[发明专利]用于使用条件生成对抗网络提供中风病灶分割的系统和方法

说明书

用于执行图像处理的系统和方法。该方法包括：接收第一模态的图像和第二模态的真实图像，第一模态的图像和第二模态的图像捕获同一对象的相应图像；将第一已训练模型应用于第一模态的图像，以生成模仿第二模态的图像的人工图像；将第二已训练模型应用于模仿第二模态的图像的人工图像和第一模态的图像的数据；并且输出关于所生成的人工图像的至少一个结论。

技术领域

本公开总体上涉及用于执行图像处理的系统和方法、更具体地涉及用于使用条件生成对抗网络(CGAN)提供中风病灶分割的系统和方法。

背景技术

缺血性中风是由部分大脑的部分或全部血液供应限制引起的，通常由血栓引起。在急性中风期间，长时间的缺血导致不可逆的组织死亡。关于缺血性中风治疗的决策对时间高度敏感，并且依赖于通过围绕半影或缺血事件周围区域的分割来区分梗塞的核心组织和灌注不足的病灶。传统上，分割是由放射科医生手动执行的，并且非常耗时。因此，可以定位和分割缺血性中风病灶的自动化方法可以协助临床医生做出有关急性中风治疗的决策。计算机断层摄影灌注(CTP)(其中在CT检查期间注射造影剂以获取灌注图)已经被用于对中风患者进行分诊，并且在成本、速度和可用性方面优于扩散加权磁共振成像(DWI)，DWI可能很容易在磁共振(MR)图像上将缺血核心部位捕获为高信号。CTP提供有关大脑内血流的详细信息，并且可以确定血液灌注不足的区域。然而，与DWI相比，CTP具有较低的信噪比并且难以标识其中梗塞的核心脑组织很容易显示为高信号部位的缺血核心。

鉴于上述讨论，需要执行图像处理以克服上述DWI与CTP系统之间的缺陷。

因此，提供一种能够克服上述挑战的解决方案将是有利的。

附图说明

本文中公开的主题在所附权利要求中被特别指出和明确要求保护。从以下结合附图进行的详细描述中，所公开的实施例的前述和其他目的、特征和优点将很清楚。

图1是根据本文中的实施例的用于提供中风病灶分割的系统的框图。

图2是根据本文中的实施例的用于提供中风病灶分割的图像处理系统的经训练的模型的详细框图。

图3是根据本文中的实施例的提供中风病灶分割的方法的流程图。

图4是根据本文中的实施例的用于提供中风病灶分割的系统的示意图。

具体实施方式

下文中将参考附图更全面地描述各种实施例。重要的是要注意，本文中公开的实施例仅是本文中创新教导的很多有利用途的示例。在阅读本公开内容之后，相关领域的技术人员将清楚替代实施例，并且可以在不脱离本公开的范围或精神的情况下构造和实践替代实施例。通常，在本申请的说明书中做出的陈述不一定限制各种实施例中的任何一个实施例。此外，某些陈述可能适用于某些发明特征，但不适用于其他特征。通常，除非另有说明，否则单数元素可以是复数，反之亦然，而不失一般性。在附图中，通过多个视图，相同的数字表示相同的部件。

各种公开的实施例包括用于执行图像处理的方法和系统。该方法包括：接收第一模态的图像和第二模态的真实图像，第一模态的图像和第二模态的图像捕获同一对象的相应图像；将第一经训练的模型应用于第一模态的图像，以生成模仿第二模态的图像的人工图像；将第二已训练模型应用于模仿第二模态的图像的人工图像和第一模态的图像的数据；并且输出关于所生成的人工图像的至少一个结论。也就是说，各种实施例使用深度学习来训练生成对抗网络以学习条件映射，该条件映射将计算机断层摄影灌注(CTP)梗塞的核心部位映射到所生成的磁共振(MR)扫描中的更清晰描绘的高信号区域。各种实施例利用成对的计算机断层摄影(CT)扫描和MR扫描的数据集，其中每个急性中风患者经历距彼此三小时内的背靠背的CTP和磁共振成像(MRI)弥散加权成像(DWI)成像。每个CT扫描可以与其对应DWI共同配准。灌注图可以从每次CT扫描中推导出，包括脑血流量(CBF)、脑血容量(CBV)、平均通过时间(MTT)和残留函数到达峰值的时间(Tmax)。