CN115953381B - 一种脑卒中分析系统、分析方法和计算机可读存储介质 - Google Patents
一种脑卒中分析系统、分析方法和计算机可读存储介质 Download PDFInfo
- Publication number
- CN115953381B CN115953381B CN202310015573.0A CN202310015573A CN115953381B CN 115953381 B CN115953381 B CN 115953381B CN 202310015573 A CN202310015573 A CN 202310015573A CN 115953381 B CN115953381 B CN 115953381B
- Authority
- CN
- China
- Prior art keywords
- image data
- patient
- head
- image
- interest
- 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.)
- Active
Links
- 208000006011 Stroke Diseases 0.000 title claims abstract description 92
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 206010008190 Cerebrovascular accident Diseases 0.000 title abstract description 54
- 230000002490 cerebral effect Effects 0.000 title abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000011002 quantification Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 63
- 238000000034 method Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 26
- 238000004445 quantitative analysis Methods 0.000 claims description 23
- 238000013139 quantization Methods 0.000 claims description 22
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 230000009760 functional impairment Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 230000017531 blood circulation Effects 0.000 claims description 7
- 238000002591 computed tomography Methods 0.000 abstract description 101
- 208000007536 Thrombosis Diseases 0.000 description 31
- 239000011159 matrix material Substances 0.000 description 30
- 230000006870 function Effects 0.000 description 15
- 210000004204 blood vessel Anatomy 0.000 description 10
- 230000000747 cardiac effect Effects 0.000 description 10
- 239000002872 contrast media Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000036541 health Effects 0.000 description 8
- 230000003902 lesion Effects 0.000 description 8
- 238000002583 angiography Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 230000001154 acute effect Effects 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 206010003658 Atrial Fibrillation Diseases 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 4
- 208000026106 cerebrovascular disease Diseases 0.000 description 4
- 208000029078 coronary artery disease Diseases 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000302 ischemic effect Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000000391 smoking effect Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000003703 image analysis method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 2
- 208000005189 Embolism Diseases 0.000 description 2
- 206010048620 Intracardiac thrombus Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910052740 iodine Inorganic materials 0.000 description 2
