本发明专利技术涉及图像处理技术领域，具体是一种低密度梗死区分割方法、分析方法、装置、系统、设备及介质，所述低密度梗死区分割方法包括：获取目标脑部组织的目标计算机断层扫描图像；将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理，所述梗死区分割模型基于计算机断层扫描图像数据集对预设的图像分割网络进行深度学习训练得到，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；获取所述梗死区分割模型输出的所述目标脑部组织的低密度梗死区分割图像。本发明专利技术的低密度梗死区分割方法，能够快速准确地分割出计算机断层扫描图像中的低密度梗死区，并且提高低密度梗死区分割结果的准确性和可靠性。的准确性和可靠性。的准确性和可靠性。
【技术实现步骤摘要】
低密度梗死区分割方法、分析方法、装置、系统、设备及介质
[0001]本专利技术涉及图像处理
，特别涉及一种低密度梗死区分割方法、分析方法、装置、系统、设备及介质。
技术介绍
[0002]缺血性脑卒中是一种常见的脑血管疾病，一直以来都严重危害着人体健康，其发病率、致残率和病死率都非常高。如何快速有效地诊断缺血性脑卒中是当前临床工作中的重要研究课题。
[0003]目前，计算机断层扫描（Computer Tomography，CT）影像学评估已经成为急性缺血性脑卒中救治工作中的重要一环。其中，非对比CT（Non
‑
Contrast CT，NCCT）成像技术已被广泛用于临床评估急性缺血性脑梗死的严重程度。由于脑梗死在NCCT图像上的常见征象之一为脑实质低密度，因此传统方法可以采用人工勾画NCCT图像中的低密度梗死区，但存在以下缺陷：1）对操作者资质要求较高；2）耗时，效率较低；3）可重复性低。
[0004]近年来，深度学习技术在图像分割领域取得了巨大的进展，其可大幅度提升图像分割的准确率，并被逐渐用于自动分割NCCT图像上的低密度梗死区。然而，一方面低密度梗死区与正常脑实质信号差异较小，往往需要采用窄窗技术（例如窗宽50，窗位30）才能发现明显的视觉差异，甚至存在部分低密度影如大脑灰白质界限消失，即使采用窄窗技术也难以发现；另一方面，部分低密度梗死区与脑脊液信号值重叠，易受脑脊液及成像伪影的干扰。这些因素导致目前基于深度学习技术自动分割NCCT图像上的低密度梗死区的方案，仍然存在分割准确率较低（Dice系数<0.5）、对新数据泛化能力不足等问题。
[0005]此外，目前对于NCCT图像上的低密度梗死区的量化统计分析仅局限于体积，缺乏实现更为精确细致的量化统计分析的自动化方法。
技术实现思路
[0006]针对现有技术的上述问题，本专利技术的目的在于提供一种低密度梗死区分割方法、分析方法、装置、系统、设备及介质，能够提高低密度梗死区分割结果的准确性和可靠性。
[0007]为了解决上述问题，本专利技术提供一种低密度梗死区分割方法，包括：获取目标脑部组织的目标计算机断层扫描图像；将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理，所述梗死区分割模型基于计算机断层扫描图像数据集对预设的图像分割网络进行深度学习训练得到，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；获取所述梗死区分割模型输出的所述目标脑部组织的低密度梗死区分割图像。
[0008]进一步地，所述目标计算机断层扫描图像包括非对比计算机断层扫描图像、计算机断层扫描灌注图像或者计算机断层扫描血管造影图像。
[0009]进一步地，所述将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模
型中进行分割处理包括：将所述目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到第一低密度梗死区分割结果；将所述目标计算机断层扫描图像进行翻转操作，得到翻转后的目标计算机断层扫描图像；其中，所述翻转操作包括前后翻转和/或左右翻转；将所述翻转后的目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到第二低密度梗死区分割结果；对所述第一低密度梗死区分割结果和所述第二低密度梗死区分割结果进行加权平均，得到所述目标脑部组织的低密度梗死区分割图像并输出。
[0010]进一步地，所述梗死区分割模型由多个不同的子分割模型组成；所述将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：将所述目标计算机断层扫描图像分别输入至各个所述子分割模型中进行分割处理，得到对应的第三低密度梗死区分割结果；对各个所述子分割模型对应的第三低密度梗死区分割结果进行加权平均，得到所述目标脑部组织的低密度梗死区分割图像并输出。
[0011]进一步地，所述方法还包括：对所述目标计算机断层扫描图像进行预处理操作，得到预处理后的目标计算机断层扫描图像；其中，所述预处理操作包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作；其中，将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：将所述预处理后的目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理。
[0012]进一步地，所述方法还包括：对所述目标脑部组织的低密度梗死区分割图像进行后处理操作，得到后处理后的低密度梗死区分割图像；其中，所述后处理操作包括空洞填充操作和/或连通性分析操作。
[0013]进一步地，所述方法还包括预先训练所述梗死区分割模型，所述梗死区分割模型的训练过程包括：获取计算机断层扫描图像数据集，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行低密度梗死区标注，得到对应的低密度梗死区标注结果；基于所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据及其对应的低密度梗死区标注结果，对预设的图像分割网络进行深度学习训练，得到所述梗死区分割模型。
[0014]进一步地，所述梗死区分割模型的训练过程还包括：
