CN115937139A - 灌注参数定量计算方法、设备及存储介质 - Google Patents
灌注参数定量计算方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115937139A CN115937139A CN202211566189.1A CN202211566189A CN115937139A CN 115937139 A CN115937139 A CN 115937139A CN 202211566189 A CN202211566189 A CN 202211566189A CN 115937139 A CN115937139 A CN 115937139A
- Authority
- CN
- China
- Prior art keywords
- image
- perfusion
- medical
- input image
- tissue
- 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
本申请提供了一种灌注参数定量计算方法、设备及存储介质,灌注参数定量计算方法包括:获取医学灌注图像集合,医学灌注图像集合包括多个不同期相的医学灌注图像;基于医学灌注图像集合,获取血管输入图像和组织输入图像;将血管输入图像和组织输入图像输入灌注模型,以得到灌注参数定量信息。本申请将基于医学灌注图像集合得到的血管输入图像和组织输入图像一次输入灌注模型,获得所有像素点的灌注参数,提高了灌注参数定量计算的效率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及灌注参数定量计算方法、设备及存储介质。
背景技术
灌注是现代医学中常用的动态增强扫描检查方法,可以对医学灌注图像进行处理,以获取灌注参数。相关的从医学灌注图像中获取灌注参数的方式主要是:通过最小二乘法等迭代优化方式求解脉冲响应函数,再通过脉冲响应函数计算灌注参数数据。
但上述过程中,每次只能计算出医学灌注图像的一个像素点的灌注参数,用户获取多个像素点灌注参数时的效率不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够高效率获取灌注参数定量信息的灌注参数定量计算方法、计算机设备及计算机可读存储介质。
第一方面,本申请提供了一种灌注参数定量计算方法,所述方法包括:
获取医学灌注图像集合,所述医学灌注图像集合包括多个不同期相的医学灌注图像;
基于所述医学灌注图像集合,获取血管输入图像和组织输入图像;
将所述血管输入图像和所述组织输入图像输入灌注模型,以得到灌注参数定量信息。
在一些可选的实施例中,获取所述血管输入图像的过程包括:
基于所述医学灌注图像集合中的每个所述医学灌注图像,获取所述医学灌注图像集合对应的血管密度曲线;
根据每个所述医学灌注图像的采集时间,对所述血管密度曲线进行插值处理,获取所述血管输入图像。
在一些可选的实施例中,获取所述血管密度曲线的过程包括:
针对每个所述医学灌注图像,基于所述医学灌注图像的血管区域,获取所述医学灌注图像的第一图像值;
获取所述医学灌注图像的第一基值,所述第一基值是多个造影剂未流入的医学灌注图像的感兴趣区域所对应的图像值的平均值;
基于所述第一基值和所述第一图像值确定所述血管密度曲线的纵坐标,基于所述医学灌注图像的采集时间确定所述血管密度曲线的横坐标。
在一些可选的实施例中,所述基于所述医学灌注图像的血管区域,获取所述医学灌注图像的第一图像值,包括:
对所述医学灌注图像进行分割,以得到所述医学灌注图像的血管区域;
基于所述血管区域,获取所述医学灌注图像中的感兴趣区域,并将所述感兴趣区域对应的图像值作为所述第一图像值。
在一些可选的实施例中,获取所述组织输入图像的过程包括:
对所述医学灌注图像集合内的多个所述医学灌注图像进行配准,以获取多个配准图像;
基于多个所述配准图像,获取所述医学灌注图像集合对应的组织输入图像。
在一些可选的实施例中,所述基于多个所述配准图像,获取所述医学灌注图像集合对应的组织输入图像包括:
获取所述配准图像的每个像素点对应的组织密度曲线;
基于所有像素点的组织密度曲线,获取所述组织输入图像。
在一些可选的实施例中,获取每个所述像素点对应的组织密度曲线的过程包括:
针对每个所述配准图像,获取所述配准图像中所述像素点对应的第二图像值;
获取所述配准图像中所述像素点对应的第二基值,所述第二基值是多个造影剂未流入的配准图像所对应的图像值的平均值;
基于所述第二基值和所述第二图像值确定所述组织密度曲线的纵坐标,基于所述配准图像的采集时间确定所述组织密度曲线的横坐标。
在一些可选的实施例中,所述灌注模型的训练过程包括:
获取样本血管输入图像和随机生成的灌注参数图像;
获取所述灌注参数图像对应的脉冲响应函数;
利用所述样本血管输入图像与每个所述脉冲响应函数进行卷积操作,获得样本组织输入图像;
将所述样本血管输入图像和所述样本组织输入图像进行拼接后输入初始神经网络,以得到所述灌注参数图像的预测结果;
基于所述灌注参数图像及其预测结果,对所述初始神经网络的网络参数进行更新,以得到所述灌注模型。
第二方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项灌注参数定量计算方法的步骤。
第三方面,本申请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存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项灌注参数定量计算方法的步骤。
