九州酷游 九州酷游ku 体育图像分割方法及相关设备pdf
九州酷游 九州酷游网址九州酷游 九州酷游网址《图像分割方法及相关设备.pdf》由会员分享，可在线阅读，更多相关《图像分割方法及相关设备.pdf（18页完成版）》请在专利查询网上搜索。
2、名称 一种图像分割方法及相关设备 (57)摘要 本发明提供一种图像分割方法及相关装置， 其中， 所述方法包括： 获取到第一待分割的脑部 图像； 通过深度学习定位网络对所述脑部图像进 行定位， 得到大脑前动脉预测点和大脑静脉预测 点； 利用所述大脑前动脉预测点和所述大脑静脉 预测点计算得到所述脑部图像对应的灌注参数 图； 利用所述灌注参数图计算得到所述脑灌注梗 死核心区域， 以此提高梗死核心区域的分割精度 及鲁棒性。 权利要求书2页 说明书10页 附图5页 CN 111489360 A 2020.08.04 CN 111489360 A 1.一种图像分割方法， 其特征在于， 所述方法包括： 获取。
3、到第一待分割的脑部图像； 通过深度学习定位网络对所述脑部图像进行定位， 得到大脑前动脉预测点和大脑静脉 预测点； 利用所述大脑前动脉预测点和所述大脑静脉预测点计算得到所述脑部图像对应的灌 注参数图； 利用所述灌注参数图计算得到所述脑灌注梗死核心区域。 2.根据权利要求1所述的图像分割方法， 其特征在于， 所述通过深度学习定位网络对所 述脑部图像进行定位， 得到大脑前动脉预测点和大脑静脉预测点之前还包括： 获取脑部样本图像， 所述脑部样本图像为对大脑前动脉点和大脑静脉点进行初步标注 的图像； 利用所述脑部样本图像对初始深度学习定位网络进行训练， 以得到所述深度学习定位 网络。 3.根据权利要求2。
4、所述的图像分割方法， 其特征在于， 所述通过深度学习定位网络对所述脑部图像进行定位， 得到大脑前动脉预测点和大脑 静脉预测点的步骤具体包括： 通过深度学习定位网络对所述脑部图像进行定位， 得到大脑前动脉候选点和大脑静脉 候选点； 利用局部搜索算法计算得到所述大脑前动脉候选点对应的大脑前动脉预测点以及所 述大脑静脉候选点对应的大脑静脉预测点。 4.根据权利要求3所述的图像分割方法， 其特征在于， 所述利用局部搜索算法计算得到 所述大脑前动脉候选点对应的大脑前动脉预测点以及所述大脑静脉候选点对应的大脑静 脉预测点的步骤包括： 以所述大脑前动脉候选点为圆心， 预设第一半径范围内的区域为大脑前动脉点候。
5、选区 域， 以所述大脑静脉候选点为圆心， 预设第二半径范围内的区域为大脑静脉点候选区域； 利用所述局部搜索算法分别从所述大脑前动脉点候选区域中确定所述大脑前动脉预 测点， 及从所述大脑静脉点选区域中确定所述大脑静脉预测点。 5.根据权利要求4所述的图像分割方法， 其特征在于， 利用所述局部搜索算法分别从所 述大脑前动脉点候选区域中确定所述大脑前动脉预测点， 及从所述大脑静脉点选区域中确 定所述大脑静脉预测点的步骤包括： 从所述大脑前动脉点候选区域中选取时间最大值对应的多个第一组织密度值， 及从所 述大脑静脉点选区域中选取时间最大值对应的多个第二组织密度值； 从所述多个第一组织密度值中选取组织密。
6、度值的最大值作为所述大脑前动脉预测点， 及从所述第二组织密度值中选取组织密度值的最大值作为所述大脑静脉预测点。 6.根据权利要求1所述的图像分割方法， 其特征在于， 所述灌注参数图包括： 局部脑血 容积图、 局部脑血容量图、 平均通过时间图和达峰时间图。 7.根据权利要求6所述的图像分割方法， 其特征在于， 利用所述大脑前动脉预测点和所 述大脑静脉预测点计算得到所述脑部图像对应的灌注参数图的步骤包括： 获取所述大脑前动脉预测点对应的函数曲线和所述大脑静脉预测点对应的函数曲线 将所述大脑前动脉预测点对应的函数曲线作为第一动脉输入函数。
7、， 及将所述大脑静脉 预测点对应的函数曲线作为静脉输出函数； 利用所述静脉输出函数对所述第一动脉输入函数进行修正， 以得到第二动脉输入函 数； 利用所述第二输入函数通过去卷积算法计算得到所述局部脑血容积图、 所述局部脑血 容量图、 所述平均通过时间图和所述达峰时间图。 8.根据权利要求7所述的图像分割方法， 其特征在于， 所述利用所述灌注参数图计算得 到所述脑灌注梗死核心区域的步骤包括： 获取到第二待分割的脑部图像； 将所述达峰时间图中大于预设时间的区域作为低灌区域； 利用所述局部脑血容积图像、 所述局部脑血容量图像采用卷积神经网络算法从所述低 灌区域中获取到所述第二待分割的脑部图像对应的所述。
