[go: up one dir, main page]

CN116342603B - 获得动脉输入函数的方法 - Google Patents

获得动脉输入函数的方法 Download PDF

Info

Publication number
CN116342603B
CN116342603B CN202310619923.4A CN202310619923A CN116342603B CN 116342603 B CN116342603 B CN 116342603B CN 202310619923 A CN202310619923 A CN 202310619923A CN 116342603 B CN116342603 B CN 116342603B
Authority
CN
China
Prior art keywords
time
input function
obtaining
image
voxels
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310619923.4A
Other languages
English (en)
Other versions
CN116342603A (zh
Inventor
方蕙
刘欣
单晔杰
何京松
向建平
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.)
Arteryflow Technology Co ltd
Original Assignee
Arteryflow 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 Arteryflow Technology Co ltd filed Critical Arteryflow Technology Co ltd
Priority to CN202310619923.4A priority Critical patent/CN116342603B/zh
Publication of CN116342603A publication Critical patent/CN116342603A/zh
Application granted granted Critical
Publication of CN116342603B publication Critical patent/CN116342603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种获得动脉输入函数的方法，包括：基于CT灌注影像获得不同时刻的3D影像，获得各时刻下3D影像的直方图，基于各直方图获得造影剂的充盈时刻；将充盈时刻下的3D影像作为参考图像，对其余3D影像进行图像配准；构建用于训练卷积神经网络的训练数据集，进而获得训练完成的神经网络模型；构建输入数据集，利用神经网络模型筛选获得输入数据集中属于血管类别体素的时间密度曲线，进而获得动脉输入函数。本申请基于神经网络模型全自动进行，能够提高参数图的正确性和鲁棒性；利用直方图获得充盈时刻，大脑组织结构清晰，有利于提高训练数据集和输入数据集的可靠性，有利于提高深度网络模型的分类精准度。

Description

获得动脉输入函数的方法
技术领域
本申请涉及医学影像处理领域，特别是涉及一种获得动脉输入函数的方法。
背景技术
CT灌注（CTP）扫描常用于检查脑血管疾病，比如急性脑卒中、蛛网膜下腔出血、颈动脉闭塞等。向颅内血管注射造影剂后进行连续多次3D脑部扫描得到包括时间维度的4D扫描结果，然后通过自动化计算得到脑血流容量（cerebral blood volume, CBV）、脑血流流量（cerebral blood flow, CBF）、平均通过时间（mean transit time, MTT）和剩余函数达峰时间（time to peak, Tmax）等血流动力学参数图，从而评估大脑灌注情况。
CTP自动化计算中，一般包括图像预处理、动脉输入函数（arterial inputfunction, AIF）选取、解卷积计算、参数图生成及病变体积计算等过程。其中AIF参与解卷积过程，通过对脑组织时间密度曲线（time density curve, TDC）与AIF进行解卷积运算可得造影剂残余曲线，对造影剂残余曲线进一步计算则可得到上述各个血流动力学参数及其参数图。
AIF点一般选择位于大脑中动脉（middle cerebral artery, MCA）上的血管体素，这些曲线通常具有峰值高、峰宽小、峰值时刻早的曲线特点。目前，AIF的选择方法主要包括人工选取、聚类和构造曲线特征加权模型方法。然而，人工选取方法存在耗时长、重复性低和依赖操作者经验的缺点；聚类方法可能难以排除非脑组织点引入的噪声曲线，其结果也可能取决于前期去颅骨的效果；构造曲线特征加权模型方法需要人工构建特征，并设计较为复杂的数学模型。
发明内容
基于此，有必要针对上述技术问题，提供一种获得动脉输入函数的方法。
本申请获得动脉输入函数的方法，所述获得动脉输入函数的方法包括：
基于CT灌注影像获得不同时刻的3D影像，获得各时刻下所述3D影像的直方图，基于各所述直方图获得造影剂的充盈时刻；
将所述充盈时刻下的所述3D影像作为参考图像，对其余所述3D影像进行图像配准；
构建用于训练卷积神经网络的训练数据集，进而获得训练完成的神经网络模型；
构建输入数据集，利用所述神经网络模型筛选获得输入数据集中属于血管类别体素的时间密度曲线，进而获得动脉输入函数。
可选的，基于各所述直方图获得造影剂的充盈时刻，具体包括：
获得所有直方图内各体素的CT值、以及与所述CT值对应的体素数；
对于所有直方图，将符合预期的体素数最多的直方图所在的时刻作为充盈时刻。
可选的，所述符合预期为所述CT值大于第一阈值。
可选的，所述方法还包括对各所述3D影像进行滤波处理，所述滤波处理包括：
对于任一目标体素，利用与所述目标体素的空间相邻体素、以及与所述目标体素的时间相邻体素进行滤波。
可选的，所述方法还包括对完成滤波处理后的所述3D影像进行脑组织提取，具体包括：
利用阈值法去除所述3D影像的背景，获得剩余部分的质心，基于所述质心、利用区域生长方法获得脑组织区域。
可选的，构建用于训练卷积神经网络的训练数据集，具体包括：
对所述3D影像中的每个体素，取其在时间维度上的最大CT值，得到时间维度上的最大密度投影图像；
在所述最大密度投影图像上，对脑组织区域的体素进行标记，所述标记包括血管标记。
可选的，构建用于训练卷积神经网络的训练数据集，还包括：
读取所述CT灌注影像的时间标签，对所述时间标签进行统一长度处理和统一间隔处理；
获得所述3D影像中各体素的时间密度曲线，携带所述血管标记，形成所述训练数据集。
可选的，进而获得动脉输入函数，具体包括：
对属于血管类别体素的时间密度曲线，进行峰值时间排序；
筛选获得所述峰值时间小于第二阈值的剩余体素；
基于所述剩余体素的时间密度曲线获得动脉输入函数。
可选的，基于所述剩余体素的时间密度曲线获得动脉输入函数，具体包括：
在所述剩余体素中，选择峰值较大的预期数量的时间密度曲线，进而获得平均曲线，得到所述动脉输入函数。
可选的，所述第二阈值为分位数。
本申请获得动脉输入函数的方法至少具有以下效果：
本申请基于训练完成的神经网络模型全自动进行，能够提升CT灌注影像参数图计算及分析的正确性和鲁棒性；
本申请利用直方图获得充盈时刻，此时CT值相对较高，大脑组织结构清晰，有利于提高训练数据集和输入数据集的可靠性，有利于提高深度网络模型的分类精准度。
附图说明
图1为本申请一实施例中动脉输入函数的方法的流程示意图；
图2为图1步骤S400中获得的动脉输入函数的结果示意图；
图3为本申请一实施例中获得动脉输入函数的方法的流程示意图；
图4为本申请一实施例中卷积网络模型的结构设计示意图；
图5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用以解释本申请，并不用于限定本申请。
