[發(fā)明專利]基于腦CT影像的腦梗評(píng)分方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010898823.6
• 申請(qǐng)日: 2020-08-31
• 公開(kāi)（公告）號(hào): CN111951265A
• 公開(kāi)（公告）日: 2020-11-17
• 發(fā)明（設(shè)計(jì)）人: 魯偉;向建平;張世福;趙行
• 申請(qǐng)（專利權(quán)）人: 杭州脈流科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T11/00;G06K9/62
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 解明鎧

1.基于腦CT影像的腦梗評(píng)分方法，其特征在于，所述腦梗評(píng)分方法包括：

獲取與腦相關(guān)的多幀CT掃描圖像以及ASPECTS分區(qū)立體模型；

將所述ASPECTS分區(qū)立體模型采用非線性圖像配準(zhǔn)算法將各分區(qū)分別配準(zhǔn)至各幀所述CT掃描圖像相應(yīng)區(qū)域上，得到多幀ASPECTS分區(qū)CT掃描圖像；

根據(jù)所述CT掃描圖像中腦兩側(cè)對(duì)應(yīng)的密度值確定梗死側(cè)；

提取各幀所述ASPECTS分區(qū)CT圖像梗死側(cè)各分區(qū)對(duì)應(yīng)的多個(gè)特征數(shù)據(jù)，并將所述特征數(shù)據(jù)輸入訓(xùn)練后的機(jī)器學(xué)習(xí)模型，得到各分區(qū)對(duì)應(yīng)的腦梗評(píng)分。

2.根據(jù)權(quán)利要求1所述的腦梗評(píng)分方法，其特征在于，獲取所述ASPECTS分區(qū)立體模型包括：

獲取與腦相關(guān)的第一CT掃描數(shù)據(jù)；

從所述第一CT掃描數(shù)據(jù)中獲取多幀感興趣第一CT掃描圖像；

在各幀所述感興趣第一CT掃描圖像中根據(jù)ASPECTS分區(qū)進(jìn)行劃分區(qū)域，得到所述ASPECTS立體分區(qū)模型；

多幀所述感興趣第一CT掃描圖像包括：腦部基底節(jié)層和上神經(jīng)階層分別對(duì)應(yīng)的多幀所述第一CT樣本數(shù)據(jù)，其中至少包括與核團(tuán)層面以及核團(tuán)上層對(duì)應(yīng)的兩幀所述第一CT樣本數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的腦梗評(píng)分方法，其特征在于，所述多幀CT掃描圖像為與多幀所述感興趣第一CT樣本圖像相匹配。

4.根據(jù)權(quán)利要求1所述的腦梗評(píng)分方法，其特征在于，得到所述訓(xùn)練后的機(jī)械學(xué)習(xí)模型包括：

獲取與腦相關(guān)的CT掃描數(shù)據(jù)樣本集，所述CT掃描數(shù)據(jù)樣本集包括對(duì)多個(gè)不同掃描對(duì)象進(jìn)行掃描得到的CT掃描數(shù)據(jù)樣本集合；

根據(jù)ASPECTS分區(qū)對(duì)各所述CT掃描數(shù)據(jù)樣本進(jìn)行分區(qū)，再確定腦梗側(cè)；

提取腦梗側(cè)的各區(qū)對(duì)應(yīng)的多個(gè)特征數(shù)據(jù)樣本，將各所述特征數(shù)據(jù)樣本以及預(yù)設(shè)各區(qū)標(biāo)準(zhǔn)評(píng)分輸入所述機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，直至所述機(jī)器學(xué)習(xí)模型具有腦梗評(píng)分能力，則得到所述訓(xùn)練后的機(jī)器學(xué)習(xí)模型。

5.根據(jù)權(quán)利要求4所述的腦梗評(píng)分方法，其特征在于，將各所述特征數(shù)據(jù)樣本以及預(yù)設(shè)各區(qū)標(biāo)準(zhǔn)評(píng)分輸入所述機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，直至所述機(jī)器學(xué)習(xí)模型具有腦梗評(píng)分能力包括：

將所述特征數(shù)據(jù)樣本輸入機(jī)器學(xué)習(xí)模型，得到相應(yīng)分區(qū)的預(yù)測(cè)腦梗評(píng)分；

根據(jù)所述預(yù)測(cè)腦梗評(píng)分以及所述預(yù)設(shè)各區(qū)標(biāo)準(zhǔn)評(píng)分進(jìn)行計(jì)算，得到預(yù)測(cè)誤差；

根據(jù)所述預(yù)測(cè)誤差對(duì)所述機(jī)器學(xué)習(xí)模型的參數(shù)進(jìn)行調(diào)節(jié)，直至所述預(yù)測(cè)誤差達(dá)到預(yù)設(shè)期望，則所述機(jī)器學(xué)習(xí)模型具有評(píng)分能力。

6.根據(jù)權(quán)利要求5所述的腦梗評(píng)分方法，其特征在于，所述ASPECTS分區(qū)包括左右側(cè)大腦對(duì)稱的10個(gè)分區(qū)；

所述機(jī)械學(xué)習(xí)模型包括10個(gè)分別對(duì)各區(qū)域進(jìn)行評(píng)分的子模型。

7.根據(jù)權(quán)利要求4所述的腦梗評(píng)分方法，其特征在于，所述機(jī)械學(xué)習(xí)模型采用XGBoost算法或LightGBM算法。

8.一種基于腦CT影像的腦梗評(píng)分裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取與腦相關(guān)的多幀CT掃描圖像以及ASPECTS分區(qū)立體模型；

分區(qū)模塊，用于將所述ASPECTS分區(qū)立體模型采用非線性圖像配準(zhǔn)算法將各分區(qū)分別配準(zhǔn)至各幀所述CT掃描圖像相應(yīng)區(qū)域上，得到多幀ASPECTS分區(qū)CT掃描圖像；

梗死側(cè)確定模塊，用于根據(jù)所述CT掃描圖像中腦兩側(cè)對(duì)應(yīng)的密度值確定梗死側(cè)；

腦梗評(píng)分模塊，用于提取各幀所述ASPECTS分區(qū)CT圖像梗死側(cè)各分區(qū)對(duì)應(yīng)的多個(gè)特征數(shù)據(jù)，并將所述特征數(shù)據(jù)輸入訓(xùn)練后的機(jī)器學(xué)習(xí)模型，得到各分區(qū)對(duì)應(yīng)的腦梗評(píng)分。

9.一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述方法的步驟。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的方法的步驟。