本申请提供的灌注参数定量计算方法、计算机设备及计算机可读存储介质,首先获取血管输入图像和组织输入图像,组织输入图像用于指示医学灌注图像上所有像素点的组织密度曲线,然后将血管输入图像和组织输入图像输入灌注模型,可以一次性完成所有像素点的灌注参数定量信息的获取。相比现有技术中每次只能计算医学灌注图像中一个像素点的灌注参数或每次只采集一个时间点的数据信息,本申请利用包括多个不同期相的医学灌注图像的医学灌注图像集合,(将血管输入图像和组织输入图像)一次输入图像输入灌注模型即可获得所有像素点的灌注参数定量信息,效率更高。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1是本申请实施例提供的一种灌注参数定量计算方法的流程示意图。
图2是本申请实施例提供的一种获取血管输入图像的流程示意图。
图3是本申请实施例提供的一种获取血管密度曲线的流程示意图。
图4是本申请实施例提供的一种获取第一图像值的流程示意图。
图5是本申请实施例提供的一种获取组织输入图像的流程示意图。
图6是本申请实施例提供的一种获取组织输入图像的流程示意图。
图7是本申请实施例提供的又一种获取组织输入图像的流程示意图。
图8是本申请实施例提供的一种训练灌注模型的流程示意图。
图9是本申请实施例提供的一种计算机设备的结构框图。
图10是本申请实施例提供的一种程序产品的结构框图。
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仅用以解释本申请,并不用于限定本申请。
灌注是现代医学中常用的动态增强扫描检查方法。灌注分析可用于定量描述组织的微血管分布情况及血流灌注的状态,可以借助CT(computed tomography,电子计算机断层扫描)、MRI(magnetic resonance imaging,磁共振成像)、SPE-CT(single photonemission computed tomography,单光子发射计算机断层扫描),PET(positron emissioncomputed tomography,正电子发射型计算机断层显像)等手段进行灌注分析。
例如,心肌灌注显像分析能够对冠心病、心肌缺血进行早期定性诊断、对缺血、梗死的范围、程度进行评估、对治疗前后心脏灌注的变化进行评价,此外还能对心室壁的运动和心室功能进行多参数评估。再例如脑灌注显像分析能够评估脑血流与脑代谢状态,可以对脑血管病原貌进行勾画,可用于评估脑缺血灶与侧支循环,并用于在脑卒中患者识别不同组织以区分不可逆损伤组织(即梗死核心)和潜在可逆损伤组织(即缺血半暗带),对治疗决策的制定提供有效参考。
灌注成像方式可以为向患者静脉注射造影剂,然后对选定感兴趣区域采集多个时间点的动态图像,以记录该组织中造影剂密度随时间的变化情况即时间密度曲线(Time-DensityCurve,TDC)。最后根据以上数据分析微循环的生理参数,主要包括血流量(BloodFlow,BF)、血容量(BloodVolume,BV)、平均通过时间(MeanTransitionTime,MTT)和达峰时间(TimeToPeak,TTP)等血流动力学参数。以CT图像为例说明,TDC分布特征可以是密度-时间曲线,该曲线的横坐标为时间,纵坐标为注射造影剂后增加的CT值,该增加的CT值反映的是造影剂在器官中的密度变化,进而间接反应组织器官内灌注量的变化。
基于此,为了提高得到灌注参数定量信息的效率,本申请提出一种灌注参数定量计算方法,下面将结合附图以及具体实施方式,具体地对本申请实施例的技术方案以及本申请实施例的技术方案如何解决上述技术问题进行详细说明,需要说明的是,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例,对于相同或相似的概念或过程可能在某些实施例中不再赘述。显然,所描述的实施例是本申请实施例一部分实施例,而不是全部的实施例。
在一个实施例中,参见图1,图1示出了本申请实施例提供的一种灌注参数定量计算方法的流程示意图。本实施例提供了一种灌注参数定量计算方法,以该方法应用于计算机设备为例进行说明,包括以下步骤:
步骤S101:获取医学灌注图像集合,所述医学灌注图像集合包括多个不同期相的医学灌注图像。
其中,医学灌注图像集合是指在造影剂灌注后的不同时间对同一扫描部位扫描所得的多个医学灌注图像,这些医学灌注图像可以构成造影剂随血液流动的时间序列图像。
进一步地,医学灌注图像可以是CT图像、MRI图像、SPE-CT图像、PET图像等模态的医学图像。本申请的实施例并不于此,也可以应用于其它类型的医学图像。
在此步骤中,可以通过对待测对象的待测部位进行扫描,以获得医学灌注图像集合;也可以是从服务器或云端获取预先存储的医学灌注图像集合;也可以是其他方式获得医学灌注图像集合,本实施例对医学灌注图像集合的获取源不作具体限定。
步骤S102:基于所述医学灌注图像集合,获取血管输入图像和组织输入图像。
其中,组织输入图像可以包括多个组织密度曲线,每个组织密度曲线对应医学灌注图像在组织器官中的一个像素点在时间维度上的灌注量的曲线特征,反映了组织内灌注量随时间变化的情况,组织密度曲线能间接体现了组织的血供情况,进而可以判断组织是否存在缺血等异常。
血管输入图像可以包括血管密度曲线,血管密度曲线用于指示多个不同期相的医学灌注图像在血管中的灌注量在时间维度上的曲线特征,反映了血管内灌注量随时间变化的情况。
步骤S103:将所述血管输入图像和所述组织输入图像输入灌注模型,以得到灌注参数定量信息。
其中,灌注参数定量信息可以用于指示血容量、血流量、达峰时间、组织渗透率和毛细血管容量等灌注参数的大小,灌注参数定量信息可以是用于指示上述一个或多个灌注参数的灌注参数图,灌注参数定量信息可作为用于帮助医生进行灌注部位的评价和诊断的中间结果。
可以理解的是,灌注模型是指能够利用输入的血管输入图像和组织输入图像,输出灌注参数定量信息的模型,其是对选定的初始神经网络训练得到的。当然,灌注模型还可以是经过多次调试而形成的函数模型,本实施例中对于灌注模型的形式并不做具体限制。本实施例可以预先对选定的初始神经网络进行训练,以使具体实施时,可以将血管输入图像和组织输入图像输入灌注模型,经过模型运算便可获得所有像素点的模型输出结果。
其中,将所述血管输入图像和所述组织输入图像输入灌注模型,可以包括:
将所述血管输入图像和所述组织输入图像进行拼接后输入所述深度神经网络。其中,这里的拼接可以指将已得到的血管输入图像和组织输入图像进行新的结构组合的过程。本申请对血管输入图像和组织输入图像的拼接过程不进行限制,例如,直接将血管输入图像和组织输入图像拼接;还例如,对血管输入图像和组织输入图像分别进行特征提取,将提取后的特征图像进行拼接。
其中,组织输入图像可以包括多个组织密度曲线,用于指示多个像素点在时间维度上的曲线特征。
作为一个示例,每个期相的医学灌注图像尺寸为Z×Y×X,获取到的组织输入图像的尺寸为T×Z×Y×X,血管密度曲线的尺寸为T×1,将血管密度曲线进行复制,复制后得到的血管输入图像的尺寸为T×Z×Y×X,将复制后的血管输入图像和组织输入图像进行拼接,并输入训练好的深度神经网络中,根据输出通道数目输出多个用于指示灌注参数定量信息的参数图。
本实施例中,首先获取血管输入图像和组织输入图像,组织输入图像用于指示医学灌注图像上所有像素点的组织密度曲线,然后将血管输入图像和组织输入图像输入灌注模型,可以一次性完成所有像素点的灌注参数定量信息的获取。相比现有技术中每次只能计算医学灌注图像中一个像素点的灌注参数或每次只采集一个时间点的数据信息,本申请利用包括多个不同期相的医学灌注图像的医学灌注图像集合,(将血管输入图像和组织输入图像)一次输入图像输入灌注模型即可获得所有像素点的灌注参数定量信息,效率更高。
基于上述实施例,对于高效率获取灌注参数定量信息,关键的是需要获取基于同一医学灌注图像集合的血管输入图像和组织输入图像。在一个实施例中,如图2所示,上述步骤S102中获取所述血管输入图像的过程,可以包括以下步骤:
步骤S201:基于所述医学灌注图像集合中的每个所述医学灌注图像,获取所述医学灌注图像集合对应的血管密度曲线。
其中,血管密度曲线用于指示血管内造影剂的密度变化,血管密度曲线的横坐标为医学灌注图像的采集时间,血管密度曲线的纵坐标为反应血管内造影剂密度(灌注量)变化的图像值。
作为一个示例,当医学灌注图像是CT图像时,血管密度曲线的纵坐标代表每个医学灌注图像分别对应的HU值,横坐标代表每个HU值对应的医学灌注图像的采集时间。
其中,HU值是Hounsfiled Unit的缩写,用于体现不同组织对X射线的吸收程度。
步骤S202:根据每个所述医学灌注图像的采集时间,对所述血管密度曲线进行插值处理,获取所述血管输入图像。
具体地,可以根据多个医学灌注图像的采集时间对血管密度曲线选择不同的插值方式。一般而言,多个医学灌注图像是按照等时间间隔采集的,可以采用等时间间隔插值的方式对血管密度曲线进行插值处理。
本实施例中,获取血管密度曲线,血管密度曲线可以指示医学灌注图像集合中所有医学灌注图像中血管内灌注量随时间维度的密度变化;一般而言,不同医院的医学灌注图像设备的采样时间间隔、期相数有一定差异,根据医学灌注图像的采集时间对血管密度曲线进行插值处理,可以让输入图像更加规范统一,有利于模型学习。
上述实施例对如何获取血管输入图像进行了说明,现以一个实施例对如何获取血管密度曲线进行说明。在一个实施例中,如图3所示,上述步骤S201中获取所述血管密度曲线的过程,可以包括以下步骤:
步骤S301:针对每个所述医学灌注图像,基于所述医学灌注图像的血管区域,获取所述医学灌注图像的第一图像值。
具体地,可以将医学灌注图像利用预设的分割神经网络模型进行分割,得到血管区域的分割图像;也可以通过提取算法得到医学灌注图像的血管区域。本申请对血管区域的获取方式不做限制。
可以理解为,将通过血管区域得到的第一图像值作为当前医学灌注图像对应的第一图像值。同理,基于医学灌注图像集合内的多个不同期相的医学灌注图像,可以得到多个不同采集时间的第一图像值。医学灌注图像集合内的多个医学灌注图像期相不同,即每个第一图像值对应的医学灌注图像的采集时间均不相同。
在一种可能的实现方式中,步骤S301的实现过程可以为:对所述医学灌注图像进行分割,以得到所述医学灌注图像的血管区域;基于所述血管区域,获取所述医学灌注图像中的感兴趣区域,并将所述感兴趣区域对应的图像值作为所述第一图像值。
其中,本申请对感兴趣区域的获取方法不做限制。例如,感兴趣区域的获取方法可以包括:基于预设算法确定血管区域的感兴趣区域;基于用户输入指令确定所述目标感兴趣区域,即将用户输入指令在血管区域上对应的区域作为感兴趣区域;基于预设算法获取若干候选感兴趣区域,并基于用户输入指令从若干候选感兴趣区域中确定血管区域的感兴趣区域;基于用户输入指令确定初始的感兴趣区域,并基于预设算法对初始感兴趣区域进行修正,得到的血管区域的感兴趣区域。
感兴趣区域的形状可以是规则的(例如圆形、长方形等),也可以是不规则的。
进一步地,用户在一个医学灌注图像对应的血管区域上选取感兴趣区域,感兴趣区域可以被同步至其他医学灌注图像,若用户在任一医学灌注图像对应的血管区域上对感兴趣区域进行更新操作,其他医学灌注图像对应的感兴趣区域也进行更新。
由此,先将每个医学灌注图像进行分割,得到用于获取感兴趣区域的血管区域,减少了对获取感兴趣区域的计算量,提高了血管密度曲线的获取准确性和获取效率。将感兴趣区域对应的图像值作为第一图像值,避免其他区域对图像值获取的干扰,得到的第一图像值更有代表性。
步骤S302:获取所述医学灌注图像的第一基值,所述第一基值是多个造影剂未流入的医学灌注图像的感兴趣区域所对应的图像值的平均值。
