,MTT)、造影剂残余函数达峰时间(time to peak,Tmax)等灌注参数是用于评估病情的重要指标。
处理CT灌注影像时常用去卷积计算方法,该方法基于造影剂稀释理论,假设在组织中观察到的时间维度造影剂浓度变化ct(t)取决于组织特性r(t)和供给感兴趣组织的血管内的时间维度造影剂浓度变化ca(t),三者之间的关系以卷积形式表示其中ct(t)为组织密度时间曲线;ca(t)为供给动脉的密度时间曲线,又称为动脉输入函数(arterial input function,AIF);r(t)为组织毛细血管内造影剂残余曲线,可以对其进行进一步计算得到各灌注参数。由于断层成像普遍存在的部分容积效应(partial volumeeffect,PVE),直接使用AIF求得的参数图通常比较模糊,无法清楚体现各参数图分布。
为了校正PVE,优化CBV与CBF参数图,同时需要获取静脉输出函数(venous outputfunction,VOF)。参数图校正公式如下式所示: 由此可见,进行脑灌注影像计算分析时,动脉输入函数(AIF)与静脉输出函数(VOF)的选取是前处理必要步骤,AIF和VOF的正确性直接影响各参数图的校正。AIF是脑组织供给动脉上的造影剂时间密度曲线,空间位置位于大脑中动脉;VOF是脑组织输出静脉上的造影剂时间密度曲线,空间位置位于大脑上矢状窦。AIF/VOF选取不正确会影像参数图校正,导致灌注参数及参数图计算不正确,影响患者病情评估。快速准确的AIF/VOF选取对于CT灌注影像参数图校正是必要的。多数文献建议AIF应选择在大脑中动脉(middle cerebral artery,MCA)的M1或M2段上,VOF应选择在上矢状窦。
目前选取AIF的方法大致有人工手动选取AIF、构造曲线特征函数加权模型进行AIF选取、人工选取感兴趣区域后使用聚类方法来选取AIF。人工选取AIF效率较低,且极大地依赖于操作者的经验,重复性低。另外,由于不同患者的动脉血管形态差异很大,且部分数据在采集时存在问题,如拍摄中患者的无意识活动导致数据噪声,因此基于形态学特征模型的AIF算法可能对部分异常数据的计算正确性较低。人工选取感兴趣区域后使用聚类方法的AIF算法属于半自动算法,同样存在效率低、依赖经验的弊端。选取VOF的方法与AIF类似,同时相关文献较少,也存在同样的弊端。
发明内容
基于此,有必要针对上述技术问题,提供一种CT灌注影像参数图校正的方法。
本申请CT灌注影像参数图校正的方法,其特征在于,包括:
根据完成前处理的原始CT灌注影像,获得动静脉候选层,对所述动静脉候选层内的体素依次进行密度时间曲线的基线校正、积分筛选、粗糙度筛选,获得第一类体素;
从所述第一类体素中筛选获得动脉候选点群,利用最大连通域算法对所述动脉候选点群分析,获得动脉结果点群,进而获得动脉输入函数;
从所述第一类体素中筛选获得静脉候选点群,利用最大连通域算法对所述静脉候选点群分析,获得静脉结果点群,进而获得静脉输出函数;
获得CT灌注影像参数图,利用所述动脉输入函数和所述静脉输出函数,对所述CT灌注影像参数图进行部分容积效应校正,获得校正后的CT灌输影像参数图。
可选的,所述前处理包括运动校正、图像滤波及颅骨去除;
根据完成前处理的原始CT灌注影像,获得动静脉候选层,具体包括:
读取各层去除颅骨后的脑组织掩模,获得所述脑组织掩模的面积,从面积最大值的所在层朝颅底方向查找第一距离,筛选获得所述动静脉候选层。
可选的,对于完成积分筛选的剩余体素,其密度时间曲线积分值大于被筛除的其他体素;
对于完成粗糙度筛选的剩余体素,其粗糙度小于被筛除的其他体素。
可选的,所述粗糙度筛选包括:对完成积分筛选的剩余体素进行曲线面积归一化,获得归一化曲线的粗糙度,具体通过下式获得:
可选的,从所述第一类体素中筛选获得动脉候选点群,具体包括:
对所述第一类体素进行第一聚类目标数的第一次聚类分析,筛选获得平均一阶矩最小类别的第二类体素;
筛选获得所述第二类体素中分布密集度更高的预期数量的层面,该预期数量的层面内的体素作为第三类体素;
获得所述第三类体素的密度时间曲线,进行第二聚类目标数的第二次聚类分析,筛选获得平均峰值时间最小的类别,该类别内的体素组成动脉候选点群。
