基于脑灌注成像的血管关键点检测方法及装置制造方法及图纸

本公开涉及一种基于脑灌注成像的血管关键点检测方法及装置

【技术实现步骤摘要】
基于脑灌注成像的血管关键点检测方法及装置、介质


[0001]本公开涉及医学检测
，尤其涉及一种基于脑灌注成像的血管关键点检测方法及装置
、
介质
。

技术介绍

[0002]血管关键点相对于输入图像而言目标很小，传统的检测方法很难输出准确的关键点坐标
。
现有的血管关键点尤其是动静脉点选取主要靠医生人工的选取和判断，由于动静脉区域较大，需要反复对比选择良好的关键点，非常浪费人工成本
。
[0003]同时，也存在少部分算法和软件通过依靠区域搜索并构造代价函数的方式进行自动搜索
。
但现有的自动搜索算法大多依靠先验区域提供候选点，随后构建曲线的代价函数对候选区域内的像素点的时间
‑
密度曲线进行评估
。
该方法虽然可以实现自动选取，但面对大量真实数据时会出现先验区域划分逻辑过于简单
、
手动设计的代价函数不够完善，无法应对局部噪声等问题，实际效果有限
。
[0004]因此，血管关键点的检测研究非常必要
。
如何迅速且准确地检测出血管关键点的位置信息是亟待解决的技术问题
。

技术实现思路

[0005]有鉴于此，本公开提出了一种基于脑灌注成像的血管关键点检测方法及装置
、
介质，能够迅速且准确地检测出血管关键点的位置信息
。
[0006]根据本公开的一方面，提供了一种基于脑灌注成像的血管关键点检测方法，包括：
>[0007]对获取到的针对目标血管的第一脑灌注影像序列进行预处理，得到对应于所述目标血管的切片图像序列，其中，所述第一脑灌注影像序列为四维数据，所述第一脑灌注影像序列包括针对所述目标血管的多个采样时间下的脑灌注影像，所述切片图像序列包括多张二维切片图像；
[0008]将所述切片图像序列输入至关键点检测模型进行计算，得到针对所述目标血管的关键点的坐标集合，其中，所述关键点检测模型基于堆叠沙漏网络确定，所述坐标集合包括多个三维坐标，各所述三维坐标表征目标血管处对应的关键点的位置信息
。
[0009]这样，通过对获取到的针对目标血管的第一脑灌注影像序列这一四维数据进行预处理，得到对应于目标血管的切片图像序列，切片图像序列包括多张二维切片图像，通过将这些二维切片图像输入至关键点检测模型进行计算，从而得到针对目标血管的关键点的坐标集合，不仅可以节省医生筛选血管关键点的时间，还能够提升脑灌注影像分析结果的准确性，实现迅速且准确地血管关键点检测
。
[0010]在一种可能的实现方式中，所述对获取到的针对目标血管的第一脑灌注影像序列进行预处理，得到对应于所述目标血管的切片图像序列，包括：对所述第一脑灌注影像序列进行时序压缩，得到针对所述目标血管的第一图像，所述第一图像表征所述目标血管在所有采样时间下的三维空间信息；根据所述第一图像确定出沿着
Z
轴分布的多张脑灌注图像；
对所述多张脑灌注图像进行过滤，得到所述切片图像序列
。
[0011]这样，通过对第一脑灌注影像序列进行时序压缩
、
确定沿
Z
轴分布的脑灌注图像
、
过滤这一系列预处理操作，能够应对不同机型下获取的原始脑灌注影像数据尺寸差异很大而导致后续关键点检测不够准确的情况，从而有助于后续基于这些预处理操作而确定出的切片图像序列确定出正确的关键点的位置信息
。
[0012]在一种可能的实现方式中，所述对所述第一脑灌注影像序列进行时序压缩，得到针对所述目标血管的第一图像，包括：将所述第一脑灌注影像序列中的所有采样时间下的脑灌注影像融合为所述第一图像，其中，所述脑灌注影像和所述第一图像均为三维数据；和
/
或，所述根据所述第一图像确定出沿着
Z
轴分布的多张脑灌注图像，包括：在所述第一图像中的三维目标血管处根据预设间隔沿着
Z
轴切割，得到多张截面图，将所述多张截面图作为所述多张脑灌注图像；和
/
或，所述对所述多张脑灌注图像进行过滤，得到所述切片图像序列，包括：针对各所述脑灌注图像进行体素亮度直方图统计，得到统计结果，所述统计结果表征各所述脑灌注图像中的体素亮度分布情况；根据所述统计结果确定出第一阈值，基于所述第一阈值对所述多张脑灌注图像进行过滤，并将过滤后的各张脑灌注图像作为第三图像；对所述第三图像进行归一化处理和拆分，得到所述多张二维切片图像，以所述多张二维切片图像作为所述切片序列
。
[0013]这样，通过对第一脑灌注影像序列进行融合
、
切割确定出脑灌注图像并对脑灌注图像进行体素亮度直方图统计
、
阈值确定
、
归一化处理和拆分这一系列预处理操作，能够应对不同机型下获取的原始脑灌注影像数据尺寸差异很大而导致后续关键点检测不够准确的情况，从而有助于后续基于这些预处理操作而确定出的切片图像序列确定出正确的关键点的位置信息
。
[0014]在一种可能的实现方式中，所述关键点检测模型包括下采样模块
、
多个沙漏模块
、
热力图生成模块，其中，所述下采样模块用于降低图像的分辨率，所述沙漏模块基于沙漏网络确定且用于对图像进行特征提取得到特征图，所述热力图生成模块用于将所述特征图转换为特征热力图，所述关键点检测模型具有多个通道；所述将所述切片图像序列输入至关键点检测模型进行计算，得到针对所述目标血管的关键点的坐标集合，包括：将所述多张二维切片图像输入至所述关键点检测模型中，经过所述下采样模块降低所述二维切片图像的分辨率后，通过所述多个沙漏模块提取特征图，并通过所述热力图生成模块将最后一个沙漏模块输出的特征图转换为特征热力图，从而得到所述多个通道输出的各张特征热力图；根据所述多个通道输出的各张特征热力图确定出多个类别下的坐标及置信度，其中，所述多个通道与所述多个类别一一对应，所述多个类别与所述目标血管相关；将所述置信度大于预设的第二阈值的所有坐标作为所述坐标集合
。
[0015]这样，基于堆叠沙漏网络建立的深度学习模型
(
即关键点检测模型
)
进行血管关键点的检测，将脑灌注影像序列输入关键点检测模型即可输出对应时间
‑
密度良好的指定种类血管的关键点集合，不仅能够节省医生筛选动静脉点的时间，还能够提升脑灌注影像分析过程中动静脉点的检测精度和速度
。
[0016]在一种可能的实现方式中，所述目标血管包括左侧颈内动脉末端
、
右侧颈内动脉末端
、
基底动脉末端
、
直窦起始
、
直窦末端
、
上矢状窦中的至少一种
。
[0017]这样，通过不同种类的血管，设置涵盖特定血管种类的训练样本集以训练得到相
应的关键点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于脑灌注成像的血管关键点检测方法，其特征在于，包括：对获取到的针对目标血管的第一脑灌注影像序列进行预处理，得到对应于所述目标血管的切片图像序列，其中，所述第一脑灌注影像序列为四维数据，所述第一脑灌注影像序列包括针对所述目标血管的多个采样时间下的脑灌注影像，所述切片图像序列包括多张二维切片图像；将所述切片图像序列输入至关键点检测模型进行计算，得到针对所述目标血管的关键点的坐标集合，其中，所述关键点检测模型基于堆叠沙漏网络确定，所述坐标集合包括多个三维坐标，各所述三维坐标表征目标血管处对应的关键点的位置信息
。2.
根据权利要求1所述的方法，其特征在于，所述对获取到的针对目标血管的第一脑灌注影像序列进行预处理，得到对应于所述目标血管的切片图像序列，包括：对所述第一脑灌注影像序列进行时序压缩，得到针对所述目标血管的第一图像，所述第一图像表征所述目标血管在所有采样时间下的三维空间信息；根据所述第一图像确定出沿着
Z
轴分布的多张脑灌注图像；对所述多张脑灌注图像进行过滤，得到所述切片图像序列
。3.
根据权利要求2所述的方法，其特征在于，所述对所述第一脑灌注影像序列进行时序压缩，得到针对所述目标血管的第一图像，包括：将所述第一脑灌注影像序列中的所有采样时间下的脑灌注影像融合为所述第一图像，其中，所述脑灌注影像和所述第一图像均为三维数据；和
/
或，所述根据所述第一图像确定出沿着
Z
轴分布的多张脑灌注图像，包括：在所述第一图像中的三维目标血管处根据预设间隔沿着
Z
轴切割，得到多张截面图，将所述多张截面图作为所述多张脑灌注图像；和
/
或，所述对所述多张脑灌注图像进行过滤，得到所述切片图像序列，包括：针对各所述脑灌注图像进行体素亮度直方图统计，得到统计结果，所述统计结果表征各所述脑灌注图像中的体素亮度分布情况；根据所述统计结果确定出第一阈值，基于所述第一阈值对所述多张脑灌注图像进行过滤，并将过滤后的各张脑灌注图像作为第三图像；对所述第三图像进行归一化处理和拆分，得到所述多张二维切片图像，以所述多张二维切片图像作为所述切片序列
。4.
根据权利要求1所述的方法，其特征在于，所述关键点检测模型包括下采样模块
、
多个沙漏模块
、
热力图生成模块，其中，所述下采样模块用于降低图像的分辨率，所述沙漏模块基于沙漏网络确定且用于对图像进行特征提取得到特征图，所述热力图生成模块用于将所述特征图转换为特征热力图，所述关键点检测模型具有多个通道；所述将所述切片图像序列输入至关键点检测模型进行计算，得到针对所述目标血管的关键点的坐标集合，包括：将所述多张二维切片图像输入至所述关键点检测模型中，经过所述下采样模块降低所述二维切片图像的分辨率后，通过所述多个沙漏模块提取特征图，并通过所述热力图生成模块将最后一个沙漏模块输出的特征图转换为特征热力图，从而得到所述多个通道输出的
各...

【专利技术属性】
技术研发人员：熊云云，王拥军，赵性泉，王上，
申请(专利权)人：首都医科大学附属北京天坛医院，
类型：发明
国别省市：