- 239000011630 iodine Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008506 pathogenesis Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 206010069729 Collateral circulation Diseases 0.000 description 1
- 206010014498 Embolic stroke Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002648 combination therapy Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种脑卒中分析系统，分析方法和计算机可读存储介质。脑卒中系统包括数据获取模块，被配置为获取患者头部的CT平扫图像数据和CTA图像数据；图像特征提取与量化模块，被配置为基于所述患者头部的CT平扫图像数据和CTA图像数据确定感兴趣区的目标特征信息；分析模块，被配置为将所述患者的临床检查数据和所述目标特征信息输入训练完成的脑卒中病因分析模型，输出所述患者的脑卒中病因。本发明可以基于CT影像特征直接预测脑卒中病因。
Description
技术领域
本发明涉及医疗技术领域，特别涉及一种脑卒中分析系统、分析方法和计算机可读存储介质。
背景技术
急性缺血性脑卒中具有高发病率、高致残率及高病死率的特点。缺血性卒中的五分之一是来源不明的栓塞性卒中。其理论原因可分为心源性栓塞和非心源性栓塞，这一来源鉴别对急性缺血性脑卒中患者的治疗方案选择具有重要的意义。研究发现心源性血栓患者的侧支循环显影较非心源性患者差，心源性来源的血栓比非心源性来源的血栓更难祛除，在手术过程中血运重建反应更差。入院检查及时准确判断卒中来源的能力，将极大地帮助神经介入医生在术前制定治疗策略并部署合适的设备，为早期联合治疗做好准备。同时，不同卒中来源的患者术后转归情况也存在差异，来源的确认将为患者是否需要采取二次治疗防护提供有力证据。目前临床可靠的卒中来源鉴别方法是血栓病理分析，但面临的难点是急性缺血性脑卒中情况紧急需要快速进入鉴别治疗而难以进行术前病理验证，来源鉴别只能依赖于繁琐的临床检查和参差不齐的主诉病史信息，很难实现快速、准确、可量化的鉴别。因此，亟需一套基于临床和影像信息可自动实现量化卒中发病机制诊断系统，以期实现更快速精准的智能术前评估。
近年来，研究通过在急性缺血性脑卒中患者的CT影像上提取如血栓长度、血栓密度以及血栓的渗透性等特征，揭示了它们与血管再通率及治疗结局有潜在的相关性，表明血栓影像特征的重要价值，但目前尚无基于更深入的血栓CT影像特征直接预测卒中来源的技术，缺乏基于影像分析卒中发病机制的研究。
发明内容
本发明提供一种脑卒中分析系统、分析方法和计算机可读存储介质，可以基于CT影像特征直接预测脑卒中病因。
本发明实施例提供一种脑卒中分析系统，包括：数据获取模块，被配置为获取患者头部的CT平扫图像数据和CTA图像数据；图像特征提取与量化模块，被配置为基于所述患者头部的CT平扫图像数据和CTA图像数据确定感兴趣区的目标特征信息；分析模块，被配置为将所述患者的临床检查数据和所述目标特征信息输入训练完成的脑卒中病因分析模型，输出所述患者的脑卒中病因。
脑卒中病因为心源性卒中和非心源性卒中的任意一个。
在一些实施例中，感兴趣区为所述患者头部中的阻碍血流流动的栓块；所述感兴趣区的目标特征信息包括以下特征的至少一个：栓块的形状特征、栓块的灰度值分布特征、栓块的纹理特征。
在一些实施例中，图像特征提取与量化模块包括训练完成的图像特征提取与量化分析模型；将所述患者的CT平扫图像数据和CTA图像数据输入至所述训练完成的所述图像特征与量化分析模型，输出所述患者的感兴趣区的目标特征信息。
在一些实施例中，将所述患者的临床检查数据输入至所述训练完成的所述图像特征与量化分析模型；所述临床检查数据包括以下数据的至少一个：年龄、脑卒中引起的功能损害程度、疾病风险因素。
在一些实施例中，在确定感兴趣区的目标特征信息前，完成对所述图像特征与量化分析模型的训练；所述图像特征与量化分析模型的训练过程包括：获取多组图像数据，多组图像数据包括头部CT平扫图像数据和头部CTA图像数据，其中每组头部CT平扫图像数据和头部CTA图像数据来自于相同患者；将多组图像数据中的每组图像数据分别配准，获得多组配准图像数据，在所述配准图像数据上确定所述感兴趣区；获取所述感兴趣区的特征信息；对所述特征信息进行筛选，获得目标特征信息；将所述每组图像数据和所述目标特征信息作为训练数据集，对所述图像特征与量化分析模型进行训练。
在一些实施例中，将多组图像数据中的每组图像数据分别配准，获得多组配准图像数据，在所述配准图像数据上确定所述感兴趣区之前，还包括：获取与所述每组头部CT平扫图像数据和头部CTA图像数据分别来自于相同患者的头部DSA图像数据；将各所述头部DSA图像数据与对应患者的头部CTA图像数据的最大密度投影图像进行配准；确定所述各头部DSA图像上的感兴趣区域，并据此确定所述配准图像数据上的所述感兴趣区。
本发明还提供一种脑卒中分析方法，包括：获取患者头部的CT平扫图像数据和CTA图像数据；基于所述患者头部的CT平扫图像数据和CTA图像数据确定感兴趣区的目标特征信息；将所述患者的临床检查数据和所述目标特征信息输入训练完成的脑卒中病因分析模型，输出所述患者的脑卒中病因。
在一些实施例中，所述脑卒中病因包括心源性卒中和非心源性卒中。
本发明还提供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，包括：所述计算机程序被处理器执行时实现如前所述的方法。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：提供一种全自动基于CT影像特征直接预测脑卒中病因，快速预测患者为心源性卒中还是非心源性卒中，填补此项技术的空白，辅助临床医生更精准对急性脑卒中患者进行诊疗方案的制定。
附图说明
图1是本发明实施例提供的脑卒中分析系统的结构示意图；
图2是本发明实施例提供的脑卒中分析方法的流程示意图；
图3是本发明实施例提供的脑卒中病因分析模型训练方法；
图4是本发明实施例提供的一种计算机设备。
具体实施方式
为了更清楚的说明本申请实施例的技术方案，下面将对实施例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申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似场景。除非从语言环境中显而易见或另作说明，途中相同符号代表相同结构或操作。
应当理解，本文使用的“装置”、“单元”、“系统”是用于区分不同的组件、元件、部件、部分或装配的一种方法，然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”等词并非特指单数，也可包括复数。一般来说，术语“包括“与”包含“仅提示包括已明确标识的步骤或元素，而这些步骤或元素不构成一个排他性的罗列，方法或者装置也可能包含其他的步骤或元素。
本申请中使用了流程图来说明本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒叙或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程中移除某一步或多步操作。
实施例一
本实施例提供一种脑卒中分析系统，请参见图1、图3，其示意性地给出了本实施例提供的医学图像分析系统的结构示意图。从图1中可以看出，本实施例提供的医学图像分析系统包括：数据获取模块S101、图像特征提取与量化模块S102、分析模块S103。
具体地，数据获取模块被配置为获取患者头部的CT平扫图像数据和CTA图像数据。CT平扫是对患者进行普通CT扫描，用X线束和探测器围绕目标扫描部位作一个接一个的断面扫描，不需要打造影剂。CTA又叫CT血管造影，通过患者的上肢静脉快速注入碘对比剂，由于血液循环状态，在目标扫描区域的血管中的对比剂浓度最佳的时刻进行CT扫描，然后通过计算机的图像后处理技术，重建出血管的三维影像。在对CT平扫和CTA扫描时保证扫描参数一致。
图像特征提取与量化模块被配置为基于所述患者头部的CT平扫图像数据和CTA图像数据确定感兴趣区的目标特征信息。感兴趣区为所述患者头部中的阻碍血流流动的栓块。感兴趣区的目标特征信息包括栓块的形状特征、栓块的灰度值分布特征、栓块的纹理特征中的至少一个。示例性地，形状特征可以包括描述感兴趣区的大小的特征，如体积、表面积、二维或三维的最大直径、有效直径(与感兴趣区具有相同体积的球体直径)；形状特征还可以包括描述感兴趣区与球体的相似程度的特征，如表面体积比、致密度、偏心度、球形度等。灰度值分布特征是描述感兴趣区的像素强度分布有关的特征，不包含他们之间相互的空间作用。示例性地，灰度值分布特征可以是通过图像的强度直方图得到的感兴趣区的像素强度均数、中位数、最小值、最大值、标准差、偏度和峰度，上述的这些特征可反映感兴趣区的所有像素的对称性、均匀性以及局部轻度分布变化。纹理特征是指在像素强度水平可感知或可测量的空间变化，它被视为一个灰度级，是一种视觉感知的图像局部特征的综合，简单来说，就是图像灰度值之间存在的相互关系。示例性地，纹理特征可以是灰度共生矩阵、灰度级长矩阵、灰度集带矩阵、邻域灰度差分矩阵。其中灰度共生矩阵是一个其行列数表示灰度值、单元格包含灰度值处于一定关系(角度、距离)次数的矩阵，也称为二阶直方图。在灰度共生矩阵上计算的特征包括熵(二阶熵，与异质性有关)、能量(也被定义为角二次矩，再次描述图像的均匀性)、对比度(其测量局部变化)、同质性(图像局部灰度均衡性的度量)、不相似性和相关性。灰度共生矩阵的基本原理是影像上一定距离的两个像素的灰度值之间存在着一定的空间相关关系，对这个空间相关关系进行统计分析，利用各种纹理描述，改写相关像素的灰度值，使其纹理特征能够清晰显示。另外，灰度级长矩阵表示其中每个元素(i，j)描述了灰度级在指定的方向上连续出现的次数。另外，灰度级带矩阵是在行和列处的元素存储具有灰度级和大小的区域(具有相同灰度级的连接体素)数量的矩阵。灰度级带矩阵包括描述小/大区和低/高灰度区分布的特征。最后，邻域灰度差分矩阵是在行和列处的元素存储具有灰度级和大小的区域(具有相同灰度级的连接体素)数量的矩阵。
在前文提到了获取患者的感兴趣区的目标特征信息的过程，本发明还包括对特征信息进行筛选，获得目标特征信息。最简单的特征选择方法是根据变量的稳定程度或相关性制定一个评分标准，以此标准对变量进行筛选。另外，在消除相关特征时，使用相关矩阵消除高度相关的特征，通过消除那些高度相关的特性，剩下“非冗余”的特征集，其中常用的方法有LASSO(least absolute shrinkage and selection operator)Cox回归模型、最大相关最小冗余(maximum relevance and minimum redundancy，mRMR)、)、主成分分析法(principal component analysis，PCA)、Pearson相关系数、线性模型等。上述筛选过程可以消除对变量源表现不稳健特征、特征间高度相关的特征，避免特征共线性问题出现，并结合降维技术，选出可重复性好、信息量大且无冗余的特征，即选出最优的特征信息，效避免过拟合问题的产生，将筛选后的最优的特征信息作为目标特征信息，因此目标特征信息是特征信息的子集。
图像特征提取与量化模块包括训练完成的图像特征提取与量化分析模型；将所述患者的CT平扫图像数据和CTA图像数据输入至所述训练完成的所述图像特征与量化分析模型，输出所述患者的感兴趣区的目标特征信息。在确定感兴趣区的目标特征信息前，需要完成对所述图像特征与量化分析模型的训练，具体的模型训练的过程包括：获取训练数据集，具体地，获取多组图像数据，多组图像数据包括头部CT平扫图像数据和头部CTA图像数据，其中每组头部CT平扫图像数据和头部CTA图像数据来自于相同患者。将多组图像数据中的每组图像数据分别配准，获得多组配准图像数据，具体地，可以通过级联3D卷积神经网络自动实现每组头部CT平扫图像数据和头部CTA图像数据的配准。
在所述配准图像数据上确定所述感兴趣区，示例性地，先在CTA图像数据上对感兴趣区即血栓区域进行分割，将分割后得到地血栓掩膜图像数据应用到配准图像中，在头部CT扫描图像中实现了对血栓地精确分割和定位。
