一种基于头颅CT影像的评分方法及系统技术方案

本说明书实施例公开了一种基于头颅CT影像的评分方法及系统，属于医学影像领域。本说明书实施例通过基于头颅CT影像的评分方法，解决了靠肉眼判断来进行ASPECTS评分，主观性差异较大，可操作性差的问题。该评分方法包括：将头颅CT影像数据输入到预先训练得到的评分模型中；通过评分模型识别头颅CT影像数据，获得头颅CT影像数据对应的评分概率；基于头颅CT影像数据对应的评分概率，输出评分结果。本说明书实施例提供的评分方法和系统，能够排除或减少人为因素以及影像设备成像差异带来的诊断差异，缩减人为观察、思考及肉眼评分所需的时间，作为计算机辅助方法，为脑卒中等医学研究提供客观依据。

A Scoring Method and System Based on Head CT Image

The embodiment of this specification discloses a scoring method and system based on cranial CT images, which belongs to the field of medical imaging. The embodiment of this specification solves the problem of ASPECTS score based on naked eye judgment, which has great difference in subjectivity and poor maneuverability through the method of scoring based on cranial CT images. The scoring method includes: input the cranial CT image data into the pre-trained scoring model; identify the cranial CT image data through the scoring model to obtain the corresponding scoring probability of the cranial CT image data; output the scoring results based on the corresponding scoring probability of the cranial CT image data. The scoring method and system provided in the embodiment of this specification can eliminate or reduce the diagnostic differences caused by human factors and imaging differences of imaging equipment, reduce the time required for human observation, thinking and naked eye scoring, as a computer-aided method, and provide objective basis for medical research such as stroke.

【技术实现步骤摘要】
一种基于头颅CT影像的评分方法及系统
本说明书涉及医学影像和计算机
，尤其涉及一种基于头颅CT影像的评分方法及系统。
技术介绍
ASPECTS(AlbertaStrokeProgramEarlyCTScore)评分是脑卒中的一个重要诊断和治疗依据，由Barber等学者于2000年提出。该评分方法针对急性脑卒中的病人，依据其头颅CT影像数据，将大脑中动脉供血的重要层面分成10个区域，包括位于核团层面的尾状核头(C)、豆状核(L)、内囊后肢(IC)、岛带(I)、M1(大脑中动脉前皮质区)、M2(大脑中动脉岛叶外侧皮质区)、M3(大脑中动脉后皮质区)，以及位于核团以上层面(核团上层)的M4(M1上方的大脑中动脉皮层)、M5(M2上方的大脑中动脉皮层)和M6(M3上方的大脑中动脉皮层)。上述10个区域具有相同的权重，各占1分，总分为10分。总分中减去存在早期缺血性改变的区域数，所得的数值作为评分结果，为病情判断并治疗提供依据。目前在临床应用中，为获得ASPECTS评分，主要依赖肉眼进行评估。由于不同影像设备、不同技术人员、不同病人状况等因素的存在，不能保证头颅CT影像数据的一致性，用肉眼进行ASPECTS评分，主观性带来的差异较大；同时，由于内囊后肢在CT影像上其密度较正常脑实质稍低，因此在评分时容易误判；M1～M6区域相邻区域出现低密度灶时，存在评分者个人主观评判。因此，这种“肉眼判断法”可操作性不强。另一方面，脑卒中病情发展极快，人脑供血障碍4-5分钟以上即可出现永久不可逆性梗死，致残致死率极高，而CT影像数据上组织分区界限分辨难度较高，如不能快速准确判断分区，会导致延误病情。因此，目前需要一种评分方法，能够排除或减少人为因素如技术水平、操作方法、图像质量、人眼分辨能力、疲劳程度、认知经验不同等，以及影像设备成像差异带来的诊断差异，缩减人为观察、思考及肉眼评分所需的时间，作为计算机辅助方法，为脑卒中等医学研究提供客观依据。
技术实现思路
本说明书实施例提供一种基于头颅CT影像的评分方法及系统，用于解决以下技术问题：排除或减少主观因素以及影像设备成像差异等带来的诊断差异，缩减评分所需时间，提高诊断效率和准确率。本说明书实施例提供一种基于头颅CT影像的评分方法，包括以下步骤：将头颅CT影像数据输入到预先训练得到的评分模型中；通过所述评分模型识别所述头颅CT影像数据，获得所述头颅CT影像数据对应的评分概率；基于所述头颅CT影像数据对应的评分概率，输出评分结果。优选地，所述将头颅CT影像数据输入到预先训练得到的评分模型中的步骤之前，包括：收集用于训练评分模型的样本；对所述收集的用于训练评分模型的样本进行人工标记，获得人工标记的样本；利用监督学习的方式对所述人工标记的样本进行训练，获得评分模型。优选地，所述利用监督学习的方式对所述人工标记的样本进行训练，获得评分模型，具体包括：抽取所述人工标记的样本的第一图像特征；获取所述第一图像特征中的可用于评分的图像特征并加入到一个新的单元中，得到第二图像特征；利用所述第二图像特征，建立所述第二图像特征与评分概率的映射关系，获得评分模型。优选地，所述通过所述评分模型识别所述头颅CT影像数据，获得所述头颅CT影像数据对应的评分概率，具体包括：将所述头颅CT影像数据输入评分模型，经过所述评分模型，输出所述头颅CT影像数据对应的评分概率。优选地，所述基于所述头颅CT影像数据对应的评分概率，输出评分结果，具体包括：获取所述头颅CT影像数据对应的评分概率中，最大的评分概率；将所述最大的评分概率对应的分数，作为所述头颅CT影像数据的评分结果进行输出。本说明书实施例提供的一种基于头颅CT影像的评分系统，包括：输入模块，用于将待处理的头颅CT影像数据输入到评分模型；评分模块，对所述头颅CT影像数据进行评分；输出模块，将所述头颅CT影像数据的评分结果进行输出。优选地，所述对所述头颅CT影像数据进行评分，具体包括：将头颅CT影像数据输入到预先训练得到的评分模型中；通过所述评分模型识别所述头颅CT影像数据，获得所述头颅CT影像数据对应的评分概率；基于所述头颅CT影像数据对应的评分概率，输出评分结果。优选地，所述将头颅CT影像数据输入到预先训练得到的评分模型中的步骤之前，包括：收集用于训练评分模型的样本；对所述收集的用于训练评分模型的样本进行人工标记，获得人工标记的样本；利用监督学习的方式对所述人工标记的样本进行训练，获得评分模型。优选地，所述利用监督学习的方式对所述人工标记的样本进行训练，获得评分模型，具体包括：抽取所述人工标记的样本的第一图像特征；获取所述第一图像特征中的可用于评分的图像特征并加入到一个新的单元中，得到第二图像特征；利用所述第二图像特征，建立所述第二图像特征与评分概率的映射关系，获得评分模型。优选地，所述通过所述评分模型识别所述头颅CT影像数据，获得所述头颅CT影像数据对应的评分概率，具体包括：将所述头颅CT影像数据输入评分模型，经过所述评分模型，输出所述头颅CT影像数据对应的评分概率。优选地，所述基于所述头颅CT影像数据对应的评分概率，输出评分结果，具体包括：获取所述头颅CT影像数据对应的评分概率中，最大的评分概率；将所述最大的评分概率对应的分数，作为所述头颅CT影像数据的评分结果进行输出。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：本说明书实施例从待处理的多帧CT影像数据中，利用评分模型获得头颅CT影像数据对应的评分概率进行评分，进而输出评分结果，能够排除或减少人为因素以及影像设备成像差异带来的诊断差异，可以缩减人为观察、思考及肉眼评分所需的时间，作为诊断的辅助方法，提高诊断效率和准确率。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本说明书实施例提供的一种基于头颅CT影像的评分方法的框架图；图2a为本说明书实施例提供的核团层中用于ASPECTS评分的示意图；图2b为本说明书实施例提供的核团上层中用于ASPECTS评分的示意图；图3为本说明书实施例提供的一种基于头颅CT影像的评分方法的流程图；图4为本说明书实施例提供的一种训练评分模型的流程示意图；图5为本说明书实施例提供的一种基于头颅CT影像的评分系统的示意图。具体实施方式为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。图1为本说明书实施例提供的一种基于头颅CT影像的评分方法的框架图，具体步骤包括：步骤S101：将头颅CT影像数据输入到预先训练得到的评分模型中。CT影像是由一定数目的从黑到白不同灰度的像素点按矩阵排列构成。CT值用于反映人体相应组织的密度值的大小。由于单帧的CT影像是具有一定厚度本文档来自技高网...

【技术保护点】
1.一种基于头颅CT影像的评分方法，其特征在于，包括：将头颅CT影像数据输入到预先训练得到的评分模型中；通过所述评分模型识别所述头颅CT影像数据，获得所述头颅CT影像数据对应的评分概率；基于所述头颅CT影像数据对应的评分概率，输出评分结果。

【技术特征摘要】
1.一种基于头颅CT影像的评分方法，其特征在于，包括：将头颅CT影像数据输入到预先训练得到的评分模型中；通过所述评分模型识别所述头颅CT影像数据，获得所述头颅CT影像数据对应的评分概率；基于所述头颅CT影像数据对应的评分概率，输出评分结果。2.如权利要求1所述的方法，其特征在于，所述将头颅CT影像数据输入到预先训练得到的评分模型中的步骤之前，包括：收集用于训练评分模型的样本；对所述收集的用于训练评分模型的样本进行人工标记，获得人工标记的样本；利用监督学习的方式对所述人工标记的样本进行训练，获得评分模型。3.如权利要求2所述的方法，其特征在于，所述利用监督学习的方式对所述人工标记的样本进行训练，获得评分模型，具体包括：抽取所述人工标记的样本的第一图像特征；获取所述第一图像特征中的可用于评分的图像特征并加入到一个新的单元中，得到第二图像特征；利用所述第二图像特征，建立所述第二图像特征与评分概率的映射关系，获得评分模型。4.如权利要求1所述的方法，其特征在于，所述通过所述评分模型识别所述头颅CT影像数据，获得所述头颅CT影像数据对应的评分概率，具体包括：将所述头颅CT影像数据输入评分模型，经过所述评分模型，输出所述头颅CT影像数据对应的评分概率。5.如权利要求1所述的方法，其特征在于，所述基于所述头颅CT影像数据对应的评分概率，输出评分结果，具体包括：获取所述头颅CT影像数据对应的评分概率中，最大的评分概率；将所述最大的评分概率对应的分数，作为所述头颅CT影像数据的评分结果进行输出。6.一种基于头颅CT影像的评分系统，其特征在于，包括：输入模块，用于将待处理的头颅CT影像数据输入到评分模型；评分模块，...

【专利技术属性】
技术研发人员：王拥军，缪中荣，王伊龙，霍晓川，金海岚，宋凌，印胤，杨光明，秦岚，
申请(专利权)人：首都医科大学附属北京天坛医院，
类型：发明
国别省市：北京,11