一种基于雾计算的脑卒中初步诊断评估系统技术方案

本发明专利技术属于脑卒中初步诊断评估技术领域，公开了一种基于雾计算的脑卒中初步诊断评估系统，所述基于雾计算的脑卒中初步诊断评估系统包括：脑电波检测模块、血压检测模块、脑图像采集模块、中央控制模块、血管堵塞识别模块、图像分割模块、诊断模块、评估模块、显示模块。本发明专利技术通过血管堵塞识别模块实现了对脑血管堵塞的有效识别，进而为后续的手术或医疗流程提供了技术支持；同时，通过图像分割模块结合大脑解剖先验知识进行多任务训练，提高了卷积神经网络在NCCT卒中病灶自动分割方法的性能，能准确分割出急性缺血性卒中病灶。准确分割出急性缺血性卒中病灶。准确分割出急性缺血性卒中病灶。

【技术实现步骤摘要】
一种基于雾计算的脑卒中初步诊断评估系统


[0001]本专利技术属于脑卒中初步诊断评估
，尤其涉及一种基于雾计算的脑卒中初步诊断评估系统。

技术介绍

[0002]“脑卒中”(cerebral stroke)又称“中风”、“脑血管意外”(cerebralvascularaccident，CVA)。是一种急性脑血管疾病，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性卒中。缺血性卒中的发病率高于出血性卒中，占脑卒中总数的60％～70％。颈内动脉和椎动脉闭塞和狭窄可引起缺血性脑卒中，年龄多在40岁以上，男性较女性多，严重者可引起死亡。出血性卒中的死亡率较高。不同类型的脑卒中，其治疗方式不同。由于一直缺乏有效的治疗手段，认为预防是最好的措施，其中高血压是导致脑卒中的重要可控危险因素，因此，降压治疗对预防卒中发病和复发尤为重要。应加强对全民普及脑卒中危险因素及先兆症状的教育，才能真正防治脑卒中；然而，现有基于雾计算的脑卒中初步诊断评估系统不能对脑血管堵塞进行准确识别；同时，对脑图像分割不准确。
[0003]通过上述分析，现有技术存在的问题及缺陷为：
[0004](1)现有基于雾计算的脑卒中初步诊断评估系统不能对脑血管堵塞进行准确识别。
[0005](2)对脑图像分割不准确。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术提供了一种基于雾计算的脑卒中初步诊断评估系统。
[0007]本专利技术是这样实现的，一种基于雾计算的脑卒中初步诊断评估系统包括：
[0008]脑电波检测模块、血压检测模块、脑图像采集模块、中央控制模块、血管堵塞识别模块、图像分割模块、诊断模块、评估模块、显示模块；
[0009]脑电波检测模块，与中央控制模块连接，用于检测患者脑电波数据；
[0010]血压检测模块，与中央控制模块连接，用于检测患者血压数据；
[0011]脑图像采集模块，与中央控制模块连接，用于采集患者脑CT图像数据；
[0012]中央控制模块，与脑电波检测模块、血压检测模块、脑图像采集模块、血管堵塞识别模块、图像分割模块、诊断模块、评估模块、显示模块连接，用于控制各个模块正常工作；
[0013]血管堵塞识别模块，与中央控制模块连接，用于对脑血管堵塞进行识别；
[0014]图像分割模块，与中央控制模块连接，用于对脑CT图像进行分割；
[0015]诊断模块，与中央控制模块连接，用于根据脑电波、血压、脑图像对脑卒中进行诊断；
[0016]评估模块，与中央控制模块连接，用于对患者脑卒中进行评估；
[0017]显示模块，与中央控制模块连接，用于显示脑电波、血压、脑图像、识别结果、诊断结果、评估结果。
[0018]进一步，所述脑图像采集模块采集患者脑CT图像数据并进行图像增强，具体如下：
[0019]1)、提供一由呈矩阵式排布的多个像素组成的图像，并将该图像转换为灰阶图；
[0020]2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1；
[0021]每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为：
[0022]Q1＝abs(Gray(i，j)－Gray(i+1，j))；
[0023]第一灰阶值权重k1的计算公式为：
[0024][0025]其中，同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255， n为大于1的正整数；
[0026]依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算，计算公式为：
[0027][0028]其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i+1,j)为第i+1行第j列像素的灰阶值，H1(a)为灰阶值为a的像素数量，C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1，j)之间各个灰阶值对应的像素数量之和；
[0029]3)、计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2；
[0030]每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为：
[0031]Q2＝abs(Gray(i，j)－Gray(i，j+1))；
[0032]第二灰阶值权重k2的计算公式为：
[0033][0034]其中，同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255， n为大于1的正整数且与步骤2)中的取值相同；
[0035]依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算，计算公式为：
[0036][0037]其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i,j+1)为第i行第j+1列像素的灰阶值，H3(a)为灰阶值为a的像素数量，C3(X)为从灰阶值Gray(i,j)到灰阶值Gray(i，j+1)之间各个灰阶值对应的像素数量之和；
[0038]4)、将步骤2)中的C1(X)与步骤3)中C3(x)相加得到C(X)；
[0039]C(X)＝C1(X)+C3(X)；
[0040]5)、最大值归一化，计算公式为：
[0041][0042]再将N(X)乘以255计算得到增强灰阶表out(X)，并通过查表得到新的输出灰阶值out_gray(i,j)。
[0043]进一步，所述血管堵塞识别模块识别方法如下：
[0044]1)配置CT设备参数，通过CT设备获取大脑的标准CT影像并进行血管造影，分别得到多个阶段的血管造影影像集；对CT影像进行增强处理；