进行CT灌注影像参数图计算分析时需要先获取脑组织的动脉输入函数AIF。动脉输入函数AIF为脑组织流入动脉上的时间密度曲线，参与解卷积计算过程，因此动脉输入函数AIF的选择是灌注参数图分析中的重要步骤。
参见图1，本申请一实施例中提供一种获得动脉输入函数的方法，包括步骤S100～步骤S400。其中：
步骤S100，基于CT灌注影像获得不同时刻的3D影像，获得各时刻下3D影像的直方图，基于各直方图获得造影剂的充盈时刻；
步骤S200，将充盈时刻下的3D影像作为参考图像，对其余3D影像进行图像配准；
步骤S300，构建用于训练卷积神经网络的训练数据集，进而获得训练完成的神经网络模型；
步骤S400，构建输入数据集，利用神经网络模型筛选获得输入数据集中属于血管类别体素的时间密度曲线，进而获得动脉输入函数。
本实施例提供的获得动脉输入函数的方法，基于训练完成的神经网络模型全自动进行，能够提升CT灌注影像参数图计算及分析的正确性和鲁棒性。
在原始CT灌注影像的获取过程中，常因患者动作而导致不同时刻下原始CT灌注影像发生位置偏差，将影响后续的时间密度曲线的平滑度。
本实施例中利用直方图获得充盈时刻，此时CT值相对较高，大脑组织结构清晰，有利于提高训练数据集和输入数据集的可靠性，有利于提高深度网络模型的分类精准度。
在步骤S100中，基于各直方图获得造影剂的充盈时刻，具体包括：
步骤S110，获得所有直方图内各体素的CT值、以及与CT值对应的体素数；
步骤S120，对于所有直方图，将符合预期的体素数最多的直方图所在的时刻作为充盈时刻。具体地，符合预期为CT值大于第一阈值，第一阈值例如可以是100Hu值。
在CT灌注影像获取的过程中，注射对比剂时颅骨部分的CT值不发生变化，而血管内的CT值将受到对比剂影响。本实施例中利用直方图关注受到对比剂影响部分的区域，并判定充盈时刻，充盈时刻下的组织结构更清晰，更有利于图像配准的进行。
本申请一实施中还提供一种获得动脉输入函数的方法，对应步骤S100～步骤S400，用于详细地说明和解释其工作过程。
参见图3，获得动脉输入函数的方法的主要流程包括卷积神经网络的训练、以及动脉输入函数AIF计算过程。其中卷积神经网络的训练包括：（1）CT灌注影像的图像预处理；（2）训练数据集构建；（3）卷积神经网络训练并生成训练完成的神经网络模型。
（1）CT灌注影像的预处理，包括：运动校正（对应步骤S100～步骤S200）、滤波处理、以及脑组织提取。
运动校正针对4D的CT灌注影像进行。4D的CT灌注影像即不同时刻的3D影像。在运动校正时使用直方图分析搜索造影剂最充盈的时刻的3D影像作为参考图像，其他时刻的3D影像依次与参考图像进行图像配准。
图像配准方法包括图像相似性度量、变换方法、优化器，其中相似性度量可以使用互信息方法或均方根误差方法，变换方法可以使用四元数刚性变换或欧拉3D刚性变换，优化器可以选择梯度下降方法或LBFGS牛顿法。
滤波处理针对各个时刻的3D影像进行，针对完成运动校正的CT灌注影像进行，滤波种类可使用高斯滤波或双边滤波，滤波方式可以使用3D或4D滤波核。使用4D滤波核具体包括：对于任一目标体素，利用与目标体素的空间相邻体素、以及与目标体素的时间相邻体素进行滤波。空间相邻体素例如可以是与目标体素在空间上直接相邻的外圈8个体素，时间相邻体素例如可以是同一空间位置的、前后采样时间点的体素。
脑组织提取对完成滤波的CT灌注影像进行，包括首先用阈值法去除图像背景，令剩余部分的质心为种子点，使用区域生长方法得到脑组织区域掩模。具体地：利用阈值法去除3D影像的背景，获得剩余部分的质心，基于获得的质心利用区域生长方法获得脑组织区域。本步骤能够避免非脑组织区域对训练数据集和输入数据集造成干扰，提高神经网络模型的可信任度。
（2）训练数据集构建，对应步骤S300。具体包括：对3D影像中的每个体素，取其在时间维度上的最大CT值，得到时间维度上的最大密度投影图像，在最大密度投影图像上，对脑组织区域的体素进行标记，标记包括血管标记。例如通过人工标记的方式，将脑组织区域的体素分为4类，分别为血管、脑组织、脑室、其他组织。此过程可使用常见的标记工具完成标记过程，在图像上涂抹绘制某一类别的区域，标记工具将输出各类体素的3D坐标。可以理解，体素分类标记是针对空间位置的分类标记，采用最大密度投影图像标注观察更加清晰。
进一步地，构建用于训练卷积神经网络的训练数据集，还包括：读取CT灌注影像的时间标签，对时间标签进行统一长度处理和统一间隔处理；获得3D影像中各体素的时间密度曲线，携带血管标记，形成训练数据集。在进行统一长度处理和统一间隔处理时还包括对CT灌注影像进行插值处理。
具体地，以1秒为间隔对每个体素时间密度曲线进行三次样条插值，并使用每条时间密度曲线的最后一个点值将时间密度曲线补充至100秒，即在时间维度上有100个值。根据各标记类别体素的坐标，在CT灌注影像上提取出各个体素及其周围8个体素对应的插值后的时间密度曲线，重新排列成9体素*100（时间标签）的矩阵，并携带其标注的类别编号，形成训练数据集。
参见图4，卷积神经网络可采用以下第一层～第八层的结构设计：第一层为输入层，将训练数据集输入卷积神经网络模型；第二层为卷积层，卷积核尺寸为3*11，卷积核数量为20个，步长为1，使用ReLU激活函数，输出矩阵尺寸为20*7*90；第三层为池化层，使用最大池化计算，过滤器尺寸为1*2，纵横步长分别为1和2，输出矩阵尺寸为20*7*45；第四层为卷积层，卷积核大小为3*11，卷积核数量为40个，步长为1，使用ReLU激活函数，输出矩阵尺寸为40*5*35；第五层为池化层，使用最大池化计算，过滤器尺寸为1*2，纵横步长分别为1和2，输出矩阵尺寸为40*5*17；第六层为全连接层，节点数为512；第七层为全连接层，节点数为128；第八层为输出层，使用Softmax函数给出结果分别为4类组织的概率。
对卷积神经网络进行训练，具体包括：使用交叉熵损失函数，使用梯度下降法对网络参数进行迭代更新，根据训练情况调节学习率。存储卷积神经网络模型的结构及参数，获得训练完成的神经网络模型，供计算获得动脉输入函数使用。
卷积神经网络（CNN）方法可以很好地处理分类问题，经过合理训练的模型可以正确选择AIF曲线，同时结果客观，避免人工选择的主观性。另外，卷积神经网络模型的训练过程独立进行，实际计算时只需将输入数据集输入已完成训练的神经网络模型，提高计算效率和准确性，提升分析速度。
动脉输入函数AIF计算过程包括：（4）CT灌注影像的预处理；（5）图像数据输入神经网络模型并输出分类结果；（6）曲线峰值时间及峰值分析，最终得到动脉输入函数AIF曲线。
（4）～（6）对应步骤S400。可以理解，构建输入数据集与构建训练数据集的过程大体相同，其差异在于输入数据集相对于训练数据集不包括训练数据集携带的标记。
具体地，在完成预处理后，读取预处理后CT灌注影像的时间标签，以1秒为间隔对每个体素时间密度曲线进行三次样条插值，并使用每条时间密度曲线的最后一个点值将时间密度曲线补充至100秒，即在时间维度上有100个值。根据各类体素的坐标，在CT灌注影像上提取出各个体素及其周围8个体素对应的插值后的时间密度曲线，排列成9*100的矩阵，形成输入数据集。
将输入数据集输入到训练完成的神经网络模型之后，即获得体素的分类结果，分类结果至少包括血管标记分类。
曲线峰值时间分析，具体包括：对属于血管类别体素的时间密度曲线，进行峰值时间排序，筛选获得峰值时间小于第二阈值的剩余体素，基于剩余体素的时间密度曲线获得动脉输入函数。具体地，第二阈值为分位数，例如10%。
具体地，整理出分类结果中属于血管类别的体素的原时间密度曲线，计算各曲线的峰值时间并排序，以10%分位数为第二阈值，过滤掉峰值时间大于阈值的体素。
峰值分析即基于剩余体素的时间密度曲线获得动脉输入函数，具体包括：在剩余体素中，选择峰值较大的预期数量的时间密度曲线，进而获得平均曲线，得到动脉输入函数。
具体地，在剩余体素中，将各时间密度曲线的峰值排序，选择峰值最大的预期数量（如5条）的时间密度曲线并计算平均曲线，得到动脉输入函数AIF。
应该理解的是，虽然图1和图3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和图3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。
本申请一实施例中提供一种获得动脉输入函数的装置，装置用于执行获得动脉输入函数的方法，包括：
步骤S100，基于CT灌注影像获得不同时刻的3D影像，获得各时刻下3D影像的直方图，基于各直方图获得造影剂的充盈时刻；
步骤S200，将充盈时刻下的3D影像作为参考图像，对其余3D影像进行图像配准；
步骤S300，构建用于训练卷积神经网络的训练数据集，进而获得训练完成的神经网络模型；
步骤S400，构建输入数据集，利用神经网络模型筛选获得输入数据集中属于血管类别体素的时间密度曲线，进而获得动脉输入函数。
获得动脉输入函数的装置例如可以采用计算机设备，该计算机设备可以是终端，其内部结构图可以如图5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获得动脉输入函数的方法。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。不同实施例中的技术特征体现在同一附图中时，可视为该附图也同时披露了所涉及的各个实施例的组合例。
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 (7)

1.获得动脉输入函数的方法，其特征在于，所述方法包括：
基于CT灌注影像获得不同时刻的3D影像，获得各时刻下所述3D影像的直方图，基于各所述直方图获得造影剂的充盈时刻；
将所述充盈时刻下的所述3D影像作为参考图像，对其余所述3D影像进行图像配准；
构建用于训练卷积神经网络的训练数据集，进而获得训练完成的神经网络模型；
构建输入数据集，利用所述神经网络模型筛选获得输入数据集中属于血管类别体素的时间密度曲线，进而获得动脉输入函数；
进而获得动脉输入函数，具体包括：对属于血管类别体素的时间密度曲线，进行峰值时间排序；筛选获得所述峰值时间小于第二阈值的剩余体素；基于所述剩余体素的时间密度曲线获得动脉输入函数；
构建用于训练卷积神经网络的训练数据集，具体包括：对所述3D影像中的每个体素，取其在时间维度上的最大CT值，得到时间维度上的最大密度投影图像，在所述最大密度投影图像上，对脑组织区域的体素进行标记，所述标记包括血管标记，读取所述CT灌注影像的时间标签，对所述时间标签进行统一长度处理和统一间隔处理，获得所述3D影像中各体素的时间密度曲线，携带所述血管标记，形成所述训练数据集。
2.如权利要求1所述的获得动脉输入函数的方法，其特征在于，基于各所述直方图获得造影剂的充盈时刻，具体包括：
获得所有直方图内各体素的CT值、以及与所述CT值对应的体素数；
对于所有直方图，将符合预期的体素数最多的直方图所在的时刻作为充盈时刻。
3.如权利要求2所述的获得动脉输入函数的方法，其特征在于，所述符合预期为所述CT值大于第一阈值。
4.如权利要求1所述的获得动脉输入函数的方法，其特征在于，所述方法还包括对各所述3D影像进行滤波处理，所述滤波处理包括：
对于任一目标体素，利用与所述目标体素的空间相邻体素、以及与所述目标体素的时间相邻体素进行滤波。
5.如权利要求4所述的获得动脉输入函数的方法，其特征在于，所述方法还包括对完成滤波处理后的所述3D影像进行脑组织提取，具体包括：
利用阈值法去除所述3D影像的背景，获得剩余部分的质心，基于所述质心、利用区域生长方法获得脑组织区域。
6.如权利要求1所述的获得动脉输入函数的方法，其特征在于，基于所述剩余体素的时间密度曲线获得动脉输入函数，具体包括：
在所述剩余体素中，将各时间密度曲线的峰值排序，选择峰值最大的、预期数量的时间密度曲线，进而计算获得平均曲线，得到所述动脉输入函数。
7.如权利要求6所述的获得动脉输入函数的方法，其特征在于，所述第二阈值为分位数。
CN202310619923.4A 2023-05-30 2023-05-30 获得动脉输入函数的方法 Active CN116342603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310619923.4A CN116342603B (zh) 2023-05-30 2023-05-30 获得动脉输入函数的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310619923.4A CN116342603B (zh) 2023-05-30 2023-05-30 获得动脉输入函数的方法

Publications (2)

Publication Number Publication Date
CN116342603A CN116342603A (zh) 2023-06-27
CN116342603B true CN116342603B (zh) 2023-08-29

Family

ID=86876264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310619923.4A Active CN116342603B (zh) 2023-05-30 2023-05-30 获得动脉输入函数的方法

Country Status (1)

Country Link
CN (1) CN116342603B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120047382A (zh) * 2024-12-23 2025-05-27 中国科学院深圳先进技术研究院 一种基于全身pet影像的血液输入函数自动提取方法及系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19645579A1 (de) * 1996-10-18 1998-04-23 N I R Control Medizintechnik G Vorrichtung und Arbeitsverfahren zum Betreiben der Vorrichtung zum Bestimmen und Auswerten von Funktionszuständen im Herz-Kreislauf-System
CN105559810A (zh) * 2015-12-10 2016-05-11 上海交通大学 血管单位时间血流量与血流速度的计算方法
CN106803241A (zh) * 2017-01-20 2017-06-06 深圳市安健科技股份有限公司 血管造影图像的处理方法及装置
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
CN209269682U (zh) * 2018-01-05 2019-08-20 博动医学影像科技（上海）有限公司 具有配准功能的定量血流分数分析设备
CN110827236A (zh) * 2019-09-25 2020-02-21 平安科技（深圳）有限公司 基于神经网络的脑组织分层方法、装置、计算机设备
CN110992351A (zh) * 2019-12-12 2020-04-10 南京邮电大学 基于多输入卷积神经网络的sMRI图像分类方法和装置
CN114037626A (zh) * 2021-10-28 2022-02-11 上海联影医疗科技股份有限公司 血管成像方法、装置、设备及存储介质
CN114119688A (zh) * 2021-12-02 2022-03-01 北京邮电大学 基于深度学习的冠状动脉造影前后单模医学图像配准方法
WO2022069883A1 (en) * 2020-09-29 2022-04-07 King's College London Method and system for estimating arterial input function
CN114451907A (zh) * 2022-01-27 2022-05-10 上海市普陀区人民医院(上海纺织第一医院) 一种ct血管造影参数的计算方法和系统
CN115797387A (zh) * 2022-12-16 2023-03-14 杭州脉流科技有限公司 Ct灌注影像动脉输入函数全自动选择的方法及装置
CN115861475A (zh) * 2022-11-18 2023-03-28 上海联影医疗科技股份有限公司 动脉输入函数曲线的确定方法、装置和计算机设备
CN115880159A (zh) * 2022-12-16 2023-03-31 杭州脉流科技有限公司 Ct灌注影像参数图校正的方法和计算机可读存储介质
CN116013533A (zh) * 2022-12-30 2023-04-25 上海联影医疗科技股份有限公司 冠脉的血流动力学评估模型的训练方法、评估方法及系统
CN116091444A (zh) * 2023-01-05 2023-05-09 东软医疗系统股份有限公司 侧枝评价方法及装置、存储介质、终端
CN116109618A (zh) * 2023-03-03 2023-05-12 上海联影医疗科技股份有限公司 血管成像方法、装置、电子设备和介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017192629A1 (en) * 2016-05-02 2017-11-09 The Regents Of The University Of California System and method for estimating perfusion parameters using medical imaging

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19645579A1 (de) * 1996-10-18 1998-04-23 N I R Control Medizintechnik G Vorrichtung und Arbeitsverfahren zum Betreiben der Vorrichtung zum Bestimmen und Auswerten von Funktionszuständen im Herz-Kreislauf-System
CN105559810A (zh) * 2015-12-10 2016-05-11 上海交通大学 血管单位时间血流量与血流速度的计算方法
CN106803241A (zh) * 2017-01-20 2017-06-06 深圳市安健科技股份有限公司 血管造影图像的处理方法及装置
CN209269682U (zh) * 2018-01-05 2019-08-20 博动医学影像科技（上海）有限公司 具有配准功能的定量血流分数分析设备
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
CN110827236A (zh) * 2019-09-25 2020-02-21 平安科技（深圳）有限公司 基于神经网络的脑组织分层方法、装置、计算机设备
CN110992351A (zh) * 2019-12-12 2020-04-10 南京邮电大学 基于多输入卷积神经网络的sMRI图像分类方法和装置
WO2022069883A1 (en) * 2020-09-29 2022-04-07 King's College London Method and system for estimating arterial input function
CN114037626A (zh) * 2021-10-28 2022-02-11 上海联影医疗科技股份有限公司 血管成像方法、装置、设备及存储介质
CN114119688A (zh) * 2021-12-02 2022-03-01 北京邮电大学 基于深度学习的冠状动脉造影前后单模医学图像配准方法
CN114451907A (zh) * 2022-01-27 2022-05-10 上海市普陀区人民医院(上海纺织第一医院) 一种ct血管造影参数的计算方法和系统
CN115861475A (zh) * 2022-11-18 2023-03-28 上海联影医疗科技股份有限公司 动脉输入函数曲线的确定方法、装置和计算机设备
CN115797387A (zh) * 2022-12-16 2023-03-14 杭州脉流科技有限公司 Ct灌注影像动脉输入函数全自动选择的方法及装置
CN115880159A (zh) * 2022-12-16 2023-03-31 杭州脉流科技有限公司 Ct灌注影像参数图校正的方法和计算机可读存储介质
CN116013533A (zh) * 2022-12-30 2023-04-25 上海联影医疗科技股份有限公司 冠脉的血流动力学评估模型的训练方法、评估方法及系统
CN116091444A (zh) * 2023-01-05 2023-05-09 东软医疗系统股份有限公司 侧枝评价方法及装置、存储介质、终端
CN116109618A (zh) * 2023-03-03 2023-05-12 上海联影医疗科技股份有限公司 血管成像方法、装置、电子设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Arterial input function and tracer kinectic model-driven network for rapid inference of kinectic maps in dynamic contrast-enhanced MRI(AIF-TK-net);Joseph Kettelkamp 等;《2020 IEEE 17th International Symposium on Biomedical Imaging(ISBI)》;全文 *

Also Published As

Publication number Publication date
CN116342603A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN110689038B (zh) 神经网络模型的训练方法、装置和医学图像处理系统
JP7324268B2 (ja) 複雑なデータのリアルタイムレンダリングのためのシステムおよび方法
Sekuboyina et al. Attention-driven deep learning for pathological spine segmentation
CN110717905B (zh) 脑部图像检测方法、计算机设备和存储介质
WO2019200753A1 (zh) 病变监测方法、装置、计算机设备和存储介质
CN110210543B (zh) 图像分类系统、方法、设备和存储介质
CN113554131B (zh) 医学图像处理和分析方法、计算机设备、系统和存储介质
CN116681716A (zh) 颅内血管感兴趣区域分割方法、装置、设备和存储介质
CN114170440A (zh) 图像特征点的确定方法、装置、计算机设备和存储介质
CN113724264A (zh) 图像分割方法、系统和可读存储介质
CN115810032A (zh) 图像配准方法及装置、医学图像的运动校正方法及系统
CN110992439A (zh) 纤维束追踪方法、计算机设备和存储介质
CN116342603B (zh) 获得动脉输入函数的方法
CN112348796A (zh) 基于多模型结合的脑出血分割方法和系统
CN111160441B (zh) 分类方法、计算机设备和存储介质
CN119784774A (zh) 基于区域生长和改进U-net的脑血管分割方法、装置和电子设备
CN114693671A (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN120259690A (zh) 一种基于图神经网络的显微细胞图像追踪方法及装置
CN113160199A (zh) 影像识别方法、装置、计算机设备和存储介质
US20220398735A1 (en) Method and system for automated processing, registration, segmentation, analysis, validation, and visualization of structured and unstructured data
CN111428812A (zh) 医学图像数据的构造方法及装置
Mansoor et al. Near-optimal keypoint sampling for fast pathological lung segmentation
CN118014945A (zh) 一种动态超声造影图像识别方法、装置、设备和介质
CN112862787B (zh) Cta影像数据处理方法、装置及存储介质
Korabelnikov et al. Liver tumor segmentation ct data based on alexnet-like convolutional neural nets

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
GR01 Patent grant
GR01 Patent grant