本申请实施例公开了一种脑灌注数据分析方法、装置及存储介质，其中脑灌注数据分析方法包括步骤：获取初始图像，初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成；对初始图像进行血管编码和血管标记，然后通过减法计算对初始图像进行成像扫描，得到编码图像；基于编码图像和反卷积算法获取灌注参数，基于灌注参数构建微组织模型；基于微组织模型，获取灌注参数对应的灌注数据，对灌注数据进行处理和分析，以提高图像质量、矫正伪影、优化灌注值图的分析和/或优化工作流程，进行处理包括运动矫正、降噪、分割、转化造影剂浓度、局部AIF算法和/或修正AIF中的部分体积效应。中的部分体积效应。中的部分体积效应。
【技术实现步骤摘要】
一种脑灌注数据分析方法、装置及存储介质
[0001]本申请涉及图像处理
，具体涉及一种脑灌注数据分析方法、装置及存储介质。
技术介绍
[0002]在临床医学中，脑血管疾病致病因素较多，脑血管病的分类及分型直接影响着临床的诊断、治疗及预防，因此，通过对此病的正确分类、分型，可直接提高脑血管疾病的治疗效果，改善患者的预后。
[0003]临床上诊断脑血管病主要采取影像学手段，全脑血管造影一直是脑血管病诊断的黄金标准。然而，由于血管造影技术是基于2D平面成像，且与成像平面相关，因此只能单纯地观察脑血管的动脉狭窄或动脉瘤、血管畸形等病变，无法同步观察到直接确定脑组织的血供与灌注是否充足的脑血管代偿与适应情况以及脑实质结构，并且该技术存在血栓栓塞的风险。除此之外，该检查需要使用造影剂，这可能会加重某些合并有肾脏疾病患者的肾功能损害，且可重复性较差。为了确定受影响组织的范围并描绘可以再灌注的缺血组织，利用CT和MRI进行的灌注成像已经成为临床上检查患者脑血流灌注情况的常规手段。CT灌注成像（CTP）可以反映血流动力学变化，操作简单，检查时间短；磁共振灌注成像（MRP）可以较好地反映缺血性脑组织的灌注情况，敏感度较高。
[0004]CTP、MRP可以获得全脑灌注图像，却不能单独提供脑区域灌注图，CT或MRI兼容的血管造影技术的研发显得暗室逢灯，将血管造影设备与CT或MRI设备相融合，进行血管造影的同时，进行CT或MRI灌注扫描，不但可以提供选择性血管造影成像，同时也获得局部区域的CT或MRI灌注图像。
[0005]然而由于这类技术（将血管造影设备与CT或MRI设备相融合，进行血管造影的同时，进行CT或MRI灌注扫描）的数据处理、识别、分析较为繁琐复杂，并且通过卷积神经网络提取特征后输出的尺寸往往会变小，不利于后续的计算，因此现有的CT和MRI脑灌注数据分析技术存在工作量较大，工作效率较低，分析结果的可重复性和一致性差的问题。
技术实现思路
[0006]本申请实施例的目的在于提供一种脑灌注数据分析方法、装置及存储介质，用以解决现有技术中的CT和MRI脑灌注数据分析技术存在的工作量较大，工作效率较低，分析结果的可重复性和一致性差的问题。
[0007]为实现上述目的，本申请实施例提供一种脑灌注数据分析方法，包括步骤：获取初始图像，所述初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成；对所述初始图像进行血管编码和血管标记，然后通过减法计算对所述初始图像进行成像扫描，得到编码图像；基于所述编码图像和反卷积算法获取灌注参数，基于所述灌注参数构建微组织模
型，所述微组织模型包括覆盖器官特异性实质、间质空间和毛细血管床；基于所述微组织模型，获取所述灌注参数对应的灌注数据，对所述灌注数据进行处理和分析，以提高图像质量、矫正伪影、优化灌注值图的分析和/或优化工作流程，所述进行处理包括运动矫正、降噪、分割、转化造影剂浓度、局部AIF算法和/或修正AIF中的部分体积效应。
[0008]可选地，所述灌注参数包括：所述毛细血管床的局部造影剂浓度、平均造影剂浓度、血细胞通过所述毛细血管床的传输时间、脑血流量、旋转量和/或实质、间质空间及毛细血管床的平均密度。
[0009]可选地，基于所述编码图像和反卷积算法获取所述灌注参数的方法包括：从所述编码图像中通过测量获取所述局部造影剂浓度和所述平均造影剂浓度；通过公式
[0010]和
[0011]获取所述脑血流量和实质、间质空间及毛细血管床的平均密度，其中，指实质、间质空间及毛细血管床的平均密度，CBF指所述脑血流量，t指血细胞通过所述毛细血管床的传输时间，c
voi
(t)指所述平均造影剂浓度，c
art
(t)指所述局部造影剂浓度，r(t)指残差函数。
[0012]可选地，所述运动矫正的方法包括：使用3D配准重建数据集的所有时间帧注册到第一个时间帧上，从所述数据集中删除表现出严重重建伪影的时间帧。
[0013]可选地，所述降噪方法包括：刚性配准CTP体积，使用TIPS双边过滤器和4D双边过滤器过滤CTP扫描进行降噪。
[0014]可选地，所述分割的方法包括：进行自动图像分割，将衰减大于或等于100 HU的体素识别为骨。
[0015]可选地，所述转化造影剂浓度的方法包括：通过公式
[0016]和
[0017]将造影剂信号转换为所述造影剂浓度，其中，kct = 1 g/mL/HU，基线值μ0计算为造影剂到达动脉输入函数前B段获得时间内μ(tj)的平均值，测量的造影剂信号转换为造影剂浓度值，即从μ(tj)到相应造影剂浓度值c(tj)。
[0018]可选地，在获取所述灌注参数对应的所述灌注数据，并对所述灌注数据进行处理和分析之后，还包括：存储所述灌注数据。
[0019]为实现上述目的，本申请还提供一种脑灌注数据分析装置，包括：存储器；以及与所述存储器连接的处理器，所述处理器被配置成：获取初始图像，所述初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成；
对所述初始图像进行血管编码和血管标记，然后通过减法计算对所述初始图像进行成像扫描，得到编码图像；基于所述编码图像和反卷积算法获取灌注参数，基于所述灌注参数构建微组织模型，所述微组织模型包括覆盖器官特异性实质、间质空间和毛细血管床；基于所述微组织模型，获取所述灌注参数对应的灌注数据，对所述灌注数据进行处理和分析，以提高图像质量、矫正伪影、优化灌注值图的分析和/或优化工作流程，所述进行处理包括运动矫正、降噪、分割、转化造影剂浓度、局部AIF算法和/或修正AIF中的部分体积效应。
[0020]为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
[0021]本申请实施例具有如下优点：本申请实施例提供一种脑灌注数据分析方法，包括步骤：获取初始图像，所述初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成；对所述初始图像进行血管编码和血管标记，然后通过减法计算对所述初始图像进行成像扫描，得到编码图像；基于所述编码图像和反卷积算法获取灌注参数，基于所述灌注参数构建微组织模型，所述微组织模型包括覆盖器官特异性实质、间质空间和毛细血管床；基于所述微组织模型，获取所述灌注参数对应的灌注数据，对所述灌注数据进行处理和分析，以提高图像质量、矫正伪影、优化灌注值图的分析和/或优化工作流程，所述进行处理包括运动矫正、降噪、分割、转化造影剂浓度、局部AIF算法和/或修正AIF中的部分体积效应。
[0022]通过上述方法，区别于传统的计算方法，在用户调阅图像之前，能够完成所有的分析过程，使用户在图像工作站上打开该脑灌注图像序列时，可以直接看到分析结果，避免了人工干预及手工指定可能引入的人为偏差和等待时间，减轻了用户工作量，提高了用户的工作效率，保证了分析结果本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种脑灌注数据分析方法，其特征在于，包括以下步骤：获取初始图像，所述初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成；对所述初始图像进行血管编码和血管标记，然后通过减法计算对所述初始图像进行成像扫描，得到编码图像；基于所述编码图像和反卷积算法获取灌注参数，基于所述灌注参数构建微组织模型，所述微组织模型包括覆盖器官特异性实质、间质空间和毛细血管床；基于所述微组织模型，获取所述灌注参数对应的灌注数据，对所述灌注数据进行处理和分析，以提高图像质量、矫正伪影、优化灌注值图的分析和/或优化工作流程，所述进行处理包括运动矫正、降噪、分割、转化造影剂浓度、局部AIF算法和/或修正AIF中的部分体积效应。2.根据权利要求1所述的脑灌注数据分析方法，其特征在于，所述灌注参数包括：所述毛细血管床的局部造影剂浓度、平均造影剂浓度、血细胞通过所述毛细血管床的传输时间、脑血流量、旋转量和/或实质、间质空间及毛细血管床的平均密度。3.根据权利要求2所述的脑灌注数据分析方法，其特征在于，基于所述编码图像和反卷积算法获取所述灌注参数的方法包括：从所述编码图像中通过测量获取所述局部造影剂浓度和所述平均造影剂浓度；通过公式，和，获取所述脑血流量和实质、间质空间及毛细血管床的平均密度，其中，指实质、间质空间及毛细血管床的平均密度，CBF指所述脑血流量，t指血细胞通过所述毛细血管床的传输时间，c
voi
(t)指所述平均造影剂浓度，c
art
(t)指所述局部造影剂浓度，r(t)指残差函数。4.根据权利要求1所述的脑灌注数据分析方法，其特征在于，所述运动矫正的方法包括：使用3D配准重建数据集的所有时间帧注册到第一个时间帧上，从所述数据集中删除表现出严重重建伪影的时间帧。5.根据权利要求1所述的脑灌注数据分析方...
【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，赵友源，庞盼，
申请(专利权)人：同心智医科技北京有限公司，
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。