Nothing Special   »   [go: up one dir, main page]

CN113034438B - 一种ct灌注参数预测方法及装置、电子设备和存储介质 - Google Patents

一种ct灌注参数预测方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113034438B
CN113034438B CN202110226735.6A CN202110226735A CN113034438B CN 113034438 B CN113034438 B CN 113034438B CN 202110226735 A CN202110226735 A CN 202110226735A CN 113034438 B CN113034438 B CN 113034438B
Authority
CN
China
Prior art keywords
perfusion
image data
neural network
parameter
contrast agent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110226735.6A
Other languages
English (en)
Other versions
CN113034438A (zh
Inventor
吴振洲
史睿琼
刘昱
陈峰蔚
邓悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Ande Yizhi Technology Co ltd
Original Assignee
Beijing Ande Yizhi Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Ande Yizhi Technology Co ltd filed Critical Beijing Ande Yizhi Technology Co ltd
Priority to CN202110226735.6A priority Critical patent/CN113034438B/zh
Publication of CN113034438A publication Critical patent/CN113034438A/zh
Application granted granted Critical
Publication of CN113034438B publication Critical patent/CN113034438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G06T2207/10121—Fluoroscopy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及一种CT灌注参数预测方法及装置、电子设备和存储介质，所述方法包括：根据第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据；基于神经网络对所述CT灌注影像数据的CT灌注参数进行预测，得到预测的第二CT灌注参数；利用所述第二CT灌注参数与所述第一CT灌注参数之间的差异，对所述神经网络进行训练，以通过训练好的所述神经网络对CT灌注影像数据的CT灌注参数进行预测。本公开实施例可以提高对CT灌注影像数据的CT灌注参数进行预测的准确率。

