[发明专利]基于常规CT图像的缺血性脑卒中早期检测系统和方法

说明书

本发明属于医学图像处理技术领域，具体为一种基于常规CT图像的缺血性脑卒中早期检测系统和方法。本发明首先对训练集DWI和CT图像进行预处理并将DWI图像配准到CT图像以获得CT图像中脑卒中区域；而后分别从卒中区域和正常区域抽取图像块集合来建立基于图像块分类的卒中检测模型。为提高检测精度，利用基于影像组学的方法对多尺度对称图像块对进行分类鉴别；接着，构建MAP模型对分类结果进行优化，结合图像局部相关性去除检测结果中孤立的小区域。最后，利用训练集建立的检测模型直接对测试CT图像检测。本发明不仅能够直接从视觉上难以判别的常规CT图像中检测卒中区域，且检测精度较高，可用于临床中缺血性脑卒的早期检测。

技术领域

本发明属于医学图像处理技术领域，具体涉及CT和DWI图像处理系统和方法，尤其涉及常规CT图像的缺血性脑卒中早期检测系统和方法。

背景技术

缺血性脑卒中是由脑组织血液供给中断所导致，是继心血管疾病和癌症之后第三大致死性疾病。尽早的确诊能够极大提升治疗和康复效果[1]。脑卒中发病30分钟后，扩散加权成像(Diffusion-weighted image,DWI)图像可明显观察到高强信号。而由于急诊科室磁共振成像机器数量有限，常规计算机断层扫描(Computed Tomography,CT)成像是头痛急诊检查的首要选择。然而，在卒中发病的超急性期，常规CT图像上病变区域与正常区域间的差异视觉上难以直接观察[2]。因此,利用图像分析方法，挖掘常规CT图像的深层病理学信息来对卒中区域进行早期诊断鉴别具有重要临床意义。

近年来，影像组学在临床疾病的诊断，分子标记物预测和预后分析应用中取得了巨大的成功。通过将医学图像转换为高通量特征，影像组学提供了病灶更全面的描述，并利用这些数据做出更有效的判决。文献[3]提出利用基于稀疏表示的影像组学体系鉴别原发性脑部淋巴瘤和脑胶质瘤，在常规模态磁共振图像上取得了较高的诊断精度。文献[4]从T2Flair模态磁共振图像上提取了包括肿瘤灰度，形状，纹理和小波在内的555个高通量特征，然后利用这些特征对(Isocitrate Dehydrogenase 1,IDH1)进行非入侵式预测，直接建立了肿瘤表型信息与基因信息间的联系。这些方法在疾病预测诊断时，不仅利用了一些临床指导的特征进行分类预测，还能够有效挖掘对分类预测至关重要的深层图像特征。

基于图像块分类的方法被广泛用于图像分割和病灶检测。这些方法首先以图像中所有像素点为中心抽取图像块，然后建立图像块分类模型判断每个图像块是否为病灶区域，最后将分类结果作为像素点的类标签。基于块分类的方法单独地判断每个像素点的类别，忽略了图像的局部相关性，检测结果会出现孤立的小区域。因此一些基于统计估计的方法被提出来利用图像空间约束信息优化块分类结果。例如，文献[5]首先建立基于稀疏表示块分类肿瘤分割模型，然后引入最大后验概率估计(Maximum a posteriori,MAP)模型将分割结果与图像空间约束结合起来提高肿瘤分割精度。

发明内容

本发明的目的是提出一套基于常规CT图像的缺血性脑卒中早期检测系统和方法。

本发明基于影像组学的思想，首先,构建了基于图像块对分类的卒中检测模型；其次，利用影像组学方法抽取图像块的高通量特征对图像块进行分类，为解决图像块尺寸选择的问题，使用了多尺度结合的图像块对分类模型；最后，为保证检测结果的平滑联通性，引入最大后验概率估计模型，结合多尺度图像块分类结果和图像局部空间约束信息来优化检测结果。

本发明提出的基于常规CT图像的缺血性脑卒中早期检测方法，具体步骤如下：

步骤一.构建基于对称图像块对分类的卒中检测模型

对于基于常规CT图像的缺血性脑卒中检测，由于没有具体的感兴趣区域用于分析，因此采用图像块分类鉴别的方式来判断图像中所有图像块的类别，从而确定缺血性脑卒中的位置；此外，卒中区域正样本图像块数量远小于健康区域负样本数量，并且这些负样本遍布全脑，结构复杂多变，直接鉴别正负样本图像块准确率有限；因此构建对称图像块对的分类模型。