本实施例还提供了一种对血栓精确定位和分割的方法，具体地，获取多组头部DSA图像数据，其中多组头部DSA图像数据中的每组头部DSA图像数据与所述每组头部CT平扫图像数据和头部CTA图像数据分别来自于相同患者。在CT扫描中，凡小于层厚的病变，CT值受层厚内其它组织的影响，所测出的CT值不能代表病变的真正的CT值：如在高密度组织中较小的低密度病灶，其CT值偏高；反之，在低密度组织中的较小的高密度病灶，其CT值偏低，这种现象称为部分容积效应。为了减少容积效应带来的定位误差，利用DSA图像分割出血栓的起始位置。DSA是数字减影血管造影，是将注入造影剂前后拍摄的两帧X线图像经数字化输入图像计算机，通过减影、增强和再成像过程把血管造影影像上的骨与软组织影像消除来获得清晰的纯血管影像，是电子计算机与常规X线血管造影相结合的一种检查方法。通俗的讲就是将造影剂注入需要检查的血管中，使血管显露原形。然后通过系统处理，使血管显示更加清晰。将所述每组DSA图像数据与对应的头部CTA图像数据的最大密度投影图像进行配准，将从DSA上分割获得的血栓掩膜图像数据应用到配准图像上，实现在配准图像数据上对血栓的精准定位。
在配准图像上获得血栓的精准定位后，通过统计学方法统计分析感兴趣区的像素信息，获得感兴趣区的目标特征信息，目标特征信息已经在前文中详细表述，在此不再赘述。
通过上述方法获得训练集数据，训练数据集为每组图像数据和上述经过对特征信息筛选而获得的目标特征信息，具体的每组图像数据可以为每组头部CT平扫图像数据和头部CTA图像数据。将所述训练数据集中的每组图像数据作为输入，然后返回一个预测值作为输出，通过检测损失函数的值，并修订损失函数中的权重值，使得预测值与已获得的感兴趣的目标特征信息逐渐逼近，以最小化损失函数。通过上述训练过程，完成对图像特征与量化分析模型的训练。
本发明还提供了一种图像特征与量化分析模型的训练方法，具体地，包括，为了实现图像特征与量化分析模型地完整性、应用性，还可以考虑加入临床检查数据进入训练集，作为模型训练的输入数据，使得图像特征与量化分析模型的数据源更加丰富，尽量在模型训练阶段就全面性的考虑患者的个体化差异和除影像学特征外的其他患者信息。其中，临床检查数据包括以下数据的至少一个：年龄、脑卒中引起的功能损害程度、疾病风险因素。脑卒中引起的功能损害程度可以通过填写美国国立卫生研究院卒中量表(NationalInstitute of Health stroke scale，NIHSS)获得，疾病风险因素可以包括与心脑血管疾病相关的患者习惯或病史信息，如吸烟史、高血压史、糖尿病史、房颤史和冠心病史等。
本发明的脑卒中分析系统还包括分析模块，被配置为将所述患者的临床检查数据和所述目标特征信息输入训练完成的脑卒中病因分析模型，输出所述患者的脑卒中病因。所述脑卒中病因为心源性卒中和非心源性卒中任意一个。具体地，对分析模型的训练过程包括获取训练数据集，所述训练数据集包括上文提到的对患者的目标特征信息筛选后获得的患者的目标目标特征信息，以及患者的脑卒中病因，将所述训练数据集中的目标目标特征信息作为输入，然后返回一个预测值作为输出，通过检测损失函数的值，并修订损失函数中的权重值，使得预测值与已获得的患者的脑卒中病因逐渐逼近，以最小化损失函数。通过上述训练过程，完成对图像特征与量化分析模型的训练。
本发明还提供了一种分析模型的训练方法，具体地，包括，为了实现分析模型地完整性、应用性，还可以考虑加入临床检查数据进入训练集，作为模型训练的输入数据，使得分析模型的数据源更加丰富，尽量在模型训练阶段就全面性的考虑患者的个体化差异和除影像学特征外的其他患者信息。其中，临床检查数据包括以下数据的至少一个：年龄、脑卒中引起的功能损害程度、疾病风险因素。脑卒中引起的功能损害程度可以通过填写美国国立卫生研究院卒中量表(National Institute of Health stroke scale，NIHSS)获得，疾病风险因素可以包括与心脑血管疾病相关的患者习惯或病史信息，如吸烟史、高血压史、糖尿病史、房颤史和冠心病史等。为了使得训练模型的稳定性、准确性和泛化性，将训练数据集中的数据组以3：1：1的比例构建训练、测试和验证集。
本发明的方案的应用过程具体包括，获得患者的头部的CT平扫图像数据和CTA图像数据，将上述图像数据输入至图像特征提取与量化模块，获得血栓的目标特征信息。可选的，本发明的方案的应用过程具体包括，获得患者的头部的CT平扫图像数据和CTA图像数据，将上述图像数据和临床检查数据输入至图像特征提取与量化模块，获得血栓的目标特征信息。图像特征提取与量化模块包括图像特征提取与量化模型，所述通过图像特征提取与量化模型获得的血栓的目标特征信息与模型训练过程中的训练数据集中的目标目标特征信息为同类目标特征信息，即二者仅有值的差异。
在获得血栓的目标特征信息后，本发明的方案的应用过程还包括，将所述患者的临床检查数据和上述目标特征信息输入至分析模块，输出所述患者的脑卒中病因，脑卒中病因为心源性卒中和非心源性卒中任意一个。
图像特征提取与量化模块和分析模块分别包括图像特征提取与量化模型和分析模型，图像特征提取与量化模型和分析模型均为人工神经网络模型，可以为卷积神经网络模型。本发明实现了基于CT影像数据对脑卒中病因的自动分析功能。
实施例二
本实施例提供一种脑卒中分析方法，请参见图2、图3，其示意性地给出了本实施例提供的脑卒中分析方法的流程示意图。
具体地，S201包括获取患者头部的CT平扫图像数据和CTA图像数据。CT平扫是对患者进行普通CT扫描，用X线束和探测器围绕目标扫描部位作一个接一个的断面扫描，不需要打造影剂。CTA又叫CT血管造影，通过患者的上肢静脉快速注入碘对比剂，由于血液循环状态，在目标扫描区域的血管中的对比剂浓度最佳的时刻进行CT扫描，然后通过计算机的图像后处理技术，重建出血管的三维影像。在对CT平扫和CTA扫描时保证扫描参数一致。
