CN116433890A - 基于ct灌注成像的数据处理方法、装置、介质及设备 - Google Patents

基于ct灌注成像的数据处理方法、装置、介质及设备 Download PDF

Info

Publication number
CN116433890A
CN116433890A CN202111678629.8A CN202111678629A CN116433890A CN 116433890 A CN116433890 A CN 116433890A CN 202111678629 A CN202111678629 A CN 202111678629A CN 116433890 A CN116433890 A CN 116433890A
Authority
CN
China
Prior art keywords
curve
parameter
parameters
value
time density
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
Application number
CN202111678629.8A
Other languages
English (en)
Inventor
柯晓文
王永胜
杨士霆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Deno Brain Neurology Medical Technology Co ltd
Original Assignee
Hangzhou Deno Brain Neurology Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Deno Brain Neurology Medical Technology Co ltd filed Critical Hangzhou Deno Brain Neurology Medical Technology Co ltd
Priority to CN202111678629.8A priority Critical patent/CN116433890A/zh
Priority to PCT/CN2022/133831 priority patent/WO2023124661A1/zh
Publication of CN116433890A publication Critical patent/CN116433890A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Pulmonology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请的实施例提供了一种基于CT灌注成像的数据处理方法、装置、介质及设备。该数据处理方法包括：获取基于CT灌注成像处理得到的时间密度曲线；根据初始化的曲线参数，生成所述时间密度曲线所对应的期望拟合曲线；根据所述时间密度曲线中的点与所述期望拟合曲线中的对应点之间的误差统计值，调整所述期望拟合曲线的曲线参数，以使所述误差统计值处于设定范围内；在所述误差统计值处于所述设定范围内之后，根据所述期望拟合曲线的曲线参数生成目标曲线参数；根据所述目标曲线参数生成所述时间密度曲线的标签，以根据所述时间密度曲线和所述标签生成曲线处理模型的训练样本。本申请实施例的技术方案可以提高时间密度曲线的处理效率和准确性。

