CN118154590A - 颅内大血管闭塞区域检测方法、装置、设备和存储介质 - Google Patents
颅内大血管闭塞区域检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN118154590A CN118154590A CN202410568032.5A CN202410568032A CN118154590A CN 118154590 A CN118154590 A CN 118154590A CN 202410568032 A CN202410568032 A CN 202410568032A CN 118154590 A CN118154590 A CN 118154590A
- Authority
- CN
- China
- Prior art keywords
- image
- threshold value
- occlusion
- region
- mip
- 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
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 42
- 210000001367 artery Anatomy 0.000 claims abstract description 13
- 210000004556 brain Anatomy 0.000 claims abstract description 11
- 206010058178 Aortic occlusion Diseases 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 43
- 210000004204 blood vessel Anatomy 0.000 claims description 30
- 230000002490 cerebral effect Effects 0.000 claims description 24
- 230000000903 blocking effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 210000003625 skull Anatomy 0.000 claims description 13
- 230000002792 vascular Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 210000005013 brain tissue Anatomy 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 206010053648 Vascular occlusion Diseases 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 208000021331 vascular occlusion disease Diseases 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 210000002551 anterior cerebral artery Anatomy 0.000 description 2
- 210000001627 cerebral artery Anatomy 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000003657 middle cerebral artery Anatomy 0.000 description 2
- 210000003388 posterior cerebral artery Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000001841 basilar artery Anatomy 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002385 vertebral artery Anatomy 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种颅内大血管闭塞区域检测方法、装置、设备和存储介质，通过采用全脑血管树分割模型对CTA原始影像序列数据进行三分类分割，得到脑血管分割图，并基于解剖坐标系按照预设的多个法向量进行投影得到多张MIP图像，利用大血管闭塞检测模型对各张MIP图像进行检测，得到各MIP图像上以2D锚框形式表示的预测闭塞区域，将每张MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸得到预测二值图，并继而得到相加预测多值图，根据第一阈值在相加预测多值图上得到有可能表示闭塞区域的前景区域，将前景区域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。采用本方法可提高大动脉闭塞区域检测的准确性。
Description
技术领域
本申请涉及医学影像处理技术领域，特别是涉及一种颅内大血管闭塞区域检测方法、装置、设备和存储介质。
背景技术
颅内大血管闭塞可发生在颅内颈内动脉（Intracranial Internal CarotidArtery，ICA）、大脑中动脉（Middle Cerebral Artery，MCA）M1-M2段、大脑前动脉（AnteriorCerebral Artery，ACA）A1-A2段，并不包括椎动脉（Vertebral Cerebral Artery）、基底动脉（Basilar Cerebral Artery）、大脑后动脉（Posterior Cerebral Artery，PCA）。
颅内CTA影像是经静脉注射含碘造影剂后，利用螺旋CT在受检者靶血管内对比剂充盈的高峰期进行连续的原始数据采集，然后运用计算机的后处理功能重建靶血管，形成三维显示的血管图像。它对于大血管闭塞的筛查有着重要的作用，它可以快速、准确地检测颅内大动脉闭塞的部位、程度、范围和侧支循环的情况，为临床诊断和治疗提供重要的信息。
近些年来，人工智能技术在越来越多的行业得以应用。在医疗方面，卷积神经网络凭借其强大的特征提取能力，对医学影像中的病灶识别、分类、分割效果都可以达到极佳水平。目前已有一些基于颅内CTA影像关于大血管闭塞检测方面的研究，但是模型预测效果没有达到很高，而且关于颅内血管树的分割与大血管闭塞检测结合的研究还比较少。此外，由于血管中的闭塞区域通常比正常区域暗一些，利用最大密度投影图像的方法对颅内大动脉闭塞区域进行识别时，其闭塞区域可能会被遮盖，同时，该方法需要对原始的CTA原始影像进行去颅骨处理，并对去颅骨的准确性要求较高，如果去颅骨的不准确，会导致血管图像的失真，从而降低颅内大动脉闭塞区域检测的准确性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高准确性的颅内大血管闭塞区域检测方法、装置、设备和存储介质。
一种颅内大血管闭塞区域检测方法，所述方法包括：
获取颅内的CTA原始影像序列数据；
采用全脑血管树分割模型对所述CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图；
根据所述脑血管分割图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像；
利用大血管闭塞检测模型对各张所述MIP图像中的颅内大血管闭塞区域进行检测，得到各所述MIP图像上的预测闭塞区域，所述预测闭塞区域以2D锚框形式表示；
将每张所述MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图；
将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域，将所述前景区域划分为一个或多个连通域，将各所述连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。
在其中一实施例中，预设的多个法向量包括(0, 0, 1)、(0, 1, 0)、(1, 0, 0)、(0, 1, 1)、(1, 0, 1)、(1, 1, 0)、(0, 1, -1)、(1, 0, -1)、(1, -1, 0)、(1, 1, 1)、(1,1, -1)、(1, -1, 1)、(-1, 1, 1)。
在其中一实施例中，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域包括：
根据所述第一阈值，将所述相加预测多值图上每一个位置的像素点记为“1”或“0”，将像素点均为“1”的连通域作为所述前景区域，将像素点均为“0”的连通域作为所述背景区域。
在其中一实施例中，所述根据第一阈值，将所述相加预测多值图上每一个位置的像素点记为“1”或“0”，包括：
将所述相加预测多值图上大于或等于所述第一阈值的像素点记为“1”；
将所述相加预测多值图上小于所述第一阈值的像素点记为“0”。
在其中一实施例中，所述全脑血管树分割模型采用VNet神经网络，所述大血管闭塞检测模型采用CenterNet神经网络。
在其中一实施例中，在对所述大血管闭塞检测模型进行训练时：
取训练数据集，所述训练数据集中包括多个CTA影像训练数据；
根据所述CTA影像训练数据生成减影3D血管树图像，以3D锚框的方式基于所述减影3D血管树图像标注大血管闭塞区域，得到闭塞区域3D锚框；
将所述CTA影像训练数据输入至所述全脑血管树分割模型中，得到脑血管分割训练图；
根据所述脑血管分割训练图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP训练图像；
将所述闭塞区域3D锚框，按照预设的多个法向量进行投影，生成对应MIP训练图像的闭塞区域2D锚框标签；
根据所述MIP训练图像以及对应的闭塞区域2D锚框标签对所述大血管闭塞检测模型进行训练。
在其中一实施例中，在确定所述第一阈值和第二阈值时：
在对所述大血管闭塞检测模型进行验证时，根据其输出的预测闭塞区域以及对应的MIP验证图像生成相加预测多值图；
根据所述相加预测多值图上像素点的最小值以及最大值，生成第一阈值备选集；
依次根据所述第一阈值备选集中的各第一备选阈值，在所述相加预测多值图划分得到的前景区域中，计算所有连通域中像素数量，并将计算得到的像素数量从大到小进行排序，得到第二阈值备选集；
分别计算所述第一阈值备选集中各第一备选阈值在所述第二阈值备选集中各第二备选阈值下的各平均准确率，将得到平均准确率最高的第一备选阈值作为所述第一阈值；
在所述第一阈值下，依次提取所述第二阈值备选集中各第二备选阈值计算YoudenIndex，将Youden Index最高的第二备选阈值作为所述第二阈值。
本申请还提供了一种颅内大血管闭塞区域检测装置，所述装置包括：
待检测数据模块，用于获取颅内的CTA原始影像序列数据；
图像分割模块，用于采用全脑血管树分割模型对所述CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图；
MIP图像得到模块，用于根据所述脑血管分割图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像；
预测闭塞区域检测模块，用于利用大血管闭塞检测模型对各张所述MIP图像中的颅内大血管闭塞区域进行检测，得到各所述MIP图像上的预测闭塞区域，所述预测闭塞区域以2D锚框形式表示；
预测二值图得到模块，用于将每张所述MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图；
大动脉闭塞区域检测模块，用于将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域，将所述前景区域划分为一个或多个连通域，将各所述连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。
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：
获取颅内的CTA原始影像序列数据；
采用全脑血管树分割模型对所述CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图；
根据所述脑血管分割图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像；
利用大血管闭塞检测模型对各张所述MIP图像中的颅内大血管闭塞区域进行检测，得到各所述MIP图像上的预测闭塞区域，所述预测闭塞区域以2D锚框形式表示；
将每张所述MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图；
将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域，将所述前景区域划分为一个或多个连通域，将各所述连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。
一种计算机可读存储介质，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以下步骤：
获取颅内的CTA原始影像序列数据；
采用全脑血管树分割模型对所述CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图；
根据所述脑血管分割图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像；
利用大血管闭塞检测模型对各张所述MIP图像中的颅内大血管闭塞区域进行检测，得到各所述MIP图像上的预测闭塞区域，所述预测闭塞区域以2D锚框形式表示；
将每张所述MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图；
将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域，将所述前景区域划分为一个或多个连通域，将各所述连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。
上述颅内大血管闭塞区域检测方法、装置、设备和存储介质，通过采用全脑血管树分割模型对CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图，根据脑血管分割图基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像，利用大血管闭塞检测模型对各张MIP图像中的颅内大血管闭塞区域进行检测，得到各MIP图像上以2D锚框形式表示的预测闭塞区域，将每张MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图，将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将相加预测多值图划分为前景区域和背景区域，将前景区域划分一个或多个连通域，将各个连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。采用本方法可提供大动脉闭塞区域检测的准确性。
附图说明
图1为一个实施例中颅内大血管闭塞区域检测方法的流程示意图；
图2为一个实施例中颅内血管闭塞区域检测模型数据处理的流程示意图；
图3为一个实施例中大血管闭塞检测模型训练方法的流程示意图；
图4为一个实施例中对大血管闭塞检测模型进行训练时标签生成方法的流程示意图；
图5为一个实施例中颅内大血管闭塞区域检测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
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。
针对现有技术中，基于CTA影像的颅内大动脉闭塞区域检测精度不高的问题，如图1所示，提供了一种颅内大血管闭塞区域检测方法，包括以下步骤：
步骤S100，获取颅内的CTA原始影像序列数据。
步骤S110，采用全脑血管树分割模型对CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图。
步骤S120，根据脑血管分割图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像。
步骤S130，利用大血管闭塞检测模型对各张MIP图像中的颅内大血管闭塞区域进行检测，得到各MIP图像上的预测闭塞区域，预测闭塞区域以2D锚框形式表示。
步骤S140，将每张MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图。
步骤S150，将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将相加预测多值图划分为前景区域和背景区域，将前景区域划分一个或多个连通域，将各个连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。
在本实施例中，通过对颅内的CTA原始影像序列数据先进行颅内全血管树的分割，再采用多角度的MIP图像进行检测的方式对颅内大动脉闭塞区域（Large VesselOcclusions，LVO）进行检测，以提高检测精度。
在步骤S100中，获取目标的颅内CTA原始影像序列数据，其为三维图像。
在步骤S110中，采用一个训练好的全脑血管分割模型对原始的CTA影像学历数据进行三类别的分割。以往全脑血管树分割多采用血管（前景）、其余区域（背景）的二类分割，但由于颅骨区的HU值与血管相近，则二分类模型会将部分颅骨区域误分割为血管。因此，在本实施例中，采用血管、颅骨、其余脑组织区域（背景）的三类分割，会避免二类分割中无法识别颅骨区域为背景的错误。
在步骤S120中，将训练好的全脑血管分割模型输出结果中的脑血管分割结果按照预设的多个法向量进行多个角度的投影，并生成各投影角度上的最大强度投影图像。
其中，最大强度投影（Maximum Intensity Projection，MIP）是一种有效的后处理技术，它对三维数据某沿视角投影轨迹上的最高强度信号投影到一个平面上。MIP的缺点是不能区分信号近似的结构和不能充分显示重叠结构的关系。
在本实施例中，预设的法向量可以理解为在一个正方体中，以其中心点为原点，分别连接6个平面的中心点、12条线段的中点、8个端点，这26个点为方向向量。又由于其中一半的向量与另一半的向量在同一条直线上且方向相反，其投影平面相同，因此去掉一半重复的向量即可以得到13个法向量，包括：(0, 0, 1)、(0, 1, 0)、(1, 0, 0)、(0, 1, 1)、(1,0, 1)、(1, 1, 0)、(0, 1, -1)、(1, 0, -1)、(1, -1, 0)、(1, 1, 1)、(1, 1, -1)、(1, -1,1)、(-1, 1, 1)。
通过步骤S120，将脑血管分割三维图按照上述的13个法向量投影得到13张二维的MIP图像。
在步骤S130中，利用训练好的大血管闭塞检测模型得到各MIP图像上以2D锚框形式表示的预测闭塞区域。
在步骤S140中，将每张MIP图像的2D 锚框沿该张MIP图像的法向量延伸，可得到原始3D血管树影像对应的“0”、“1”预测二值图。接着在步骤S150中，将13张3D预测二值图相加，可得到每个像素点在13张MIP影像上被预测为大血管闭塞阳性的次数。
在本实施例中，根据第一阈值将相加预测多值图划分为前景区域和背景区域包括：根据第一阈值，将相加预测多值图上每一个位置的像素点记为“1”或“0”，将像素点均为“1”的区域作为前景域，将像素点均为“0”的区域作为背景区域。
具体的，将相加预测多值图上大于或等于第一阈值的像素点记为“1”，即表示为大血管闭塞像素点，而将相加预测多值图上小于第一阈值的像素点记为“0”，即表示为非大血管闭塞像素点。则由像素点“1”构成的区域为前景区域，也就是有可能存在大血管闭塞的区域，而像素点“0”构成的区域为背景区域，也就是不存在大血管闭塞区域。
在本实施例中，通过对前景区域中所有连通域的像素点数量逐一进行判断，若某一连通域像素数量大于该值，则保留该连通域的所有像素点为大血管闭塞区域。若某一连通域像素数量小于该值，则删除该连通域，将该连通域全部像素点置为非大血管闭塞区域。
在本实施例中，全脑血管树分割模型采用VNet神经网络。
在本实施例中，大血管闭塞检测模型采用CenterNet神经网络。
在其中一实施例中，可将全脑血管树分割模型以及大血管闭塞检测模型集成在一个颅内血管闭塞区域检测模型中，其中，大血管闭塞检测模型中包括可以同时处理各MIP图像的多个平行连接的CenterNet神经网络，如图2所示。
在本实施例中，在对大血管闭塞检测模型进行训练时，如图3所示，包括具体以下步骤：
步骤S200，获取训练数据集，训练数据集中包括多个CTA影像训练数据。
步骤S210，根据CTA影像训练数据生成减影3D血管树图像，以3D锚框的方式基于减影3D血管树图像标注大血管闭塞区域，得到闭塞区域3D锚框。
步骤S220，将CTA影像训练数据输入至全脑血管树分割模型中，得到脑血管分割训练图。
步骤S230，根据脑血管分割训练图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP训练图像。
步骤S240，将闭塞区域3D锚框，按照预设的多个法向量进行投影，生成对应MIP训练图像的闭塞区域2D锚框标签。
步骤S250，根据MIP训练图像以及对应的闭塞区域2D锚框标签对大血管闭塞检测模型进行训练。
在步骤S210中，将CTA影像训练数据的C+序列以及C-序列进行相减，得到减影3D血管树图像。并在减影3D血管树图像上对血管树区域进行精准标记后，生成对应血管树标注图像。再在精准的血管树标注图像上基于3D锚框的形式对大血管闭塞区域进行标注，得到大血管闭塞3D标签。再在步骤S240中，按照预设的多个法向量进行投影，生成对应MIP训练图像的闭塞区域2D锚框标签。训练标签生成的过程，可参考图4。
在本实施例中，在对训练后的大血管闭塞检测模型进行验证时，还可根据大血管闭塞检测模型输出的数据确定第一预设值即像素点阳性次数阈值，以及第二预设值即连通域像素数量阈值。
在本实施例中，在确定第一阈值和第二阈值时：在对大血管闭塞检测模型进行验证时，根据其输出的预测闭塞区域以及对应的MIP验证图像生成相加预测多值图，根据相加预测多值图上像素点的最小值以及最大值，生成第一阈值备选集，依次根据第一阈值备选集中的各第一备选阈值，在相加预测多值图划分得到的前景区域中，计算所有连通域中像素数量，并将计算得到的像素数量从大到小进行排序，得到第二阈值备选集，分别计算第一阈值备选集中各第一备选阈值在第二阈值备选集中各第二备选阈值下的各平均准确率，将得到平均准确率最高的第一备选阈值作为第一阈值。在第一阈值下，依次提取第二阈值备选集中各第二备选阈值计算Youden Index，将Youden Index最高的第二备选阈值作为第二阈值。
具体的，基于步骤S140和步骤S150，根据大血管闭塞检测模型输出数据生成相加多值图，依次取像素点阳性次数阈值为1、2、3、...、13，在各像素点阳性次数阈值下将所有相加多值图上的所有n个连通域的像素数量从小到大排序，得到a 1,a 2, ... ,a n。计算连通域像素数量阈值在a 1,a 2, ... ,a n下的平均准确率（precision）p 1,p 2, ... ,p 13，取平均准确率最高的像素点阳性次数阈值为最终的像素点阳性次数阈值。
具体的，在最终的像素点阳性次数阈值下，依次取连通域像素数量阈值a 1,a 2, ...,a n计算Youden Index（敏感度+特异度减1），取Youden Index最高的连通域像素数量阈值为最终的连通域像素数量阈值。
在本实施例中，由于在验证大血管闭塞检测模型时，同样会采用多个CTA影像训练数据，那么针对每一个CTA影像训练数据均会得到对应的相加预测多值图，所以，在确定最终的第一阈值和第二阈值时，是通过所有相加预测多值图得到的。
上述颅内大血管闭塞区域检测方法中，并非直接针对大血管闭塞进行检测，而是采用首先进行颅内全血管树的分割再进行检测的方法，可有效提升检测的准确率，并且，在分割阶段采用血管、颅骨、其余脑组织区域（背景）的三类分割，可有效避免二类分割中将颅骨区域识别为血管而非背景的错误。针对脑血管分割结果提取了13个投影方向上的MIP图像作为检测模块的输入，提升了检测精度。本方法采用将3D锚框标签投影为2D的标注方法，以及将2D预测结果延伸为3D的后处理方法，相比于3D检测，该方案在提升模型速度的同时尽可能不丢失关键信息。本方法采用将13组3D预测结果相加，并取像素点阳性次数阈值、连通域像素数量阈值双阈值的后处理方法，可有效减少假阳性率并提高敏感度。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种颅内大血管闭塞区域检测装置，包括：待检测数据模块300、图像分割模块310、MIP图像得到模块320、预测闭塞区域检测模块330、预测二值图得到模块340和大动脉闭塞区域检测模块350，其中：
待检测数据模块300，用于获取颅内的CTA原始影像序列数据；
图像分割模块310，用于采用全脑血管树分割模型对所述CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图；
MIP图像得到模块320，用于根据所述脑血管分割图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像；
预测闭塞区域检测模块330，用于利用大血管闭塞检测模型对各张所述MIP图像中的颅内大血管闭塞区域进行检测，得到各所述MIP图像上的预测闭塞区域，所述预测闭塞区域以2D锚框形式表示；
预测二值图得到模块340，用于将每张所述MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图；
大动脉闭塞区域检测模块350，用于将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域，将所述前景区域划分一个或多个连通域，将所述各个连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。
关于颅内大血管闭塞区域检测装置的具体限定可以参见上文中对于颅内大血管闭塞区域检测方法的限定，在此不再赘述。上述颅内大血管闭塞区域检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种颅内大血管闭塞区域检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6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，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取颅内的CTA原始影像序列数据；
采用全脑血管树分割模型对所述CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图；
根据所述脑血管分割图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像；
利用大血管闭塞检测模型对各张所述MIP图像中的颅内大血管闭塞区域进行检测，得到各所述MIP图像上的预测闭塞区域，所述预测闭塞区域以2D锚框形式表示；
将每张所述MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图；
将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域，将所述前景区域划分为一个或多个连通域，将各所述连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。
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：
获取颅内的CTA原始影像序列数据；
采用全脑血管树分割模型对所述CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图；
根据所述脑血管分割图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像；
利用大血管闭塞检测模型对各张所述MIP图像中的颅内大血管闭塞区域进行检测，得到各所述MIP图像上的预测闭塞区域，所述预测闭塞区域以2D锚框形式表示；
将每张所述MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图；
将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域，将所述前景区域划分为一个或多个连通域，将各所述连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种颅内大血管闭塞区域检测方法，其特征在于，所述方法包括：
获取颅内的CTA原始影像序列数据；
采用全脑血管树分割模型对所述CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图；
根据所述脑血管分割图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像；
利用大血管闭塞检测模型对各张所述MIP图像中的颅内大血管闭塞区域进行检测，得到各所述MIP图像上的预测闭塞区域，所述预测闭塞区域以2D锚框形式表示；
将每张所述MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图；
将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域，将所述前景区域划分为一个或多个连通域，将各所述连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。
2.根据权利要求1所述的颅内大血管闭塞区域检测方法，其特征在于，预设的多个法向量包括(0, 0, 1)、(0, 1, 0)、(1, 0, 0)、(0, 1, 1)、(1, 0, 1)、(1, 1, 0)、(0, 1, -1)、(1, 0, -1)、(1, -1, 0)、(1, 1, 1)、(1, 1, -1)、(1, -1, 1)、(-1, 1, 1)。
3.根据权利要求1所述的颅内大血管闭塞区域检测方法，其特征在于，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域包括：
根据所述第一阈值，将所述相加预测多值图上每一个位置的像素点记为“1”或“0”，将像素点均为“1”的连通域作为所述前景区域，将像素点均为“0”的连通域作为所述背景区域。
4.根据权利要求3所述的颅内大血管闭塞区域检测方法，其特征在于，所述根据第一阈值，将所述相加预测多值图上每一个位置的像素点记为“1”或“0”，包括：
将所述相加预测多值图上大于或等于所述第一阈值的像素点记为“1”；
将所述相加预测多值图上小于所述第一阈值的像素点记为“0”。
5.根据权利要求1-4任一项所述的颅内大血管闭塞区域检测方法，其特征在于，所述全脑血管树分割模型采用VNet神经网络，所述大血管闭塞检测模型采用CenterNet神经网络。
6.根据权利要求5所述的颅内大血管闭塞区域检测方法，其特征在于，在对所述大血管闭塞检测模型进行训练时：
取训练数据集，所述训练数据集中包括多个CTA影像训练数据；
根据所述CTA影像训练数据生成减影3D血管树图像，以3D锚框的方式基于所述减影3D血管树图像标注大血管闭塞区域，得到闭塞区域3D锚框；
将所述CTA影像训练数据输入至所述全脑血管树分割模型中，得到脑血管分割训练图；
根据所述脑血管分割训练图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP训练图像；
将所述闭塞区域3D锚框，按照预设的多个法向量进行投影，生成对应MIP训练图像的闭塞区域2D锚框标签；
根据所述MIP训练图像以及对应的闭塞区域2D锚框标签对所述大血管闭塞检测模型进行训练。
7.根据权利要求6所述的颅内大血管闭塞区域检测方法，其特征在于，在确定所述第一阈值和第二阈值时：
在对所述大血管闭塞检测模型进行验证时，根据其输出的预测闭塞区域以及对应的MIP验证图像生成相加预测多值图；
根据所述相加预测多值图上像素点的最小值以及最大值，生成第一阈值备选集；
依次根据所述第一阈值备选集中的各第一备选阈值，在所述相加预测多值图划分得到的前景区域中，计算所有连通域中像素数量，并将计算得到的像素数量从大到小进行排序，得到第二阈值备选集；
分别计算所述第一阈值备选集中各第一备选阈值在所述第二阈值备选集中各第二备选阈值下的各平均准确率，将得到平均准确率最高的第一备选阈值作为所述第一阈值；
在所述第一阈值下，依次提取所述第二阈值备选集中各第二备选阈值计算YoudenIndex，将Youden Index最高的第二备选阈值作为所述第二阈值。
8.一种颅内大血管闭塞区域检测装置，其特征在于，所述装置包括：
待检测数据模块，用于获取颅内的CTA原始影像序列数据；
图像分割模块，用于采用全脑血管树分割模型对所述CTA原始影像序列数据进行血管、颅骨以及其余脑组织部分区域的三分类分割，得到脑血管分割图；
MIP图像得到模块，用于根据所述脑血管分割图，基于解剖坐标系按照预设的多个法向量进行投影，得到多张MIP图像；
预测闭塞区域检测模块，用于利用大血管闭塞检测模型对各张所述MIP图像中的颅内大血管闭塞区域进行检测，得到各所述MIP图像上的预测闭塞区域，所述预测闭塞区域以2D锚框形式表示；
预测二值图得到模块，用于将每张所述MIP图像上的预测闭塞区域沿该张MIP图像的法向量延伸，得到对应的预测二值图；
大动脉闭塞区域检测模块，用于将所有预测二值图进行相加得到相加预测多值图，根据第一阈值将所述相加预测多值图划分为前景区域和背景区域，将所述前景区域划分为一个或多个连通域，将各所述连通域中像素点数量大于第二阈值的连通域作为大动脉闭塞区域。
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7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410568032.5A CN118154590A (zh) | 2024-05-09 | 2024-05-09 | 颅内大血管闭塞区域检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410568032.5A CN118154590A (zh) | 2024-05-09 | 2024-05-09 | 颅内大血管闭塞区域检测方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118154590A true CN118154590A (zh) | 2024-06-07 |
Family
ID=91301615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410568032.5A Pending CN118154590A (zh) | 2024-05-09 | 2024-05-09 | 颅内大血管闭塞区域检测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118154590A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288611A (zh) * | 2019-06-12 | 2019-09-27 | 上海工程技术大学 | 基于注意力机制和全卷积神经网络的冠状血管分割方法 |
| CN112184690A (zh) * | 2020-10-12 | 2021-01-05 | 推想医疗科技股份有限公司 | 冠脉血管走向的预测方法、预测模型的训练方法及装置 |
| CN112508873A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法 |
| CN112508888A (zh) * | 2020-11-26 | 2021-03-16 | 中国科学院苏州生物医学工程技术研究所 | 面向医学影像的脑动脉快速自动分割方法及系统 |
| WO2023099144A1 (en) * | 2021-12-01 | 2023-06-08 | Koninklijke Philips N.V. | A method and processor for analyzing the vasculature of a subject |
-
2024
- 2024-05-09 CN CN202410568032.5A patent/CN118154590A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288611A (zh) * | 2019-06-12 | 2019-09-27 | 上海工程技术大学 | 基于注意力机制和全卷积神经网络的冠状血管分割方法 |
| CN112184690A (zh) * | 2020-10-12 | 2021-01-05 | 推想医疗科技股份有限公司 | 冠脉血管走向的预测方法、预测模型的训练方法及装置 |
| CN112508873A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法 |
| CN112508888A (zh) * | 2020-11-26 | 2021-03-16 | 中国科学院苏州生物医学工程技术研究所 | 面向医学影像的脑动脉快速自动分割方法及系统 |
| WO2023099144A1 (en) * | 2021-12-01 | 2023-06-08 | Koninklijke Philips N.V. | A method and processor for analyzing the vasculature of a subject |
Non-Patent Citations (1)
| Title |
|---|
| 田超 等: "多层螺旋CT血管造影评价颅内血管狭窄和闭塞性疾病的临床价值", 《生物医学工程与临床》, vol. 12, no. 03, 25 May 2008 (2008-05-25), pages 229 - 234 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Structure-adaptive fuzzy estimation for random-valued impulse noise suppression | |
| CN113034426B (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
| CN111369525B (zh) | 图像分析方法、设备和存储介质 | |
| CN111161279B (zh) | 医学图像分割方法、装置及服务器 | |
| CN110838104B (zh) | 多时间点的感兴趣区域匹配方法、设备和存储介质 | |
| CN110400626B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
| CN111383259B (zh) | 图像分析方法、计算机设备和存储介质 | |
| CN114972255B (zh) | 脑微出血的图像检测方法、装置、计算机设备及存储介质 | |
| CN112308846A (zh) | 血管分割方法、装置及电子设备 | |
| CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
| CN112991315A (zh) | 一种血管病变的识别方法、系统、存储介质及电子设备 | |
| CN111312374B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| US8306354B2 (en) | Image processing apparatus, method, and program | |
| CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
| CN111401102B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN116681716B (zh) | 颅内血管感兴趣区域分割方法、装置、设备和存储介质 | |
| CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
| CN116616804B (zh) | 颅内动脉狭窄评估参数获取方法、装置、设备和存储介质 | |
| CN111784646A (zh) | 图像处理装置及电子设备 | |
| WO2021032325A1 (en) | Updating boundary segmentations | |
| CN118154590A (zh) | 颅内大血管闭塞区域检测方法、装置、设备和存储介质 | |
| CN110738664B (zh) | 图像定位方法、装置、计算机设备和存储介质 | |
| CN114708259B (zh) | 基于cta的头颈血管狭窄检测方法、装置、设备及介质 | |
| CN118154591A (zh) | 颅内大血管闭塞点检测方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |