CN115908457A - 低密度梗死区分割方法、分析方法、装置、系统、设备及介质 - Google Patents
低密度梗死区分割方法、分析方法、装置、系统、设备及介质 Download PDFInfo
- Publication number
- CN115908457A CN115908457A CN202310017436.0A CN202310017436A CN115908457A CN 115908457 A CN115908457 A CN 115908457A CN 202310017436 A CN202310017436 A CN 202310017436A CN 115908457 A CN115908457 A CN 115908457A
- Authority
- CN
- China
- Prior art keywords
- image
- density
- low
- segmentation
- computed tomography
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 363
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 206010061216 Infarction Diseases 0.000 claims abstract description 225
- 230000007574 infarction Effects 0.000 claims abstract description 225
- 238000002591 computed tomography Methods 0.000 claims abstract description 213
- 238000012549 training Methods 0.000 claims abstract description 86
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000003709 image segmentation Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 230000036770 blood supply Effects 0.000 claims description 34
- 210000004556 brain Anatomy 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012805 post-processing Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000010412 perfusion Effects 0.000 claims description 4
- 238000010968 computed tomography angiography Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 description 47
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 210000004720 cerebrum Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 210000003657 middle cerebral artery Anatomy 0.000 description 7
- 208000032382 Ischaemic stroke Diseases 0.000 description 6
- 230000006854 communication Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 210000002551 anterior cerebral artery Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000007917 intracranial administration Methods 0.000 description 5
- 210000003388 posterior cerebral artery Anatomy 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 5
- 210000001367 artery Anatomy 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 210000001841 basilar artery Anatomy 0.000 description 3
- 210000001627 cerebral artery Anatomy 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 210000004972 left anterior cerebral artery Anatomy 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010060840 Ischaemic cerebral infarction Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000004973 left posterior cerebral artery Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体是一种低密度梗死区分割方法、分析方法、装置、系统、设备及介质，所述低密度梗死区分割方法包括：获取目标脑部组织的目标计算机断层扫描图像；将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理，所述梗死区分割模型基于计算机断层扫描图像数据集对预设的图像分割网络进行深度学习训练得到，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；获取所述梗死区分割模型输出的所述目标脑部组织的低密度梗死区分割图像。本发明的低密度梗死区分割方法，能够快速准确地分割出计算机断层扫描图像中的低密度梗死区，并且提高低密度梗死区分割结果的准确性和可靠性。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种低密度梗死区分割方法、分析方法、装置、系统、设备及介质。
背景技术
缺血性脑卒中是一种常见的脑血管疾病，一直以来都严重危害着人体健康，其发病率、致残率和病死率都非常高。如何快速有效地诊断缺血性脑卒中是当前临床工作中的重要研究课题。
目前，计算机断层扫描（Computer Tomography，CT）影像学评估已经成为急性缺血性脑卒中救治工作中的重要一环。其中，非对比CT（Non-Contrast CT，NCCT）成像技术已被广泛用于临床评估急性缺血性脑梗死的严重程度。由于脑梗死在NCCT图像上的常见征象之一为脑实质低密度，因此传统方法可以采用人工勾画NCCT图像中的低密度梗死区，但存在以下缺陷：1）对操作者资质要求较高；2）耗时，效率较低；3）可重复性低。
近年来，深度学习技术在图像分割领域取得了巨大的进展，其可大幅度提升图像分割的准确率，并被逐渐用于自动分割NCCT图像上的低密度梗死区。然而，一方面低密度梗死区与正常脑实质信号差异较小，往往需要采用窄窗技术（例如窗宽50，窗位30）才能发现明显的视觉差异，甚至存在部分低密度影如大脑灰白质界限消失，即使采用窄窗技术也难以发现；另一方面，部分低密度梗死区与脑脊液信号值重叠，易受脑脊液及成像伪影的干扰。这些因素导致目前基于深度学习技术自动分割NCCT图像上的低密度梗死区的方案，仍然存在分割准确率较低（Dice系数<0.5）、对新数据泛化能力不足等问题。
此外，目前对于NCCT图像上的低密度梗死区的量化统计分析仅局限于体积，缺乏实现更为精确细致的量化统计分析的自动化方法。
发明内容
针对现有技术的上述问题，本发明的目的在于提供一种低密度梗死区分割方法、分析方法、装置、系统、设备及介质，能够提高低密度梗死区分割结果的准确性和可靠性。
为了解决上述问题，本发明提供一种低密度梗死区分割方法，包括：
获取目标脑部组织的目标计算机断层扫描图像；
将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理，所述梗死区分割模型基于计算机断层扫描图像数据集对预设的图像分割网络进行深度学习训练得到，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；
获取所述梗死区分割模型输出的所述目标脑部组织的低密度梗死区分割图像。
进一步地，所述目标计算机断层扫描图像包括非对比计算机断层扫描图像、计算机断层扫描灌注图像或者计算机断层扫描血管造影图像。
进一步地，所述将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：
将所述目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到第一低密度梗死区分割结果；
将所述目标计算机断层扫描图像进行翻转操作，得到翻转后的目标计算机断层扫描图像；其中，所述翻转操作包括前后翻转和/或左右翻转；
将所述翻转后的目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到第二低密度梗死区分割结果；
