[go: up one dir, main page]

CN111862259A - 医学灌注图像处理方法和医学成像设备 - Google Patents

医学灌注图像处理方法和医学成像设备 Download PDF

Info

Publication number
CN111862259A
CN111862259A CN202010729909.6A CN202010729909A CN111862259A CN 111862259 A CN111862259 A CN 111862259A CN 202010729909 A CN202010729909 A CN 202010729909A CN 111862259 A CN111862259 A CN 111862259A
Authority
CN
China
Prior art keywords
medical perfusion
artery
medical
image
perfusion image
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.)
Granted
Application number
CN202010729909.6A
Other languages
English (en)
Other versions
CN111862259B (zh
Inventor
王梅云
宗金光
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202010729909.6A priority Critical patent/CN111862259B/zh
Publication of CN111862259A publication Critical patent/CN111862259A/zh
Application granted granted Critical
Publication of CN111862259B publication Critical patent/CN111862259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/404—Angiography
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明实施例公开了一种医学灌注图像处理方法和医学成像设备。该方法包括：获取待处理的医学灌注图像集合，并分别对所述医学灌注图像集合进行空间特征提取和时间特征提取，生成所述医学灌注图像集合对应的灰度空间分布特征和造影剂‑时间分布特征；将所述医学灌注图像集合、所述灰度空间分布特征和所述造影剂‑时间分布特征输入动脉输入函数模型，获得模型输出结果；依据所述模型输出结果识别所述医学灌注图像集合中的目标动脉输入点。通过上述技术方案，实现了更加快速且准确地从医学灌注图像中识别动脉输入点。