其中,医学灌注图像集合包括造影剂未流入的医学灌注图像和造影剂流入的医学灌注图像。可以获取每个造影剂未流入的医学灌注图像所对应的图像值,并将多个造影剂未流入的医学灌注图像所对应的图像值的平均值作为第一基值。
步骤S303:基于所述第一基值和所述第一图像值确定所述血管密度曲线的纵坐标,基于所述医学灌注图像的采集时间确定所述血管密度曲线的横坐标。
例如,利用造影剂流入的医学灌注图像的第一图像值和第一基值求差,将得到的差值作为其在血管密度曲线上对应的纵坐标,得到的差值可以反应造影剂在血管中的密度变化,进而间接反应血管内灌注量的变化。同样的,可以将医学灌注图像的采集时间作为其在血管密度曲线上对应的横坐标。
可以理解为,通过每个期相的医学灌注图像得到一个第一图像值;利用多个期相的医学灌注图像,可以得到多个第一图像值,多个第一图像值即血管密度曲线的多个纵坐标;再根据每个医学灌注图像的采集时间确定多个第一图像值分别对应的血管密度曲线上的横坐标,上述纵坐标和横坐标所指示的多个点可以作为血管密度曲线的,通过上述多个型值点得到的曲线就是血管密度曲线。其中,型值点是指通过计算得到的曲线上少量描述曲线几何形状的数据点。
进一步地,可以对上述血管密度曲线进行时间维度的插值,以构造通过上述型值点的曲线。
在本实施例中,获取第一基值和每个医学灌注图像对应的第一图像值,进而确定每个医学灌注图像在血管密度曲线中的纵坐标和横坐标,以用于血管密度曲线的确定。由于血管密度曲线充分利用了医学灌注图像集合中每个不同期相的医学灌注图像,所得到的血管密度曲线能够全面的反应进行灌注后血管的灌注量变化情况。
综合上述各实施例,如图4所述,本申请还提供了一种第一图像值的获取方法,可以包括以下步骤:
步骤S401:对所述医学灌注图像进行分割,以得到所述医学灌注图像的血管区域。
步骤S402:基于所述血管区域,获取所述医学灌注图像中的感兴趣区域,并将所述感兴趣区域对应的图像值作为所述第一图像值。
本实施例在执行上述第一图像值的获取的步骤时,其实现原理和技术效果可以参见上述任一实施例中的相关步骤,在此不再赘述。
在一个实施例中,如图5所示,上述步骤S102中获取所述组织输入图像的过程,可以包括以下步骤:
步骤S501:对所述医学灌注图像集合内的多个所述医学灌注图像进行配准,以获取多个配准图像。
本实施例中可以采用各种现有的配准方法对医学灌注图像集合内的多个医学灌注图像进行配准,本实施例对配准方法不作具体限定。例如:基于特征或基于区域的配准方法;或定义一个控制格网,使所有医学灌注图像与其配准。
因为医学灌注图像集合内的多个医学灌注图像是不同时间获取的,在不同时间因为病人移动等各种原因会造成医学灌注图像存在运动伪影等现象,对不同时间获取的医学灌注图像进行配准操作,方便后续对配准图像中同一个像素点在不同采集时间的灌注量变化(参数值)进行的观察和比对。
作为一个示例,当医学灌注图像是心肌灌注图像时,可以对多个医学灌注图像所指示的心室的心肌区域进行配准,以获得多个对应不同期相的配准图像。
具体而言,可以通过寻找一种空间变换把多个心肌灌注图像分别映射到另一个心肌灌注图像(参考图像对应的心肌灌注图像)上,使得两图中对应于空间同一位置的点一一对应起来,从而达到信息融合的目的,以获得多个对应不同期相的配准图像。一般而言,参考图像对应的心肌灌注图像是心脏运动偏移较小的心肌灌注图像。
步骤S502:基于多个所述配准图像,获取所述医学灌注图像集合对应的组织输入图像。
在一种可能的实现方式中,步骤S502的实现过程可以为:获取所述配准图像的每个像素点对应的组织密度曲线;基于所有像素点的组织密度曲线,获取所述组织输入图像。可以认为,与血管输入图像的获取不同,同一血管输入图像上每个像素点对应的血管密度曲线相同,同一组织输入图像上每个像素点对应的组织密度曲线都不同。因此,在步骤S501中将多个所述医学灌注图像进行配准,便于获取配准后的医学灌注图像中每个像素点对应的组织密度曲线。
在本实施例中,通过多个医学灌注图像的配准过程,使后续获取组织输入图像时,能够对配准后的医学灌注图像的同一像素点在不同采集时间的图像值进行观察和比对,以得到每个像素点对应的组织密度曲线。将多个组织密度曲线作为组织输入图像,和血管输入图像相结合用于灌注参数定量信息的获取,一次就可以计算出多个像素点对应的灌注参数定量信息。
综合上述各实施例,如图6所述,本申请还提供了一种组织输入图像的获取方法,可以包括以下步骤:
步骤S601:获取所述配准图像的每个像素点对应的组织密度曲线。
步骤S602:基于所有像素点的组织密度曲线,获取所述组织输入图像。
本实施例在执行上述组织输入图像的获取的步骤时,其实现原理和技术效果可以参见上述任一实施例中的相关步骤,在此不再赘述。
在一个实施例中,如图7所示,上述步骤S601中获取每个所述像素点对应的组织密度曲线的过程,可以包括以下步骤:
步骤S701:针对每个所述配准图像,获取所述配准图像中所述像素点对应的第二图像值。
具体地,每个配准图像中像素点的数量可以是10个、100个、1000个,本实施例对配准图像中像素点的数量不作具体限定。
作为一个示例,当医学灌注图像是心肌灌注图像时,获取心肌图像(配准图像)上的每个像素点的图像值作为第二图像值。
步骤S702:获取所述配准图像中所述像素点对应的第二基值,所述第二基值是多个造影剂未流入的配准图像所对应的图像值的平均值。
具体地,可以获取每个造影剂未流入的医学灌注图像所对应的图像值,并将多个造影剂未流入的配准图像所对应的图像值的平均值作为第二基值。
步骤S703:基于所述第二基值和所述第二图像值确定所述组织密度曲线的纵坐标,基于所述配准图像的采集时间确定所述组织密度曲线的横坐标。
例如,利用造影剂流入的医学灌注图像的任一像素点对应的第二图像值、第二基值求差,将得到的差值作为其在组织密度曲线上对应的纵坐标,得到的差值可以反应造影剂在该像素点的密度变化,进而间接反应灌注量的变化。同样的,可以将医学灌注图像的采集时间作为其在组织密度曲线上对应的横坐标。