Description

基于CT灌注成像的数据处理方法、装置、介质及设备
技术领域
本申请涉及计算机及通信技术领域，具体而言，涉及一种基于CT灌注成像的数据处理方法、装置、介质及设备。
背景技术
CT(Computed Tomography，电子计算机断层扫描)是用X射线束对人体某部位一定厚度的层面进行扫描，由探测器接收透过该层面的X射线并转变为可见光，然后由光电转换变为电信号，再经模拟/数字转换器转为数字信号输入至计算机进行处理。
CT灌注成像(CT perfusion，简称CTP)是一种功能成像，其不同于CT的常规扫描，而是在静脉快速团注对比剂时，对选定的感兴趣的脑层面进行连续CT扫描，从而获得感兴趣层区域的时间-密度曲线(time-density curve，简称TDC)，然后将TDC曲线通过不同的数学模型进行转换，获得局部血流灌注参数值，并基于局部血流灌注参数值形成参数图，以便更清晰地观测脑血流灌注情况。因此，CTP能更有效且量化显示局部组织血流灌注量，为分析脑梗死病灶区的血液灌注情况提供重要诊疗依据。但是，相关技术中对于TDC的处理存在效率低和准确性较差的问题。
发明内容
本申请的实施例提供了一种基于CT灌注成像的数据处理方法、装置、介质及设备，进而至少在一定程度上可以提高时间密度曲线的处理效率和准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
第一方面，本申请实施例提供了一种基于CT灌注成像的数据处理方法，包括：获取基于CT灌注成像处理得到的时间密度曲线；根据初始化的曲线参数，生成所述时间密度曲线所对应的期望拟合曲线；根据所述时间密度曲线中的点与所述期望拟合曲线中的对应点之间的误差统计值，调整所述期望拟合曲线的曲线参数，以使所述误差统计值处于设定范围内；在所述误差统计值处于所述设定范围内之后，根据所述期望拟合曲线的曲线参数生成目标曲线参数；根据所述目标曲线参数生成所述时间密度曲线的标签，以根据所述时间密度曲线和所述标签生成曲线处理模型的训练样本。
第二方面，本申请实施例提供了一种基于CT灌注成像的数据处理装置，包括：获取单元，配置为获取基于CT灌注成像处理得到的时间密度曲线；第一生成单元，配置为根据初始化的曲线参数，生成所述时间密度曲线所对应的期望拟合曲线；第一处理单元，配置为根据所述时间密度曲线中的点与所述期望拟合曲线中的对应点之间的误差统计值，调整所述期望拟合曲线的曲线参数，以使所述误差统计值处于设定范围内；第二处理单元，配置为在所述误差统计值处于所述设定范围内之后，根据所述期望拟合曲线的曲线参数生成目标曲线参数；第二生成单元，根据所述目标曲线参数生成所述时间密度曲线的标签，以根据所述时间密度曲线和所述标签生成曲线处理模型的训练样本。
第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中所述的基于CT灌注成像的数据处理方法。
第四方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上述第一方面中所述的基于CT灌注成像的数据处理方法。
第五方面，本申请实施例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施例中提供的基于CT灌注成像的数据处理方法。
在本申请的一些实施例所提供的技术方案中，通过根据初始化的曲线参数，生成时间密度曲线所对应的期望拟合曲线，然后根据时间密度曲线中的点与期望拟合曲线中的对应点之间的误差统计值，调整期望拟合曲线的曲线参数，并在误差统计值处于设定范围内之后，根据期望拟合曲线的曲线参数生成目标曲线参数，进而根据目标曲线参数生成时间密度曲线的标签，以根据时间密度曲线和该标签生成曲线处理模型的训练样本，使得可以自动生成时间密度曲线的标签，避免了人工设置标签而导致工作量巨大、处理效率较低的问题，而生成的训练样本可以用于对曲线处理模型进行训练，进而可以通过曲线处理模型来实现对时间密度曲线的处理，有利于提高时间密度曲线的处理效率和准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。在附图中：
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；
图2示出了根据本申请的一个实施例的基于CT灌注成像的数据处理方法的流程图；
图3示出了根据本申请的一个实施例的获取基于CT灌注成像处理得到的时间密度曲线的流程图；
图4示出了根据本申请的一个实施例的时间密度曲线的示意图；
图5示出了根据本申请的一个实施例的根据期望拟合曲线的曲线参数生成目标曲线参数的流程图；
图6示出了根据本申请的一个实施例的曲线处理模型的训练过程图；
图7示出了根据本申请的一个实施例的曲线处理模型的结构图；
图8示出了根据本申请的一个实施例的基于CT灌注成像的数据处理方法的流程图；
图9示出了三种损失的梯度分布示意图；
图10示出了根据本申请的一个实施例的基于CT灌注成像的数据处理装置的框图；
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在参考附图以更全面的方式描述示例实施方式。然而，示例的实施方式能够以各种形式实施，且不应被理解为仅限于这些范例；相反，提供这些实施方式的目的是使得本申请更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，本申请所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，有许多具体细节从而可以充分理解本申请的实施例。然而，本领域技术人员应意识到，在实施本申请的技术方案时可以不需用到实施例中的所有细节特征，可以省略一个或更多特定细节，或者可以采用其它的方法、元件、装置、步骤等。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
需要说明的是：在本文中提及的“多个”是指两个或两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。
人工智能(Artificial Intelligence，简称AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例的技术方案主要涉及人工智能中的机器学习(Machine Learning，简称ML)领域，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示，系统架构可以包括CT设备101、网络102和服务器103。网络102用以在CT设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等。
应该理解，图1中所示的CT设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的CT设备、网络和服务器。比如服务器103可以是多个服务器组成的服务器集群等。
CT设备101可以将采集的CT图像等信息通过网络102上传给服务器103，进而服务器103可以CT设备101上传的CT图像等信息进行CT灌注成像处理得到时间密度曲线，然后根据初始化的曲线参数，生成该时间密度曲线所对应的期望拟合曲线，并根据时间密度曲线中的点与期望拟合曲线中的对应点之间的误差统计值，调整期望拟合曲线的曲线参数，以使误差统计值处于设定范围内，进而在该误差统计值处于设定范围内之后，根据期望拟合曲线的曲线参数生成目标曲线参数，并根据目标曲线参数生成时间密度曲线的标签，然后可以根据时间密度曲线和该标签生成曲线处理模型的训练样本，以通过该训练样本对曲线处理模型进行训练。