Description

医学灌注图像处理方法和医学成像设备
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种医学灌注图像处理方法和医学成像设备。
背景技术
灌注是现代医学中常用的动态增强扫描检查方法，目前主要用在急性脑缺血性疾病或肿瘤的临床诊断。对于脑缺血性疾病，灌注成像可以在最早缺血后30分钟显示病灶。另外，灌注还可以用来评估缺血的程度，量化分析单位组织内的血流动力学变化，为制定正确的溶栓方法提供参考。
在对医学灌注图像的处理过程中，需要准确获取造影剂最早由静脉进入的动脉的位置(即动脉输入点)，进而获得该动脉输入点的造影剂浓度-时间变化曲线(Time-DensityCurve，TDC)，该动脉输入点TDC的精确性直接影响到灌注参数血流量(BF)，血容量(BV)以及平均通过时间(MTT)的精度，最终影响到医生对于患者病情的诊断。
目前，从医学灌注图像中获取动脉输入点的方式主要有：1、手动选取。由有经验的医生从医学灌注图像中手动选取动脉输入点，准确度非常高。2、自动选取。先利用基于动脉输入点TDC特征而生成的算法，从医学灌注图像中确定出多个初始的动脉输入点，再由医生对该多个初始的动脉输入点进行修正。
但是，现有技术的动脉输入点确定方式存在如下问题：手动选取的方式精度高，但是确定过程繁复、耗时。自动选取的方式，只考虑到动脉输入点TDC的特性，使得算法输出的多个初始的动脉输入点分布在医学灌注图像上的各个位置，导致动脉输入点的确定精度较差。
发明内容
本发明实施例提供一种医学灌注图像处理方法和医学成像设备，以实现更加快速且准确地从医学灌注图像中识别动脉输入点。
第一方面，本发明实施例提供了一种医学灌注图像处理方法，该方法包括：
获取待处理的医学灌注图像集合，并分别对所述医学灌注图像集合进行空间特征提取和时间特征提取，生成所述医学灌注图像集合对应的灰度空间分布特征和造影剂-时间分布特征；
将所述医学灌注图像集合、所述灰度空间分布特征和所述造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果；
依据所述模型输出结果识别所述医学灌注图像集合中的目标动脉输入点。
第二方面，本发明实施例还提供了一种医学灌注图像处理方法，该方法包括：
获取待处理的医学灌注图像集合；
获取所述医学灌注图像集合的造影剂-时间分布特征；以及对医学灌注图像集合进行空间特征提取，生成所述医学灌注图像集合对应的灰度空间分布特征；
将医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果；
依据模型输出结果识别医学灌注图像集合中的目标动脉输入点；
获取包含目标动脉输入点的感兴趣区域的灌注参数值。
第三方面，本发明实施例还提供了一种医学成像设备，该医学成像设备包括：
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，使得所述一个或多个处理器实现本发明任意实施例所提供的医学灌注图像处理方法。
本发明实施例通过获取待处理的医学灌注图像集合，并分别对医学灌注图像集合进行空间特征提取和时间特征提取，生成医学灌注图像集合对应的灰度空间分布特征和造影剂-时间分布特征；将医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果；依据模型输出结果识别医学灌注图像集合中的目标动脉输入点。实现了在识别医学灌注图像中的动脉输入点时，同时考虑了动脉在图像中的空间分布特征以及动脉输入点TDC的时间分布特征，避免了模型输出的动脉输入点位置未集中于某一小区域而导致动脉输入点定位错误的问题，也避免了过多人为干预的问题，提高了动脉输入点自动识别的准确性和效率。
附图说明
图1为本发明实施例一中的一种医学灌注图像处理方法的流程图；
图2是本发明实施例一中的一种动脉输入点概率图像及候选动脉输入点的示意图；
图3是本发明实施例二中的一种医学灌注图像处理方法的流程图；
图4是本发明实施例二中的动脉输入点的造影剂浓度-时间变化曲线的示意图；
图5是本发明实施例二中的残差函数的函数曲线示意图；
图6是本发明实施例三中的一种医学灌注图像处理方法中的动脉输入函数模型的模型架构示意图；
图7是本发明实施例三中的利用动脉输入函数模型处理医学灌注图像集合的处理流程图；
图8是本发明实施例四中的一种动脉输入函数模型训练方法的流程图；
图9是本发明实施例五中的一种医学灌注图像处理装置的结构示意图；
图10是本发明实施例六中的一种动脉输入函数模型训练装置的结构示意图；
图11是本发明实施例七中的一种医学成像设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
本实施例提供的医学灌注图像处理方法，可适用于从医学灌注图像中自动识别动脉输入点的情况。该方法可以由医学灌注图像处理装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在具有图像处理功能的电子设备中，例如笔记本电脑、台式电脑、服务器或磁共振成像设备、计算机断层成像设备等医疗设备的图像处理工作站等。参见图1，本实施例的方法具体包括：
S110、获取待处理的医学灌注图像集合，并分别对医学灌注图像集合进行空间特征提取和时间特征提取，生成医学灌注图像集合对应的灰度空间分布特征和造影剂-时间分布特征。
其中，医学灌注图像集合是指在造影剂灌注后的不同时间对同一扫描部位扫描所得的多个图像，这些图像构成造影剂随血液流动的时间序列图像。灰度空间分布特征是指像素值在空间维度上的分布特征，其用于表征扫描部位的解剖结构(如动脉结构、静脉结构、组织结构等)在图像上的表现。造影剂-时间(造影剂注入时间)分布特征是指随着时间的推移，造影剂浓度在图像上所呈现的特征，其可对应于TDC曲线。以CT图像为例说明，造影剂-时间分布特征可以是造影剂密度-时间曲线，该曲线的横坐标为时间，纵坐标为注射造影剂后增加的CT值，该增加的CT值反映的是造影剂在器官中的浓度变化，进而间接反应组织器官内灌注量的变化。当然，医学灌注图像集合可以是磁共振图像数据集、计算机断层扫描图像数据集、正电子发射型计算机断层图像数据集等。
在自动定位动脉输入点的过程中，如果只考虑造影剂-时间分布特征，即动脉输入点TDC的峰高、峰窄、起峰早(曲线波峰开始的时间点早)和曲线上升沿陡等特征，那么会将静脉或者组织中具有相似TDC特征的点确定为动脉输入点，从而导致算法精度低。基于此，本发明实施例同时考虑了造影剂-时间分布特征和扫描部位的解剖结构(如动脉、静脉、组织等)，以便在定位动脉输入点的过程中，先确定一个像素点是否为动脉结构，再在动脉结构的基础上确定该像素点是否为输入点。具体实施时，对医学灌注图像集合进行两次特征提取。一次是利用图像的像素灰度值，从空间维度上进行特征提取，获得灰度空间分布特征。另一次是利用图像的像素灰度值计算其对应的造影剂浓度值，然后从时间维度上进行TDC曲线提取，获得造影剂-时间分布特征。
示例性地，对医学灌注图像集合进行空间特征提取，生成医学灌注图像集合对应的灰度空间分布特征包括：按照第一网格尺寸，将医学灌注图像集合划分为多个第一医学灌注图像子集；确定每个第一医学灌注图像子集的均值与方差，生成医学灌注图像集合对应的灰度空间分布特征。在一个示例中，第一医学灌注图像子集可包括多个像素，分别计算每个第一医学灌注图像子集中多个像素所对应像素值的均值和方差，以均值和方差来表征灰度空间分布特征。具体实施时，为了减少数据运算量，首先，将医学灌注图像集合中的每个医学灌注图像对应划分为第一网格尺寸(自定义数值，如二维方向上4*4)的子图像，并将图像扫描位置相同但图像采集时间不同的一系列子图像构建为第一医学灌注图像子集，便可获得与第一网格尺寸相同数量(4*4)的第一医学灌注图像子集。然后，计算每个第一医学灌注图像子集中所有像素值的均值和方差，便可获得4*4的特征矩阵，矩阵元素为均值和方差构成的特征向量，该特征矩阵便为医学灌注图像集合对应的灰度空间分布特征。
