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

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)
等
。
[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合组织浓度曲线
。
这两类传统方法虽然都具有可解释性，但是都绕不开动脉输入函数
(AIF)
的人工选择和各种预处理
、
后处理以及降噪技术的差异，即使是目前主流的商用软件也需要在测算过程中进行多次诸如滤波
、
配准
、
动脉输入定位等人为干预，过程繁琐且高度依赖于影像科医生的经验
。
>[0004]随着计算机的发展，深度学习算法逐渐应用于医学图像处理领域，基于数据驱动进行特征提取，通过大量样本的学习能够获得深层次
、
潜在的特征表示
。
在准确表征毛细血管和脑组织系统的同时，实现端到端灌注参数的计算，过程清晰明了，帮助医生更快更准确地判断中风患者脑部灌注情况，定位核心梗死区域
。

技术实现思路

[0005]为了避免各种复杂的人为干预和预处理
、
后处理步骤，实现端到端的灌注参数测算，本专利技术结合深度学习方法构建一个具有多分支结构的三维神经网络，利用一个虚拟脑灌注数据集和两个真实脑灌注数据集对网络进行训练和优化，获得最优灌注参数测算网络
。
[0006]本专利技术技术方案为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：
[0007]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；
[0008]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：
[0009]c
voi
(t)
＝
CBF
·
ρ
voi
·
c
art
(t)*r(t)
[0010]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；
[0011]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：
[0012]c
voi
(t)
＝
c
art
(t)*IRF(t
；
p)
[0013]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：
[0014][0015][0016][0017]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；
[0018]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；
[0019]步骤1‑4：设置伽马形状的动脉输入函数为；
[0020][0021]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；
[0022]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；
[0023]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；
[0024]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；
[0025]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；
[0026]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；
[0027]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；
[0028]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；
[0029]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数图，并交由影像科医生在两类参数图上分别进行核心梗死区域划分，采用
Dice
系数评估划分区域的一致性
。
[0030]其中，所述步骤2具体为：
[0031]步骤2‑1：为了防止数据失真，采用
ITK
库读入脑灌注数据集中的原始
DICOM
文件，该文件包含原始
CT
灌注数据和
CT
扫描参数，并通过线性变换将内存中存储的灌注数据部分的无符号整数映射为真实
HU
值；
[0032]步本文档来自技高网...

【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：