CN115937087A - 脑灌注状态分类方法、装置、设备和存储介质 - Google Patents
脑灌注状态分类方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115937087A CN115937087A CN202211243065.XA CN202211243065A CN115937087A CN 115937087 A CN115937087 A CN 115937087A CN 202211243065 A CN202211243065 A CN 202211243065A CN 115937087 A CN115937087 A CN 115937087A
- Authority
- CN
- China
- Prior art keywords
- blood flow
- sub
- flow data
- segments
- data sequence
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请提供一种脑灌注状态分类方法、装置、设备和存储介质,包括:将获取到的颈部血流数据序列划分为多个子片段,各子片段包含的颈部血流数据的数量相同;提取所述多个子片段中相邻子片段之间的关联特征和所述多个子片段各自的局部特征;根据所述关联特征和所述局部特征,确定所述颈部血流数据序列的统计特征矩阵;根据所述颈部血流数据序列反映的生理特征参数,确定所述颈部血流数据序列的生理特征矩阵;将所述统计特征矩阵和所述生理特征矩阵输入训练好的分类模型,以得到多个脑区分别对应的脑灌注状态类别。本方案无需使用大型检查设备即可对脑灌注状态进行分类,拓展了脑灌注状态分类的应用场景。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种脑灌注状态分类方法、装置、设备和存储介质。
背景技术
脑灌注成像技术主要用于反映脑组织的血流灌注状态,简称脑灌注状态。相关技术中,多采用电子计算机断层扫描(Computed Tomography,CT)、核磁共振成像(MagneticResonance Imaging,MRI)等大型设备进行检查,然后根据检查结果进行脑血流及脑功能状态的评估。
但是,在一些特殊场景中,例如航天场景、户外急救场景等,既往的脑灌注状态评估方法操作时间长、操作便捷性欠佳,并不适用。
发明内容
本发明实施例提供一种脑灌注状态分类方法、装置、设备和存储介质,用以扩展脑灌注状态分类的应用场景。
第一方面,本发明实施例提供一种脑灌注状态分类方法,所述方法包括:
将获取到的颈部血流数据序列划分为多个子片段,各子片段包含的颈部血流数据的数量相同;
提取所述多个子片段中相邻子片段之间的关联特征和所述多个子片段各自的局部特征;
根据所述关联特征和所述局部特征,确定所述颈部血流数据序列的统计特征矩阵;
根据所述颈部血流数据序列反映的生理特征参数,确定所述颈部血流数据序列的生理特征矩阵;
将所述统计特征矩阵和所述生理特征矩阵输入训练好的分类模型,以得到多个脑区分别对应的脑灌注状态类别。
第二方面,本发明实施例提供一种脑灌注状态分类装置,所述装置包括:
处理模块,用于将获取到的颈部血流数据序列划分为多个子片段,各子片段包含的颈部血流数据的数量相同;提取所述多个子片段中相邻子片段之间的关联特征和所述多个子片段各自的局部特征;根据所述关联特征和所述局部特征,确定所述颈部血流数据序列的统计特征矩阵;根据所述颈部血流数据序列反映的生理特征参数,确定所述颈部血流数据序列的生理特征矩阵;
分类模块,用于将所述统计特征矩阵和所述生理特征矩阵输入训练好的分类模型,以得到多个脑区分别对应的脑灌注状态类别。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器、通信接口;其中,所述存储器上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如第一方面所述的脑灌注状态分类方法。
第四方面,本发明实施例提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器至少可以实现如第一方面所述的脑灌注状态分类方法。
本发明实施例中,首先,获取通过数据采集设备采集的颈部血流数据序列。然后,将获取到的颈部血流数据序列划分为多个子片段,各子片段包含的颈部血流数据的数量相同。之后,提取多个子片段中相邻子片段之间的关联特征和多个子片段各自的局部特征,并根据关联特征和局部特征,确定颈部血流数据序列的统计特征矩阵;根据颈部血流数据序列反映的生理特征参数,确定颈部血流数据序列的生理特征矩阵。最后,将统计特征矩阵和生理特征矩阵输入训练好的分类模型,以得到多个脑区分别对应的脑灌注状态类别。本实施例中,基于颈部血流数据序列和训练好的分类模型,能够在无需使用大型设备进行脑灌注成像的情况下,对多个脑区的脑灌注状态进行分类。由于颈部血流数据序列易于采集,因此,本实施例提供的脑灌注状态分类方法,能够有拓展脑灌注状态分类的应用场景,比如:航天场景、户外急救场景等。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1为本发明实施例提供的一种脑灌注状态分类方法的流程图;
图2为本发明实施例提供的一种脑灌注状态分类的场景示意图;
图3为本发明实施例提供的一种划分颈部血流数据序列的场景示意图;
图4为本发明实施例提供的一种分类模型训练方法的流程图;
图5为本发明实施例提供的一种脑灌注状态分类方法的应用示意图;
图6为本发明实施例提供的一种脑灌注状态分类装置的结构示意图;
图7为本实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作出创造性劳动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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“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,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
目前,多采用电子计算机断层扫描(CT)和核磁共振成像(MRI)等大型检查设备,进行脑灌注成像,通过尽可能的还原脑血管的实际情况,来辅助评估脑组织的血流灌注状态,即脑灌注状态。但是,这些检查设备往往操作复杂,需要由专门的技术人员来控制,且体积较大,只能安装于例如医院等固定场所中。
而实际应用中,往往存在一些特殊的需要进行脑灌注状态评估的应用场景。例如航天场景,在轨人员在执行任务时,会面临剧烈、非连续的重力场环境变化,而重力环境短期内的动态变化会造成人体脑灌注状态发生变化,为保证宇航员的安全和工作任务的顺利开展,需要及时评估宇航员在太空环境中的脑灌注状态。但是,由于太空舱内空间有限,导致无法通过上述大型检查设备对宇航员的脑灌注状态进行评估。再例如,在户外急救场景中,由于上述大型检查设备并不易于携带,因此,急救人员往往无法及时获知伤者的脑灌注状态,影响伤者的救治。
为解决上述至少一个技术问题,本发明实施例提供一种脑灌注状态分类方法,该方法可以由一电子设备来执行,该电子设备可以是服务器,也可以是用户终端,该服务器可以是云端的物理服务器或虚拟服务器(虚拟机)。
图1为本发明实施例提供的一种脑灌注状态分类方法的流程图,如图1所示,该方法包括如下步骤:
101、将获取到的颈部血流数据序列划分为多个子片段,各子片段包含的颈部血流数据的数量相同。
102、提取多个子片段中相邻子片段之间的关联特征和多个子片段各自的局部特征。
103、根据关联特征和局部特征,确定颈部血流数据序列的统计特征矩阵。
104、根据颈部血流数据序列反映的生理特征参数,确定颈部血流数据序列的生理特征矩阵。
105、将统计特征矩阵和生理特征矩阵输入训练好的分类模型,以得到多个脑区分别对应的脑灌注状态类别。
本实施例中,基于颈部血流数据序列和训练好的分类模型,能够在无需使用大型设备进行脑灌注成像的情况下,对多个脑区的脑灌注状态进行分类。
其中,脑灌注状态即脑组织的血流灌注状态。实际应用中,基于不同应用需求,脑灌注状态可分为多种类型。例如,脑灌注状态按照血流灌注情况分为脑血流量正常、脑血流量轻度偏高、脑血流量中高、脑血流量高、脑血流量轻度偏低、脑血流量中低、脑血流量低。再例如,脑灌注状态可以按照年龄段分为儿童脑灌注状态正常/异常、青年脑灌注状态正常/异常、老年脑灌注状态正常/异常。当然,还可根据性别、身体情况(如是否患有基础病等)等单一评价维度或多个评价维度细分为更多类型。
其中,分类模型可通过颈部血流数据和对应的脑灌注状态类别训练得到。本实施例中,脑灌注状态类别可通过动脉自旋标记示踪ASL数据确定,但不以此为限。
动脉自旋标记示踪(arterial spin labeling,简称ASL)是一种无需使用造影剂即可获得脑灌注成像的方法,其成像结果可以从不同角度反映脑组织的血流灌注信息。
由于分类模型训练过程与使用过程有相似之处,这里仅先描述基于颈部血流数据使用分类模型进行脑灌注状态分类的过程。
其中,上述分类模型比如可以采用:朴素贝叶斯、支持向量机、K近邻、逻辑回归、决策树和随机森林等模型结构,不以此为限。
为便于理解,结合图2对本发明实施例提供的脑灌注状态分类方法进行说明。图2为本发明实施例提供的一种脑灌注状态分类的场景示意图。
如图2所示,先获取用于进行脑灌注状态分类的颈部血流数据序列。其中,颈部血流数据序列中的数据按照采集时间,具有对应的时序。颈部血流数据序列可通过例如颈部多普勒超声等采集设备获取。相较于脑灌注成像技术使用的大型检查设备,颈部血流数据序列对应的采集设备体积更小,采集过程更便捷,能够在多种应用场景中使用。
之后,基于颈部血流数据序列,分别提取用于输入分类模型进行脑灌注状态分类的统计特征矩阵和生理特征矩阵。其中,统计特征矩阵用于反映颈部血流数据序列对应的数学统计特征,生理特征矩阵用于反映颈部血流数据序列对应的多种生理特征。
可选地,统计特征矩阵和生理特征矩阵的提取可集成于分类模型。本实施例,以统计特征矩阵和生理特征矩阵的提取独立于分类模型之外的情形为例,但不以此为限。
首先,对统计特征矩阵的提取过程进行说明。
如图2所示,先将获取到的颈部血流数据序列划分为n个子片段,n为大于1的整数。可选地,可通过预设的滑动窗口将颈部血流数据序列划分为多个子片段。其中,各子片段包含的颈部血流数据的数量等于滑动窗口覆盖的颈部血流数据的数量,子片段的数量与滑动窗口的大小和滑动步长匹配。
具体来说,若颈部血流数据序列中包含有m个颈部血流数据,滑动窗口覆盖的颈部血流数据的数量为M,滑动窗口的滑动步长为δ,则通过滑动窗口划分颈部血流数据序列,得到的子片段数量n可通过如下公式(1)表示:
其中,表示向下取整。例如,若(m-M)/δ+1=12.6,则n=12。在对颈部血流数据序列进行划分时,滑动窗口从颈部血流数据序列中的第一个颈部血流数据开始确定滑动窗口,并进行滑动,直至滑动窗口覆盖最后一个颈部血流数据。具体地,若滑动窗口覆盖的颈部血流数据的集合中包含颈部血流数据序列的最后一个颈部血流数据,则结束滑动。
为便于理解,举例来说。图3为本发明实施例提供的一种划分颈部血流数据序列的场景示意图。如图3所示,假设颈部血流数据序列包含有5个颈部血流数据,分别为x1,x2,x3,x4和x5,滑动窗口能够覆盖的颈部血流数据的数量为3,滑动窗口的滑动步长为1个数据,则可将颈部血流数据序列划分为3个子片段。滑动窗口在起始状态覆盖的颈部血流数据的集合为子片段1,包含x1,x2和x3;滑动窗口滑动1个步长后,覆盖的颈部血流数据的集合为子片段2,包含x2,x3和x4;之后,滑动窗口再滑动1个步长,得到子片段3,包含x3,x4和x5。
实际应用中,由于颈部血流数据为周期性数据,为了保证脑灌注状态分类结果的准确性,可选地,若单个周期对应的颈部血流数据的数量为k,则确定滑动窗口覆盖的颈部血流数据的数量M等于k的三分之一,即M=1/3k,滑动步长δ∈[1,k]。
为了便于表述,针对任一个子片段i,可将其对应的颈部血流数据集合Li描述为:
Li={x((i-1)δ+1),x((i-1)δ+2),x((i-1)δ+3),…,x((i-1)δ+M)}
其中,i=1,2,…,n。M为滑动窗口覆盖的颈部血流数据的数量,δ为滑动窗口的滑动步长,x((i-1)δ+1),…,x((i-1)δ+M)为集合Li中包含的颈部血流数据。
针对集合Li,以图3示意的情形为例,具体地,子片段1(即i=1),对应的颈部血流数据集合L1={x1,x2,x3};子片段2(即i=2),对应的颈部血流数据集合L2={x2,x3,x4};子片段3(即i=3),对应的颈部血流数据集合L3={x3,x4,x5}。
在将颈部血流数据序列划分为n个子片段之后,分别提取n个子片段中相邻子片段之间的关联特征,以及n个子片段各自的局部特征;进而,根据关联特征和局部特征,确定颈部血流数据序列的统计特征矩阵。
作为一种可选地确定相邻子片段之间的关联特征的方式,首先,确定第一子片段包含的颈部血流数据对应的第一向量以及第二子片段包含的颈部血流数据对应的第二向量;之后,根据第一向量和第二向量之间的关联度,确定第一子片段与第二子片段之间的关联特征。其中,第一子片段和第二子片段为n个子片段中任意两个相邻的子片段。
其中,第一向量和第二向量可通过相应子片段对应的颈部血流数据集合Li确定,比如,子片段1对应的向量l1通过颈部血流数据集合L1确定。
实际应用中,第一向量与第二向量之间的关联度,可通过如下公式(2)所示的关联度核函数计算得到:
其中,i=1,2,…,n-1,li表示第一向量,li+1表示第二向量,T表示转置。
可选地,将第一向量与第二向量对应的关联度核函数计算结果确定为第一子片段与第二子片段之间的关联特征。
举例来说,假设要确定子片段1和子片段2之间的关联特征,则先确定子片段1对应的向量l1(即第一向量),以及子片段2对应的向量l2(即第二向量);之后,将l1和l2代入公式(2),计算得到子片段1和子片段2之间的关联特征ker(1)。
以此类推,计算n个子片段中任意两个相邻子片段之间的关联特征。
本实施中,关联特征反映了相邻子片段之间的相似性,为保证脑灌注状态分类结果的准确性,进一步地,还考虑了每个子片段的局部特征。
可选地,提取n个子片段各自的局部特征,包括:根据n个子片段各自包含的颈部血流数据,确定n个子片段各自对应的裕度因子、脉冲因子、峭度因子、峰度因子和波形因子。
其中,裕度因子、脉冲因子、峭度因子、峰度因子和波形因子可统称为统计量,这些统计量是一种无量纲的统计特征,用于反映每个子片段中颈部血流数据的相应统计特性。
实际应用中,针对任一个子片段i,其对应的裕度因子cl(i)、脉冲因子imp(i)、峭度因子kurt(i)、峰度因子peak(i)和波形因子form(i)的计算公式如下:
裕度因子cl(i):
脉冲因子imp(i):
峭度因子kurt(i):
峰度因子peak(i):
波形因子form(i):
其中,表示子片段i中的第j个数据,表示子片段i中M个颈部血流数据的均值。比如,假设子片段1对应的颈部血流数据集合为L1={x1,x2,x3},则表示颈部血流数据x2,表示颈部血流数据x1,x2和x3的均值。
可选地,根据关联特征和局部特征,确定颈部血流数据序列的统计特征矩阵,包括:根据关联特征和局部特征,确定颈部血流数据序列的关联特征矩阵和局部特征矩阵;根据关联特征矩阵的最大值、最小值和方差,以及局部特征矩阵的最大值、最小值和方差,确定颈部血流数据序列的统计特征矩阵。
具体地,根据n个子片段中全部相邻子片段之间的关联特征ker(i),确定颈部血流数据序列的关联特征矩阵ker。根据n个子片段分别对应的裕度因子cl(i),确定裕度因子矩阵cl。根据n个子片段分别对应的脉冲因子imp(i),确定脉冲因子矩阵imp。根据n个子片段分别对应的峭度因子kurt(i),确定峭度因子矩阵kurt。根据n个子片段分别对应的峰度因子peak(i),确定峰度因子矩阵peak。根据n个子片段分别对应的波形因子form(i),确定波形因子矩阵form。
颈部血流数据序列的统计特征矩阵A,可描述为如下公式(8):
其中,max(),min()和var()分别表示取最大值、取最小值和计算方差运算。
以上为统计特征矩阵的提取过程,接下来,对生理特征矩阵的提取过程进行说明。
可选地,根据颈部血流数据序列反映的生理特征参数,确定颈部血流数据序列的生理特征矩阵,包括;
根据颈部血流数据序列,获取对应的收缩峰值血流速度、舒张末期血流速度和平均血流速度;
根据收缩峰值血流速度和舒张末期血流速度,确定阻力指数、搏动指数和收缩/舒张比值;
根据收缩峰值血流速度、舒张末期血流速度、平均血流速度、阻力指数、搏动指数和收缩/舒张比值,确定颈部血流数据序列的生理特征矩阵。
实际应用中,收缩峰值血流速度Vs和舒张末期血流速Vd可直接从颈部血流数据中提取得到。另外,还可以从颈部血流数据中直接提取采集各个颈部血流数据时对应的血流速度Vh。若单个周期对应的颈部血流数据的数量为k,则一个周期内对应能够获取到k个血流速度Vh。基于k个血流速度Vh,能够确定单个周期对应的平均血流速度Vm,其计算公式如下:
阻力指数RI、搏动指数PI和收缩/舒张比值S/D可基于Vs和Vd计算得到,其计算公式如下:
阻力指数RI:
RI=(Vs-Vd)/Vs (10)
搏动指数PI:
PI=(Vs-Vd)/Vm (11)
收缩/舒张比值S/D:
S/D=Vs/Vd (12)
颈部血流数据序列的生理特征矩阵B,可描述为如下公式(13):
最后,将颈部血流数据序列的统计特征矩阵A和生理特征矩阵B输入训练好的分类模型,以得到多个脑区分别对应的脑灌注状态类别。进一步地,医务人员基于多个脑区分别对应的脑灌注状态类别,确定目标对象的脑灌注状态进行综合评估。
综上,本发明实施例提供的方案中,基于颈部血流数据序列和训练好的分类模型,能够在无需使用大型设备进行脑灌注成像的情况下,对多个脑区的脑灌注状态进行分类。由于颈部血流数据序列易于采集,因此,本实施例提供的脑灌注状态分类方法,能够有拓展脑灌注状态分类的应用场景,比如:航天场景、户外急救场景等。
以上介绍了分类模型的使用过程,下面介绍下分类模型的训练过程。
图4为本发明实施例提供的一种分类模型训练方法的流程图,如图4中所示,可以包括如下步骤:
401、获取颈部血流数据序列训练样本和动脉自旋标记示踪ASL数据训练样本。
402、将颈部血流数据序列训练样本划分为多个样本子片段,以提取多个样本子片段中相邻样本子片段之间的样本关联特征和多个样本子片段各自的样本局部特征;其中,各样本子片段包含的颈部血流数据的数量相同。
403、根据样本关联特征和样本局部特征,确定颈部血流数据序列训练样本的样本统计特征矩阵。
404、根据颈部血流数据序列训练样本反映的生理特征参数,确定颈部血流数据序列训练样本的样本生理特征矩阵。
405、根据动脉自旋标记示踪ASL数据训练样本,确定多个脑区分别对应的脑灌注状态类别。
406、将多个脑区分别对应的脑灌注状态类别作为样本统计特征矩阵和样本生理特征矩阵的类别标签,训练分类模型。
其中,步骤402至步骤404的具体实施过程可参考前述实施例,在此不再赘述。
本实施例训练出的分类模型可以用于执行前述图1所示实施例提供的脑灌注状态分类方案。
为进行分类模型的训练,需要预先获得多组颈部血流数据序列训练样本和动脉自旋标记示踪ASL数据训练样本。其中,每组训练样本是针对于同一目标对象,在相同时间段内采集的,由此可以保证每组训练样本对应于相同的脑灌注状态。
实际应用中,通过核磁设备采集到动脉自旋标记示踪ASL数据训练样本后,先根据动脉自旋标记示踪ASL数据训练样本,生成脑血流量(Cerebral Blood Flow,简称CBF)图像。之后,对CBF图像进行例如头动校正,空间标准化和平滑等预处理,以便于减少实际采集操作产生的数据误差,获取更为准确的各个脑区的CBF值。
作为一种可选地实现方式,可基于预处理后的CBF图像,使用DPABI软件中的ROISignal Extractor模块提取CBF图像中的CBF值,并按照解剖自动标签(AnatomicalAutomatic Labeling,简称AAL)模板将大脑划分为116脑区,进而得到每个脑区的CBF值。
之后,基于预设的各个脑区分别对应的至少一个CBF阈值,确定各个脑区分别对应的脑灌注状态类别。其中,至少一个CBF阈值与脑灌注状态类别匹配。
举例来说,假设针对脑区a,设定了2个CBF阈值,分别为a和b,基于CBF图像确定的脑区a的实际CBF值为z。当z小于等于a时,确定脑区a的脑灌注状态类别为类别1,比如脑血流量偏低;当z大于a小于等于b时,确定脑区a的脑灌注状态类别为类别2,比如脑血流量正常;当z大于b时,确定脑区a的脑灌注状态类别为类别3,比如脑血流量偏高。
可选地,在将颈部血流数据序列训练样本划分为多个样本子片段之前,还包括对颈部血流数据序列训练样本进行去噪处理。
最后,将多个脑区分别对应的脑灌注状态类别作为样本统计特征矩阵和样本生理特征矩阵的类别标签,输入分类模型,并调整模型参数,直至基于颈部血流数据序列训练样本的样本统计特征矩阵和样本生理特征矩阵,输出的多个脑区的脑灌注状态类别与其对应的类别标签一致。
如前文所述,本发明实施例提供的脑灌注状态分类方法可以在云端来执行,在云端可以部署有若干计算节点(云服务器),每个计算节点中都具有计算、存储等处理资源。在云端,可以组织由多个计算节点来提供某种服务,当然,一个计算节点也可以提供一种或多种服务。云端提供该服务的方式可以是对外提供服务接口,用户调用该服务接口以使用相应的服务。服务接口包括软件开发工具包(Software Development Kit,简称SDK)、应用程序接口(Application Programming Interface,简称API)等形式。
针对本发明实施例提供的方案,云端可以提供有脑灌注状态分类服务的服务接口,用户通过用户设备调用该服务接口,以向云端触发脑灌注状态分类请求,该请求中包括颈部血流数据序列。云端确定响应该请求的计算节点,利用该计算节点中的处理资源执行如下步骤:
将获取到的颈部血流数据序列划分为多个子片段,各子片段包含的颈部血流数据的数量相同;
提取所述多个子片段中相邻子片段之间的关联特征和所述多个子片段各自的局部特征;
根据所述关联特征和所述局部特征,确定所述颈部血流数据序列的统计特征矩阵;
根据所述颈部血流数据序列反映的生理特征参数,确定所述颈部血流数据序列的生理特征矩阵;
将所述统计特征矩阵和所述生理特征矩阵输入训练好的分类模型,以得到多个脑区分别对应的脑灌注状态类别。
上述执行过程可以参考前述其他实施例中的相关说明,在此不赘述。
为便于理解,结合图5来示例性说明。用户可以通过图5中示意的用户设备E1调用脑灌注状态分类服务接口,其中,脑灌注状态分类服务接口包括SDK接口、API接口等形式,图5中示意的为API接口,通过该API接口上传包含颈部血流数据序列的服务请求。在云端,如图中所示,假设由服务集群E2提供脑灌注状态分类服务,服务集群E2中包括至少一个计算节点。服务集群E2收到该请求后,执行前述实施例中所述的步骤,以得到多个脑区分别对应的脑灌注状态类别,并将多个脑区分别对应的脑灌注状态类别发送给用户设备E1。用户设备E1显示该多个脑区分别对应的脑灌注状态类别,用户可以在此基础上进行进一步的编辑等操作。
以下将详细描述本发明的一个或多个实施例的脑灌注状态分类装置。本领域技术人员可以理解,这些装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
图6为本发明实施例提供的一种脑灌注状态分类装置的结构示意图,如图6所示,该装置包括:处理模块11、分类模块12。
处理模块11,用于将获取到的颈部血流数据序列划分为多个子片段,各子片段包含的颈部血流数据的数量相同;提取所述多个子片段中相邻子片段之间的关联特征和所述多个子片段各自的局部特征;根据所述关联特征和所述局部特征,确定所述颈部血流数据序列的统计特征矩阵;根据所述颈部血流数据序列反映的生理特征参数,确定所述颈部血流数据序列的生理特征矩阵。
分类模块12,用于将所述统计特征矩阵和所述生理特征矩阵输入训练好的分类模型,以得到多个脑区分别对应的脑灌注状态类别。
可选地,所述处理模块11,具体用于通过预设的滑动窗口将所述颈部血流数据序列划分为多个子片段;各子片段包含的颈部血流数据的数量等于所述滑动窗口覆盖的颈部血流数据的数量,子片段的数量与所述滑动窗口的大小和滑动步长匹配。
可选地,所述处理模块11,还具体用于确定第一子片段包含的颈部血流数据对应的第一向量以及第二子片段包含的颈部血流数据对应的第二向量,所述第一子片段和所述第二子片段为所述多个子片段中任意两个相邻的子片段;根据所述第一向量和所述第二向量之间的关联度,确定所述第一子片段与所述第二子片段之间的关联特征。
可选地,所述处理模块11,还具体用于根据所述多个子片段各自包含的颈部血流数据,确定所述多个子片段各自对应的裕度因子、脉冲因子、峭度因子、峰度因子和波形因子。
可选地,所述处理模块11,还具体用于根据所述关联特征和所述局部特征,确定所述颈部血流数据序列的关联特征矩阵和局部特征矩阵;根据所述关联特征矩阵的最大值、最小值和方差,以及所述局部特征矩阵的最大值、最小值和方差,确定所述颈部血流数据序列的统计特征矩阵。
可选地,所述处理模块11,还具体用于根据所述颈部血流数据序列,获取对应的收缩峰值血流速度、舒张末期血流速和平均血流速度;根据所述收缩峰值血流速度和所述舒张末期血流速,确定阻力指数、搏动指数和收缩/舒张比值;根据所述收缩峰值血流速度、舒张末期血流速、平均血流速度、阻力指数、搏动指数和收缩/舒张比值,确定所述颈部血流数据序列的生理特征矩阵。
可选地,所述处理模块11,还具体用于获取颈部血流数据序列训练样本和动脉自旋标记示踪ASL数据训练样本;将所述颈部血流数据序列训练样本划分为多个样本子片段,以提取所述多个样本子片段中相邻样本子片段之间的样本关联特征和所述多个样本子片段各自的样本局部特征;其中,各样本子片段包含的颈部血流数据的数量相同;根据所述样本关联特征和所述样本局部特征,确定所述颈部血流数据序列训练样本的样本统计特征矩阵;根据所述颈部血流数据序列训练样本反映的生理特征参数,确定所述颈部血流数据序列训练样本的样本生理特征矩阵;根据所述动脉自旋标记示踪ASL数据训练样本,确定所述多个脑区分别对应的脑灌注状态类别。
所述脑灌注状态分类装置还包括模型训练模块,用于将所述多个脑区分别对应的脑灌注状态类别作为所述样本统计特征矩阵和所述样本生理特征矩阵的类别标签,训练所述分类模型。
图6所示装置可以执行前述实施例中的步骤,详细的执行过程和技术效果参见前述实施例中的描述,在此不再赘述。
在一个可能的设计中,上述图6所示脑灌注状态分类装置的结构可实现为一电子设备。如图7所示,该电子设备可以包括:处理器21、存储器22、通信接口23。其中,存储器22上存储有可执行代码,当所述可执行代码被处理器21执行时,使处理器21至少可以实现如前述实施例中提供的脑灌注状态分类方法。
另外,本发明实施例提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器至少可以实现如前述实施例中提供的脑灌注状态分类方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种脑灌注状态分类方法,其特征在于,包括:
将获取到的颈部血流数据序列划分为多个子片段,各子片段包含的颈部血流数据的数量相同;
提取所述多个子片段中相邻子片段之间的关联特征和所述多个子片段各自的局部特征;
根据所述关联特征和所述局部特征,确定所述颈部血流数据序列的统计特征矩阵;
根据所述颈部血流数据序列反映的生理特征参数,确定所述颈部血流数据序列的生理特征矩阵;
将所述统计特征矩阵和所述生理特征矩阵输入训练好的分类模型,以得到多个脑区分别对应的脑灌注状态类别。
2.根据权利要求1所述的方法,其特征在于,所述将获取到的颈部血流数据序列划分为多个子片段,包括:
通过预设的滑动窗口将所述颈部血流数据序列划分为多个子片段;各子片段包含的颈部血流数据的数量等于所述滑动窗口覆盖的颈部血流数据的数量,子片段的数量与所述滑动窗口的大小和滑动步长匹配。
3.根据权利要求1所述的方法,其特征在于,所述提取所述多个子片段中相邻子片段之间的关联特征,包括:
确定第一子片段包含的颈部血流数据对应的第一向量以及第二子片段包含的颈部血流数据对应的第二向量,所述第一子片段和所述第二子片段为所述多个子片段中任意两个相邻的子片段;
根据所述第一向量和所述第二向量之间的关联度,确定所述第一子片段与所述第二子片段之间的关联特征。
4.根据权利要求1所述的方法,其特征在于,所述提取所述多个子片段各自的局部特征,包括:
根据所述多个子片段各自包含的颈部血流数据,确定所述多个子片段各自对应的裕度因子、脉冲因子、峭度因子、峰度因子和波形因子。
5.根据权利要求1所述的方法,其特征在于,所述根据所述关联特征和所述局部特征,确定所述颈部血流数据序列的统计特征矩阵,包括:
根据所述关联特征和所述局部特征,确定所述颈部血流数据序列的关联特征矩阵和局部特征矩阵;
根据所述关联特征矩阵的最大值、最小值和方差,以及所述局部特征矩阵的最大值、最小值和方差,确定所述颈部血流数据序列的统计特征矩阵。
6.根据权利要求1所述的方法,其特征在于,所述根据所述颈部血流数据序列反映的生理特征参数,确定所述颈部血流数据序列的生理特征矩阵,包括;
根据所述颈部血流数据序列,获取对应的收缩峰值血流速度、舒张末期血流速度和平均血流速度;
根据所述收缩峰值血流速度和所述舒张末期血流速度,确定阻力指数、搏动指数和收缩/舒张比值;
根据所述收缩峰值血流速度、舒张末期血流速度、平均血流速度、阻力指数、搏动指数和收缩/舒张比值,确定所述颈部血流数据序列的生理特征矩阵。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述分类模型的训练过程,包括:
获取颈部血流数据序列训练样本和动脉自旋标记示踪ASL数据训练样本;
将所述颈部血流数据序列训练样本划分为多个样本子片段,以提取所述多个样本子片段中相邻样本子片段之间的样本关联特征和所述多个样本子片段各自的样本局部特征;其中,各样本子片段包含的颈部血流数据的数量相同;
根据所述样本关联特征和所述样本局部特征,确定所述颈部血流数据序列训练样本的样本统计特征矩阵;
根据所述颈部血流数据序列训练样本反映的生理特征参数,确定所述颈部血流数据序列训练样本的样本生理特征矩阵;
根据所述动脉自旋标记示踪ASL数据训练样本,确定所述多个脑区分别对应的脑灌注状态类别;
将所述多个脑区分别对应的脑灌注状态类别作为所述样本统计特征矩阵和所述样本生理特征矩阵的类别标签,训练所述分类模型。
8.一种脑灌注状态分类装置,其特征在于,包括:
处理模块,用于将获取到的颈部血流数据序列划分为多个子片段,各子片段包含的颈部血流数据的数量相同;提取所述多个子片段中相邻子片段之间的关联特征和所述多个子片段各自的局部特征;根据所述关联特征和所述局部特征,确定所述颈部血流数据序列的统计特征矩阵;根据所述颈部血流数据序列反映的生理特征参数,确定所述颈部血流数据序列的生理特征矩阵;
分类模块,用于将所述统计特征矩阵和所述生理特征矩阵输入训练好的分类模型,以得到多个脑区分别对应的脑灌注状态类别。
9.一种电子设备,其特征在于,包括:存储器、处理器、通信接口;其中,所述存储器上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至7中任一项所述的脑灌注状态分类方法。
10.一种非暂时性机器可读存储介质,其特征在于,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至7中任一项所述的脑灌注状态分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243065.XA CN115937087B (zh) | 2022-10-11 | 2022-10-11 | 脑灌注状态分类方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243065.XA CN115937087B (zh) | 2022-10-11 | 2022-10-11 | 脑灌注状态分类方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937087A true CN115937087A (zh) | 2023-04-07 |
CN115937087B CN115937087B (zh) | 2023-06-23 |
Family
ID=86553042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211243065.XA Active CN115937087B (zh) | 2022-10-11 | 2022-10-11 | 脑灌注状态分类方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937087B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130131507A1 (en) * | 2011-11-23 | 2013-05-23 | Pascal Salazar-Ferrer | Synthetic visualization and quantification of perfusion-related tissue viability |
CN109770903A (zh) * | 2018-12-29 | 2019-05-21 | 中国科学院自动化研究所 | 功能磁共振影像的分类预测方法、系统、装置 |
CN113034440A (zh) * | 2021-03-03 | 2021-06-25 | 数坤(北京)网络科技有限公司 | 一种基于ctp脑灌注影像数据的梗死分类方法及系统 |
CN113569984A (zh) * | 2021-08-17 | 2021-10-29 | 首都医科大学附属北京友谊医院 | 脑灌注状态分类装置、方法、设备及存储介质 |
CN114533121A (zh) * | 2022-02-18 | 2022-05-27 | 首都医科大学附属北京友谊医院 | 脑灌注状态预测装置、方法、设备及模型训练装置 |
CA3159991A1 (en) * | 2021-08-17 | 2022-09-26 | Zhenchang Wang | Cerebral perfusion state classification apparatus, method and device, and model training apparatus |
-
2022
- 2022-10-11 CN CN202211243065.XA patent/CN115937087B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130131507A1 (en) * | 2011-11-23 | 2013-05-23 | Pascal Salazar-Ferrer | Synthetic visualization and quantification of perfusion-related tissue viability |
CN109770903A (zh) * | 2018-12-29 | 2019-05-21 | 中国科学院自动化研究所 | 功能磁共振影像的分类预测方法、系统、装置 |
CN113034440A (zh) * | 2021-03-03 | 2021-06-25 | 数坤(北京)网络科技有限公司 | 一种基于ctp脑灌注影像数据的梗死分类方法及系统 |
CN113569984A (zh) * | 2021-08-17 | 2021-10-29 | 首都医科大学附属北京友谊医院 | 脑灌注状态分类装置、方法、设备及存储介质 |
CA3159991A1 (en) * | 2021-08-17 | 2022-09-26 | Zhenchang Wang | Cerebral perfusion state classification apparatus, method and device, and model training apparatus |
CA3159995A1 (en) * | 2021-08-17 | 2022-09-27 | Beijing Friendship Hospital, Capital Medical University | Cerebral perfusion state classification apparatus and method, device, and storage medium |
CN114533121A (zh) * | 2022-02-18 | 2022-05-27 | 首都医科大学附属北京友谊医院 | 脑灌注状态预测装置、方法、设备及模型训练装置 |
Non-Patent Citations (2)
Title |
---|
WANG H等: "Cerebral blood flow alterations in high myopia: an arterial spin labeling study", 《NEURAL PLASTICITY》, pages 1 - 8 * |
张慧勤;李明利;: "动脉自旋标记磁共振灌注技术在脑血管病中的应用进展", 磁共振成像, no. 12, pages 61 - 67 * |
Also Published As
Publication number | Publication date |
---|---|
CN115937087B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11443428B2 (en) | Systems and methods for probablistic segmentation in anatomical image processing | |
JP6703082B2 (ja) | 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体 | |
CN107133946B (zh) | 医学图像处理方法、装置及设备 | |
US10980502B2 (en) | Method, storage medium, and system for analyzing image sequences of periodic physiological activities | |
CN111178420B (zh) | 一种二维造影图像上冠脉段标注方法及系统 | |
CN111275755B (zh) | 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备 | |
CN110717487A (zh) | 用于识别脑血管异常的方法和系统 | |
KR101929412B1 (ko) | 영상 데이터베이스 기반 2차원 x-선 영상 및 3차원 ct 영상의 실시간 정합 방법 및 그 장치 | |
CN111128369A (zh) | 一种用于评估患者的帕金森病情的方法和装置 | |
CN110598288B (zh) | 一种用于冠脉三维模型的边界条件处理方法和装置 | |
Marin et al. | Numerical surrogates for human observers in myocardial motion evaluation from SPECT images | |
CN111523593A (zh) | 用于分析医学影像的方法和装置 | |
CN115937087B (zh) | 脑灌注状态分类方法、装置、设备和存储介质 | |
CN116486211A (zh) | 一种模型训练方法、血流储备分数计算方法、装置及设备 | |
Nasimov et al. | Deep Learning Algorithm for Classifying Dilated Cardiomyopathy and Hypertrophic Cardiomyopathy in Transport Workers | |
Mehta et al. | Heart Disease Diagnosis using Deep Learning | |
CN116779135A (zh) | 用于计算血液储备分数的方法、装置、计算设备及介质 | |
Liu et al. | Multislice left ventricular ejection fraction prediction from cardiac MRIs without segmentation using shared SptDenNet | |
CN112365492A (zh) | 图像扫描方法、装置、电子设备和存储介质 | |
US11786202B2 (en) | Method, system, and medium for analyzing image sequence of periodic physiological activity | |
CN112885435A (zh) | 图像目标区域的确定方法、装置和系统 | |
CN115171204B (zh) | 对预测视网膜年龄的预测模型进行训练的方法和相关产品 | |
CN116077093A (zh) | 一种基于超声心动图的早期心梗检测装置、方法及介质 | |
CN110009604B (zh) | 造影图像序列的呼吸信号提取方法及装置 | |
De Marco et al. | AI-based solutions for the analysis of biomedical images and signals |
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 |