可选的,利用最大连通域算法对所述动脉候选点群分析,获得动脉结果点群,进而获得动脉输入函数,具体包括:
获得所述动脉候选点群的掩模图像,通过最大连通域算法获得面积最大的连通域作为动脉结果点群,所述动脉结果点群的平均密度时间曲线即为动脉输入函数;
利用最大连通域算法对所述静脉候选点群分析,获得静脉结果点群,进而获得静脉输出函数,具体包括:
获得所述静脉候选点群的掩模图像,通过最大连通域算法获得面积最大的连通域作为静脉结果点群,所述静脉结果点群的平均密度时间曲线即为静脉输出函数。
可选的,从所述第一类体素中筛选获得静脉候选点群,具体包括:
从所述第一类体素中筛选获得脑组织质心偏向于后脑方向的第四类体素;
从所述第四类体素中筛选获得,信号密度积分和峰值时间满足预设条件的第五类体素;
对所述第五类体素进行第三聚类目标数的第三次聚类分析,筛选获得平均一阶矩最大的类别,该类别内的体素组成静脉候选点群。
可选的,所述预设条件包括:S(v)>S(AIF),tp>tp(AIF),式中:S(v)为所述第五类体素中各个体素密度时间曲线的信号密度积分,tp为所述第五类体素中各个体素密度时间曲线的峰值时间,S(AIF)为所述动脉输入函数的信号密度积分,tp(AIF)为所述动脉输入函数的峰值时间。
可选的,所述CT灌注影像参数图包括脑血容量参数图和脑血流量参数图;
利用所述动脉输入函数和所述静脉输出函数,对所述CT灌注影像参数图进行部分容积效应校正,具体包括:利用部分容积效应系数对所述CT灌注影像参数图进行部分容积效应校正,所述部分容积效应系数通过下式获得:
P=S(AIF)/S(VOF),式中,P为部分容积效应系数,S(AIF)为所述动脉输入函数的信号密度积分,S(VOF)为所述静脉输出函数的信号密度积分。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请所述的CT灌注影像参数图校正的方法的步骤。
本申请CT灌注影像参数图校正的方法至少具有以下效果:
本申请提供的CT灌注影像参数图校正的方法,基于机器学习和聚类算法实现。整个方法流程可实现全自动计算,无需人工交互参与和手动操作,运算速度快且结果较优,能够提高去卷积方法计算脑组织灌注参数的准确度和速度。
本申请得到的动脉输入函数和静脉输出函数较优,避免人工筛选造成的差异。同时本申请选取AIF/VOF曲线时不参考CT灌注图像中的形态学特征,不受到CT灌注图像形态学差异的影响,对患者活动导致的轻微扰动有较好的鲁棒性,在各种病例数据上都得到了良好结果。各实施例利用准确获得的动脉输入函数和静脉输出函数,对灌注参数图的进行PVE校正,校正效果显著,极大地提升了灌注参数图的质量。
附图说明
图1为本申请一实施例中CT灌注影像参数图校正方法的流程示意图;
图2为本申请一实施例中CT灌注影像参数图校正方法的流程框图;
图3为图1中完成基线校正的AIF曲线和VOF曲线示意图;
图4为本申请一实施例中获得的动脉结果点群示意图(图中箭头所指示位置);
图5为本申请一实施例中获得的静脉结果点群示意图(图中箭头所指示位置);
图6为本申请一实施例中校正前的脑血容量参数图;
图7为本申请一实施例中校正后的脑血容量参数图;
图8为本申请一实施例中校正前的脑血流量参数图;
图9为本申请一实施例中校正后的脑血流量参数图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、次序。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个、三个等,除非另有明确具体的限定。
本申请中,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列单元的系统、产品、步骤或设备不必限于清楚地列出的那些单元,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它单元。
参见图1和图2,本申请一实施例中提供一种CT灌注影像参数图校正的方法,包括步骤S100~步骤S400。
步骤S100,根据完成前处理的原始CT灌注影像,获得动静脉候选层,对动静脉候选层内的体素依次进行密度时间曲线的基线校正、积分筛选、粗糙度筛选,获得第一类体素;
