CN116012385A - Mr灌注图像的脑缺血分割方法、装置及存储介质 - Google Patents

Abstract

本申请实施例公开了一种MR灌注图像的脑缺血分割方法、装置及存储介质，其中MR灌注图像的脑缺血分割方法包括：获取MR灌注图像，进行预处理；将得到的预处理后的所述MR灌注图像作为输入，利用训练后的卷积神经网络模型进行脑缺血分割分析，得到输出的结果图像，同时与卷积图像的边界框信息进行处理，得到初始分割结果，所述卷积神经网络模型包含两个网络，分别是Loc‑Net和Seg‑Net，Loc‑Net用于定位脑缺血的位置，Seg‑Net用于准确描绘脑缺血区域；将得到的所述初始分割结果输入构造的成本函数，进行重建，得到3D时空重建图像；利用无噪声模型对所述3D时空重建图像进行降噪处理，得到最终的脑缺血分割结果。

Description

MR灌注图像的脑缺血分割方法、装置及存储介质

技术领域

本申请涉及医学图像处理技术领域，具体涉及一种MR灌注图像的脑缺血分割方法、装置及存储介质。

背景技术

缺血性中风目前被认为是第二大死亡原因。急性缺血性中风引起的组织损伤量是不可逆损伤组织（梗死核心）和良性少血症之间的连续统一体。在这个连续统一体中，半暗带中的组织（磁性沉默，但可能存活的组织）存在梗死的风险，但可以使用特定的治疗方法恢复适当的冲洗。临床挑战在于两类分类问题：从梗死核心识别存活组织区域，以帮助临床决策和改善患者长期预后。

临床中磁共振成像（MRI）已成为一种强大的临床诊断工具。它的应用已经扩展到通过评估许多功能和代谢参数来评估大脑功能。其中一个参数就是脑灌注。磁共振（MR）灌注成像通过非侵入性的测量脑灌注，描述了血液通过大脑血管网络的通道，具有成为诊断和治疗脑血管疾病和其他脑部疾病患者的巨大潜力，因此它也被广泛应用于评估脑缺血。

随着生物医学实践中多分量成像的不断发展，图像数据结构通常将空间分量与不同性质的分量相结合。简单的处理技术独立地考虑空间分量，但通过同时考虑空间分量及其相关性的联合方法可以获得更精确的结果。在用于图像恢复的功能性MRI、用于时空重建的对比增强MRI、用于张量场去噪的扩散张量成像以及用于分类和分割的成像光谱学中提出了这种联合方法。

CT引导下灌注扫描（CTP）、磁共振灌注扫描（MRP）可以获得全脑灌注图像，却不能单独提供脑区域灌注图，CT或MRI兼容的血管造影技术的研发显得暗室逢灯，将血管造影设备与CT或MRI设备相融合，进行血管造影的同时，进行CT或MRI灌注扫描，不但可以提供选择性血管造影成像，同时也获得局部区域的CT或MRI灌注图像。然而由于这类技术的数据处理、识别、分析较为繁琐复杂，目前临床的应用范围较为狭窄，因此通过计算机视觉领域构建相关测量模型进行数据解读显得尤为重要。

由于通过卷积神经网络提取特征后输出的尺寸往往会变小，造成了无法保证将图像恢复到原来的尺寸以便后续计算以及分割分析脑缺血区域的准确性低的问题。

发明内容

本申请实施例的目的在于提供一种MR灌注图像的脑缺血分割方法、装置及存储介质，用以解决现有技术中的脑缺血分割方法，由于通过卷积神经网络提取特征后输出的尺寸往往会变小，造成了无法保证将图像恢复到原来的尺寸以便后续计算以及分割分析脑缺血区域的准确性低的问题。