8、梗死核心区域。 9.根据权利要求7所述的图像分割方法， 其特征在于， 所述利用所述灌注参数图计算得 到所述脑灌注梗死核心区域的步骤包括： 获取到第二待分割的脑部图像； 将所述达峰时间图中大于预设时间的区域作为低灌区域； 利用所述局部脑血容积图像、 所述局部脑血容量图像及所述平均通过时间图采用卷积 神经网络算法从所述低灌区域中获取到所述第二待分割的脑部图像对应的所述梗死核心 区域。 10.根据权利要求8或9所述的图像分割方法， 其特征在于， 所述方法还包括： 根据所述低灌区域及所述梗死核心区域得到缺血半暗带区域； 其中， 所述梗死核心区域加上所述缺血半暗带区域等于所述低灌区域。 11.一种图像分。
9、割装置， 其特征在于， 包括： 获取模块， 用于获取到第一待分割的脑部图像； 定位模块， 用于通过深度学习定位网络对所述脑部图像进行定位， 得到大脑前动脉预 测点和大脑静脉预测点； 灌注参数图获取模块， 用于利用所述大脑前动脉预测点和所述大脑静脉预测点计算得 到所述脑部图像对应的灌注参数图； 梗死核心区域分割模块， 用于利用所述灌注参数图计算得到所述脑灌注梗死核心区 域。 12.一种图像分割设备， 其特征在于， 所述设备包括： 相互藕接的处理器、 存储器， 其中， 所述存储器用于存储实现如权利要求110任意一项所述的图像分割方法的程序指 令； 所述处理器用于执行所述存储器存储的所述程序指令。 。
10、13.一种计算机可读存储介质， 其特征在于， 存储有程序文件， 所述程序文件能够被执 行以实现如权利要求110任意一项所述的图像分割方法。 权利要求书 2/2 页 3 CN 111489360 A 3 一种图像分割方法及相关设备 技术领域 0001 本发明涉及医学影像技术领域， 尤其涉及一种图像分割方法及相关设备。 背景技术 0002 大脑CT灌注成像是一种用于分析颅内的血流动力学的成像技术， 广泛用于诊断缺 血性脑卒中。 CT灌注成像是通过观察静脉内快速团注碘对比剂时脑组织密度动态变化， 根 据不同的数学模型计算得到局部脑血容积、 局部脑血流量、 平均通过时间和达峰时间， 一般 通过达峰时间。
11、大于6s为低灌注区域， 病灶侧的局部脑血流量比上正常侧的局部脑血流量小 于30作为脑梗死核心区域， 低灌注区域中除去梗死核心区域的其余区域为缺血半暗带， 梗死核心区域和缺血半暗带区域的分割对于治疗方案的制定至关重要。 0003 传统基于数学模型的梗死核心区域和缺血半暗带区域的分割方法存在定位不准、 检测结果不准确等缺点。 发明内容 0004 本发明提供一种图像分割方法及相关设备， 用于提高梗死核心区域的分割精度及 鲁棒性。 0005 为解决上述技术问题， 本发明提供的一个技术方案为： 提供一种图像分割方法， 所 述方法包括： 获取到第一待分割的脑部图像； 通过深度学习定位网络对所述脑部图像进行。
12、 定位， 得到大脑前动脉预测点和大脑静脉预测点； 利用所述大脑前动脉预测点和所述大脑 静脉预测点计算得到所述脑部图像对应的灌注参数图； 利用所述灌注参数图计算得到所述 脑灌注梗死核心区域。 以此能够提高梗死核心区域的分割精度及鲁棒性。 0006 其中， 所述通过深度学习定位网络对所述脑部图像进行定位， 得到大脑前动脉预 测点和大脑静脉预测点之前还包括： 获取脑部样本图像， 所述脑部样本图像为对大脑前动 脉点和大脑静脉点进行初步标注的图像； 利用脑部样本图像对初始深度学习定位网络进行 训练， 以得到所述深度学习定位网络。 以此能够使得深度学习定位网络准确定位出大脑前 动脉预测点和大脑静脉预测点，。
13、 进而提高梗死核心区域的分割精度及鲁棒性。 0007 其中， 所述通过深度学习定位网络对所述脑部图像进行定位， 得到大脑前动脉预 测点和大脑静脉预测点的步骤具体包括： 通过深度学习定位网络对所述脑部图像进行定 位， 得到大脑前动脉候选点和大脑静脉候选点； 利用局部搜索算法计算得到所述大脑前动 脉候选点对应的大脑前动脉预测点以及所述大脑静脉候选点对应的大脑静脉预测点。 以此 能够使得深度学习定位网络准确定位出大脑前动脉预测点和大脑静脉预测点， 进而提高梗 死核心区域的分割精度及鲁棒性。 0008 其中， 所述利用局部搜索算法计算得到所述大脑前动脉候选点对应的大脑前动脉 预测点以及所述大脑静脉候选。
14、点对应的大脑静脉预测点的步骤包括： 以所述大脑前动脉候 选点为圆心， 预设第一半径范围内的区域为大脑前动脉点候选区域， 以所述大脑静脉候选 点为圆心， 预设第二半径范围内的区域为大脑静脉点候选区域； 利用所述局部搜索算法分 说明书 1/10 页 4 CN 111489360 A 4 别从所述大脑前动脉点候选区域中确定所述大脑前动脉预测点， 及从所述大脑静脉点选区 域中确定所述大脑静脉预测点。 以此能够使得深度学习定位网络准确定位出大脑前动脉预 测点和大脑静脉预测点， 进而提高梗死核心区域的分割精度及鲁棒性。 0009 其中， 利用所述局部搜索算法分别从所述大脑前动脉点候选区域中确定所述大脑 前。
15、动脉预测点， 及从所述大脑静脉点选区域中确定所述大脑静脉预测点的步骤包括： 从所 述大脑前动脉点候选区域中选取时间最大值对应的多个第一组织密度值， 及从所述大脑静 脉点选区域中选取时间最大值对应的多个第二组织密度值； 从所述多个第一组织密度值中 选取组织密度值的最大值作为所述大脑前动脉预测点， 及从所述第二组织密度值中选取组 织密度值的最大值作为所述大脑静脉预测点。 以此能够使得深度学习定位网络准确定位出 大脑前动脉预测点和大脑静脉预测点， 进而提高梗死核心区域的分割精度及鲁棒性。 0010 其中， 所述灌注参数图包括： 局部脑血容积图、 局部脑血容量图、 平均通过时间图 和达峰时间图。 00。
16、11 其中， 利用所述大脑前动脉预测点和所述大脑静脉预测点计算得到所述脑部图像 对应的灌注参数图的步骤包括： 获取所述大脑前动脉预测点对应的函数曲线和所述大脑静 脉预测点对应的函数曲线； 将所述大脑前动脉预测点对应的函数曲线作为第一动脉输入函 数， 及将所述大脑静脉预测点对应的函数曲线作为静脉输出函数； 利用所述静脉输出函数 对所述第一动脉输入函数进行修正， 以得到第二动脉输入函数； 利用所述第二输入函数通 过去卷积算法计算得到所述局部脑血容积图、 所述局部脑血容量图、 所述平均通过时间图 和所述达峰时间图。 以此准确得到所述局部脑血容积图、 所述局部脑血容量图、 所述平均通 过时间图和所述达。
17、峰时间图， 进而通过所述局部脑血容积图、 所述局部脑血容量图、 所述平 均通过时间图和所述达峰时间图得到脑灌注梗死核心区域， 以提高梗死核心区域的分割精 度及鲁棒性。 0012 其中， 所述利用所述灌注参数图计算得到所述脑灌注梗死核心区域的步骤包括： 获取到第二待分割的脑部图像； 将所述达峰时间图中大于预设时间的区域作为低灌区域； 利用所述局部脑血容积图像、 所述局部脑血容量图像采用卷积神经网络算法从所述低灌区 域中获取到所述第二待分割的脑部图像对应的所述梗死核心区域。 以提高梗死核心区域的 分割精度及鲁棒性。 0013 其中， 所述利用所述灌注参数图计算得到所述脑灌注梗死核心区域的步骤包括：。
18、 获取到第二待分割的脑部图像； 将所述达峰时间图中大于预设时间的区域作为低灌区域； 利用所述局部脑血容积图像、 所述局部脑血容量图像及所述平均通过时间图采用卷积神经 网络算法从所述低灌区域中获取到所述第二待分割的脑部图像对应的所述梗死核心区域。 以提高梗死核心区域的分割精度及鲁棒性。 0014 其中， 所述方法还包括： 根据所述低灌区域及所述梗死核心区域得到缺血半暗带 区域； 其中， 所述梗死核心区域加上所述缺血半暗带区域等于所述低灌区域。 在梗死核心区 域的分割精度及鲁棒性强的情况下， 进而提高缺血半暗带区域的分割精度及鲁棒性。 0015 为解决上述技术问题， 本发明提供的第二个技术方案为：。
19、 提供一种图像分割装置， 包括： 获取模块， 用于获取到第一待分割的脑部图像； 定位模块， 用于通过深度学习定位网 络对所述脑部图像进行定位， 得到大脑前动脉预测点和大脑静脉预测点； 灌注参数图获取 模块， 用于利用大脑前动脉预测点和大脑静脉预测点计算得到脑部图像对应的灌注参数 说明书 2/10 页 5 CN 111489360 A 5 图； 梗死核心区域分割模块， 用于利用灌注参数图计算得到所述脑灌注梗死核心区域。 以此 能够提高梗死核心区域的分割精度及鲁棒性。 0016 为解决上述技术问题， 本发明提供的第三个技术方案为： 提供一种图像分割设备， 包括相互藕接的处理器、 存储器， 其中， 。
20、所述存储器用于存储实现上述任意一项所述的图像 分割方法的程序指令； 所述处理器用于执行所述存储器存储的所述程序指令。 0017 为解决上述技术问题， 本发明提供的第四个技术方案为： 提供一种计算机可读存 储介质， 存储有程序文件， 所述程序文件能够被执行以实现上述任意一项所述的图像分割 方法。 0018 本发明的有益效果是： 本发明通过获取到第一待分割的脑部图像； 通过深度学习 定位网络对所述脑部图像进行定位， 得到大脑前动脉预测点和大脑静脉预测点； 利用所述 大脑前动脉预测点和所述大脑静脉预测点计算得到脑部图像对应的灌注参数图； 利用灌注 参数图计算得到所述脑灌注梗死核心区域， 以此提高梗死。
21、核心区域的分割精度及鲁棒性。 附图说明 0019 图1是本发明图像分割方法的第一实施例的流程示意图； 0020 图2是图1中步骤S12的具体流程示意图； 0021 图3是图2中步骤S22的一具体实施方式的流程示意图； 0022 图4是图3中步骤S32的一具体实施方式的流程示意图； 0023 图5是图1中步骤S13的一具体实施方式的流程示意图； 0024 图6是图1中步骤S14的一具体实施方式的流程示意图； 0025 图7是图1中步骤S14的另一具体实施方式的流程示意图； 0026 图8是本发明图像分割方法的第二实施例的流程示意图； 0027 图9是本发明图像分割装置的结构示意图； 0028 图。
22、10是本发明图像分割设备的结构示意图； 0029 图11是本发明计算机可读存储介质的结构示意图。 具体实施方式 0030 下面将结合本申请实施例中的附图， 对本申请实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅是本申请的一部分实施例， 而不是全部的实施例。 基于 本申请中的实施例， 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， 都属于本申请保护的范围。 0031 本发明提供的图像分割方法， 通过深度学习算法对大脑前动脉点及大脑静脉点进 行定位， 可以有效地解决现有技术中大脑动脉点和静脉点的位置自动定位或者手动定位不 准的缺点， 为后续计算提供保。
23、障。 且本发明提供的图像分割方法不需要依赖于正常侧及病 灶侧的对比， 可以防止在正常侧及病灶侧均是异常侧时， 比值检测不出异常的问题， 进一步 提高分割梗死核心区域的精度及鲁棒性。 下面结合附图和实施例对本发明进行详细的说 明。 0032 请参见图1， 为本发明图像分割方法的第一实施例的流程示意图。 包括： 0033 步骤S11： 获取到第一待分割的脑部图像。 说明书 3/10 页 6 CN 111489360 A 6 0034 具体的， 在一实施例中， 脑部图像可以为脑部CT图像， CT图像由CT成像技术获得， 具体地， 用X线束对人体检查部位一定厚度的层面进行扫描， 由探测器接收透过该层面。
24、的X 线， 转变为可见光后， 由光电转换器转变为电信号， 再经模拟/数字转换器转为数字信号， 输 入计算机处理。 图像形成的处理有如将选定层面分成若干个体积相同的长方体， 称之为体 素。 扫描所得信息经计算而获得每个体素的X线衰减系数或吸收系数， 再排列成矩阵， 即数 字矩阵， 数字矩阵可存储于磁盘或光盘中。 经数字/模拟转换器把数字矩阵中的每个数字转 为由黑到白不等灰度的小方块， 即像素， 并按矩阵排列， 即构成CT图像。 本发明以下实施例 中均以脑部CT图像进行图像分割方法的说明。 0035 步骤S12： 通过深度学习定位网络对所述脑部图像进行定位， 得到大脑前动脉预测 点和大脑静脉预测点。
25、。 0036 具体的， 在一实施例中， 通过深度学习定位网络根据初步标注的大脑前动脉点和 大脑静脉点在脑部图像中进行定位之前需要通过训练以得到深度学习定位网络。 具体的， 获取脑部样本图像， 在脑部样本图像中对大脑前动脉点及大脑静脉点进行初步标注。 利用 经过初步标注的脑部样本图像对初始深度学习定位网络进行训练， 以得到深度学习定位网 络。 具体的， 在脑部样本图像中对大脑前动脉点及大脑静脉点进行初步标注时， 可通过人工 标注。 在其他实施方式中， 也可以通过其他方式进行标注， 例如机器识别标注等。 0037 通过上述方式训练而得的深度学习定位网络在脑部图像中进行定位， 以分别获取 到大脑前动。
26、脉预测点及大脑静脉预测点。 0038 具体地， 深度学习定位网络在脑部图像中进行定位时， 可通过收敛、 去卷积等计 算。 0039 具体地， 请参见图2， 为本实施例中步骤S12的一具体实施方式的流程示意图， 包 括： 0040 步骤S21： 通过深度学习定位网络对所述脑部图像进行定位， 得到大脑前动脉候选 点和大脑静脉候选点。 0041 在通过深度学习定位网络得到大脑前动脉预测点和大脑静脉预测点时需要先定 位获取到大脑前动脉候选点和大脑静脉候选点。 0042 步骤S22： 利用局部搜索算法计算得到大脑前动脉候选点对应的大脑前动脉预测 点以及大脑静脉候选点对应的大脑静脉预测点。 0043 局部。
27、搜索算法是一种简单的贪心搜索算法， 该算法每次从当前解的临近解空间中 选择一个最优解作为当前解， 直到达到一个局部最优解。 因此， 本实施例中使用局部搜索算 法从大脑前动脉候选点中获取对应的大脑前动脉预测点， 以及从大脑静脉候选点中获取对 应的大脑静脉预测点能够得到更加精准的大脑前动脉预测点以及大脑静脉预测点。 0044 具体地， 本实施例所示的方法， 先通过深度学习算法定位获取到大脑前动脉候选 点及大脑静脉候选点。 相较于现有技术， 利用深度学习检测大脑前动脉候选点及大脑静脉 候选点的精度及鲁棒性更加突出。 本实施例的方法还通过局部搜索算法根据大脑前动脉候 选点及大脑静脉候选点确定出大脑前动。
28、脉预测点及大脑静脉预测点。 0045 具体地， 请参见图3， 为本实施例中步骤S22的一具体实施方式的流程示意图。 包 括： 0046 步骤S31： 以大脑前动脉候选点为圆心， 预设第一半径范围内的区域为大脑前动脉 说明书 4/10 页 7 CN 111489360 A 7 点候选区域， 以大脑静脉候选点为圆心， 预设第二半径范围内的区域为大脑静脉点候选区 域。 0047 以通过深度学习算法获得到的大脑前动脉候选点为圆心， 预设第一半径范围内的 区域作为大脑前动脉点候选区域。 通过深度学习算法获得到的大脑静脉候选点为圆心， 预 设第二半径范围内的区域作为大脑静脉点候选区域。 0048 其中， 。
29、预设第一半径及预设第二半径可以为1mm、 2mm、 2.5mm、 10mm等， 预设第一半 径与预设第二半径的值可以相同， 也可以不同， 在此不做限定。 0049 步骤S32： 利用局部搜索算法分别从大脑前动脉点候选区域中确定大脑前动脉预 测点， 及从大脑静脉点选区域中确定大脑静脉预测点。 0050 采用局部搜索算法从获取到的大脑前动脉点候选区域中搜索得到大脑前动脉预 测点， 从大脑静脉点选区域中搜索得到大脑静脉预测点。 0051 局部搜索算法是一种简单的贪心搜索算法， 该算法每次从当前解的临近解空间中 选择一个最优解作为当前解， 直到达到一个局部最优解。 因此， 本实施例所述的方法， 通过 。
30、局部搜索算法结合深度学习算法获取到的大脑前动脉预测点及大脑静脉预测点， 相较于现 有技术中的方法， 精度及鲁棒性更高。 0052 具体地， 请参见图4， 为本实施例中步骤S32的以具体实施方式的流程示意图。 包 括： 0053 步骤S41： 从大脑前动脉点候选区域中选取时间最大值对应的多个第一组织密度 值， 及从大脑静脉点选区域中选取时间最大值对应的多个第二组织密度值。 0054 具体地， 大脑前动脉点候选区域中具有若干条曲线， 在一实施例中， 假设若干条曲 线的横坐标为时间坐标， 纵坐标为组织密度坐标， 从若干条曲线中获取时间坐标最大值对 应的多个第一组织密度值。 例如， 若曲线、此时获取得到的多个第一组织密度值为30 个。 0055 具体地， 大脑静脉点选区域中具有若干条曲线， 在一实施例中， 假设若干条曲线的 横坐标为时间坐标， 纵坐标为组织密度坐标， 从若干条曲线中获取时间坐标最大值对应的 多个第二组织密度值。 例如， 若曲线条， 此时获取得到的多个第二组织密度值为30个。 0056 步骤S42： 从多个第一组织密度值中选取组织密度值的最大值作为大脑前动脉预 测点， 及从第二组织密度值中选取组织密度值的最大值作为大脑静脉预测点。 0057 具体地， 若获取得到的第一组织密度值为30个， 比较所得到的30个第一组织密度 值的大小， 将第一组织密度值最大的值所对。
32、应的坐标作为大脑前动脉预测点。 将时间最大 值记作Tm1， 第一组织密度值最大值记作Hm1， 此时大脑前动脉预测点对应位(Tm1， Hm1)。 0058 具体地， 若获取得到的第二组织密度值为30个， 比较所得到的30个第二组织密度 值的大小， 将第二组织密度值最大的值所对应的坐标作为大脑静脉预测点。 将时间最大值 记作Tm2， 第二组织密度值最大值记作Hm2， 此时大脑前动脉预测点对应位(Tm2， Hm2)。 0059 具体地， 本实施例所示的方法， 先通过深度学习算法获取到大脑前动脉候选点及 大脑静脉候选点。 再通过局部搜索算法根据大脑前动脉候选点及大脑静脉候选点确定出大 脑前动脉预测点及。
33、大脑静脉预测点。 相较于现有技术， 利用深度学习检测大脑前动脉候选 点及大脑静脉候选点， 及利用局部搜索算法获取大脑前动脉预测点及大脑静脉预测点的精 度及鲁棒性更加突出。 说明书 5/10 页 8 CN 111489360 A 8 0060 步骤S13： 利用大脑前动脉预测点和大脑静脉预测点计算得到脑部图像对应的灌 注参数图。 0061 在得到大脑静脉预测点及大脑前动脉预测点后进一步计算获取脑部图像对应的 灌注参数图。 0062 具体地， 请参见图5， 为本实施例中步骤S13的一具体实施方式的流程示意图， 包 括： 0063 步骤S51： 获取大脑前动脉预测点对应的函数曲线和大脑静脉预测点对应。
34、的函数 曲线 在得到大脑静脉预测点及大脑前动脉预测点后， 将大脑静脉预测点及大脑前动脉 预测点后所在的曲线分别作为大脑静脉预测点对应的函数曲线及大脑前动脉预测点对应 的函数曲线： 将大脑前动脉预测点对应的函数曲线作为第一动脉输入函数， 及将大脑 静脉预测点对应的函数曲线 将大脑前动脉预测点对应的函数曲线作为第一动脉输入函数， 将大脑静脉预测点 对应的函数曲线作为静脉输出函数。 在一实施例中， 静脉输出函数作为第一动脉输入函数 的积累， 因此静脉输出的值大于动脉输入的值。 0067 步骤S53： 利用静脉输出函数对第一动脉输入函数进。
35、行修正， 以得到第二动脉输入 函数。 0068 为增加鲁棒性， 在获取到第一动脉输入函数后， 利用静脉输出函数对第一动脉输 入函数进行收敛修正， 以得到第二动脉输入函数。 0069 步骤S54： 利用第二输入函数通过去卷积算法计算得到局部脑血容积图、 局部脑血 容量图、 平均通过时间图和达峰时间图。 0070 根据修正后得到的第二动脉输入函数通过去卷积的计算方法得到脑部图像的灌 注参数图。 在一实施例中， 灌注参数图包括局部脑血容积图(rCBV)、 局部脑血容量图 (rCBF)、 平均通过时间图(MTT)和达峰时间图(Tmax)。 0071 具体地， 本实施例所示的方法， 先通过深度学习算法定。
36、位获取到大脑前动脉候选 点及大脑静脉候选点。 再通过局部搜索算法根据大脑前动脉候选点及大脑静脉候选点确定 出大脑前动脉预测点及大脑静脉预测点。 相较于现有技术， 利用深度学习检测大脑前动脉 候选点及大脑静脉候选点， 及利用局部搜索算法获取大脑前动脉预测点及大脑静脉预测点 的精度及鲁棒性更加突出。 进而使得计算所得的局部脑血容积图(rCBV)、 局部脑血容量图 (rCBF)、 平均通过时间图(MTT)和达峰时间图(Tmax)的精度更高。 0072 步骤S14： 利用灌注参数图计算得到脑灌注梗死核心区域。 0073 具体地， 请参见图6， 为本实施例中步骤S14的一具体实施方式的流程示意图， 包 。
37、括： 0074 步骤S61： 获取到第二待分割的脑部图像。 0075 具体地， 在一具体实施例中， 第二待分割图像为DWI(磁共振)图像， 本实施例中的 第二待分割的脑部图像为标注了梗死核心区域的图像。 本实施例中的第二到分割的脑部图 像与第一待分割的脑部图像为同一患者的脑部图像。 在其他实施例中， 本实施例中的第二 待分割的脑部图像与第一待分割的脑部图像还可以为不同患者的脑部图像。 说明书 6/10 页 9 CN 111489360 A 9 0076 步骤S62： 将达峰时间图中大于预设时间的区域作为低灌区域。 0077 具体地， 预设时间为6秒， 将达峰时间图(Tmax)中时间大于6s的区。
38、域作为低灌区 域。 0078 步骤S63： 利用局部脑血容积图像、 局部脑血容量图像采用卷积神经网络算法从低 灌区域中获取到所述第二待分割的脑部图像对应的梗死核心区域。 0079 具体地， 通过卷积神经网络算法根据标注了梗死核心区域的第二待分割脑部图像 从局部脑血容积图像、 局部脑血容量图像中得到梗死核心区域。 具体地， 可采用重叠、 去畸 变等方式利用卷积神经网络算法得到梗死核心区域。 0080 本实施例所述的方法， 在计算得到梗死核心区域时采用的灌注参数图像为局部脑 血容积图像、 局部脑血容量图像。 为进一步提高梗死核心区域的分割的准确性， 请参见图7， 为本实施例中步骤S14的另一具体实。
39、施方式的流程示意图， 包括： 0081 步骤S71： 获取到第二待分割的脑部图像。 0082 具体地， 在一具体实施例中， 第二待分割图像为DWI(磁共振)图像， 本实施例中的 第二待分割的脑部图像为标注了梗死核心区域的图像。 本实施例中的第二待分割的脑部图 像与第一待分割的脑部图像为同一患者的脑部图像。 在其他实施例中， 本实施例中的第二 待分割的脑部图像与第一待分割的脑部图像还可以为不同患者的脑部图像。 0083 步骤S72： 将达峰时间图中大于预设时间的区域作为低灌区域。 0084 具体地， 预设时间为6秒， 将达峰时间图(Tmax)中时间大于6s的区域作为低灌区 域。 0085 步骤S。
40、73： 利用所述局部脑血容积图像、 所述局部脑血容量图像及所述平均通过时 间图采用卷积神经网络算法从所述低灌区域中获取到所述第二待分割的脑部图像对应的 所述梗死核心区域。 0086 具体地， 通过卷积神经网络算法根据标注了梗死核心区域的第二待分割脑部图像 从局部脑血容积图像、 局部脑血容量图像及平均通过时间图(MTT)中得到梗死核心区域。 具 体地， 可采用重叠、 去畸变等方式利用卷积神经网络算法得到梗死核心区域。 0087 本实施例所述的方法， 在计算得到梗死核心区域时采用的灌注参数图像为局部脑 血容积图像、 局部脑血容量图像及平均通过时间图像。 相较于图6所述的实施例， 本实施例 的得到的。
41、梗死核心区域精度及鲁棒性更高。 0088 本实施例所述的图像分割方法， 先通过深度学习算法定位获取到大脑前动脉候选 点及大脑静脉候选点。 再通过局部搜索算法根据大脑前动脉候选点及大脑静脉候选点确定 出大脑前动脉预测点及大脑静脉预测点。 相较于现有技术， 利用深度学习检测大脑前动脉 候选点及大脑静脉候选点， 及利用局部搜索算法获取大脑前动脉预测点及大脑静脉预测点 的精度及鲁棒性更加突出。 进而使得计算所得的局部脑血容积图(rCBV)、 局部脑血容量图 (rCBF)、 平均通过时间图(MTT)和达峰时间图(Tmax)的精度更高。 本实施例所述的方法在分 割梗死核心区域时， 不需要以病灶侧与正常侧的。
42、比值作参考， 相较于现有技术， 排除了在病 灶侧与正常侧均为异常侧时， 分割精度不准的情况， 进一步提高了梗死核心区域的分割精 度及鲁棒性。 0089 请参见图8， 为本发明图像分割方法的第二实施例的流程示意图。 本实施例所示的 方法， 步骤S81步骤S84与图1所示的第一实施例中的步骤S11步骤S14相同， 在此不再赘 说明书 7/10 页 10 CN 111489360 A 10 述。 本实施例与图1所示的第一实施例相比， 区别在于， 本实施例还包括： 0090 步骤S85： 根据低灌区域及梗死核心区域得到缺血半暗带区域。 0091 具体地， 梗死核心区域加上缺血半暗带区域等于低灌区域。 。
43、经由上述实施例得到 梗死核心区域后， 低灌区域中除梗死核心区域外的其余区域为缺血半暗带区域。 0092 本实施例所述的方法， 先通过深度学习算法定位获取到大脑前动脉候选点及大脑 静脉候选点。 再通过局部搜索算法根据大脑前动脉候选点及大脑静脉候选点确定出大脑前 动脉预测点及大脑静脉预测点。 相较于现有技术， 利用深度学习检测大脑前动脉候选点及 大脑静脉候选点， 及利用局部搜索算法获取大脑前动脉预测点及大脑静脉预测点的精度及 鲁棒性更加突出。 进而使得计算所得的局部脑血容积图(rCBV)、 局部脑血容量图(rCBF)、 平 均通过时间图(MTT)和达峰时间图(Tmax)的精度更高。 本实施例所述的。
44、方法在分割梗死核 心区域时， 不需要以病灶侧与正常侧的比值作参考， 相较于现有技术， 排除了在病灶侧与正 常侧均为异常侧时， 分割精度不准的情况， 进一步提高了梗死核心区域的分割精度及鲁棒 性。 由于梗死核心区域加缺血半暗带区域等于低灌区域， 在梗死核心区域的分割精度及鲁 棒性更高的前提下， 本实施例的方法还提高了缺血半暗带区域的分割精度及鲁棒性。 0093 请参见图9， 为本发明图像分割装置的结构示意图。 包括获取模块91、 定位模块92、 关注参数图获取模块93及梗死核心区域分割模块94。 0094 其中， 获取模块91用于获取到第一待分割的脑部图像， 定位模块92用于通过深度 学习定位网。
45、络对所述脑部图像进行定位， 得到大脑前动脉预测点和大脑静脉预测点。 灌注 参数图获取模块93用于利用所述大脑前动脉预测点和所述大脑静脉预测点计算得到所述 脑部图像对应的灌注参数图。 梗死核心区域分割模块94用于利用灌注参数图计算得到脑灌 注梗死核心区域。 0095 本发明提供的图像分割装置能够实现通过深度学习算法定位获取到大脑前动脉 候选点及大脑静脉候选点。 再通过局部搜索算法根据大脑前动脉候选点及大脑静脉候选点 确定出大脑前动脉预测点及大脑静脉预测点。 相较于现有技术， 利用深度学习检测大脑前 动脉候选点及大脑静脉候选点， 及利用局部搜索算法获取大脑前动脉预测点及大脑静脉预 测点的精度及鲁棒。
46、性更加突出。 0096 另外， 本发明提供的图像分割装置在分割梗死核心区域时， 不需要以病灶侧与正 常侧的比值作参考， 相较于现有技术， 排除了在病灶侧与正常侧均为异常侧时， 分割精度不 准的情况， 进一步提高了梗死核心区域的分割精度及鲁棒性。 0097 请参见图10， 为本发明图像分割设备的结构示意图。 图像分割设备包括相互连接 的存储器101、 处理器102。 0098 存储器101用于存储实现上述任意一项的图像分割方法的程序指令。 0099 处理器102用于执行存储器101存储的程序指令。 0100 其中， 处理器102还可以称为CPU(Central Processing Unit， 。
47、中央处理单元)。 处 理器102可能是一种集成电路芯片， 具有信号的处理能力。 处理器102还可以是通用处理器、 数字信号处理器(DSP)、 专用集成电路(ASIC)、 现场可编程门阵列(FPGA)或者其他可编程逻 辑器件、 分立门或者晶体管逻辑器件、 分立硬件组件。 通用处理器可以是微处理器或者该处 理器也可以是任何常规的处理器等。 0101 存储器101可以为内存条、 TF卡等， 可以存储图像分割设备中全部信息， 包括输入 说明书 8/10 页 11 CN 111489360 A 11 的原始数据、 计算机程序、 中间运行结果和最终运行结果都保存在存储器中。 它根据控制器 指定的位置存入和。
48、取出信息。 有了存储器， 图像分割设备才有记忆功能， 才能保证正常工 作。 图像分割设备中的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存), 也有分为外部存储器和内部存储器的分类方法。 外存通常是磁性介质或光盘等， 能长期保 存信息。 内存指主板上的存储部件， 用来存放当前正在执行的数据和程序， 但仅用于暂时存 放程序和数据， 关闭电源或断电， 数据会丢失。 0102 在本申请所提供的几个实施例中， 应该理解到， 所揭露的方法和装置， 可以通过其 它的方式实现。 例如， 以上所描述的装置实施方式仅仅是示意性的， 例如， 模块或单元的划 分， 仅仅为一种逻辑功能划分， 实际实现时可。
49、以有另外的划分方式， 例如多个单元或组件可 以结合或者可以集成到另一个系统， 或一些特征可以忽略， 或不执行。 另一点， 所显示或讨 论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口， 装置或单元的间接耦合 或通信连接， 可以是电性， 机械或其它的形式。 0103 作为分离部件说明的单元可以是或者也可以不是物理上分开的， 作为单元显示的 部件可以是或者也可以不是物理单元， 即可以位于一个地方， 或者也可以分布到多个网络 单元上。 可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目 的。 0104 另外， 在本申请各个实施例中的各功能单元可以集成在一个处理单元中， 也可。
50、以 是各个单元单独物理存在， 也可以两个或两个以上单元集成在一个单元中。 上述集成的单 元既可以采用硬件的形式实现， 也可以采用软件功能单元的形式实现。 0105 集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时， 可 以存储在一个计算机可读取存储介质中。 基于这样的理解， 本申请的技术方案本质上或者 说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现 出来， 该计算机软件产品存储在一个计算机可读存储介质中， 包括若干指令用以使得一台 计算机设备(可以是个人计算机， 系统服务器， 或者网络设备等)或处理器(processor)执行 本申请各个实施方式。