需要说明的是，本申请实施例所提供的基于CT灌注成像的数据处理方法一般由服务器103执行，相应地，基于CT灌注成像的数据处理装置一般设置于服务器103中。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
图2示出了根据本申请的一个实施例的基于CT灌注成像的数据处理方法的流程图，该基于CT灌注成像的数据处理方法可以由服务器来执行，该服务器可以是图1中所示的服务器103。参照图2所示，该基于CT灌注成像的数据处理方法至少包括以下步骤：
步骤S210，获取基于CT灌注成像处理得到的时间密度曲线；
步骤S220，根据初始化的曲线参数，生成时间密度曲线所对应的期望拟合曲线；
步骤S230，根据时间密度曲线中的点与期望拟合曲线中的对应点之间的误差统计值，调整期望拟合曲线的曲线参数，以使该误差统计值处于设定范围内；
步骤S240，在误差统计值处于设定范围内之后，根据期望拟合曲线的曲线参数生成目标曲线参数；
步骤S250，根据生成的目标曲线参数生成时间密度曲线的标签，以根据时间密度曲线和标签生成曲线处理模型的训练样本。
以下对上述各个步骤的实现细节进行详细阐述：
在步骤S210中，获取基于CT灌注成像处理得到的时间密度曲线。
在本申请的一个实施例中，参照图3所示，获取基于CT灌注成像处理得到的时间密度曲线的过程，可以包括如下步骤：
步骤S310，获取至少一个扫描层面，该至少一个扫描层面是通过对感兴趣区域进行划分得到的。
可选地，感兴趣区域即为ROI(Region of Interest)，比如可以是脑部的某一特定区域；扫描层面即为需要进行CT灌注成像的层面。在本申请的实施例中，为了获得更多的训练样本，可以划分得到多个扫描层面，比如可以有37个扫描层面等。
步骤S320，在多个时刻分别对各个扫描层面进行CT扫描处理，得到各个扫描层面所对应的CT切片图像的时间序列。
可选地，多个时刻中的两两时刻之间的时间差可以是固定的，也可以是随机的。一个扫描层面对应的CT切片图像的时间序列即为在这多个时刻分别对该扫描层面进行CT扫描处理，然后按照这多个时刻的先后顺序，将得到的CT切片图像进行排列得到的。
步骤S330，从CT切片图像的时间序列所包含的各个CT切片图像中获取相同坐标位置处的像素值，得到像素值的时间序列。
可选地，比如针对某一个坐标位置(x0,y0)，那么从一个CT切片图像的时间序列中都提取出该坐标位置处像素值，然后按照前述多个时刻的先后顺序，将提取出的像素值进行排列得到像素值的时间序列。按照这种方式，对于512×512的CT切片图像而言，针对一个扫描层面会生成512×512个像素值的时间序列。
可选地，为了减少数据量，可以按照设定的采样间隔从CT切片图像中进行采样处理得到至少一个坐标位置，然后在生成像素值的时间序列时，只针对这至少一个坐标位置来生成。比如，可以在x轴和y轴上每隔10个像素点采样得到一个坐标位置。
步骤S340，根据像素值的时间序列生成时间密度曲线。
可选地，由于像素值的时间序列是按照时间顺序进行排列的多个像素值，因此可以以时间信息作为横坐标，以像素值作为纵坐标来生成时间密度曲线。
继续参照图2所示，在步骤S220中，根据初始化的曲线参数，生成时间密度曲线所对应的期望拟合曲线。
在本申请的一个实施例中，可以调用伽玛函数初始化曲线参数，该曲线参数包括用于表示曲线对称程度的第一参数、用于表示曲线中的开始增长点的第二参数、用于表示曲线宽度的第三参数，然后基于初始化的第一参数、第二参数和第三参数，生成期望拟合曲线。
可选地，第一参数是用于衡量以主波峰到横轴的垂线为对称轴时曲线的对称情况；第三参数可以用于衡量曲线中主波峰的停止下降点，与曲线中停止下降点的纵坐标值相等，且与停止下降点之间的横坐标差值最小的点之间的宽度。
继续参照图2所示，在步骤S230中，根据时间密度曲线中的点与期望拟合曲线中的对应点之间的误差统计值，调整期望拟合曲线的曲线参数，以使该误差统计值处于设定范围内。
在本申请的一个实施例中，由于曲线的幅值不一样，因此在根据时间密度曲线中的点与期望拟合曲线中的对应点之间的误差统计值，调整期望拟合曲线的曲线参数之前，可以对时间密度曲线的幅值和期望拟合曲线的幅值进行归一化处理。比如将幅值归一化处理到0-1之间。
需要说明的是，时间密度曲线中的点与期望拟合曲线中的点是一一对应的，这种对应关系可以是以横轴作为基准的，比如根据两条曲线的横坐标的对应关系来选定点的对应关系。更具体地，由于时间密度曲线是以时间作为横轴的曲线，因此时间密度曲线与期望拟合曲线中相同时刻的点(即横坐标相同的点)可以认定为是对应的；当然，如果两条曲线中的时间长度(即曲线中横坐标的跨度)不相同，那么也可以通过比例缩放的方式来实现横坐标之间的对应，进而据此确定两条曲线中对应的点。
在本申请的其它实施例中，也可以通过计算时间密度曲线的曲线参数与期望拟合曲线的曲线参数之间的误差统计值，并以此来调整期望拟合曲线的曲线参数。
可选地，误差统计值可以是MSE(Mean Squared Error，均方误差)、RMSE(RootMean Squared Error，均方根误差)、MAE(Mean Absolute Deviation，平均绝对误差)等。
可选地，由于整个时间密度曲线可能太长或者过于复杂导致不易进行分析处理，因此在本申请的一个实施例中，根据时间密度曲线中的点与期望拟合曲线中的对应点之间的误差统计值，调整期望拟合曲线的曲线参数的过程可以是：从时间密度曲线中提取曲线起始点到曲线中主波峰的停止下降点之间的部分，得到第一部分曲线；从期望拟合曲线中提取曲线起始点到曲线中主波峰的停止下降点之间的部分，得到第二部分曲线；基于第一部分曲线中的点与第二部分曲线中的对应点之间的误差统计值，调整期望拟合曲线的曲线参数。
具体地，在图4所示的时间密度曲线中，A点即为主波峰的停止下降点，那么可以提取A点左侧的部分曲线来进行后续的分析处理。
在本申请的一个实施例中，基于第一部分曲线中的点与第二部分曲线中的对应点之间的误差统计值，调整期望拟合曲线的曲线参数，以使误差统计值处于设定范围内的过程可以是：在误差统计值小于设定误差值时，根据第一部分曲线的曲线参数调整期望拟合曲线的曲线参数，直至误差统计值大于或等于设定误差值。可选地，如果设定误差值为MSE，那么该设定误差值比如可以是0.3或者0.5等。
在本申请的一个实施例中，根据第一部分曲线的曲线参数调整期望拟合曲线的曲线参数的过程可以是：若第一部分曲线的第一参数与期望拟合曲线的第一参数之间的差值未处于第一区间内，则调整期望拟合曲线的第一参数。其中，第一参数用于表示曲线对称程度。
在本申请的一个实施例中，根据第一部分曲线的曲线参数调整期望拟合曲线的曲线参数的过程可以是：若第一部分曲线的第二参数与期望拟合曲线的第二参数之间的差值未处于第二区间内，则调整期望拟合曲线的第二参数。其中，第二参数用于表示曲线中的开始增长点。
在本申请的一个实施例中，根据第一部分曲线的曲线参数调整期望拟合曲线的曲线参数的过程可以是：若第一部分曲线的第三参数与期望拟合曲线的第三参数之间的差值未处于第三区间内，则调整期望拟合曲线的第三参数。其中，第三参数用于表示曲线宽度。
对于前述实施例中提到的第一部分曲线的曲线参数，可以通过以下实施例的技术方案来进行计算得到：
在本申请的一个实施例中，对于第一参数，可以根据第一部分曲线的曲线对称程度、第二部分曲线的曲线对称程度，以及第二部分曲线的第一参数，生成第一部分曲线的第一参数。具体而言，可以在第一部分曲线上生成峰值点到横轴的第一垂线，以及在第二部分曲线上生成峰值点到横轴的第二垂线，然后在第一部分曲线上选择以第一垂线为对称轴的第一目标点对，并在第二部分曲线上选择以第二垂线为对称轴的第二目标点对；根据第一目标点对和第二目标点对，以及第二部分曲线的第一参数，生成第一部分曲线的第一参数。
比如，在图4所示的时间密度曲线中，峰值点到横轴的第一垂线所在的直线即为L，第一目标点对即为C1和D1；类似的，也可以通过相同的方式在第二部分曲线上选择得到第二目标点对。
