基于时间信号曲线的灌注动态影像的分割方法及系统技术方案

本发明专利技术公开了一种基于时间信号曲线的灌注动态影像的分割方法，包括以下步骤：（1），神经网络训练步骤；（1.1），训练数据读入步骤；（1.2），输入向量构建步骤；训练集生成步骤；（1.3），神经网络训练步骤；（2）、神经网络使用步骤；（2.1），待分析数据读入步骤；（2.2），待分析数据输入向量构建步骤；（2.3），分类步骤；（2.4），标注步骤。本发明专利技术直接利用灌注数据中各体素的时间信号曲线，对灌注影像数据中的所有体素进行分类标注，以实现对不同组织的分类。本发明专利技术还公开了一种基于时间信号曲线的灌注动态影像的分割系统。

Segmentation method and system of perfusion dynamic image based on time signal curve

【技术实现步骤摘要】
基于时间信号曲线的灌注动态影像的分割方法及系统
本专利技术涉及一种灌注成像数据处理技术，具体涉及一种基于时间信号曲线的灌注动态影像的分割方法。本专利技术还涉及一种基于时间信号曲线的灌注动态影像的分割系统。
技术介绍
随着医学影像技术及计算机技术的发展，在医疗领域内以观察脑组织血流灌注状况为目的的动态脑灌注成像和定量分析技术开始应用于临床医学辅助诊断。通过对动态脑灌注检查所获得的一个时间影像序列的量化分析，可以测量出感兴趣区域脑组织的血流灌注量，从而绘制出对应的时间密度曲线。根据中心容积原理对这些曲线进行进一步分析、计算，可得到患者的相关脑血流动力学参数，如脑血流量（CBF）、脑血容量（CBV）、平均通过时间（MTT）、达峰时间（TTP）、最大剩余功能时间（TMAX）等。按照一定的色彩分布对所得到的参数进行映像，就可以分别绘制出具有临床辅助诊断意义的功能影像。目前，脑灌注成像后处理方法包括以下步骤：第一步，寻找到动脉和静脉的位置，得到动脉流入曲线（ArterialInputFunction，AIF）和静脉流出曲线（VeinOutputFunction，VOF）；第二步，求解反卷积以得到组织特性曲线；第三步，由曲线的最大值、曲线下面积等进一步得到脑血流量（CBF）、脑血容量（CBV）、平均通过时间（MTT）、达峰时间（TTP）、最大剩余功能时间（TMAX）等参数图像。中国专利技术专利文献CN105701815A公开了一种磁共振灌注成像后处理方法及系统，通过对动脉输入函数和求解矩阵进行加权优化，将非线性问题转化为线性求解，加快了后处理速度。这种后处理方法依赖于通过简化的生理模型将灌注数据降维约化为若干参数图，再从参数图像中通过目测、勾选区域测值、阈值处理等方式推测病变区域。但是，参数图像作为灌注数据的约化结果，实质丢失了大量有用信息，导致仅根据参数图像确定病变区域时往往不能得到稳定、有效、准确的结果。另外，参数图计算过程中，需要对大小血管的血红细胞含量等参数进行假设，还需要对动脉静脉进行识别以测定输入输出曲线，这些假设和识别均容易引入误差。此外，在对参数图像进行目测、勾选区域测值、阈值处理等二次处理过程中，还需要受过训练的医疗技术人员参与，过程耗时昂贵且容易产生人为误差。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于时间信号曲线的灌注动态影像的分割方法，它可以在完整地保留灌注数据全部信息的基础上，通过对灌注数据进行后处理，将灌注数据上的所有体素进行分类并标注，从而得到具有分类结果的三维影像数据。为解决上述技术问题，本专利技术基于时间信号曲线的灌注动态影像的分割方法的技术解决方案为，包括以下步骤：（1），神经网络训练步骤；（1.1），训练数据读入步骤；读入磁共振或计算机断层扫描的灌注成像所得到的训练数据，设置训练数据中各体素的时间信号曲线的时间维插值，时间维插值为固定长度的向量；所述步骤（1.1）中在设置时间维插值之前，先对训练数据进行预处理；所述预处理方法包括：逐时间点进行运动矫正、背景去除、图像去噪。（1.2），训练数据输入向量构建步骤；将任一体素的三维空间坐标，拼接该体素的时间信号曲线，以及扫描参数，得到一个训练数据输入向量；所述时间信号曲线具有时间维插值；训练集生成步骤；将训练数据中的体素分为多个类别，对每一类别进行标注，从而生成训练集C，训练集C具有各体素的标注结果；（1.3），神经网络训练步骤；将训练数据中各体素的输入向量输入神经网络，采用训练集C对神经网络进行训练，得到经过深度学习的神经网络模型；所述步骤（1.3）中的神经网络采用全链接网络，或者使用RNN（RecursiveNeuralNetwork）、LSTM（LongShortTermMemory）网络架构。（2）、神经网络使用步骤；（2.1），待分析数据读入步骤；读入待分析的磁共振或计算机断层扫描的灌注影像数据，设置待分析数据中各体素的时间信号曲线的时间维插值，时间维插值为固定长度的向量；所述步骤（2.1）中在设置时间维插值之前，先对待分析数据进行预处理；（2.2），待分析数据输入向量构建步骤；将待分析数据中任一体素的三维空间坐标，拼接该体素的时间信号曲线，以及扫描参数，得到一个待分析数据输入向量；（2.3），分类步骤；将待分析数据输入向量输入经过深度学习的神经网络模型，经过深度学习的神经网络模型输出各体素的组织类别的分类概率[P1P2P3P4P5P6]，选取最大概率所对应的组织类别作为该体素的分类结果，从而得到该体素对应的组织类别；（2.4），标注步骤；根据组织类别对各体素进行标注，得到具有分类结果的三维影像数据。（2.5），图像后处理步骤，对具有分类结果的三维影像数据进行图像后处理，去除散落的岛区域。（2.6），计算具有分类结果的三维影像数据中各类组织的体积；某类组织的体积=该类组织的体素个数×体素的体积。本专利技术还提供一种基于时间信号曲线的灌注动态影像的分割系统，其技术解决方案为，包括神经网络训练模块和神经网络使用模块；所述神经网络训练模块包括训练数据读入单元、训练数据输入向量构建单元、训练集生成单元、神经网络训练单元；训练数据读入单元，被配置为读入磁共振或计算机断层扫描的灌注成像所得到的训练数据，设置训练数据中各体素的时间信号曲线的时间维插值，时间维插值为固定长度的向量；进一步地，所述训练数据读入单元还包括数据预处理单元，数据预处理单元对磁共振或计算机断层扫描的灌注成像所得到的训练数据进行预处理；训练数据输入向量构建单元，被配置为将任一体素的三维空间坐标，拼接该体素的时间信号曲线，以及扫描参数，得到一个训练数据输入向量；所述时间信号曲线具有经训练数据读入单元设置的时间维插值；训练集生成单元，被配置为将训练数据中的各体素分为多个类别，对每一类别进行标注，从而生成训练集C，训练集C具有各体素的标注结果；神经网络训练单元，被配置为将训练数据中各体素的输入向量输入神经网络，采用训练集C对神经网络进行训练，得到经过深度学习的神经网络模型；所述神经网络使用模块包括待分析数据读入单元、待分析数据输入向量构建单元、分类单元、标注单元；待分析数据读入单元，被配置为读入待分析的磁共振或计算机断层扫描的灌注影像数据，设置待分析数据中各体素的时间信号曲线的时间维插值，时间维插值为固定长度的向量；进一步地，所述待分析数据读入单元还包括数据预处理单元，数据预处理单元对磁共振或计算机断层扫描的灌注成像所得到的待分析数据进行预处理。待分析数据输入向量构建单元，被配置为将待分析数据中任一体素的三维空间坐标，拼接该体素的时间信号曲线，以及扫描参数，得到一个待分析数据输入向量；分类单元，被配置为将待分析数据输入向量输入经过深度学习的神经网络模型，经过深度学习的神经网络模型输出各体素的组织类别的分类概率[P1P2P3P4P5P6]，选取最大概率所对应的组织类别作为该体素的分类结果，从而得到该体素对应的组织类别；标注单元，被配置为根据组织类别对各体素进行标注，得到具有分类结果的三维影像数据。所述分割系统还包括图像后处理单元，被配置为对具有分类结果的三维影像数据进行图像后处理，去除散落的岛区域。所述分割系统还包括分割结果量化单元，被配置为量化具有分类结果的三维影像数据中各类本文档来自技高网...

【技术保护点】
1.一种基于时间信号曲线的灌注动态影像的分割方法，其特征在于，包括以下步骤：（1），神经网络训练步骤；（1.1），训练数据读入步骤；读入磁共振或计算机断层扫描的灌注成像所得到的训练数据，设置训练数据中各体素的时间信号曲线的时间维插值，时间维插值为固定长度的向量；（1.2），训练数据输入向量构建步骤；将任一体素的三维空间坐标，拼接该体素的时间信号曲线，以及扫描参数，得到一个训练数据输入向量；所述时间信号曲线具有时间维插值；训练集生成步骤；将训练数据中的体素分为多个类别，对每一类别进行标注，从而生成训练集C，训练集C具有各体素的标注结果；（1.3），神经网络训练步骤；将训练数据中各体素的输入向量输入神经网络，采用训练集C对神经网络进行训练，得到经过深度学习的神经网络模型；（2）、神经网络使用步骤；（2.1），待分析数据读入步骤；读入待分析的磁共振或计算机断层扫描的灌注影像数据，设置待分析数据中各体素的时间信号曲线的时间维插值，时间维插值为固定长度的向量；（2.2），待分析数据输入向量构建步骤；将待分析数据中任一体素的三维空间坐标，拼接该体素的时间信号曲线，以及扫描参数，得到一个待分析数据输入向量；（2.3），分类步骤；将待分析数据输入向量输入经过深度学习的神经网络模型，经过深度学习的神经网络模型输出各体素的组织类别的分类概率[P1 P2 P3 P4 P5 P6]，选取最大概率所对应的组织类别作为该体素的分类结果，从而得到该体素对应的组织类别；（2.4），标注步骤；根据组织类别对各体素进行标注，得到具有分类结果的三维影像数据。...

【技术特征摘要】
1.一种基于时间信号曲线的灌注动态影像的分割方法，其特征在于，包括以下步骤：（1），神经网络训练步骤；（1.1），训练数据读入步骤；读入磁共振或计算机断层扫描的灌注成像所得到的训练数据，设置训练数据中各体素的时间信号曲线的时间维插值，时间维插值为固定长度的向量；（1.2），训练数据输入向量构建步骤；将任一体素的三维空间坐标，拼接该体素的时间信号曲线，以及扫描参数，得到一个训练数据输入向量；所述时间信号曲线具有时间维插值；训练集生成步骤；将训练数据中的体素分为多个类别，对每一类别进行标注，从而生成训练集C，训练集C具有各体素的标注结果；（1.3），神经网络训练步骤；将训练数据中各体素的输入向量输入神经网络，采用训练集C对神经网络进行训练，得到经过深度学习的神经网络模型；（2）、神经网络使用步骤；（2.1），待分析数据读入步骤；读入待分析的磁共振或计算机断层扫描的灌注影像数据，设置待分析数据中各体素的时间信号曲线的时间维插值，时间维插值为固定长度的向量；（2.2），待分析数据输入向量构建步骤；将待分析数据中任一体素的三维空间坐标，拼接该体素的时间信号曲线，以及扫描参数，得到一个待分析数据输入向量；（2.3），分类步骤；将待分析数据输入向量输入经过深度学习的神经网络模型，经过深度学习的神经网络模型输出各体素的组织类别的分类概率[P1P2P3P4P5P6]，选取最大概率所对应的组织类别作为该体素的分类结果，从而得到该体素对应的组织类别；（2.4），标注步骤；根据组织类别对各体素进行标注，得到具有分类结果的三维影像数据。2.根据权利要求1所述的基于时间信号曲线的灌注动态影像的分割方法，其特征在于：所述步骤（1.1）中在设置时间维插值之前，先对训练数据进行预处理；所述步骤（2.1）中在设置时间维插值之前，先对待分析数据进行预处理；所述预处理方法包括：逐时间点进行运动矫正、背景去除、图像去噪。3.根据权利要求1所述的基于时间信号曲线的灌注动态影像的分割方法，其特征在于：所述步骤（1.3）中的神经网络采用全链接网络，或者使用RNN（RecursiveNeuralNetwork）、LSTM（LongShortTermMemory）网络架构。4.根据权利要求1所述的基于时间信号曲线的灌注动态影像的分割方法，其特征在于：所述步骤（2.4）后执行步骤（2.5），图像后处理步骤，对具有分类结果的三维影像数据进行图像后处理，去除散落的岛区域。5.根据权利要求4所述的基于时间信号曲线的灌注动态影像的分割方法，其特征在于：所述步骤（2.5）之后执行步骤（2.6），计算具有分类结果的三维影像数据中各类组织的体积；某...

【专利技术属性】
技术研发人员：史张，阮文峰，
申请(专利权)人：脑玺上海智能科技有限公司，
类型：发明
国别省市：上海,31