基于平扫CT的自动化ASPECTS评分方法、计算机设备、可读存储介质和程序产品技术

本申请涉及一种基于平扫CT的自动化ASPECTS评分方法、计算机设备、可读存储介质和程序产品，方法包括：获得基于平扫CT的影像序列，筛选所述影像序列，获得包括侧脑室相连分界帧的若干关键帧；在若干关键帧上定位大脑镰，大脑镰在所述若干关键帧上表现为分界线；对定位所述分界线的所述若干关键帧进行图像配准，获得用于ASPECTS评分的各对分区；利用训练数据对深度学习模型进行训练，获得评分模型，所述评分模型为多个，对于任意一个评分模型，所述训练数据相应的包括所述若干关键帧的其中一对分区；利用所述评分模型对有待评分的若干关键帧进行ASPECTS评分，获得ASPECTS评分结果。本申请位于分界线两相对侧的各对分区作为评分模型的训练数据，能够提高评分模型的精度。度。度。

Automatic aspects scoring method, computer equipment, readable storage media and program products based on plain scan CT

【技术实现步骤摘要】
基于平扫CT的自动化ASPECTS评分方法、计算机设备、可读存储介质和程序产品


[0001]本申请涉及医学工程领域，特别是涉及一种基于平扫CT的自动化 ASPECTS评分方法、计算机设备、可读存储介质和程序产品。

技术介绍

[0002]脑卒中也称为中风或脑梗，是一种严重威胁人口健康和阻碍社会经济发展的重大疾病。急性缺血性脑卒中作为最常见的卒中类型，约占全部脑卒中的 60％～80％，它是由于局部脑组织供血不足引起的急性脑血管疾病，有着极高的致命风险。
[0003]平扫CT(Non
‑
Contrast CT)也称NCCT，是一种用来诊断脑部病变的最常规的成像技术和方法，它具有成像速度快、扫描方便、价格相对便宜的优点。而基于NCCT的ASPECTS(Alberta Stroke Program Early CT Score)评分是缺血性脑卒中诊断和治疗的一个重要依据。
[0004]该评分方法针对急性脑卒中的病人，依据其颅脑NCCT影像数据，将大脑中动脉供血的重要层面分成10个区域，包括位于基底神经节层面的尾状核头 (C)、豆状核(L)、内囊(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)，以及位于上神经节层面的 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。
[0005]在目前的临床应用中，ASPECTS评分方法主要还是靠临床医生们人工读图来判断每个区域进行评估。一方面，由于影像设备的差异、患者状况的差异和读图人员的主观性，人工读图的方法一直缺乏一定的稳定性。另一方面，人工读图也较为耗时，缺血性脑卒中作为一个时间要求比较紧急的疾病，患者需要争分夺秒的诊断和治疗来避免病情迅速恶化。所以，快速、准确和稳定地对患者进行ASPECTS评分具有重要的临床意义。

技术实现思路

[0006]基于此，有必要针对上述技术问题，提供一种基于平扫CT的自动化 ASPECTS评分方法。
[0007]本申请基于平扫CT的自动化ASPECTS评分方法，包括：
[0008]获得基于平扫CT的影像序列，筛选所述影像序列，获得若干关键帧，所述若干关键帧包括侧脑室相连的分界帧，获得若干关键帧的方式包括：基于平扫CT的影像序列选择样本影像，利用深度学习模型对样本影像进行二分类的深度学习，得到训练完成的筛选模型，利用训练完成的筛选模型筛选输出影像序列的若干关键帧；
[0009]在所述若干关键帧上定位大脑镰，所述大脑镰在所述若干关键帧上表现为分界线；
[0010]对定位所述分界线的所述若干关键帧进行图像配准，获得用于ASPECTS 评分的各对分区，对任意一对分区，进行外接矩形处理和图像插值处理；
[0011]利用训练数据对深度学习模型进行训练，获得评分模型，所述评分模型为多个，对于任意一个评分模型，所述训练数据相应的包括所述若干关键帧的其中一对分区，对于任意一个评分模型，一对分区包括相对于所述分界线处在两相对侧的第一侧分区和第二侧分区，所述训练数据包括第一侧分区相对于所述分界线的镜像、和/或第二侧分区相对于所述分界线的镜像；
[0012]利用所述评分模型对有待评分的若干关键帧进行ASPECTS评分，获得 ASPECTS评分结果。
[0013]可选的，获得基于平扫CT的影像序列，获得若干关键帧的方式具体包括：
[0014]获得基于平扫CT的影像序列，根据基于平扫CT的影像序列获得正立的影像序列；
[0015]根据正立的影像序列依次计算外接矩形、截取外接矩形，获得截取的影像序列；
[0016]在截取的影像序列中选择样本影像，利用深度学习模型对样本影像进行二分类的深度学习，得到训练完成的筛选模型；
[0017]利用训练完成的筛选模型对截取的影像序列进行判断、输出影像序列的若干关键帧，若干关键帧包括侧脑室相连的分界帧。
[0018]可选的，在所述若干关键帧上定位大脑镰，具体包括：
[0019]基于所述若干关键帧截取椭圆，获得若干椭圆形关键帧，在所述若干椭圆形关键帧上定位大脑镰。
[0020]可选的，所述若干椭圆形关键帧上定位大脑镰，具体包括：对所述若干椭圆形关键帧进行二值化处理，得到相应的二值图，将所述二值图的HU值调节到第一阈值，使所述二值图的分界线相对于二值图整体清晰显示，所述分界线为定位的所述大脑镰。
[0021]可选的，在对定位所述分界线的所述若干关键帧进行图像配准时，还包括：根据所述分界线旋转所述若干椭圆形关键帧，使所述分界线竖直，完成精细倾斜校正。
[0022]可选的，所述二分类包括的两种类别分别为属于上神经节层的第一类影像和不属于上神经节层的第二类影像。
[0023]可选的，对于任一个评分模型，所述训练数据包括第一组数据和第二组数据；所述第一组数据包括第一对比图像、以及第二侧分区；所述第二组数据包括第二对比图像、以及第一侧分区；
[0024]所述第一对比图像由所述第一侧分区相对于所述分界线的镜像、以及所述第二侧分区，二者进行图像配准并进行差处理获得；
[0025]所述第二对比图像由所述第二侧分区相对于所述分界线的镜像、以及所述第一侧分区，二者进行图像配准并进行差处理获得。
[0026]本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现本申请所述的基于平扫CT 的自动化ASPECTS评分方法的步骤。
[0027]本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请所述的基于平扫CT的自动化ASPECTS评分方法的步骤。
[0028]本申请还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执
行时实现本申请所述的基于平扫CT的自动化ASPECTS评分方法的步骤。
[0029]本申请基于平扫CT的自动化ASPECTS评分方法至少具有以下效果：
[0030]本申请定位若干关键帧上的分界线、在定位后进行图像配准，配准后，位于分界线两相对侧的各对分区作为评分模型的训练数据。由于分界线两相对侧的图像信息对于脑梗死的判断有辅助判断作用，因此包括各对分区的训练数据能够提高评分模型的精度，对于脑形状不对称的病例更为适用。
附图说明
[0031]图1为本申请一实施例中基于平扫CT的自动化ASPECTS评分方法的流程示意图；
[0032]图2为本申请一实施例中正立影像序列的外接矩形的示意图；
[0033]图3图2截取70％长宽后的影像示意图；
[0034]图4为本申请一实施例中的基于平扫CT的影像序列示意图；
[0035]图5为本申请一实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于平扫CT的自动化ASPECTS评分方法，其特征在于，包括：获得基于平扫CT的影像序列，筛选所述影像序列，获得若干关键帧，所述若干关键帧包括侧脑室相连的分界帧，获得若干关键帧的方式包括：基于平扫CT的影像序列选择样本影像，利用深度学习模型对样本影像进行二分类的深度学习，得到训练完成的筛选模型，利用训练完成的筛选模型筛选输出影像序列的若干关键帧；在所述若干关键帧上定位大脑镰，所述大脑镰在所述若干关键帧上表现为分界线；对定位所述分界线的所述若干关键帧进行图像配准，获得用于ASPECTS评分的各对分区，对任意一对分区，进行外接矩形处理和图像插值处理；利用训练数据对深度学习模型进行训练，获得评分模型，所述评分模型为多个，对于任意一个评分模型，所述训练数据相应的包括所述若干关键帧的其中一对分区，对于任意一个评分模型，一对分区包括相对于所述分界线处在两相对侧的第一侧分区和第二侧分区，所述训练数据包括第一侧分区相对于所述分界线的镜像、和/或第二侧分区相对于所述分界线的镜像；利用所述评分模型对有待评分的若干关键帧进行ASPECTS评分，获得ASPECTS评分结果。2.根据权利要求1所述的自动化ASPECTS评分方法，其特征在于，获得若干关键帧的方式具体包括：获得基于平扫CT的影像序列，根据基于平扫CT的影像序列获得正立的影像序列；根据正立的影像序列依次计算外接矩形、截取外接矩形，获得截取的影像序列；在截取的影像序列中选择样本影像，利用深度学习模型对样本影像进行二分类的深度学习，得到训练完成的筛选模型；利用训练完成的筛选模型对截取的影像序列进行判断、输出影像序列的若干关键帧，若干关键帧包括侧脑室相连的分界帧。3.根据权利要求1所述的自动化ASPECTS评分方法，其特征在于，在所述若干关键帧上定位大脑镰，具体包括：基于所述若干关键帧截取椭圆，获得若干椭圆形关键帧，在所述若干椭圆形关键帧上定位大脑镰。4.根...

【专利技术属性】
技术研发人员：刘凯政，鲁伟，冷晓畅，向建平，
申请(专利权)人：杭州脉流科技有限公司，
类型：发明
国别省市：