可选地，在根据第一目标点对和第二目标点对，以及第二部分曲线的第一参数，生成第一部分曲线的第一参数时，可以是参考第一目标点对之间的距离，以及第二目标点对之间的距离，然后计算这两个距离之间的比值，将这个比值作为第一部分曲线的第一参数与第二部分曲线的第一参数之间的比值，进而可以得到第一部分曲线的第一参数。
在本申请的一个实施例中，由于第二参数用于表示曲线中的开始增长点，因此可以根据第一部分曲线中的开始增长点来确定第一部分曲线的第二参数。
在本申请的一个实施例中，对于第三参数，可以根据第一部分曲线中主波峰的停止下降点，在第一部分曲线上确定第一目标点，然后根据该停止下降点和第一目标点之间的横坐标差值，确定第一部分曲线的第三参数，该停止下降点和第一目标点的纵坐标值相等。其中，第一目标点对应的横坐标值小于停止下降点对应的横坐标值，特别地，在第一部分曲线上存在多个点与停止下降点的纵坐标值相等的情况下，该多个点中的第一目标点与停止下降点之间的横坐标差值最小。具体地，在图4所示的时间密度曲线中，A点即为主波峰的停止下降点，第一目标曲线上与A点的纵坐标值相等的点为E点，那么可以将A点与E点之间的横坐标差值作为第一部分曲线的第三参数。
继续参照图2所示，在步骤S240中，在误差统计值处于设定范围内之后，根据期望拟合曲线的曲线参数生成目标曲线参数。
在本申请的一个实施例中，可以将期望拟合曲线的曲线参数直接作为目标曲线参数。或者也可以采用图5所示的技术方案来生成目标曲线参数，具体地，如图5所示，根据期望拟合曲线的曲线参数生成目标曲线参数的过程可以包括如下步骤：
步骤S510，根据期望拟合曲线的曲线参数和设定的搜索半径，生成曲线参数中包含的多个参数所分别对应的搜索范围。
具体地，比如曲线参数中包含有三个参数：a(用于表示前述第一参数)、loc(用于表示前述第二参数)和scale(用于表示前述第三参数)，假设期望拟合曲线的曲线参数为a＝5、loc＝6、scale＝6，设定的搜索半径为3，那么a对应的搜索范围为[5-3,5+3]，loc对应的搜索范围为[6-3,6+3]，scale对应的搜索范围为[6-3,6+3]。
步骤S520，根据设定的搜索步长和该多个参数分别对应的搜索范围，生成该多个参数分别对应的搜索值集合。
具体地，以前述示例进行说明，假设设定的搜索步长为1，那么a对应的搜索值集合为{2,3,4,5,6,7,8}，loc对应的搜索值集合为{3,4,5,6,7,8,9}，scale对应的搜索值集合为{3,4,5,6,7,8,9}。
步骤S530，从该多个参数分别对应的搜索值集合中选择处于相同位置处的搜索值，得到多个搜索值组合。
具体地，继续以前述示例进行说明，假设选择第一个位置处的搜索值，得到的搜索值组合为a＝2，loc＝3，scale＝3；选择第二个位置处的搜索值，得到的搜索值组合为a＝3，loc＝4，scale＝4；……，以此类推，可以选择出个搜索值组合。
步骤S540，从该多个搜索值组合中选择一个搜索值组合作为目标搜索值组合，根据该目标搜索值组合得到目标曲线参数。
由于搜索值组合中包含有曲线参数，因此可以将选择出的目标搜索值组合中包含的曲线参数作为目标曲线参数。
可选地，在从多个搜索值组合中选择一个作为目标搜索值组合时，可以计算这多个搜索值组合分别相对于时间密度曲线的误差统计值，得到各个搜索值组合的误差统计值，然后选择误差统计值最小的搜索值组合作为目标搜索值组合。该实施例的技术方案使得选择出的目标曲线参数与前述的时间密度曲线之间最为接近，进而可以提高选择出的目标曲线参数的准确性。可选地，该误差统计值可以是MSE。当然，在本申请的其它实施例中，也可以随机选择一个搜索值组合作为目标搜索值组合。
需要说明的是，计算搜索值组合相对于时间密度曲线的误差统计值的一种实施例可以是计算搜索值组合与时间密度曲线的曲线参数之间的误差统计值。具体地，如果搜索值组合中包含上述三个参数(为便于与时间密度曲线的曲线参数进行区分，将搜索值组合中包含的三个参数表示为a'、loc'、scale')，那么在计算搜索值组合相对于时间密度曲线的误差统计值时，是计算这三个参数与时间密度曲线的a、loc和scale之间的误差统计值。如果误差统计值为MSE，那么搜索值组合相对于时间密度曲线的误差统计值可以通过下述公式进行计算：
Figure BDA0003453219770000121
其中，n表示样本个数，在该实施例中表示搜索值组合的个数；ω1、ω2、ω3均为大于0的常数。
计算搜索值组合相对于时间密度曲线的误差统计值的另一种实施例可以是类似于时间密度曲线中的点与期望拟合曲线中的对应点之间的误差统计值的计算方式。这是由于根据搜索值组合中所包含的参数同样可以生成一条曲线，那么可以根据这条曲线上的点与时间密度曲线上对应的点来计算误差统计值，并将得到的误差统计值作为搜索值组合的误差统计值。
继续参照图2所示，在步骤S250中，根据生成的目标曲线参数生成时间密度曲线的标签，以根据时间密度曲线和标签生成曲线处理模型的训练样本。
在本申请的一个实施例中，在生成训练样本之后，可以通过训练样本对曲线处理模型进行训练，进而可以通过训练后的曲线处理模型来对TDC曲线进行处理，以确保TDC曲线的处理效率和准确性。
具体地，对模型的训练过程可以如图6所示，包括如下步骤：
步骤S610，获取多个训练样本，多个训练样本均包括时间密度曲线和时间密度曲线的标签。
可选地，可以通过前述实施例的技术方案获取得到多个训练样本。
步骤S620，将该多个训练样本中所包含的时间密度曲线输入至曲线处理模型中，以使曲线处理模型输出该多个训练样本对应的输出值。
可选地，可以将多个训练样本并行输入至曲线处理模型进行训练，以提高训练效率。
在本申请的一个实施例中，曲线处理模型可以包括：顺次相连的多个卷积单元，以及以多个卷积单元的输出作为输入的全连接单元，全连接单元中包含有顺次相连的多个全连接层；其中，多个卷积单元中的首个卷积单元的输入作为曲线处理模型的输入，多个全连接层中的最后一个全连接层的输出作为曲线处理模型的输出。
可选地，曲线处理模型的结构可以如图7所示，包括4个卷积单元和3个全连接层。4个卷积单元的卷积核个数可以分别为：48、96、96、192。3个全连接层的节点数可以分别为：384、384、30。
在本申请的一个实施例中，每个卷积单元包括顺次相连的第一卷积层、归一化层、激活函数层、第二卷积层、归一化层、激活函数层和最大池化层。可选地，第一卷积层和第二卷积层的卷积核大小均为3×3、卷积步长为1；最大池化层的卷积核大小为2×2、卷积步长为2。
步骤S630，计算曲线处理模型的输出值与其对应的训练样本中所包含的时间密度曲线的标签之间的损失值。
可选地，可以通过smooth L1损失函数计算曲线处理模型的输出值与对应的训练样本中所包含的时间密度曲线的标签之间的损失值。
步骤S640，若损失值大于设定损失阈值，则调整曲线处理模型的参数，直至损失值小于设定损失阈值。
可选地，调整曲线处理模型的参数可以是调整卷积核中的权重(weight)和偏置值(bias)。
前述实施例对本申请实施例的一些实施方式进行了说明，以下结合图8以一个具体示例对本申请实施例的技术方案的实现细节进行详细阐述：
本申请实施例的技术方案主要包括两个过程：建立训练TDC的标签，以及对待训练模型进行训练，得到用于对TDC曲线进行处理的模型。以下对这两方面分别进行说明：
(1)建立训练TDC的标签是为了使模型在训练之后，能够在输入一条TDC数据后，输出一条已拟合好的gamma分布曲线。因此需要对模型进行训练，而对模型进行训练不仅需要训练数据(即TDC曲线数据)，而且需要为训练数据设置标签，本申请实施例的技术方案不需要人工设置标签，完全可以自动生成标签。具体过程可以如图8所示，包括如下步骤：
步骤S801，获取待训练的TDC数据。