Description

一种CT灌注参数预测方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种计算机断层扫描影像CT灌注参数预测方法、装置、电子设备和存储介质。
背景技术
随着图像分析技术的发展，该技术已在医疗领域得到广泛应用。毋庸置疑，医疗领域对于图像分析的精度有着较高的要求。例如，对电子计算机断层扫描(ComputedTomography，CT)灌注影像数据进行准确的分析，将对脑组织的血流情况的判断提供有力支持。
然而，相关技术中无法对CT灌注影像数据进行准确分析。
发明内容
本公开提出了一种CT灌注参数预测的技术方案。
根据本公开的一方面，提供了一种计算机断层扫描影像CT灌注参数预测方法，包括：
根据第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据；
基于神经网络对所述CT灌注影像数据的CT灌注参数进行预测，得到预测的第二CT灌注参数；
利用所述第二CT灌注参数与所述第一CT灌注参数之间的差异，对所述神经网络进行训练，得到用于对CT设备扫描得到的CT灌注影像数据的CT灌注参数进行预测的神经网络。
在一种可能的实现方式中，所述方法还包括：
在所述根据第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据之前，所述方法还包括：
接收用户输入的第一CT灌注参数，和/或，生成预设范围内的第一CT灌注参数；
所述第一CT灌注参数，包括下述至少一种：
脑血流量CBF、造影剂平均通过时间MTT、造影剂信号强度(浓度)、不同位置的动脉中造影剂相对于采样处的造影剂到达时间δ、以及用来表征一个组织区域的动脉造影剂从动脉中转移到组织中毛细血管所需的时间τ。
在一种可能的实现方式中，所述CT灌注影像数据，包括下述至少一种：
采样时间点、感兴趣区域ROI中动脉区域以外的体素的第一亮度值、所述ROI的动脉区域的体素的第二亮度值。
在一种可能的实现方式中，所述根据第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据，包括：
根据所述第一CT灌注参数，确定所述ROI中动脉区域以外区域的第一造影剂浓度和所述ROI流入动脉的血液中的第二造影剂浓度；
根据所述第一造影剂浓度确定所述第一亮度值，所述第一亮度值与所述ROI的第一造影剂浓度正相关；
根据所述第二造影剂浓度确定所述第二亮度值，所述第二亮度值与所述ROI流入动脉的血液中的第二造影剂浓度正相关。
在一种可能的实现方式中，所述方法还包括：
将脑梗死急性期的CT灌注影像数据输入到所述神经网络中，得到输出的第三CT灌注参数；
根据所述第三CT灌注参数，确定所述脑梗死急性期的CT灌注影像数据的核心梗死区；
确定所述核心梗死区与核磁扩散加权成像数据DWI中标注的核心梗死区的重合程度，所述核磁DWI数据与所述脑梗死急性期的CT灌注影像数据为同一目标对象的数据；
根据所述重合程度，确定所述神经网络的准确度。
在一种可能的实现方式中，所述神经网络包括前馈神经网络。
根据本公开的一方面，提供了一种CT灌注参数预测装置，包括：
模拟单元，用于根据第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据；
预测单元，用于基于神经网络用于对所述CT灌注影像数据的CT灌注参数进行预测，得到预测的第二CT灌注参数；
训练单元，用于利用所述第二CT灌注参数与所述第一CT灌注参数之间的差异，对所述神经网络进行训练，以通过训练好的所述神经网络对CT灌注图像影像数据的CT灌注参数进行预测。
在一种可能的实现方式中，所述装置，还包括：
接收单元，用于接收用户输入的第一CT灌注参数，和/或，生成预设范围的第一CT灌注参数；
所述第一CT灌注参数，包括下述至少一种：
脑血流量CBF、造影剂平均通过时间MTT、造影剂信号强度(浓度)、不同位置的动脉中造影剂相对于采样处的造影剂到达时间δ、以及用来表征一个组织区域的动脉造影剂从动脉中转移到组织中毛细血管所需的时间τ。
在一种可能的实现方式中，所述CT灌注影像数据，包括下述至少一种：
采样时间点、感兴趣区域ROI中动脉区域以外的体素的第一亮度值、所述ROI的动脉区域的体素的第二亮度值。
在一种可能的现实方式中，所述模拟单元，用于根据所述第一CT灌注参数，确定所述ROI中动脉区域以外区域的第一造影剂浓度和所述ROI流入动脉的血液中的第二造影剂浓度；根据所述第一造影剂浓度确定所述第一亮度值，所述第一亮度值与所述ROI的第一造影剂浓度正相关；根据所述第二造影剂浓度确定所述第二亮度值，所述第二亮度值与所述ROI流入动脉的血液中的第二造影剂浓度正相关。
在一种可能的实现方式中，所述装置，还包括：
验证预测单元，用于将脑梗死急性期的CT灌注影像数据输入到所述神经网络中，得到输出的第三CT灌注参数；