为实现上述目的，本申请实施例提供一种MR灌注图像的脑缺血分割方法，包括：获取MR灌注图像，进行预处理；

将得到的预处理后的所述MR灌注图像作为输入，利用训练后的卷积神经网络模型进行脑缺血分割分析，得到输出的结果图像，同时与卷积图像的边界框信息进行处理，得到初始分割结果，所述卷积神经网络模型包含两个网络，分别是Loc-Net和Seg-Net，Loc-Net用于定位脑缺血的位置，Seg-Net用于准确描绘脑缺血区域；

将得到的所述初始分割结果输入构造的成本函数，进行重建，得到3D时空重建图像；

利用无噪声模型对所述3D时空重建图像进行降噪处理，得到最终的脑缺血分割结果。

可选地，所述进行预处理包括：

将所述MR灌注图像的整个切片像素调整为统一像素；

将调整像素后的所述MR灌注图像进行Z-soce归一化。

可选地，所述利用训练后的卷积神经网络模型进行脑缺血分割分析包括：

将预处理后的所述MR灌注图像输入到所述卷积神经网络模型中，由Loc-Net来标记脑缺血位置，对输入的候选边界框，Loc-Net算法通过迭代的方法进行处理，获得所述边界框信息；

将通过Loc-Net获取的所述边界框信息和预处理后的所述MR灌注图像融合为脑缺血裁剪后图像，通过短连接学习一个残差函数，输出为第二个卷积层Seg-Net的输入项。

可选地，所述利用训练后的卷积神经网络模型进行脑缺血分割分析包括：

将由第一个卷积层获得结果继续在CNN架构中训练，由卷积Seg-Net来准确描绘脑缺血区域，通过短连接学习一个残差函数，输出为所述结果图像。

可选地，所述将得到的所述初始分割结果输入构造的成本函数，进行重建包括：

将所述卷积神经网络模型中得到的所述初始分割结果的切割图像通过离散化处理，把所述切割图像映射到有限空间模型中，提高算法的时空效率，以达到不改变数据相对大小的条件下，对数据进行相应的缩小，同时还原数据保真度；

对所述初始分割结果采用时间正则化、空间正则化清洗数据，减少模型参数、减低模型复杂度。

为实现上述目的，本申请还提供一种MR灌注图像的脑缺血分割装置，包括：存储器；以及

与所述存储器连接的处理器，所述处理器被配置成：

获取MR灌注图像，进行预处理；

将得到的预处理后的所述MR灌注图像作为输入，利用训练后的卷积神经网络模型进行脑缺血分割分析，得到输出的结果图像，同时与卷积图像的边界框信息进行处理，得到初始分割结果，所述卷积神经网络模型包含两个网络，分别是Loc-Net和Seg-Net，Loc-Net用于定位脑缺血的位置，Seg-Net用于准确描绘脑缺血区域；

将得到的所述初始分割结果输入构造的成本函数，进行重建，得到3D时空重建图像；

利用无噪声模型对所述3D时空重建图像进行降噪处理，得到最终的脑缺血分割结果。

为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。

本申请实施例具有如下优点：

本申请实施例提供一种MR灌注图像的脑缺血分割方法，包括：获取MR灌注图像，进行预处理；将得到的预处理后的所述MR灌注图像作为输入，利用训练后的卷积神经网络模型进行脑缺血分割分析，得到输出的结果图像，同时与卷积图像的边界框信息进行处理，得到初始分割结果，所述卷积神经网络模型包含两个网络，分别是Loc-Net和Seg-Net，Loc-Net用于定位脑缺血的位置，Seg-Net用于准确描绘脑缺血区域；将得到的所述初始分割结果输入构造的成本函数，进行重建，得到3D时空重建图像；利用无噪声模型对所述3D时空重建图像进行降噪处理，得到最终的脑缺血分割结果。

