[发明专利]一种CT与MR脑灌注数据动脉输入函数自动提取方法

说明书

本发明提供了一种CT与MR脑灌注数据动脉输入函数自动提取方法，其特征在于，包括如下5个步骤：第一步，数据时间维度配准；第二步，去除颅骨；第三步，4D数据血管分割；第四步，候选动脉血管筛选；第五步，构造代价函数方程进行AIF提取。本发明相比现有技术性能更好，结果更准确，能够兼容运动未完全校正的影像。相比现有的通过聚类的方式进行AIF提取的方法，更贴近于AIF曲线的曲线特征，通过血管分割、峰值、峰宽、曲线面积等特征值组成符合先验知识的模型进行约束，能够保证提取出的AIF曲线形态完整或规则。同时，本方法对运动和噪声有一定的抗扰动性，对存在小幅度运动和噪声的影像也能应用本方法进行AIF曲线的提取。

技术领域

本发明涉及医疗领域，具体涉及一种CT与MR脑灌注数据动脉输入函数自动提取方法。

背景技术

在临床上有CT的脑灌注，还有核磁的脑灌注。在脑梗死发生的时候，有梗死区缺血半暗带，梗死区域是无法救活的脑组织，所以可以做脑灌注，把缺血半暗带发现然后进行及时的治疗。在进行治疗以后，针对缺血半暗带进行疗效的评估，这是脑灌注的优势所在。

但是梗死核心和缺血半暗带的判断标准和评估手段还不尽相同。

DAWN和DEFUSE把Tmax大于6秒的区域作为缺血区，而Tmax的计算需要通过对每个像素点的时间密度曲线TDC进行关于AIF曲线的反卷积来得到，所以AIF曲线的选取对最终的缺血半暗带评估至关重要。

目前提取AIF曲线主要有2种方式，一种是手工提取AIF，但是因为灌注数据是4D数据，不仅要在空间上确定位置，还要在时间上观察曲线特征，人工提取效率极低。另一种是自动提取的方式，现有方法有k-means和fuzzy-cmeans等聚类方法，但这两种方法的性能并不稳定。

上述的背景技术中，主要缺点为：以上方法都是聚类方法，而聚类方法就需要指定聚类的数量，而各类中的曲线数量分布不均匀，导致某些聚类中点的数量不够，鲁棒性不强。其次，对于这些方法只是针对曲线的特征进行了简单的计算，没有考虑实际数据中病人在扫描过程中的运动，会造成将运动造成的信号变化看作是对比剂的突出变化特征，从而造成误选。

发明内容

本发明中包含一种自动提取动脉输入函数（arterial input function，AIF），可以更好的针对曲线的特征进行筛选，并且能够在存在运动的情况下，更合理的选出受影响较小的曲线

为实现上述目的，本发明提供的具体技术方案如下：

一种CT与MR脑灌注数据动脉输入函数自动提取方法，其特征在于，包括从所有血管中进行动脉血管候选的筛选方法以及从候选区域进行AIF曲线筛选的方法；具体包括如下5个步骤：第一步，数据时间维度配准；第二步，去除颅骨；第三步，4D数据血管分割；第四步，候选动脉血管筛选；第五步，构造代价函数方程进行AIF提取；所述第一步还包括，使用互信息对4D数据进行时间维度的配准；将所有期的体数据对应到第一期的体数据上，保证组织结构的对应关系；所述第二步还包括，使用主动轮廓法，分割颅骨，并进行去除，留下脑组织部分；所述第三步还包括，对于CT进行时间维度上的最大密度投影，通过自适应阈值，分割出高于阈值的脑组织作为血管；对于MR使用最小密度投影，通过自适应阈值，分割出低于阈值的脑组织作为血管；所述第四步包括步骤4.1运动估计和4.2血管筛选。

所述步骤4.1具体包括：

步骤4.1.1：分别对血管、非血管脑组织和包括血管脑组织中的所有像素点的灰度求和，得到灰度和曲线Cv，Ct和Cb；

步骤4.1.2：分别对三条曲线求取峰值位置Pv，Pt和Pb；合并为向量P=(Pv，Pt，Pb)，得到P向量的标准差Sp；

步骤4.1.3：分别求取曲线Cv，Ct和Cb的峰度，并合并为向量K=(Kv, Kt, Kb)，得到K向量的标准差Sk；