步骤S200,从第一类体素中筛选获得动脉候选点群,利用最大连通域算法对动脉候选点群分析,获得动脉结果点群,进而获得动脉输入函数;
步骤S300,从第一类体素中筛选获得静脉候选点群,利用最大连通域算法对静脉候选点群分析,获得静脉结果点群,进而获得静脉输出函数;
步骤S400,获得CT灌注影像参数图,利用动脉输入函数和静脉输出函数,对CT灌注影像参数图进行部分容积效应校正,获得校正后的CT灌输影像参数图。
在以下各实施例中,步骤S100~步骤S400各自包括可选的子步骤或详细步骤。
步骤S100包括步骤S110~步骤S120。其中:
步骤S110,根据完成前处理的原始CT灌注影像,获得动静脉候选层。步骤S110中:
前处理包括运动校正、图像滤波及颅骨去除。具体地,读取经过前处理的四维CT灌注影像作为原始CT灌注影像,包括不同扫描时间下各断面组成的三维CT灌注影像。四个维度分别为时间T、空间层数L、图像高度H、图像宽度W。
获得动静脉候选层,包括:读取各层去除颅骨后的脑组织掩模,获得脑组织掩模的面积,从面积最大值的所在层朝颅底方向查找第一距离,筛选获得动静脉候选层。动静脉候选层即同时作为动脉候选层(中动脉MCA候选层)、以及静脉候选层。
读取前处理获得的去除颅骨后的脑组织掩模按颅底至颅顶方向排列四维CT灌注影像及脑组织掩模,计算各层脑组织掩模面积Area(L),并遍历各层面积找到其中最大值Areamax。向颅底方向,根据CT灌注影像的层间距ΔL,选择n层脑组织数据,使得所选数据在层数L维度上覆盖约第一距离(例如40mm)的脑组织,即n=[40/ΔL]。筛选出的n层脑组织数据即为动静脉候选层,作为后续步骤的输入数据。
步骤S120,对动静脉候选层内的体素依次进行密度时间曲线的基线校正、积分筛选、粗糙度筛选,获得第一类体素;
密度时间曲线的基线校正是指:对各层脑组织的各个体素,获得其时间维度上的信号密度时间曲线C(t)。取信号平稳的前m个时刻信号密度平均值作为密度基线,m可通过曲线变化程度评估确定,也可根据经验确定。将所有体素的密度时间曲线C(t)各点减去对应基线值,得到如图3所示的基线校正后的曲线,并将所有小于零的曲线点值置零。
一方面,对于完成积分筛选的剩余体素,其密度时间曲线积分值大于被筛除的其他体素。具体地,对所有体素的密度时间曲线C(t)进行积分,得到信号密度积分对所有体素的信号密度积分S(v)进行排序,过滤S(v)较小的体素,过滤比例参数为pS。pS为超参数,可通过参数调节观察结果精度确定最优pS参数。参考MCA在脑组织中占比较小,pS可取较大值,一般取0.9以上,即筛除过滤比例参数为pS的体素。
另一方面,对于完成粗糙度筛选的剩余体素,其粗糙度小于被筛除的其他体素。粗糙度筛选包括:对完成积分筛选的剩余体素进行曲线面积归一化,获得归一化曲线的粗糙度,具体通过下式获得:式中,C”norm(t)为归一化曲线Cnorm(t)的二阶导数,R(v)为二阶导数平方在时间维度上的积分,用于表示归一化曲线的粗糙度。
进行粗糙度筛选时,对完成积分筛选的剩余体素的曲线粗糙度R(v)进行排序,过滤R(v)相对较大的体素,保留R(v)相对较小的体素,过滤比例为pR。pR为超参数,可通过参数调节观察结果精度确定最优pR参数。为尽可能过滤所有噪声曲线,同时不去除过多的AIF候选曲线,pR取较小值,一般取0.2以下,即将筛除过滤比例为pR的体素。
进行粗糙度筛选需要进行面积归一化,而面积归一化就无法直接进行积分筛选。本实施例按照先进行积分筛选、后进行粗糙度筛选,可以在流程上节省自动化处理的步骤。
步骤S200包括步骤S210~步骤S220。
步骤S210,从第一类体素中筛选获得动脉候选点群。本步骤使用属于机器学习无监督学习的k-means++聚类算法进行聚类分析,对第一类体素执行两次聚类分析,提取AIF曲线,获得动脉候选点群。具体包括步骤S211~步骤S213。
步骤S211,对第一类体素进行第一聚类目标数的第一次聚类分析,筛选获得平均一阶矩最小类别的第二类体素;
