[发明专利]基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质

说明书

本申请涉及一种基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质。所述方法包括：获取与脑部相关的CT灌注成像数据，CT灌注成像数据为以扫描时间顺序进行排列的多张CT灌注图像,根据CT灌注成像数据进行计算，得到对应的多通道图像数据,将多通道图像数据输入训练好的深度学习网络，得到对应的多张分割图像，分割图像包括梗死核心区域以及缺血半暗区域,基于多张分割图像构建三维形式的脑部模型，并根据脑部模型进行计算，得到梗死核心区域以及缺血半暗区域的体积。采用本方法能够提高精准度以及计算速度。

技术领域

本申请涉及图像处理和医疗工程交叉技术领域，特别是涉及一种基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质。

背景技术

脑卒中也称为中风或脑梗，缺血性脑卒中是由于局部脑组织供血不足引起的急性脑血管疾病，急性缺血性脑卒中作为最常见的卒中类型，约占全部脑卒中的60％～80％，有着极高的致命风险。CTP(CT Perfusion)是脑功能成像的一种技术方法，通过脑组织器官的灌注状态从细胞层面揭示脑部疾病的生理及病理改变，对于判断患者病灶区域和评估梗死体积具有重要价值。

当缺血性中风发病后，患者脑组织中会有一个梗死核心区域，该区域脑组织损伤是不可逆的，即无法挽救的脑组织区域，但在梗死核心区周围会形成一个缺血半暗带，缺血对该区域脑组织细胞的损伤是可逆的，即该区域属于可以挽救的脑组织。脑卒中梗死区域也会随着时间延长而发生变化，所以快速且准确评估梗死核心和缺血半暗区的体积对于后续治疗极为关键。作为一种定量研究方法，CTP影像可以通过一系列灌注参数图来量化评估梗死核心区和缺血半暗区的体积。CTP核心参数图主要包括脑血流量(CBF)、脑血容量(CBV)、平均通过时间(MTT)和残余功能的达峰时间(Tmax)。

传统方法通常使用基于固定阈值的方法来直接评估相关病灶区域。目前的阈值标准分别使用rCBF30％和Tmax6s来确定梗死核心和缺血半暗区。阈值法简单明了且快速，但主观性较大且不易泛化，因而又有无阈值法来评估病灶区域。

基于逻辑回归的无阈值概率预测法能够以输出概率的形式来标记图像上每一区域，最后形成一个分割结果，相较于阈值法有着更高的精度。但无阈值概率方法对于图像的特征提取能力较差，其预测方法本身的精度也有限。因此设计更高精度和更为快速的自动化病灶分割算法来确定梗死核心和缺血半暗区尤为重要。

发明内容

基于此，有必要针对上述技术问题，提供一种计算更为准确并且快速的基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质。

一种基于深度学习的脑部病灶区域体积得到方法，所述方法包括：

获取与脑部相关的CT灌注成像数据，所述CT灌注成像数据为以扫描时间顺序进行排列的多张CT灌注图像；

根据所述CT灌注成像数据进行计算，得到对应的多通道图像数据；

将所述多通道图像数据输入训练好的深度学习网络，得到对应的多张分割图像，所述分割图像包括梗死核心区域以及缺血半暗区域；

基于多张所述分割图像构建三维形式的脑部模型，并根据所述脑部模型进行计算，得到梗死核心区域以及缺血半暗区域的体积。

优选的，根据所述CT灌注成像数据进行计算，得到对应的多通道图像数据包括：

根据所述CT灌注成像数据进行计算，得到对应的CT灌注参数图；

将其中一张所述CT灌注图像与所述CT灌注参数图进行叠加合并，得到对应的所述多通道图像数据。

优选的，训练所述深度学习网络包括：

获取与脑部相关的CT灌注成像数据样本集，所述样本集内包括多个对应不同扫描对象的CT灌注成像样本数据，所述CT灌注成像样本数据为以扫描时间顺序进行排列的多张CT灌注样本图像；