对所述第一低密度梗死区分割结果和所述第二低密度梗死区分割结果进行加权平均，得到所述目标脑部组织的低密度梗死区分割图像并输出。
进一步地，所述梗死区分割模型由多个不同的子分割模型组成；
所述将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：
将所述目标计算机断层扫描图像分别输入至各个所述子分割模型中进行分割处理，得到对应的第三低密度梗死区分割结果；
对各个所述子分割模型对应的第三低密度梗死区分割结果进行加权平均，得到所述目标脑部组织的低密度梗死区分割图像并输出。
进一步地，所述方法还包括：
对所述目标计算机断层扫描图像进行预处理操作，得到预处理后的目标计算机断层扫描图像；
其中，所述预处理操作包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作；
其中，将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：
将所述预处理后的目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理。
进一步地，所述方法还包括：
对所述目标脑部组织的低密度梗死区分割图像进行后处理操作，得到后处理后的低密度梗死区分割图像；
其中，所述后处理操作包括空洞填充操作和/或连通性分析操作。
进一步地，所述方法还包括预先训练所述梗死区分割模型，所述梗死区分割模型的训练过程包括：
获取计算机断层扫描图像数据集，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；
分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行低密度梗死区标注，得到对应的低密度梗死区标注结果；
基于所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据及其对应的低密度梗死区标注结果，对预设的图像分割网络进行深度学习训练，得到所述梗死区分割模型。
进一步地，所述梗死区分割模型的训练过程还包括：
分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行预处理操作，得到预处理后的计算机断层扫描图像数据；
其中，所述预处理操作包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作。
本发明另一方面提供一种低密度梗死区分析方法，包括：
获取目标脑部组织的低密度梗死区分割图像，所述低密度梗死区分割图像基于梗死区分割模型确定；
确定所述梗死区分割模型对应的模板图像，以及所述模板图像对应的供血区域地图，所述模板图像基于训练所述梗死区分割模型的训练图像数据集确定；
基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像；
将所述模板图像空间的低密度梗死区分割图像映射至所述供血区域地图，以得到所述低密度梗死区分割图像中低密度梗死区的区域分布信息。
进一步地，所述基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像包括：
获取生成所述低密度梗死区分割图像的所述目标脑部组织的目标图像数据；
将所述目标图像数据与所述模板图像进行非刚性配准，得到配准完成后的配准变换参数；
根据所述配准变换参数将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像。
进一步地，所述方法还包括：
确定训练所述梗死区分割模型的训练图像数据集；
根据所述训练图像数据集构建所述梗死区分割模型对应的模板图像；
基于所述模板图像生成与之对应的供血区域地图。
进一步地，所述低密度梗死区分割图像采用如上述的低密度梗死区分割方法得到。
本发明另一方面提供一种低密度梗死区分割装置，包括：
第一获取模块，用于获取目标脑部组织的目标计算机断层扫描图像；
分割模块，用于将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理，所述梗死区分割模型基于计算机断层扫描图像数据集对预设的图像分割网络进行深度学习训练得到，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；
第二获取模块，用于获取所述梗死区分割模型输出的所述目标脑部组织的低密度梗死区分割图像。
本发明另一方面提供一种低密度梗死区分析装置，包括：
第三获取模块，用于获取目标脑部组织的低密度梗死区分割图像，所述低密度梗死区分割图像基于梗死区分割模型确定；
第一确定模块，用于确定所述梗死区分割模型对应的模板图像，以及所述模板图像对应的供血区域地图，所述模板图像基于训练所述梗死区分割模型的训练图像数据集确定；
配准模块，用于基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像；
映射模块，用于将所述模板图像空间的低密度梗死区分割图像映射至所述供血区域地图，以得到所述低密度梗死区分割图像中低密度梗死区的区域分布信息。
本发明另一方面提供一种低密度梗死区分析系统，包括如上述的低密度梗死区分割装置，以及如上述的低密度梗死区分析装置。
本发明另一方面提供一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的低密度梗死区分割方法，或者如上述的低密度梗死区分析方法。
本发明另一方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的低密度梗死区分割方法，或者如上述的低密度梗死区分析方法。
由于上述技术方案，本发明具有以下有益效果：
根据本发明实施例的低密度梗死区分割方法，通过利用包括多种类型的计算机断层扫描图像数据的计算机断层扫描图像数据集，进行深度学习训练得到梗死区分割模型，并利用所述梗死区分割模型对目标计算机断层扫描图像进行分割处理，得到低密度梗死区分割图像。这种通过联合多种类型的计算机断层扫描图像数据训练得到梗死区分割模型，能够提升训练得到的梗死区分割模型学习低密度特征的泛化能力，使其能够适用于多种扫描层厚、多种扫描剂量的计算机断层扫描图像。同时，利用所述梗死区分割模型能够快速准确地分割出计算机断层扫描图像中的低密度梗死区，并且提高低密度梗死区分割结果的准确性和可靠性。
另外，根据本发明实施例的低密度梗死区分析方法，通过构建所述梗死区分割模型对应的模板图像以及供血区域地图，能够自动地对低密度梗死区分割结果按照左右侧大脑半球及左右侧颅内动脉供血区域（包括左右侧大脑前动脉、左右侧大脑中动脉、左右侧大脑后动脉以及左右侧基底动脉）进行定量分析统计，实现对低密度梗死区分割结果更为精确细致的量化统计分析，得到丰富的定量分析结果。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。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的前提下，还可以根据这些附图获得其它附图。
图1是本发明一个实施例提供的实施环境示意图；
图2是本发明一个实施例提供的低密度梗死区分割方法的流程图；
图3是本发明一个实施例提供的低密度梗死区分割图像的示意图；
图4是本发明一个实施例提供的训练梗死区分割模型的流程图；
图5是本发明另一个实施例提供的低密度梗死区分割方法的流程图；
图6是本发明一个实施例提供的低密度梗死区分析方法的流程图；
图7是本发明一个实施例提供的低密度梗死区分割装置的结构示意图；
图8是本发明一个实施例提供的低密度梗死区分析装置的结构示意图；
图9是本发明一个实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，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，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参考说明书附图1，其示出了本发明一个实施例提供的实施环境示意图。如图1所示，该实施环境可以包括至少一个医学扫描设备110和计算机设备120，所述计算机设备120和各个医学扫描设备110可以通过有线或无线通信方式进行直接或间接地连接，本发明实施例对此不做限制。
其中，所述医学扫描设备110可以但不限于是CT设备等，所述计算机设备120可以但不限于是各种服务器、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，所述服务器可以是独立的服务器或者是多个服务器组成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN）以及大数据和人工智能平台等基础云计算服务的云服务器。
本发明实施例中，所述医学扫描设备110可以基于NCCT成像技术、计算机断层扫描灌注（Computer Tomography Perfusion，CTP）成像技术或者计算机断层扫描血管造影（Computer Tomography Angiography，CTA）技术对目标脑部组织的影像进行采集，得到对应的NCCT图像、CTP图像或者CTA图像。
所述计算机设备120可以获取由医学扫描设备110扫描得到的目标脑部组织的医学影像数据（例如NCCT图像、CTP图像或者CTA图像），并通过本发明实施例提供的低密度梗死区分割方法确定所述目标脑部组织的低密度梗死区分割图像，以及通过本发明实施例提供的低密度梗死区分析方法确定所述目标脑部组织的低密度梗死区分割图像中低密度梗死区的区域分布信息，以供医生进行查阅，以及时指导采取措施。
