ct灌注成像处理方法及装置
技术领域
1.本公开涉及计算机技术领域，尤其涉及一种ct灌注成像处理方法及装置。
背景技术：2.脑卒中已成为全球第二大致死疾病，同时也是第二大致残性疾病，超过一半的脑卒中患者患有慢性残疾后遗症，造成了极大的疾病负担。早期识别急性脑卒中并准确划分病变区域以及时进行干预对于降低发病率和死亡率至关重要。大脑血流的氧气供应中断超过6秒，脑神经细胞就会出现异常活动，患者在15秒内便会出现昏迷和意识模糊，在120秒内患者的脑电图将显示脑电波振幅降低，大脑正常电活动将停止。如果患者在300秒内没有得到及时的帮助，就会发生不可逆的脑功能损害，并导致严重的疾病如脑梗死和脑血栓。如果对缺血性脑卒中患者脑部阻塞或变窄的血管及时进行再灌注治疗，以确保患者的血管得到快速有效的疏通，可以有效减少脑梗死面积。在临床实践中，应用血管扩张剂进行静脉溶栓常用于治疗缺血性脑卒中患者，然而对于一些因各种原因不能在窗口期内及时接受溶栓治疗或有溶栓禁忌症的患者，即使在溶栓后也不能确保避免栓塞再次发生。脑侧支循环可以在缺血性脑卒中发生时为病变区域的血管提供血液并恢复病灶的正常血流，因此，脑侧支循环的血流状态对缺血性脑卒中患者的治疗具有重要意义。
3.临床上可采用数字减影血管造影(digital subtraction angiography, dsa)检查缺血性脑卒中患者的脑血管系统。dsa可以通过特殊影像处理消除多余的组织和结构，进而准确地保留血管造影显像，从而观察血管状态和血流方向等信息。然而，dsa检查需要动脉介入实施且具有放射性，会给患者造成较大的风险和创伤。因此，无创的ct灌注成像技术(ct perfusion imaging technology, cpt)的应用在临床上更为广泛。医生通常会选择ct和mri等影像检查来划分脑卒中病灶，然而人工划分病变部位具有一定主观性，导致图像分割不准确，同时还会增加医生的工作量。
4.公开于本技术背景技术部分的信息仅仅旨在加深对本技术的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现要素：5.本公开实施例提供一种ct灌注成像处理方法及装置，能够通过训练后的图像分割网络模型ct灌注成像进行处理，减少了人工的主观性误差，提高医生的工作效率，且提升了对病灶区域的分割精度。进一步地，可在训练中引入验证参数，降低了对像素点误分类的概率，提升对病灶区域的分割准确性。
6.本公开实施例的第一方面，提供一种ct灌注成像处理方法,包括：将ct灌注成像转换为输入图像；对所述输入图像进行卷积和激活处理，获得第一图像；对所述第一图像进行池化和激活处理，获得第二图像；迭代执行多次所述卷积和激活处理，以及所述池化和激活处理，并对处理结果进行全连接处理，获得所述 ct灌注成像中的病灶分割结果。
7.根据本公开的实施例，对所述输入图像进行卷积和激活处理，获得第一图像，包括：根据公式对所述输入图像进行卷积和激活处理，获得第一图像，其中，表示第x个卷积层的前一个层级的输出图像中的像素点，表示第一图像中的像素点，t表示坐标为(i，j)的像素点的邻域，表示卷积核参数，表示偏移量，*表示卷积处理，f表示激活函数。
8.根据本公开的实施例，所述激活函数根据公式或或表示，其中，x为激活函数的输入值。
9.根据本公开的实施例，对所述第一图像进行池化和激活处理，获得第二图像，包括：根据公式对所述第一图像进行池化和激活处理，获得第二图像，其中，表示第y个池化层的前一个层级的输出图像中的像素点，表示第二图像中的像素点，sub表示下采样函数，为乘性偏差参数，为加性偏差参数，f表示激活函数。
10.根据本公开的实施例，通过图像分割网络模型进行所述卷积和激活处理、池化和激活处理以及全连接处理，所述方法还包括：将样本ct灌注成像输入所述图像分割网络模型，获得预测分割结果；根据所述预测分割结果和样本ct灌注成像的标注，确定损失函数；根据所述损失函数调整所述图像分割网络模型的参数，获得调参后的图像分割网络模型；将所述调参后的图像分割网络模型在验证集中进行验证，获得至少一种验证参数；在验证参数高于或等于预设阈值的情况下，将调参后的图像分割网络模型作为训练后的图像分割网络模型。
11.根据本公开的实施例，将所述调参后的图像分割网络模型在验证集中进行验证，获得至少一种验证参数，包括：根据公式和和中的至少一种，获得至少一种验证参数，其中，pre表示精度，tp表示真阳率，fp表示假阳率，sen表示灵敏度，fn表示假阴率，dsc表示骰子相似系数，m表示标注中的病灶区域，n表示图像分割网络模型输出的预测分割结果中的病灶区域。
12.根据本公开的实施例，所述方法还包括：在所述验证参数低于预设阈值的情况下，再次调整所述调参后的图像分割网络模型的参数。
13.本公开实施例的第二方面，提供一种ct灌注成像处理装置，所述装置包括：转换模块，用于将ct灌注成像转换为输入图像；卷积模块，用于对所述输入图像进行卷积和激活处理，获得第一图像；池化模块，用于对所述第一图像进行池化和激活处理，获得第二图像；结果模块，用于迭代执行多次所述卷积和激活处理，以及所述池化和激活处理，并对处理结果进行全连接处理，获得所述ct灌注成像中的病灶分割结果。
14.根据本公开的实施例，根据本公开的实施例，所述卷积模块进一步用于：根据公式
对所述输入图像进行卷积和激活处理，获得第一图像，其中，表示第x个卷积层的前一个层级的输出图像中的像素点，表示第一图像中的像素点，t表示坐标为(i，j)的像素点的邻域，表示卷积核参数，表示偏移量，*表示卷积处理，f表示激活函数。
15.根据本公开的实施例，所述激活函数根据公式或或表示，其中，x为激活函数的输入值。
16.根据本公开的实施例，所述池化模块进一步用于：根据公式根据本公开的实施例，所述池化模块进一步用于：根据公式对所述第一图像进行池化和激活处理，获得第二图像，其中，表示第y个池化层的前一个层级的输出图像中的像素点，表示第二图像中的像素点，sub表示下采样函数，为乘性偏差参数，为加性偏差参数，f 表示激活函数。
17.根据本公开的实施例，通过图像分割网络模型进行所述卷积和激活处理、池化和激活处理以及全连接处理，所述装置还包括：训练模块，用于将样本ct灌注成像输入所述图像分割网络模型，获得预测分割结果；根据所述预测分割结果和样本ct灌注成像的标注，确定损失函数；根据所述损失函数调整所述图像分割网络模型的参数，获得调参后的图像分割网络模型；将所述调参后的图像分割网络模型在验证集中进行验证，获得至少一种验证参数；在验证参数高于或等于预设阈值的情况下，将调参后的图像分割网络模型作为训练后的图像分割网络模型。
18.根据本公开的实施例，所述训练模块进一步用于：根据公式根据本公开的实施例，所述训练模块进一步用于：根据公式和中的至少一种，获得至少一种验证参数，其中，pre 表示精度，tp表示真阳率，fp表示假阳率，sen表示灵敏度，fn表示假阴率， dsc表示骰子相似系数，m表示标注中的病灶区域，n表示图像分割网络模型输出的预测分割结果中的病灶区域。
19.根据本公开的实施例，所述装置还包括：再训练模块，用于在所述验证参数低于预设阈值的情况下，再次调整所述调参后的图像分割网络模型的参数。
20.本公开实施例的第三方面，提供一种ct灌注成像处理设备，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。
21.本公开实施例的第四方面，提供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上述方法。
附图说明
22.图1示例性地示出本公开实施例的ct灌注成像处理方法的流程示意图；
23.图2示例性地示出本公开实施例的图像分割网络模型的示意图；
24.图3示例性地示出本公开实施例的ct灌注成像处理方法的案例示意图；
25.图4示例性地示出本公开实施例的ct灌注成像处理装置的框图；
26.图5是根据一示例性实施例示出的一种ct灌注成像处理设备的框图。
具体实施方式
27.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
28.本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
29.应当理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
30.应当理解，在本公开中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
31.应当理解，在本公开中，“多个”是指两个或两个以上。“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，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。字符“/”一般表示前后关联对象是一种“或”的关系。“包含a、b和c”、“包含a、b、c”是指 a、b、c三者都包含，“包含a、b或c”是指包含a、b、c三者之一，“包含a、b 和/或c”是指包含a、b、c三者中任1个或任2个或3个。
32.应当理解，在本公开中，“与a对应的b”、“与a相对应的b”、“a与b 相对应”或者“b与a相对应”，表示b与a相关联，根据a可以确定b。根据a 确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。a与b 的匹配，是a与b的相似度大于或等于预设的阈值。
33.取决于语境，如在此所使用的“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。
34.下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
35.图1示例性地示出本公开实施例的ct灌注成像处理方法的流程示意图，如图1所示，所述方法包括：
36.步骤s101，将ct灌注成像转换为输入图像；
37.步骤s102，对所述输入图像进行卷积和激活处理，获得第一图像；
38.步骤s103，对所述第一图像进行池化和激活处理，获得第二图像；
39.步骤s104，迭代执行多次所述卷积和激活处理，以及所述池化和激活处理，并对处理结果进行全连接处理，获得所述ct灌注成像中的病灶分割结果。
40.根据本公开的实施例，可基于cnn(convolutional neural networks,卷积神经网络)来构建图像分割网络模型。使得图像分割网络模型包括多个网络层级，例如，包括卷积层，激活层，池化层，全连接层等，本公开对图像分割网络模型的结构不做限制。
41.图2示例性地示出本公开实施例的图像分割网络模型的示意图，如图2所示，所述图像分割网络模型可包括三个卷积层，可对输入图像进行卷积运算，还可包括两个池化层，可对输入图像进行池化处理。并且，在每个卷积层和池化层后还可包括激活层，用于对卷积处理和池化处理的结果进行激活运算，例如，使用激活函数进行激活运算。进一步地，所述图像分割网络模型还可包括全连接层，从而进行全连接处理，获得输出结果，即，ct灌注成像中的病灶分割结果。
42.根据本公开的实施例，在步骤s101中，可将ct灌注成像转换为输入图像，例如，利用格式转换等方式，将ct灌注成像转换为图像格式，或者将三维的ct 灌注成像转换为二维的图像，从而可输入图像分割网络模型进行处理。
43.根据本公开的实施例，在步骤s102中，可对输入图像进行卷积和激活处理，获得第一图像。即，使用图像分割网络模型中的卷积层和激活层进行所述卷积和激活处理，获得第一图像。
44.根据本公开的实施例，步骤s102可包括：根据公式(1)对所述输入图像进行卷积和激活处理，获得第一图像：
[0045][0046]
其中，表示第x个卷积层的前一个层级的输出图像中的像素点，表示第一图像中的像素点，t表示坐标为(i，j)的像素点的邻域，表示卷积核参数，表示偏移量，*表示卷积处理，f表示激活函数。
[0047]
根据本公开的实施例，以图2中的图像分割网络模型为例，x可取值为1、2 或3，在x＝1时，第x个卷积层的前一个层级的输出图像(即，第x个卷积层的输入信息)为所述输入图像，在x＝2或3时，第x个卷积层的前一个层级的输出图像(即，第x个卷积层的输入信息)为前一个池化层的输出图像。即为第x个卷积层的前一个层级的输出图像中的像素点，即为第x个卷积层输出的第一图像中的像素点，即，经过卷积和激活处理后的像素点的像素值。
[0048]
根据本公开的实施例，为卷积核参数，可通过对图像分割网络模型进行训练获得，为偏移量，其取值可以是预设的数值，也可以是训练获得的数值。
[0049]
根据本公开的实施例，f表示激活函数，激活函数可包括sigmoid函数和relu 函数等，本公开对激活函数的具体类型不做限制，在示例中，所述激活函数根据公式(2)或公式(3)表示，
[0050][0051]
[0052]
其中，x为激活函数的输入值。在图像分割网络模型中，激活函数的输入值为激活层之前的卷积层或池化层输出的图像中的像素值。
[0053]
根据本公开的实施例，在步骤s103中，可通过图像分割网络模型的池化层对第一图像进行池化处理，并通过激活层对池化层的输出图像进行激活处理，获得第二图像。
[0054]
根据本公开的实施例，步骤s103可包括：根据公式(4)对所述第一图像进行池化和激活处理，获得第二图像：
[0055][0056]
其中，表示第y个池化层的前一个层级的输出图像中的像素点，表示第二图像中的像素点，sub表示下采样函数，为乘性偏差参数，为加性偏差参数，f表示激活函数。
[0057]
根据本公开的实施例，为第y个池化层的前一个层级的输出图像中的像素点，例如，池化层位于卷积层之后，所述第y个池化层的前一个层级的输出图像可以是第y个池化层之前的卷积层的输出图像，或者，经过卷积和激活处理后的输出图像。为第y个池化层输出的第二图像中的像素点，即，经过池化处理及激活处理后的像素点的像素值。
[0058]
根据本公开的实施例，为乘性偏差参数，为加性偏差参数，这两个参数可以是预设的参数，也可以是经过训练获得的参数。
[0059]
根据本公开的实施例，sub表示下采样函数。基于sub函数，所述池化层可进行平均池化、最大池化和随机池化中的任意一种池化处理。
[0060]
根据本公开的实施例，在步骤s104中，可迭代执行上述卷积和激活处理，以及所述池化和激活处理，即，通过多个卷积层和池化层进行处理。如图2中的图像分割网络模型所示，可将卷积和激活处理迭代三次(即，图像分割网络模型包括3个卷积层)，将池化和激活处理迭代两次(即，图像分割网络模型包括2 个池化层)，且卷积和激活处理，以及池化和激活处理之间可交替迭代(即，卷积层和池化层可交替分布)。
[0061]
根据本公开的实施例，经过上述多次迭代处理后，可将最后一个卷积层的输出信息输入至全连接层进行全连接处理，即可获得ct灌注成像中的病灶分割结果。
[0062]
根据本公开的实施例，在使用所述图像分割网络模型对ct灌注成像进行处理前，可对图像分割网络模型进行训练。所述方法还包括：将样本ct灌注成像输入所述图像分割网络模型，获得预测分割结果；根据所述预测分割结果和样本 ct灌注成像的标注，确定损失函数；根据所述损失函数调整所述图像分割网络模型的参数，获得调参后的图像分割网络模型；将所述调参后的图像分割网络模型在验证集中进行验证，获得至少一种验证参数；在验证参数高于或等于预设阈值的情况下，将调参后的图像分割网络模型作为训练后的图像分割网络模型。
[0063]
根据本公开的实施例，所述样本ct灌注成像可以是具有标注的医学图像，例如，已由医生标注好病灶区域的位置。可将样本ct灌注成像输入图像分割网络模型，获得预测分割结果，预测分割结果可能存在误差，而标注可被认为是没有误差的病灶位置，因此，可基
于预测分割结果与标注之间的差异确定损失函数。
[0064]
根据本公开的实施例，由于图像分割网络模型对ct灌注成像所执行的处理为分割处理，即为首先判断每个像素点是否属于病灶，再将属于病灶的像素点的集合确定为病灶区域，从而将病灶区域分割出来，获得病灶分割结果。因此，分割任务的实质为对每个像素点的二分类任务，因此，可使用交叉熵损失函数来确定所述图像分割网络模型的损失函数，即，将预测分割结果与标注之间的差异代入所述交叉熵损失函数，从而确定图像分割网络模型的损失函数。
[0065]
根据本公开的实施例，可基于以上确定的损失函数对图像分割网络模型的参数进行反向调节，例如，通过梯度下降法进行反向调节，使得损失函数最小化。在经过多个轮次的调节后，可获得调参后的图像分割网络模型。
[0066]
根据本公开的实施例，可验证调参后的图像分割网络模型的性能，再例如，可在验证集中存储多个样本ct灌注图像，并通过调参后的图像分割网络模型对验证集中的样本ct灌注图像进行处理，并基于对这些样本ct灌注图像进行处理的处理结果的准确性来确定至少一种验证参数。
[0067]
根据本公开的实施例，将所述调参后的图像分割网络模型在验证集中进行验证，获得至少一种验证参数，包括：根据公式(5)、(6)、(7)中的至少一种，获得至少一种验证参数
[0068][0069][0070][0071]
其中，pre表示精度，tp表示真阳率，fp表示假阳率，sen表示灵敏度， fn表示假阴率，dsc表示骰子相似系数，m表示标注中的病灶区域，n表示图像分割网络模型输出的预测分割结果中的病灶区域。
[0072]
根据本公开的实施例，所述真阳率表示图像分割网络模型输出的像素点属于病灶区域且该像素点的标注为病灶区域的概率；所述假阳率表示图像分割网络模型输出的像素点属于病灶区域且该像素点的标注为非病灶区域的概率；所述假阴率表示图像分割网络模型输出的像素点属于非病灶区域且该像素点的标注为病灶区域的概率。
[0073]
根据本公开的实施例，如果选择的验证参数高于或等于预设阈值，则调参后的图像分割网络模型可作为训练后的图像分割网络模型。即，调参后的图像分割网络模型精度已符合要求。
[0074]
根据本公开的实施例，所述方法还包括：在所述验证参数低于预设阈值的情况下，再次调整所述调参后的图像分割网络模型的参数。即，如果调参后的图像分割网络模型的精度不符合要求，则需要继续对调参后的图像分割网络模型进行训练，直到调参后的图像分割网络模型在验证集中的验证参数符合要求为止。
[0075]
根据本公开的实施例，经过以上训练，可获得训练后的图像分割网络模型。可用于对没有标注的ct灌注成像进行处理。
[0076]
根据本公开的实施例，还可使用上述公式(5)、(6)、(7)中的至少一种来评价训练
后的图像分割网络模型，例如，在使用训练后的图像分割网络模型对ct灌注成像进行处理获得病灶分割结果后，可由医生来判断病灶区域的位置，从而基于训练后的图像分割网络模型获得的病灶分割结果，以及医生确定的位置，经过公式(5)、(6)、(7)中的至少一种进行处理，来获得对训练后的图像分割网络模型的评价指标。
[0077]
根据本公开的ct灌注成像处理方法，能够通过训练后的图像分割网络模型ct 灌注成像进行处理，减少了人工的主观性误差，提高医生的工作效率，且提升了对病灶区域的分割精度。进一步地，可在训练中引入验证参数，降低了对像素点误分类的概率，提升对病灶区域的分割准确性。
[0078]
图3示例性地示出本公开实施例的ct灌注成像处理方法的案例示意图，如图3所示，可通过训练后的图像分割网络模型对ct灌注成像(图3中的(a)图) 进行处理，获得病灶分割结果，即，病灶区域的位置。
[0079]
根据本公开的实施例，通过训练后的图像分割网络模型获得的病灶区域的位置如图3中的(b)图所示，相较于相关技术中分割出的病灶区域(c)，训练后的图像分割网络模型获得的病灶区域的边界更清晰，区域划分更准确，可为医生提供更准确的参考。
[0080]
图4示例性地示出本公开实施例的ct灌注成像处理装置的框图，如图4所示，所述装置包括：
[0081]
转换模块，用于将ct灌注成像转换为输入图像；
[0082]
卷积模块，用于对所述输入图像进行卷积和激活处理，获得第一图像；
[0083]
池化模块，用于对所述第一图像进行池化和激活处理，获得第二图像；
[0084]
结果模块，用于迭代执行多次所述卷积和激活处理，以及所述池化和激活处理，并对处理结果进行全连接处理，获得所述ct灌注成像中的病灶分割结果。
[0085]
根据本公开的实施例，所述卷积模块进一步用于：根据公式根据本公开的实施例，所述卷积模块进一步用于：根据公式对所述输入图像进行卷积和激活处理，获得第一图像，其中，表示第x个卷积层的前一个层级的输出图像中的像素点，表示第一图像中的像素点，t表示坐标为(i，j)的像素点的邻域，表示卷积核参数，表示偏移量，*表示卷积处理，f表示激活函数。
[0086]
根据本公开的实施例，所述激活函数根据公式或或表示，其中，x为激活函数的输入值。
[0087]
根据本公开的实施例，所述池化模块进一步用于：根据公式根据本公开的实施例，所述池化模块进一步用于：根据公式对所述第一图像进行池化和激活处理，获得第二图像，其中，表示第y个池化层的前一个层级的输出图像中的像素点，表示第二图像中的像素点，sub表示下采样函数，为乘性偏差参数，为加性偏差参数，f 表示激活函数。
[0088]
根据本公开的实施例，通过图像分割网络模型进行所述卷积和激活处理、池化和
激活处理以及全连接处理，所述装置还包括：训练模块，用于将样本ct灌注成像输入所述图像分割网络模型，获得预测分割结果；根据所述预测分割结果和样本ct灌注成像的标注，确定损失函数；根据所述损失函数调整所述图像分割网络模型的参数，获得调参后的图像分割网络模型；将所述调参后的图像分割网络模型在验证集中进行验证，获得至少一种验证参数；在验证参数高于或等于预设阈值的情况下，将调参后的图像分割网络模型作为训练后的图像分割网络模型。
[0089]
根据本公开的实施例，所述训练模块进一步用于：根据公式根据本公开的实施例，所述训练模块进一步用于：根据公式和中的至少一种，获得至少一种验证参数，其中，pre 表示精度，tp表示真阳率，fp表示假阳率，sen表示灵敏度，fn表示假阴率， dsc表示骰子相似系数，m表示标注中的病灶区域，n表示图像分割网络模型输出的预测分割结果中的病灶区域。
[0090]
根据本公开的实施例，所述装置还包括：再训练模块，用于在所述验证参数低于预设阈值的情况下，再次调整所述调参后的图像分割网络模型的参数。
[0091]
图5是根据一示例性实施例示出的一种ct灌注成像处理设备的框图。例如，所述设备1600可以被提供为一终端或服务器。设备1600包括处理组件1602，以及由存储器1603所代表的存储器资源，用于存储可由处理组件1602的执行的指令，例如应用程序。存储器1603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1602被配置为执行指令，以执行上述方法。
[0092]
设备1600还可以包括一个电源组件1606被配置为执行设备1600的电源管理，一个有线或无线网络接口1605被配置为将设备1600连接到网络，和一个输入输出(i/o)接口1608。设备1600可以操作基于存储在存储器1603的操作系统，例如windows servertm，mac os xtm，unixtm，linuxtm，freebsdtm或类似。
[0093]
本发明可以是方法、装置、系统和/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，其上载有用于执行本发明的各个方面的计算机可读程序指令。
[0094]
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。
[0095]
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。
[0096]
用于执行本发明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，从而实现本发明的各个方面。
[0097]
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。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。
[0098]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，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。
[0099]
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他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、其他可编程数据处理装置、或其他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。
[0100]
附图中的流程图和框图显示了根据本发明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。
[0101]
注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到
的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
[0102]
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
[0103]
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
技术特征：1.一种ct灌注成像处理方法，其特征在于，包括：将ct灌注成像转换为输入图像；对所述输入图像进行卷积和激活处理，获得第一图像；对所述第一图像进行池化和激活处理，获得第二图像；迭代执行多次所述卷积和激活处理，以及所述池化和激活处理，并对处理结果进行全连接处理，获得所述ct灌注成像中的病灶分割结果。2.根据权利要求1所述的方法，其特征在于，对所述输入图像进行卷积和激活处理，获得第一图像，包括：根据公式对所述输入图像进行卷积和激活处理，获得第一图像，其中，表示第x个卷积层的前一个层级的输出图像中的像素点，表示第一图像中的像素点，t表示坐标为(i，j)的像素点的邻域，表示卷积核参数，表示偏移量，*表示卷积处理，f表示激活函数。3.根据权利要求2所述的方法，其特征在于，所述激活函数根据公式3.根据权利要求2所述的方法，其特征在于，所述激活函数根据公式或表示，其中，x为激活函数的输入值。4.根据权利要求1所述的方法，其特征在于，对所述第一图像进行池化和激活处理，获得第二图像，包括：根据公式对所述第一图像进行池化和激活处理，获得第二图像，其中，表示第y个池化层的前一个层级的输出图像中的像素点，表示第二图像中的像素点，sub表示下采样函数，为乘性偏差参数，为加性偏差参数，f表示激活函数。5.根据权利要求1所述的方法，其特征在于，通过图像分割网络模型进行所述卷积和激活处理、池化和激活处理以及全连接处理，所述方法还包括：将样本ct灌注成像输入所述图像分割网络模型，获得预测分割结果；根据所述预测分割结果和样本ct灌注成像的标注，确定损失函数；根据所述损失函数调整所述图像分割网络模型的参数，获得调参后的图像分割网络模型；将所述调参后的图像分割网络模型在验证集中进行验证，获得至少一种验证参数；在验证参数高于或等于预设阈值的情况下，将调参后的图像分割网络模型作为训练后的图像分割网络模型。6.根据权利要求5所述的方法，其特征在于，将所述调参后的图像分割网络模型在验证集中进行验证，获得至少一种验证参数，包括：根据公式根据公式和中的至少一种，获得至少
一种验证参数，其中，pre表示精度，tp表示真阳率，fp表示假阳率，sen表示灵敏度，fn表示假阴率，dsc表示骰子相似系数，m表示标注中的病灶区域，n表示图像分割网络模型输出的预测分割结果中的病灶区域。7.根据权利要求5所述的方法，其特征在于，所述方法还包括：在所述验证参数低于预设阈值的情况下，再次调整所述调参后的图像分割网络模型的参数。8.一种ct灌注成像处理装置，其特征在于，包括：转换模块，用于将ct灌注成像转换为输入图像；卷积模块，用于对所述输入图像进行卷积和激活处理，获得第一图像；池化模块，用于对所述第一图像进行池化和激活处理，获得第二图像；结果模块，用于迭代执行多次所述卷积和激活处理，以及所述池化和激活处理，并对处理结果进行全连接处理，获得所述ct灌注成像中的病灶分割结果。9.一种ct灌注成像处理设备，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7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7中任意一项所述的方法。
技术总结本公开提供一种CT灌注成像处理方法及装置。所述方法包括：将CT灌注成像转换为输入图像；对输入图像进行卷积和激活处理，获得第一图像；对第一图像进行池化和激活处理，获得第二图像；迭代执行多次卷积和激活处理，以及池化和激活处理，并对处理结果进行全连接处理，获得病灶分割结果。根据本公开，能够通过训练后的图像分割网络模型CT灌注成像进行处理，减少了人工的主观性误差，提高医生的工作效率，且提升了对病灶区域的分割精度。进一步地，可在训练中引入验证参数，降低了对像素点误分类的概率，提升对病灶区域的分割准确性。提升对病灶区域的分割准确性。提升对病灶区域的分割准确性。
技术研发人员：刘伟奇 陈磊 马学升 陈金钢 徐鹏 赵友源 陈韵如
受保护的技术使用者：同心智医科技（北京）有限公司
技术研发日：2022.07.13
技术公布日：2022/11/1