可选地，待训练的TDC数据可以通过以下方式得到的：首先获取感兴趣区域，比如脑部的感兴趣区域；然后将感兴趣区域进行划分，得到37个扫描层面；之后在30个时刻中的每个时刻对这37个扫描层面同时进行扫描，得到30×37张切片图像，其中，每张切片图像的尺寸为512×512；最后通过30×37张切片图像和30个时刻得到待训练的TDC数据。
由于对于每一个扫描层面而言，是在30个时刻分别进行扫描，得到了对应的30张切片图像，因此这30张切片图像上同一像素坐标所对应的像素值可通过30个时刻构成一条TDC曲线。例如，在t1时刻得到切片图像P1，在t2时刻得到切片图像P2，在t3时刻得到切片图像P3，假设选择P1、P2以及P3上的像素坐标Z，P1中在Z处的像素值为33，P2中在Z处的像素值为22，P3中在Z处的像素值为77，则可通过(t1，33)、(t2，22)、(t3，77)得到一条TDC曲线。
又由于每张切片图像的大小为512×512，因此每个切片图像对应的待训练TDC为512×512条，37个扫描层面对应的TDC数量为37×512×512。需要说明的是：该实施例中的具体数值(如扫描层面的个数、时刻的个数和切片图像的尺寸)仅为示例，相邻两个时刻之间的时差长度可以是随机的，也可以是预设的。
步骤S802，对待训练的TDC进行抽样处理。
具体地，由于待训练TDC的数量太大，因此需要对待训练TDC进行抽样处理。比如，抽样方法可以为：对于每张切片图像而言，在X轴和Y轴上每隔10个像素点选取一个像素点，因此对于尺寸为512×512的切片图像而言，每张切片图像可以选取50×50个像素点，从而每个切片图像对应的TDC数量为50×50。
步骤S803，对抽样得到的TDC进行归一化处理。
具体地，由于每个待训练TDC曲线的幅值不一样，因此为了便于处理，可以将抽样得到的待训练TDC曲线的幅值归一化到0-1之间，得到归一化的TDC。
步骤S804，生成期望标签TDC。
需要说明的是，该期望标签TDC是期望拟合得到的TDC曲线(即前述实施例中的期望拟合曲线)。在生成期望标签TDC时，可以针对每一条归一化的TDC，调用scipy.stats库中的gamma函数得到期望标签TDC。具体步骤为：先使用gamma函数初始化一组参数：a，loc，scale，其中，a表示gamma分布中的形状参数，具体是表示gamma函数对应的曲线对称程度；loc表示gamma分布中的位置参数，具体是表示gamma函数对应的曲线开始增长的点；scale表示gamma分布中的比例参数，具体是表示gamma函数对应的曲线的宽度。之后通过初始化的a、loc和scale画出一条TDC曲线，然后对该TDC曲线进行归一化，得到期望标签TDC。
步骤S805，提取TDC曲线的目标部分。
具体地，可以提取归一化TDC的第一目标部分，以及提取期望标签TDC的第二目标部分，第一目标部分是归一化TDC中从起始点开始到主波峰停止下降的点之间的部分；第二目标部分是期望标签TDC中从起始点开始到主波峰停止下降的点之间的部分。
步骤S806，根据第一目标部分和第二目标部分的MSE对第二目标部分的曲线参数进行调整。
具体地，先计算第一目标部分和第二目标部分的MSE，然后在MSE小于第一预设数值(比如可以是0.3或者0.5等)的情况下，对第二目标部分的a、loc和scale中的至少一个参数进行调整，直到MSE大于或等于第一预设数值时，得到期望的第二目标部分的a、loc和scale。
可选地，在计算第一目标部分和第二目标部分的MSE时，可以是计算第一目标部分上的点与第二目标部分上对应的点之间的MSE，或者也可以是计算第一目标部分的a、loc和scale与第二目标部分的a、loc和scale之间的MSE。
其中，对第二目标部分的a、loc和scale中的至少一个进行调整包括以下两种方法：
方法1：可以通过人工手动调整，比如用户在接收到MSE小于第一预设数值的信息之后，通过观察第一目标部分和第二目标部分，手动的输入调整指令到计算机，对第二目标部分的a、loc和scale中的至少一个进行调整，直到在MSE大于或等于第一预设数值时，得到期望的第二目标部分的a、loc和scale，并停止调整。
方法2：由设备自动调整。具体地，首先确定第一目标部分的a、loc和scale；然后基于第一目标部分的a、loc和scale和第二目标部分的a、loc和scale，对第二目标部分的a、loc和scale中的至少一个进行调整，最终得到期望的第二目标部分的a、loc和scale。
具体的调整方法为：在第一目标部分的a与第二目标部分的a的差值未处于第一区间的情况下，则按照预设方式增加第二目标部分的a；在第一目标部分的loc与第二目标部分的loc的差值未处于第二区间情况下，则按照预设方式增加第二目标部分的loc；在第一目标部分的scale与第二目标部分的scale的差值未处于第三区间的情况下，则按照预设方式增加第二目标部分的scale。上述调整在MSE大于或等于第一预设数值的情况时停止进行，此时将第二目标部分的a、loc和scale作为期望的第二目标部分的a、loc和scale，并显示第一目标部分和第二目标部分拟合完成的信息。
可选地，第一区间和第三区间可以为0.1至0.3的区间(可以包括端值，或者也可以不包括端值)；第二区间可以为0至1的区间(可以包括端值，或者也可以不包括端值)。
在本申请的一个实施例中，确定第一目标部分的a值的过程可以是：作一条过第一目标部分的峰值点且垂直于X轴的直线L，以L为对称轴在第一目标部分上选取点C1和点D1，具体如图4所示。同时，也可以作一条过第二目标部分的峰值点且垂直于X轴的直线L'，以L'为对称轴在第二目标部分上选取点C1'和点D1'，然后以第二目标部分的C1'、D1'和a，以及第一目标部分的C1和D1，得到第一目标部分的a。
确定第一目标部分的scale值的过程可以是：首先在第一目标部分上找到点A(即主波峰停止下降的点)，然后找到与点A的纵坐标相同的点E，然后计算点A的横坐标值与点E的横坐标值的差值，该差值为scale，具体如图4所示。
步骤S807，根据期望的第二目标部分的a、loc和scale，生成目标a、loc和scale。
具体地，在确定期望的第二目标部分的a、loc和scale之后，首先根据设定的搜索半径，计算期望的第二目标部分的a对应的第一搜索范围、期望的第二目标部分的loc对应的第二搜索范围，以及期望的第二目标部分的scale对应的第三搜索范围；然后根据设定的搜索步长在第一搜索范围中确定第一搜索值集合，根据设定的搜索步长在第二搜索范围中确定第二搜索值集合，以及根据设定的搜索步长在第三搜索范围中确定第三搜索值集合；最后根据第一搜索值集合、第二搜索值集合以及第三搜索值集合中选择处于相同位置的搜索值确定一个MSE，从而确定多个MSE，并将最小的MSE对应的a、loc和scale作为目标a、loc和scale。该实施例的技术方案使得可以减少手动调整的工作量，有利于提升调整速率和准确性。
举例来说，假设期望的第二目标部分的a＝5、loc＝6、scale＝6，搜索半径为3，则a对应的搜索范围为[5-3,5+3]，loc对应的搜索范围为[6-3,6+3]，scale对应的搜索范围为[6-3,6+3]，其中的搜索范围可以包含端值，也可以不包含端值。假设搜索半径为1，则a对应的搜索值集合为{2,3,4,5,6,7,8}，loc对应的搜索值集合为{3,4,5,6,7,8,9}，scale对应的搜索值集合为{3,4,5,6,7,8,9}，因此先选取a＝2、loc＝3、scale＝3通过计算得到一个MSE1，然后再选取a＝3、loc＝4、scale＝4通过计算得到一个MSE2，直到选取a＝8、loc＝9、scale＝9通过计算得到MSE9，之后从MSE1、MSE2…MSE9中选取一个最小的MSE，并将最小的MSE所对应的a、loc和scale确定为目标a、loc和scale。
