【技术实现步骤摘要】
一种计算非增强CT的ASPECTS评分方法
本专利技术涉及医疗影像及计算机领域，具体涉及一种计算非增强CT的ASPECTS评分方法。
技术介绍
Alberta卒中项目早期CT评分(AlbertaStrokeProgramEarlyCTScore，ASPECTS)是评价缺血性卒中患者大脑中动脉供血区早期缺血改变的一种简单、可靠和系统的方法。主要基于非增强CT扫描（NCCT），在CT影像上选取大脑中动脉供血区中2个层面的10个区域，如图1所示为一侧的10个区域，对侧与所示区域完全对称：①核团层面(即丘脑和纹状体平面)，分为M1、M2、M3、岛叶I、豆状核L、尾状核C和内囊后肢IC7个区域；②核团以上层面(在核团水平面上方2cm)，包括M4、M5和M6。两者的界限为尾状核头部，在横断面CT影像中，任何位于尾状核及其以下层面的缺血性改变均定义为核团层面缺血，而在尾状核头部层面以上的缺血性改变则定义为核团上层面缺血。这10个区域的权重相同，都为1分，实行扣分制，满分10分。扣分依据为该区域有可识别的缺血区域。目前ASPECTS...
【技术保护点】
1.一种计算非增强CT的ASPECTS评分方法，其特征在于，包括如下步骤：/n步骤1：获取脑缺血非增强CT影像数据，并提取目标区域；目标区域为非增强CT影像数据中用于评分的区域，分别为尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共10个区域；/n步骤2：对各区域是否缺血进行标记；同时由3名及以上的奇数名专家对同一个区域进行是否缺血的标记；/n步骤3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型；输入数据为待测图像，左右脑同一对应区域的掩模图像以及是否缺血的分类标签；/n步骤4：将待测脑缺血非增强CT影像数据输入所述步骤3中训练...
【技术特征摘要】
1.一种计算非增强CT的ASPECTS评分方法，其特征在于，包括如下步骤：
步骤1：获取脑缺血非增强CT影像数据，并提取目标区域；目标区域为非增强CT影像数据中用于评分的区域，分别为尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共10个区域；
步骤2：对各区域是否缺血进行标记；同时由3名及以上的奇数名专家对同一个区域进行是否缺血的标记；
步骤3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型；输入数据为待测图像，左右脑同一对应区域的掩模图像以及是否缺血的分类标签；
步骤4：将待测脑缺血非增强CT影像数据输入所述步骤3中训练好的分类模型中，得到分类结果；
步骤5：根据所述步骤4中得到的分类结果计算ASPECTS评分；
所述步骤3具体包括：网络模型由卷积层，最大池化层，全连接层与softmax分类器构成；所述卷积层包括卷积核、BatchNorm与Relu激活函数，后续卷积层尺寸均指其卷积核大小；网络模型结构为顺序连接以下模块：连续2个64通道的步长为1的5×5卷积层，2×2大小的最大池化层，连续2个128通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续2个256通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续4个512通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续4个512通道的步长为1的3×3卷积层，2×2大小的最大池化层，4096个单元的全连接层，1024个单元的全连接层，soft-max分类器；输出为当前对应区域是否缺血的标签。
2.根据权利要求1所述的计算非增强CT的ASPECTS评分方法，其特征在于，所述步骤1中，具体方法为：
根据已经标记的模板数据，使用配准方法进行目标区域配准，得到图像中每个像素的标签，标签与目标区域一一对应，像素点不属于目标区域时，归类为背景区域；具有标签的像素集合为区域标签图像；配准方法包括但不限于：刚性配准、仿射配准、非刚性配准方法。
3.根据权利要求1所述的计算非增强CT的ASPECTS评分方法，其特征在于，所述步骤2具体包括：有一半以上专家标记为缺血的区域的分类标签为缺血，分类标签不是缺血的标记...
【专利技术属性】
技术研发人员：杨旗，边钺岩，
申请(专利权)人：南京钺曦医疗科技有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。