通过上述方法，联合使用了卷积神经网络和3D时空反卷积重建，提高了分割分析脑缺血区域的准确性，解决了重叠图像块重新计算卷积导致的增加推理计算时间的问题，解决了2D CNN架构导致缺失重要的空间信息，没有考虑数据的体积性质的问题，解决了单纯使用卷积神经网络提取特征后尺寸变小的问题，解决了脑MR灌注加权成像（PWI）中出现的时间去卷积问题，解决了当前技术中噪声对于图像分析的影响，减少了噪声所导致的误差。

附图说明

为了更清楚地说明本申请的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引申获得其它的实施附图。

图1为本申请实施例提供的一种MR灌注图像的脑缺血分割方法的流程图；

图2为本申请实施例提供的一种MR灌注图像的脑缺血分割方法的工作流程图；

图3为本申请实施例提供的一种MR灌注图像的脑缺血分割方法的灌注参数图；

图4为本申请实施例提供的一种MR灌注图像的脑缺血分割方法的Loc-Net模型训练流程图；

图5为本申请实施例提供的一种MR灌注图像的脑缺血分割方法的Srg-Net模型训练流程图；

图6为本申请实施例提供的一种MR灌注图像的脑缺血分割方法的注意闸门具体结构示意图；

图7为本申请实施例提供的一种MR灌注图像的脑缺血分割方法的脑缺血区域初始分割预测结果示意图；

图8为本申请实施例提供的一种MR灌注图像的脑缺血分割方法的降噪及时空重建处理最终的脑缺血区域分割分析结果示意图；

图9为本申请实施例提供的一种MR灌注图像的脑缺血分割装置的模块框图。

具体实施方式

以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本申请一实施例提供一种MR灌注图像的脑缺血分割方法，参考图1和图2，图1为本申请的一实施方式中提供的一种MR灌注图像的脑缺血分割方法的流程图，本申请通过卷积神经网络（CNN）模型提取脑缺血区域，输入3D时空反卷积算法（成本函数+数据模型）重建脑MR灌注图像中脑组织及脑缺血区域，脑缺血灌注图像的分析分割，参考图2，应当理解的是，该方法还可以包括未示出的附加框和/或可以省略所示出的框，本申请的范围在此方面不受限制。

在步骤101处，获取MR灌注图像，进行预处理。

在一些实施例中，所述进行预处理包括：

将所述MR灌注图像的整个切片像素调整为统一像素；

将调整像素后的所述MR灌注图像进行Z-soce归一化。

具体地，在构建CNN模型架构之前，对MR灌注图像进行预处理，因为这些MR切片图像像素进行算法训练将占用大量图形卡内存，不利于算法训练。

第一步将MR灌注图像整个切片A像素调整为统一像素96×96，得到图像集B；

第二步将MR灌注图像图像进行Z-soce归一化，Z-soce归一化是使数据满足标准的正态分布，计算时，先求出整个图像的像素矩阵的均值（mean）和标准差（std）,然后进行标准化处理，公式如下：

                 （1）

其中，μ表示矩阵的均值，表示矩阵的标准差，经过Z-soce操作后，数据的均值mean为0，标准差std为1，即相应的标签图像转换为0-1区间。

灌注参数参考图3（其中，箭头指向脑缺血灶）。

在步骤102处，将得到的预处理后的所述MR灌注图像作为输入，利用训练后的卷积神经网络模型进行脑缺血分割分析，得到输出的结果图像，同时与卷积图像的边界框信息进行处理，得到初始分割结果，所述卷积神经网络模型包含两个网络，分别是Loc-Net和Seg-Net，Loc-Net用于定位脑缺血的位置，Seg-Net用于准确描绘脑缺血区域。

具体地，基于得到的预处理图像，然后输入卷积神经网络（CNN）模型，进行脑缺血分割分析。

CNN包含两个网络，分别是Loc-Net和Seg-Net。Loc-Net（参考图4）和Seg-Net（参考图5）都基于U-Net的3D变体，结合了残差函数和注意闸门(Attention Gate，简称AG)模块。