[0045]2)对多个阶段的血管造影影像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影影像集进行血管分割处理，生成得到多个阶段的二维最大强度投影影像；
[0046]3)依据多个阶段的二维最大强度投影影像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型；对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为脑血管堵塞识别模型。
[0047]进一步，所述获取大脑的标准CT影像并进行血管造影，分别得到多个阶段的血管造影影像集，包括如下步骤：
[0048]获取大脑的标准CT影像；
[0049]依据所述标准CT影像进行血管造影，分别汇总得到第一阶段血管造影影像集、第二阶段血管造影影像集以及第三阶段血管造影影像集，其中，所述第一阶段血管造影影像集是在动脉高峰期从主动脉弓到顶点采集所得，所述第二阶段血管造影影像集是在峰值静脉期从颅底到顶点采集所得，所述第三阶段血管造影影像集是在晚期静脉期从颅底到顶点采集所得。
[0050]进一步，所述对多个阶段的血管造影影像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影影像集进行血管分割处理，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于雾计算的脑卒中初步诊断评估系统，其特征在于，所述基于雾计算的脑卒中初步诊断评估系统包括：脑电波检测模块、血压检测模块、脑图像采集模块、中央控制模块、血管堵塞识别模块、图像分割模块、诊断模块、评估模块、显示模块；脑电波检测模块，与中央控制模块连接，用于检测患者脑电波数据；血压检测模块，与中央控制模块连接，用于检测患者血压数据；脑图像采集模块，与中央控制模块连接，用于采集患者脑CT图像数据；中央控制模块，与脑电波检测模块、血压检测模块、脑图像采集模块、血管堵塞识别模块、图像分割模块、诊断模块、评估模块、显示模块连接，用于控制各个模块正常工作；血管堵塞识别模块，与中央控制模块连接，用于对脑血管堵塞进行识别；图像分割模块，与中央控制模块连接，用于对脑CT图像进行分割；诊断模块，与中央控制模块连接，用于根据脑电波、血压、脑图像对脑卒中进行诊断；评估模块，与中央控制模块连接，用于对患者脑卒中进行评估；显示模块，与中央控制模块连接，用于显示脑电波、血压、脑图像、识别结果、诊断结果、评估结果。2.如权利要求1所述基于雾计算的脑卒中初步诊断评估系统，其特征在于，所述脑图像采集模块采集患者脑CT图像数据并进行图像增强，具体如下：1)、提供一由呈矩阵式排布的多个像素组成的图像，并将该图像转换为灰阶图；2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1；每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为：Q1＝abs(Gray(i，j)－Gray(i+1，j))；第一灰阶值权重k1的计算公式为：其中，同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255，n为大于1的正整数；依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算，计算公式为：其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i+1,j)为第i+1行第j列像素的灰阶值，H1(a)为灰阶值为a的像素数量，C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1，j)之间各个灰阶值对应的像素数量之和；3)、计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2；每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为：Q2＝abs(Gray(i，j)－Gray(i，j+1))；第二灰阶值权重k2的计算公式为：
其中，同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255，n为大于1的正整数且与步骤2)中的取值相同；依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算，计算公式为：其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i,j+1)为第i行第j+1列像素的灰阶值，H3(a)为灰阶值为a的像素数量，C3(X)为从灰阶值Gray(i,j)到灰阶值Gray(i，j+1)之间各个灰阶值对应的像素数量之和；4)、将步骤2)中的C1(X)与步骤3)中C3(x)相加得到C(X)；C(X)＝C1(X)+C3(X)；5)、最大值归一化，计算公式为：再将N(X)乘以255计算得到增强灰阶表out(X)，并通过查表得到新的输出灰阶值out_gray(i,j)。3.如权利要求1所述基于雾计算的脑卒中初步诊断评估系统，其特征在于，所述血管堵塞识别模块识别方法如下：1)配置CT设备参数，通过CT设备获取大脑的标准CT影像并进行血管造影，分别得到多个阶段的血管造影影像集；对CT影像进行增强处理；2)对多个阶段的血管造影影像集进行预处理，随后针对每个阶段的、经过预处理后的血管造影影像集进行血管分割处理，生成得到多个阶段的二维最大强度投影影像；3)依据多个阶段的二维最大强度投影影像进行训练集组合创建，得到多组模型训练集，使用多组模型训练集逐一进行深度学习模型训练，得到多个深度学习模型；对多个深度学习模型进行诊断性能评估，选取评估结果最优的一个深度学习模型作为脑血管堵塞识别模型。4.如权利要求3所述基于雾计算的脑卒中初步诊断评估系统，其特征在于，所述获取大脑的标准CT影像并进行血管造影，分别得到多个阶段的血管造影影像集，包括如下步骤：获取大脑的标准CT影像；依据所述标准CT影像进行血管造影，分别汇总得到第一阶段血管造影影像集、第二阶段血管造影影像集以及第三阶段血管造影影像集，其中，所述第一阶段血管造影影像集是在动脉高峰期从主动脉弓到顶点采集所得，所述第二阶段血管造影影像集是在峰值静脉期从颅底到顶点采集所得，所述第三阶段血管造影影像集是在晚期静脉期从颅底到顶点采集所得。5.如权利要求3所述基于雾计算的脑卒中初步诊断评估系统，其特征在于，所述对多个阶段的...

【专利技术属性】
技术研发人员：王穆，汤永红，陈勇军，让欧艳，
申请(专利权)人：南华大学附属南华医院，
类型：发明
国别省市：