一种基于头颅CT影像的取栓判断的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影像的取栓判断的方法及系统，属于医学影像领域。本说明书实施例通过基于头颅CT影像的取栓判断的方法，解决了现有方法主观性大、可操作性差的问题。该取栓判断的方法包括：将头颅CT影像数据输入到预先训练得到的取栓模型中；通过取栓模型识别头颅CT影像数据，获得头颅CT影像数据的取栓概率；基于头颅CT影像的取栓概率，进行取栓判断。本说明书实施例提供的取栓判断的方法和系统，能够排除或减少人为因素带来的诊断差异，缩减人为观察、思考及“经验判断”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 Method and System of Thrombus Extraction Judgment Based on Head CT Image

The embodiment of this specification discloses a method and system for thrombectomy judgment based on cranial CT images, which belongs to the field of medical imaging. The embodiment of this specification solves the problem of large subjectivity and poor operability of the existing method by the method of thrombectomy judgment based on CT images of the head. The method of thrombectomy judgment includes: putting the CT image data into the pre-trained thrombectomy model; identifying the CT image data through the thrombectomy model to obtain the thrombectomy probability of the CT image data; and judging the thrombectomy based on the thrombectomy probability of the CT image. The method and system of thrombectomy judgment provided in the embodiment of this specification can eliminate or reduce the difference of diagnosis caused by human factors, shorten the time needed for human observation, thinking and \empirical judgment\, 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影像的取栓判断的方法及系统
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影像的取栓判断的方法及系统。
技术介绍
急性缺血性脑卒中(acuteischemicstroke,AIS)是最常见的卒中类型，占全部卒中的60％～80％。其中，机械取栓是治疗急性缺血性脑卒中的重要手段之一。该机械取栓方法可以避免或减少溶栓药物的使用，对于大血管闭塞具有更高的血管再通率。但是该方法具有时间限制，对于前循环，要在6-8小时以内，后循环要在12-24小时以内，如若超过这个时间，取栓的风险较高，且获益较少。因此，快速的判断是否可以进行血管内取栓对于治疗的成功率及预后均有重要意义。目前，在临床中，常根据起病时间及临床特征行多模影像评估，以决定是否进行血管内取栓。现有的方法，一般是根据经验进行判断，该“经验判断”方法主观性大，可操作性差。另外一方面，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，因此需要快速进行判断是否取栓，以免延误病情。因此，目前需要一种取栓判断的方法，能够排除或减少人为因素带来的诊断差异，缩减人为观察、思考及“经验判断”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影像的取栓判断的方法及系统，用于解决以下技术问题：排除或减少主观因素带来的诊断差异，缩减人为花费的时间，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影像的取栓判断的方法，包括以下步骤：将头颅CT影像数据输入到预先训练得到的取栓模型中；通过所述取栓模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的取栓概率；基于所述头颅CT影像的取栓概率，进行取栓判断。优选地，将头颅CT影像数据输入到预先训练得到的取栓模型中的步骤之前，包括：收集用于训练取栓模型的样本；对所述收集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进行训练，获得取栓模型。优选地，利用监督学习的方式进行训练，获得取栓模型，进一步包括：获取所述人工标记的样本对应的个人信息；利用监督学习的方式，提取所述人工标记的样本对应的个人信息，对所述人工标记的样本进行训练，获得取栓模型。优选地，通过所述取栓模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的取栓概率，具体包括：所述头颅CT影像数据输入取栓模型，经过所述取栓模型，输出所述头颅CT影像数据的取栓概率，其中，所述取栓概率为介于0-100％的概率数值。优选地，基于所述头颅CT影像数据的取栓概率，进行取栓判断，具体包括：根据预设阈值，根据所述头颅CT影像数据的取栓概率，判断是否可以进行取栓；若所述头颅CT影像数据的取栓概率大于所述预设阈值，则可以进行取栓。本说明书实施例提供的一种基于头颅CT影像的取栓判断的系统，包括：输入模块，用于将待处理的头颅CT影像数据输入到取栓模型；取栓判断模型，对所述头颅CT影像数据进行取栓判断；输出模块，将所述头颅CT影像数据的取栓判断结果进行输出。优选地，对所述头颅CT影像数据进行取栓判断，具体包括：将头颅CT影像数据输入到预先训练得到的取栓模型中；通过所述取栓模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的取栓概率；基于所述头颅CT影像的取栓概率，进行取栓判断。优选地，将头颅CT影像数据输入到预先训练得到的取栓模型中的步骤之前，包括：收集用于训练取栓模型的样本；对所述收集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进行训练，获得取栓模型。优选地，利用监督学习的方式进行训练，获得取栓模型，进一步包括：获取所述人工标记的样本对应的个人信息；利用监督学习的方式，提取所述人工标记的样本对应的个人信息，对所述人工标记的样本进行训练，获得取栓模型。优选地，通过所述取栓模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的取栓概率，具体包括：所述头颅CT影像数据输入取栓模型，经过所述取栓模型，输出所述头颅CT影像数据的取栓概率，其中，所述取栓概率为介于0-100％的概率数值。优选地，基于所述头颅CT影像数据的取栓概率，进行取栓判断，具体包括：根据预设阈值，根据所述头颅CT影像数据的取栓概率，判断是否可以进行取栓；若所述头颅CT影像数据的取栓概率大于所述预设阈值，则可以进行取栓。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：本说明书实施例将待处理的多帧CT影像数据输入取栓模型中，通过头颅CT影像数据的取栓概率进行取栓判断，能够排除或减少人为因素带来的诊断差异，缩减人为观察、思考及“经验判断”所需的时间，作为计算机辅助方法，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影像的取栓判断的方法的框架图；图2为本说明书实施例提供的一种基于头颅CT影像的取栓判断的方法的流程图；图3为本说明书实施例提供的取栓模型的训练过程的示意图；图4为本说明书实施例提供的一种基于头颅CT影像的取栓判断的系统的示意图。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影像的取栓判断的方法的框架图，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取栓模型中。急性缺血性脑卒中的严重并发症之一是大血管闭塞，表现为突然口角歪斜、言语不清、肢体无力，黑蒙、头晕、目眩、眩晕，甚至吞咽困难，常造成致死、致残。其中，通过平扫计算机断层扫描(non-contrastCT,NCCT)发现的动脉高密度征是提示大血管闭塞的影像评估方法之一。由于急性血栓形成，血流减慢、停滞，进而在NCCT上可见血管走行区域内密度升高(77～89HU)，即所谓的动脉高密度征，介于正常血管(35～60HU)与钙化斑之间(114～321HU)，是动脉阻塞的早期征象。因此，通过NCCT可以获取可能发生大血管闭塞的数据。通过NCCT获得的头颅CT影像数据需要经过进一步处理，才能判断是否可以进行取栓。因此，需要头颅CT影像数据输入到预先训练得到的取栓模型中。步骤S103：取栓模型识别头颅CT影像数据，输出头颅CT影像数据的取栓概率。上述步骤S101的头颅CT影像数据输入到取栓模型后，经过模型识别，可实现对头颅CT影像数据的取栓概率的估算。该取栓模型是以做取栓和未做取栓的样本为训练样本，利用监督学习的训练方式获得的模型。步骤S105：基于头颅CT影像数据的取栓概率，进行取栓判断。前述步骤S103输出的头颅CT影像数据的取栓概率是一个介于0-100％的概率，同时为了实现头颅CT影像数据的本文档来自技高网...

【技术保护点】
1.一种基于头颅CT影像的取栓判断的方法，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取栓模型中；通过所述取栓模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的取栓概率；基于所述头颅CT影像的取栓概率，进行取栓判断。

【技术特征摘要】
1.一种基于头颅CT影像的取栓判断的方法，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取栓模型中；通过所述取栓模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的取栓概率；基于所述头颅CT影像的取栓概率，进行取栓判断。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取栓模型中的步骤之前，包括：收集用于训练取栓模型的样本；对所述收集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进行训练，获得取栓模型。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进行训练，获得取栓模型，进一步包括：获取所述人工标记的样本对应的个人信息；利用监督学习的方式，提取所述人工标记的样本对应的个人信息，对所述人工标记的样本进行训练，获得取栓模型。4.如权利要求1所述的方法，其特征在于，所述通过所述取栓模型识别所述头颅CT影像数据，获得所述头颅CT影像数据的取栓概率，具体包括：所述头颅CT影像数据输入取栓模型，经过所述取栓模型，输出所述头颅CT影像数据的取栓概率，其中，所述取栓概率为介于0-100％的概率数值。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影像数据的取栓概率，进行取栓判断，具体包括：根据预设阈值，根据所述头颅CT影像数据的取栓概率，判断是否可以进行取栓；若所述头颅CT影像数据的取栓概率大于所述预设阈值，则可以进行取栓。6.一种基于头颅CT影像的取栓判断的系统，其特征在于，包括：输入模块，用于将待处理的头颅CT影像数据输入到取栓模型；取栓判断模型...

【专利技术属性】
技术研发人员：缪中荣，王伊龙，王拥军，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