TWI767492B - 一種圖像分割方法、設備及電腦可讀儲存介質 - Google Patents
一種圖像分割方法、設備及電腦可讀儲存介質 Download PDFInfo
- Publication number
- TWI767492B TWI767492B TW110100179A TW110100179A TWI767492B TW I767492 B TWI767492 B TW I767492B TW 110100179 A TW110100179 A TW 110100179A TW 110100179 A TW110100179 A TW 110100179A TW I767492 B TWI767492 B TW I767492B
- Authority
- TW
- Taiwan
- Prior art keywords
- cerebral
- point
- vein
- image
- anterior
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000003709 image segmentation Methods 0.000 title claims abstract description 69
- 210000002551 anterior cerebral artery Anatomy 0.000 claims abstract description 144
- 210000004556 brain Anatomy 0.000 claims abstract description 106
- 206010061216 Infarction Diseases 0.000 claims abstract description 71
- 230000007574 infarction Effects 0.000 claims abstract description 71
- 238000013135 deep learning Methods 0.000 claims abstract description 48
- 230000010412 perfusion Effects 0.000 claims abstract description 48
- 230000002490 cerebral effect Effects 0.000 claims abstract description 28
- 230000003788 cerebral perfusion Effects 0.000 claims abstract description 15
- 210000004298 cerebral vein Anatomy 0.000 claims description 141
- 230000006870 function Effects 0.000 claims description 33
- 238000010845 search algorithm Methods 0.000 claims description 33
- 230000003727 cerebral blood flow Effects 0.000 claims description 30
- 239000008280 blood Substances 0.000 claims description 25
- 210000004369 blood Anatomy 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000012905 input function Methods 0.000 claims description 22
- 230000000302 ischemic effect Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000003973 irrigation Methods 0.000 claims description 12
- 210000003462 vein Anatomy 0.000 claims description 12
- 210000001367 artery Anatomy 0.000 claims description 8
- 206010058558 Hypoperfusion Diseases 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 16
- 239000000243 solution Substances 0.000 description 14
- 230000003902 lesion Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000002597 diffusion-weighted imaging Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 206010008118 cerebral infarction Diseases 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000001627 cerebral artery Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004219 arterial function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000004720 cerebrum Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A61B6/50—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
- A61B6/501—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 diagnosis of the head, e.g. neuroimaging or craniography
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Pulmonology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本發明實施例提供一種圖像分割方法、設備及電腦可讀儲存介質，其中，所述方法包括：獲取到第一待分割的腦部圖像；通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點；利用所述大腦前動脈預測點和所述大腦靜脈預測點計算得到所述腦部圖像對應的灌注參數圖；利用所述灌注參數圖計算得到所述腦灌注梗死核心區域。
Description
本發明實施例關於醫學圖像技術領域，尤其關於一種圖像分割方法、設備及電腦可讀儲存介質。
大腦電子電腦斷層掃描（CT，Computed Tomography）灌注成像是一種用於分析顱內的血流動力學的成像技術，廣泛用於診斷缺血性腦卒中。CT灌注成像是通過觀察靜脈內快速團注碘對比劑時腦組織密度動態變化，根據不同的數學模型計算得到局部腦血容積、局部腦血流量、平均通過時間和達峰時間，一般通過達峰時間大於6秒（s，second）為低灌注區域，病灶側的局部腦血流量比上正常側的局部腦血流量小於30%作為腦梗死核心區域，低灌注區域中除去梗死核心區域的其餘區域為缺血半暗帶，梗死核心區域和缺血半暗帶區域的分割對於治療方案的制定至關重要。
傳統基於數學模型的梗死核心區域和缺血半暗帶區域的分割方法存在定位不準、檢測結果不準確等缺點。
本發明實施例提供一種圖像分割方法、設備及電腦可讀儲存介質。
本發明實施例提供一種圖像分割方法，所述方法包括：獲取第一待分割的腦部圖像；通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點；利用所述大腦前動脈預測點和所述大腦靜脈預測點確定所述腦部圖像對應的灌注參數圖；利用所述灌注參數圖確定所述腦灌注梗死核心區域。
其中，所述通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點之前，所述方法還包括：獲取腦部樣本圖像，所述腦部樣本圖像為對大腦前動脈點和大腦靜脈點進行初步標注的圖像；利用腦部樣本圖像對初始深度學習定位網路進行訓練，以得到所述深度學習定位網路。
其中，所述通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點，包括：通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈候選點和大腦靜脈候選點；利用局部搜索演算法確定所述大腦前動脈候選點對應的大腦前動脈預測點以及所述大腦靜脈候選點對應的大腦靜脈預測點。
其中，所述利用局部搜索演算法確定所述大腦前動脈候選點對應的大腦前動脈預測點以及所述大腦靜脈候選點對應的大腦靜脈預測點，包括：將以所述大腦前動脈候選點為圓心，預設第一半徑範圍內的區域確定為大腦前動脈點候選區域，將以所述大腦靜脈候選點為圓心，預設第二半徑範圍內的區域確定為大腦靜脈點候選區域；利用所述局部搜索演算法分別從所述大腦前動脈點候選區域中確定所述大腦前動脈預測點，及從所述大腦靜脈點選區域中確定所述大腦靜脈預測點。
其中，所述利用所述局部搜索演算法分別從所述大腦前動脈點候選區域中確定所述大腦前動脈預測點，及從所述大腦靜脈點選區域中確定所述大腦靜脈預測點，包括：從所述大腦前動脈點候選區域中確定時間最大值對應的多個第一組織密度值，及從所述大腦靜脈點選區域中確定時間最大值對應的多個第二組織密度值；將所述多個第一組織密度值中組織密度值的最大值確定為所述大腦前動脈預測點，及將多個所述第二組織密度值中組織密度值的最大值確定為所述大腦靜脈預測點。
其中，所述灌注參數圖包括：局部腦血容積圖、局部腦血流量圖、平均通過時間圖和達峰時間圖。
其中，利用所述大腦前動脈預測點和所述大腦靜脈預測點確定所述腦部圖像對應的灌注參數圖，包括：獲取所述大腦前動脈預測點對應的函數曲線和所述大腦靜脈預測點對應的函數曲線；將所述大腦前動脈預測點對應的函數曲線確定為第一動脈輸入函數，及將所述大腦靜脈預測點對應的函數曲線確定為靜脈輸出函數；利用所述靜脈輸出函數對所述第一動脈輸入函數進行修正，以得到第二動脈輸入函數；利用所述第二動脈輸入函數通過去卷積演算法確定所述局部腦血容積圖、所述局部腦血流量圖、所述平均通過時間圖和所述達峰時間圖。
其中，所述利用所述灌注參數圖計算得到所述腦灌注梗死核心區域，包括：獲取第二待分割的腦部圖像；將所述達峰時間圖中大於預設時間的區域確定為為低灌區域；利用所述局部腦血容積圖像、所述局部腦血流量圖像採用卷積神經網路演算法從所述低灌區域中獲取到所述第二待分割的腦部圖像對應的所述梗死核心區域。
其中，所述利用所述灌注參數圖計算得到所述腦灌注梗死核心區域，包括：獲取第二待分割的腦部圖像；將所述達峰時間圖中大於預設時間的區域確定為低灌區域；利用所述局部腦血容積圖像、所述局部腦血流量圖像及所述平均通過時間圖採用卷積神經網路演算法從所述低灌區域中獲取到所述第二待分割的腦部圖像對應的所述梗死核心區域。
其中，所述方法還包括：根據所述低灌區域及所述梗死核心區域確定缺血半暗帶區域；其中，所述梗死核心區域加上所述缺血半暗帶區域等於所述低灌區域。
本發明實施例提供一種圖像分割裝置，包括：獲取模組，配置為獲取第一待分割的腦部圖像；定位模組，配置為通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點；灌注參數圖獲取模組，配置為利用大腦前動脈預測點和大腦靜脈預測點確定腦部圖像對應的灌注參數圖；梗死核心區域分割模組，配置為利用灌注參數圖確定所述腦灌注梗死核心區域。
本發明實施例提供一種圖像分割設備，包括相互藕接的處理器、記憶體，其中，所述記憶體配置為儲存實現上述任意一項所述的圖像分割方法的程式指令；所述處理器配置為執行所述記憶體儲存的所述程式指令。
本發明實施例提供一種電腦可讀儲存介質，儲存有程式檔，所述程式檔能夠被執行以實現上述任意一項所述的圖像分割方法。
本發明實施例提供的一種圖像分割方法及裝置、設備及電腦可讀儲存介質，在獲取到第一待分割的腦部圖像時，通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點，如此提升了大腦前動脈預測點和大腦靜脈預測點的定位精度，再利用所述大腦前動脈預測點和所述大腦靜脈預測點確定腦部圖像對應的灌注參數圖，利用灌注參數圖計算得到所述腦灌注梗死核心區域，由於提高了大腦前動脈預測點和大腦靜脈預測點的定位精度，使得通過大腦前動脈預測點和所述大腦靜脈預測點確定腦部圖像對應的灌注參數圖更準確，從而提高了梗死核心區域的分割精度及魯棒性。
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅是本發明的一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
本發明實施例提供的圖像分割方法，通過深度學習演算法對大腦前動脈點及大腦靜脈點進行定位，可以有效地解決大腦動脈點和靜脈點的位置自動定位或者手動定位不準的缺點，為後續計算提供保障。且本發明實施例提供的圖像分割方法不需要依賴於正常側及病灶側的對比，可以防止在正常側及病灶側均是異常側時，比值檢測不出異常的問題，進一步提高分割梗死核心區域的精度及魯棒性。下面結合附圖和實施例對本發明實施例進行詳細的說明。
圖1a為本發明實施例網路架構的示意圖，如圖1a所示，在該網路架構中包括CT機11和電腦設備12，其中，CT機11用於採集待分割的腦部圖像。CT機11與電腦設備12建立有通信連接，CT機11可以將得到的待分割的腦部圖像發送給電腦設備12。電腦設備12中儲存有腦部樣本圖像，電腦設備12可以根據腦部樣本圖像訓練出深度學習定位網路，電腦設備12將待分割的腦部圖像輸入至深度學習定位網路，得到大腦前動脈預測點和大腦靜脈預測點；利用所述大腦前動脈預測點和所述大腦靜脈預測點確定所述腦部圖像對應的灌注參數圖；利用所述灌注參數圖確定所述腦灌注梗死核心區域。
圖1b為本發明實施例另一網路架構的示意圖，如圖1b所示，在該網路架構中包括CT機11、電腦設備12和伺服器13，其中，CT機11用於採集待分割的腦部圖像。CT機11與電腦設備12建立有通信連接，CT機11可以將得到的待分割的腦部圖像發送給電腦設備12。伺服器13中儲存有腦部樣本圖像，伺服器13可以根據腦部樣本圖像訓練出深度學習定位網路。電腦設備12與伺服器13同樣建立有通信連接，電腦設備12可以從伺服器13處獲取深度學習定位網路，電腦設備12將待分割的腦部圖像輸入至深度學習定位網路，得到大腦前動脈預測點和大腦靜脈預測點；利用所述大腦前動脈預測點和所述大腦靜脈預測點確定所述腦部圖像對應的灌注參數圖；利用所述灌注參數圖確定所述腦灌注梗死核心區域。
結合圖1a和圖1b所示的應用場景示意圖，以下對圖像分割方法及裝置、設備及電腦可讀儲存介質的各實施例進行說明。需要說明的是，在本發明實施例中，CT機和電腦設備12可以是集成在一起的。
本發明實施例提供的一種圖像分割方法，所述方法應用於圖像分割設備，所述圖像分割設備可以是電腦設備，本發明實施例提供的方法可以通過電腦程式來實現，該電腦程式在執行的時候，完成本發明實施例提供的圖像分割方法中各個步驟。在一些實施例中，該電腦程式可以被圖像分割設備的處理器執行。請參見圖2，圖2為本發明實施例提供的一種圖像分割方法的流程示意圖，所述方法包括如下。
步驟S21：獲取到第一待分割的腦部圖像。
在一實施例中，腦部圖像可以為腦部CT圖像，腦部CT圖像由CT成像技術獲得，示例性地，用X（X-ray）線束對人體檢查部位一定厚度的層面進行掃描，由探測器接收透過該層面的X線，轉變為可見光後，由光電轉換器轉變為電信號，再經類比/數位轉換器轉為數位信號，輸入電腦處理以得到CT圖像。本發明實施例中，CT圖像形成的處理包括：將選定層面分成若干個體積相同的長方體，稱之為體素；掃描所得的資訊經計算獲得每個體素的X線衰減係數或吸收係數，將X線衰減係數或吸收係數排列成矩陣，即數位矩陣，本發明實施例中，數位矩陣可儲存於磁片或光碟中。經數位/類比轉換器把數位矩陣中的每個數位轉為由黑到白不等灰度的小方塊，即圖元，並按矩陣排列，即構成CT圖像。以下各個實施例中圖像分割方法均以腦部CT圖像為例進行說明。
步驟S22：通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點。
在一些實施例中，通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點之前需要通過訓練以得到深度學習定位網路。訓練得到深度學習定位網路的過程包括：獲取腦部樣本圖像，在腦部樣本圖像中對大腦前動脈點及大腦靜脈點進行初步標注；利用經過初步標注的腦部樣本圖像對初始深度學習定位網路進行訓練，以得到深度學習定位網路。本發明實施例中，在腦部樣本圖像中對大腦前動脈點及大腦靜脈點進行初步標注時，可通過人工標注。在其他實施方式中，也可以通過其他方式進行標注，例如機器識別標注等。
通過上述方式訓練而得的深度學習定位網路在腦部圖像中進行定位，以分別獲取到大腦前動脈預測點及大腦靜脈預測點。本發明實施例中，通過深度學習定位網路在腦部圖像中進行定位時，可通過收斂、去卷積等進行計算。
圖3為本發明實施例提供的一種圖像分割方法中步驟S22的實現流程示意圖，如圖3所示，步驟S22“通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點”可以通過以下步驟實現。
步驟S31：通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈候選點和大腦靜脈候選點。
在通過深度學習定位網路得到大腦前動脈預測點和大腦靜脈預測點前，需要先進行定位以獲取大腦前動脈候選點和大腦靜脈候選點。
步驟S32：利用局部搜索演算法確定大腦前動脈候選點對應的大腦前動脈預測點以及大腦靜脈候選點對應的大腦靜脈預測點。
局部搜索演算法是一種簡單的貪心搜索演算法，該演算法每次從當前解的臨近解空間中選擇一個最優解作為當前解，直到達到一個局部最優解。本發明實施例中使用局部搜索演算法從大腦前動脈候選點中獲取對應的大腦前動脈預測點，以及從大腦靜脈候選點中獲取對應的大腦靜脈預測點，能夠得到更加精準的大腦前動脈預測點以及大腦靜脈預測點。
本發明實施例中，利用深度學習定位網路提升了確定大腦前動脈候選點和大腦靜脈候選點的精度及魯棒性。本發明實施例的中，還通過局部搜索演算法根據大腦前動脈候選點和大腦靜脈候選點確定出大腦前動脈預測點和大腦靜脈預測點。
圖4為本發明實施例提供的一種圖像分割方法中步驟S32的實現流程示意圖，如圖4所示，步驟S32“利用局部搜索演算法計算得到大腦前動脈候選點對應的大腦前動脈預測點以及大腦靜脈候選點對應的大腦靜脈預測點”可以通過以下步驟實現。
步驟S41：將大腦前動脈候選點為圓心，預設第一半徑範圍內的區域確定為大腦前動脈點候選區域，將大腦靜脈候選點為圓心，預設第二半徑範圍內的區域確定為大腦靜脈點候選區域。
通過深度學習演算法獲得到的大腦前動脈候選點為圓心，預設第一半徑範圍內的區域作為大腦前動脈點候選區域。通過深度學習演算法獲得到的大腦靜脈候選點為圓心，預設第二半徑範圍內的區域作為大腦靜脈點候選區域。
其中，預設第一半徑及預設第二半徑可以為1mm、2mm、2.5mm、10mm等，預設第一半徑與預設第二半徑的值可以相同，也可以不同，在此不做限定。
步驟S42：利用局部搜索演算法分別從大腦前動脈點候選區域中確定大腦前動脈預測點，及從大腦靜脈點選區域中確定大腦靜脈預測點。
採用局部搜索演算法從獲取到的大腦前動脈點候選區域中搜索得到大腦前動脈預測點，從大腦靜脈點選區域中搜索得到大腦靜脈預測點。
局部搜索演算法是一種簡單的貪心搜索演算法，該演算法每次從當前解的臨近解空間中選擇一個最優解作為當前解，直到達到一個局部最優解。本發明實施例所述的方法，通過局部搜索演算法結合深度學習演算法獲取到的大腦前動脈預測點及大腦靜脈預測點，提升了確定的大腦前動脈預測點和大腦靜脈預測點的精度及魯棒性。
圖5為本發明實施例提供的一種圖像分割方法中步驟S42的實現流程示意圖，如圖5所示，步驟S42“利用局部搜索演算法分別從大腦前動脈點候選區域中確定大腦前動脈預測點，及從大腦靜脈點選區域中確定大腦靜脈預測點”可以通過以下步驟實現。
步驟S51：從大腦前動脈點候選區域中確定時間最大值對應的多個第一組織密度值，及從大腦靜脈點選區域中確定時間最大值對應的多個第二組織密度值。
大腦前動脈點候選區域中具有若干條曲線，在一些實施例中，假設若干條曲線的橫坐標為時間座標，縱坐標為組織密度座標，分別從若干條曲線中獲取時間座標最大值對應的第一組織密度值。有多少條曲線，即有多少個第一組織密度值。例如，若曲線為30條，此時獲取得到的第一組織密度值為30個。
大腦靜脈點選區域中具有若干條曲線，在一些實施例中，假設若干條曲線的橫坐標為時間座標，縱坐標為組織密度座標，分別從若干條曲線中獲取時間座標最大值對應的第二組織密度值，有多少條曲線，即有多少個第二組織密度值。例如，若曲線為30條，此時獲取得到的第二組織密度值為30個。
步驟S52：將多個所述第一組織密度值中組織密度值的最大值確定為大腦前動脈預測點，將多個所述第二組織密度值中組織密度值的最大值確定為大腦靜脈預測點。
若獲取得到的第一組織密度值為30個，比較所得到的30個第一組織密度值的大小，將第一組織密度值的最大值所對應的座標作為大腦前動脈預測點。將時間最大值記作Tm1，第一組織密度值最大值記作Hm1，此時大腦前動脈預測點對應位（Tm1，Hm1）。
若獲取得到的第二組織密度值為30個，比較所得到的30個第二組織密度值的大小，將第二組織密度值的最大值所對應的座標作為大腦靜脈預測點。將時間最大值記作Tm2，第二組織密度值最大值記作Hm2，此時大腦前動脈預測點對應位（Tm2，Hm2）。
本發明實施例所示的方法，先利用深度學習網路模型檢測大腦前動脈候選點及大腦靜脈候選點，再利用局部搜索演算法確定大腦前動脈預測點和大腦靜脈預測點，使得確定的大腦前動脈預測點和大腦靜脈預測點為對應的多個組織密度值的最大值，進而提升了獲取的大腦前動脈預測點和大腦靜脈預測點的精度及魯棒性。
步驟S23：利用大腦前動脈預測點和大腦靜脈預測點確定腦部圖像對應的灌注參數圖。
在得到大腦靜脈預測點及大腦前動脈預測點後進一步計算獲取腦部圖像對應的灌注參數圖。
圖6為本發明實施例提供的一種圖像分割方法中步驟S23的實現流程示意圖，如圖6所示，步驟S23“利用大腦前動脈預測點和大腦靜脈預測點計算得到腦部圖像對應的灌注參數圖”可以通過以下步驟實現。
步驟S61：獲取大腦前動脈預測點對應的函數曲線和大腦靜脈預測點對應的函數曲線。
在得到大腦靜脈預測點及大腦前動脈預測點後，將大腦靜脈預測點及大腦前動脈預測點所在的曲線分別作為大腦靜脈預測點對應的函數曲線及大腦前動脈預測點對應的函數曲線。
步驟S62：將大腦前動脈預測點對應的函數曲線作為第一動脈輸入函數，及將大腦靜脈預測點對應的函數曲線作為靜脈輸出函數。
將大腦前動脈預測點對應的函數曲線作為第一動脈輸入函數，將大腦靜脈預測點對應的函數曲線作為靜脈輸出函數。在一些實施例中，靜脈輸出函數作為第一動脈輸入函數的積累，因此靜脈輸出的值大於動脈輸入的值。
步驟S63：利用靜脈輸出函數對第一動脈輸入函數進行修正，以得到第二動脈輸入函數。
為增加魯棒性，在獲取到第一動脈輸入函數後，利用靜脈輸出函數對第一動脈輸入函數進行收斂修正，以得到第二動脈輸入函數。
步驟S64：利用第二動脈輸入函數通過去卷積演算法確定局部腦血容積圖、局部腦血流量圖、平均通過時間圖和達峰時間圖。
修正後得到的第二動脈輸入函數通過去卷積的計算方法得到腦部圖像的灌注參數圖。在一實施例中，灌注參數圖包括局部腦血容積圖（rCBV，Regional Cerebral Blood Volume）、局部腦血流量圖（rCBF，renal cortical blood flow）、平均通過時間圖（MTT）和達峰時間圖（Tmax）。
本發明實施例提供的方法，首先利用深度學習檢測大腦前動脈候選點及大腦靜脈候選點，再利用局部搜索演算法獲取的大腦前動脈預測點及大腦靜脈預測點，使得獲取的大腦前動脈預測點及大腦靜脈預測點精度及魯棒性，進而使得計算所得的局部腦血容積圖、局部腦血流量圖、平均通過時間圖和達峰時間圖的精度更高。
步驟S24：利用灌注參數圖確定腦灌注梗死核心區域。
本發明實施例中，病灶側的局部腦血流量比上正常側的局部腦血流量小於預設閾值作為腦梗死核心區域，示例性地，病灶側的局部腦血流量比上正常側的局部腦血流量小於30%作為腦梗死核心區域。
圖7為本發明實施例提供的一種圖像分割方法中步驟S24的一種實現流程示意圖，如圖7所示，步驟S24可以通過以下步驟實現。
步驟S71：獲取第二待分割的腦部圖像。
在一些實施例中，第二待分割圖像為磁共振（DWI，Diffusion-Weighted Imaging）圖像，本發明實施例中的第二待分割的腦部圖像為標注了梗死核心區域的圖像。本發明實施例中的第二待分割的腦部圖像與第一待分割的腦部圖像為同一患者的腦部圖像。在其他實施例中，本發明實施例中的第二待分割的腦部圖像與第一待分割的腦部圖像還可以為不同患者的腦部圖像。
步驟S72：將達峰時間圖中大於預設時間的區域確定為低灌區域。
示例性地，預設時間為6秒，將達峰時間圖（Tmax）中時間大於6s的區域確定為低灌區域。
步驟S73：利用局部腦血容積圖像、局部腦血流量圖像採用卷積神經網路演算法從低灌區域中獲取到所述第二待分割的腦部圖像對應的梗死核心區域。
通過卷積神經網路演算法根據標注了梗死核心區域的第二待分割腦部圖像從局部腦血容積圖像、局部腦血流量圖像中得到梗死核心區域。可採用重疊、去畸變等方式利用卷積神經網路演算法得到梗死核心區域。
本發明實施例提供的方法，在計算得到梗死核心區域時採用的灌注參數圖像為局部腦血容積圖像、局部腦血流量圖像，進一步提高了對梗死核心區域的分割的準確性。
圖8為本發明實施例提供的一種圖像分割方法中步驟S24的另一種實現流程示意圖，如圖8所示，步驟S24“利用灌注參數圖計算得到腦灌注梗死核心區域”可以通過以下步驟實現。
步驟S81：獲取第二待分割的腦部圖像。
在一些實施例中，第二待分割圖像為DWI圖像，本發明實施例中的第二待分割的腦部圖像為標注了梗死核心區域的圖像。本發明實施例中的第二待分割的腦部圖像與第一待分割的腦部圖像為同一患者的腦部圖像。在其他實施例中，本發明實施例中的第二待分割的腦部圖像與第一待分割的腦部圖像還可以為不同患者的腦部圖像。
步驟S82：將達峰時間圖中大於預設時間的區域確定為低灌區域。
示例性地，預設時間為6s，將達峰時間圖中時間大於6s的區域作為低灌區域。
步驟S83：利用所述局部腦血容積圖像、局部腦血流量圖像及所述平均通過時間圖採用卷積神經網路演算法從所述低灌區域中獲取到所述第二待分割的腦部圖像對應的所述梗死核心區域。
通過卷積神經網路演算法根據標注了梗死核心區域的第二待分割腦部圖像從局部腦血容積圖像、局部腦血流量圖像及平均通過時間圖中得到梗死核心區域。可採用重疊、去畸變等方式利用卷積神經網路演算法得到梗死核心區域。
本發明實施例所述的方法，在計算得到梗死核心區域時採用的灌注參數圖像為局部腦血容積圖像、局部腦血流量圖像及平均通過時間圖像，使得本發明實施例的得到的梗死核心區域精度更高和魯棒性更高。
本發明實施例所述的圖像分割方法，利用深度學習檢測大腦前動脈候選點及大腦靜脈候選點，及利用局部搜索演算法獲取大腦前動脈預測點及大腦靜脈預測點，提升了獲取的大腦前動脈預測點及大腦靜脈預測點的精度及魯棒性，進而使得計算所得的局部腦血容積圖、局部腦血流量圖像、平均通過時間圖和達峰時間圖的精度更高。本發明實施例所述的方法在分割梗死核心區域時，不需要以病灶側與正常側的比值作參考，排除了在病灶側與正常側均為異常側時，分割精度不準的情況，進一步提高了梗死核心區域的分割精度及魯棒性。
圖9為本發明實施例提供的一種圖像分割方法的另一種實現流程示意圖，如圖9所示，本發明實施例所示的方法，步驟S91至步驟S94與步驟S21至步驟S24相同。本發明實施例與圖2所示的圖像分割方法相比，所述方法還包括：
步驟S95：根據低灌區域及梗死核心區域確定缺血半暗帶區域。
梗死核心區域加上缺血半暗帶區域等於低灌區域。經由上述實施例得到梗死核心區域後，低灌區域中除梗死核心區域外的其餘區域為缺血半暗帶區域。
本發明實施例所述的方法，利用深度學習檢測大腦前動脈候選點及大腦靜脈候選點，及利用局部搜索演算法獲取大腦前動脈預測點及大腦靜脈預測點，提升了獲取的大腦前動脈預測點及大腦靜脈預測點的精度及魯棒性，進而使得計算所得的局部腦血容積圖、局部腦血流量圖像、平均通過時間圖和達峰時間圖的精度更高。
本發明實施例所述的方法在分割梗死核心區域時，不需要以病灶側與正常側的比值作參考，排除了在病灶側與正常側均為異常側時，分割精度不準的情況，進一步提高了梗死核心區域的分割精度及魯棒性。由於梗死核心區域加缺血半暗帶區域等於低灌區域，在梗死核心區域的分割精度及魯棒性更高的前提下，本發明實施例的方法還提高了缺血半暗帶區域的分割精度及魯棒性。
基於前述的各個實施例，本發明實施例提供再一種圖像分割方法，圖10為本發明實施例提供的再一種圖像分割方法的流程示意圖，如圖10所示，所述方法包括如下。
步驟S101，大腦前動脈點和大腦靜脈點定位。
首先利用深度學習定位網路定位出來大腦前動脈點和大腦靜脈點兩個候選點，再通過局部搜索演算法確定精準的大腦前動脈點和大腦靜脈點，進而確定動脈輸入函數AIF和靜脈輸出函數VOF（Volume Fluent）。
步驟S102，灌注計算。
利用AIF通過去卷積的SVD演算法計算出四個灌注參數圖rCBV、rCBF、MTT和Tmax。
步驟S103，缺血半暗帶和梗死核心分割。
最後通過Tmax大於6s作為低灌區域，利用四個參數圖作為輸入分割梗死核心，兩者錯配（mismatch）作為缺血半暗帶的分割結果。
本發明實施例提供的方法，通過深度學習定位網路和局部搜索演算法自動檢測大腦前動脈點和大腦靜脈點，提升了獲取的大腦前動脈點和大腦靜脈點的演算法精度和魯棒性，利用深度學習分割梗死核心，提升了其精度和魯棒性，且可以解決大腦兩側都有梗死核心區域的特殊情況。
圖11為本發明實施例提供的一種圖像分割裝置的結構示意圖，如圖11所示，所述圖像分割裝置包括：獲取模組111、定位模組112、關注參數圖獲取模組113及梗死核心區域分割模組114。
其中，獲取模組111配置為獲取到第一待分割的腦部圖像，定位模組112配置為通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點。灌注參數圖獲取模組113配置為利用所述大腦前動脈預測點和所述大腦靜脈預測點計算得到所述腦部圖像對應的灌注參數圖。梗死核心區域分割模組114配置為利用灌注參數圖計算得到腦灌注梗死核心區域。
在一些實施例中，獲取模組111還配置為：
獲取腦部樣本圖像，所述腦部樣本圖像為對大腦前動脈點和大腦靜脈點進行初步標注的圖像；
利用所述腦部樣本圖像對初始深度學習定位網路進行訓練，得到所述深度學習定位網路。
在一些實施例中，定位模組112還配置為：
通過所述深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈候選點和大腦靜脈候選點；
利用局部搜索演算法確定所述大腦前動脈候選點對應的大腦前動脈預測點以及所述大腦靜脈候選點對應的大腦靜脈預測點。
在一些實施例中，定位模組112還配置為：
所述利用局部搜索演算法確定所述大腦前動脈候選點對應的大腦前動脈預測點以及所述大腦靜脈候選點對應的大腦靜脈預測點，包括：
將所述大腦前動脈候選點為圓心，預設第一半徑範圍內的區域確定為大腦前動脈點候選區域，將所述大腦靜脈候選點為圓心，預設第二半徑範圍內的區域確定為大腦靜脈點候選區域；
利用所述局部搜索演算法分別從所述大腦前動脈點候選區域中確定所述大腦前動脈預測點，及從所述大腦靜脈點選區域中確定所述大腦靜脈預測點。
在一些實施例中，定位模組112還配置為：
從所述大腦前動脈點候選區域中確定時間最大值對應的多個第一組織密度值，及從所述大腦靜脈點選區域中確定時間最大值對應的多個第二組織密度值；
將所述多個第一組織密度值中組織密度值的最大值確定為所述大腦前動脈預測點，將所述第二組織密度值中組織密度值的最大值確定為所述大腦靜脈預測點。
在一些實施例中，所述灌注參數圖包括：局部腦血容積圖、局部腦血流量圖、平均通過時間圖和達峰時間圖。
在一些實施例中，關注參數圖獲取模組113還配置為：
獲取所述大腦前動脈預測點對應的函數曲線和所述大腦靜脈預測點對應的函數曲線；
將所述大腦前動脈預測點對應的函數曲線作為第一動脈輸入函數，及將所述大腦靜脈預測點對應的函數曲線作為靜脈輸出函數；
利用所述靜脈輸出函數對所述第一動脈輸入函數進行修正，以得到第二動脈輸入函數；
利用所述第二輸入動脈函數通過去卷積演算法確定所述局部腦血容積圖、所述局部腦血流量圖、所述平均通過時間圖和所述達峰時間圖。
在一些實施例中，梗死核心區域分割模組114還配置為：
獲取第二待分割的腦部圖像；
將所述達峰時間圖中大於預設時間的區域確定為低灌區域；
利用所述局部腦血容積圖像、所述局部腦血流量圖像採用卷積神經網路演算法從所述低灌區域中獲取到所述第二待分割的腦部圖像對應的所述梗死核心區域。
在一些實施例中，梗死核心區域分割模組114還配置為：
獲取第二待分割的腦部圖像；
將所述達峰時間圖中大於預設時間的區域確定為低灌區域；
利用所述局部腦血容積圖像、所述局部腦血流量圖像及所述平均通過時間圖採用卷積神經網路演算法從所述低灌區域中獲取到所述第二待分割的腦部圖像對應的所述梗死核心區域。
在一些實施例中，梗死核心區域分割模組114還配置為：
根據所述低灌區域及所述梗死核心區域確定缺血半暗帶區域；
其中，所述梗死核心區域加上所述缺血半暗帶區域等於所述低灌區域。
本發明實施例提供的圖像分割裝置能夠實現通過深度學習演算法定位獲取到大腦前動脈候選點及大腦靜脈候選點，再通過局部搜索演算法根據大腦前動脈候選點及大腦靜脈候選點確定出大腦前動脈預測點及大腦靜脈預測點。利用深度學習檢測大腦前動脈候選點及大腦靜脈候選點，及利用局部搜索演算法獲取大腦前動脈預測點及大腦靜脈預測點的精度及魯棒性更加突出。
另外，本發明實施例提供的圖像分割裝置在分割梗死核心區域時，不需要以病灶側與正常側的比值作參考，排除了在病灶側與正常側均為異常側時，分割精度不準的情況，提高了梗死核心區域的分割精度及魯棒性。
圖12為本發明實施例提供的一種圖像分割設備的結構示意圖，如圖12所示，圖像分割設備包括相互連接的記憶體121、處理器122和通信匯流排123。
記憶體121配置為儲存實現上述任意一項的圖像分割方法的程式指令。
處理器122配置為執行記憶體121儲存的程式指令。
通信匯流排123配置為實現記憶體121和處理器122之間的連接通信。其中，處理器122還可以稱為中央處理單元（CPU，Central Processing Unit）。處理器122可能是一種積體電路晶片，具有信號的處理能力。處理器122還可以是通用處理器、數位訊號處理器（DSP，Digital Signal Processor）、專用積體電路（ASIC，Application Specific Integrated Circuit）、現場可程式設計閘陣列（FPGA，Field Programmable Gate Array）或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。
記憶體121可以為記憶體條、閃記憶體卡（TF卡，Micro SD Card）等，可以儲存圖像分割設備中全部資訊，包括輸入的原始資料、電腦程式、中間運行結果和最終運行結果都保存在記憶體中。它根據控制器指定的位置存入和取出資訊。有了記憶體，圖像分割設備才有記憶功能，才能保證正常工作。圖像分割設備中的記憶體按用途記憶體可分為主記憶體(記憶體)和次要存放裝置(外存),也有分為外部記憶體和內部記憶體的分類方法。外存通常是磁性介質或光碟等，能長期保存資訊。記憶體指主機板上的儲存部件，用來存放當前正在執行的資料和程式，但僅用於暫時存放程式和資料，關閉電源或斷電，資料會丟失。
在本發明所提供的幾個實施例中，應該理解到，所揭露的方法和裝置，可以通過其它的方式實現。例如，以上所描述的裝置實施方式僅僅是示意性的，例如，模組或單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或元件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些介面，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。
作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分佈到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施方式方案的目的。
另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用軟體功能單元的形式實現。
集成的單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以儲存在一個電腦可讀取儲存介質中。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟體產品的形式體現出來，該電腦軟體產品儲存在一個電腦可讀儲存介質中，包括若干指令用以使得一台電腦設備（可以是個人電腦，系統伺服器，或者網路設備等）或處理器（processor）執行本發明各個實施方式方法的全部或部分步驟。
圖13為本發明實施例提供的一種電腦可讀儲存介質的結構示意圖，如圖13所示，本發明的電腦可讀儲存介質儲存有能夠實現上述所有圖像分割方法的程式檔131，其中，該程式檔131可以以軟體產品的形式儲存在上述電腦可讀儲存介質中，包括若干指令用以使得一台電腦設備（可以是個人電腦，伺服器，或者網路設備等）或處理器（processor）執行本發明各個實施方式方法的全部或部分步驟。而前述的儲存裝置包括：U盤、移動硬碟、唯讀記憶體（ROM，Read-Only Memory）、隨機存取記憶體（RAM，Random Access Memory）、磁碟或者光碟等各種可以儲存程式碼的介質，或者是電腦、伺服器、手機、平板等終端設備。
本發明實施例提供的圖像分割設備能夠實現先通過深度學習演算法定位獲取到大腦前動脈候選點及大腦靜脈候選點。再通過局部搜索演算法根據大腦前動脈候選點及大腦靜脈候選點確定出大腦前動脈預測點及大腦靜脈預測點。利用深度學習檢測大腦前動脈候選點及大腦靜脈候選點，及利用局部搜索演算法獲取大腦前動脈預測點及大腦靜脈預測點的精度及魯棒性更加突出。
另外，本發明實施例提供的圖像分割設備在分割梗死核心區域時，不需要以病灶側與正常側的比值作參考，排除了在病灶側與正常側均為異常側時，分割精度不準的情況，進一步提高了梗死核心區域的分割精度及魯棒性。
以上僅為本發明實施例的實施方式，並非因此限制本發明實施例的專利範圍，凡是利用本發明實施例說明書及附圖內容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的技術領域，均同理包括在本發明實施例的專利保護範圍內。
工業實用性
本發明實施例提供一種圖像分割方法、設備及電腦可讀儲存介質，其中，所述方法包括：獲取到第一待分割的腦部圖像；通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點；利用所述大腦前動脈預測點和所述大腦靜脈預測點計算得到所述腦部圖像對應的灌注參數圖；利用所述灌注參數圖計算得到所述腦灌注梗死核心區域，以此提高梗死核心區域的分割精度及魯棒性。
11:CT機
12:電腦設備
13:伺服器
111:獲取模組
112:定位模組
113:關注參數圖獲取模組
114:梗死核心區域分割模組
121:記憶體
122:處理器
123:通信匯流排
131:程式檔
S21~S24:步驟
S31~S32:步驟
S41~S42:步驟
S51~S52:步驟
S61~S64:步驟
S71~S73:步驟
S81~S83:步驟
S91~S95:步驟
S101~S103:步驟
圖1a為本發明實施例網路架構的示意圖；
圖1b為本發明實施例另一網路架構的示意圖；
圖2為本發明實施例提供的一種圖像分割方法的流程示意圖；
圖3為本發明實施例提供的一種圖像分割方法中步驟S22的實現流程示意圖；
圖4為本發明實施例提供的一種圖像分割方法中步驟S32的實現流程示意圖；
圖5為本發明實施例提供的一種圖像分割方法中步驟S42的實現流程示意圖；
圖6為本發明實施例提供的一種圖像分割方法中步驟S23的實現流程示意圖；
圖7為本發明實施例提供的一種圖像分割方法中步驟S24的一種實現流程示意圖；
圖8為本發明實施例提供的一種圖像分割方法中步驟S24的另一種實現流程示意圖；
圖9為本發明實施例提供的一種圖像分割方法的另一種實現流程示意圖；
圖10為本發明實施例提供的再一種圖像分割方法的流程示意圖；
圖11為本發明實施例提供的一種圖像分割裝置的結構示意圖；
圖12為本發明實施例提供的一種圖像分割設備的結構示意圖；
圖13為本發明實施例提供的一種電腦可讀儲存介質的結構示意圖。
S21~S24:步驟
Claims (11)
- 一種圖像分割方法，應用於圖像分割設備，所述方法包括：獲取第一待分割的腦部圖像；通過所述深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈候選點和大腦靜脈候選點；利用局部搜索演算法確定所述大腦前動脈候選點對應的大腦前動脈預測點以及所述大腦靜脈候選點對應的大腦靜脈預測點；利用所述大腦前動脈預測點和所述大腦靜脈預測點確定所述腦部圖像對應的灌注參數圖；利用所述灌注參數圖確定腦灌注梗死核心區域。
- 根據請求項1所述的圖像分割方法，其中，所述通過深度學習定位網路對所述腦部圖像進行定位，得到大腦前動脈預測點和大腦靜脈預測點之前，所述方法還包括：獲取腦部樣本圖像，所述腦部樣本圖像攜帶對大腦前動脈點和大腦靜脈點的初步標注的圖像；利用所述腦部樣本圖像對初始深度學習定位網路進行訓練，得到所述深度學習定位網路。
- 根據請求項2所述的圖像分割方法，其中，所述利用局部搜索演算法確定所述大腦前動脈候選點對應的大腦前動脈預測點以及所述大腦靜脈候選點對應的大腦靜脈預測點，包括： 將以所述大腦前動脈候選點為圓心，預設第一半徑範圍內的區域確定為大腦前動脈點候選區域，將以所述大腦靜脈候選點為圓心，預設第二半徑範圍內的區域確定為大腦靜脈點候選區域；利用所述局部搜索演算法分別從所述大腦前動脈點候選區域中確定所述大腦前動脈預測點，及從所述大腦靜脈點選區域中確定所述大腦靜脈預測點。
- 根據請求項3所述的圖像分割方法，其中，所述利用所述局部搜索演算法分別從所述大腦前動脈點候選區域中確定所述大腦前動脈預測點，及從所述大腦靜脈點選區域中確定所述大腦靜脈預測點，包括：從所述大腦前動脈點候選區域中確定時間最大值對應的多個第一組織密度值，及從所述大腦靜脈點選區域中確定時間最大值對應的多個第二組織密度值；將所述多個第一組織密度值中組織密度值的最大值確定為所述大腦前動脈預測點，將所述第二組織密度值中組織密度值的最大值確定為所述大腦靜脈預測點。
- 根據請求項1所述的圖像分割方法，其中，所述灌注參數圖包括：局部腦血容積圖、局部腦血流量圖、平均通過時間圖和達峰時間圖。
- 根據請求項5所述的圖像分割方法，其中，所述利用所述大腦前動脈預測點和所述大腦靜脈預測點確定所述腦部圖像對應的灌注參數圖，包括：獲取所述大腦前動脈預測點對應的函數曲線和所述大腦 靜脈預測點對應的函數曲線；將所述大腦前動脈預測點對應的函數曲線確定為第一動脈輸入函數，及將所述大腦靜脈預測點對應的函數曲線確定為靜脈輸出函數；利用所述靜脈輸出函數對所述第一動脈輸入函數進行修正，以得到第二動脈輸入函數；利用所述第二動脈輸入函數通過去卷積演算法確定所述局部腦血容積圖、所述局部腦血流量圖、所述平均通過時間圖和所述達峰時間圖。
- 根據請求項6所述的圖像分割方法，其中，所述利用所述灌注參數圖計算得到所述腦灌注梗死核心區域，包括：獲取第二待分割的腦部圖像；將所述達峰時間圖中大於預設時間的區域確定為低灌區域；利用所述局部腦血容積圖像、所述局部腦血流量圖像採用卷積神經網路演算法從所述低灌區域中獲取到所述第二待分割的腦部圖像對應的所述梗死核心區域。
- 根據請求項6所述的圖像分割方法，其中，所述利用所述灌注參數圖確定所述腦灌注梗死核心區域，包括：獲取第二待分割的腦部圖像；將所述達峰時間圖中大於預設時間的區域確定為低灌區域； 利用所述局部腦血容積圖像、所述局部腦血流量圖像及所述平均通過時間圖採用卷積神經網路演算法從所述低灌區域中獲取到所述第二待分割的腦部圖像對應的所述梗死核心區域。
- 根據請求項7或8所述的圖像分割方法，還包括：根據所述低灌區域及所述梗死核心區域確定缺血半暗帶區域；其中，所述梗死核心區域加上所述缺血半暗帶區域等於所述低灌區域。
- 一種圖像分割設備，所述設備包括：相互藕接的處理器、記憶體；其中，所述記憶體配置為儲存實現如請求項1至9任意一項所述的圖像分割方法的程式指令；所述處理器配置為執行所述記憶體儲存的所述程式指令。
- 一種電腦可讀儲存介質，儲存有程式檔，所述程式檔能夠被執行以實現如請求項1至9任意一項所述的圖像分割方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010192934.5A CN111489360A (zh) | 2020-03-18 | 2020-03-18 | 一种图像分割方法及相关设备 |
| CN202010192934.5 | 2020-03-18 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202137132A TW202137132A (zh) | 2021-10-01 |
| TWI767492B true TWI767492B (zh) | 2022-06-11 |
Family
ID=71798168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110100179A TWI767492B (zh) | 2020-03-18 | 2021-01-04 | 一種圖像分割方法、設備及電腦可讀儲存介質 |
Country Status (5)
| Country | Link |
|---|---|
| JP (1) | JP2022529094A (zh) |
| KR (1) | KR20210118389A (zh) |
| CN (1) | CN111489360A (zh) |
| TW (1) | TWI767492B (zh) |
| WO (1) | WO2021184600A1 (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419340B (zh) * | 2020-12-09 | 2024-06-28 | 东软医疗系统股份有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
| CN113034438B (zh) * | 2021-03-01 | 2021-11-23 | 北京安德医智科技有限公司 | 一种ct灌注参数预测方法及装置、电子设备和存储介质 |
| CN113827263A (zh) * | 2021-11-08 | 2021-12-24 | 上海联影智能医疗科技有限公司 | 灌注影像处理方法、系统、电子设备及存储介质 |
| CN114121236A (zh) * | 2021-11-22 | 2022-03-01 | 上海商汤智能科技有限公司 | 图像检测方法及相关装置、电子设备和存储介质 |
| CN114266789B (zh) * | 2021-12-28 | 2023-05-23 | 沈阳东软智能医疗科技研究院有限公司 | 基于脑部影像的梗死区域分割方法、装置、设备及介质 |
| CN114170440A (zh) * | 2021-12-31 | 2022-03-11 | 上海联影智能医疗科技有限公司 | 图像特征点的确定方法、装置、计算机设备和存储介质 |
| CN114648514B (zh) * | 2022-03-30 | 2022-11-29 | 中国人民解放军总医院第二医学中心 | 一种脑动脉定位提取方法、装置、电子设备及存储介质 |
| CN115546159B (zh) * | 2022-10-13 | 2023-07-25 | 数坤(上海)医疗科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN115830014B (zh) * | 2023-02-03 | 2023-05-05 | 脑玺(苏州)智能科技有限公司 | 缺血半暗带的误标记识别方法、装置、设备及存储介质 |
| CN116798612A (zh) * | 2023-08-23 | 2023-09-22 | 北京超数时代科技有限公司 | 一种用于神经类疾病的数字诊疗系统 |
| CN117975012B (zh) * | 2024-02-07 | 2024-08-09 | 浙江大学 | 人体脉络丛分割方法、系统、存储介质及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103839249A (zh) * | 2012-11-23 | 2014-06-04 | 上海联影医疗科技有限公司 | Ct肝灌注的图像后处理方法和ct肝灌注方法 |
| TWI478697B (zh) * | 2008-07-07 | 2015-04-01 | Hamamatsu Photonics Kk | Diagnosis of brain diseases |
| CN105997128A (zh) * | 2016-08-03 | 2016-10-12 | 上海联影医疗科技有限公司 | 利用灌注成像识别病灶的方法及系统 |
| WO2017148332A1 (zh) * | 2016-02-29 | 2017-09-08 | 上海联影医疗科技有限公司 | 一种灌注分析方法与设备 |
| CN110287956A (zh) * | 2019-06-13 | 2019-09-27 | 北京理工大学 | 血管中心线自动匹配方法及装置 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2411932B1 (en) * | 2009-03-26 | 2018-08-22 | Koninklijke Philips N.V. | Perfusion imaging |
| CN102028494B (zh) * | 2011-01-24 | 2012-05-09 | 海纳医信（北京）软件科技有限责任公司 | 脑灌注图像序列处理方法及系统 |
| CN103186895A (zh) * | 2013-04-15 | 2013-07-03 | 武汉大学 | 一种基于神经网络模型的ct灌注医疗图像智能融合方法 |
| CN104287764B (zh) * | 2014-09-11 | 2017-05-31 | 沈阳东软医疗系统有限公司 | 一种ct灌注成像方法和设备 |
| US10037603B2 (en) * | 2015-05-04 | 2018-07-31 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
| WO2017112554A1 (en) * | 2015-12-21 | 2017-06-29 | The Regents Of The University Of California | Perfusion digital subtraction angiography |
| US11540725B2 (en) * | 2016-09-18 | 2023-01-03 | Yeda Research And Development Co. Ltd. | Systems and methods for generating 3D images based on fluorescent illumination |
| EP3559903B1 (en) * | 2016-12-23 | 2023-03-22 | HeartFlow, Inc. | Machine learning of anatomical model parameters |
| CN107451455A (zh) * | 2017-07-29 | 2017-12-08 | 广东欧珀移动通信有限公司 | 解锁控制方法及相关产品 |
| WO2019061202A1 (en) * | 2017-09-28 | 2019-04-04 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR PROCESSING COLON IMAGE DATA |
| CN108053446A (zh) * | 2017-12-11 | 2018-05-18 | 北京奇虎科技有限公司 | 基于点云的定位方法、装置及电子设备 |
| CN109035255B (zh) * | 2018-06-27 | 2021-07-02 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
| CN109242863B (zh) * | 2018-09-14 | 2021-10-26 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
| CN109726753A (zh) * | 2018-12-25 | 2019-05-07 | 脑玺(上海)智能科技有限公司 | 基于时间信号曲线的灌注动态影像的分割方法及系统 |
| CN110223285B (zh) * | 2019-06-13 | 2021-02-02 | 中南大学湘雅二医院 | 基于动物迁移和神经网络模型的影像结果预测方法及系统 |
-
2020
- 2020-03-18 CN CN202010192934.5A patent/CN111489360A/zh not_active Withdrawn
- 2020-07-07 KR KR1020217020478A patent/KR20210118389A/ko unknown
- 2020-07-07 WO PCT/CN2020/100711 patent/WO2021184600A1/zh active Application Filing
- 2020-07-07 JP JP2021538462A patent/JP2022529094A/ja active Pending
-
2021
- 2021-01-04 TW TW110100179A patent/TWI767492B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI478697B (zh) * | 2008-07-07 | 2015-04-01 | Hamamatsu Photonics Kk | Diagnosis of brain diseases |
| CN103839249A (zh) * | 2012-11-23 | 2014-06-04 | 上海联影医疗科技有限公司 | Ct肝灌注的图像后处理方法和ct肝灌注方法 |
| WO2017148332A1 (zh) * | 2016-02-29 | 2017-09-08 | 上海联影医疗科技有限公司 | 一种灌注分析方法与设备 |
| CN105997128A (zh) * | 2016-08-03 | 2016-10-12 | 上海联影医疗科技有限公司 | 利用灌注成像识别病灶的方法及系统 |
| CN110287956A (zh) * | 2019-06-13 | 2019-09-27 | 北京理工大学 | 血管中心线自动匹配方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111489360A (zh) | 2020-08-04 |
| TW202137132A (zh) | 2021-10-01 |
| WO2021184600A1 (zh) | 2021-09-23 |
| JP2022529094A (ja) | 2022-06-17 |
| KR20210118389A (ko) | 2021-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI767492B (zh) | 一種圖像分割方法、設備及電腦可讀儲存介質 | |
| US10076299B2 (en) | Systems and methods for determining hepatic function from liver scans | |
| WO2022127783A1 (zh) | 一种基于血管分支配准的冠状动脉三维重建方法及系统 | |
| US10984530B1 (en) | Enhanced medical images processing method and computing device | |
| US20230139405A1 (en) | Stenosis assessment method and device based on intracranial DSA imaging | |
| CN111445449A (zh) | 感兴趣区域的分类方法、装置、计算机设备和存储介质 | |
| WO2017148332A1 (zh) | 一种灌注分析方法与设备 | |
| CN109410221A (zh) | 脑灌注图像分割方法、装置、服务器和存储介质 | |
| CN114066886B (zh) | 骨骼分割边界确定方法、装置、电子设备及存储介质 | |
| CN105590324A (zh) | 医学图像的分割方法及其装置 | |
| CN112263225B (zh) | 一种基于脑血流的侧支血管及组织功能评估装置 | |
| Sakellarios et al. | Novel methodology for 3D reconstruction of carotid arteries and plaque characterization based upon magnetic resonance imaging carotid angiography data | |
| Gao et al. | A novel software tool for semi-automatic quantification of thoracic aorta dilatation on baseline and follow-up computed tomography angiography | |
| Goel et al. | Fully automated tool to identify the aorta and compute flow using phase‐contrast MRI: validation and application in a large population based study | |
| CN113876345B (zh) | 缺血半暗带的识别方法、设备、电子装置和存储介质 | |
| CN110246136A (zh) | 一种基于混合算法的血管内超声参数提取方法及系统 | |
| US10504229B2 (en) | Medical image processing apparatus and medical image processing method | |
| CN112489051A (zh) | 基于血管及病变区域的肝脏裁切方法及系统 | |
| Zheng et al. | Precise segmentation of the left atrium in C-arm CT volumes with applications to atrial fibrillation ablation | |
| CN116491968A (zh) | 基于单时相cta的急性缺血性卒中侧支循环评估方法 | |
| US10182782B2 (en) | Evaluation apparatus, evaluation method, and evaluation program | |
| Zhou et al. | A framework of myocardial bridge detection with x-ray angiography sequence | |
| Chakshu et al. | Automating fractional flow reserve (FFR) calculation from CT scans: A rapid workflow using unsupervised learning and computational fluid dynamics | |
| CN113850794A (zh) | 一种图像处理方法及装置 | |
| CN114121236A (zh) | 图像检测方法及相关装置、电子设备和存储介质 |