示例性地，对医学灌注图像集合进行时间特征提取，生成医学灌注图像集合对应的造影剂-时间分布特征包括：按照第二网格尺寸，将医学灌注图像集合划分为多个第二医学灌注图像子集；提取每个医学灌注图像子集的造影剂浓度-时间变化曲线，并依据每个造影剂浓度-时间变化曲线确定相应医学灌注图像子集对应的曲线参数，生成医学灌注图像集合对应的造影剂-时间分布特征。其中，曲线参数是指造影剂浓度-时间变化曲线的参数，其依据动脉输入点的TDC特征确定，例如曲线参数包括曲线的峰值、峰宽、峰面积、起峰点和最大上升斜率等。在一个示例中，以造影剂浓度-时间变化的曲线参数来表征造影剂-时间分布特征。同样地，为了减少数据运算量，本实施例中将医学灌注图像集合划分为与第二网格尺寸相同数量(二维方向上16*16)的第二医学灌注图像子集。然后，利用每个第二医学灌注图像子集中所有像素值的计算其对应的造影剂浓度-时间变化曲线，进而提取曲线参数，便可获得16*16的特征矩阵，矩阵元素为峰值、峰宽、峰面积、起峰点和最大上升斜率构成的特征向量，该特征矩阵便为医学灌注图像集合对应的造影剂-时间分布特征。在一个示例中，第二网格尺寸大于第一网格尺寸，这是因为动脉结构的空间分布特征可以从较大尺度的图像中快速提取，进一步提高运算速度，而输入点的TDC特征需要从较小尺度的图像中提取，确保TDC曲线的精确性。
S120、将医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果。
其中，动脉输入函数(artery input function)模型是指能够自动定位动脉输入点的模型，其是对选定的机器学习模型进行训练而获得。当然，动脉输入函数模型还可是经过多次调试而形成的函数模型，本申请实施例中对于动脉输入函数模型的形式并不做具体限制。
本发明实施例中预先对选定的机器学习模型进行训练，以使其能够同时基于灰度空间分布特征和造影剂-时间分布特征来对医学灌注图像集合进行特征提取和归类分析。具体实施时，将医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征输入动脉输入函数模型，经过模型运算，便可获得模型输出结果。该模型输出结果可以是表征动脉输入点的一个或多个点位置，也可以是与一个医学灌注图像大小一致的概率矩阵，矩阵中的每个元素表征其对应的图像像素点属于动脉输入点的概率，概率越大，其为动脉输入点的可能性越大。该概率矩阵可称为动脉输入点概率图像。
S130、依据模型输出结果识别医学灌注图像集合中的目标动脉输入点。
如果模型输出结果为一个点位置，那么将该点位置确定为目标动脉输入点。如果模型输出结果为多个点位置或者概率矩阵，那么需要对这些点位置或概率矩阵进行进一步的点筛选或者点融合等处理，便可获得目标动脉输入点。
示例性地，S130包括：若模型输出结果为动脉输入点概率图像，则依据动脉输入点概率图像和预设概率阈值，确定出多个候选动脉输入点，并对各候选动脉输出点进行筛选和/或融合，生成医学灌注图像集合中的目标动脉输入点。其中，预设概率阈值是指预先设定的概率值，其根据模型精度需求来设定。具体地，模型输出结果可以为图2所示的动脉输入点概率图像，图像中像素点的颜色越白，说明其概率值越大。此时，需要将动脉输入点概率图像中概率值大于预设概率阈值的点(即候选动脉输入点)筛选出来。在一示例中，筛选出的候选动脉输入点为一个，那么该候选动脉输入点便为目标动脉输入点。在另一示例中，候选动脉输入点为多个，如图2中的多个白色点。鉴于模型中同时考虑了动脉空间特征和输入点的时间特征，所以这些候选动脉输入点集中处于动脉处的同一小区域，如候选框S1、S2和S3中的各候选动脉输入点。其中，候选框S1中的各候选动脉输入点为真实的动脉点，而候选框S2和S3中的各候选动脉输入点为干扰点。基于此，可从所有的候选动脉输入点中二次筛选出一个点作为目标动脉输入点；或者，将所有候选动脉输入点进行多点融合来获得一个融合点作为目标动脉输入点。这样设置的好处在于，能够从动脉输入点概率图像中获得更加准确的目标动脉输入点，进一步提高动脉输入点识别的准确性。
本实施例的技术方案，通过获取待处理的医学灌注图像集合，并分别对医学灌注图像集合进行空间特征提取和时间特征提取，生成医学灌注图像集合对应的灰度空间分布特征和造影剂-时间分布特征；将医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果；依据模型输出结果识别医学灌注图像集合中的目标动脉输入点。实现了在识别医学灌注图像中的动脉输入点时，同时考虑了动脉在图像中的空间分布特征以及动脉输入点TDC的时间分布特征，避免了模型输出的动脉输入点位置未集中于某一小区域而导致动脉输入点定位错误的问题，也避免了过多人为干预的问题，提高了动脉输入点自动识别的准确性和效率。
实施例二
本实施例提供一种医学灌注图像处理方法，该方法可以由磁共振系统、计算机断层扫描系统或者医学后处理工作站执行，参见图3，该方法的具体步骤可包括：
S210、获取待处理的医学灌注图像集合。
该医学灌注图像集合包括一个或多个片层的图像。待处理的医学图像例如可以是肝脏血流灌注成像获得，例如通过在静脉团注造影剂后对选定层面进行同层动态扫描。当然，待处理的医学图像所对应的感兴趣区域还可以是脑部、心脏、肺、肾脏等器官或组织。
医学灌注图像集合可以是通过如下过程获得：将一团造影剂施加到患者的血管系统中，在涵盖该造影剂传输通过感兴趣区域的组织的时段内，于多不同时间点对感兴趣区域进行重复成像，例如在相继的扫描之间具有数秒差异的3-30个重复扫描。
S220、获取医学灌注图像集合的造影剂-时间分布特征，以及对医学灌注图像集合进行空间特征提取，生成医学灌注图像集合对应的灰度空间分布特征。
可以理解的是，取医学灌注图像集合的造影剂-时间分布特征的步骤可与医学灌注图像集合对应的灰度空间分布特征可同步进行或者先后执行，两者执行时序并无特殊限制。
S230、将医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果。
S240、依据模型输出结果识别医学灌注图像集合中的目标动脉输入点。
S250、获取包含目标动脉输入点的感兴趣区域的灌注参数值。
其中，灌注参数值可以是TDC、灌注参数血流量、血容量、或者平均通过时间中的一种或多种。
在一示例中，灌注参数值为感兴趣区域的TDC。首先，根据医学灌注图像集合生成如图4所示的动脉输入点的造影剂浓度-时间变化曲线(简称动脉造影剂曲线)TDC，其横轴表示时间轴，单位为秒(S)，纵轴表示造影剂浓度，单位为任意相对值，以CT灌注图像为例，该纵轴表示CT相对值。然后，按照公式(1)，根据动脉造影剂曲线TDC确定感兴趣区域的TDC：
Figure BDA0002602907830000061
其中，TDCvoi表示包含目标动脉输入点的感兴趣区域的TDC；TDCartery表示动脉造影剂曲线TDC；R(t)表示残差函数，该残差函数的曲线如图5所示，横轴代表时间轴，单位为S；
Figure BDA0002602907830000064
表示卷积函数。
在一示例中，灌注参数值可以是灌注参数血流量、血容量、或者平均通过时间，可分别通过如下公式(2)-(4)获得：