在一些实施例中，所述利用训练后的卷积神经网络模型进行脑缺血分割分析包括：

将预处理后的所述MR灌注图像输入到所述卷积神经网络模型中，由Loc-Net来标记脑缺血位置，对输入的候选边界框，Loc-Net算法通过迭代的方法进行处理，获得所述边界框信息；

将通过Loc-Net获取的所述边界框信息和预处理后的所述MR灌注图像融合为脑缺血裁剪后图像，通过短连接学习一个残差函数，输出为第二个卷积层Seg-Net的输入项。

具体地，脑缺血区域定位（Loc-Net，参考图4）：

Loc-Net用于定位脑缺血的位置。将Loc-Net应用于本申请首先本申请将预处理后的MR灌注图像输入到CNN架构中，由Loc-Net来标记脑缺血位置，Loc-Net算法对输入的候选边界框（使用选择搜索或者滑动窗口获得），通过迭代的方法进行处理，获得精准的边框。如下两个过程：

第一步：识别模型：①输入候选边框：

；                   （2）

②为每个边框产生一个置信度：

                    （3）

第二步：定位模型：①输入候选边框：

                       （4）

②调整边框边界生成最终的边界框：

                   （5）

通过以上算法对于预处理后的MR灌注图像通过Loc-Net模型训练预测标记每一切片层上脑缺血位置边界框。将通过Loc-Net获取的脑缺血边界框信息和预处理图像融合为脑缺血裁剪后图像，通过短连接学习了一个残差函数，输出为第二个卷积层Seg-Net的输入项。

在一些实施例中，所述利用训练后的卷积神经网络模型进行脑缺血分割分析包括：

将由第一个卷积层获得结果继续在CNN架构中训练，由卷积Seg-Net来准确描绘脑缺血区域，通过短连接学习一个残差函数，输出为该阶段的所述结果图像。

具体地，自动描绘脑缺血区域（Seg-Net，参考图5）：

Seg-Net用于准确描绘脑缺血区域。相较于既往的模型，Seg-Net融合了注意（Attention）机制，从而提高了模型对那些与分割目标不相关区域的响应的抑制能力。SegNet的编码部分即下采样阶段提取的特征作为门控信息，即从编码提取的部分进行了注意闸门（Attention Gate）再进行衔接，从而生成注意(Attention)的权重。Seg-Net中在对编码每个分辨率上的特征与解码中对应特征进行拼接之前，使用了一个注意闸门。即AG接在每个跳跃连接的末端，对提取的特征实现注意机制。从而重新调整编码的输出特征，来控制不同空间位置特征的重要性。注意闸门具体结构参考图6。在图6中g就是解码部分的矩阵，x^l是编码部分的矩阵，x^l完成Attention后和一起级联，进入到下一层解码。

针对Seg-Net算法设置了如下过程：

首先下采样同层的特征映射进行1×1×1卷积运算得到。上一层上采样的特征映射,进行1×1×1卷积运算得到。将上两步得到的特征图和进行相加后，使用Relu激活函数得到。即

               （6）

其中，b代表偏置项，代表激活函数Relu。再经过1×1×1卷积运算得到如下结果：             （7）

其中代表1×1×1卷积核。最后进行Sigmoid激活函数，得到最终的注意力系数，注意力系数的公式如下：

                （8）

其中，代表Sigmoid激活函数，注意力系数(取值范围0-1)不断将权重分配到目标区域，此时与注意力系数相乘，相乘结果会让与目标不相关的区域的值变小，目标区域的值变大，从而提高分割精度。

使用最大池化层缩小特征图的尺寸。

本实施例对于Seg-Net应用是将由第一个卷积层获得结果继续在CNN架构中训练，由卷积Seg-Net来准确描绘脑缺血区域，通过短连接学习一个残差函数，输出为该阶段的结果图像。

脑缺血区域初始分割预测结果参考图7（图7中蓝色（灰度图为浅灰色）：脑缺血区域）。

在步骤103处，将得到的所述初始分割结果输入构造的成本函数，进行重建，得到3D时空重建图像。

具体地，最终自动描绘：

在完成CNN架构训练后，输出的结果图像，同时与经Loc-Net输出的卷积图像的边界框信息进行处理，将得到的初始分割结果输入成本函数进行重建。

在一些实施例中，所述将得到的所述初始分割结果输入构造的成本函数，进行重建包括：

将所述卷积神经网络模型中得到的所述初始分割结果的切割图像通过离散化处理，把所述切割图像映射到有限空间模型中，提高算法的时空效率，以达到不改变数据相对大小的条件下，对数据进行相应的缩小，同时还原数据保真度；

对所述初始分割结果采用时间正则化、空间正则化清洗数据，减少模型参数、减低模型复杂度。

具体地，构建3D时空反卷积模型步骤（数据模型+成本函数）：

成本函数的构造：

1、离散化处理：

空间域被划分为一组体素{}（是的简写符号），造影剂浓度信号…与这些体素相关联的采样（参考公式（1））采用时间采样周期Δt。时间样本由n索引，本申请让n表示每个的样本数。为了简单，本申请设置,和代表所有k。然后让代表所有的n，与体素相关的离散信号由以下公式定义：

。       （9）

本申请考虑由这个积分的梯形近似定义的离散数据形成模型：由于,，则有

      （10）

或者等效的用矩阵表示法，

                                   （11）

其中，和

 。           （12）

2、数据保真度：

如同第一步数据模型中所强调的，假设数据被假性高斯噪声破坏。因此，对于每个体素，本申请有离散时间信号

                                 （13）

其中在公式（10）中定义，的分量是相同分布的零均值高斯随机变量的实现。由于本申请的目标是估计信号，因此数据保真度项的自然选择如下所示：

            （14）

其中。表示-范数。假设公式（10）中的等式，的任何最小值是的最大似然估计，但是这种解不可接受，因为卷积矩阵是病态的。这是由于的特殊结构（三角形和几乎托普利茨）以及信号（），…，（）的前几个系数接近于零，并且该信号在区间上随。

为了简单起见，本申请将在本申请的其余部分使用以下紧凑符号：

                             （15）

其中是的垂直级联，是的垂直串联，“数据可靠性矩阵”H是矩阵的块对角级联；即是：

和H=                     （16）

(和的尺寸为KN×1，H的尺寸为KN×KN。)

3、时间正则化：

从生理学角度来看，真实（连续）残差函数是光滑的，这表明在时间维度上使用“-正则化” 。因此，本申请将时间正则化项定义为时间导数信号的平方'-范数之和：

               （17）

其中表示的第n个样本（或分量）。

的紧凑表达式为：

                                   （18）

其中“时间矩阵”T由下式定义：

其中              （19）

（的大小（N-1）×N，因此T的大小为K（N-1）×KN。）

4、空间正则化：

空间正则化的构建基于以下观察：一方面，如果和都属于健康组织区域，则某些相邻体和处的时间浓度信号相似；另一方面，当或或两者都位于受损组织区域时，这些信号可能非常不同。换句话说，本申请必须处理两种对立的情况：（i）在健康组织中观察到的，以及（ii）当与对于大多数n显著不同时，这发生在受损组织中或健康和受损组织之间的界面处。这建议在空间域中使用不连续保留正则化（而不是"-正则化”）。支持这种选择的另一个论点是，空间域中的分段平滑度与临床实践一致；事实上，脑组织通常通过阈值灌注参数进行分类，从而产生反映脑血流动力学的均匀空间连接区域。

设是体素索引集合上的邻域系统，即是的子集的集合，对于所有的和并且设是相邻体素对的集合。由此得出建议的空间正则化的形式为：

                （20）

其中表示体素k的中心，在中是偶数且增加的。在各向同性空间采样的情况下，定义邻域系统的一种自然方法是让是体素的索引集，其中心位于以为中心的闭合球中。在各项异性空间采样的情况下，这概括为：

   （21）

其中和表示空间维度的分辨率，其中范数和半径r＞0是独立于k的。在本申请中，将使用26个最近邻系统，这是由定义的（上的最大范数）和r=。

5、全局成本函数：

使用紧凑的符号，全局成本函数由下式给出：

 （22）

其中所谓的平滑参数＞0和＞0分别调整时间维度和空间域中的正则化强度。如时间正则化所述，“-正则化”赋予Ω重要的性质（如下所述）。

性质1：Ω是强制性的，也就是说；

性质2：如果是凸的，那么Ω是严格凸的；

性质3：假设是非凸的可二次微分。则允许

                        （23）

是的最大凹度，设是H和的垂直连接。然后Ω是严格凸的，如果

                     （24）

其中和分别表示和的最小和最大奇异值。

在步骤104处，利用无噪声模型对所述3D时空重建图像进行降噪处理，得到最终的脑缺血分割结果。

具体地，数据模型的构建：

1、无噪声模型：

本申请使用了标准灌注模型。更准确的说，通过将AIF与残差函数（表示毛细血管中仍然存在的造影剂比例）进行卷积，可以获得体积元素（以下简称体素）中的平均造影剂浓度的时间信号：

                （25）

其中是中的脑组织密度，是中的区域血流量，常数取决于动脉和毛细血管中的红细胞压积水平。严格地说，是的函数，但这种依赖性通常被忽略，因为它在实践中无法确定。

等式（25）是确定脑组织灌注参数的核心。目的是估计信号通过对感兴趣体积中的每个体素的观测值进行去卷积来计算。给定这样的估计，通过设置t=0（比如（0）=1）获得，本申请可以使用中心体积定理计算MTT：

               （26）

这些参数由补充，是动脉血到达所需的时间，该时间通过跟踪估计值的最大值获得灌注参数的含义和计算的更多细节。

2、噪声统计：

实际上，造影剂浓度信号的观测值是通过假设与横向弛豫速率的变化呈线性关系，从体素中的MR信号获得的：

                           （27）

其中，表示的观测值，为常数，TE为回波时间。

根据Gudbjartsson和Patz，是随机变量的实现

                            （28）

其中是无噪声情况下的强度，是复MR信号的实部和虚部中高斯噪声的标准偏差（本申请假设不随时间变化）。如果，可以观察到近似为高斯函数（Gaussian），平均值和标准差；如果近似为高斯函数（Gaussian），平均值和标准差。因此，如果对于所有t≥0，本申请可以使用该模型

           （29）

其中是随机变量实现或等量值，

，                         （30）

其中是随机变量的实现带。 （31）

在本申请的发明中，背景中所有的体素的与采样时间无关，这证明了高斯随机变量近似噪声的合理性。

降噪及时空重建处理最终的脑缺血区域分割分析结果参考图8。

本申请方案的优点：

1、本申请证明了高斯随机变量近似噪声的合理性，从而减小了高斯噪声对于图像中受损组织分析的影响；

2、本申请使用了时间“-正则化” 确保了重建问题的解决方案的存在，而且如果空间正则化项是凸的，它保证了该问题的适定性；

3、本申请联合使用了卷积神经网络和3D时空反卷积重建，提高了分割分析脑缺血区域的准确性；

4、本申请证明了时间正则化优于截断奇异值分解（TSVD），时空正则化优于时间正则化，并比较了凸和非凸空间正则化。

通过上述方法，联合使用了卷积神经网络和3D时空反卷积重建，提高了分割分析脑缺血区域的准确性，解决了重叠图像块重新计算卷积导致的增加推理计算时间的问题，解决了2D CNN架构导致缺失重要的空间信息，没有考虑数据的体积性质的问题，解决了单纯使用卷积神经网络提取特征后尺寸变小的问题，解决了脑MR灌注加权成像（PWI）中出现的时间去卷积问题，解决了当前技术中噪声对于图像分析的影响，减少了噪声所导致的误差。

