一种基于多分支三维神经网络的脑灌注参数处理方法技术

技术编号:39837226 阅读:39 留言:0更新日期:2023-12-29 16:22
本发明专利技术是一种基于多分支三维神经网络的脑灌注参数处理方法,本发明专利技术属于医学图像处理领域和深度学习领域,该方法首先构建了三个数据集,包括一个虚拟数据集和两个真实数据集

【技术实现步骤摘要】
一种基于多分支三维神经网络的脑灌注参数处理方法


[0001]本专利技术属于医学图像处理领域和深度学习领域,主要涉及一种基于多分支三维神经网络的脑灌注参数测算方法


技术介绍

[0002]计算机断层扫描
(CT)
灌注成像是神经血管成像领域的常规技术,在急性缺血性中风患者的临床环境中,需要根据脑灌注数据生成各种临床相关灌注图,用于识别核心梗死区域

相关的灌注参数包括:脑血流量
(CBF)、
脑血容量
(CBV)、
平均通过时间
(MTT)、
延迟时间
(Delay)


[0003]目前脑部灌注参数测算的主流方法包括基于去卷积的方法和基于非线性回归的方法

两者都需要通过可测量的动脉输入函数和组织浓度曲线来计算组织残留函数,即造影剂通过该组织时,该组织的冲激响应函数

不同的是,前者多采用基于奇异值分解的代数去卷积完成参数的直接求解,后者则是假设一个初始函数,然后通过不断调整参数以拟本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多分支三维神经网络的脑灌注参数处理方法,该方法包括以下步骤:步骤1:建立含造影剂血液通过脑组织的理论模型,结合中心体积原理制作脑灌注虚拟数据集,将数据集中预先设置的各个灌注参数作为第一灌注参数的第一部分;步骤1‑1:建立含造影剂血液通过脑组织的理论模型,该组织模型包含动脉输入

静脉输出

毛细血管床

脑实质和组织间隙;模型公式描述:
c
voi
(t)

CBF
·
ρ
voi
·
c
art
(t)*r(t)
其中,
c
voi
(t)
为组织平均造影剂浓度,
c
art
(t)
为动脉输入造影剂浓度,
r(t)
是组织残留函数,
ρ
voi
是毛细血管床

脑实质和组织间隙的平均密度;根据中心体积原理有公式
CBF

CBV/MTT

CBF
表示脑血流量,
MTT
表示平均通过时间;步骤1‑2:简化该模型,预先设置三类组织的冲激响应函数:指数型

线性型和方波型,简化后的模型位:
c
voi
(t)

c
art
(t)*IRF(t

p)
其中
IRF(t

p)
为该组织系统的冲激响应函数,参数
p
涵盖了所有灌注参数,三种不同的冲激响应函数为:冲激响应函数为:冲激响应函数为:其中,
IRF
exp
(t)
表示指数型冲激响应函数,
IRF
linear
(t)
表示线性冲激响应函数,
IRF
box
(t)
表示盒型冲激响应函数;步骤1‑3:对步骤1‑2中的三类曲线进行采样,设置的各个参数将作为第一灌注参数的第一部分;步骤1‑4:设置伽马形状的动脉输入函数为;其中,
a

b

t0为设置的常数,结合上述参数模型生成脑灌注虚拟数据集;步骤2:读取和解析两个脑灌注真实数据集,并进行预处理,将预处理后的脑灌注真实数据转换为
Pytorch
框架下的数据格式;步骤3:对步骤2中获取的数据集进行动脉输入函数评估点选择;对数据集中的每个病例选择合适的扫描层,寻找清晰的
Willis
环结构,将评估点设置为大脑中动脉
M1
段中像素大小为3×3的区域,对该区域求取平均值作为动脉输入函数的采样值;步骤4:根据步骤2和步骤3获取的预处理后的真实脑灌注数据集和对应的动脉输入函数曲线,分别利用非线性回归和基于奇异值分解的代数反卷积进行灌注参数的求解,作为第一灌注参数的第二部分和第三部分;
步骤5:构建基于多分支的三维卷积神经网络结构,利用其进行灌注数据的特征提取和端到端灌注参数测算;步骤6:将步骤1到步骤4所准备的三个部分脑灌注数据集分别划分为训练集和验证集;步骤7:利用步骤6中划分的训练集对步骤5所构建的多分支三维卷积神经网络进行训练和优化;步骤8:加载步骤7中保存的最优网络权重,将步骤6中划分的验证集输入网络进行测算,得到第三灌注参数;步骤9:根据第三灌注参数和对应病例的第一灌注参数分别生成可视化参...

【专利技术属性】
技术研发人员:张静贺涛闫咏梅王健杜晓辉郝如茜刘娟秀刘霖
申请(专利权)人:电子科技大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1