具体地,对完成粗糙度筛选的第一类体素的归一化曲线Cnorm(t),进行初次(第一次)聚类分析,第一次聚类分析使用k-means++作为类中心初始化方法,第一聚类目标数设为k1。k1为超参数,可通过参数调节观察结果精度确定最优k1参数,例如k1=5。
第一次聚类分析,共分为第一聚类目标数的类别。对每个类别内的各体素计算一阶矩,即一阶矩μ=∑t·Cnorm(),并计算归类结束后各类的平均一阶矩保留平均一阶矩最小的类别/>中的体素,至此获得第二类体素。
步骤S212,筛选获得第二类体素中分布密集度更高的预期数量的层面,该预期数量的层面内的体素作为第三类体素;
具体地,统计剩余体素(平均一阶矩最小的体素)在各动静脉候选层上的分布数量,保留剩余体素分布数量最多的预期数量(例如可以是2层)的动静脉候选层,其上分布的体素为第三类体素。预期数量可以根据原始CT灌注影像的厚度进行适应调整。
步骤S213,获得第三类体素的密度时间曲线,进行第二聚类目标数的第二次聚类分析,筛选获得平均峰值时间最小的类别,该类别内的体素组成动脉候选点群。
将第三类体素的归一化密度时间曲线面积恢复后,重新得到密度时间曲线C(t),并进行第二次聚类分析,第二次聚类分析使用k-means++作为类中心初始化方法,第二聚类目标数设为k2。k2为超参数,可通过参数调节观察结果精度确定最优k2参数,例如令k2=5。
第二次聚类分析,共分为第二聚类目标数的类别。对每个类别中的体素计算峰值时间(达峰时间)tp,并计算归类结束后各类的平均峰值时间保留平均峰值时间/>最小的类别/>中的体素作为AIF候选点,即组成动脉候选点群。
从筛选方式上来看,平均一阶矩筛选相较于平均峰值时间筛选更有效。层面筛选缩小空间范围,有利于平均峰值时间筛选聚类时各类中点集更为集中。依次进行本实施例所提供的步骤,可以在流程上提高自动化处理的速度。
步骤S220,利用最大连通域算法对动脉候选点群分析,获得如图4所示的动脉结果点群,进而获得动脉输入函数,具体包括:获得动脉候选点群的掩模图像,通过最大连通域算法获得面积最大的连通域作为动脉结果点群,动脉结果点群的平均密度时间曲线即为动脉输入函数。
建立动脉候选点群的掩模图像,通过最大连通域算法,例如八连通最大连通域算法,计算得到动脉候选点群的c个连通域,并计算各个连通域的面积Area(c)。选取面积最大的连通域中的动脉候选点群作为AIF结果点群,AIF结果点群的平均密度时间曲线即为动脉输入函数(AIF曲线)。
步骤S300包括步骤S310~步骤S320。
步骤S310,从第一类体素中筛选获得静脉候选点群,具体包括步骤S311~步骤S313。
步骤S311,从第一类体素中筛选获得脑组织质心偏向于后脑方向(脑组织质心以下)的第四类体素;
步骤S312,从第四类体素中筛选获得,信号密度积分和峰值时间满足预设条件的第五类体素;
具体地,采用的预设条件包括:S(v)>S(AIF),tp>tp(AIF),式中:S(v)为第五类体素中各个体素密度时间曲线的信号密度积分,tp为第五类体素中各个体素密度时间曲线的峰值时间,S(AIF)为动脉输入函数的信号密度积分,tp(AIF)为动脉输入函数的峰值时间。本步骤依据人体生理参数,利用动脉输入函数的信号密度积分和峰值时间对静脉候选体素进行初步筛选,以快速获得符合预期的静脉结果点群。
步骤S313,对第五类体素进行第三聚类目标数的第三次聚类分析,筛选获得平均一阶矩最大的类别,该类别内的体素组成静脉候选点群。
具体地,对第五类体素的归一化密度时间曲线Cnorm(t)进行第三次聚类分析,例如采用k-means++聚类分析,使用k-means++作为类中心初始化方法,第三聚类目标数设为k3。k3为超参数,可通过参数调节观察结果精度确定最优k3参数,例如令k3=5。
第三次聚类分析,共分为第三聚类目标数的类别。对每个类别内的各体素计算一阶矩,即μ=∑t·Cnorm(),并计算归类结束后各类的平均一阶矩保留平均一阶矩/>最大的类别/>中的体素,作为VOF候选点群,即静脉候选点群。
步骤S320,利用最大连通域算法对静脉候选点群分析,获得如图5所示的静脉结果点群,进而获得静脉输出函数,具体包括:获得静脉候选点群的掩模图像,通过最大连通域算法获得面积最大的连通域作为静脉结果点群,静脉结果点群的平均密度时间曲线即为静脉输出函数。
建立静脉候选点群的掩模图像,通过最大连通域算法,例如八连通最大连通域算法,计算得到静脉候选点群的c个连通域,并计算各个连通域的面积Area(c)。选取面积最大的连通域中的VOF候选点作为VOF结果点群,VOF结果点群的平均密度时间曲线即为静脉输出函数VOF。
步骤S400,获得CT灌注影像参数图,利用动脉输入函数和静脉输出函数,对CT灌注影像参数图进行部分容积效应校正,获得校正后的CT灌输影像参数图。其中,CT灌注影像参数图包括如图6所示的脑血容量参数图CBV、如图7所示的脑血流量参数图CBF。
利用动脉输入函数和静脉输出函数,对CT灌注影像参数图进行部分容积效应校正,具体包括:利用部分容积效应系数对CT灌注影像参数图进行部分容积效应校正,部分容积效应系数通过下式获得:
P=S(AIF)/S(VOF),式中,P为部分容积效应系数,S(AIF)为动脉输入函数的信号密度积分,S(VOF)为静脉输出函数的信号密度积分。进而根据公式CBV′=CBV*P与CBF′=CBF*P完成对脑血容量参数图CBV与脑血流量参数图CBF的PVE校正。CBV′为校正后的脑血容量参数图,如图7所示,CBF′为校正后的脑血流量参数图,如图9所示。动脉输入函数(AIF曲线)的信号密度积分静脉输出函数(VOF曲线)的信号密度积分
本申请一实施例中,CT灌注影像参数图校正的方法主要实现流程包括以下的第一步~第十步。其中,第一步~第四步对应步骤S100。第五步与第六步对应步骤S200。第七步~第九步对应步骤S300。第十步对应步骤S400。
第一步,读取经过前处理的四维CT灌注影像,计算各层脑组织区域面积,从脑组织面积最大层向颅底方向选取覆盖40mm厚度脑组织的数据,作为动静脉候选层,动静脉候选层既作为大脑中动脉MCA候选层,也作为静脉候选层;
第二步,以信号平稳的时刻的信号密度平均值作为基线,对各层各个体素的密度时间曲线进行基线校正;至此完成步骤S100中的基线较正。
第三步,对所有体素的密度时间曲线进行积分,得到信号密度积分,筛去信号密度积分较小的部分体素;至此完成步骤S100中的积分筛选。
第四步,计算剩余体素密度时间归一化曲线的粗糙度,筛去粗糙度较大的部分体素;至此获得步骤S100中的第一类体素。
第五步,使用机器学习kmeans++算法对剩余体素的密度时间曲线进行两次聚类分析,第一次保留平均一阶矩最小的类,第二次保留平均峰值时间最小的类作为AIF候选点群;至此获得S200中的动脉候选点群。
第六步,建立MCA候选层上的AIF候选点掩模图像,使用最大连通域算法,选取面积最大的连通域中的AIF候选点作为AIF结果点群,AIF结果点群的平均密度时间曲线即为动脉输入函数AIF,至此获得S200中的动脉输入函数;
第七步,基于AIF曲线结果,从第四步得到的体素密度时间曲线中筛选出VOF候选体素,需同时满足:①信号密度积分大于AIF曲线信号密度积分,②峰值时间大于AIF曲线峰值时间,③体素位于脑组织质心以下位置;
第八步,使用机器学习kmeans++算法对VOF候选体素的密度时间曲线进行聚类分析,保留平均一阶矩最大的类作为VOF候选点群;至此获得S300中的静脉候选点群。
第九步,建立VOF候选点掩模图像,使用最大连通域算法,选取面积最大的连通域中的VOF候选点作为VOF结果点群,VOF结果点群的平均密度时间曲线即为静脉输出函数VOF;至此获得S300中的静脉输出函数。
第十步,计算AIF与VOF的信号密度积分,计算校正系数,使用校正系数完成CBV与CBF参数图的PVE校正,至此完成步骤S400。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种CT灌注影像参数图校正的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S100,根据完成前处理的原始CT灌注影像,获得动静脉候选层,对动静脉候选层内的体素依次进行密度时间曲线的基线校正、积分筛选、粗糙度筛选,获得第一类体素;
步骤S200,从第一类体素中筛选获得动脉候选点群,利用最大连通域算法对动脉候选点群分析,获得动脉结果点群,进而获得动脉输入函数;