Figure BDA0002602907830000062
Figure BDA0002602907830000063
BVvoi＝MTTvoi*BFvoi (4)
其中，BFvoi表示包含目标动脉输入点的感兴趣区域的灌注参数血流量；ρvoi表示感兴趣区域的血流流量；max表示取最大值运算；MTTvoi表示造影剂在感兴趣区域的平均通过时间；BVvoi表示感兴趣区域的血容量。
本实施例的技术方案，通过获取包含目标动脉输入点的感兴趣区域的灌注参数值，实现了利用更加精确的目标动脉输入点，获得感兴趣区域的灌注参数值，提高灌注参数值的准确性。
实施例三
本实施例在上述实施例一的基础上，对“动脉输入函数模型”进行了进一步优化。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图6，本实施例提供的医学灌注图像处理方法中动脉输入函数模型的模型架构包括：识别网络单元610和合成单元620，识别网络单元610包含空间识别子网络611和时间识别子网络612；其中，空间识别子网络611，用于从空间维度上对医学灌注图像集合进行识别，时间识别子网络612用于从时间维度上对医学灌注图像进行识别，合成单元620用于获得模型输出结果。
空间识别子网络611，用于依据灰度空间分布特征，从灰度空间分布维度上对医学灌注图像集合进行动脉识别，获得医学灌注图像集合对应的动脉概率图像；
时间识别子网络612，用于依据造影剂-时间分布特征，从造影剂的时间分布维度上对医学灌注图像集合进行输入点识别，获得医学灌注图像集合对应的输入点概率图像；
合成单元620，用于融合动脉概率图像和输入点概率图像，生成医学灌注图像集合对应的动脉输入点概率图像。
上述识别网络单元610中的空间识别子网络611和时间识别子网络612分别是更加关注于图像空间特征的机器学习模型和更加关注于图像时间特征的机器学习模型，例如空间识别子网络611为径向基函数神经网络模型RBF，时间识别子网络为双模线性神经网络模型BLE。空间识别子网络611和时间识别子网络612在图像归类识别过程中是独立的，两者的执行顺序不限定。
动脉输入函数模型的运行过程为：动脉输入函数模型接收医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征的输入数据。空间识别子网络611获取其中的灰度空间分布特征和医学灌注图像集合，并根据灰度空间分布特征对医学灌注图像集合进行动脉结构的识别，获得动脉概率图像。动脉概率图像中识别为动脉结构的像素点的概率值较大，非动脉结构的像素点的概率值则较小。时间识别子网络612获取其中的造影剂-时间分布特征和医学灌注图像集合，并根据造影剂-时间分布特征对医学灌注图像集合进行输入点的识别，获得输入点概率图像。输入点概率图像中识别为输入点的像素点的概率值较大，非输入点的像素点的概率值则较小。动脉概率图像和输入点概率图像的图像大小均与医学灌注图像的图像大小一致。
空间识别子网络611和时间识别子网络612的输出结果均输入合成单元620。合成单元620则逐像素地融合动脉概率图像和输入点概率图像，经过两种概率的融合获得每个像素点的动脉输入点概率图像。在概率融合过程中，动脉概率和输入点概率并非完全并列的关系，动脉概率的优先级高于输入点概率。可以理解为：只有一个像素点属于动脉结构时，考虑其是否属于输入点才有意义。如果一个像素点的动脉概率值很小，其输入点概率再大也没有意义，其对应的融合后的动脉输入点概率应该也是很小的数值。
示例性地，动脉输入函数模型还包括分类网络单元630；
分类网络单元630，用于依据灰度空间分布特征和造影剂-时间分布特征，对医学灌注图像集合进行分类，获得各时空分类图像子集，以将各时空分类图像子集输入识别网络单元。
相应地，空间识别子网络611用于从灰度空间分布维度上，对每个时空分类图像子集进行动脉识别，获得每个时空分类图像子集对应的动脉概率子图像；
时间识别子网络612，用于从造影剂的时间分布维度上，对每个时空分类图像子集进行输入点识别，获得每个时空分类图像子集对应的输入点概率子图像；
合成单元620，用于融合同一时空分类图像子集对应的动脉概率子图像和输入点概率子图像，生成相应时空分类图像子集对应的动脉输入点概率子图像，并由各动脉输入点概率子图像生成动脉输入点概率图像。
分类网络单元630设置于识别网络单元610之前。分类网络单元630接收所有的模型输入数据，并分别依据灰度空间分布特征和造影剂-时间分布特征对医学灌注图像集合进行分类，获得同时属于同一空间类别和同一时间类别的各像素点，形成各个时空分类图像子集。例如，依据灰度空间分布特征对医学灌注图像集合进行分类，获得10个空间类别，每个空间类别包含医学灌注图像集合中的部分像素点。依据造影剂-时间分布特征对医学灌注图像集合进行分类，获得100个时间类别，每个时间类别包含医学灌注图像集合中的部分像素点。将同时属于某一空间类别和某一时间类别的各像素点划分为该空间类别和该时间类别对应的时空分类图像子集。这样设置的好处在于，将整个医学灌注图像集合划分为更加细化的小分类，不仅降低识别网络单元610的数据运算量，提高模型运算速度，而且能够使得识别网络单元610更加精细地识别动脉和输入点，进一步提高模型识别的准确性。
在模型增加了分类网络单元630的基础上，上述空间识别子网络611和时间识别子网络612的处理对象则由整个医学灌注图像集合变为各个时空分类图像子集，输出结果相应变为各个动脉概率子图像和各个输入点概率子图像。合成单元620则是融合每个时空分类图像子集对应的动脉概率子图像和输入点概率子图像，获得各个动脉输入点概率子图像，再将这些动脉输入点概率子图像拼接称为完整的动脉输入点概率图像。
示例性地，合成单元620具体用于：将同一时空分类图像子集对应的动脉概率子图像和输入点概率子图像的对应像素值相乘，生成相应时空分类图像子集对应的动脉输入点概率子图像。基于上述概率融合过程中优先考虑动脉概率的设计，合成单元620在融合同一时空分类图像子集对应的动脉概率子图像和输入点概率子图像时，将两个概率子图像中对应像素点的概率值相乘，便获得每个像素点的动脉输入点概率。这样设置的好处在于，能够更加便捷地融合动脉概率和输入点概率，进一步提高动脉输入点概率图像的生成速度，从而进一步提高目标动脉输入点的识别效率。
参见图7，以上述动脉输入函数模型的模型结构为基础，对医学灌注图像集合的处理过程为：首先，将医学灌注图像集合输入特征生成器，提取该医学灌注图像集合的造影剂-时间分布特征和空间分布特征。然后，将医学灌注图像集合和特征生成器的输出结果全部输入分类网络单元，获得多个时空分类图像子集。之后，将每个时空分类图像子集输入分别输入对应的RBF和BLE，获得对应的动脉概率子图像和输入点概率子图像。最后，将每组RBF和BLE的输入结果输入合成单元，便可获得模型输出结果。
本实施例的技术方案，通过在动脉输入函数模型中设计包含空间识别子网络和时间识别子网络的识别网络单元，且空间识别子网络用于依据灰度空间分布特征，从灰度空间分布维度上对医学灌注图像集合进行动脉识别，获得医学灌注图像集合对应的动脉概率图像；时间识别子网络用于依据造影剂-时间分布特征，从造影剂的时间分布维度上对医学灌注图像集合进行输入点识别，获得医学灌注图像集合对应的输入点概率图像。实现了在动脉输入函数模型中，利用更关注图像空间分布特征的空间识别子网络从医学灌注图像的解剖结构角度来识别各个像素属于动脉的概率，同时利用更关注时间分布特征的时间识别子网络从动脉输入点TDC的时间分布维度来识别各个像素属于输入点的概率，进一步提高了医学灌注图像集合中动脉和输入点的识别准确性，从而进一步提高动脉输入点的识别准确性。通过在动脉输入函数模型中设计用于融合动脉概率图像和输入点概率图像，生成医学灌注图像集合对应的动脉输入点概率图像的合成单元，实现了以更加合理的方式融合每个像素点的动脉概率和输入点概率，获得相应像素点的准确性更高的动脉输入点概率，进一步提高医学灌注图像集合中动脉输入点的识别概率。
实施例四
本实施例提供的动脉输入函数模型训练方法，可适用于训练基于机器学习模型而构建的动脉输入函数模型，以实现对医学灌注图像的处理。该方法可以由动脉输入函数模型训练装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在具有图像处理功能的电子设备中，例如笔记本电脑、台式电脑或服务器等。参见图8，本实施例的动脉输入函数模型训练方法具体包括：
S310、获取医学灌注图像样本集合，并分别对医学灌注图像样本集合进行空间特征提取和时间特征提取，生成医学灌注图像样本集合对应的灰度空间分布特征和造影剂-时间分布特征。
其中，医学灌注图像样本集合是指收集的、用于模型训练的医学灌注图像集合。
同S110的说明，获得医学灌注图像样本集合对应的灰度空间分布特征和造影剂-时间分布特征。
示例性地，对医学灌注图像样本集合进行空间特征提取，生成医学灌注图像样本集合对应的灰度空间分布特征包括：按照第一网格尺寸，将医学灌注图像样本集合划分为多个第一医学灌注图像子集；确定每个第一医学灌注图像子集的均值与方差，生成医学灌注图像样本集合对应的灰度空间分布特征。
示例性地，对医学灌注图像样本集合进行时间特征提取，生成医学灌注图像样本集合对应的造影剂-时间分布特征包括：按照第二网格尺寸，将医学灌注图像样本集合划分为多个第二医学灌注图像子集；提取每个医学灌注图像子集的造影剂浓度-时间变化曲线，并依据每个造影剂浓度-时间变化曲线确定相应医学灌注图像子集对应的曲线参数，生成医学灌注图像样本集合对应的造影剂-时间分布特征。
S320、将医学灌注图像样本集合、灰度空间分布特征和造影剂-时间分布特征输入机器学习模型，获得模型输出结果。
本实施例中的动脉输入函数模型属于机器学习模型，该机器学习模型的模型架构见下述说明。模型训练过程便是要不断迭代求解最优的模型参数。具体实施时，为需要训练的机器学习模型设置初始模型参数，如模型参数的缺省值。然后，将医学灌注图像样本集合、灰度空间分布特征和造影剂-时间分布特征输入需要训练的机器学习模型，经过机器学习模型的运算，获得模型输出结果，如动脉输入点概率图像。
S330、若确定模型训练未达收敛条件，则依据医学灌注图像样本集合对应的金标准和模型输出结果，对机器学习模型进行迭代训练，直至确定模型训练达到收敛条件，生成动脉输入函数模型。
其中，收敛条件是预先设定的模型训练结束的标识，例如可以是预先设定的可接受的模型识别动脉输入点的误差，或者是预先设定的迭代次数等。金标准是指有经验的医生对医学灌注图像样本集合进行人工识别所获得的动脉输入点概率图像。鉴于动脉输入函数模型的识别网络单元需要分别进行动脉识别和输入点识别，故金标准也可以包含动脉概率图像和输入点概率图像。
每次经过S320的运算，便可利用模型输出的动脉输入点概率图像和对应的金标准来计算模型误差。然后进行模型误差的误差反传来更新模型参数。再然后判断模型训练是否达到收敛条件。如果未达到收敛条件，则返回执行S320，对机器学习模型进行循环的迭代训练，直至满足收敛条件。如果达到收敛条件，则利用最后一次更新的模型参数和机器学习模型来获得动脉输入函数模型。
示例性地，动脉输入函数模型包括识别网络单元和合成单元，识别网络单元包含空间识别子网络和时间识别子网络；
空间识别子网络用于依据灰度空间分布特征，从灰度空间分布维度上对医学灌注图像样本集合进行动脉识别，获得医学灌注图像样本集合对应的动脉概率图像；
时间识别子网络用于依据造影剂-时间分布特征，从造影剂的时间分布维度上对医学灌注图像样本集合进行输入点识别，获得医学灌注图像样本集合对应的输入点概率图像；
合成单元用于融合动脉概率图像和输入点概率图像，生成医学灌注图像样本集合对应的动脉输入点概率图像。
进一步地，动脉输入函数模型还包括分类网络单元；
分类网络单元用于依据灰度空间分布特征和造影剂-时间分布特征，对医学灌注图像样本集合进行分类，获得各时空分类图像子集；
相应地，空间识别子网络用于从灰度空间分布维度上，对每个时空分类图像子集进行动脉识别，获得每个时空分类图像子集对应的动脉概率子图像；
时间识别子网络用于从造影剂的时间分布维度上，对每个时空分类图像子集进行输入点识别，获得每个时空分类图像子集对应的输入点概率子图像；
合成单元用于融合同一时空分类图像子集对应的动脉概率子图像和输入点概率子图像，生成相应时空分类图像子集对应的动脉输入点概率子图像，并由各动脉输入点概率子图像生成动脉输入点概率图像。
本实施例的技术方案，通过获取医学灌注图像样本集合，并分别对医学灌注图像样本集合进行空间特征提取和时间特征提取，生成医学灌注图像样本集合对应的灰度空间分布特征和造影剂-时间分布特征；将医学灌注图像样本集合、灰度空间分布特征和造影剂-时间分布特征输入机器学习模型，获得模型输出结果；若确定模型训练未达收敛条件，则依据医学灌注图像样本集合对应的金标准和模型输出结果，对机器学习模型进行迭代训练，直至确定模型训练达到收敛条件，生成动脉输入函数模型。实现了基于机器学习模型而构建的动脉输入函数模型的训练，使得动脉输入函数模型在识别医学灌注图像中的动脉输入点时，同时考虑动脉在图像中的空间分布特征以及动脉输入点TDC的时间分布特征，避免了模型输出的动脉输入点位置未集中于某一小区域而导致动脉输入点定位错误的问题，也避免了过多人为干预的问题，提高了动脉输入点自动识别的准确性和效率。
实施例五
本实施例提供一种医学灌注图像处理装置，参见图9，该装置具体包括：
特征提取模块910，用于获取待处理的医学灌注图像集合，并分别对医学灌注图像集合进行空间特征提取和时间特征提取，生成医学灌注图像集合对应的灰度空间分布特征和造影剂-时间分布特征；
模型输出结果获得模块920，用于将医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果；
目标动脉输入点识别模块930，用于依据模型输出结果识别医学灌注图像集合中的目标动脉输入点。
可选地，动脉输入函数模型包括识别网络单元和合成单元，识别网络单元包含空间识别子网络和时间识别子网络；
空间识别子网络用于依据灰度空间分布特征，从灰度空间分布维度上对医学灌注图像集合进行动脉识别，获得医学灌注图像集合对应的动脉概率图像；
时间识别子网络用于依据造影剂-时间分布特征，从造影剂的时间分布维度上对医学灌注图像集合进行输入点识别，获得医学灌注图像集合对应的输入点概率图像；
合成单元用于融合动脉概率图像和输入点概率图像，生成医学灌注图像集合对应的动脉输入点概率图像。
进一步地，动脉输入函数模型还包括分类网络单元；
分类网络单元用于依据灰度空间分布特征和造影剂-时间分布特征，对医学灌注图像集合进行分类，获得各时空分类图像子集；
相应地，空间识别子网络用于从灰度空间分布维度上，对每个时空分类图像子集进行动脉识别，获得每个时空分类图像子集对应的动脉概率子图像；
时间识别子网络用于从造影剂的时间分布维度上，对每个时空分类图像子集进行输入点识别，获得每个时空分类图像子集对应的输入点概率子图像；
合成单元用于融合同一时空分类图像子集对应的动脉概率子图像和输入点概率子图像，生成相应时空分类图像子集对应的动脉输入点概率子图像，并由各动脉输入点概率子图像生成动脉输入点概率图像。
可选地，合成单元具体用于：
将同一时空分类图像子集对应的动脉概率子图像和输入点概率子图像的对应像素值相乘，生成相应时空分类图像子集对应的动脉输入点概率子图像。
可选地，特征提取模块910具体用于：
按照第一网格尺寸，将医学灌注图像集合划分为多个第一医学灌注图像子集；
确定每个第一医学灌注图像子集的均值与方差，生成医学灌注图像集合对应的灰度空间分布特征。
可选地，特征提取模块910还具体用于：
按照第二网格尺寸，将医学灌注图像集合划分为多个第二医学灌注图像子集；
提取每个医学灌注图像子集的造影剂浓度-时间变化曲线，并依据每个造影剂浓度-时间变化曲线确定相应医学灌注图像子集对应的曲线参数，生成医学灌注图像集合对应的造影剂-时间分布特征。
可选地，目标动脉输入点识别模块930具体用于：
若模型输出结果为动脉输入点概率图像，则依据动脉输入点概率图像和预设概率阈值，确定出多个候选动脉输入点，并对各候选动脉输出点进行筛选和/或融合，生成医学灌注图像集合中的目标动脉输入点。
通过本发明实施例五的一种动脉输入点识别装置，实现了在识别医学灌注图像中的动脉输入点时，同时考虑了动脉在图像中的空间分布特征以及动脉输入点TDC的时间分布特征，避免了模型输出的动脉输入点位置未集中于某一小区域而导致动脉输入点定位错误的问题，也避免了过多人为干预的问题，提高了动脉输入点自动识别的准确性和效率。
在另一实施例中，医学灌注图像处理装置还包括灌注参数值获取模块，用于：
在依据模型输出结果识别医学灌注图像集合中的目标动脉输入点之后，获取包含目标动脉输入点的感兴趣区域的灌注参数值。
本发明实施例所提供的动脉输入点识别装置可执行本发明任意实施例所提供的动脉输入点识别方法，具备执行方法相应的功能模块和有益效果。
实施例六
本实施例提供一种动脉输入函数模型训练装置，参见图10，该装置具体包括：
特征提取模块1010，用于获取医学灌注图像样本集合，并分别对医学灌注图像样本集合进行空间特征提取和时间特征提取，生成医学灌注图像样本集合对应的灰度空间分布特征和造影剂-时间分布特征；
模型输出结果获得模块1020，用于将医学灌注图像样本集合、灰度空间分布特征和造影剂-时间分布特征输入机器学习模型，获得模型输出结果；
迭代训练模块1030，用于若确定模型训练未达收敛条件，则依据医学灌注图像样本集合对应的金标准和模型输出结果，对机器学习模型进行迭代训练，直至确定模型训练达到收敛条件，生成动脉输入函数模型。
可选地，动脉输入函数模型包括识别网络单元和合成单元，识别网络单元包含空间识别子网络和时间识别子网络；
空间识别子网络用于依据灰度空间分布特征，从灰度空间分布维度上对医学灌注图像样本集合进行动脉识别，获得医学灌注图像样本集合对应的动脉概率图像；
时间识别子网络用于依据造影剂-时间分布特征，从造影剂的时间分布维度上对医学灌注图像样本集合进行输入点识别，获得医学灌注图像样本集合对应的输入点概率图像；
合成单元用于融合动脉概率图像和输入点概率图像，生成医学灌注图像样本集合对应的动脉输入点概率图像。
进一步地，动脉输入函数模型还包括分类网络单元；
分类网络单元用于依据灰度空间分布特征和造影剂-时间分布特征，对医学灌注图像样本集合进行分类，获得各时空分类图像子集；
相应地，空间识别子网络用于从灰度空间分布维度上，对每个时空分类图像子集进行动脉识别，获得每个时空分类图像子集对应的动脉概率子图像；
时间识别子网络用于从造影剂的时间分布维度上，对每个时空分类图像子集进行输入点识别，获得每个时空分类图像子集对应的输入点概率子图像；
合成单元用于融合同一时空分类图像子集对应的动脉概率子图像和输入点概率子图像，生成相应时空分类图像子集对应的动脉输入点概率子图像，并由各动脉输入点概率子图像生成动脉输入点概率图像。
可选地，特征提取模块1010具体用于：
按照第一网格尺寸，将医学灌注图像样本集合划分为多个第一医学灌注图像子集；
确定每个第一医学灌注图像子集的均值与方差，生成医学灌注图像样本集合对应的灰度空间分布特征。
可选地，特征提取模块1010还具体用于：
按照第二网格尺寸，将医学灌注图像样本集合划分为多个第二医学灌注图像子集；
提取每个医学灌注图像子集的造影剂浓度-时间变化曲线，并依据每个造影剂浓度-时间变化曲线确定相应医学灌注图像子集对应的曲线参数，生成医学灌注图像样本集合对应的造影剂-时间分布特征。
通过本发明实施例五的一种动脉输入函数模型训练装置，实现了基于机器学习模型而构建的动脉输入函数模型的训练，使得动脉输入函数模型在识别医学灌注图像中的动脉输入点时，同时考虑动脉在图像中的空间分布特征以及动脉输入点TDC的时间分布特征，避免了模型输出的动脉输入点位置未集中于某一小区域而导致动脉输入点定位错误的问题，也避免了过多人为干预的问题，提高了动脉输入点自动识别的准确性和效率。
本发明实施例所提供的动脉输入函数模型训练装置可执行本发明任意实施例所提供的动脉输入函数模型训练方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例七
参见图11，本实施例提供了一种医学成像设备1100，该医学成像设备1100可以是磁共振成像系统、计算机断层扫描成像系统或者医学图像后处理工作站等医学成像设备，其包括：一个或多个处理器1120；存储装置1110，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器1120执行，使得一个或多个处理器1120实现本发明实施例所提供的医学灌注图像处理方法，包括：
获取待处理的医学灌注图像集合，并分别对医学灌注图像集合进行空间特征提取和时间特征提取，生成医学灌注图像集合对应的灰度空间分布特征和造影剂-时间分布特征；
将医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果；
依据模型输出结果识别医学灌注图像集合中的目标动脉输入点。
当然，本领域技术人员可以理解，处理器1120还可以实现本发明任意实施例所提供的医学灌注图像处理方法的技术方案。
图11显示的医学成像设备1100仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图11所示，该医学成像设备1100包括处理器1120、存储装置1110、输入装置1130和输出装置1140；医学成像设备中处理器1120的数量可以是一个或多个，图11中以一个处理器1120为例；医学成像设备中的处理器1120、存储装置1110、输入装置1130和输出装置1140可以通过总线或其他方式连接，图11中以通过总线1150连接为例。
存储装置1110作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的医学灌注图像处理方法对应的程序指令/模块。
存储装置1110可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置1110可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置1110可进一步包括相对于处理器1120远程设置的存储器，这些远程存储器可以通过网络连接至医学成像设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置1130可用于接收输入的数字或字符信息，以及产生与医学成像设备的用户设置以及功能控制有关的键信号输入。输出装置1140可包括显示屏等显示设备。
本发明实施例还提供了另一医学成像设备，其包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明实施例所提供的动脉输入函数模型训练方法，包括：
获取医学灌注图像样本集合，并分别对医学灌注图像样本集合进行空间特征提取和时间特征提取，生成医学灌注图像样本集合对应的灰度空间分布特征和造影剂-时间分布特征；
将医学灌注图像样本集合、灰度空间分布特征和造影剂-时间分布特征输入机器学习模型，获得模型输出结果；
若确定模型训练未达收敛条件，则依据医学灌注图像样本集合对应的金标准和模型输出结果，对机器学习模型进行迭代训练，直至确定模型训练达到收敛条件，生成动脉输入函数模型。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的动脉输入函数模型训练方法的技术方案。该医学成像设备的硬件结构以及功能可参见实施例六的内容解释。
实施例八
本实施例提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种医学灌注图像处理方法，该方法包括：
获取待处理的医学灌注图像集合，并分别对医学灌注图像集合进行空间特征提取和时间特征提取，生成医学灌注图像集合对应的灰度空间分布特征和造影剂-时间分布特征；
将医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果；
依据模型输出结果识别医学灌注图像集合中的目标动脉输入点。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的医学灌注图像处理方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所提供的动脉输入点识别方法。
本发明实施例还提供了另一种计算机可读存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种动脉输入函数模型训练方法，该方法包括：
获取医学灌注图像样本集合，并分别对医学灌注图像样本集合进行空间特征提取和时间特征提取，生成医学灌注图像样本集合对应的灰度空间分布特征和造影剂-时间分布特征；
将医学灌注图像样本集合、灰度空间分布特征和造影剂-时间分布特征输入机器学习模型，获得模型输出结果；
若确定模型训练未达收敛条件，则依据医学灌注图像样本集合对应的金标准和模型输出结果，对机器学习模型进行迭代训练，直至确定模型训练达到收敛条件，生成动脉输入函数模型。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的动脉输入函数模型训练方法中的相关操作。对存储介质的介绍可参见实施例七中的内容解释。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种医学灌注图像处理方法，其特征在于，包括：
获取待处理的医学灌注图像集合，并分别对所述医学灌注图像集合进行空间特征提取和时间特征提取，生成所述医学灌注图像集合对应的灰度空间分布特征和造影剂-时间分布特征；
将所述医学灌注图像集合、所述灰度空间分布特征和所述造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果；
依据所述模型输出结果识别所述医学灌注图像集合中的目标动脉输入点。
2.根据权利要求1所述的方法，其特征在于，所述动脉输入函数模型包括识别网络单元和合成单元，所述识别网络单元包含空间识别子网络和时间识别子网络；
所述空间识别子网络用于从空间维度上对所述医学灌注图像集合进行识别，所述时间识别子网络用于从时间维度上对所述医学灌注图像进行识别，所述合成单元用于获得所述模型输出结果。
3.根据权利要求2所述的方法，其特征在于，所述动脉输入函数模型还包括分类网络单元，用于依据所述灰度空间分布特征和所述造影剂-时间分布特征，对所述医学灌注图像集合进行分类，获得各时空分类图像子集，以将各所述时空分类图像子集输入所述识别网络单元。
4.根据权利要求3所述的方法，其特征在于，所述空间识别子网络，用于从灰度空间分布维度上，对每个所述时空分类图像子集进行动脉识别，获得每个所述时空分类图像子集对应的动脉概率子图像；
所述时间识别子网络，用于从造影剂的时间分布维度上，对每个所述时空分类图像子集进行输入点识别，获得每个所述时空分类图像子集对应的输入点概率子图像；
所述合成单元，用于融合同一时空分类图像子集对应的动脉概率子图像和输入点概率子图像，生成相应时空分类图像子集对应的动脉输入点概率子图像，并由各动脉输入点概率子图像生成动脉输入点概率图像。
5.根据权利要求4所述的方法，其特征在于，所述合成单元具体用于：
将同一时空分类图像子集对应的动脉概率子图像和输入点概率子图像的对应像素值相乘，生成相应时空分类图像子集对应的动脉输入点概率子图像。
6.根据权利要求1所述的方法，其特征在于，对所述医学灌注图像集合进行空间特征提取，生成所述医学灌注图像集合对应的灰度空间分布特征包括：
按照第一网格尺寸，将所述医学灌注图像集合划分为多个第一医学灌注图像子集；
确定每个所述第一医学灌注图像子集的均值与方差，生成所述医学灌注图像集合对应的灰度空间分布特征。
7.根据权利要求1所述的方法，其特征在于，对所述医学灌注图像集合进行时间特征提取，生成所述医学灌注图像集合对应的造影剂-时间分布特征包括：
按照第二网格尺寸，将所述医学灌注图像集合划分为多个第二医学灌注图像子集；
提取每个所述医学灌注图像子集的造影剂浓度-时间变化曲线，并依据每个所述造影剂浓度-时间变化曲线确定相应医学灌注图像子集对应的曲线参数，生成所述医学灌注图像集合对应的造影剂-时间分布特征。
8.根据权利要求1所述的方法，其特征在于，依据所述模型输出结果识别所述医学灌注图像集合中的目标动脉输入点包括：
若所述模型输出结果为动脉输入点概率图像，则依据所述动脉输入点概率图像和预设概率阈值，确定出多个候选动脉输入点，并对各所述候选动脉输出点进行筛选和/或融合，生成所述医学灌注图像集合中的目标动脉输入点。
9.一种医学灌注图像处理方法，其特征在于，包括：
获取待处理的医学灌注图像集合；
获取所述医学灌注图像集合的造影剂-时间分布特征；以及对医学灌注图像集合进行空间特征提取，生成所述医学灌注图像集合对应的灰度空间分布特征；
将医学灌注图像集合、灰度空间分布特征和造影剂-时间分布特征输入动脉输入函数模型，获得模型输出结果；
依据模型输出结果识别医学灌注图像集合中的目标动脉输入点；
获取包含目标动脉输入点的感兴趣区域的灌注参数值。
10.一种医学成像设备，其特征在于，所述医学成像设备包括：
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，使得所述一个或多个处理器实现如权利要求1-9中任一所述的医学灌注图像处理方法。
CN202010729909.6A 2020-07-27 2020-07-27 医学灌注图像处理方法和医学成像设备 Active CN111862259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010729909.6A CN111862259B (zh) 2020-07-27 2020-07-27 医学灌注图像处理方法和医学成像设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010729909.6A CN111862259B (zh) 2020-07-27 2020-07-27 医学灌注图像处理方法和医学成像设备

Publications (2)

Publication Number Publication Date
CN111862259A true CN111862259A (zh) 2020-10-30
CN111862259B CN111862259B (zh) 2023-08-15

Family

ID=72947170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010729909.6A Active CN111862259B (zh) 2020-07-27 2020-07-27 医学灌注图像处理方法和医学成像设备

Country Status (1)

Country Link
CN (1) CN111862259B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160199A (zh) * 2021-04-29 2021-07-23 武汉联影医疗科技有限公司 影像识别方法、装置、计算机设备和存储介质
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
CN116977614A (zh) * 2023-07-26 2023-10-31 上海联影智能医疗科技有限公司 特征点确定方法、装置、设备、存储介质和程序产品

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130322718A1 (en) * 2012-06-01 2013-12-05 Yi-Hsuan Kao Method and apparatus for measurements of the brain perfusion in dynamic contrast-enhanced computed tomography images
US20140163403A1 (en) * 2012-12-12 2014-06-12 The Texas A&M University System Automated determination of arterial input function areas in perfusion analysis
US8837800B1 (en) * 2011-10-28 2014-09-16 The Board Of Trustees Of The Leland Stanford Junior University Automated detection of arterial input function and/or venous output function voxels in medical imaging
US20140355863A1 (en) * 2013-05-29 2014-12-04 Kabushiki Kaisha Toshiba Image processing apparatus, method and medical image device
US20160148378A1 (en) * 2014-11-25 2016-05-26 University Of Virginia Patent Foundation Systems and Methods for Three-Dimensional Spiral Perfusion Imaging
WO2017106469A1 (en) * 2015-12-15 2017-06-22 The Regents Of The University Of California Systems and methods for analyzing perfusion-weighted medical imaging using deep neural networks
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
US20180078232A1 (en) * 2016-09-22 2018-03-22 Algotec Systems Ltd. Calculation of perfusion parameters in medical imaging
CN107945168A (zh) * 2017-11-30 2018-04-20 上海联影医疗科技有限公司 一种医学图像的处理方法及医学图像处理系统
WO2019068860A1 (en) * 2017-10-06 2019-04-11 Koninklijke Philips N.V. DEVICES, SYSTEMS AND METHODS FOR ASSESSING BLOOD FLOW WITH VASCULAR PERFUSION IMAGING
US20200037975A1 (en) * 2018-08-01 2020-02-06 Uih America, Inc. Systems and methods for determining kinetic parameters in dynamic positron emission tomography imaging
CN111091563A (zh) * 2019-12-24 2020-05-01 强联智创（北京）科技有限公司 一种基于颅脑影像数据的目标区域的提取方法及系统
CN111105404A (zh) * 2019-12-24 2020-05-05 强联智创（北京）科技有限公司 一种基于颅脑影像数据的目标位置的提取方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8837800B1 (en) * 2011-10-28 2014-09-16 The Board Of Trustees Of The Leland Stanford Junior University Automated detection of arterial input function and/or venous output function voxels in medical imaging
US20130322718A1 (en) * 2012-06-01 2013-12-05 Yi-Hsuan Kao Method and apparatus for measurements of the brain perfusion in dynamic contrast-enhanced computed tomography images
US20140163403A1 (en) * 2012-12-12 2014-06-12 The Texas A&M University System Automated determination of arterial input function areas in perfusion analysis
US20140355863A1 (en) * 2013-05-29 2014-12-04 Kabushiki Kaisha Toshiba Image processing apparatus, method and medical image device
CN104217398A (zh) * 2013-05-29 2014-12-17 株式会社东芝 图像处理装置、图像处理方法和医学图像设备
US20160148378A1 (en) * 2014-11-25 2016-05-26 University Of Virginia Patent Foundation Systems and Methods for Three-Dimensional Spiral Perfusion Imaging
WO2017106469A1 (en) * 2015-12-15 2017-06-22 The Regents Of The University Of California Systems and methods for analyzing perfusion-weighted medical imaging using deep neural networks
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
US20190150764A1 (en) * 2016-05-02 2019-05-23 The Regents Of The University Of California System and Method for Estimating Perfusion Parameters Using Medical Imaging
US20180078232A1 (en) * 2016-09-22 2018-03-22 Algotec Systems Ltd. Calculation of perfusion parameters in medical imaging
WO2019068860A1 (en) * 2017-10-06 2019-04-11 Koninklijke Philips N.V. DEVICES, SYSTEMS AND METHODS FOR ASSESSING BLOOD FLOW WITH VASCULAR PERFUSION IMAGING
CN107945168A (zh) * 2017-11-30 2018-04-20 上海联影医疗科技有限公司 一种医学图像的处理方法及医学图像处理系统
US20200037975A1 (en) * 2018-08-01 2020-02-06 Uih America, Inc. Systems and methods for determining kinetic parameters in dynamic positron emission tomography imaging
CN111091563A (zh) * 2019-12-24 2020-05-01 强联智创（北京）科技有限公司 一种基于颅脑影像数据的目标区域的提取方法及系统
CN111105404A (zh) * 2019-12-24 2020-05-05 强联智创（北京）科技有限公司 一种基于颅脑影像数据的目标位置的提取方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
邵康为;杨军;刘伟;朱才松;袁立新;诸瑛;李崧;: "肝脏良恶性病变的多层螺旋CT动态灌注成像评估", 临床放射学杂志, no. 03 *
钱小建等: "动脉自旋标记成像与灌注加权成像在老年缺血性脑梗死诊断中应用价值", 《创伤与急危重病医学》, vol. 06, no. 05 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160199A (zh) * 2021-04-29 2021-07-23 武汉联影医疗科技有限公司 影像识别方法、装置、计算机设备和存储介质
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
WO2023125828A1 (en) * 2021-12-31 2023-07-06 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for determining feature points
CN116977614A (zh) * 2023-07-26 2023-10-31 上海联影智能医疗科技有限公司 特征点确定方法、装置、设备、存储介质和程序产品

Also Published As

Publication number Publication date
CN111862259B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
Armanious et al. Unsupervised medical image translation using cycle-MedGAN
US12260623B2 (en) Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
CN1188079C (zh) 心脏图的快速分段
CN112949654B (zh) 图像检测方法及相关装置、设备
US9367924B2 (en) Method and system for segmentation of the liver in magnetic resonance images using multi-channel features
US11769594B2 (en) Deep learning model learning device and method for cancer region
Yao et al. Advances on pancreas segmentation: a review
CN111862259A (zh) 医学灌注图像处理方法和医学成像设备
US12272071B2 (en) Scalable and high precision context-guided segmentation of histological structures including ducts/glands and lumen, cluster of ducts/glands, and individual nuclei in whole slide images of tissue samples from spatial multi-parameter cellular and sub-cellular imaging platforms
CN112435341A (zh) 三维重建网络的训练方法及装置、三维重建方法及装置
CN114332132A (zh) 图像分割方法、装置和计算机设备
CN110598696A (zh) 医学图像扫描定位方法、医学图像扫描方法和计算机设备
CN110751629A (zh) 一种心肌影像分析装置及设备
CN114219754A (zh) 基于眼部ct图像的甲状腺相关眼疾识别方法和装置
CN115249279A (zh) 医学图像处理方法、装置、计算机设备和存储介质
CN118968186A (zh) 医疗图像数据集的自适应图像分类方法、系统及存储介质
CN117462164B (zh) 超声图像获取方法、装置、计算机设备以及存储介质
JP2022117177A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN113160199B (zh) 影像识别方法、装置、计算机设备和存储介质
US20060211940A1 (en) Blood vessel structure segmentation system and method
CN114693641B (zh) 血管图像提取方法、装置、设备及存储介质
CN111784705A (zh) 感兴趣区域的勾画方法、装置、设备和存储介质
CN114757952A (zh) 超声图像处理方法、装置、设备及存储介质

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
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co.,Ltd.

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant