区域分割方法及装置制造方法及图纸

本发明专利技术公开了一种区域分割方法及装置，通过提取脑组织图像的像素值；将灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射；使用超像素分割技术生成每个参数图的超像素图像；将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；将所有超像素图像的特征向量的总和定义为第二特征矩阵；将第一特征矩阵和第二特征矩阵组合得到总矩阵；通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域。本发明专利技术采取全自动算法分割半暗带和缺血核心区域，相比传统的分割技术，分割更加精细化，也大大缩短了分割时间，提升了分割效率。率。率。

【技术实现步骤摘要】
区域分割方法及装置


[0001]本申请涉及医学图像处理
，具体而言，涉及一种区域分割方法、装置、计算机设备和存储介质。

技术介绍

[0002]对于缺血区域的分割，一般是采用“基于计算机断层扫描灌注技术后的手动分割”技术，通过计算机断层扫描灌注(CTP)的方式，在CTP中在造影剂注射期间获取时间序列的三维(3D)数据集。根据组织密度随时间的变化，计算颜色编码的参数图，通过评估这些参数图来间接评估缺血核心区和半暗带。手动分割技术虽然依照患者实际情况进行分割并采取有效的治疗决策，但手动分割技术耗时过长，所以需要自动化的分割技术来进行缺血区域分割，故此应运产生了第二种方法“基于像素信息提取图像连通区域的半自动分割(以下简称半自动分割)”技术。
[0003]但半自动分割技术仅用于使用3D T2快速自旋回声磁共振成像(MRI)的脑梗死面积，且分割目标是描绘缺血区域，而不是将缺血核心区和半暗带区分开来。因此并不能完成缺血区域的分割。随着对自动化分割技术的需求进一步加深，研发出了第三种方法“基于机器学习(ML)和卷积神经网络(CNN)算法自动化分割”技术。
[0004]“基于机器学习(ML)和卷积神经网络(CNN)算法自动化分割”技术产生于近年，随着ML和CNN算法在大量医学图像分析应用中取得可喜成果，也进入了缺血性脑卒中应用。例如：以参数映射输入和临床数据的广义线性组织模型量化组织梗死变化；用非对比计算机断层扫描(NCCT)输入，随访磁共振扩散加权成像(DWI)作为标准答案的急性缺血性脑卒中患者早期梗死检测算法；基于CNN的半自动方法，对缺血核心进行分类。但是以上算法只被训练来分类缺血核心区域，而没有发现半暗带区域。除了上述的自动分割算法，还创建了以多相CTA输入，DWI/NCCT随访图像作为标准答案算法预测缺血核心区域和半暗带，但主要目标是证明多相血管造影检查(CTA)与CTP成像相比在评估缺血区域的有效性，且使用随访图像来描绘缺血区域限制了医生的可用性，可能无助于治疗决策，只是与临床结果进行比较，其数据材料仍存在局限性。
[0005]针对上述相关技术中所存在的手动分割技术时间过长、半自动分割技术无法分割缺血区域中缺血核心区域和半暗带、“基于ML和CNN算法自动化分割”技术的图像及数据材料的局限性的诸多问题，目前尚未提出有效的解决方案。

技术实现思路

[0006]本专利技术实施例提供一种区域分割方法、装置、计算机设备和存储介质，用以解决相关技术中所存在的分割时间过长、无法分割缺血区域中缺血核心区域和半暗带、以及图像及数据材料的局限性的问题。
[0007]为了实现上述目的，本专利技术实施例的第一方面，提供一种区域分割方法，包括：
[0008]获取脑组织图像，并提取所述脑组织图像的像素值；
[0009]将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
[0010]使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像、峰值时间超像素图像和达峰时间超像素图像；
[0011]通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
[0012]通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
[0013]将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
[0014]根据所述总矩阵，通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域。
[0015]可选地，在第一方面的一种可能实现方式中，所述机器学习算法包括决策树学习算法和随机森林算法。
[0016]可选地，在第一方面的一种可能实现方式中，所述通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，包括：
[0017][0018]其中，n代表脑血流量参考图、脑血容量参考图、峰值时间参考图和达峰时间参考图中的任意一种，Xn代表脑血流量特征向量、脑血容量特征向量、峰值时间特征向量和达峰时间特征向量中的任意一种，BT代表脑组织的像素值，stack代表堆栈函数。
[0019]本专利技术实施例的第二方面，还提供一种区域分割方法，所述方法包括步骤1和步骤2，
[0020]所述步骤1，包括：
[0021]获取脑组织图像，并提取所述脑组织图像的像素值；
[0022]将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；
[0023]使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括峰值时间超像素图像、达峰时间超像素图像；
[0024]通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；
[0025]通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
[0026]将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
[0027]根据所述总矩阵，通过SVM算法对半暗带进行分割，输出半暗带的二值图像；
[0028]所述步骤2，包括：
[0029]获取脑组织图像，并提取所述脑组织图像的像素值；
[0030]将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图；
[0031]使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像；
[0032]通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量的总和定义为第一特征矩阵；
[0033]通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；
[0034]将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；
[0035]根据所述总矩阵，通过SVM算法对缺血核心区域进行分割，输出缺血核心区域的二值图像。
[0036]本专利技术实施例的第三方面，提供一种区域分割装置，包括：
[0037]脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；
[0038]映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；...

【技术保护点】

【技术特征摘要】
1.一种区域分割方法，其特征在于，包括：获取脑组织图像，并提取所述脑组织图像的像素值；将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像、峰值时间超像素图像和达峰时间超像素图像；通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；根据所述总矩阵，通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区域。2.根据权利要求1所述的区域分割方法，其特征在于，所述机器学习算法包括决策树学习算法和随机森林算法。3.根据权利要求1所述的区域分割方法，其特征在于，所述通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，包括：其中，n代表脑血流量参考图、脑血容量参考图、峰值时间参考图和达峰时间参考图中的任意一种，Xn代表脑血流量特征向量、脑血容量特征向量、峰值时间特征向量和达峰时间特征向量中的任意一种，BT代表脑组织的像素值，stack代表堆栈函数。4.一种区域分割方法，其特征在于，所述方法包括步骤1和步骤2，所述步骤1，包括：获取脑组织图像，并提取所述脑组织图像的像素值；将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括峰值时间超像素图像、达峰时间超像素图像；通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量，NIHSS评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征矩阵；通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；根据所述总矩阵，通过SVM算法对半暗带进行分割，输出半暗带的二值图像；所述步骤2，包括：
获取脑组织图像，并提取所述脑组织图像的像素值；将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图；使用超像素分割技术，生成映射后的每个参数图的超像素图像，包括脑血流量超像素图像、脑血容量超像素图像；通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量，将所有参考图的特征向量的总和定义为第一特征矩阵；通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量，将所有超像素图像的特征向量的总和定义为第二特征矩阵；将所述第一特征矩阵和第二特征矩阵组合得到总矩阵；根据所述总矩阵，通过SVM算法对缺血核心区域进行分割，输出缺血核心区域的二值图像。5.一种区域分割装置，其特征在于，包括：脑组织获取模块，用于获取脑组织图像，并提取所述脑组织图像的像素值；映射模块，用于将CT引导下的灌注扫描数据集中的参数图分别与脑组织图像的像素值进行参数映射，所述数据集包括脑血流量参考图、脑血容量参考图、峰值时间参考图、达峰时间参考图、脑部MIP映射图和NIHSS评分量表；超像素图像生成模块，用于使用超像素分割技术，生成映射后的每个...

【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，徐鹏，赵友源，庞盼，陈磊，
申请(专利权)人：同心医联科技北京有限公司，
类型：发明
国别省市：