图9为本申请实施例提供的一种MR灌注图像的脑缺血分割装置的模块框图。该装置包括：

存储器201；以及与所述存储器201连接的处理器202，所述处理器202被配置成：获取MR灌注图像，进行预处理；

将得到的预处理后的所述MR灌注图像作为输入，利用训练后的卷积神经网络模型进行脑缺血分割分析，得到输出的结果图像，同时与卷积图像的边界框信息进行处理，得到初始分割结果，所述卷积神经网络模型包含两个网络，分别是Loc-Net和Seg-Net，Loc-Net用于定位脑缺血的位置，Seg-Net用于准确描绘脑缺血区域；

将得到的所述初始分割结果输入构造的成本函数，进行重建，得到3D时空重建图像；

利用无噪声模型对所述3D时空重建图像进行降噪处理，得到最终的脑缺血分割结果。

在一些实施例中，所述处理器202还被配置成：所述进行预处理包括：

将所述MR灌注图像的整个切片像素调整为统一像素；

将调整像素后的所述MR灌注图像进行Z-soce归一化。

在一些实施例中，所述处理器202还被配置成：所述利用训练后的卷积神经网络模型进行脑缺血分割分析包括：

将预处理后的所述MR灌注图像输入到所述卷积神经网络模型中，由Loc-Net来标记脑缺血位置，对输入的候选边界框，Loc-Net算法通过迭代的方法进行处理，获得所述边界框信息；

将通过Loc-Net获取的所述边界框信息和预处理后的所述MR灌注图像融合为脑缺血裁剪后图像，通过短连接学习一个残差函数，输出为第二个卷积层Seg-Net的输入项。

在一些实施例中，所述处理器202还被配置成：所述利用训练后的卷积神经网络模型进行脑缺血分割分析包括：

将由第一个卷积层获得结果继续在CNN架构中训练，由卷积Seg-Net来准确描绘脑缺血区域，通过短连接学习一个残差函数，输出为该阶段的所述结果图像。

在一些实施例中，所述处理器202还被配置成：所述将得到的所述初始分割结果输入构造的成本函数，进行重建包括：

将所述卷积神经网络模型中得到的所述初始分割结果的切割图像通过离散化处理，把所述切割图像映射到有限空间模型中，提高算法的时空效率，以达到不改变数据相对大小的条件下，对数据进行相应的缩小，同时还原数据保真度；

对所述初始分割结果采用时间正则化、空间正则化清洗数据，减少模型参数、减低模型复杂度。

具体实现方法参考前述方法实施例，此处不再赘述。

本申请可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本申请的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、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）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。

这里参照根据本申请实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。

虽然，上文中已经用一般性说明及具体实施例对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。

Claims (10)

1.一种MR灌注图像的脑缺血分割方法，其特征在于，包括：

获取MR灌注图像，进行预处理；

将得到的预处理后的所述MR灌注图像作为输入，利用训练后的卷积神经网络模型进行脑缺血分割分析，得到输出的结果图像，同时与卷积图像的边界框信息进行处理，得到初始分割结果，所述卷积神经网络模型包含两个网络，分别是Loc-Net和Seg-Net，Loc-Net用于定位脑缺血的位置，Seg-Net用于准确描绘脑缺血区域；

将得到的所述初始分割结果输入构造的成本函数，进行重建，得到3D时空重建图像；

利用无噪声模型对所述3D时空重建图像进行降噪处理，得到最终的脑缺血分割结果。

2.根据权利要求1所述的MR灌注图像的脑缺血分割方法，其特征在于，所述进行预处理包括：

将所述MR灌注图像的整个切片像素调整为统一像素；

将调整像素后的所述MR灌注图像进行Z-soce归一化。

3.根据权利要求1所述的MR灌注图像的脑缺血分割方法，其特征在于，所述利用训练后的卷积神经网络模型进行脑缺血分割分析包括：

将预处理后的所述MR灌注图像输入到所述卷积神经网络模型中，由Loc-Net来标记脑缺血位置，对输入的候选边界框，Loc-Net算法通过迭代的方法进行处理，获得所述边界框信息；

将通过Loc-Net获取的所述边界框信息和预处理后的所述MR灌注图像融合为脑缺血裁剪后图像，通过短连接学习一个残差函数，输出为第二个卷积层Seg-Net的输入项。

4.根据权利要求3所述的MR灌注图像的脑缺血分割方法，其特征在于，所述利用训练后的卷积神经网络模型进行脑缺血分割分析包括：

将由第一个卷积层获得结果继续在CNN架构中训练，由卷积Seg-Net来准确描绘脑缺血区域，通过短连接学习一个残差函数，输出为所述结果图像。

5.根据权利要求1所述的MR灌注图像的脑缺血分割方法，其特征在于，所述将得到的所述初始分割结果输入构造的成本函数，进行重建包括：

将所述卷积神经网络模型中得到的所述初始分割结果的切割图像通过离散化处理，把所述切割图像映射到有限空间模型中，提高算法的时空效率，以达到不改变数据相对大小的条件下，对数据进行相应的缩小，同时还原数据保真度；

对所述初始分割结果采用时间正则化、空间正则化清洗数据，减少模型参数、减低模型复杂度。

6.一种MR灌注图像的脑缺血分割装置，其特征在于，包括：

存储器；以及

与所述存储器连接的处理器，所述处理器被配置成：

获取MR灌注图像，进行预处理；

将得到的预处理后的所述MR灌注图像作为输入，利用训练后的卷积神经网络模型进行脑缺血分割分析，得到输出的结果图像，同时与卷积图像的边界框信息进行处理，得到初始分割结果，所述卷积神经网络模型包含两个网络，分别是Loc-Net和Seg-Net，Loc-Net用于定位脑缺血的位置，Seg-Net用于准确描绘脑缺血区域；

将得到的所述初始分割结果输入构造的成本函数，进行重建，得到3D时空重建图像；

利用无噪声模型对所述3D时空重建图像进行降噪处理，得到最终的脑缺血分割结果。

7.根据权利要求6所述的MR灌注图像的脑缺血分割装置，其特征在于，所述处理器还被配置成：

所述进行预处理包括：

将所述MR灌注图像的整个切片像素调整为统一像素；

将调整像素后的所述MR灌注图像进行Z-soce归一化。

8.根据权利要求6所述的MR灌注图像的脑缺血分割装置，其特征在于，所述处理器还被配置成：

所述利用训练后的卷积神经网络模型进行脑缺血分割分析包括：

将预处理后的所述MR灌注图像输入到所述卷积神经网络模型中，由Loc-Net来标记脑缺血位置，对输入的候选边界框，Loc-Net算法通过迭代的方法进行处理，获得所述边界框信息；

将通过Loc-Net获取的所述边界框信息和预处理后的所述MR灌注图像融合为脑缺血裁剪后图像，通过短连接学习一个残差函数，输出为第二个卷积层Seg-Net的输入项。

9.根据权利要求8所述的MR灌注图像的脑缺血分割装置，其特征在于，所述处理器还被配置成：

所述利用训练后的卷积神经网络模型进行脑缺血分割分析包括：

将由第一个卷积层获得结果继续在CNN架构中训练，由卷积Seg-Net来准确描绘脑缺血区域，通过短连接学习一个残差函数，输出为所述结果图像。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被机器执行时实现如权利要求1至5中任一项所述的方法的步骤。

Images