步骤S300,从第一类体素中筛选获得静脉候选点群,利用最大连通域算法对静脉候选点群分析,获得静脉结果点群,进而获得静脉输出函数;
步骤S400,获得CT灌注影像参数图,利用动脉输入函数和静脉输出函数,对CT灌注影像参数图进行部分容积效应校正,获得校正后的CT灌输影像参数图。
本申请各实施例中提供的CT灌注影像参数图校正的方法,基于机器学习和聚类算法实现。整个方法流程可实现全自动计算,无需人工交互参与和手动操作,运算速度快且结果较优,能够提高去卷积方法计算脑组织灌注参数的准确度和速度。进行各次聚类分析时采用的kmeans++算法分类收敛速度快,进一步缩短了流程耗时,可以显著提升CT灌注成像分析速度,加快诊断进程。
各实施例得到的动脉输入函数和静脉输出函数(AIF/VOF曲线)较优,避免人工筛选造成的差异。同时,本方法选取AIF/VOF曲线时不参考CT灌注图像中的形态学特征,不受到CT灌注图像形态学差异的影响,对患者活动导致的轻微扰动有较好的鲁棒性,在各种病例数据上都得到了良好结果。
各实施例利用准确获得的动脉输入函数和静脉输出函数,对灌注参数图的进行PVE校正,校正效果显著,极大地提升了灌注参数图的质量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时,可视为该附图也同时披露了所涉及的各个实施例的组合例。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.CT灌注影像参数图校正的方法,其特征在于,包括:
根据完成前处理的原始CT灌注影像,获得动静脉候选层,对所述动静脉候选层内的体素依次进行密度时间曲线的基线校正、积分筛选、粗糙度筛选,获得第一类体素;
从所述第一类体素中筛选获得动脉候选点群,利用最大连通域算法对所述动脉候选点群分析,获得动脉结果点群,进而获得动脉输入函数;
从所述第一类体素中筛选获得静脉候选点群,利用最大连通域算法对所述静脉候选点群分析,获得静脉结果点群,进而获得静脉输出函数;
获得CT灌注影像参数图,利用所述动脉输入函数和所述静脉输出函数,对所述CT灌注影像参数图进行部分容积效应校正,获得校正后的CT灌输影像参数图。
2.根据权利要求1所述的CT灌注影像参数图校正的方法,其特征在于,所述前处理包括运动校正、图像滤波及颅骨去除;
根据完成前处理的原始CT灌注影像,获得动静脉候选层,具体包括:
读取各层去除颅骨后的脑组织掩模,获得所述脑组织掩模的面积,从面积最大值的所在层朝颅底方向查找第一距离,筛选获得所述动静脉候选层。
3.根据权利要求1所述的CT灌注影像参数图校正的方法,其特征在于,
对于完成积分筛选的剩余体素,其密度时间曲线积分值大于被筛除的其他体素;
对于完成粗糙度筛选的剩余体素,其粗糙度小于被筛除的其他体素。
5.根据权利要求1所述的CT灌注影像参数图校正的方法,其特征在于,从所述第一类体素中筛选获得动脉候选点群,具体包括:
对所述第一类体素进行第一聚类目标数的第一次聚类分析,筛选获得平均一阶矩最小类别的第二类体素;
筛选获得所述第二类体素中分布密集度更高的预期数量的层面,该预期数量的层面内的体素作为第三类体素;
获得所述第三类体素的密度时间曲线,进行第二聚类目标数的第二次聚类分析,筛选获得平均峰值时间最小的类别,该类别内的体素组成动脉候选点群。
6.根据权利要求1所述的CT灌注影像参数图校正的方法,其特征在于,
利用最大连通域算法对所述动脉候选点群分析,获得动脉结果点群,进而获得动脉输入函数,具体包括:
获得所述动脉候选点群的掩模图像,通过最大连通域算法获得面积最大的连通域作为动脉结果点群,所述动脉结果点群的平均密度时间曲线即为动脉输入函数;
利用最大连通域算法对所述静脉候选点群分析,获得静脉结果点群,进而获得静脉输出函数,具体包括:
获得所述静脉候选点群的掩模图像,通过最大连通域算法获得面积最大的连通域作为静脉结果点群,所述静脉结果点群的平均密度时间曲线即为静脉输出函数。
7.根据权利要求1所述的CT灌注影像参数图校正的方法,其特征在于,从所述第一类体素中筛选获得静脉候选点群,具体包括:
从所述第一类体素中筛选获得脑组织质心偏向于后脑方向的第四类体素;
从所述第四类体素中筛选获得,信号密度积分和峰值时间满足预设条件的第五类体素;