梗死急性期区域确定单元，用于根据所述第三CT灌注参数，确定所述脑梗死急性期的CT灌注影像数据的核心梗死区；
重合度判断单元，用于确定所述核心梗死区与核磁扩散加权成像数据DWI中标注的核心梗死区的重合程度，所述核磁DWI数据与所述脑梗死急性期的CT灌注影像数据为同一目标对象的数据；
准确度分析单元，用于根据所述重合程度，确定所述神经网络的准确度。
在一种可能的实现方式中，所述神经网络包括前馈神经网络。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过设置第一CT灌注参数，模拟各种条件下的CT灌注影像数据；将CT灌注影像数据作为神经网络的输入，预测第二CT灌注参数；再利用第一CT灌注参数和第二CT灌注参数的差异对神经网络进行训练。然后，训练得到网络，可以用于真实CT灌注影像数据的分析。本申请提供的技术方案，第一CT灌注参数为给定值，依据该给定的第一CT灌注参数模拟CT灌注成像，得到CT灌注影像数据，然后利用该CT灌注影像数据作为样本对神经网络进行训练，由于该CT灌注影像数据的标注为给定的第一CT灌注参数，也就是说，用来对神经网络进行训练的CT灌注影像数据的标注是准确的，那么，经神经网络预测生成的第二CT灌注参数与第一CT灌注参数作比较，所得差值能够准确反映神经网络的预测偏差。因此，可以提高对CT灌注影像数据的CT灌注参数进行分析预测的准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的CT灌注参数预测方法的流程图。
图2示出根据本公开实施例的CT灌注参数预测装置图。
图3示出根据本公开实施例的电子设备的框图。
图4示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
在一种可能的实现方式中，本公开提供的CT灌注参数预测方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
图1示出根据本公开实施例的CT灌注参数预测方法的流程图，如图1所示，所述CT灌注参数预测方法包括：
在步骤S11中，根据第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据。
CT灌注参数可以量化反映局部组织血流灌注量。CT灌注参数可以包括以下至少一种：脑血流量(Cerebral Blood Flow,CBF)、脑血容量(Cerebral Blood Volume,CBV)、造影剂平均通过时间(Mean Transit Time,MTT)、到达峰值时间(Time To Peak,TTP)、到达脉冲剩余函数峰值时间(Peak Time,Tmax)，本公开实施例对此不做限定。
CT灌注影像数据，可以是用来表征CT设备扫描得到的灌注影像的数据，可以是CT灌注影像数据中体素/像素的图像参数，例如亮度值、灰度值等图像参数。
在CT灌注成像的过程中，会基于造影剂具有的弥散特点，通过静脉团注造影剂，对注射造影剂后的同一区域进行快速CT扫描，得到体素的亮度值随时间的变化(CT灌注影像数据)；然后根据CT扫描的亮度值和CT的采样时间等参数，建立体素的造影剂的时间-浓度曲线，即造影剂浓度与时间的映射关系，依据该映射关系即可得到不同时间的造影剂浓度；然后，依据各位置的造影剂的时间-浓度曲线，得到CT灌注参数。
而在本公开实施例中，可以由给定的CT灌注参数，来模拟CT设备扫描得到的CT灌注影像数据，为方便描述，这里将给定的CT灌注参数称为第一CT灌注参数。也就是说，可以根据给定的第一CT灌注参数，来反推包含亮度值等信息的CT灌注影像数据，此过程中的CT灌注影像数据并非通过CT设备扫描得到，而是由第一CT灌注参数计算得到。
具体在根据第一CT灌注参数模拟CT设备扫描得到的CT灌注影像数据的过程中，可以根据第一CT灌注参数确定各体素的造影剂的时间-浓度曲线，进而可以根据各体素的造影剂的时间-浓度曲线来模拟CT设备扫描得到的CT灌注影像数据。
该过程不依赖于CT扫描，而是根据给定的第一CT灌注参数来模拟CT设备扫描得到的CT灌注影像数据，因此得到的CT灌注影像数据的CT灌注参数是准确的，不受设备和实验误差干扰。得到的CT灌注影像数据可以作为后续神经网络的训练样本，其中，CT灌注影像数据的标注即为第一CT灌注参数。
在步骤S12中，基于神经网络对所述CT灌注影像数据的CT灌注参数进行预测，得到预测的第二CT灌注参数；
人工神经网络(Artificial Neural Networks,ANNs)也简称为神经网络或称作连接模型(Connection Model)，它能够模仿动物神经网络行为特征，对输入的信息进行处理。
在本公开实施例中，将S11获得的CT灌注影像数据作为神经网络的输入，经过神经网络的预测，即可获得神经网络预测的灌注参数，为便于描述，这里将神经网络对S11中的CT灌注影像数据预测得到的灌注参数称为第二CT灌注参数，对于神经网络的具体预测过程，此处不做赘述。可以理解的是，本公开实施例中的“第一”和“第二”用于区分所描述的对象，而不应当理解为对描述对象的次序等其它限定。
在神经网络的多层中会包含网络的参数，通过训练对参数进行调优，能够使得神经网络的预测结果更加准确，神经网络的初始参数可以任意设定，步骤S12中的神经网络的权重参数可以是未经训练的神经网络的初始参数，也可以是经过一定次数的迭代训练进行优化后的参数，本公开对此不作具体限定。
在步骤S12中，无论神经网络的参数是初始参数，还是经优化过的参数，均可对CT灌注影像数据进行预测，得到第二CT灌注参数。然后可以利用得到的第二CT灌注参数对神经网络的参数进行优化。
在步骤S13中，利用所述第二CT灌注参数与所述第一CT灌注参数之间的差异，对所述神经网络进行训练，以通过训练好的所述神经网络对CT灌注影像数据的CT灌注参数进行预测。
在神经网络的训练过程中，会利用训练样本经过网络计算得到输出值，输出值与标签值进行损失计算，然后根据损失计算的结果即损失值更新计算权重，将上述过程进行重复，直至损失值达到预期效果。
在本公开实施例中，神经网络的输出值即为第二CT灌注参数；标签值也可称为标注值，即为第一CT灌注参数，那么，神经网络的损失值即为第二CT灌注参数与第一CT灌注参数之间的差异，该差异能够反映神经网络中的参数是能够进一步优化的，因此，通过调节神经网络的参数，以使得该差异足够小，即可对神经网络中的参数进行优化。
在本公开实施例中，由于第一CT灌注参数均为给定值，所以损失值能够准确的反映出神经网络的性能的好坏，那么基于该损失值优化的网络参数也是较为准确。因此，经本公开实施例训练得到的神经网络，对CT灌注影像数据的灌注参数分析预测的准确度较高。
在一种可能的实施方式中，在所述根据第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据之前，所述方法还包括：接收用户输入的第一CT灌注参数，和/或，生成预设范围内的第一CT灌注参数；所述第一CT灌注参数，包括下述至少一种：脑血流量CBF、造影剂平均通过时间MTT、造影剂信号强度(浓度)、不同位置的动脉中造影剂相对于采样处的造影剂到达时间δ、以及用来表征一个组织区域的动脉造影剂从动脉中转移到组织中毛细血管所需的时间τ。
一方面，第一CT灌注参数各参数的取值范围越大，模拟CT设备扫描得到的CT灌注影像数据越丰富，为神经网络提供的样本越充足，这将有助于神经网络的训练。另一方面，CT灌注影像数据是模拟CT设备对目标对象在不同实际状态下的扫描结果。所以，第一CT灌注参数的取值需要贴合实际。综上所述，第一CT灌注参数的各参数预设范围可以依据实际经验得出，在一种示例中，第一CT灌注参数的各参数预设范围如下：
CBF的预设范围可以是动脉点CBF的0～4.3倍，其中，在动脉血管中测量造影剂的时间-浓度曲线(Arterial Input Function,AIF)时，选取的动脉上的一点，作为测量的位置，该位置叫做动脉点；
MTT的取值范围可以是0.8至无穷大；
τ的取值范围可以是-3～3s。
在预设范围内，第一CT灌注参数各个参数取值可以随机组合，以模拟CT设备扫描，得到CT灌注影像数据。这样使得神经网络得到了充足的训练样本，提高训练后端神经网络的预测准确度。
在一种可能的实施方式中，所述CT灌注影像数据，包括下述至少一种：采样时间点、感兴趣区域ROI中动脉区域以外的体素的第一亮度值、所述ROI的动脉区域的体素的第二亮度值。
造影剂从静脉注入体内之后进入动脉，通过动脉再进入其他区域。由于进入动脉的时间与进入动脉以外区域的时间不同、模拟动脉区域和动脉以外的区域CT灌注影像数据的方式不同，所以ROI被划分成两个区域：ROI动脉区域和ROI动脉区域以外区域。
如前文描述，CT灌注影像数据可以包括体素的亮度值随时间的变化。体素的亮度值是在不同的采样时间点对目标对象进行采样得到的，也就是说，每一个采样时间点会对应一个ROI动脉区域体素亮度值和一个ROI动脉区域以外区域体素亮度值，它们均为CT灌注影像数据。
在一种可能的实施方式中，所述根据第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据，包括：根据所述第一CT灌注参数，确定所述ROI中动脉区域以外区域的第一造影剂浓度和所述ROI流入动脉的血液中的第二造影剂浓度；根据所述第一造影剂浓度确定所述第一亮度值，所述第一亮度值与所述ROI的第一造影剂浓度正相关；根据所述第二造影剂浓度确定所述第二亮度值，所述第二亮度值与所述ROI流入动脉的血液中的第二造影剂浓度正相关。
在该实现方式中，可以根据第一CT灌注参数确定体素的造影剂的时间-浓度曲线，再根据体素的造影剂的时间-浓度曲线来模拟获得体素的亮度值。
所以，要想获得ROI动脉区域的体素亮度值，可以先建立ROI动脉区域的造影剂浓度与时间的映射关系。具体可以使用一个泛伽马密度分布函数来表示此映射关系，此映射关系可以模拟不同扫描条件下生成的CT灌注影像数据，每一个扫描条件可以用形态参数α、速率参数β、缩放参数γ来表示；另外δ为AIF延迟参数；t'为应采样时间点经过AIF延迟时间修正过的时间。该映射关系如公式1所示。
ca(t′)＝γt′αe-βt′ (1)
其中，ca(t′)表示ROI动脉区域的造影剂浓度，t′＝max{t-δ,0}，在建立ROI动脉区域的造影剂浓度与时间的映射关系之后，ROI的动脉区域的体素的第二亮度值即可获得。造影剂的时间-浓度函数与所述第二亮度值之间的关系可参见公式2，从公式2中可以看出，所述第二亮度值Sa(t)与ROI动脉区域的造影剂浓度ca(t)正相关。
Sa(t)＝ca(t)+Sa,0+εa(t) (2)
在模拟各种CT设备扫描时，由于不同品牌的设备会有一个基础亮度值和一个噪声值，所以，在计算体素亮度值时需要将基础亮度值和噪声值加入。公式2中，Sa,0为ROI动脉区域基础亮度值，εa(t)为ROI动脉区域噪声值。
与ROI动脉体素亮度值模拟过程相同，建立ROI动脉区域以外区域的造影剂浓度与时间的映射关系，是获得ROI动脉区域以外区域体素亮度值的前提。这一映射关系是通过对ROI动脉血液中造影剂浓度函数和剩余函数进行卷积再乘以CBF来表示，如公式3所示。
Figure BDA0002956701810000071
剩余函数r(t)是通过构建一系列满足约束条件的基础剩余函数ri(t)，然后通过线性组合的方式生成。
剩余函数可以参见公式4。
r(t)＝∑iwi ri(t) (4)
其中，wi为权重，∑iwi＝1并且wi≥0。权重wi可以从狄利克雷分布中抽选以满足对wi的限制。
剩余函数可以遵循以下约束条件：
(1)剩余函数在时间的积分的结果应等于MTT；
(2)对于小于延迟时间τ的时间点，剩余函数r(t)为0；
(3)在时间点刚好为延迟时间τ时，剩余函数r(t)为1；
(4)对于所有延迟时间τ之后的时间点，剩余函数r(t)值大于0；
(5)对于所有延迟时间τ之后的时间点，剩余函数的值可不随时间推进而增加。
在建立ROI动脉区域以外区域的造影剂浓度与时间的映射关系之后，ROI中动脉区域以外区域的体素的第一亮度值即可获得。从公式5中可以看出，所述第一亮度值与ROI动脉区域的造影剂浓度正相关。
S(t)＝c(t)+S0+ε(t) (5)
其中，S0为ROI动脉区域以外区域基础亮度值，ε(t)为ROI动脉区域以外区域噪声值。
在本公开实施例中，可以根据第一CT灌注参数，确定ROI中动脉区域以外区域的第一造影剂浓度和ROI流入动脉的血液中的第二造影剂浓度；然后根据第一造影剂浓度确定第一亮度值，根据第二造影剂浓度确定第二亮度值，由此，能够根据第一CT灌注参数，确定的造影剂浓度，准确地确定ROI区域的亮度值，提高了得到的CT灌注影像数据的准确性。
在一种可能的实施方式中，所述方法还包括：将脑梗死急性期的CT灌注影像数据输入到所述神经网络中，得到输出的第三CT灌注参数；根据所述第三CT灌注参数，确定所述脑梗死急性期的CT灌注影像数据的核心梗死区；确定所述核心梗死区与核磁扩散加权成像数据DWI中标注的核心梗死区的重合程度，所述核磁DWI数据与所述脑梗死急性期的CT灌注影像数据为同一目标对象的数据；根据所述重合程度，确定所述神经网络的准确度。
在临床医学中，脑梗死是由于局部脑组织区域血液供应障碍，导致脑组织缺血缺氧性病变坏死，进而产生神经功能缺失的一种疾病。脑梗死按照发病时间划分，可以分为：超急性期、急性期、亚急性期、慢性期。患者发病后6小时-3天，被称作脑梗死急性期。
由于血管病变或者脑动脉被栓塞，使得动脉血流减少或者中断，进而使该动脉供血区发生急性脑供血不足与脑梗死。同时，由于脑梗死发生后，脑组织出现贫血性缺氧，脑组织能量代谢收到破坏，使细胞内外离子失去平衡，大量细胞外液进入到细胞内，细胞体积增大，细胞外间隙变小，形成细胞毒性水肿。身体组织发生细胞毒性水肿后，使得水分子运动受限。在DWI数据上表现为高信号。DWI是通过检测人体组织中水分子扩散运动受限制的方向和程度等信息，间接反映组织微观结构的变化的一种技术。所以，处于脑梗死急性期的核心梗死区在DWI图像上容易辨别，因此本公开实施例中，采用存在脑梗死区的DWI数据作为标注数据，对神经网络的准确度进行验证，以使得验证结果较为准确。
另一方面，根据CT灌注参数也可以判定核心梗死区。脑梗死核心梗死区的TTP、MTT延长(一般大于6s)，CBF明显减少，小于对侧正常脑组织CBF的30％时，这部分脑区可以被认定为核心梗死区。当DWI图像上显示的核心梗死区与神经网络预测的CT灌注影像数据上的核心梗死区的重合度满足一定阈值范围时，例如重合度高于85％，或者高于90％，表明对于CT灌注参数的预测是准确的。
所以，对于处在脑梗死急性期的同一目标对象，使用DWI图像与CT灌注参数确定的核心梗死区进行对照，能够准确地验证神经网络对CT灌注参数预测的准确度。而且，通过上述方法，在实际应用层面上，也验证了神经网络对于CT灌注参数预测的准确度，得到的准确度更贴近实际应用。
在本公开实施例中，所采用的神经网络可以是前馈神经网络、卷积神经网络、循环神经网络、深度信念网络等网络，在一种可能的实施方式中，所述神经网络包括前馈神经网络。
神经网络按照拓扑结构，可以分为前馈神经网络和反馈神经网络。前馈神经网络是目前应用最广泛、发展最迅速的人工神经网络之一。本公开实施例选用前馈神经网络，并且使用反向传播算法更新网络权重的原因为：第一，前馈神经网络可以以任意精度逼近任何非线性连续函数，具有很强的非线性映射能力，所以，此类神经网络可以满足本公开实施例对于精度的要求，可以对图像中每一个体素都进行计算；第二，前馈神经网络可以学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中，具有高度自学习和自适应的能力，因此，本公开实施例中的训练过程可以具有准确、高效、外部干扰因素少等特点；第三，出于对稳定性的考虑，在前馈神经网络的部分神经元受到破坏的情况下，全局的训练结果是不会受到很大影响的，即尽管系统受到局部损伤，仍可以正常运行。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了CT灌注参数预测、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种CT灌注参数预测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图2示出根据本公开实施例的一种CT灌注参数预测装置的框图，如图2所示，所述装置20包括：
模拟单元21，用于根据第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据；
预测单元22，用于基于神经网络用于对所述CT灌注影像数据的CT灌注参数进行预测，得到预测的第二CT灌注参数；
训练单元23，用于利用所述第二CT灌注参数与所述第一CT灌注参数之间的差异，对所述神经网络进行训练，得到用于对CT设备扫描得到的CT灌注影像数据的CT灌注参数进行预测的神经网络。
在一种可能的实现方式中，所述装置，还包括：
接收单元，用于接收用户输入的第一CT灌注参数，和/或，生成预设范围的第一CT灌注参数；
所述第一CT灌注参数，包括下述至少一种：
脑血流量CBF、造影剂平均通过时间MTT、造影剂信号强度(浓度)、不同位置的动脉中造影剂相对于采样处的造影剂到达时间δ、以及用来表征一个组织区域的动脉造影剂从动脉中转移到组织中毛细血管所需的时间τ。
在一种可能的实现方式中，所述CT灌注影像数据，包括下述至少一种：
采样时间点、感兴趣区域ROI中动脉区域以外的体素的第一亮度值、所述ROI的动脉区域的体素的第二亮度值。
在一种可能的现实方式中，所述模拟单元，用于根据所述第一CT灌注参数，确定所述ROI中动脉区域以外区域的第一造影剂浓度和所述ROI流入动脉的血液中的第二造影剂浓度；根据所述第一造影剂浓度确定所述第一亮度值，所述第一亮度值与所述ROI的第一造影剂浓度正相关；根据所述第二造影剂浓度确定所述第二亮度值，所述第二亮度值与所述ROI流入动脉的血液中的第二造影剂浓度正相关。
在一种可能的实现方式中，所述装置，还包括：
验证预测单元，用于将脑梗死急性期的CT灌注影像数据输入到所述神经网络中，得到输出的第三CT灌注参数；
梗死急性期区域确定单元，用于根据所述第三CT灌注参数，确定所述脑梗死急性期的CT灌注影像数据的核心梗死区；
重合度判断单元，用于确定所述核心梗死区与核磁扩散加权成像数据DWI中标注的核心梗死区的重合程度，所述核磁DWI数据与所述脑梗死急性期的CT灌注影像数据为同一目标对象的数据；
准确度分析单元，用于根据所述重合程度，确定所述神经网络的准确度。
在一种可能的实现方式中，所述神经网络包括前馈神经网络。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的CT灌注参数预测方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的CT灌注参数预测方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图3示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通讯技术(4G)、第五代移动通讯技术(5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图4示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种计算机断层扫描影像CT灌注参数预测方法，其特征在于，包括：
根据给定的第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据，所述第一CT灌注参数是对根据实际经验给定的数值进行随机组合得到的；
基于神经网络对所述CT灌注影像数据的CT灌注参数进行预测，得到预测的第二CT灌注参数；
利用所述第二CT灌注参数与所述第一CT灌注参数之间的差异，对所述神经网络进行训练，得到用于对CT设备扫描得到的CT灌注影像数据的CT灌注参数进行预测的神经网络。
2.根据权利要求1所述的方法，其特征在于，在所述根据给定的第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据之前，所述方法还包括：
接收用户输入的第一CT灌注参数，和/或，生成预设范围内的第一CT灌注参数；
所述第一CT灌注参数，包括下述至少一种：
脑血流量CBF、造影剂平均通过时间MTT、造影剂信号强度(浓度)、不同位置的动脉中造影剂相对于采样处的造影剂到达时间δ、以及用来表征一个组织区域的动脉造影剂从动脉中转移到组织中毛细血管所需的时间τ。
3.根据权利要求1或2任一所述的方法，其特征在于，所述CT灌注影像数据，包括下述至少一种：
采样时间点、感兴趣区域ROI中动脉区域以外的体素的第一亮度值、所述ROI的动脉区域的体素的第二亮度值。
4.根据权利要求3所述的方法，其特征在于，所述根据给定的第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据，包括：
根据所述第一CT灌注参数，确定所述ROI中动脉区域以外区域的第一造影剂浓度和所述ROI流入动脉的血液中的第二造影剂浓度；
根据所述第一造影剂浓度确定所述第一亮度值，所述第一亮度值与所述ROI的第一造影剂浓度正相关；
根据所述第二造影剂浓度确定所述第二亮度值，所述第二亮度值与所述ROI流入动脉的血液中的第二造影剂浓度正相关。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将脑梗死急性期的CT灌注影像数据输入到所述神经网络中，得到输出的第三CT灌注参数；
根据所述第三CT灌注参数，确定所述脑梗死急性期的CT灌注影像数据的核心梗死区；
确定所述核心梗死区与核磁扩散加权成像数据DWI中标注的核心梗死区的重合程度，所述核磁DWI数据与所述脑梗死急性期的CT灌注影像数据为同一目标对象的数据；
根据所述重合程度，确定所述神经网络的准确度。
6.根据权利要求1、2、5任一所述的方法，其特征在于，所述神经网络包括前馈神经网络。
7.一种CT灌注参数预测装置，其特征在于，包括：
模拟单元，用于根据给定的第一CT灌注参数，模拟CT设备扫描得到的CT灌注影像数据，所述第一CT灌注参数是对根据实际经验给定的数值进行随机组合得到的；
预测单元，用于基于神经网络对所述CT灌注影像数据的CT灌注参数进行预测，得到预测的第二CT灌注参数；
训练单元，用于利用所述第二CT灌注参数与所述第一CT灌注参数之间的差异，对所述神经网络进行训练，得到用于对CT设备扫描得到的CT灌注影像数据的CT灌注参数进行预测的神经网络。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
验证预测单元，用于将脑梗死急性期的CT灌注影像数据输入到所述神经网络中，得到输出的第三CT灌注参数；
梗死急性期区域确定单元，用于根据所述第三CT灌注参数，确定所述脑梗死急性期的CT灌注影像数据的核心梗死区；
重合度判断单元，用于确定所述核心梗死区与核磁扩散加权成像数据DWI中标注的核心梗死区的重合程度，所述核磁DWI数据与所述脑梗死急性期的CT灌注影像数据为同一目标对象的数据；
准确度分析单元，用于根据所述重合程度，确定所述神经网络的准确度。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
CN202110226735.6A 2021-03-01 2021-03-01 一种ct灌注参数预测方法及装置、电子设备和存储介质 Active CN113034438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110226735.6A CN113034438B (zh) 2021-03-01 2021-03-01 一种ct灌注参数预测方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110226735.6A CN113034438B (zh) 2021-03-01 2021-03-01 一种ct灌注参数预测方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113034438A CN113034438A (zh) 2021-06-25
CN113034438B true CN113034438B (zh) 2021-11-23

Family

ID=76465225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110226735.6A Active CN113034438B (zh) 2021-03-01 2021-03-01 一种ct灌注参数预测方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113034438B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858399A (zh) * 2018-08-24 2020-03-03 西门子医疗有限公司 用于提供虚拟断层扫描中风后续检测图像的方法和装置
CN111543973A (zh) * 2020-06-02 2020-08-18 深圳安科高技术股份有限公司 一种基于动脉自旋标记的可变延迟时间的脑灌注加权成像方法
EP3695784A1 (en) * 2019-02-12 2020-08-19 Koninklijke Philips N.V. Prediction of coronary microvascular dysfunction from coronary computed tomography

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007301181A (ja) * 2006-05-11 2007-11-22 Ge Medical Systems Global Technology Co Llc 超音波診断装置および画像表示方法
JP5010375B2 (ja) * 2007-07-18 2012-08-29 株式会社東芝 医用画像診断装置
CN104287764B (zh) * 2014-09-11 2017-05-31 沈阳东软医疗系统有限公司 一种ct灌注成像方法和设备
JP7209003B2 (ja) * 2018-02-01 2023-01-19 コーニンクレッカ フィリップス エヌ ヴェ 定量分析が向上された低放射線量コンピュータ断層撮影灌流（ｃｔｐ）
US11568955B2 (en) * 2018-08-21 2023-01-31 Lonza Ltd Process for creating reference data for predicting concentrations of quality attributes
CN109658401B (zh) * 2018-12-14 2022-04-29 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110766691A (zh) * 2019-12-06 2020-02-07 北京安德医智科技有限公司 一种心脏磁共振影像分析及心肌病预测的方法、装置
CN111062963B (zh) * 2019-12-16 2024-03-26 上海联影医疗科技股份有限公司 一种血管提取方法、系统、设备及存储介质
CN111489360A (zh) * 2020-03-18 2020-08-04 上海商汤智能科技有限公司 一种图像分割方法及相关设备
CN111640503B (zh) * 2020-05-29 2023-09-26 上海市肺科医院 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858399A (zh) * 2018-08-24 2020-03-03 西门子医疗有限公司 用于提供虚拟断层扫描中风后续检测图像的方法和装置
EP3695784A1 (en) * 2019-02-12 2020-08-19 Koninklijke Philips N.V. Prediction of coronary microvascular dysfunction from coronary computed tomography
CN111543973A (zh) * 2020-06-02 2020-08-18 深圳安科高技术股份有限公司 一种基于动脉自旋标记的可变延迟时间的脑灌注加权成像方法

Also Published As

Publication number Publication date
CN113034438A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN111310764B (zh) 网络训练、图像处理方法及装置、电子设备和存储介质
WO2020211293A1 (zh) 一种图像分割方法及装置、电子设备和存储介质
CN109658401B (zh) 图像处理方法及装置、电子设备和存储介质
US20210110522A1 (en) Image processing method and apparatus, and storage medium
CN110598504B (zh) 图像识别方法及装置、电子设备和存储介质
CN112541928A (zh) 网络训练方法及装置、图像分割方法及装置和电子设备
US11556761B2 (en) Method and device for compressing a neural network model for machine translation and storage medium
US11741583B2 (en) Face image processing method and apparatus, electronic device, and storage medium
CN110837761A (zh) 多模型知识蒸馏方法及装置、电子设备和存储介质
CN109543537B (zh) 重识别模型增量训练方法及装置、电子设备和存储介质
CN113034491B (zh) 一种冠脉钙化斑块检测方法及装置
CN113012816B (zh) 脑分区风险预测方法及装置、电子设备和存储介质
US20210326649A1 (en) Configuration method and apparatus for detector, storage medium
CN112115894A (zh) 手部关键点检测模型的训练方法、装置及电子设备
CN113469948B (zh) 左心室节段识别方法及装置、电子设备和存储介质
CN112396119A (zh) 一种图像处理方法及装置、电子设备和存储介质
CN111783898A (zh) 图像识别模型的训练、图像识别方法、装置及设备
CN113393433B (zh) 一种通用的医学影像灌注参数预测方法及装置
CN113034438B (zh) 一种ct灌注参数预测方法及装置、电子设备和存储介质
CN112767541B (zh) 三维重建方法及装置、电子设备和存储介质
CN110533006B (zh) 一种目标跟踪方法、装置及介质
CN112155544A (zh) 基于零磁场线的成像方法及装置、电子设备和存储介质
CN115512116B (zh) 图像分割模型优化方法、装置、电子设备及可读存储介质
CN111984765A (zh) 知识库问答过程关系检测方法及装置
CN112686867A (zh) 医学图像的识别方法及装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A CT perfusion parameter prediction method and device, electronic equipment and storage medium

Effective date of registration: 20221115

Granted publication date: 20211123

Pledgee: Beijing Jiahesen Health Technology Co.,Ltd.

Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd.

Registration number: Y2022990000806

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20211123

Pledgee: Beijing Jiahesen Health Technology Co.,Ltd.

Pledgor: BEIJING ANDE YIZHI TECHNOLOGY Co.,Ltd.

Registration number: Y2022990000806