[发明专利]基于动脉分割的AIF曲线提取系统、方法、装置及介质

说明书

本发明公开的基于动脉分割的AIF曲线提取系统，包括：血管分割模块对原始时间密度曲线进行预处理，计算出每个血管体素的造影剂时间密度曲线和造影剂峰值曲线，利用阈值分割得到血管模板，提取出血管体素对应的造影剂时间密度曲线；主动脉定位模块通过血管模板计算每个血管体素的峰值到达时间，获取峰值到达时间的直方图分布，选择累计直方图密度为设定值前的体素作为动脉粗分割结果，去除细小血管得到动脉模板，从动脉模板中选取主动脉和血管中心部分；动脉输入曲线选取模块提取血管中心部分对应体素的造影剂时间密度曲线，计算每个体素密度曲线特征，计算每个体素的符合度，分析符合度得到动脉输入曲线。系统可以高效且稳定地得到AIF曲线。

技术领域

本发明涉及态灌注影像后处理技术领域，具体涉及一种基于动脉分割的AIF曲线提取系统、方法、装置及介质。

背景技术

近年来，缺血性中风已成为世界范围内一个巨大的健康问题。我国脑卒中发病率逐年上升，脑卒中已成为主要死因。脑卒中治疗的关键是利用先进的影像学技术(如CT/MR灌注成像)来挽救缺血半暗带。CT/MR灌注成像通过监视毛细管床中示踪剂的时间密度曲线(TDC)，可用于评估灌注参数，进行脑卒中的非侵入性诊断。在后处理过程中首先需要确定动脉输入函数(AIF)，即脑供血动脉中对比剂浓度随时间的变化。组织TDC可以被认为是响应函数与AIF的卷积。为了分析缺血性组织，必须使用AIF进行反卷积来计算响应函数。我们对每个体素上的TDC进行去卷积，以获得包含脑血流量(CBF)，脑血容量(CBV)，达到最大组织残留功能的时间(Tmax)和平均通过时间(MTT)的血液动力学图。通常认为主动脉血管(如基底动脉或颈内动脉)中体素的特征性TDC为AIF。AIF在反卷积模型中是获得定量CBF，CBV，Tmax和MTT参数图的关键参考曲线，对反卷积运算的结果有很大影响。在临床上，AIF的选择取决于医学专家的专业知识，经验和技能，高耗时和低重现性是手动选择AIF的最大缺点。可挽救组织的位置和范围的可视化能有效帮助医生判断谁将受益于溶栓或其他治疗。由于溶栓药物的治疗必须迅速开始，所以在扫描后需立即提供灌注图以供临床决策。而建立各种灌注图谱需要确定动脉输入函数(AIF)，描述血管内示踪剂对组织的传递。若该过程由人工执行，则结果全完取决于操作员的经验和主观判断，且整个过程繁琐易错还具有不可重复性。

AIF曲线具有最大浓度高、半峰宽小、最大浓度出现时间早的特点。传统的AIF提取方法要求操作者在通过成像切片的大动脉上绘制感兴趣的区域，例如大脑中动脉(MCA)和颈内动脉。但是，由于人工操作是根据操作者的经验和主观判断进行的，操作耗时长，不可重复，可能对血流动力学参数的计算产生不利影响。因此，AIF的自动检测模型具有重要意义，它可以实现高效率、低用户依赖性和高重复性。目前，已经发展了一些自动选择AIF曲线的方法，主要包括阈值法、权重法、聚类法等。基于AIF曲线的形状特征，Carroll T J等人提出一种阈值化方法来预先选择感兴趣的体素并据此检测AIF。然而，这些固定阈值的泛化能力较差。Lorenz C等人通过搜索具有最小延迟和色散的体素，然后对其进行插值和空间平滑以获得连续性，从而为大脑中的每个体素创建局部AIF。Kim Mouridsen等人提出的基于kmeans分类的自动AIF提取方法。由于K-means对随机选取的初始聚类中心高度敏感，降低了AIF的可重复性。Straka M则使用权重法，对时间密度曲线的峰高、峰宽以及到达时间进行加权求和，以此来选择最佳AIF。但是固定的参数难以适应不同的患者。Peruzzo等人提出了一种新的大脑中动脉(MCA)AIF自动检测方法，在Hier方法基础上结合AIF解剖位置和信号形态的先验知识，提高了AIF检测的可靠性。不过该方法需要预先定义体素提取掩模，也就限制了Hier的灵活性和鲁棒性。

发明内容

针对现有技术中的缺陷，本发明实施例提供的一种基于动脉分割的AIF曲线提取系统、方法、装置及介质，能稳定、高效得到动脉输入函数曲线。

第一方面，本发明实施例提供的一种基于动脉分割的AIF曲线提取系统，包括：血管分割模块、主动脉定位模块和动脉输入曲线选取模块，