对所述第五类体素进行第三聚类目标数的第三次聚类分析,筛选获得平均一阶矩最大的类别,该类别内的体素组成静脉候选点群。
8.根据权利要求1所述的CT灌注影像参数图校正的方法,其特征在于,所述预设条件包括:S(v)>S(AIF),tp>tp(AIF),式中:S(v)为所述第五类体素中各个体素密度时间曲线的信号密度积分,tp为所述第五类体素中各个体素密度时间曲线的峰值时间,S(AIF)为所述动脉输入函数的信号密度积分,tp(AIF)为所述动脉输入函数的峰值时间。
9.根据权利要求1所述的CT灌注影像参数图校正的方法,其特征在于,
所述CT灌注影像参数图包括脑血容量参数图和脑血流量参数图;
利用所述动脉输入函数和所述静脉输出函数,对所述CT灌注影像参数图进行部分容积效应校正,具体包括:利用部分容积效应系数对所述CT灌注影像参数图进行部分容积效应校正,所述部分容积效应系数通过下式获得:
P=S(AIF)/S(VOF),式中,P为部分容积效应系数,S(AIF)为所述动脉输入函数的信号密度积分,S(VOF)为所述静脉输出函数的信号密度积分。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1~9任一项所述的CT灌注影像参数图校正的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211624754.5A CN115880159A (zh) | 2022-12-16 | 2022-12-16 | Ct灌注影像参数图校正的方法和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211624754.5A CN115880159A (zh) | 2022-12-16 | 2022-12-16 | Ct灌注影像参数图校正的方法和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115880159A true CN115880159A (zh) | 2023-03-31 |
Family
ID=85755151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211624754.5A Pending CN115880159A (zh) | 2022-12-16 | 2022-12-16 | Ct灌注影像参数图校正的方法和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880159A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342605A (zh) * | 2023-05-30 | 2023-06-27 | 杭州脉流科技有限公司 | Ct灌注影像参数估计方法、装置、设备和存储介质 |
CN116342603A (zh) * | 2023-05-30 | 2023-06-27 | 杭州脉流科技有限公司 | 获得动脉输入函数的方法 |
-
2022
- 2022-12-16 CN CN202211624754.5A patent/CN115880159A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342605A (zh) * | 2023-05-30 | 2023-06-27 | 杭州脉流科技有限公司 | Ct灌注影像参数估计方法、装置、设备和存储介质 |
CN116342603A (zh) * | 2023-05-30 | 2023-06-27 | 杭州脉流科技有限公司 | 获得动脉输入函数的方法 |
CN116342605B (zh) * | 2023-05-30 | 2023-08-11 | 杭州脉流科技有限公司 | Ct灌注影像参数估计方法、装置、设备和存储介质 |
CN116342603B (zh) * | 2023-05-30 | 2023-08-29 | 杭州脉流科技有限公司 | 获得动脉输入函数的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115880159A (zh) | Ct灌注影像参数图校正的方法和计算机可读存储介质 | |
US8280482B2 (en) | Method and apparatus for evaluating regional changes in three-dimensional tomographic images | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
CN110956626B (zh) | 一种基于图像的预后评估方法及装置 | |
CN110796613A (zh) | 一种图像伪影的自动识别方法及装置 | |
WO2005023086B1 (en) | Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning | |
CN111008984A (zh) | 医学影像中正常器官的轮廓线自动勾画方法及系统 | |
CN115797387A (zh) | Ct灌注影像动脉输入函数全自动选择的方法及装置 | |
CN110322554B (zh) | 一种脑动态功能模式稳定性计算方法 | |
DE102018108310A1 (de) | Bildverarbeitungsvorrichtung, Bildverarbeitungsverfahren und Bildverarbeitungsprogramm | |
CN115984130A (zh) | 获取灌注参数图及病变区域的方法和可读存储介质 | |
CN112614126A (zh) | 基于机器学习的磁共振图像脑区划分方法、系统和装置 | |
Wang et al. | Classification of structural MRI images in Adhd using 3D fractal dimension complexity map | |
CN115170540A (zh) | 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法 | |
Marusina et al. | Automatic analysis of medical images based on fractal methods | |
CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
CN115337000B (zh) | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 | |
CN104484874B (zh) | 基于ct造影成像的活体动物下肢血管分割方法 | |
WO2019190641A1 (en) | System and method for evaluation of dynamic data | |
CN110111354A (zh) | 肝脏医学图像动脉区域分割方法及系统 | |
Wang et al. | Adaptive Weights Integrated Convolutional Neural Network for Alzheimer's Disease Diagnosis | |
KR102363221B1 (ko) | 뇌 영상을 이용한 특발 정상압 수두증의 진단 방법 및 시스템 | |
CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 | |
Kurochka et al. | An algorithm of segmentation of a human spine X-ray image with the help of Mask R-CNN neural network for the purpose of vertebrae localization | |
CN114305387A (zh) | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |