【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及基于ct影像的颅内出血解剖学识别与定位方法及系统。
技术介绍
1、颅内出血是一种高死亡率、低预后的神经系统急症，快速判断出血类型和位置对于后续制定治疗方案具有重要意义。根据出血位置的不同，将颅内出血划分为脑实质出血、脑室出血、蛛网膜下腔出血、硬膜外出血以及硬膜下出血五种出血亚型，不同出血亚型的影像特征、预后均不同。在ct影像上进行解剖学识别与定位具有重要的意义和应用价值。然而，脑部结构复杂，脑实质分区多，在临床诊断和手术中，针对脑实质出血，不仅需要知道其边界框定位，还需要更加明确解剖学位置，医生根据解剖学位置确定治疗方案并进行预后判断。
2、现有的颅内出血定位技术主要有基于深度学习技术的出血亚型识别及定位，能够用边界框的方式标注血肿的出血亚型和具体位置，但仅实现2d层面的定位，没有给出血肿与关键脑区结构的关系，无法满足临床中的解剖学位置定位要求。目前的出血解剖学定位技术往往都是在有血肿的ct影像上直接进行脑区分割或者脑区配准，由于血肿的干扰，脑区分割不准确，血肿体积越大，脑区配准误差越大，导致解剖学定位存在困难。
3、公开号为cn115908381a的中国专利公开了一种脑部ct图像中目标区域的定位方法、装置及设备，该专利中将脑部ct图像与标准脑部ct图像进行配准，生成目标形变场，将目标形变场应用于标准脑部ct图像的脑解剖结构分区标签，从而得到脑部ct图像的脑解剖结构分区标签，然后通过确定每一切片图像对应的分割阈值，从脑部ct图像中识别出目标出血区域，将目标出血区域与脑部ct
技术实现思路
1、本专利技术旨在解决现有技术中缺乏颅内出血识别与定位大规模标注数据集，严重阻碍基于深度学习的颅内出血亚型识别与定位的发展，尤其是无法精准地对脑区血肿的解剖位置定位的技术问题，提供基于ct影像的颅内出血解剖学识别与定位方法及系统。
2、为了实现本专利技术的上述目的，根据本专利技术的第一个方面，本专利技术提供了基于ct影像的颅内出血解剖学识别与定位方法，包括：获取颅内出血ct序列图像；利用颅内出血亚型识别与定位模型对颅内出血ct序列图像进行处理，获得横断面上每张ct影像对应的血肿识别与定位结果，血肿识别与定位结果包括出血亚型类别和用边界框标记的血肿位置信息；所述颅内出血亚型识别与定位模型通过构建的颅内出血多中心大数据集训练获得；对于血肿识别与定位结果为无血肿的ct影像，进入下一个ct影像处理；对于血肿识别与定位结果为非脑区出血的ct影像：输出血肿识别与定位结果；对于血肿识别与定位结果为脑区出血的ct影像：输入ct影像对应的边界框标记区域子图像至第一分割模型获得血肿边界；通过生成式对抗网络生成ct影像对应的生成ct影像；输入生成ct影像至第二分割模型获得脑区分割边界；通过血肿边界和脑区分割边界相交确定ct影像中血肿在脑区中的分区，输出ct影像的血肿识别与定位结果和ct影像中血肿在脑区中的分区名称。
3、为了实现本专利技术的上述目的，根据本专利技术的第二个方面，本专利技术提供了基于ct影像的颅内出血解剖学识别与定位系统，用于实现本专利技术第一方面所述的基于ct影像的颅内出血解剖学识别与定位方法，包括：输入模块，获取颅内出血ct序列图像；出血亚型识别与定位模块，利用颅内出血亚型识别与定位模型对颅内出血ct序列图像进行处理，获得横断面上每张ct影像对应的血肿识别与定位结果，血肿识别与定位结果包括出血亚型类别和用边界框标记的血肿位置信息；所述颅内出血亚型识别与定位模型通过构建的颅内出血多中心大数据集训练获得；无血肿处理模块，对于血肿识别与定位结果为无血肿的ct影像，进入下一个ct影像处理；非脑区处理模块，对于血肿识别与定位结果为非脑区出血的ct影像，输出血肿识别与定位结果；脑区处理模块，对于血肿识别与定位结果为脑区出血的ct影像：输入ct影像对应的边界框标记区域子图像至第一分割模型获得血肿边界；通过生成式对抗网络生成ct影像对应的生成ct影像；输入生成ct影像至第二分割模型获得脑区分割边界；通过血肿边界和脑区分割边界相交确定ct影像中血肿在脑区中的分区，输出ct影像的血肿识别与定位结果和血肿在脑分区中的分区名称。
4、为了实现本专利技术的上述目的，根据本专利技术的第三个方面，本专利技术提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术第一方面所述的基于ct影像的颅内出血解剖学识别与定位方法。
5、本专利技术通过构建的颅内出血多中心大数据集训练颅内出血亚型识别与定位模型，解决目前尚没有大规模的颅内出血亚型标注数据集的困境；利用颅内出血亚型识别与定位模型对颅内出血ct序列中每张ct影像进行处理，获得每个横断面上ct影像的血肿识别与定位结果，对于非脑区出血，如蛛网膜下腔出血、硬膜外出血和硬膜下出血三种出血亚型，直接输出血肿识别与定位结果；对于脑区出血，如脑室出血和脑实质出血两种出血亚型，进一步利用第一分割模型获得精细的血肿边界，为避免ct影像中血肿区域对分区的分区产生干扰，利用生成式对抗网络生成颅内出血ct序列对应的生成ct影像，再利用第二分割模型基于生成ct影像获得精确的脑区分割边界，最后通过血肿边界和脑区分割边界相交获得血肿所在分区名称，实现颅内出血的精准解剖学定位。
本文档来自技高网...【技术保护点】
1.基于CT影像的颅内出血解剖学识别与定位方法，其特征在于，包括：
2.如权利要求1所述的基于CT影像的颅内出血解剖学识别与定位方法，其特征在于，所述利用颅内出血亚型识别与定位模型对颅内出血CT序列图像进行处理，获得横断面上每张CT影像对应的血肿识别与定位结果，包括：
3.如权利要求1所述的基于CT影像的颅内出血解剖学识别与定位方法，其特征在于，利用颅内出血亚型识别与定位模型对颅内出血CT序列图像进行处理，获得横断面上每张CT影像对应的血肿3D识别与定位结果，包括：
4.如权利要求2或3所述的基于CT影像的颅内出血解剖学识别与定位方法，其特征在于，所述颅内出血亚型识别与定位模型的构建过程为：
5.如权利要求1所述的基于CT影像的颅内出血解剖学识别与定位方法，其特征在于，所述脑区包括17个分区，17个分区分别是左脑室、右脑室、左额叶、右额叶、左颞叶、右颞叶、左顶叶、右顶叶、左枕叶、右枕叶、左半卵圆中心、右半卵圆中心、左基底节、右基底节、左小脑、右小脑和脑干，所述脑区分割边界中划分了分区轮廓；
6.如权利要求1所述的基于CT
7.如权利要求1-6之一所述的基于CT影像的颅内出血解剖学识别与定位方法，其特征在于，所述通过生成式对抗网络生成CT影像对应的生成CT影像，包括：
8.如权利要求7所述的基于CT影像的颅内出血解剖学识别与定位方法，其特征在于，生成式对抗网络的训练过程包括：
9.基于CT影像的颅内出血解剖学识别与定位系统，其特征在于，用于实现权利要求1-8之一所述的基于CT影像的颅内出血解剖学识别与定位方法，包括：
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于CT影像的颅内出血解剖学识别与定位方法。
...【技术特征摘要】
1.基于ct影像的颅内出血解剖学识别与定位方法，其特征在于，包括：
2.如权利要求1所述的基于ct影像的颅内出血解剖学识别与定位方法，其特征在于，所述利用颅内出血亚型识别与定位模型对颅内出血ct序列图像进行处理，获得横断面上每张ct影像对应的血肿识别与定位结果，包括：
3.如权利要求1所述的基于ct影像的颅内出血解剖学识别与定位方法，其特征在于，利用颅内出血亚型识别与定位模型对颅内出血ct序列图像进行处理，获得横断面上每张ct影像对应的血肿3d识别与定位结果，包括：
4.如权利要求2或3所述的基于ct影像的颅内出血解剖学识别与定位方法，其特征在于，所述颅内出血亚型识别与定位模型的构建过程为：
5.如权利要求1所述的基于ct影像的颅内出血解剖学识别与定位方法，其特征在于，所述脑区包括17个分区，17个分区分别是左脑室、右脑室、左额叶、右额叶、左颞叶、右颞叶、左顶叶、右顶叶、左枕叶、右枕叶、左半卵圆中心、右半卵圆中心、左基底节、右基底节、左小脑...
【专利技术属性】
技术研发人员：刘静静，粘永健，姚洁，邱明国，杨毅，宫庆防，彭琪，
申请(专利权)人：中国人民解放军陆军军医大学，
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。