分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行预处理操作，得到预处理后的计算机断层扫描图像数据；其中，所述预处理操作包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作。
[0015]本专利技术另一方面提供一种低密度梗死区分析方法，包括：获取目标脑部组织的低密度梗死区分割图像，所述低密度梗死区分割图像基于梗死区分割模型确定；确定所述梗死区分割模型对应的模板图像，以及所述模板图像对应的供血区域地图，所述模板图像基于训练所述梗死区分割模型的训练图像数据集确定；基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像；将所述模板图像空间的低密度梗死区分割图像映射至所述供血区域地图，以得到所述低密度梗死区分割图像中低密度梗死区的区域分布信息。
[0016]进一步地，所述基于所述模板图像将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像包括：获取生成所述低密度梗死区分割图像的所述目标脑部组织的目标图像数据；将所述目标图像数据与所述模板图像进行非刚性配准，得到配准完成后的配准变换参数；根据所述配准变换参数将所述低密度梗死区分割图像配准至模板图像空间，得到模板图像空间的低密度梗死区分割图像。
[0017]进一步地，所述方法还包括：确定训练所述梗死区分割模型的训练图像数据集；根据所述训练图像数据集构建所述梗死区分割模型对应的模板图像；基于所述模板图像生成与之对应的供血区域地图。
[0018]进一步地，所述低密度梗死区分割图像采用如上述的低密度梗死区分割方法得到。
[0019]本专利技术另一方面提供一种低密度梗死区分割装置，包括：第一获取模块，用于获取目标脑部组织的目标计算机断层扫描图像；分割模块，用于将所述目标本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种低密度梗死区分割方法，其特征在于，包括：获取目标脑部组织的目标计算机断层扫描图像；将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理，所述梗死区分割模型基于计算机断层扫描图像数据集对预设的图像分割网络进行深度学习训练得到，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；获取所述梗死区分割模型输出的所述目标脑部组织的低密度梗死区分割图像。2.根据权利要求1所述的方法，其特征在于，所述目标计算机断层扫描图像包括非对比计算机断层扫描图像、计算机断层扫描灌注图像或者计算机断层扫描血管造影图像。3.根据权利要求1所述的方法，其特征在于，所述将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：将所述目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到第一低密度梗死区分割结果；将所述目标计算机断层扫描图像进行翻转操作，得到翻转后的目标计算机断层扫描图像；其中，所述翻转操作包括前后翻转和/或左右翻转；将所述翻转后的目标计算机断层扫描图像输入至所述梗死区分割模型中进行分割处理，得到第二低密度梗死区分割结果；对所述第一低密度梗死区分割结果和所述第二低密度梗死区分割结果进行加权平均，得到所述目标脑部组织的低密度梗死区分割图像并输出。4.根据权利要求1所述的方法，其特征在于，所述梗死区分割模型由多个不同的子分割模型组成；所述将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：将所述目标计算机断层扫描图像分别输入至各个所述子分割模型中进行分割处理，得到对应的第三低密度梗死区分割结果；对各个所述子分割模型对应的第三低密度梗死区分割结果进行加权平均，得到所述目标脑部组织的低密度梗死区分割图像并输出。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述目标计算机断层扫描图像进行预处理操作，得到预处理后的目标计算机断层扫描图像；其中，所述预处理操作包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作；其中，将所述目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理包括：将所述预处理后的目标计算机断层扫描图像输入至预先训练的梗死区分割模型中进行分割处理。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述目标脑部组织的低密度梗死区分割图像进行后处理操作，得到后处理后的低密度梗死区分割图像；其中，所述后处理操作包括空洞填充操作和/或连通性分析操作。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括预先训练所述梗死区分割模型，所述梗死区分割模型的训练过程包括：获取计算机断层扫描图像数据集，所述计算机断层扫描图像数据集包括多种类型的计算机断层扫描图像数据；分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行低密度梗死区标注，得到对应的低密度梗死区标注结果；基于所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据及其对应的低密度梗死区标注结果，对预设的图像分割网络进行深度学习训练，得到所述梗死区分割模型。8.根据权利要求7所述的方法，其特征在于，所述梗死区分割模型的训练过程还包括：分别对所述计算机断层扫描图像数据集中的各个计算机断层扫描图像数据进行预处理操作，得到预处理后的计算机断层扫描图像数据；其中，所述预处理操作包括数据合并操作、去头罩操作、脑部区域裁剪操作和/或归一化操作。9.一种低密度梗死区分析方法，其特征在于，包括：获取目标脑部组织的低密度梗死区分割图像，所述低密度梗死...
【专利技术属性】
技术研发人员：王梅云，白岩，刘太元，
申请(专利权)人：河南省人民医院，
类型：发明
国别省市：
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。