作为一个示例,医学灌注图像集合中包括T个期相的医学灌注图像。基于医学灌注图像i的一个像素点A(例如X1,Y1,Z1)可以得到对应的第二图像值V11及其对应的第二基值V10,另一个像素点B(例如X2,Y2,Z2)可以得到对应的第二图像值V21及其对应的第二基值V20。将每个医学灌注图像的像素点A(X1,Y1,Z1)对应的每个第二图像值V11分别与第二基值V10的差作为像素点A对应组织密度曲线的纵坐标,将每个医学灌注图像的采集时间作为像素点A对应组织密度曲线的横坐标,得到像素点A对应的组织密度曲线;同理,基于像素点B(X2,Y2,Z2)对应的第二图像值V21、第二基值V20和每个医学灌注图像的采集时间,得到像素点B所对应的组织密度曲线。
可以理解为,通过一个期相的医学灌注图像对应的配准图像的一个像素点能得到一个第二图像值;在多个期相的医学灌注图像分别对应的配准图像的同一个像素点位置,可以得到多个第二图像值,多个第二图像值即该像素点对应的组织密度曲线的多个纵坐标;再根据每个医学灌注图像的采集时间确定多个第二图像值分别对应的组织密度曲线上的横坐标,上述纵坐标和横坐标所指示的多个点可以作为该像素点对应的组织密度曲线的型值点,通过上述多个像素点分别对应的组织密度曲线的型值点得到的曲线就是该像素点对应的组织密度曲线。同理,可以获得多个像素点分别对应的组织密度曲线。
利用上述方式,可以获取每个像素点对应的组织密度曲线,基于所有组织密度曲线,得到组织输入图像。可以理解为,利用各个像素点对应的组织密度曲线,进行结合以得到组织输入图像。
在本实施例中,通过获取第二基值和每个医学灌注图像的像素点对应的第二图像值,进而确定医学灌注图像中每个像素点对应的组织密度曲线。由于组织密度曲线充分利用了医学灌注图像集合中医学灌注图像每个像素点在不同期相图像值的变化,所得到的组织密度曲线能够全面的反应进行灌注后组织的灌注量变化情况。其中,组织密度曲线反映了组织内灌注量随时间变化的情况,间接体现了组织的血供情况,基于组织密度曲线还可以进一步判断组织是否存在缺血等异常。
由于对医学灌注图像进行处理并获取的灌注参数,最终会影响到医生对于患者病情的诊断。从医学灌注图像中获取灌注参数的方式可以是:通过最小二乘法等迭代优化方式求解脉冲响应函数,再通过脉冲响应函数计算出灌注参数的定量数据。但是,在优化过程中每次只能计算医学灌注图像中一个像素点的参数,优化过程速度慢;输入的医学灌注图像不免有噪声存在,使脉冲响应函数的优化效果不稳定,求解出的灌注参数的定量数据不具生理意义。
基于上述任一实施例,接下来对本申请中灌注模型的训练过程进行解释说明。
在一个实施例中,如图8所示,所述灌注模型的训练过程,可以包括以下步骤:
步骤S801:获取样本血管输入图像和随机生成的灌注参数图像。
其中,随机生成的灌注参数图像可以是通过人工模拟生成的,也可以是其他现有手段随机生成的,本申请不以此为限。
作为一个示例,灌注参数图像是通过人工模拟生成的。模拟生成灌注参数图形的灌注参数包括血流量,血流量可以在0-300ml/min之间取值,0-100ml/min之间的血流量的值可以认为是缺血。可以按照高斯分布等现有随机方式在0-300ml/min的取值范围内生成多个血流量的值,并基于生成的多个血流量的值得到多个灌注参数图像,将得到的多个灌注参数图像用于灌注模型的训练。同时,将随机生成的多个血流量的值作为灌注模型训练的金标准。因此,本示例虽然是对初始神经网络进行有监督训练,但训练样本无需人力标注,训练过程简单高效,训练后得到的灌注模型输出的结果准确且稳定。同时,也避免了使用真实医学灌注图像进行训练噪声大的问题,提高了脉冲响应函数优化的稳定性,使训练好的灌注模型得到的灌注参数定量数据更具备生理意义。
步骤S802:获取所述灌注参数图像对应的脉冲响应函数。
可以根据灌注参数的值,得到灌注参数图像,同时根据灌注参数的值获取与灌注参数图像对应的脉冲响应函数。
作为一个示例,以灌注参数图像为心肌血流灌注显像为例,根据灌注参数的值,并利用灌注生理模型来确定脉冲响应函数。
当灌注生理模型为AATH模型(Adiabatic Approximation to TissueHomogeneity,灌注生理模型的一种)时,脉冲响应函数(R(t))满足公式1:
公式1:
式中BF表示心肌血流量,E表示组织渗透率,k表示衰减常数,ITT表示血管内通过时间,td表示延迟时间,exp是以自然常数e为底的指数函数。其中E和ITT设为定值,例如E=0.6,ITT=2。
由此,可以根据已知的灌注参数的值,确定脉冲响应函数(R(t))。
步骤S803:利用所述样本血管输入图像与每个所述脉冲响应函数进行卷积操作,获得样本组织输入图像。
作为一个示例,灌注参数图像为心肌血流灌注显像,在已得到公式1所示的脉冲响应函数的情况下,将样本血管输入图像与脉冲响应函数进行卷积操作(公式2),就可以得到每个像素点在不同时间的组织密度值。同时,遍历每个像素点就可以得到模拟的样本组织输入图像。
公式2:
式中,ρ为密度转换系数,例如取ρ值为1.05g/ml;R(t)为脉冲响应函数,Cm(t)为样本组织输入图像,Ca(t)为样本血管输入图像,τ为固有时间间隔。
步骤S804:将所述样本血管输入图像和所述样本组织输入图像进行拼接后输入初始神经网络,以得到所述灌注参数图像的预测结果。
其中,这里的拼接可以指将已得到的样本血管输入图像和样本组织输入图像进行新的结构组合的过程。本申请对样本血管输入图像和样本组织输入图像的拼接过程不进行限制,例如,直接将血管输入图像和组织输入图像拼接;还例如,对血管输入图像和组织输入图像分布进行特征提取,将提取后的特征图像进行拼接。
本实施例对初始神经网络的网络结构不作具体限定,对初始神经网络进行训练得到的灌注模型可以是采用全卷积神经网络(fully convolution networks)形式的网络结构,当然网络的部分模块也可以替换为全连接层或循环神经网络。
进一步地,可以在样本组织输入图像上添加噪声,将添加噪声后的样本组织输入图像与样本血管输入图像进行拼接并输入模型,可以得到灌注参数图像的预测结果,以期待提高训练后的灌注模型的鲁棒性。
步骤S805:基于所述灌注参数图像及其预测结果,对所述初始神经网络的网络参数进行更新,以得到所述灌注模型。
本实施例中可以采用各种现有的网络参数更新方法对初始神经网络参数进行更新,本实施例对更新方法不作具体限定。
作为一个示例,可以选择一个或多个灌注参数图像的参数作为真值(groundtruth),利用公式3所示的损失函数训练该模型。
公式3:
式中,m表示输出参数图的数量,n表示图像中像素点的数量,α表示损失权重,y表示每个像素点对应的定量参数。
可以理解为,将随机生成的灌注参数定量信息作为训练初始神经网络的金标准,利用上述随机生成的灌注参数定量信息得到样本血管输入图像和样本组织输入图像,利用血管输入图像、组织输入图像和脉冲响应函数可以得到预测结果,将预测结果和上述随机生成的灌注参数定量信息用于初始神经网络的网络参数的更新。
由此,训练得到的灌注模型,能够将血管输入图像和组织输入图像经过模型运算获得所有像素点的灌注参数定量信息,即一次输入即可获得所有像素点的灌注参数,效率更高。将随机生成的灌注参数图像用于灌注模型的训练,无需标注数据就能得到训练所需的真值,简单高效,输出的结果准确且稳定。
本申请实施例还提供了一种灌注参数定量计算装置,所述装置包括:
集合获取模块,用于获取医学灌注图像集合,所述医学灌注图像集合包括多个不同期相的医学灌注图像;
输入图像获取模块,用于基于所述医学灌注图像集合,获取血管输入图像和组织输入图像;
模型输入模块,用于将所述血管输入图像和所述组织输入图像输入灌注模型,以得到灌注参数定量信息。
本实施例提供的计算机设备在实现以上步骤时,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,获取所述血管输入图像的过程可以包括:
基于所述医学灌注图像集合中的每个所述医学灌注图像,获取所述医学灌注图像集合对应的血管密度曲线;
根据每个所述医学灌注图像的采集时间,对所述血管密度曲线进行插值处理,获取所述血管输入图像。
在一个实施例中,获取所述血管密度曲线的过程可以包括:
针对每个所述医学灌注图像,基于所述医学灌注图像的血管区域,获取所述医学灌注图像的第一图像值;
获取所述医学灌注图像的第一基值,所述第一基值是多个造影剂未流入的医学灌注图像的感兴趣区域所对应的图像值的平均值;
基于所述第一基值和所述第一图像值确定所述血管密度曲线的纵坐标,基于所述医学灌注图像的采集时间确定所述血管密度曲线的横坐标。
在一个实施例中,所述基于所述医学灌注图像的血管区域,获取所述医学灌注图像的第一图像值,可以包括:
对所述医学灌注图像进行分割,以得到所述医学灌注图像的血管区域;
基于所述血管区域,获取所述医学灌注图像中的感兴趣区域,并将所述感兴趣区域对应的图像值作为所述第一图像值。
在一个实施例中,获取所述组织输入图像的过程可以包括:
对所述医学灌注图像集合内的多个所述医学灌注图像进行配准,以获取多个配准图像;
基于多个所述配准图像,获取所述医学灌注图像集合对应的组织输入图像。
在一个实施例中,所述基于多个所述配准图像,获取所述医学灌注图像集合对应的组织输入图像,可以包括:
获取所述配准图像的每个像素点对应的组织密度曲线;
基于所有像素点的组织密度曲线,获取所述组织输入图像。
在一个实施例中,获取每个所述像素点对应的组织密度曲线的过程可以包括:
针对每个所述配准图像,获取所述配准图像中所述像素点对应的第二图像值;
获取所述配准图像中所述像素点对应的第二基值,所述第二基值是多个造影剂未流入的配准图像所对应的图像值的平均值;
基于所述第二基值和所述第二图像值确定所述组织密度曲线的纵坐标,基于所述配准图像的采集时间确定所述组织密度曲线的横坐标。
在一个实施例中,所述灌注模型的训练过程可以包括:
获取样本血管输入图像和随机生成的灌注参数图像;
获取所述灌注参数图像对应的脉冲响应函数;
利用所述样本血管输入图像与每个所述脉冲响应函数进行卷积操作,获得样本组织输入图像;
将所述样本血管输入图像和所述样本组织输入图像进行拼接后输入初始神经网络,以得到所述灌注参数图像的预测结果;
基于所述灌注参数图像及其预测结果,对所述初始神经网络的网络参数进行更新,以得到所述灌注模型。
本申请实施例还提供了一种计算机设备200,该计算机设备200可以是终端,其内部结构图可以如图9所示。计算机设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)211和/或高速缓存存储器212,还可以进一步包括只读存储器(ROM)213。
其中,存储器210还存储有计算机程序,计算机程序可以被处理器220执行,使得处理器220实现上述任一项方法的步骤,其具体实现方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
存储器210还可以包括具有至少一个程序模块215的实用工具214,这样的程序模块215包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例的每一个或某种组合中可能包括网络环境的实现。
相应的,处理器220可以执行上述计算机程序,以及可以执行实用工具214。
总线230可以为表示几类总线结构的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。
计算机设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信,还可与一个或者多个能够与该计算机设备200交互的设备通信,和/或与使得该计算机设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且,计算机设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与计算机设备200的其它模块通信。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取医学灌注图像集合,所述医学灌注图像集合包括多个不同期相的医学灌注图像;
基于所述医学灌注图像集合,获取血管输入图像和组织输入图像;
将所述血管输入图像和所述组织输入图像输入灌注模型,以得到灌注参数定量信息。
本实施例提供的计算机设备在实现以上步骤时,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质用于存储计算机程序,所述计算机程序被执行时实现本申请实施例中灌注参数定量计算方法的步骤,其具体实现方式与上述灌注参数定量计算方法的实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
图10示出了本实施例提供的用于实现上述灌注参数定量计算方法的程序产品300,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品300不限于此,在本申请中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
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:
获取医学灌注图像集合,所述医学灌注图像集合包括多个不同期相的医学灌注图像;
基于所述医学灌注图像集合,获取血管输入图像和组织输入图像;
将所述血管输入图像和所述组织输入图像输入灌注模型,以得到灌注参数定量信息。
本实施例提供的计算机可读存储介质在实现以上步骤时,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的本申请的实施例例如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“对应于”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、系统、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。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (10)
1.一种灌注参数定量计算方法,其特征在于,所述方法包括:
获取医学灌注图像集合,所述医学灌注图像集合包括多个不同期相的医学灌注图像;
基于所述医学灌注图像集合,获取血管输入图像和组织输入图像;
将所述血管输入图像和所述组织输入图像输入灌注模型,以得到灌注参数定量信息。
2.根据权利要求1所述的灌注参数定量计算方法,其特征在于,获取所述血管输入图像的过程包括:
基于所述医学灌注图像集合中的每个所述医学灌注图像,获取所述医学灌注图像集合对应的血管密度曲线;
根据每个所述医学灌注图像的采集时间,对所述血管密度曲线进行插值处理,获取所述血管输入图像。
3.根据权利要求2所述的灌注参数定量计算方法,其特征在于,获取所述血管密度曲线的过程包括:
针对每个所述医学灌注图像,基于所述医学灌注图像的血管区域,获取所述医学灌注图像的第一图像值;
获取所述医学灌注图像的第一基值,所述第一基值是多个造影剂未流入的医学灌注图像的感兴趣区域所对应的图像值的平均值;
基于所述第一基值和所述第一图像值确定所述血管密度曲线的纵坐标,基于所述医学灌注图像的采集时间确定所述血管密度曲线的横坐标。
4.根据权利要求3所述的灌注参数定量计算方法,其特征在于,所述基于所述医学灌注图像的血管区域,获取所述医学灌注图像的第一图像值,包括:
对所述医学灌注图像进行分割,以得到所述医学灌注图像的血管区域;
基于所述血管区域,获取所述医学灌注图像中的感兴趣区域,并将所述感兴趣区域对应的图像值作为所述第一图像值。
5.根据权利要求1所述的灌注参数定量计算方法,其特征在于,获取所述组织输入图像的过程包括:
对所述医学灌注图像集合内的多个所述医学灌注图像进行配准,以获取多个配准图像;
基于多个所述配准图像,获取所述医学灌注图像集合对应的组织输入图像。
6.根据权利要求5所述的灌注参数定量计算方法,其特征在于,所述基于多个所述配准图像,获取所述医学灌注图像集合对应的组织输入图像,包括:
获取所述配准图像的每个像素点对应的组织密度曲线;
基于所有像素点的组织密度曲线,获取所述组织输入图像。
7.根据权利要求6所述的灌注参数定量计算方法,其特征在于,获取每个所述像素点对应的组织密度曲线的过程包括:
针对每个所述配准图像,获取所述配准图像中所述像素点对应的第二图像值;
获取所述配准图像中所述像素点对应的第二基值,所述第二基值是多个造影剂未流入的配准图像所对应的图像值的平均值;
基于所述第二基值和所述第二图像值确定所述组织密度曲线的纵坐标,基于所述配准图像的采集时间确定所述组织密度曲线的横坐标。
8.根据权利要求1所述的灌注参数定量计算方法,其特征在于,所述灌注模型的训练过程包括:
获取样本血管输入图像和随机生成的灌注参数图像;
获取所述灌注参数图像对应的脉冲响应函数;
利用所述样本血管输入图像与每个所述脉冲响应函数进行卷积操作,获得样本组织输入图像;
将所述样本血管输入图像和所述样本组织输入图像进行拼接后输入初始神经网络,以得到所述灌注参数图像的预测结果;
基于所述灌注参数图像及其预测结果,对所述初始神经网络的网络参数进行更新,以得到所述灌注模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一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存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211566189.1A CN115937139A (zh) | 2022-12-07 | 2022-12-07 | 灌注参数定量计算方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211566189.1A CN115937139A (zh) | 2022-12-07 | 2022-12-07 | 灌注参数定量计算方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937139A true CN115937139A (zh) | 2023-04-07 |
Family
ID=86651821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211566189.1A Pending CN115937139A (zh) | 2022-12-07 | 2022-12-07 | 灌注参数定量计算方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937139A (zh) |
-
2022
- 2022-12-07 CN CN202211566189.1A patent/CN115937139A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sermesant et al. | Applications of artificial intelligence in cardiovascular imaging | |
JP7039153B2 (ja) | 敵対的生成ネットワークを使用した画像強調 | |
Ghorbani et al. | Deep learning interpretation of echocardiograms | |
CN111292314B (zh) | 冠脉分段方法、装置、图像处理系统和存储介质 | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
JP5773398B2 (ja) | 動脈/組織/静脈の動態系の関心対象量を推定するためのシステムおよび方法 | |
US9443330B2 (en) | Reconstruction of time-varying data | |
JP2021511138A (ja) | 試験組織試料における転移を予測するための医療解析方法 | |
CN110400298B (zh) | 心脏临床指标的检测方法、装置、设备及介质 | |
US20210015438A1 (en) | Deep learning for perfusion in medical imaging | |
US10258304B1 (en) | Method and system for accurate boundary delineation of tubular structures in medical images using infinitely recurrent neural networks | |
US10867375B2 (en) | Forecasting images for image processing | |
Hammouda et al. | A new framework for performing cardiac strain analysis from cine MRI imaging in mice | |
US11769594B2 (en) | Deep learning model learning device and method for cancer region | |
CN113409466B (zh) | 基于gcn残差连接网络的激发荧光断层成像方法 | |
CN112419378B (zh) | 医学图像配准方法、电子设备和存储介质 | |
CN108742679B (zh) | 结节检测装置和方法 | |
CN110415310A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
CN115830017B (zh) | 基于图文多模态融合的肿瘤检测系统、方法、设备及介质 | |
CN113827263A (zh) | 灌注影像处理方法、系统、电子设备及存储介质 | |
CN115330669A (zh) | 预测解剖结构的疾病量化参数的计算机实现的方法、系统及存储介质 | |
US8331638B2 (en) | Creation of motion compensated MRI M-mode images of the myocardial wall | |
Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
US20210065388A1 (en) | Registering a two-dimensional image with a three-dimensional image | |
WO2023169565A1 (zh) | 一种图像配准方法和系统 |
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 |