可选地，在计算选择出的搜索值所对应的MES时，同样可以参照前述实施例中所介绍的两种技术方案来进行计算。
步骤S808，基于目标a、loc和scale得到待训练TDC的标签。
(2)对待训练模型进行训练的过程主要包括：将待训练TDC输入到待训练模型中(如果输入多个，则可以并行处理)，得到模型输出的拟合TDC；计算拟合TDC和该拟合TDC对应的标签的MAE loss；在MAE loss大于预设损失数的情况下，利用反向传播算法调整待训练模型的参数(如模型的权重和偏置值)；直至在MAE loss小于预设损失数的情况下，停止输入训练TDC到待训练模型，并得到训练模型。
可选地，待训练模型为一维CNN(Convolutional Neural Networks，卷积神经网络)模型，模型由4个卷积Block(共8个卷积层)和3个全连接层组成。
可选地，待训练模型的具体模型结构可以如图7所示。其中，每个ConvBlock(即卷积单元)的结构都可以为：Conv1d(卷积层)->BN(即Batch Normalization，批量归一化)->ReLU(激活函数)->Conv1d->BN->ReLU->Maxpool1d(最大池化层)。其中，一维卷积(即Conv1d)的卷积核大小均为3×3，卷积步长均为1；而Maxpool1d的卷积核大小可以是2×2，步长为2。每个卷积单元中的两个卷积层的卷积核个数是一致的，但不同的block的卷积核个数有所不同，4个卷积单元的卷积核个数分别为：[48,96,96,192]；3个全连接层中的节点数量分别为：FC1(384个节点)->FC2(384个节点)->FC3(30个节点)。
其中，模型训练完成之后，得到训练好的CNN模型，在通过训练好的模型进行预测处理时，可以对一个扫描层面的所有像素点对应的TDC曲线同时进行处理，具体是将512×512＝262144个TDC曲线按每份4096个分成64份，之后依次输入到训练好的模型中进行处理，这样模型每次可以同时并行处理4096个像素点对应的TDC曲线，共处理64次。需要说明的是：该实施例中的数量是预设的，仅用于表示并行处理4096份是处理速度的峰值。
在本申请的上述实施例中，通过一维卷积神经网络来进行gamma曲线拟合可以看作是一个回归任务，通常来说回归问题可以使用L1损失或L2损失，L1损失实质上就是MAE损失，是把目标值与模型输出(即预测值)之间的差值做绝对值之后得到的误差；而L2损失就是MSE损失，是把目标值与模型输出之间的差值求平方得到的误差，以上两种损失均适用于回归问题，但是当目标值和预测值相差较小和较大时，会出现不稳定或梯度爆炸的问题。由于本申请实施例中的一维卷积神经网络是随机初始化的，会导致模型在刚开始训练时预测值和目标值差别较大，如果使用L2损失，会导致梯度过大，发生梯度爆炸，而当预测值和目标值之间的差别很小时，如果使用L1损失，则梯度也会过大，进而导致模型不稳定，因此本申请实施例中的在模型训练时可以使用Smooth L1 Loss，也就是平滑的L1损失，具体是结合了L1损失和L2损失的优点，其中，L1损失、L2损失和Smooth L1损失的梯度分布如图9所示，显然Smooth L1损失的梯度更加平滑。
在本申请的实施例中，提出了用一个一维卷积神经网络来对TDC曲线进行gamma拟合，以达到曲线信号处理的作用，优点在于：1)可以充分利用卷积神经网络端到端的训练的便捷性，简化传统TDC信号处理中先进行特征工程再进行信号处理的繁琐过程，另外，因为脑卒中灌注CT图像中每个像素TDC信号的形状和分布相对单一，所以对于卷积神经网络来说特征和语义都比较单一，模型的准确度和鲁棒性都可以得到保障，只需要通过制造目标值来告诉模型我们想要的拟合效果即可，无需进行一些列的例如滤波、异常值处理等特征工程操作；2)训练好的网络在预测处理时可以使用pytorch和Nvidia CUDA等深度学习库和加速库，可以进行并行计算，缩短信号处理的总时间。
同时，本申请实施例也提出了一种方便快捷的生成标签的方案，即半自动gamma拟合参数微调搜索的方法，由于采用全监督的卷积神经网络方法的弊端是需要大量的带标签的数据，标签的制作通常是一项耗时的工作，因而很有必要提升制作标签的效率，同时保证标签制作的准确性，这个“半自动”的方法基于MSE损失和网格搜索的方法，对于大部分TDC都适用，可以有效减少30％-50％的标签制作工作量。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的基于CT灌注成像的数据处理方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的基于CT灌注成像的数据处理方法的实施例。
图10示出了根据本申请的一个实施例的基于CT灌注成像的数据处理装置的框图。
参照图10所示，根据本申请的一个实施例的基于CT灌注成像的数据处理装置1000，包括：获取单元1002、第一生成单元1004、第一处理单元1006、第二处理单元1008和第二生成单元1010。
需要说明的是，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。
其中，获取单元1002配置为获取基于CT灌注成像处理得到的时间密度曲线；第一生成单元1004配置为根据初始化的曲线参数，生成所述时间密度曲线所对应的期望拟合曲线；第一处理单元1006配置为根据所述时间密度曲线中的点与所述期望拟合曲线中的对应点之间的误差统计值，调整所述期望拟合曲线的曲线参数，以使所述误差统计值处于设定范围内；第二处理单元1008配置为在所述误差统计值处于所述设定范围内之后，根据所述期望拟合曲线的曲线参数生成目标曲线参数；第二生成单元1010根据所述目标曲线参数生成所述时间密度曲线的标签，以根据所述时间密度曲线和所述标签生成曲线处理模型的训练样本。
需要说明的是，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图11示出的电子设备的计算机系统1100仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示，计算机系统1100包括中央处理单元(Central Processing Unit，CPU)1101，其可以根据存储在只读存储器(Read-Only Memory，ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(Random Access Memory，RAM)1103中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1103中，还存储有系统操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output，I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，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结合使用。而在本申请中，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计算机程序。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。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码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。也应当注意，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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (19)

1.一种基于CT灌注成像的数据处理方法，其特征在于，包括：
获取基于CT灌注成像处理得到的时间密度曲线；
根据初始化的曲线参数，生成所述时间密度曲线所对应的期望拟合曲线；
根据所述时间密度曲线中的点与所述期望拟合曲线中的对应点之间的误差统计值，调整所述期望拟合曲线的曲线参数，以使所述误差统计值处于设定范围内；
在所述误差统计值处于所述设定范围内之后，根据所述期望拟合曲线的曲线参数生成目标曲线参数；
根据所述目标曲线参数生成所述时间密度曲线的标签，以根据所述时间密度曲线和所述标签生成曲线处理模型的训练样本。
2.根据权利要求1所述的基于CT灌注成像的数据处理方法，其特征在于，所述获取基于CT灌注成像处理得到的时间密度曲线，包括：
获取至少一个扫描层面，所述至少一个扫描层面是通过对感兴趣区域进行划分得到的；
在多个时刻分别对各个扫描层面进行CT扫描处理，得到所述各个扫描层面所对应的CT切片图像的时间序列；
从所述CT切片图像的时间序列所包含的各个CT切片图像中获取相同坐标位置处的像素值，得到像素值的时间序列；
根据所述像素值的时间序列生成所述时间密度曲线。
3.根据权利要求2所述的基于CT灌注成像的数据处理方法，其特征在于，所述相同坐标位置包括：按照设定的采样间隔从所述CT切片图像中进行采样处理所得到的至少一个像素位置。
4.根据权利要求1-3任一项所述的基于CT灌注成像的数据处理方法，其特征在于，所述根据初始化的曲线参数，生成所述时间密度曲线所对应的期望拟合曲线，包括：
调用伽玛函数初始化曲线参数，所述曲线参数包括用于表示曲线对称程度的第一参数、用于表示曲线中的开始增长点的第二参数以及用于表示曲线宽度的第三参数；
基于初始化的所述第一参数、第二参数和所述第三参数，生成所述期望拟合曲线。
5.根据权利要求1所述的基于CT灌注成像的数据处理方法，其特征在于，在所述根据所述时间密度曲线中的点与所述期望拟合曲线中的对应点之间的误差统计值，调整所述期望拟合曲线的曲线参数之前，所述数据处理方法还包括：
对所述时间密度曲线的幅值和所述期望拟合曲线的幅值进行归一化处理。
6.根据权利要求1所述的基于CT灌注成像的数据处理方法，其特征在于，所述根据所述时间密度曲线中的点与所述期望拟合曲线中的对应点之间的误差统计值，调整所述期望拟合曲线的曲线参数，包括：
从所述时间密度曲线中提取曲线起始点到曲线中主波峰的停止下降点之间的部分，得到第一部分曲线；
从所述期望拟合曲线中提取曲线起始点到曲线中主波峰的停止下降点之间的部分，得到第二部分曲线；
基于所述第一部分曲线中的点与所述第二部分曲线中的对应点之间的误差统计值，调整所述期望拟合曲线的曲线参数。
7.根据权利要求6所述的基于CT灌注成像的数据处理方法，其特征在于，所述基于所述第一部分曲线中的点与所述第二部分曲线中的对应点之间的误差统计值，调整所述期望拟合曲线的曲线参数，包括：
若所述误差统计值小于设定误差值，则根据所述第一部分曲线的曲线参数调整所述期望拟合曲线的曲线参数，直至所述误差统计值大于或等于所述设定误差值。
8.根据权利要求7所述的基于CT灌注成像的数据处理方法，其特征在于，所述曲线参数包括用于表示曲线对称程度的第一参数、用于表示曲线中的开始增长点的第二参数以及用于表示曲线宽度的第三参数；
所述根据所述第一部分曲线的曲线参数调整所述期望拟合曲线的曲线参数，包括以下至少一种：
若所述第一部分曲线的第一参数与所述期望拟合曲线的第一参数之间的差值未处于第一区间内，则调整所述期望拟合曲线的第一参数；
若所述第一部分曲线的第二参数与所述期望拟合曲线的第二参数之间的差值未处于第二区间内，则调整所述期望拟合曲线的第二参数；
若所述第一部分曲线的第三参数与所述期望拟合曲线的第三参数之间的差值未处于第三区间内，则调整所述期望拟合曲线的第三参数。
9.根据权利要求7所述的基于CT灌注成像的数据处理方法，其特征在于，所述曲线参数包括用于表示曲线对称程度的第一参数、用于表示曲线中的开始增长点的第二参数以及用于表示曲线宽度的第三参数；
在所述根据所述第一部分曲线的曲线参数调整所述期望拟合曲线的曲线参数之前，所述方法还包括：
根据所述第一部分曲线的曲线对称程度、所述第二部分曲线的曲线对称程度，以及所述第二部分曲线的第一参数，生成所述第一部分曲线的第一参数；
根据所述第一部分曲线中的开始增长点确定所述第二参数；
根据所述第一部分曲线中主波峰的停止下降点，在所述第一部分曲线上确定第一目标点，以及基于所述停止下降点和所述第一目标点之间的横坐标差值，确定所述第一部分曲线的第三参数，所述停止下降点和所述第一目标点的纵坐标值相等。
10.根据权利要求9所述的基于CT灌注成像的数据处理方法，其特征在于，所述根据所述第一部分曲线的曲线对称程度、所述第二部分曲线的曲线对称程度，以及所述第二部分曲线的第一参数，生成所述第一部分曲线的第一参数，包括：
在所述第一部分曲线上生成峰值点到横轴的第一垂线，以及在所述第二部分曲线上生成峰值点到横轴的第二垂线；
在所述第一部分曲线上选择以所述第一垂线为对称轴的第一目标点对，并在所述第二部分曲线上选择以所述第二垂线为对称轴的第二目标点对；
根据所述第一目标点对和所述第二目标点对，以及所述第二部分曲线的第一参数，生成所述第一部分曲线的第一参数。
11.根据权利要求1所述的基于CT灌注成像的数据处理方法，其特征在于，所述曲线参数包括多个参数；所述根据所述期望拟合曲线的曲线参数生成目标曲线参数，包括：
根据所述期望拟合曲线的曲线参数和设定的搜索半径，生成所述多个参数分别对应的搜索范围；
根据设定的搜索步长和所述多个参数分别对应的搜索范围，生成所述多个参数分别对应的搜索值集合；
从所述多个参数分别对应的搜索值集合中选择处于相同位置处的搜索值，得到多个搜索值组合；
从所述多个搜索值组合中选择一个搜索值组合作为目标搜索值组合；
根据所述目标搜索值组合得到所述目标曲线参数。
12.根据权利要求11所述的基于CT灌注成像的数据处理方法，其特征在于，从所述多个搜索值组合中选择一个搜索值组合作为目标搜索值组合，包括：
计算所述多个搜索值组合分别相对于所述时间密度曲线的误差统计值，得到各个搜索值组合的误差统计值；
在所述误差统计值中选择最小误差统计值对应的搜索值组合作为所述目标搜索值组合。
13.根据权利要求1至12中任一项所述的基于CT灌注成像的数据处理方法，其特征在于，所述方法还包括：
获取多个训练样本，所述多个训练样本均包括所述时间密度曲线和所述时间密度曲线的标签；
将所述多个训练样本中所包含的时间密度曲线输入至所述曲线处理模型中，以使所述曲线处理模型输出所述多个训练样本对应的输出值；
计算所述输出值与其对应的训练样本中所包含的时间密度曲线的标签之间的损失值；
若所述损失值大于设定损失阈值，则调整所述曲线处理模型的参数，直至所述损失值小于所述设定损失阈值。
14.根据权利要求13所述的基于CT灌注成像的数据处理方法，其特征在于，通过smoothL1损失函数计算所述输出值与其对应的训练样本中所包含的时间密度曲线的标签之间的损失值。
15.根据权利要求13所述的基于CT灌注成像的数据处理方法，其特征在于，所述曲线处理模型包括：顺次相连的多个卷积单元，以及以所述多个卷积单元的输出作为输入的全连接单元，所述全连接单元中包含有顺次相连的多个全连接层；
其中，所述多个卷积单元中的首个卷积单元的输入作为所述曲线处理模型的输入，所述多个全连接层中的最后一个全连接层的输出作为所述曲线处理模型的输出。
16.根据权利要求15所述的基于CT灌注成像的数据处理方法，其特征在于，每个所述卷积单元包括顺次相连的第一卷积层、归一化层、激活函数层、第二卷积层、归一化层、激活函数层和最大池化层；
所述第一卷积层和所述第二卷积层的卷积核大小均为3×3、卷积步长为1；所述最大池化层的卷积核大小为2×2、卷积步长为2。
17.一种基于CT灌注成像的数据处理装置，其特征在于，包括：
获取单元，配置为获取基于CT灌注成像处理得到的时间密度曲线；
第一生成单元，配置为根据初始化的曲线参数，生成所述时间密度曲线所对应的期望拟合曲线；
第一处理单元，配置为根据所述时间密度曲线中的点与所述期望拟合曲线中的对应点之间的误差统计值，调整所述期望拟合曲线的曲线参数，以使所述误差统计值处于设定范围内；
第二处理单元，配置为在所述误差统计值处于所述设定范围内之后，根据所述期望拟合曲线的曲线参数生成目标曲线参数；
第二生成单元，根据所述目标曲线参数生成所述时间密度曲线的标签，以根据所述时间密度曲线和所述标签生成曲线处理模型的训练样本。
18.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至16中任一项所述的基于CT灌注成像的数据处理方法。
19.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1至16中任一项所述的基于CT灌注成像的数据处理方法。
CN202111678629.8A 2021-12-31 2021-12-31 基于ct灌注成像的数据处理方法、装置、介质及设备 Pending CN116433890A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111678629.8A CN116433890A (zh) 2021-12-31 2021-12-31 基于ct灌注成像的数据处理方法、装置、介质及设备
PCT/CN2022/133831 WO2023124661A1 (zh) 2021-12-31 2022-11-23 基于ct灌注成像的数据处理方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111678629.8A CN116433890A (zh) 2021-12-31 2021-12-31 基于ct灌注成像的数据处理方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN116433890A true CN116433890A (zh) 2023-07-14

Family

ID=86997528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111678629.8A Pending CN116433890A (zh) 2021-12-31 2021-12-31 基于ct灌注成像的数据处理方法、装置、介质及设备

Country Status (2)

Country Link
CN (1) CN116433890A (zh)
WO (1) WO2023124661A1 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6512807B1 (en) * 2001-11-21 2003-01-28 Koninklijke Philips Electronics, N.V. Low signal correction for perfusion measurements
CN112053413B (zh) * 2020-08-31 2023-08-29 杭州脉流科技有限公司 脑部ct灌注成像的参数图获取方法、装置、计算机设备和存储介质
CN113850755A (zh) * 2021-08-20 2021-12-28 杭州脉流科技有限公司 获取脑部ct灌注成像参数图的方法、装置、系统和计算机存储介质

Also Published As

Publication number Publication date
WO2023124661A1 (zh) 2023-07-06

Similar Documents

Publication Publication Date Title
US11551333B2 (en) Image reconstruction method and device
CN111898696B (zh) 伪标签及标签预测模型的生成方法、装置、介质及设备
US11163991B2 (en) Method and apparatus for detecting body
US11967152B2 (en) Video classification model construction method and apparatus, video classification method and apparatus, device, and medium
US11776149B2 (en) Prediction method for healthy radius of blood vessel path, prediction method for candidate stenosis of blood vessel path, and blood vessel stenosis degree prediction device
CN111932529B (zh) 一种图像分类分割方法、装置及系统
US20210225069A1 (en) Method and apparatus for generating 3d joint point regression model
CN111401406A (zh) 一种神经网络训练方法、视频帧处理方法以及相关设备
CN109272543B (zh) 用于生成模型的方法和装置
US20220351863A1 (en) Method and System for Disease Quantification of Anatomical Structures
CN110599444B (zh) 预测血管树的血流储备分数的设备、系统以及非暂时性可读存储介质
CN113256651B (zh) 模型训练方法及装置、图像分割方法及装置
CN112397194B (zh) 用于生成患者病情归因解释模型的方法、装置和电子设备
CN112488178A (zh) 网络模型的训练方法及装置、图像处理方法及装置、设备
CN116433890A (zh) 基于ct灌注成像的数据处理方法、装置、介质及设备
CN114821337B (zh) 基于时相一致性伪标签的半监督sar图像建筑区提取方法
CN116168267A (zh) 一种多任务神经网络模型的训练方法、装置、设备及介质
CN112950582B (zh) 一种基于深度学习的3d肺部病灶分割方法、装置
Eriksen et al. A machine learning approach to improve consistency in user-driven medical image analysis
CN118154495A (zh) 脑中线确定方法、装置、介质及电子设备
CN114841970B (zh) 检查图像的识别方法、装置、可读介质和电子设备
CN118379586B (zh) 关键点预测模型的训练方法、装置、设备、介质及产品
Liu et al. SFOD-Trans: semi-supervised fine-grained object detection framework with transformer module
CN117312853A (zh) 待测对象与群体关联度的推理方法、装置、设备及介质
Adam et al. Faster R-CNN implementation using CUDA architecture in GeForce GTX 10 series

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