S202包括：基于所述患者头部的CT平扫图像数据和CTA图像数据确定感兴趣区的目标特征信息。感兴趣区为所述患者头部中的阻碍血流流动的栓块。感兴趣区的目标特征信息包括栓块的形状特征、栓块的灰度值分布特征、栓块的纹理特征中的至少一个。示例性地，形状特征可以包括描述感兴趣区的大小的特征，如体积、表面积、二维或三维的最大直径、有效直径(与感兴趣区具有相同体积的球体直径)；形状特征还可以包括描述感兴趣区与球体的相似程度的特征，如表面体积比、致密度、偏心度、球形度等。灰度值分布特征是描述感兴趣区的像素强度分布有关的特征，不包含他们之间相互的空间作用。示例性地，灰度值分布特征可以是通过图像的强度直方图得到的感兴趣区的像素强度均数、中位数、最小值、最大值、标准差、偏度和峰度，上述的这些特征可反映感兴趣区的所有像素的对称性、均匀性以及局部轻度分布变化。纹理特征是指在像素强度水平可感知或可测量的空间变化，它被视为一个灰度级，是一种视觉感知的图像局部特征的综合，简单来说，就是图像灰度值之间存在的相互关系。示例性地，纹理特征可以是灰度共生矩阵、灰度级长矩阵、灰度集带矩阵、邻域灰度差分矩阵。其中灰度共生矩阵是一个其行列数表示灰度值、单元格包含灰度值处于一定关系(角度、距离)次数的矩阵，也称为二阶直方图。在灰度共生矩阵上计算的特征包括熵(二阶熵，与异质性有关)、能量(也被定义为角二次矩，再次描述图像的均匀性)、对比度(其测量局部变化)、同质性(图像局部灰度均衡性的度量)、不相似性和相关性。灰度共生矩阵的基本原理是影像上一定距离的两个像素的灰度值之间存在着一定的空间相关关系，对这个空间相关关系进行统计分析，利用各种纹理描述，改写相关像素的灰度值，使其纹理特征能够清晰显示。另外，灰度级长矩阵表示其中每个元素(i，j)描述了灰度级在指定的方向上连续出现的次数。另外，灰度级带矩阵是在行和列处的元素存储具有灰度级和大小的区域(具有相同灰度级的连接体素)数量的矩阵。灰度级带矩阵包括描述小/大区和低/高灰度区分布的特征。最后，邻域灰度差分矩阵是在行和列处的元素存储具有灰度级和大小的区域(具有相同灰度级的连接体素)数量的矩阵。
在前文提到了获取患者的感兴趣区的目标特征信息的过程，本发明还包括对特征信息进行筛选，获得目标特征信息。最简单的特征选择方法是根据变量的稳定程度或相关性制定一个评分标准，以此标准对变量进行筛选。另外，在消除相关特征时，使用相关矩阵消除高度相关的特征，通过消除那些高度相关的特性，剩下“非冗余”的特征集，其中常用的方法有LASSO(least absolute shrinkage and selection operator)Cox回归模型、最大相关最小冗余(maximum relevance and minimum redundancy，mRMR)、主成分分析法(principal component analysis，PCA)、Pearson相关系数、线性模型等。上述筛选过程可以消除对变量源表现不稳健特征、特征间高度相关的特征，避免特征共线性问题出现，并结合降维技术，选出可重复性好、信息量大且无冗余的特征，即选出最优的特征信息，效避免过拟合问题的产生，将筛选后的最优的特征信息作为目标特征信息。
本发明的方法包括对图像特征提取与量化分析模型训练方法；将所述患者的CT平扫图像数据和CTA图像数据输入至所述训练完成的所述图像特征与量化分析模型，输出所述患者的感兴趣区的目标特征信息。在确定感兴趣区的目标特征信息前，需要完成对所述图像特征与量化分析模型的训练，具体的模型训练的过程包括：获取训练数据集，具体地，获取多组图像数据，多组图像数据包括头部CT平扫图像数据和头部CTA图像数据，其中每组头部CT平扫图像数据和头部CTA图像数据来自于相同患者。将多组图像数据中的每组图像数据分别配准，获得多组配准图像数据，具体地，可以通过级联3D卷积神经网络自动实现每组头部CT平扫图像数据和头部CTA图像数据的配准。
在所述配准图像数据上确定所述感兴趣区，示例性地，先在CTA图像数据上对感兴趣区即血栓区域进行分割，将分割后得到地血栓掩膜图像数据应用到配准图像中，在头部CT扫描图像中实现了对血栓地精确分割和定位。
本实施例还提供了一种对血栓精确定位和分割的方法，具体地，获取多组头部DSA图像数据，其中多组头部DSA图像数据中的每组头部DSA图像数据与所述每组头部CT平扫图像数据和头部CTA图像数据分别来自于相同患者。在CT扫描中，凡小于层厚的病变，CT值受层厚内其它组织的影响，所测出的CT值不能代表病变的真正的CT值：如在高密度组织中较小的低密度病灶，其CT值偏高；反之，在低密度组织中的较小的高密度病灶，其CT值偏低，这种现象称为部分容积效应。为了减少容积效应带来的定位误差，利用DSA图像分割出血栓的起始位置。DSA是数字减影血管造影，是将注入造影剂前后拍摄的两帧X线图像经数字化输入图像计算机，通过减影、增强和再成像过程把血管造影影像上的骨与软组织影像消除来获得清晰的纯血管影像，是电子计算机与常规X线血管造影相结合的一种检查方法。通俗的讲就是将造影剂注入需要检查的血管中，使血管显露原形。然后通过系统处理，使血管显示更加清晰。将所述每组DSA图像数据与对应的头部CTA图像数据的最大密度投影图像进行配准，将从DSA上分割获得的血栓掩膜图像数据应用到配准图像上，实现在配准图像数据上对血栓的精准定位。
在配准图像上获得血栓的精准定位后，通过统计学方法统计分析感兴趣区的像素信息，获得感兴趣区的目标特征信息，目标特征信息已经在前文中详细表述，在此不再赘述。
通过上述方法获得训练集数据，训练数据集为每组图像数据和上述经过对特征信息筛选或获得的目标特征信息，具体的每组图像数据可以为每组头部CT平扫图像数据和头部CTA图像数据。将所述训练数据集中的每组图像数据作为输入，然后返回一个预测值作为输出，通过检测损失函数的值，并修订损失函数中的权重值，使得预测值与已获得的感兴趣的目标特征信息逐渐逼近，以最小化损失函数。通过上述训练过程，完成对图像特征与量化分析模型的训练。
本发明还提供了一种图像特征与量化分析模型的训练方法，具体地，包括，为了实现图像特征与量化分析模型地完整性、应用性，还可以考虑加入临床检查数据进入训练集，作为模型训练的输入数据，使得图像特征与量化分析模型的数据源更加丰富，尽量在模型训练阶段就全面性的考虑患者的个体化差异和除影像学特征外的其他患者信息。其中，临床检查数据包括以下数据的至少一个：年龄、脑卒中引起的功能损害程度、疾病风险因素。脑卒中引起的功能损害程度可以通过填写美国国立卫生研究院卒中量表(NatinalInstitute of Health strke scale，NIHSS)获得，疾病风险因素可以包括与心脑血管疾病相关的患者习惯或病史信息，如吸烟史、高血压史、糖尿病史、房颤史和冠心病史等。
S203包括将所述患者的临床检查数据和所述目标特征信息输入训练完成的脑卒中病因分析模型，输出所述患者的脑卒中病因。所述脑卒中病因为心源性卒中和非心源性卒中任意一个。具体地，对分析模型的训练过程包括获取训练数据集，所述训练数据集包括上文提到的对患者的特征信息筛选后获得的患者的目标特征信息，以及患者的脑卒中病因，将所述训练数据集中的目标特征信息作为输入，然后返回一个预测值作为输出，通过检测损失函数的值，并修订损失函数中的权重值，使得预测值与已获得的患者的脑卒中病因逐渐逼近，以最小化损失函数。通过上述训练过程，完成对图像特征与量化分析模型的训练。
本发明还提供了一种分析模型的训练方法，具体地，包括，为了实现分析模型地完整性、应用性，还可以考虑加入临床检查数据进入训练集，作为模型训练的输入数据，使得分析模型的数据源更加丰富，尽量在模型训练阶段就全面性的考虑患者的个体化差异和除影像学特征外的其他患者信息。其中，临床检查数据包括以下数据的至少一个：年龄、脑卒中引起的功能损害程度、疾病风险因素。脑卒中引起的功能损害程度可以通过填写美国国立卫生研究院卒中量表(Natinal Institute of Health strke scale，NIHSS)获得，疾病风险因素可以包括与心脑血管疾病相关的患者习惯或病史信息，如吸烟史、高血压史、糖尿病史、房颤史和冠心病史等。为了使得训练模型的稳定性、准确性和泛化性，将训练数据集中的数据组以3：1：1的比例构建训练、测试和验证集。
本发明的方案的应用过程具体包括，获得患者的头部的CT平扫图像数据和CTA图像数据，将上述图像数据输入至图像特征提取与量化模型，获得血栓的目标特征信息。可选的，本发明的方案的应用过程具体包括，获得患者的头部的CT平扫图像数据和CTA图像数据，将上述图像数据和临床检查数据输入至图像特征提取与量化模型，获得血栓的目标特征信息。图像特征提取与量化模块包括图像特征提取与量化模型，所述通过图像特征提取与量化模型获得的血栓的目标特征信息与模型训练过程中的训练数据集中的目标特征信息为同类目标特征信息，即二者仅有值的差异。
在获得血栓的目标特征信息后，本发明的方案的应用过程还包括，将所述患者的临床检查数据和上述目标特征信息输入至分析模型，输出所述患者的脑卒中病因，脑卒中病因为心源性卒中和非心源性卒中任意一个。
图像特征提取与量化模型和分析模型均为人工神经网络模型，可以为卷积神经网络模型。本发明实现了基于CT影像数据对脑卒中病因的自动分析功能。
图4是本发明实施例提供的一种计算机设备。
具体的，所述计算机设备还包括通信接口302和通信总线304，其中所述处理器301、所述通信接口302、所述存储器303通过通信总线304完成相互间的通信。所述通信总线304可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。该通信总线304可以分为地址总线、数据总线、控制总线等。所述通信接口302用于上述计算机与其他设备之间的通信。
发明中所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，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 Integrated Circuit，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，所述处理器301是所述计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分。
所述存储器303可用于存储所述计算机程序，所述处理器301通过运行或执行存储在所述存储器303内的计算机程序，以及调用存储在存储器303内的数据，实现所述电子设备的各种功能。
所述存储器303可以包括非易失性和/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。
本发明还提供了一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时可以实现上文所述的医学图像分析方法。由于本发明提供的可读存储介质与上文所述的医学图像分析方法属于同一发明构思，因此其具有上文所述的医学图像分析方法的所有优点，故对此不再进行赘述。
本发明实施方式的可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、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。计算机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、便携式计算机硬盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中，计算机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组合使用。
计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++，还可以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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
虽然本发明披露根据上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (4)
1.一种脑卒中分析系统，其特征在于，包括：
数据获取模块，被配置为获取患者头部的CT平扫图像数据和CTA图像数据；
图像特征提取与量化模块，被配置为基于所述患者头部的CT平扫图像数据和CTA图像数据确定感兴趣区的目标特征信息；
分析模块，被配置为将所述患者的临床检查数据和所述目标特征信息输入训练完成的脑卒中病因分析模型，输出所述患者的脑卒中病因；
其中：
所述感兴趣区为所述患者头部中的阻碍血流流动的栓块；所述感兴趣区的目标特征信息包括以下特征的至少一个：栓块的形状特征、栓块的灰度值分布特征、栓块的纹理特征；
所述图像特征提取与量化模块包括训练完成的图像特征提取与量化分析模型；将所述患者的CT平扫图像数据和CTA图像数据输入至所述训练完成的所述图像特征提取与量化分析模型，输出所述患者的感兴趣区的目标特征信息；将所述患者的临床检查数据输入至所述训练完成的所述图像特征提取与量化分析模型；所述临床检查数据包括以下数据的至少一个：年龄、脑卒中引起的功能损害程度、疾病风险因素。
2.根据权利要求1所述的脑卒中分析系统，其特征在于，所述脑卒中病因为心源性卒中和非心源性卒中任意一个。
3.根据权利要求2所述的脑卒中分析系统，其特征在于，在确定感兴趣区的目标特征信息前，完成对所述图像特征提取与量化分析模型的训练；
所述图像特征提取与量化分析模型的训练过程包括：获取多组图像数据，多组图像数据包括头部CT平扫图像数据和头部CTA图像数据，其中每组头部CT平扫图像数据和头部CTA图像数据来自于相同患者；
将多组图像数据中的每组图像数据分别配准，获得多组配准图像数据，在所述配准图像数据上确定所述感兴趣区；
获取所述感兴趣区的特征信息；
对所述特征信息进行筛选，获得所述目标特征信息；
将所述每组图像数据和所述目标特征信息作为训练数据集，对所述图像特征提取与量化分析模型进行训练。
4.根据权利要求3所述的脑卒中分析系统，其特征在于，将多组图像数据中的每组图像数据分别配准，获得多组配准图像数据，在所述配准图像数据上确定所述感兴趣区之前，还包括：
获取与所述每组头部CT平扫图像数据和头部CTA图像数据分别来自于相同患者的头部DSA图像数据；
将各所述头部DSA图像数据与对应患者的头部CTA图像数据的最大密度投影图像进行配准；
确定所述各头部DSA图像上的感兴趣区域，并据此确定所述配准图像数据上的所述感兴趣区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310015573.0A CN115953381B (zh) | 2023-01-04 | 2023-01-04 | 一种脑卒中分析系统、分析方法和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310015573.0A CN115953381B (zh) | 2023-01-04 | 2023-01-04 | 一种脑卒中分析系统、分析方法和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115953381A CN115953381A (zh) | 2023-04-11 |
| CN115953381B true CN115953381B (zh) | 2023-10-27 |
Family
ID=87290526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310015573.0A Active CN115953381B (zh) | 2023-01-04 | 2023-01-04 | 一种脑卒中分析系统、分析方法和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953381B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010038994A2 (ko) * | 2008-10-02 | 2010-04-08 | 현석산 | 뇌혈관 분석 장치 |
| KR101754291B1 (ko) * | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
| CN112075927A (zh) * | 2020-10-15 | 2020-12-15 | 首都医科大学附属北京天坛医院 | 脑卒中的病因分类方法及装置 |
| CN114067156A (zh) * | 2021-11-16 | 2022-02-18 | 高峰 | 一种基于高分辨率医学影像的卒中分类系统和分类方法 |
| CN114332532A (zh) * | 2021-12-24 | 2022-04-12 | 深圳市铱硙医疗科技有限公司 | 一种基于脑部影像的脑卒中分类系统及方法 |
| CN114841996A (zh) * | 2022-06-10 | 2022-08-02 | 上海联影医疗科技股份有限公司 | 一种图像分析系统及方法 |
| CN115330775A (zh) * | 2022-10-13 | 2022-11-11 | 佛山科学技术学院 | 一种脑卒中ct和mri影像征象定量评估方法及系统 |
-
2023
- 2023-01-04 CN CN202310015573.0A patent/CN115953381B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010038994A2 (ko) * | 2008-10-02 | 2010-04-08 | 현석산 | 뇌혈관 분석 장치 |
| KR101754291B1 (ko) * | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
| CN112075927A (zh) * | 2020-10-15 | 2020-12-15 | 首都医科大学附属北京天坛医院 | 脑卒中的病因分类方法及装置 |
| CN114067156A (zh) * | 2021-11-16 | 2022-02-18 | 高峰 | 一种基于高分辨率医学影像的卒中分类系统和分类方法 |
| CN114332532A (zh) * | 2021-12-24 | 2022-04-12 | 深圳市铱硙医疗科技有限公司 | 一种基于脑部影像的脑卒中分类系统及方法 |
| CN114841996A (zh) * | 2022-06-10 | 2022-08-02 | 上海联影医疗科技股份有限公司 | 一种图像分析系统及方法 |
| CN115330775A (zh) * | 2022-10-13 | 2022-11-11 | 佛山科学技术学院 | 一种脑卒中ct和mri影像征象定量评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115953381A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7170145B2 (ja) | 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法 | |
| JP5785184B2 (ja) | 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術 | |
| CN111047591A (zh) | 基于深度学习的病灶体积测量方法、系统、终端及存储介质 | |
| CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| Sharrock et al. | 3D deep neural network segmentation of intracerebral hemorrhage: development and validation for clinical trials | |
| US9304973B2 (en) | Method for assessing breast density | |
| US20180315505A1 (en) | Optimization of clinical decision making | |
| CN112070119A (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
| CN110570407B (zh) | 图像处理方法、存储介质及计算机设备 | |
| Liu et al. | Deep learning powered coronary CT angiography for detecting obstructive coronary artery disease: The effect of reader experience, calcification and image quality | |
| US11386555B2 (en) | Assessment of arterial calcifications | |
| Ball et al. | Fractional flow reserve derived from coronary computed tomography angiography datasets: the next frontier in noninvasive assessment of coronary artery disease | |
| CN111340794B (zh) | 冠状动脉狭窄的量化方法及装置 | |
| CN114913977A (zh) | 一种糖尿病足风险评估方法、装置、设备及存储介质 | |
| Samak et al. | FeMA: Feature matching auto-encoder for predicting ischaemic stroke evolution and treatment outcome | |
| Maragna et al. | Artificial intelligence based multimodality imaging: a new frontier in coronary artery disease management | |
| CN115953381B (zh) | 一种脑卒中分析系统、分析方法和计算机可读存储介质 | |
| CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN109727660B (zh) | 在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测 | |
| EP4167178A1 (en) | Computer system for trabecular connectivity recovery of skeletal images reconstructed by artificial neural network through node-link graph-based bone microstructure representation, and methdo thereof | |
| KR102461893B1 (ko) | 뇌질환 판단을 위한 최소 자승법 기반의 pet 영상 중기 데이터 예측 장치 및 그 방법 | |
| Ihdayhid et al. | Coronary artery stenosis and high-risk plaque assessed with an unsupervised fully automated deep learning technique | |
| CN114913259A (zh) | 截断伪影校正方法、ct图像校正方法、设备和介质 | |
| Piri et al. | Common carotid segmentation in 18F‐sodium fluoride PET/CT scans: Head‐to‐head comparison of artificial intelligence‐based and manual method | |
| TWI751956B (zh) | 正子攝影之量化定位系統及其運作方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Yuehua Inventor after: Pan Haibin Inventor after: Yao Tingting Inventor after: Wei Jianyong Inventor after: Wei Xiaoer Inventor after: Wang Dan Inventor before: Li Yuehua Inventor before: Pan Haibin Inventor before: Yao Tingting Inventor before: Wei Jianyong Inventor before: Wei Xiaoer Inventor before: Wang Dan |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |