急性缺血性脑卒中病灶区的自动量化及三维建模方法技术

本发明专利技术公开了一种急性缺血性脑卒中病灶区的自动量化及三维建模方法，包括：对DWI序列的脑部图像进行去颅骨操作；对ADC序列的脑部图像进行去颅骨操作；基于已经去除颅骨的DWI和ADC脑部图像，创建新的磁共振弥散加权影像序列；对病灶区进行分割；对计算出的T1序列的脑部图像进行去颅骨操作；基于已去除颅骨的T1脑部图像，进行两种脑部解剖结构分区；将识别的病灶区域映射至两种脑部解剖结构分区，基于解剖结构分别计算出各个脑部解剖结构的病灶区体积以及占比；基于映射的结果进行三维建模。本发明专利技术能够在短的时间窗内三维立体展示出病灶区在各脑部解剖结构分区的分布形态以及精确快速计算出病灶区域在各脑部解剖结构的体积及占比。体积及占比。体积及占比。

【技术实现步骤摘要】
急性缺血性脑卒中病灶区的自动量化及三维建模方法


[0001]本专利技术涉及临床急性缺血性脑卒中影像处理领域，尤其涉及基于急性缺血性脑卒中病人脑部核磁共振影像不同序列的病灶区自动量化和三维建模方法。

技术介绍

[0002]急性缺血性脑卒中是一种突发的脑血管疾病，在老年群体中发病率较高(Srinivasan, Goyal,Al Azri,&Lum,2006)。在全球范围内，大约74％的患者在卒中发作后由于肢体功能丧 失等原因生活无法自理，给社会带来了巨大的经济负担和人力成本负担(Miller et al.,2010)。
[0003]再灌注治疗是目前国际上公认的在急性期内对缺血性脑卒中最有效的治疗方法(Jivan, Ranchod,&Modi,2013)。再灌注治疗可分为静脉溶栓治疗和机械取栓。静脉溶栓治疗通过药物将血管内的血栓“溶解”，机械取栓通过血管内介入治疗，使用导管将闭塞处的血栓取出。再灌注治疗使得血流再通，挽救脑组织的功能，避免病人在卒中发作后的终身残疾。
[0004]病人病灶区的体积和在不同脑血管供血区域的分布在很大程度上会影响临床医生对于再灌注治疗的决策以及对于病人预后的判断。比如，研究显示如梗死病灶区在MCA大脑中动脉供血区分布广泛，机械取栓的预后不佳(Manceau et al.,2018)；在MCA大脑中动脉梗死的病人中不同形态位置的梗死区域模式对病人的溶栓预后有影像(Liu et al.,2015)；大于70mL的梗死区域对溶栓的预后有较大影响(Tisserand et al.,2016)；前循环颈内动脉系统的梗死和后循环椎基体动脉系统的梗死对于溶栓预后有不同的影响(Keselman et al.,2020)
[0005]因此，在实际临床应用场景中，临床医生通常希望能三维立体地观察病人的病灶区在各脑血管供血区域的分布形态以及精确地得知病灶区在脑血管供血区域的体积及占比，这对于医生精准地制定再灌注治疗方案及预测预后有指导性的意义。由于威利适环的存在以及同一脑血管所供应的实际区域在不同的个体中存在差异，不同脑血管供血区域没有明确的解剖边界，因此病灶区在脑血管供血区域的精准体积及占比较难量化。过往的医学研究因此将此问题转化为，通过观察病灶区在各脑血管供血的核心解剖区域的分布及占比，间接推算出病灶区在各脑血管供血区域的分布形态以及在脑血管供血区域的体积及占比(Barber,Demchuk, Zhang,&Buchan,2000)。
[0006]临床上一般将核磁共振DWI序列的异常高信号区视为此次卒中发作的病灶区。现阶段，对于病人急性期的影像读取均由人工完成。由于人工三维立体空间想象和三维立体分区计算是一件相当费时费力的工程但与此同时脑卒中的黄金治疗时间窗却十分窄，现阶段影像科出示的卒中影像报告对病灶区在各脑部解剖结构分区的分布形态描述较粗糙，也没有对病灶区进行精准的量化计算。因此临床医生对于病人病灶区在各脑解剖结构的形态和占比体积并不能有直观准确地认知，也造成了一定程度上治疗方案的制定失败以及预后预测的不准确。
[0007]因此，现阶段急需一种算法，能够精准快速地实现图像去颅骨、图像脑部解剖结构自动分区、病灶区的自动识别、病灶区与不同脑部解剖结构的映射计算以及三维建模。

技术实现思路

[0008]为解决现有技术的问题，本专利技术提供了一种急性缺血性脑卒中病灶区的自动量化及三维建模方法，基于急性缺血性脑卒中病人的临床核磁共振影像序列三维立体展示出病灶区在各脑部解剖结构分区的分布形态以及精确计算出病灶区在各脑部解剖结构的体积及占比，更精准快速地帮助临床医生在病发急性期制定再灌注治疗方案和预测病人预后。
[0009]本专利技术采用如下技术方案：
[0010]一种急性缺血性脑卒中病灶区的自动量化及三维建模方法，处理初期被分为两条分支(BRANCH)同步进行，两条分支的计算结果最后汇总到主干步骤(MASTER100和MASTER200)进行病灶区域映射合并计算和最终三维建模，两条分支如下：
[0011]BRANCH100：基于核磁共振影像(以下称为MRI)ADC和DWI序列的脑部病灶区自动划分；
[0012]BRANCH200：MRIT1序列脑部解剖结构自动划分。
[0013]其中，BRANCH100包括BRANCH101～BRANCH104；BRANCH200包括BRANCH201和BRANCH202。
[0014]具体的，本专利技术一种急性缺血性脑卒中病灶区的自动量化及三维建模方法，包括：
[0015]BRANCH101，基于Otsu
’
smethod算法(Otsu,1979)对DWI序列的脑部图像进行去颅骨操作；
[0016]BRANCH102，对ADC序列的脑部图像进行去颅骨操作；
[0017]BRANCH103，利用脑已经去除颅骨的DWI和ADC部图像创建新的磁共振弥散加权影像(DWIADCCombinedDiffusionSequence，以下简称为CDsequence)；该序列可以有效排除T2穿透效应的影响；
[0018]BRANCH104，利用开发的3DProgression半自动化算法对病灶区域进行划分。以往的深度学习黑盒算法(Zhaoetal.，2021)将一个完整的三维病灶区视为多个独立的MRI二维切片病灶区，因而损失了较多三维立体空间信息。3DProgression算法将病灶视作一个完整的三维个体，并结合了缺血性血管病灶区由内向外脑血流量(CerebralBloodFlow，CBF)依次升高的特点以对病灶区进行分割；
[0019]BRANCH201，通过DWI和ADC序列计算出T1序列，对T1序列的脑部图像进行去颅骨操作；
[0020]BRANCH202，基于BRANCH201已去除颅骨的影像，运用VoxelMorph算法(Balakrishnanetal.，2019)对病人的脑部解剖结构进行两种自动分区。第一种分区基于传统的解剖结构，完整的解剖结构列表见附录一，在单一解剖结构中，白质和灰质将会被区分。第二种分区基于ASPECTS(AlbertastrokeprogrammeearlyCTscore)评分系统(Barberetal.，2000)，病灶区在不同解剖结构中的分布情况间接反应了其在相应血管供血区域的分布情况，完整的解剖结构列表见附录二；
[0021]MASTER100，将BRANCH104识别的病灶区域映射至BRANCH202的两种脑部解剖结构分区图。我们将按照附录一和附录二中的解剖结构列表分别计算出各个脑部解剖结构的病
灶区体积以及占比；
[0022]MASTER200，基于MASTER100附录一映射的结果进行三维建模，不同的解剖结构分区将会用不同的颜色标出，病灶区会被立体叠加在相应的脑部解剖结构分区上。
[0023]优选的，所述BRANCH101，具体包括：
[0024]B本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种急性缺血性脑卒中病灶区的自动量化及三维建模方法，其特征在于，包括：BRANCH101，对DWI序列的脑部图像进行去颅骨操作；BRANCH102，对ADC序列的脑部图像进行去颅骨操作；BRANCH103，基于已经去除颅骨的DWI和ADC脑部图像，创建新的磁共振弥散加权影像序列CDsequence，以排除T2穿透效应的影响；BRANCH104，将病灶视作一个完整的三维个体，结合缺血性血管病灶区由内向外脑血流量CBF依次升高的特点以对病灶区进行分割；BRANCH201，通过DWI和ADC序列计算出T1序列，对T1序列的脑部图像进行去颅骨操作；BRANCH202，基于已去除颅骨的T1脑部图像，进行两种脑部解剖结构分区；MASTER100，将BRANCH104识别的病灶区域映射至BRANCH202的两种脑部解剖结构分区，基于解剖结构列表分别计算出各个脑部解剖结构的病灶区体积以及占比；MASTER200，基于MASTER100映射的结果进行三维建模，不同的解剖结构分区使用不同的标注，并将病灶区立体叠加在相应的脑部解剖结构分区上。2.根据权利要求1所述的急性缺血性脑卒中病灶区的自动量化及三维建模方法，其特征在于，所述BRANCH101，具体包括：BRANCH101
‑
1，利用Otsu
’
s method算法基于DWI序列上的信号值计算出能够区分颅骨和脑部组织的一个信号值阙值threshold；BRANCH101
‑
2，基于所述阙值和原DWI序列生成脑部组织的掩膜Mbt，即原DWI序列上的信号大于所述阙值的区域在Mbt上的相应值为1，反之则为0；应用Python skimage包label算法将Mbt划分成不同的三维连通分量，其中拥有体素数量最多的三维连通分量即为脑组织掩膜，依据此更新Mbt；BRANCH101
‑
3，将脑部组织的掩膜Mbt映射至原DWI序列，得到去除颅骨的DWI序列DWIbt；DWIbt＝DWI
×
Mbt。3.根据权利要求2所述的急性缺血性脑卒中病灶区的自动量化及三维建模方法，其特征在于，所述BRANCH102，具体包括：将BRANCH101得到的脑部组织的掩膜Mbt映射至原ADC序列，得到去除颅骨的ADC序列ADCbt；ADCbt＝ADC
×
Mbt。4.根据权利要求3所述的急性缺血性脑卒中病灶区的自动量化及三维建模方法，其特征在于，所述BRANCH103，具体包括：BRANCH103
‑
1，对DWIbt图像进行特征缩放，使图像上所有的信号值在[0，1]范围之内；BRANCH103
‑
2，对ADCbt图像进行特征缩放，使图像上所有的信号值在[0，1]范围之内；BRANCH103
‑
3，计算经过特征缩放过的DWIbt和ADCbt的信号差值图像，并将信号值的范围区间进行平移确保信号值的最小值为非负数，得到新的磁共振弥散加权影像序列CDsequence。5.根据权利要求4所述的急性缺血性脑卒中病灶区的自动量化及三维建模方法，其特征在于，所述BRANCH104，具体包括：BRANCH104
‑
1，在医生提供的病灶区切片上自动识别信号最高点HI
i
；其中，i为三维病灶数量计数变量，初始值为0；BRANCH104
‑
2，获取医生在人机互动界面上调整的延伸度变量PDi的数值；
BRANCH104
‑
3，创建病灶区掩膜Lmask
i
，HI
i
所在区域在Lmask
i
上所对应数值为1，其余区域数值为0；BRANCH104
‑
4，设置延伸度变量计数变量k，k的初始值为0；当k＜PD
i
时，执行如下操作：应用Python skimage包的expand_labels算法，将与Lmask
i
上初始数值为l的体素Voxel距离为1的三维连通分量所对应的体素数值均标记为1，得到掩膜ExpandLesion；创建新的掩膜NewLesion＝ExpandLesion
‑
Lmask
i
；NewLesion上体素值为1的体素为算法在此次新循环中新标记的三维连通分量体素；将NewLesion映射至CDsequence；ExpandThreshold＝max(CDsequence
×
NewLesion)；ExpandThreshold为新标记的体素在创建的新的磁共振弥散加权影像CDsequence上的最大信号值；在掩膜NewLesion上将CDsequence数值小于ExpandThreshold的体素重新标记为0；NewLesion中数值为1的区域即为此次新循环中将要被标记为新病灶区的体素；更新病灶区掩膜Lmask
i
＝Lmask
i
+NewLesion；计数变量k数值加1；BRANCH104
‑
5，增大PD
i
数值并对比识别结果和DWI原图像，自动重复BRANCH104
‑
4中的算法以不断更新Lmask
i
，识别病灶区不断向外延伸；当识别病灶区完全覆盖信号异常区时，停止调整增大PD
i
数值，单个三维病灶区识别结束；BRANCH104
‑
6，当增大PD
i
数值使识别病灶区覆盖原DWI图像上非信号异常区时，缩小PD
i
数值使其仅覆盖信号异常区，并获取“下一独立病灶识别”指令；计数变量i数值加1；自动更新识别剩余病灶切片上的信号最高点HI
i
；BRANCH104
‑
7，自动重复BRANCH104
‑
2至BRANCH104
‑
6；BRANCH104
‑
8，当识别区域覆盖全部原DWI上信号异常区域时三维病灶区识别结束，最终病灶区掩膜Lmask＝∑Lmask
i
。6.根据权利要求5所述的急性缺血性脑卒中病灶区的自动量化及三维建模方法，其特征在于，所述BRANCH201，具体包括：依据DWI和ADC序列计算出T2序列，将BRANCH101得到的脑部组织的掩膜Mbt映射至T2序列，得到去除颅骨的T2序列T2bt，T2bt＝T2
×
Mbt；对T2bt图像进行特征缩放，使图像上所有的信号值在[0，1...

【专利技术属性】
技术研发人员：邵汇灵，
申请(专利权)人：马琪林厦门大学附属第一医院，
类型：发明
国别省市：