需要说明的是，图1仅仅是一种示例。本领域技术人员可以理解，虽然图1中只示出了1个医学扫描设备110，但并不构成对本发明实施例的限定，可以包括比图示更多或更少的医学扫描设备110。
参考说明书附图2，其示出了本发明一个实施例提供的低密度梗死区分割方法的流程，该方法可以应用于图1中的计算机设备120中，具体的如图2所示，所述方法可以包括以下步骤：
S210：获取目标脑部组织的目标计算机断层扫描图像。
本发明实施例中，所述目标脑部组织可以为可能患有缺血性脑卒中的患者的脑部组织，所述目标计算机断层扫描图像可以包括非对比计算机断层扫描图像、计算机断层扫描灌注图像或者计算机断层扫描血管造影图像。
具体地，可以通过NCCT成像技术对所述目标脑部组织的影像进行采集，得到对应的NCCT图像，通过CTP成像技术对所述目标脑部组织的影像进行采集，得到对应的CTP图像，通过CTA技术对所述目标脑部组织的影像进行采集，得到对应的CTA图像。
需要说明的是，所述目标计算机断层扫描图像的来源既可以是直接导入的相关数据，也可以是从其他资源库实时配置连接获取，还可以是从已存储的影像数据库中根据患者的名字等信息搜索后获取，本发明实施例对此不作限制。
在一个可能的实施例中，获取到所述目标计算机断层扫描图像之后，可以将其配准到标准脑空间，得到标准脑空间的目标计算机断层扫描图像，以简化后续处理过程。
需要说明的是，可以采用现有技术中的配准方法将所述目标计算机断层扫描图像配准到标准脑空间，例如可以基于所述目标脑部组织的T1结构图像，将所述目标计算机断层扫描图像配准到标准脑空间，得到标准脑空间的目标计算机断层扫描图像等，本发明实施例对此不作限制。
S220：将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理，所述梗死区分割模型基于计算机断层扫描图像数据集对预设的图像分割网络进行深度学习训练得到，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据。
本发明实施例中，可以基于获取的目标计算机断层扫描图像，利用机器学习算法来进行低密度梗死区自动分割，得到低密度梗死区分割图像。
在一个可能的实施例中，在对所述目标计算机断层扫描图像进行处理之前，还可以对所述目标计算机断层扫描图像进行预处理操作，得到预处理后的目标计算机断层扫描图像。相应地，步骤S220具体为：将所述预处理后的目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理。
其中，所述预处理操作可以包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作等操作，本发明实施例对此不作限定。
示例性地，对于CTP图像，由于采集的CTP图像包括多期相的图像数据，因此，可以将该多期相的图像数据刚性配准至其中一个期相（例如第一个期相），然后采用加权平均方法将多期相的图像数据合并成为单一期相的图像数据（记为wCTP图像）。具体地，可以采用现有技术中的配准方法进行刚性配准，进行加权平均时可以按照扫描剂量确定各个期相对应的权重系数，也可以预先确定各个期相对应的权重系数，本发明实施例对进行刚性配准和加权平均的具体方法不作限制。
示例性地，对于CTP图像、NCCT图像和CTA图像，还可以进行去头罩操作。例如，可以先取NCCT图像、CTA图像或者数据合并后得到的wCTP图像中信号值大于100HU的像素区域；再对信号值大于100HU的像素区域进行连通性分析，得到前三个最大的连通区域；找到最大连通区域的三维边界框（Bounding Box）；以第二和第三大连通区域中超出所述三维边界框的像素为种子点，阈值大于100HU对原始图像做连通性分析，得到头罩的像素区域；对所述头罩的像素区域进行半径为2个像素的形态学膨胀操作，并将膨胀后的像素区域对应的原始图像区域赋值为-1000HU，以完成去头罩操作。
可以理解，通过去头罩操作去除所述目标计算机断层扫描图像中头罩的影响，能够进一步提高后续进行低密度梗死区分割的准确性。
示例性地，对于CTP图像、NCCT图像和CTA图像，还可以进行脑部区域裁剪操作，以将上述图像裁剪至仅包含脑部区域。例如，可以对去头罩后的NCCT图像、CTA图像或者wCTP图像进行阈值操作，取信号值大于-200HU的像素区域；再对信号值大于-200HU的像素区域进行连通性分析，得到最大的连通区域；获取最大的连通区域的三维边界框；裁剪去头罩后的NCCT图像、CTA图像或者wCTP图像至该三维边界框的区域，得到裁剪后的NCCT图像、CTA图像或者wCTP图像。
可以理解，通过脑部区域裁剪操作将所述目标计算机断层扫描图像裁剪至仅包含脑部区域，可以减少梗死区分割模型的输入数据尺寸，提高模型的处理速度。
示例性地，对于CTP图像、NCCT图像和CTA图像，还可以进行归一化操作，以提高后续进行低密度梗死区分割的准确率。例如，可以先对裁剪后的NCCT图像、CTA图像或者wCTP图像的图像信号值截断至0-80HU，即对图像信号值小于0HU的像素区域赋值为0HU，对图像信号值大于80HU的像素区域赋值为80HU；再进行图像信号值归一化操作，得到归一化后的NCCT图像、CTA图像或者wCTP图像。
需要说明的是，进行连通性分析、形态学膨胀操作和图像信号值归一化操作的具体方法可以参考现有技术，本发明实施例在此不再赘述。示例性地，可以通过减去图像信号均值后除以图像信号值标准差的方法，来对裁剪后的NCCT图像、CTA图像或者wCTP图像的图像信号值进行归一化。
本发明实施例中，所述梗死区分割模型可以为由多个不同的子分割模型组成的组合神经网络模型，也可以仅包括单个神经网络模型。所述梗死区分割模型可以对输入的目标计算机断层扫描图像（例如NCCT图像、CTA图像或者wCTP图像）进行分析处理，确定所述目标计算机断层扫描图像中各个像素点所属的区域类别，并通过不同的区域类别标识来进行区分，以得到低密度梗死区分割图像。其中，所述区域类别可以包括低密度梗死区和正常区域，所述低密度梗死区分割图像中可以包括低密度梗死区和正常区域中的一种或多种。
本发明实施例中，所述梗死区分割模型可以基于包括多种类型的计算机断层扫描图像数据的计算机断层扫描图像数据集，对预设的图像分割网络进行深度学习训练得到。具体地，所述计算机断层扫描图像数据集可以包括CTP图像、NCCT图像和CTA图像等，所述预设的图像分割网络可以包括但不局限于Unet网络、Unet++网络、Vnet网络、dense-Vnet网络和Transformer-Unet网络等，本发明实施例对此不作限制。
在一个可能的实施例中，所述将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理可以包括：
将所述目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到第一低密度梗死区分割结果；
将所述目标计算机断层扫描图像进行翻转操作，得到翻转后的目标计算机断层扫描图像；其中，所述翻转操作包括前后翻转和/或左右翻转；
将所述翻转后的目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到第二低密度梗死区分割结果；
对所述第一低密度梗死区分割结果和所述第二低密度梗死区分割结果进行加权平均，得到所述目标脑部组织的低密度梗死区分割图像并输出。
其中，将所述目标计算机断层扫描图像进行翻转操作，可以得到一个或者多个翻转后的目标计算机断层扫描图像，本发明实施例对进行翻转操作得到的翻转后的目标计算机断层扫描图像的数量不作限制。在进行加权平均时，各个低密度梗死区分割结果的权重系数可以根据实际情况进行预先设定，例如可以设置为1/n（n为低密度梗死区分割结果的数量），本发明实施例对此不作限制。
示例性地，可以将所述目标计算机断层扫描图像分别进行前后和左右翻转，得到两个翻转后的目标计算机断层扫描图像。再将这两个翻转后的目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到两个第二低密度梗死区分割结果。最后将这两个第二低密度梗死区分割结果，与所述梗死区分割模型分割处理所述目标计算机断层扫描图像得到的第一低密度梗死区分割结果进行平均，即可得到最终的低密度梗死区分割图像并输出。
可以理解，通过将所述目标计算机断层扫描图像进行前后和/或左右翻转，并将梗死区分割模型分割翻转后的目标计算机断层扫描图像得到的分割结果，与所述梗死区分割模型分割原始的目标计算机断层扫描图像得到的分割结果进行融合，来得到最终的低密度梗死区分割图像，能够进一步提高分割结果精度。
在一个可能的实施例中，在所述梗死区分割模型由多个不同的子分割模型组成的情况下，所述将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理可以包括：
将所述目标计算机断层扫描图像分别输入至各个所述子分割模型中进行分割处理，得到对应的第三低密度梗死区分割结果；
对各个所述子分割模型对应的第三低密度梗死区分割结果进行加权平均，得到所述目标脑部组织的低密度梗死区分割图像并输出。
具体地，由于所述梗死区分割模型包括多个不同的子神经网络模型，因此可以将所述目标计算机断层扫描图像分别输入各个所述子神经网络模型中进行分割处理，每个所述子神经网络模型可以处理得到一个对应的第三低密度梗死区分割结果，然后采用模型组合策略将各个所述子神经网络模型输出的第三低密度梗死区分割结果进行融合，即可得到最终的低密度梗死区分割图像。
可选择地，在进行融合时，可以对各个所述子神经网络模型对应的第三低密度梗死区分割结果进行平均（即给予每个第三低密度梗死区分割结果相同的权重系数1/k，k为子神经网络模型的数量）得到最终的低密度梗死区分割图像。
可选择地，在进行融合时，还可以分别计算所述目标计算机断层扫描图像与各个所述子神经网络模型对应的模板图像之间的相似度，并根据所述相似度计算各个所述子神经网络模型对应的第三低密度梗死区分割结果的权重系数，最后根据计算得到的权重系数对各个所述子分割模型对应的第三低密度梗死区分割结果进行加权平均，得到最终的低密度梗死区分割图像。其中，所述模板图像可以基于训练对应子神经网络模型的训练图像数据集确定。
具体地，所述子神经网络模型的训练图像数据集可以包括训练数据集和验证数据集，可以使用开源工具如The Advanced Normalization Tools等，基于各个所述子神经网络模型对应的训练数据集或者验证数据集生成对应的模版图像。
在实际应用中，鉴于所述目标计算机断层扫描图像与各个模板图像可能存在的位移及形变，可以将计算相似度的问题转换为配准问题。具体地，可以分别针对每个模板图像，将所述目标计算机断层扫描图像与所述模板图像进行非刚性配准，得到配准完成后的损失值；根据所述损失值确定所述目标计算机断层扫描图像与所述模板图像之间的相似度。
需要说明的是，非刚性配准的方法以及计算损失值的方法可以参考现有技术，本发明实施例在此不再赘述。所述损失值例如可以为均方误差、归一化相关性系数、互信息、归一化互信息等，本发明实施例对此不作限制。
在实际应用中，计算得到的损失值越小，所述目标计算机断层扫描图像与所述模板图像之间的相似度越大。具体地，可以根据预先设置的损失值与相似度的对应关系，来根据计算得到的损失值确定所述目标计算机断层扫描图像与所述模板图像之间的相似度。
示例性地，所述目标计算机断层扫描图像与所述模板图像之间的相似度可以通过如下计算公式确定：
其中，
S i 为目标计算机断层扫描图像与第i个子神经网络模型对应的模板图像之间的相似度，
L i 为目标计算机断层扫描图像与第i个子神经网络模型对应的模板图像配准完成后的损失值。
具体地，在计算得到所述目标计算机断层扫描图像与各个所述子神经网络模型对应的模板图像之间的相似度后，可以基于预设的权重模型，根据所述相似度计算各个所述子神经网络模型对应的第三低密度梗死区分割结果的权重系数。
可选择地，在各个所述子神经网络模型对应的模板图像基于验证数据集构建的情况下，所述目标计算机断层扫描图像与所述模板图像之间的相似度越大，表明所述目标计算机断层扫描图像与所述模板图像对应的子神经网络模型的验证数据集越接近，与训练数据集则越不接近，因此所述子神经网络模型对应的第三低密度梗死区分割结果对应的权重系数就应该越小。
示例性地，各个所述子神经网络模型对应的第三低密度梗死区分割结果对应的权重系数可以通过以下计算公式得到：
其中，
ω i 为第i个子神经网络模型对应的第三低密度梗死区分割结果对应的权重系数，
k为子神经网络模型的个数，
S i 为目标计算机断层扫描图像与第i个子神经网络模型对应的模板图像之间的相似度，
NS i 为归一化的相似度。
可选择地，在各个所述子神经网络模型对应的模板图像基于训练数据集构建的情况下，所述目标计算机断层扫描图像与所述模板图像之间的相似度越大，表明所述目标计算机断层扫描图像与所述模板图像对应的子神经网络模型的训练数据集越接近，因此所述子神经网络模型对应的第三低密度梗死区分割结果对应的权重系数就应该越大。
需要说明的是，所述权重模型可以根据实际情况进行预先设置，只需使得在各个所述子神经网络模型对应的模板图像基于验证数据集构建的情况下，所述相似度与所述权重系数成反相关关系，在各个所述子神经网络模型对应的模板图像基于训练数据集构建的情况下，所述相似度与所述权重系数成正相关关系即可，本发明实施例对此不作限制。
具体地，在计算得到各个所述子神经网络模型对应的第三低密度梗死区分割结果的权重系数后，可以取各个所述子神经网络模型对应的第三低密度梗死区分割结果的加权平均作为最终的低密度梗死区分割图像，具体计算公式如下：
其中，P为最终的低密度梗死区分割图像，
ω j 为第j个子神经网络模型对应的第三低密度梗死区分割结果对应的权重系数，
k为子神经网络模型的个数，
P j 为第j个子神经网络模型对应的第三低密度梗死区分割结果。
可以理解，通过预先训练多个子神经网络模型，并采用模型组合策略将各个所述子神经网络模型对应的分割结果进行组合，得到最终的低密度梗死区分割图像，能够进一步提高低密度梗死区分割结果的准确性。
需要说明的是，在该实施例中，也可以将所述目标计算机断层扫描图像进行前后和/或左右翻转，得到一个或多个翻转后的目标计算机断层扫描图像。将所述一个或多个翻转后的目标计算机断层扫描图像输入至包括多个不同的子神经网络模型的梗死区分割模型中进行分割处理，可以得到对应的一个或多个低密度梗死区分割图像。将该一个或多个低密度梗死区分割图像与所述梗死区分割模型分割处理所述目标计算机断层扫描图像得到的低密度梗死区分割图像进行加权平均，即可得到最终的低密度梗死区分割图像并输出。其中，各个低密度梗死区分割图像的权重系数可以根据实际情况进行预先设定，例如可以设置为1/n（n为低密度梗死区分割结果的数量），本发明实施例对此不作限制。
S230：获取所述梗死区分割模型输出的所述目标脑部组织的低密度梗死区分割图像。
本发明实施例中，所述低密度梗死区分割图像中可以包括低密度梗死区和正常区域中的一种或多种。
在实际应用中，为了更加直观地展示低密度梗死区分割结果，可以对分割得到的低密度梗死区进行标注，例如可以标识出所述低密度梗死区的轮廓，或者采用不同的标识来区分不同的区域等，本发明实施例对此不作限制。
示例性地，如图3所示，其示出了本发明实施例提供的低密度梗死区分割图像的示意图，如图3所示，可以将低密度梗死区以黄色轮廓线（a）的形式叠加在NCCT图像上，使得医生可以快速确定其位置和范围等信息，其中，黄色轮廓线（a）以内的区域为低密度梗死区，其它区域为正常区域。
在一个可能的实施例中，所述方法还可以包括以下步骤：
对所述目标脑部组织的低密度梗死区分割图像进行后处理操作，得到后处理后的低密度梗死区分割图像；
其中，所述后处理操作包括空洞填充操作和/或连通性分析操作。
具体地，可以对所述低密度梗死区分割图像中的低密度梗死区进行空洞填充操作和/或连通性分析操作等后处理，得到最终的低密度梗死区，将所述最终的低密度梗死区之外的区域作为正常区域，即可得到后处理后的低密度梗死区分割图像。
示例性地，可以先填充所述低密度梗死区内部的空洞，再进行连通性分析，去除体积低于第一阈值的连通区域。若进行连通性分析确定存在仅包含单层图像的连通区域，且该连通区域体积低于第二阈值则去除该连通区域。其中，所述第一阈值和所述第二预设阈值可以根据实际情况进行预先设置，例如所述第一阈值可以设置为1.0ml，所述第二阈值可以设置为1.5ml，本发明实施例对此不作限制。
需要说明的是，填充空洞和进行连通性分析的具体方法可以参考现有技术，本发明实施例在此不再赘述。可以理解，通过对分割得到的低密度梗死区进行空洞填充、连通性分析等后处理，将可能是误识别的低密度梗死区去除，能够进一步提高低密度梗死区分割结果的准确率。
在一个可能的实施例中，结合参考说明书附图4，所述方法还可以包括预先训练所述梗死区分割模型的步骤，该步骤可以离线进行，训练得到的梗死区分割模型可以对获取的目标计算机断层扫描图像进行分割处理，得到低密度梗死区分割图像。具体地，如图4所示，所述梗死区分割模型的训练过程可以包括以下步骤：
S410：获取计算机断层扫描图像数据集，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据。
本发明实施例中，可以采集多个缺血性脑卒中患者脑部组织的NCCT图像、CTA图像和CTP图像等计算机断层扫描图像数据，组成计算机断层扫描图像数据集。所述计算机断层扫描图像数据集中的计算机断层扫描图像数据为扫描质量优、无运动伪影的图像数据。
示例性地，可以获取一批急性缺血性脑卒中的病例，从中筛选出NCCT图像、CTA图像和CTP图像，并选择其中扫描质量优、无运动伪影的图像组成所述计算机断层扫描图像数据集。优选地，可以使得NCCT图像的数据量多于CTA图像和CTP图像的数据量，例如三者的数据量比例可以为2:1:1。
可以理解，由于正常脑实质因存在血管增强效应，信号值存在小幅度增加，低密度梗死区则不存在血管增强，因此在NCCT图像上的呈低密度信号的梗死区，其在CTA图像上的对比度往往更大。同理CTP图像的动脉期、静脉期及延迟强化期数据均存在该特点。因此，在模型的训练图像数据集中加入CTA图像和CTP图像，可以丰富训练图像数据集中不同成像剂量的分布，提升训练得到的梗死区分割模型学习低密度特征的泛化能力。
在一个可能的实施例中，还可以将获取到的所述NCCT图像、所述CTA图像和所述CTP图像分别配准到标准脑空间，得到标准脑空间的NCCT图像、CTA图像和CTP图像，以简化后续处理过程。
在一个可能的实施例中，所述梗死区分割模型的训练过程还可以包括：
分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行预处理操作，得到预处理后的计算机断层扫描图像数据；
其中，所述预处理操作包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作。
具体地，可以对获取到的所述NCCT图像、所述CTA图像和所述CTP图像分别进行预处理操作，进行预处理操作的具体内容可以参考图2所示实施例中的相关内容，本发明实施例在此不再赘述。
可以理解，通过去头罩操作、脑部区域裁剪操作、归一化操作等预处理操作，可以减少梗死区分割模型的输入数据尺寸，提高后续模型的训练和预测速度，还能够进一步提高后续进行低密度梗死区分割的准确性。
S420：分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行低密度梗死区标注，得到对应的低密度梗死区标注结果。
本发明实施例中，可以对各个所述计算机断层扫描图像数据（包括NCCT图像、CTA图像和CTP图像）中的低密度梗死区进行人工标注，得到对应的低密度梗死区标注结果。在对所述计算机断层扫描图像数据进行低密度梗死区的人工标注时，可以参照同一病例同一时间内的多种模态的影像数据，例如在条件具备的情况下，可以参照核磁弥散影像，以确保标注数据的准确性。
需要说明的是，由于所述CTP图像包括多期相的图像数据，因此可以先将多期相的图像数据合并为单一期相的图像数据（即wCTP图像）后，再进行后续的低密度梗死区的人工标注。
S430：基于所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据及其对应的低密度梗死区标注结果，对预设的图像分割网络进行深度学习训练，得到所述梗死区分割模型。
本发明实施例中，可以以所述NCCT图像、所述CTA图像和所述wCTP图像为输入数据，以对应的低密度梗死区标注结果为监督，通过深度学习算法对预设的图像分割网络进行有监督训练，得到所述梗死区分割模型。由于NCCT图像的层厚一般为2-5mm，远高于层内分辨率0.5mm，因此所述图像分割网络可以采用2d的Unet网络，或者其他基于Unet网络改进的网络，例如Unet++网络、Vnet网络、dense-Vnet网络和Transformer-Unet网络等，本发明实施例对此不作限制。
可以理解，本发明实施例提供的方法可以用于包括但不限于上述的各种图像分割网络，适用性较强。
具体地，在训练梗死区分割模型的过程中，可以采用交叉验证的方式，将所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据交叉地分为训练数据集与测试数据集（例如可以采用5倍交叉验证的方式，将计算机断层扫描图像数据分为5组，每次取其中任意4组为训练数据集，余下1组为测试数据集），利用训练数据集中的计算机断层扫描图像数据训练所述梗死区分割模型，并利用测试数据集中的计算机断层扫描图像数据来测试训练得到的梗死区分割模型的性能，评估模型的表现，从而得到一个可靠的梗死区分割模型。
在一个可能的实施例中，还可以利用所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据，训练得到多个不同的子神经网络模型，进而组合得到所述梗死区分割模型。例如，可以采用5倍交叉验证的方式，将计算机断层扫描图像数据分为5组，每次取其中任意4组为训练数据集，余下1组为测试数据集，对预设的图像分割网络进行深度学习训练得到一个子神经网络模型，从而可以训练得到5个具有不同模型权重的子神经网络模型，最后组合得到所述梗死区分割模型。
在一个可能的实施例中，还可以每次取其中任意4组为训练数据集，余下1组为测试数据集，对具有不同模型结构的多个图像分割网络分别进行深度学习训练得到对应的子神经网络模型，从而可以训练得到5个具有不同模型权重和/或模型结构的子神经网络模型，最后组合得到所述梗死区分割模型。
在一个可能的实施例中，训练完毕后还可以将所述梗死区分割模型转为开放神经网络交换（Open Neural Network Exchange，ONNX）格式，以利于后续使用C++部署网络模型，提高模型的分割速度。
在一个可能的实施例中，在后续的模型使用过程中，还可以动态扩充多中心、多机型的计算机断层扫描图像数据，丰富计算机断层扫描图像数据集中数据的种类和数据量，重复步骤S410至步骤S430，来更新模型权重。
综上所述，根据本发明实施例的低密度梗死区分割方法，通过利用包括多种类型的计算机断层扫描图像数据的计算机断层扫描图像数据集，进行深度学习训练得到梗死区分割模型，并利用所述梗死区分割模型对目标计算机断层扫描图像进行分割处理，得到低密度梗死区分割图像。这种通过联合多种类型的计算机断层扫描图像数据训练得到梗死区分割模型，能够提升训练得到的梗死区分割模型学习低密度特征的泛化能力，使其能够适用于多种扫描层厚、多种扫描剂量的计算机断层扫描图像。同时，利用所述梗死区分割模型能够快速准确地分割出计算机断层扫描图像中的低密度梗死区，并且提高低密度梗死区分割结果的准确性（Dice系数>0.72）和可靠性。
在一个可能的实施例中，结合参考说明书附图5，所述方法还可以包括以下步骤：
S240：基于所述梗死区分割模型对应的模板图像，将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像。
在一个可能的实施例中，在执行所述步骤S240之前，还可以包括构建所述梗死区分割模型对应的模板图像以及供血区域地图的步骤，该步骤可以离线进行，不占用新数据处理时间。具体地，该步骤可以包括：
确定训练所述梗死区分割模型的训练图像数据集；
根据所述训练图像数据集构建所述梗死区分割模型对应的模板图像；
基于所述模板图像生成与之对应的供血区域地图。
具体地，由于所述梗死区分割模型的训练图像数据集（即计算机断层扫描图像数据集）中包括多种类型的计算机断层扫描图像数据，因此可以汇集所述计算机断层扫描图像数据集中与所述目标计算机断层扫描图像类型相同的计算机断层扫描图像数据，来构建所述模板图像和所述供血区域地图。
下面以目标计算机断层扫描图像为NCCT图像的情况为例进行详细说明。当所述目标计算机断层扫描图像为NCCT图像时，可以汇集所述计算机断层扫描图像数据集中所有的NCCT图像，来构建所述模板图像和所述供血区域地图。
具体地，可以先对所述计算机断层扫描图像数据集中所有的NCCT图像进行去头皮操作，避免骨头信号的影响。去头皮操作的方法可以参考现有技术，本发明实施例在此不再赘述。
具体地，可以使用开源工具如The Advanced Normalization Tools等，基于去头皮操作后的各个所述NCCT图像生成对应的模版图像。
可以理解，相比于可以公开获取的核磁T1结构图、T2结构图、质子密度（ProtonDensity，PD）加权图像等模版图像，基于私有的NCCT图像构建的模版图像与输入的NCCT图像特征更为接近，有利于提高后续配准精度。
需要说明的是，在所述梗死区分割模型由多个不同的子分割模型组成的情况下，可以采用上述方法先分别构建出各个所述子神经网络模型对应的模板图像，再将各个所述子神经网络模型对应的模板图像取平均，得到所述梗死区分割模型对应的模板图像。
具体地，获取到所述模板图像后，可以基于所述模板图像，分别勾画以下8个颅内动脉的供血区域：a）左侧大脑前动脉（Anterior Cerebral Artery，ACA）；b）右侧ACA；c）左侧大脑中动脉（Middle Cerebral Artery，MCA）；d）右侧MCA；e）左侧大脑后动脉（PosteriorCerebral Artery，PCA）；f）右侧PCA；g）左侧基底动脉（Basilar Artery，BA）；h）右侧BA，最后得到对应的供血区域地图。
需要说明的是，在所述目标计算机断层扫描图像为CTA图像或者CTP图像的情况下，构建所述模板图像和所述供血区域地图的方法，与在所述目标计算机断层扫描图像为NCCT图像的情况类似，本发明实施例在此不再赘述。
本发明实施例中，可以将获取到的目标计算机断层扫描图像与所述低密度梗死区分割图像对应的模版图像进行非刚性配准，得到配准完成后的配准变换参数；再根据所述配准变换参数将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像。
具体地，可以将得到的配准变换参数应用至所述低密度梗死区分割图像，即可以得到配准至模版图像空间的低密度梗死区分割图像。
需要说明的是，进行非刚性配准的方法可以参考现有技术，本发明实施例在此不再赘述。
S250：将所述模板图像空间的低密度梗死区分割图像映射至所述模板图像对应的供血区域地图，以得到所述低密度梗死区分割图像中低密度梗死区的区域分布信息。
本发明实施例中，将所述模板图像空间的低密度梗死区分割图像映射至所述模板图像对应的供血区域地图，即可得到所述低密度梗死区分割图像中的低密度梗死区在所述目标脑部组织的左右半球及各供血区域的分布信息。
在一个可能的实施例中，可以根据所述区域分布信息计算得到所述低密度梗死区的体积，以及所述低密度梗死区在所述目标脑部组织的左右侧大脑半球及颅内双侧各供血区域的占比，以供医生进行查阅，以及时指导采取措施。
示例性地，如图3所示，可以根据低密度梗死区的区域分布信息计算得到低密度梗死区的体积为13.5ml，均位于所述目标脑部组织的左侧大脑半球，在左侧大脑前动脉占比9.6%，在左侧大脑中动脉占比90.4%。
可以理解，通过构建所述梗死区分割模型对应的模板图像以及供血区域地图，能够自动地对低密度梗死区分割结果按照左右侧大脑半球及左右侧颅内动脉供血区域（包括左右侧大脑前动脉、左右侧大脑中动脉、左右侧大脑后动脉以及左右侧基底动脉）进行定量分析统计，实现对低密度梗死区分割结果更为精确细致的量化统计分析，得到丰富的定量分析结果。
参考说明书附图6，其示出了本发明一个实施例提供的低密度梗死区分析方法的流程，该方法可以应用于图1中的计算机设备120中，具体的如图6所示，所述方法可以包括以下步骤：
S610：获取目标脑部组织的低密度梗死区分割图像，所述低密度梗死区分割图像基于梗死区分割模型确定。
本发明实施例中，所述低密度梗死区分割图像可以采用图2所示实施例提供的低密度梗死区分割方法得到，也可以采用其他基于梗死区分割模型的低密度梗死区分割方法得到，本发明实施例对此不作限制。
S620：确定所述梗死区分割模型对应的模板图像，以及所述模板图像对应的供血区域地图，所述模板图像基于训练所述梗死区分割模型的训练图像数据集确定。
在一个可能的实施例中，在执行所述步骤S620之前，所述方法还可以包括以下步骤：
确定训练所述梗死区分割模型的训练图像数据集；
根据所述训练图像数据集构建所述梗死区分割模型对应的模板图像；
基于所述模板图像生成与之对应的供血区域地图。
具体地，构建所述梗死区分割模型对应的模板图像以及所述供血区域地图的方法可以参考图5所示实施例中的相关内容，本发明实施例在此不再赘述。
需要说明的是，当所述梗死区分割模型的训练图像数据集仅包括一种类型的图像数据时，可以直接使用开源工具，基于所述训练图像数据集中的各个训练图像数据生成对应的模版图像。
S630：基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像。
在一个可能的实施例中，所述基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像可以包括：
获取生成所述低密度梗死区分割图像的所述目标脑部组织的目标图像数据；
将所述目标图像数据与所述模板图像进行非刚性配准，得到配准完成后的配准变换参数；
根据所述配准变换参数将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像。
S640：将所述模板图像空间的低密度梗死区分割图像映射至所述供血区域地图，以得到所述低密度梗死区分割图像中低密度梗死区的区域分布信息。
具体地，所述步骤S630和步骤S640中的具体内容可以参考图5所示实施例中的相关内容，本发明实施例在此不再赘述。
综上所述，根据本发明实施例的低密度梗死区分析方法，通过构建所述梗死区分割模型对应的模板图像以及供血区域地图，能够自动地对低密度梗死区分割结果按照左右侧大脑半球及左右侧颅内动脉供血区域（包括左右侧大脑前动脉、左右侧大脑中动脉、左右侧大脑后动脉以及左右侧基底动脉）进行定量分析统计，实现对低密度梗死区分割结果更为精确细致的量化统计分析，得到丰富的定量分析结果。
参考说明书附图7，其示出了本发明一个实施例提供的一种低密度梗死区分割装置700的结构。如图7所示，所述装置700可以包括：
第一获取模块710，用于获取目标脑部组织的目标计算机断层扫描图像；
分割模块720，用于将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理，所述梗死区分割模型基于计算机断层扫描图像数据集对预设的图像分割网络进行深度学习训练得到，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；
第二获取模块730，用于获取所述梗死区分割模型输出的所述目标脑部组织的低密度梗死区分割图像。
在一个可能的实施例中，所述装置700还可以包括：
预处理模块，用于对所述目标计算机断层扫描图像进行预处理操作，得到预处理后的目标计算机断层扫描图像；
其中，所述预处理操作包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作；
相应地，所述分割模块720具体用于：将所述预处理后的目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理。
在一个可能的实施例中，所述装置700还可以包括：
后处理模块，用于对所述目标脑部组织的低密度梗死区分割图像进行后处理操作，得到后处理后的低密度梗死区分割图像；
其中，所述后处理操作包括空洞填充操作和/或连通性分析操作。
在一个可能的实施例中，所述装置700还可以包括模型训练模块，用于预先训练所述梗死区分割模型；所述模型训练模块可以包括：
获取单元，用于获取计算机断层扫描图像数据集，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；
标注单元，用于分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行低密度梗死区标注，得到对应的低密度梗死区标注结果；
训练单元，用于基于所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据及其对应的低密度梗死区标注结果，对预设的图像分割网络进行深度学习训练，得到所述梗死区分割模型。
参考说明书附图8，其示出了本发明一个实施例提供的一种低密度梗死区分析装置800的结构。如图8所示，所述装置800可以包括：
第三获取模块810，用于获取目标脑部组织的低密度梗死区分割图像，所述低密度梗死区分割图像基于梗死区分割模型确定；
第一确定模块820，用于确定所述梗死区分割模型对应的模板图像，以及所述模板图像对应的供血区域地图，所述模板图像基于训练所述梗死区分割模型的训练图像数据集确定；
配准模块830，用于基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像；
映射模块840，用于将所述模板图像空间的低密度梗死区分割图像映射至所述供血区域地图，以得到所述低密度梗死区分割图像中低密度梗死区的区域分布信息。
在一个可能的实施例中，所述装置800还可以包括：
第二确定模块，用于确定训练所述梗死区分割模型的训练图像数据集；
构建模块，用于根据所述训练图像数据集构建所述梗死区分割模型对应的模板图像；
生成模块，用于基于所述模板图像生成与之对应的供血区域地图。
本发明一个实施例还提供一种低密度梗死区分析系统，所述低密度梗死区分析系统可以包括如图7所示的低密度梗死区分割装置，以及如图8所示的低密度梗死区分析装置。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备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，上述实施例提供的装置与相应方法实施例属于同一构思，其具体实现过程详见对应方法实施例，这里不再赘述。
本发明一个实施例还提供了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的低密度梗死区分割方法或者低密度梗死区分析方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，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。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
在一个具体的实施例中，图9示出了一种用于实现本发明实施例所提供的低密度梗死区分割方法或者低密度梗死区分析方法的电子设备的硬件结构示意图，所述电子设备可以为计算机终端、移动终端或其它设备，所述电子设备还可以参与构成或包含本发明实施例所提供的低密度梗死区分割装置或者低密度梗死区分析装置。如图9所示，所述电子设备900可以包括一个或一个以上计算机可读存储介质的存储器910、一个或者一个以上处理核心的处理器920、输入单元930、显示单元940、射频（Radio Frequency，RF）电路950、无线保真（Wireless Fidelity，WiFi）模块960以及电源970等部件。本领域技术人员可以理解，图9中示出的电子设备结构并不构成对电子设备900的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
所述存储器910可用于存储软件程序以及模块，所述处理器920通过运行或执行存储在所述存储器910的软件程序以及模块，以及调用存储在存储器910内的数据，从而执行各种功能应用以及数据处理。所述存储器910可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据所述电子设备的使用所创建的数据等。此外，存储器910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。相应地，存储器910还可以包括存储器控制器，以提供处理器920对存储器910的访问。
所述处理器920是电子设备900的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器910内的软件程序和/或模块，以及调用存储在存储器910内的数据，执行电子设备900的各种功能和处理数据，从而对电子设备900进行整体监控。所述处理器920可以是中央处理器，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 IntegratedCircuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门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。
所述输入单元930可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元930可包括触敏表面931以及其他输入设备932。具体地，触敏表面931可以包括但不限于触感板或者触摸屏，其他输入设备932可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。
所述显示单元940可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元940可包括显示面板941，可选的，可以采用液晶显示器（Liquid CrystalDisplay，LCD）、有机发光二极管（Organic Light-Emitting Diode，OLED）等形式来配置显示面板941。
所述RF电路950可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器920处理；另外，将涉及上行的数据发送给基站。通常，RF电路950包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块（SIM）卡、收发信机、耦合器、低噪声放大器（Low Noise Amplifier，LNA）、双工器等。此外，RF电路950还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统（Global System of Mobilecommunication，GSM）、通用分组无线服务（General Packet Radio Service，GPRS）、码分多址（Code Division Multiple Access，CDMA）、宽带码分多址（Wideband Code DivisionMultiple Access，WCDMA）、长期演进（Long Term Evolution，LTE）、电子邮件、短消息服务（Short Messaging Service，SMS）等。
WiFi属于短距离无线传输技术，电子设备900通过WiFi模块960可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图9示出了WiFi模块960，但是可以理解的是，其并不属于电子设备900的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
所述电子设备900还包括给各个部件供电的电源970（比如电池），优选的，电源可以通过电源管理系统与处理器920逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源970还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
需要说明的是，尽管未示出，所述电子设备900还可以包括蓝牙模块等，在此不再赘述。
本发明一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可设置于电子设备之中以保存用于实现一种低密度梗死区分割方法或者一种低密度梗死区分析方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的低密度梗死区分割方法或者低密度梗死区分析方法。
可选地，在本发明实施例中，上述存储介质可以包括但不限于：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本发明一个实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现例中提供的低密度梗死区分割方法或者低密度梗死区分析方法。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (17)
1.一种低密度梗死区分割方法，其特征在于，包括：
获取目标脑部组织的目标计算机断层扫描图像；
将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理，所述梗死区分割模型基于计算机断层扫描图像数据集对预设的图像分割网络进行深度学习训练得到，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；
获取所述梗死区分割模型输出的所述目标脑部组织的低密度梗死区分割图像。
2.根据权利要求1所述的方法，其特征在于，所述目标计算机断层扫描图像包括非对比计算机断层扫描图像、计算机断层扫描灌注图像或者计算机断层扫描血管造影图像。
3.根据权利要求1所述的方法，其特征在于，所述将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：
将所述目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到第一低密度梗死区分割结果；
将所述目标计算机断层扫描图像进行翻转操作，得到翻转后的目标计算机断层扫描图像；其中，所述翻转操作包括前后翻转和/或左右翻转；
将所述翻转后的目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到第二低密度梗死区分割结果；
对所述第一低密度梗死区分割结果和所述第二低密度梗死区分割结果进行加权平均，得到所述目标脑部组织的低密度梗死区分割图像并输出。
4.根据权利要求1所述的方法，其特征在于，所述梗死区分割模型由多个不同的子分割模型组成；
所述将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：
将所述目标计算机断层扫描图像分别输入至各个所述子分割模型中进行分割处理，得到对应的第三低密度梗死区分割结果；
对各个所述子分割模型对应的第三低密度梗死区分割结果进行加权平均，得到所述目标脑部组织的低密度梗死区分割图像并输出。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述目标计算机断层扫描图像进行预处理操作，得到预处理后的目标计算机断层扫描图像；
其中，所述预处理操作包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作；
其中，将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：
将所述预处理后的目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述目标脑部组织的低密度梗死区分割图像进行后处理操作，得到后处理后的低密度梗死区分割图像；
其中，所述后处理操作包括空洞填充操作和/或连通性分析操作。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括预先训练所述梗死区分割模型，所述梗死区分割模型的训练过程包括：
获取计算机断层扫描图像数据集，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；
分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行低密度梗死区标注，得到对应的低密度梗死区标注结果；
基于所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据及其对应的低密度梗死区标注结果，对预设的图像分割网络进行深度学习训练，得到所述梗死区分割模型。
8.根据权利要求7所述的方法，其特征在于，所述梗死区分割模型的训练过程还包括：
分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行预处理操作，得到预处理后的计算机断层扫描图像数据；
其中，所述预处理操作包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作。
9.一种低密度梗死区分析方法，其特征在于，包括：
获取目标脑部组织的低密度梗死区分割图像，所述低密度梗死区分割图像基于梗死区分割模型确定；
确定所述梗死区分割模型对应的模板图像，以及所述模板图像对应的供血区域地图，所述模板图像基于训练所述梗死区分割模型的训练图像数据集确定；
基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像；
将所述模板图像空间的低密度梗死区分割图像映射至所述供血区域地图，以得到所述低密度梗死区分割图像中低密度梗死区的区域分布信息。
10.根据权利要求9所述的方法，其特征在于，所述基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像包括：
获取生成所述低密度梗死区分割图像的所述目标脑部组织的目标图像数据；
将所述目标图像数据与所述模板图像进行非刚性配准，得到配准完成后的配准变换参数；
根据所述配准变换参数将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像。
11.根据权利要求9所述的方法，其特征在于，所述方法还包括：
确定训练所述梗死区分割模型的训练图像数据集；
根据所述训练图像数据集构建所述梗死区分割模型对应的模板图像；
基于所述模板图像生成与之对应的供血区域地图。
12.根据权利要求9所述的方法，其特征在于，所述低密度梗死区分割图像采用权利要求1-8任意一项所述的低密度梗死区分割方法得到。
13.一种低密度梗死区分割装置，其特征在于，包括：
第一获取模块，用于获取目标脑部组织的目标计算机断层扫描图像；
分割模块，用于将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理，所述梗死区分割模型基于计算机断层扫描图像数据集对预设的图像分割网络进行深度学习训练得到，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；
第二获取模块，用于获取所述梗死区分割模型输出的所述目标脑部组织的低密度梗死区分割图像。
14.一种低密度梗死区分析装置，其特征在于，包括：
第三获取模块，用于获取目标脑部组织的低密度梗死区分割图像，所述低密度梗死区分割图像基于梗死区分割模型确定；
第一确定模块，用于确定所述梗死区分割模型对应的模板图像，以及所述模板图像对应的供血区域地图，所述模板图像基于训练所述梗死区分割模型的训练图像数据集确定；
配准模块，用于基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像；
映射模块，用于将所述模板图像空间的低密度梗死区分割图像映射至所述供血区域地图，以得到所述低密度梗死区分割图像中低密度梗死区的区域分布信息。
15.一种低密度梗死区分析系统，其特征在于，包括如权利要求13所述的低密度梗死区分割装置，以及如权利要求14所述的低密度梗死区分析装置。
16.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-8任意一项所述的低密度梗死区分割方法，或者实现如权利要求9-12任意一项所述的低密度梗死区分析方法。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-8任意一项所述的低密度梗死区分割方法，或者实现如权利要求9-12任意一项所述的低密度梗死区分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310017436.0A CN115908457B (zh) | 2023-01-06 | 2023-01-06 | 低密度梗死区分割方法、分析方法、装置、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310017436.0A CN115908457B (zh) | 2023-01-06 | 2023-01-06 | 低密度梗死区分割方法、分析方法、装置、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115908457A true CN115908457A (zh) | 2023-04-04 |
| CN115908457B CN115908457B (zh) | 2023-05-23 |
Family
ID=85744622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310017436.0A Active CN115908457B (zh) | 2023-01-06 | 2023-01-06 | 低密度梗死区分割方法、分析方法、装置、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115908457B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062952A (zh) * | 2018-10-16 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 肺部图像分割设备、方法及存储介质 |
| CN111127428A (zh) * | 2019-12-24 | 2020-05-08 | 强联智创（北京）科技有限公司 | 一种基于颅脑影像数据的目标区域的提取方法及系统 |
| CN111798463A (zh) * | 2020-06-30 | 2020-10-20 | 电子科技大学 | 一种头颈部ct图像中多器官自动分割方法 |
| 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 |
| CN113284151A (zh) * | 2021-06-07 | 2021-08-20 | 山东澳望德信息科技有限责任公司 | 一种基于深度卷积神经网络的胰腺分割方法及系统 |
| CN113538464A (zh) * | 2021-07-22 | 2021-10-22 | 脑玺(苏州)智能科技有限公司 | 脑部影像分割模型训练方法、分割方法及装置 |
| CN113808191A (zh) * | 2021-08-09 | 2021-12-17 | 邵志宇 | 急性缺血性脑卒中病灶区的自动量化及三维建模方法 |
| CN113989293A (zh) * | 2021-10-29 | 2022-01-28 | 上海商汤智能科技有限公司 | 图像分割方法及相关模型的训练方法和装置、设备 |
-
2023
- 2023-01-06 CN CN202310017436.0A patent/CN115908457B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062952A (zh) * | 2018-10-16 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 肺部图像分割设备、方法及存储介质 |
| CN111127428A (zh) * | 2019-12-24 | 2020-05-08 | 强联智创（北京）科技有限公司 | 一种基于颅脑影像数据的目标区域的提取方法及系统 |
| 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 |
| CN111798463A (zh) * | 2020-06-30 | 2020-10-20 | 电子科技大学 | 一种头颈部ct图像中多器官自动分割方法 |
| CN113284151A (zh) * | 2021-06-07 | 2021-08-20 | 山东澳望德信息科技有限责任公司 | 一种基于深度卷积神经网络的胰腺分割方法及系统 |
| CN113538464A (zh) * | 2021-07-22 | 2021-10-22 | 脑玺(苏州)智能科技有限公司 | 脑部影像分割模型训练方法、分割方法及装置 |
| CN113808191A (zh) * | 2021-08-09 | 2021-12-17 | 邵志宇 | 急性缺血性脑卒中病灶区的自动量化及三维建模方法 |
| CN113989293A (zh) * | 2021-10-29 | 2022-01-28 | 上海商汤智能科技有限公司 | 图像分割方法及相关模型的训练方法和装置、设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115908457B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220198775A1 (en) | Image processing method and apparatus, electronic device, storage medium and computer program | |
| CN110475505B (zh) | 利用全卷积网络的自动分割 | |
| CN112017198B (zh) | 基于自注意力机制多尺度特征的右心室分割方法及装置 | |
| KR101818074B1 (ko) | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 | |
| US20220222932A1 (en) | Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus | |
| Wang et al. | Smartphone-based wound assessment system for patients with diabetes | |
| US20220351370A1 (en) | Auxiliary pathological diagnosis method | |
| CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| CN113628207B (zh) | 一种图像区域分割方法、装置、设备及存储介质 | |
| CN110827236B (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
| CN110458835A (zh) | 一种图像处理方法、装置、设备及介质 | |
| CN109559295A (zh) | 图像分析系统、方法、计算机可读存储介质、及电子终端 | |
| CN114820602B (zh) | 一种缺血区分割方法、装置、设备及存储介质 | |
| CN113706560A (zh) | 一种缺血区分割方法、装置、设备及存储介质 | |
| CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
| CN110858399A (zh) | 用于提供虚拟断层扫描中风后续检测图像的方法和装置 | |
| Vang et al. | SynergyNet: a fusion framework for multiple sclerosis brain MRI segmentation with local refinement | |
| Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
| CN113901764A (zh) | 一种内容排版方法、装置、电子设备和存储介质 | |
| CN115908457B (zh) | 低密度梗死区分割方法、分析方法、装置、系统、设备及介质 | |
| CN114862823B (zh) | 区域分割方法及装置 | |
| CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
| CN113393445B (zh) | 乳腺癌影像确定方法及系统 | |
| CN115035133A (zh) | 一种模型训练方法、图像分割方法及相关装置 | |
| CN113408595B (zh) | 病理图像处理的方法、装置、电子设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |