CN105997128A - 利用灌注成像识别病灶的方法及系统 - Google Patents
利用灌注成像识别病灶的方法及系统 Download PDFInfo
- Publication number
- CN105997128A CN105997128A CN201610642721.1A CN201610642721A CN105997128A CN 105997128 A CN105997128 A CN 105997128A CN 201610642721 A CN201610642721 A CN 201610642721A CN 105997128 A CN105997128 A CN 105997128A
- Authority
- CN
- China
- Prior art keywords
- perfusion
- perfusion parameters
- focal area
- focus
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010412 perfusion Effects 0.000 title claims abstract description 251
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003384 imaging method Methods 0.000 title claims abstract description 30
- 208000015181 infectious disease Diseases 0.000 title abstract 8
- 230000003902 lesion Effects 0.000 claims abstract description 35
- 239000008280 blood Substances 0.000 claims description 53
- 210000004369 blood Anatomy 0.000 claims description 53
- 231100000915 pathological change Toxicity 0.000 claims description 52
- 230000036285 pathological change Effects 0.000 claims description 52
- 230000017531 blood circulation Effects 0.000 claims description 36
- 210000004556 brain Anatomy 0.000 claims description 28
- 206010061216 Infarction Diseases 0.000 claims description 20
- 230000007574 infarction Effects 0.000 claims description 20
- 230000002490 cerebral effect Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 230000000302 ischemic effect Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 241000208340 Araliaceae Species 0.000 claims description 12
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 12
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 12
- 235000008434 ginseng Nutrition 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract 2
- 239000010410 layer Substances 0.000 description 78
- 210000000056 organ Anatomy 0.000 description 18
- 230000003727 cerebral blood flow Effects 0.000 description 17
- 238000002591 computed tomography Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 6
- 210000005013 brain tissue Anatomy 0.000 description 5
- 239000002872 contrast media Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- VYQNWZOUAUKGHI-UHFFFAOYSA-N monobenzone Chemical compound C1=CC(O)=CC=C1OCC1=CC=CC=C1 VYQNWZOUAUKGHI-UHFFFAOYSA-N 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/507—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for determination of haemodynamic parameters, e.g. perfusion CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种利用灌注成像识别病灶的方法及系统。根据所述方法，识别系统基于对患者的同一对称部位层的多次扫描而得到的多幅原始灌注图的特征分析，得到所述对称部位层的灌注参数图；将所述灌注参数图中的灌注参数进行分析，得到位于所述对称部位层中的病灶区域；利用所述对称部位层的对称性，确定与所述病灶区域对称的参考区域；通过比对所述病灶区域和参考区域中的对称灌注参数，确定所述病灶区域中不同病变程度。本发明由于采用了患者自身的正常区域和病灶区域的病变识别，有效解决了患者个体差异所带来的病灶识别不准确的问题。
Description
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种利用灌注成像识别病灶的方法及系统。
背景技术
CT灌注成像可用于定量描述组织的血液动力学参数，为急性缺血性脑中风的诊断和治疗方案的制定提供了一项有力的评判工具。近年来CT脑灌注成像在脑梗死核心和缺血半暗带区域识别方面的研究及应用逐渐广泛。特别是，通过计算机断层灌注成像(CT Perfusion)技术能够有助于诊断脑灌注异常如脑卒中等疾病。
在识别脑灌注异常位置时，目前常用的方式为通过设置单个灌注参数的绝对阈值达到预设的门限，来确定脑部的异常区域。例如，当灌注参数值(如脑血流量CBF)低于25mL/min/100g时，确定相应区域的脑组织为缺血组织。
或者，通过设置单个灌注参数与预设的固定标准参数值的相对阈值达到预设的门限，来确定脑部的异常区域。例如，当任一患者的脑部CT图的灌注参数值(如脑血流量CBF)与预设的固定标准参数值之差大于预设门限时，确定相应区域的脑组织为缺血组织。
上述各识别方式的缺点在于：由于个体差异以及扫描协议等差异，不同现场或者不同个体得到的灌注参数存在一定的差异，因此利用灌注参数绝对值容易导致错误判断。另外，由于大脑结构较复杂，不同组织的灌注特性存在差异，如脑灰质CBF(脑血流量)和CBV(脑血容量)均高于脑白质，因此对不同脑组织使用相同的阈值容易导致错误判断。
因此，需要对现有技术进行改进。
发明内容
本发明提供一种利用灌注成像识别病灶的方法及系统，以解决现有技术方案中利用脑部灌注参数图识别脑部病灶区域的方式精准度低的问题。
第一方面，本发明实施例提供了一种利用灌注成像识别病灶的方法，包括：基于对患者的同一对称部位层的多次扫描而得到的多幅原始灌注图的特征分析，得到所述对称部位层的灌注参数图；将所述灌注参数图中的灌注参数进行分析，得到位于所述对称部位层中的病灶区域；利用所述对称部位层的对称性，确定与所述病灶区域对称的参考区域；通过比对所述病灶区域和参考区域中的对称灌注参数，确定所述病灶区域中不同病变程度。
第二方面，本发明实施例还提供了一种利用灌注成像识别病灶的系统，包括：灌注参数图取得模块，用于基于对患者的同一对称部位层的多次扫描而得到的多幅原始灌注图的特征分析，得到所述对称部位层的灌注参数图；病灶区域确定模块，用于将所述灌注参数图中的灌注参数进行分析，得到位于所述对称部位层的病灶区域；病变程度划分模块，用于利用所述对称部位层的对称性，确定与所述病灶区域对称的参考区域，以及通过比对所述病灶区域和参考区域中的对称灌注参数，确定所述病灶区域中不同病变程度。
本发明利用对称部位层的对称性来确定与病灶区域对称的参考区域，进而通过比对病灶区域和参考区域中对称灌注参数的相对变化量来识别病灶区域中不同病变程度，本发明由于采用了患者自身的正常区域和病灶区域的病变识别，有效解决了患者个体差异所带来的病灶识别不准确的问题。
附图说明
图1是本发明实施例一中的一种利用灌注成像识别病灶的方法的流程图；
图2是本发明实施例一中的另一种利用灌注成像识别病灶的方法的流程图；
图3是本发明实施例一中的另一种利用灌注成像识别病灶的方法的流程图；
图4是本发明实施例一中的不同脑部横截面层利用本实施例所述方法得到的梗死区域与和缺血半暗带区域效果图；
图5是本发明实施例二中的一种利用灌注成像识别病灶的系统的结构示意图；
图6是本发明实施例二中利用灌注成像识别病灶的系统中的病变程度划分模块的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的利用灌注成像识别病灶的方法的流程图。本实施例可适用于对CT设备所摄取的患者器官或组织的灌注图进行识别，进而确定病灶位置的情况。本实施例所述方法可以由识别系统来执行，其中，所述识别系统可以为安装计算机设备中的软件和硬件。所述计算机设备可以与CT扫描设备相连，也可以是所述CT扫描设备中包含处理器、存储器的图像处理部分。其中，CT扫描设备逐层扫描患者器官或组织，以得到各器官或组织横截面层的原始灌注图。例如，CT扫描设备按照空间轴移动，可以扫描患者整个器官或组织各横截面层。又如，CT扫描设备沿时间轴多次扫描器官或组织在同一横截面层的原始灌注图，可以得到能够反映在造影剂流经同一横截面层期间的图像变化。所述方法通过对结构对称的器官和组织在不同扫描层的图像变化，来找到患者的病灶区域。具体包括以下各步骤：
步骤S110、基于对患者的同一对称部位层的多次扫描而得到的多幅原始灌注图的特征分析，得到所述对称部位层的灌注参数图。
其中，所述患者的同一对称部位层用于表示CT扫描设备所摄取的器官或组织在同一横截面层具有对称结构。其中，所述对称结构层可表示所扫描的器官或组织在当前所扫描的横截面层为对称结构，例如在横截面层内包含肾脏或者血管等对称的局部结构，其关于对称轴对称。所述对称结构层还可以表示横截面层整体为对称结构，例如脑部的横断面，脑部整体关于对称轴对称，或者其他的比如腿部的横断面，两条腿关于对称轴对称。例如，所述对称部位层为脑部横截面层，对应的，所述对称部位层的灌注参数图为脑部组织横截层的CT灌注参数图。各所述原始灌注图是在对患者注射了造影剂后的预设时长内，由CT扫描设备对患者的器官或组织的同一对称部位层进行多次扫描而得到的。
在此，所述识别系统基于对患者的同一对称部位层的多次扫描而得到的多幅原始灌注图的特征分析，得到所述对称部位层的灌注参数图的方式包括：
1)先利用预设的该对称部位层所属器官或组织的灌注模型，计算各原始灌注图的时间浓度曲线与输入动脉的浓度曲线；接着，对通过对所述时间浓度曲线与输入动脉的浓度曲线的分析，得到包含平均通过时长、达峰时间、血流量、血容量、以及血流量与血容量的乘积中的至少一种的灌注参数图。
例如，所述识别系统基于脑部组织的灌注模型，计算同一脑部组织横截层的多幅原始灌注图的时间浓度曲线与输入动脉的浓度曲线，并通过对所述时间浓度曲线与输入动脉的浓度曲线进行反卷积得到包含脑血容量(CBV)、脑血流量(CBF)和平均通过时间(MTT)的灌注参数图。所述识别系统还可以根据各原始灌注图中各像素点的组织浓度曲线的峰值所对应的时刻，确定峰值时间(TTP)。按照后续步骤中对灌注参数的需要，所述识别系统还可以将同一像素位置的血流量与血容量进行乘积，以得到包含血流量与血容量的乘积的灌注参数图。
2)直接将各时刻原始灌注图中各相同像素点的像素值计算平均值，将所得到的各像素点的平均值构成灌注参数图。其中，所述灌注参数图中在包含了上述各灌注参数的基础上，还根据后续步骤的需要，包含各像素点的平均值。
在此，所述灌注参数图中各像素位置的灌注参数反映了各原始灌注参数图中相同像素位置的血动力情况。
步骤S120、将所述灌注参数图中的灌注参数进行分析，得到位于所述对称部位层中的病灶区域。
在此，所述识别系统可以将所述灌注参数图中各像素的单个参数值与预设门限值的比较，来确定所述对称部位层中是否包含病灶区域。其中，所述门限值可以是基于医生的诊断经验而设定的固定值。例如，所述识别系统逐个的将灌注参数中的MTT值与预设的MTT门限值进行比较，并将高于所述MTT门限值的MTT参数值所构成的区域作为病灶区域。又如，所述识别系统逐个的将灌注参数中的CBF值与预设的CBF门限值进行比较，并将低于所述预设CBF门限值的CBF参数值所构成的区域作为病灶区域。
需要说明的是，根据所述灌注参数的变化来确定病灶区域的方式仅为举例，而非对本发明的限制。
针对患者在同一器官或组织的同一对称部位层的对称两侧均发生病变的概率极低，甚至为零的情况，一种可选方案为，所述步骤S120包括：步骤S121、S122和S123。如图2所示。
步骤S121、将灌注参数图中的灌注参数进行病变分析，并确定所述对称部位层中的病变半区和正常半区。
在此，所述识别系统可以将所述灌注参数图中各像素的单个参数值逐个的与预设门限值进行比较，当有参数值达到、或达不到预设门限时，确定该参数所在的半区为病变半区，所述对称部位层中与病变半区对称的半区为正常半区。例如，若所述对称部位层为脑部横截面层，则灌注参数图反应了左脑半区和右脑半区的血动力情况。所述识别系统可以通过对灌注参数图中各像素的灌注参数与预设门限值的逐个比较，来确定左脑半区或右脑半区为病变半区。
或者，所述识别系统可以根据对称轴所划分的两个半区，计算对应灌注参数图的参数值均值，通过对比参数值均值来确定左脑半区或右脑半区为病变半区。
或者，所述识别系统利用所述对称部位层的对称性，计算所述灌注参数图中对称灌注参数之间的相对变化量，并基于所述相对变化量确定所述对称部位层中的病变半区和正常半区。
例如，所述识别系统确定灌注参数图中像素横坐标为x0的像素列为对称部位层的对称轴，则所述灌注参数图中的像素点(x-1，y0)和(x1，y0)中的MTT参数为对称灌注参数。计算得到对称灌注参数的相对变化量，并当ΔMTT达到预设门限时，确定像素点(x-1，y0)所在半区为病变半区，像素点(x1，y0)所在半区为正常半区。
步骤S122、基于所述对称部位层中正常半区的灌注参数，设置所述病变半区的病灶条件。
在此，为了防止患者个体差异所带来的病灶条件设置不准确的问题，所述识别系统将正常半区的各灌注参数做均值计算，并将所得到的均值的预设倍数作为对应病变半区的病灶条件中的门限值。例如，将正常半区中各像素的MTT做均值计算，得到MTTmean，将1.45*MTTmean作为病灶条件中的门限值。
需要说明的是，上述利用正常半区的各灌注参数的均值来设置病灶条件的方式仅为举例，而非对本发明的限制。
步骤S123、将位于所述病变半区的灌注参数与所设置的病灶条件进行匹配，并将由满足所述病灶条件的灌注参数所构成的区域确定为病灶区域。
在此，当在病变半区的多个灌注参数达到所述病灶条件中的门限值时，确定相应灌注参数所构成的区域为病灶区域。
继续步骤S122中的示例，所述识别系统将病变半区中各像素的MTT参数值逐个的与所设置的病灶条件中的门限值进行比较，当在病变半区的多个灌注参数达到所述病灶条件中的门限值时，可确定相应灌注参数所构成的区域为病灶区域。
步骤S130、利用所述对称部位层的对称性，确定与所述病灶区域对称的参考区域。
在此，所述识别系统可以采用轮廓识别的方式从一幅原始灌注图中得到对称部位层的轮廓，进而确定其对称轴。根据所确定的对称轴，从灌注参数图中确定与所述病灶区域对称的区域为参考区域。
步骤S140、通过比对所述病灶区域和参考区域中的对称灌注参数，确定所述病灶区域中不同病变程度。
在此，所述识别系统中可预设对应不同病变程度的病变识别条件等级，并通过将所述病灶区域和参考区域中的对称灌注参数的相对变化量与各病变识别条件等级的匹配，确定病灶区域中的不同病变程度。其中，所述对称灌注参数的相对变化量可由所述病灶区域和参考区域中轴对称的两像素点的同一种灌注参数的比值、或差值来表示。
在一种可选方案中，所述步骤S140包括：S141、S142。如图3所示。
步骤S141、将所述病灶区域和参考区域中对称灌注参数的相对变化量与预设的梗死条件进行匹配。
其中，所述梗死条件可包括：病灶区域中的至少一种灌注参数值相对于参考区域中的对称位置的灌注参数值的变化量高于或低于预设门限。例如，所述梗死条件包括：平均通过时长的相对变化量高于预设的血液平均通过时长门限。又如，所述梗死条件包括：血流量与血容量的乘积的相对变化量低于预设的血流量与血容量的乘积门限。
步骤S142、将所述病灶区域中符合所述梗死条件的灌注参数所构成的子区域确定为梗死区域；以及将所述病灶区域中除梗死区域之外的其他子区域确定为缺血半暗带区域。
在此，当经过对称比对得到所述病灶区域中符合所述梗死条件的各灌注参数所构成的子区域时，将所得到的子区域确定为梗死区域，以及，将所述病灶区域中除梗死区域之外的其他子区域确定为缺血半暗带区域。
一种可选方案为，所述步骤S141包括：将病灶区域和参考区域中对称灌注参数的相对变化量与预设的低血流低血容条件和预设的低激活条件均进行匹配。
对应的，所述步骤S142包括：将所述病灶区域中均符合所述低血流低血容条件和低激活条件的灌注参数所构成的子区域确定为梗死区域。
在此，所述低血流低血容条件包括：血流量与血容量的乘积的相对变化量低于预设血流量与血容量的乘积门限。所述低激活条件包括：基于各原始灌注图所得到的各像素的平均值的相对变化量低于预设的平均值门限。
例如，识别系统在确定脑部横截面层的灌注参数图中病灶区域和参考区域后，将两区域中轴对称像素位置的血流量与血容量的乘积进行比值，得到其中，取的比值关系来设定所述对称灌注参数值在公式中的位置。同时，所述识别系统将两区域中轴对称像素位置的平均值进行比值做差，得到(Bi-Bj)，其中，取(Bi-Bj)＞0的差值关系来设定所述对称灌注参数值在公式中的位置。当(Ai,Bi)均为病灶区域中像素的灌注参数，(Aj,Bj)均为参考区域中像素的灌注参数，且均满足的低血流低血容条件、和满足(Bi-Bj)＞Bthre的低激活条件时，所述识别系统确定该病灶区域中像素位置符合梗死条件。所述识别系统将病灶区域中符合上述低血流低血容条件和低激活条件的各像素所构成的子区域作为梗死区域，病灶区域中除梗死区域之外的其他子区域确定为缺血半暗带区域。其中，图4示出了不同脑部横截面层利用本实施例所述方法得到的梗死区域与和缺血半暗带区域效果图。
需要说明的是，上述低血流低血容条件和低激活条件中的灌注参数及其门限设定仅为举例，而非对本发明的限制。
本实施例利用对称部位层的对称性来确定与病灶区域对称的参考区域，进而通过比对病灶区域和参考区域中对称灌注参数的相对变化量来识别病灶区域中不同病变程度，本实施例由于采用了患者自身的正常区域和病灶区域的病变识别，有效解决了患者个体差异所带来的病灶识别不准确的问题。另外，由于利用患者本身的对称部位层中正常半区的灌注参数来设置所述病变半区的病灶条件，故而，所设置的病灶条件能更准确的反映患者的病变情况，同样解决了患者个体差异所带来的病灶识别不准确的问题。另外，特别针对脑部梗死区和缺血半暗带区域的病变程度识别，本实施例还采用将病灶区域和参考区域中对称灌注参数的相对变化量与预设的低血流低血容条件和预设的低激活条件均进行匹配的方式，实现了准确、快速的识别病变程度的目的。
实施例二
图5为本发明实施例二提供的利用灌注成像识别病灶的系统的结构示意图。本实施例可适用于对CT设备所摄取的患者器官或组织的灌注图进行识别，进而确定病灶位置的情况。其中，所述识别系统可以为安装计算机设备中的软件和硬件。所述计算机设备可以与CT扫描设备相连，也可以是所述CT扫描设备中包含处理器、存储器的图像处理部分。其中，CT扫描设备逐层扫描患者器官或组织，以得到各器官或组织横截面层的原始灌注图。例如，CT扫描设备按照空间轴移动，可以扫描患者整个器官或组织各横截面层。又如，CT扫描设备沿时间轴多次扫描器官或组织在同一横截面层的原始灌注图，可以得到能够反映在造影剂流经同一横截面层期间的图像变化。所述识别系统1通过对结构对称的器官和组织在不同扫描层的图像变化，来找到患者的病灶区域。具体包括：灌注参数图取得模块11、病灶区域确定模块12、病变程度划分模块13。
所述灌注参数图取得模块11用于基于对患者的同一对称部位层的多次扫描而得到的多幅原始灌注图的特征分析，得到所述对称部位层的灌注参数图。
其中，所述患者的同一对称部位层用于表示CT扫描设备所摄取的器官或组织在同一横截面层具有对称结构。其中，所述对称结构层可表示所扫描的器官或组织在当前所扫描的横截面层为对称结构，例如在横截面层内包含肾脏或者血管等对称的局部结构，其关于对称轴对称。所述对称结构层还可以表示横截面层整体为对称结构，例如脑部的横断面，脑部整体关于对称轴对称，或者其他的比如腿部的横断面，两条腿关于对称轴对称。例如，所述对称部位层为脑部横截面层，对应的，所述对称部位层的灌注参数图为脑部组织横截层的CT灌注参数图。各所述原始灌注图是在对患者注射了造影剂后的预设时长内，由CT扫描设备对患者的器官或组织的同一对称部位层进行多次扫描而得到的。
在此，所述灌注参数图取得模块11基于对患者的同一对称部位层的多次扫描而得到的多幅原始灌注图的特征分析，得到所述对称部位层的灌注参数图的方式包括：
1)先利用预设的该对称部位层所属器官或组织的灌注模型，计算各原始灌注图的时间浓度曲线与输入动脉的浓度曲线；接着，对通过对所述时间浓度曲线与输入动脉的浓度曲线的分析，得到包含平均通过时长、达峰时间、血流量、血容量、以及血流量与血容量的乘积中的至少一种的灌注参数图。
例如，所述灌注参数图取得模块11基于脑部组织的灌注模型，计算同一脑部组织横截层的多幅原始灌注图的时间浓度曲线与输入动脉的浓度曲线，并通过对所述时间浓度曲线与输入动脉的浓度曲线进行反卷积得到包含脑血容量(CBV)、脑血流量(CBF)和平均通过时间(MTT)的灌注参数图。所述灌注参数图取得模块11还可以根据各原始灌注图中各像素点的组织浓度曲线的峰值所对应的时刻，确定峰值时间(TTP)。按照后续模块中对灌注参数的需要，所述灌注参数图取得模块11还可以将同一像素位置的血流量与血容量进行乘积，以得到包含血流量与血容量的乘积的灌注参数图。
2)直接将各时刻原始灌注图中各相同像素点的像素值计算平均值，将所得到的各像素点的平均值构成灌注参数图。其中，所述灌注参数图中在包含了上述各灌注参数的基础上，还根据后续模块的需要，包含各像素点的平均值。
在此，所述灌注参数图中各像素位置的灌注参数反映了各原始灌注参数图中相同像素位置的血动力情况。
所述病灶区域确定模块12用于将所述灌注参数图中的灌注参数进行分析，得到位于所述对称部位层中的病灶区域。
在此，所述病灶区域确定模块12可以将所述灌注参数图中各像素的单个参数值与预设门限值的比较，来确定所述对称部位层中是否包含病灶区域。其中，所述门限值可以是基于医生的诊断经验而设定的固定值。例如，所述病灶区域确定模块12逐个的将灌注参数中的MTT值与预设的MTT门限值进行比较，并将高于所述MTT门限值的MTT参数值所构成的区域作为病灶区域。又如，所述病灶区域确定模块12逐个的将灌注参数中的CBF值与预设的CBF门限值进行比较，并将低于所述预设CBF门限值的CBF参数值所构成的区域作为病灶区域。
需要说明的是，根据所述灌注参数的变化来确定病灶区域的方式仅为举例，而非对本发明的限制。
针对患者在同一器官或组织的同一对称部位层的对称两侧均发生病变的概率极低，甚至为零的情况，一种可选方案为，所述病灶区域确定模块12执行以下步骤：S121、S122和S123。
步骤S121、将灌注参数图中的灌注参数进行病变分析，并确定所述对称部位层中的病变半区和正常半区。
在此，所述病灶区域确定模块12可以将所述灌注参数图中各像素的单个参数值逐个的与预设门限值进行比较，当有参数值达到、或达不到预设门限时，确定该参数所在的半区为病变半区，所述对称部位层中与病变半区对称的半区为正常半区。例如，若所述对称部位层为脑部横截面层，则灌注参数图反应了左脑半区和右脑半区的血动力情况。所述病灶区域确定模块12可以通过对灌注参数图中各像素的灌注参数与预设门限值的逐个比较，来确定左脑半区或右脑半区为病变半区。
或者，所述病灶区域确定模块12可以根据对称轴所划分的两个半区，计算对应灌注参数图的参数值均值，通过对比参数值均值来确定左脑半区或右脑半区为病变半区。
或者，所述病灶区域确定模块12利用所述对称部位层的对称性，计算所述灌注参数图中对称灌注参数之间的相对变化量，并基于所述相对变化量确定所述对称部位层中的病变半区和正常半区。
例如，所述病灶区域确定模块12确定灌注参数图中像素横坐标为x0的像素列为对称部位层的对称轴，则所述灌注参数图中的像素点(x-1，y0)和(x1，y0)中的MTT参数为对称灌注参数。计算得到对称灌注参数的相对变化量，并当ΔMTT达到预设门限时，确定像素点(x-1，y0)所在半区为病变半区，像素点(x1，y0)所在半区为正常半区。
步骤S122、基于所述对称部位层中正常半区的灌注参数，设置所述病变半区的病灶条件。
在此，为了防止患者个体差异所带来的病灶条件设置不准确的问题，所述病灶区域确定模块12将正常半区的各灌注参数做均值计算，并将所得到的均值的预设倍数作为对应病变半区的病灶条件中的门限值。例如，将正常半区中各像素的MTT做均值计算，得到MTTmean，将1.45*MTTmean作为病灶条件中的门限值。
需要说明的是，上述利用正常半区的各灌注参数的均值来设置病灶条件的方式仅为举例，而非对本发明的限制。
步骤S123、将位于所述病变半区的灌注参数与所设置的病灶条件进行匹配，并将由满足所述病灶条件的灌注参数所构成的区域确定为病灶区域。
在此，当在病变半区的多个灌注参数达到所述病灶条件中的门限值时，确定相应灌注参数所构成的区域为病灶区域。
继续步骤S122中的示例，所述病灶区域确定模块12将病变半区中各像素的MTT参数值逐个的与所设置的病灶条件中的门限值进行比较，当在病变半区的多个灌注参数达到所述病灶条件中的门限值时，可确定相应灌注参数所构成的区域为病灶区域。
所述病变程度划分模块13用于利用所述对称部位层的对称性，确定与所述病灶区域对称的参考区域。
在此，所述病变程度划分模块13可以采用轮廓识别的方式从一幅原始灌注图中得到对称部位层的轮廓，进而确定其对称轴。根据所确定的对称轴，从灌注参数图中确定与所述病灶区域对称的区域为参考区域。
所述病变程度划分模块13还用于通过比对所述病灶区域和参考区域中的对称灌注参数，确定所述病灶区域中不同病变程度。
在此，所述病变程度划分模块13中可预设对应不同病变程度的病变识别条件等级，并通过将所述病灶区域和参考区域中的对称灌注参数的相对变化量与各病变识别条件等级的匹配，确定病灶区域中的不同病变程度。其中，所述对称灌注参数的相对变化量可由所述病灶区域和参考区域中轴对称的两像素点的同一种灌注参数的比值、或差值来表示。
在一种可选方案中，所述病变程度划分模块13包括：病变识别子模块131、病变程度划分子模块132。如图6所示。
所述病变识别子模块131用于将所述病灶区域和参考区域中对称灌注参数的相对变化量与预设的梗死条件进行匹配。
其中，所述梗死条件可包括：病灶区域中的至少一种灌注参数值相对于参考区域中的对称位置的灌注参数值的变化量高于或低于预设门限。例如，所述梗死条件包括：平均通过时长的相对变化量高于预设的血液平均通过时长门限。又如，所述梗死条件包括：血流量与血容量的乘积的相对变化量低于预设的血流量与血容量的乘积门限。
所述病变程度划分子模块132用于将所述病灶区域中符合所述梗死条件的灌注参数所构成的子区域确定为梗死区域；以及将所述病灶区域中除梗死区域之外的其他子区域确定为缺血半暗带区域。
在此，当经过对称比对得到所述病灶区域中符合所述梗死条件的各灌注参数所构成的子区域时，将所得到的子区域确定为梗死区域，以及，将所述病灶区域中除梗死区域之外的其他子区域确定为缺血半暗带区域。
一种可选方案为，所述病变识别子模块131用于将病灶区域和参考区域中对称灌注参数的相对变化量与预设的低血流低血容条件和预设的低激活条件均进行匹配。
对应的，所述病变程度划分子模块132用于将所述病灶区域中均符合所述低血流低血容条件和低激活条件的灌注参数所构成的子区域确定为梗死区域。
在此，所述低血流低血容条件包括：血流量与血容量的乘积的相对变化量低于预设血流量与血容量的乘积门限。所述低激活条件包括：基于各原始灌注图所得到的各像素的平均值的相对变化量低于预设的平均值门限。
例如，病变识别子模块131在接收到脑部横截面层的灌注参数图中病灶区域和参考区域后，将两区域中轴对称像素位置的血流量与血容量的乘积进行比值，得到其中，取的比值关系来设定所述对称灌注参数值在公式中的位置。同时，所述病变识别子模块131将两区域中轴对称像素位置的平均值进行比值做差，得到(Bi-Bj)，其中，取(Bi-Bj)＞0的差值关系来设定所述对称灌注参数值在公式中的位置。当(Ai,Bi)均为病灶区域中像素的灌注参数，(Aj,Bj)均为参考区域中像素的灌注参数，且均满足的低血流低血容条件、和满足(Bi-Bj)＞Bthre的低激活条件时，所述病变程度划分子模块132确定该病灶区域中像素位置符合梗死条件。所述识别系统1将病灶区域中符合上述低血流低血容条件和低激活条件的各像素所构成的子区域作为梗死区域，病灶区域中除梗死区域之外的其他子区域确定为缺血半暗带区域。其中，图4示出了不同脑部横截面层利用本实施例所述方法得到的梗死区域与和缺血半暗带区域效果图。
需要说明的是，上述低血流低血容条件和低激活条件中的灌注参数及其门限设定仅为举例，而非对本发明的限制。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (13)
1.一种利用灌注成像识别病灶的方法，其特征在于，包括：
基于对患者的同一对称部位层的多次扫描而得到的多幅原始灌注图的特征分析，得到所述对称部位层的灌注参数图；
将所述灌注参数图中的灌注参数进行分析，得到位于所述对称部位层中的病灶区域；
利用所述对称部位层的对称性，确定与所述病灶区域对称的参考区域；
通过比对所述病灶区域和参考区域中的对称灌注参数，确定所述病灶区域中不同病变程度。
2.根据权利要求1所述的利用灌注成像识别病灶的方法，其特征在于，所述灌注参数图中的灌注参数包括：平均通过时长、达峰时间、血流量、血容量、以及血流量与血容量的乘积中的至少一种。
3.根据权利要求2所述的利用灌注成像识别病灶的方法，其特征在于，所述灌注参数还包括：各原始灌注图中各像素的平均值。
4.根据权利要求1所述的利用灌注成像识别病灶的方法，其特征在于，所述将灌注参数图中的灌注参数进行分析，得到位于所述对称部位层的病灶区域，包括：
将灌注参数图中的灌注参数进行病变分析，并确定所述对称部位层中的病变半区和正常半区；
基于所述对称部位层中正常半区的灌注参数，设置所述病变半区的病灶条件；
将位于所述病变半区的灌注参数与所设置的病灶条件进行匹配，并将由满足所述病灶条件的灌注参数所构成的区域确定为病灶区域。
5.根据权利要求1所述的利用灌注成像识别病灶的方法，其特征在于，所述通过比对病灶区域和参考区域中的对称灌注参数，确定所述病灶区域中不同病变程度，包括：
将所述病灶区域和参考区域中对称灌注参数的相对变化量与预设的梗死条件进行匹配；
将所述病灶区域中符合所述梗死条件的灌注参数所构成的子区域确定为梗死区域；
将所述病灶区域中除梗死区域之外的其他子区域确定为缺血半暗带区域。
6.根据权利要求5所述的利用灌注成像识别病灶的方法，其特征在于，所述将病灶区域和参考区域中对称灌注参数的相对变化量与预设的梗死条件进行匹配，包括：
将病灶区域和参考区域中对称灌注参数的相对变化量与预设的低血流低血容条件和预设的低激活条件均进行匹配；
对应的，所述将病灶区域中符合所述梗死条件的灌注参数所构成的子区域确定为梗死区域，包括：将所述病灶区域中均符合所述低血流低血容条件和低激活条件的灌注参数所构成的子区域确定为梗死区域。
7.根据权利要求1所述的利用灌注成像识别病灶的方法，其特征在于，所述对称部位层的灌注参数图为脑部横截层的CT灌注参数图。
8.一种利用灌注成像识别病灶的系统，其特征在于，包括：
灌注参数图取得模块，用于基于对患者的同一对称部位层的多次扫描而得到的多幅原始灌注图的特征分析，得到所述对称部位层的灌注参数图；
病灶区域确定模块，用于将所述灌注参数图中的灌注参数进行分析，得到位于所述对称部位层的病灶区域；
病变程度划分模块，用于利用所述对称部位层的对称性，确定与所述病灶区域对称的参考区域，以及通过比对所述病灶区域和参考区域中的对称灌注参数，确定所述病灶区域中不同病变程度。
9.根据权利要求8所述的利用灌注成像识别病灶的系统，其特征在于，所述灌注参数图中的灌注参数包括：平均通过时长、达峰时间、血流量、血容量、以及血流量与血容量的乘积中的至少一种。
10.根据权利要求9所述的利用灌注成像识别病灶的系统，其特征在于，所述灌注参数还包括：各原始灌注图中各像素的平均值。
11.根据权利要求8所述的利用灌注成像识别病灶的系统，其特征在于，所述病灶区域确定模块用于将灌注参数图中的灌注参数进行病变分析，并确定所述对称部位层中的病变半区和正常半区；基于所述对称部位层中正常半区的灌注参数，设置所述病变半区的病灶条件；以及将位于所述病变半区的灌注参数与所设置的病灶条件进行匹配，并将由满足所述病灶条件的灌注参数所构成的区域确定为病灶区域。
12.根据权利要求8所述的利用灌注成像识别病灶的系统，其特征在于，所述病变程度划分模块包括：
病变识别子模块，用于将所述病灶区域和参考区域中对称灌注参数的相对变化量与预设的血动力梗死条件进行匹配；
病变程度划分子模块，用于将所述病灶区域中符合血动力梗死条件的灌注参数所构成的子区域确定为梗死区域，以及将所述病灶区域中除梗死区域之外的其他子区域确定为缺血半暗带区域。
13.根据权利要求12所述的利用灌注成像识别病灶的系统，其特征在于，所述病变识别子模块用于将病灶区域和参考区域中对称灌注参数的相对变化量与预设的低血流低血容条件和预设的低激活条件均进行匹配；
对应的，所述病变程度划分子模块用于将所述病灶区域中均符合所述低血流低血容条件和低激活条件的灌注参数所构成的子区域确定为梗死区域。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2016106299887 | 2016-08-03 | ||
| CN201610629988 | 2016-08-03 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105997128A true CN105997128A (zh) | 2016-10-12 |
Family
ID=57135000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610642721.1A Pending CN105997128A (zh) | 2016-08-03 | 2016-08-08 | 利用灌注成像识别病灶的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105997128A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
| CN107564003A (zh) * | 2017-09-18 | 2018-01-09 | 彭建伟 | 研究缺血性卒中病灶区和半暗带区病理变化的定位方法 |
| CN109427060A (zh) * | 2018-10-30 | 2019-03-05 | 腾讯科技（深圳）有限公司 | 一种影像识别的方法、装置、终端设备和医疗系统 |
| CN109509186A (zh) * | 2018-11-09 | 2019-03-22 | 北京邮电大学 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
| CN111127414A (zh) * | 2019-12-19 | 2020-05-08 | 吉林大学第一医院 | 基于opencv的灌注图像判定系统及方法、智能终端 |
| WO2020119375A1 (en) * | 2018-12-14 | 2020-06-18 | Union Strong (Beijing) Technology Co. Ltd. | Cranial ct-based grading method and system |
| WO2020119376A1 (en) * | 2018-12-14 | 2020-06-18 | Union Strong (Beijing) Technology Co. Ltd. | Cranial ct-based grading method and system |
| CN111528885A (zh) * | 2020-04-15 | 2020-08-14 | 脑玺(上海)智能科技有限公司 | 一种基于能谱增强ct的图像处理方法 |
| WO2020237525A1 (zh) * | 2019-05-29 | 2020-12-03 | 中国科学院重庆绿色智能技术研究院 | 基于相关系数的中风灌注成像病变区域检测系统及方法 |
| CN113112507A (zh) * | 2021-03-30 | 2021-07-13 | 上海联影智能医疗科技有限公司 | 灌注影像分析方法、系统、电子设备及存储介质 |
| CN113273969A (zh) * | 2021-06-22 | 2021-08-20 | 上海市第六人民医院 | 一种脑部缺血状况评估装置、方法、介质及电子设备 |
| WO2021184600A1 (zh) * | 2020-03-18 | 2021-09-23 | 上海商汤智能科技有限公司 | 一种图像分割方法及装置、设备及计算机可读存储介质 |
| CN113876345A (zh) * | 2021-09-28 | 2022-01-04 | 武汉中科医疗科技工业技术研究院有限公司 | 缺血半暗带的识别方法、设备、电子装置和存储介质 |
| CN115984130A (zh) * | 2022-12-16 | 2023-04-18 | 杭州脉流科技有限公司 | 获取灌注参数图及病变区域的方法和可读存储介质 |
| WO2023133929A1 (zh) * | 2022-01-14 | 2023-07-20 | 汕头市超声仪器研究所股份有限公司 | 一种基于超声的人体组织对称性检测分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1579324A (zh) * | 2003-08-04 | 2005-02-16 | 西门子公司 | 用于自动校准灌注参数图像的方法 |
| US20050283070A1 (en) * | 2004-06-21 | 2005-12-22 | Celina Imielinska | Systems and methods for qualifying symmetry to evaluate medical images |
| US20080262344A1 (en) * | 2007-04-23 | 2008-10-23 | Brummett David P | Relative value summary perfusion map |
| CN102281815A (zh) * | 2008-11-14 | 2011-12-14 | 阿波罗医学影像技术控股有限公司 | 用于对急性中风的组织状态绘图的方法和系统 |
| CN103282940A (zh) * | 2011-01-05 | 2013-09-04 | 皇家飞利浦电子股份有限公司 | 不对称性的自动量化 |
| CN103764036A (zh) * | 2012-08-31 | 2014-04-30 | 株式会社东芝 | 医用诊断图像处理装置 |
| CN103839249A (zh) * | 2012-11-23 | 2014-06-04 | 上海联影医疗科技有限公司 | Ct肝灌注的图像后处理方法和ct肝灌注方法 |
-
2016
- 2016-08-08 CN CN201610642721.1A patent/CN105997128A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1579324A (zh) * | 2003-08-04 | 2005-02-16 | 西门子公司 | 用于自动校准灌注参数图像的方法 |
| US20050283070A1 (en) * | 2004-06-21 | 2005-12-22 | Celina Imielinska | Systems and methods for qualifying symmetry to evaluate medical images |
| US20080262344A1 (en) * | 2007-04-23 | 2008-10-23 | Brummett David P | Relative value summary perfusion map |
| CN102281815A (zh) * | 2008-11-14 | 2011-12-14 | 阿波罗医学影像技术控股有限公司 | 用于对急性中风的组织状态绘图的方法和系统 |
| CN103282940A (zh) * | 2011-01-05 | 2013-09-04 | 皇家飞利浦电子股份有限公司 | 不对称性的自动量化 |
| CN103764036A (zh) * | 2012-08-31 | 2014-04-30 | 株式会社东芝 | 医用诊断图像处理装置 |
| CN103839249A (zh) * | 2012-11-23 | 2014-06-04 | 上海联影医疗科技有限公司 | Ct肝灌注的图像后处理方法和ct肝灌注方法 |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780436B (zh) * | 2016-11-18 | 2020-08-25 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
| CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
| CN107564003A (zh) * | 2017-09-18 | 2018-01-09 | 彭建伟 | 研究缺血性卒中病灶区和半暗带区病理变化的定位方法 |
| CN109427060A (zh) * | 2018-10-30 | 2019-03-05 | 腾讯科技（深圳）有限公司 | 一种影像识别的方法、装置、终端设备和医疗系统 |
| US11610310B2 (en) | 2018-10-30 | 2023-03-21 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, system, and storage medium for recognizing medical image |
| US11410306B2 (en) | 2018-10-30 | 2022-08-09 | Tencent Technology (Shenzhen) Company Limited | Method, apparatus, system, and storage medium for recognizing medical image |
| CN109509186A (zh) * | 2018-11-09 | 2019-03-22 | 北京邮电大学 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
| CN109509186B (zh) * | 2018-11-09 | 2020-09-18 | 北京邮电大学 | 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置 |
| US11631489B2 (en) | 2018-12-14 | 2023-04-18 | Union Strong (Beijing) Technology Co. Ltd. | Cranial CT-based grading method and system |
| WO2020119376A1 (en) * | 2018-12-14 | 2020-06-18 | Union Strong (Beijing) Technology Co. Ltd. | Cranial ct-based grading method and system |
| US11935283B2 (en) * | 2018-12-14 | 2024-03-19 | Union Strong (Beijing) Technology Co. Ltd. | Cranial CT-based grading method and system |
| WO2020119375A1 (en) * | 2018-12-14 | 2020-06-18 | Union Strong (Beijing) Technology Co. Ltd. | Cranial ct-based grading method and system |
| US20220036553A1 (en) * | 2018-12-14 | 2022-02-03 | Union Strong (Beijing) Technology Co. Ltd. | Cranial ct-based grading method and system |
| WO2020237525A1 (zh) * | 2019-05-29 | 2020-12-03 | 中国科学院重庆绿色智能技术研究院 | 基于相关系数的中风灌注成像病变区域检测系统及方法 |
| CN111127414A (zh) * | 2019-12-19 | 2020-05-08 | 吉林大学第一医院 | 基于opencv的灌注图像判定系统及方法、智能终端 |
| CN111127414B (zh) * | 2019-12-19 | 2022-02-22 | 吉林大学第一医院 | 基于opencv的灌注图像判定系统及方法、智能终端 |
| WO2021184600A1 (zh) * | 2020-03-18 | 2021-09-23 | 上海商汤智能科技有限公司 | 一种图像分割方法及装置、设备及计算机可读存储介质 |
| TWI767492B (zh) * | 2020-03-18 | 2022-06-11 | 大陸商上海商湯智能科技有限公司 | 一種圖像分割方法、設備及電腦可讀儲存介質 |
| JP2022529094A (ja) * | 2020-03-18 | 2022-06-17 | 上▲海▼商▲湯▼智能科技有限公司 | 画像セグメンテーション方法及び装置、機器並びにコンピュータ可読記憶媒体 |
| CN111528885A (zh) * | 2020-04-15 | 2020-08-14 | 脑玺(上海)智能科技有限公司 | 一种基于能谱增强ct的图像处理方法 |
| CN111528885B (zh) * | 2020-04-15 | 2023-09-05 | 脑玺(上海)智能科技有限公司 | 一种基于能谱增强ct的图像处理方法 |
| CN113112507B (zh) * | 2021-03-30 | 2023-08-22 | 上海联影智能医疗科技有限公司 | 灌注影像分析方法、系统、电子设备及存储介质 |
| CN113112507A (zh) * | 2021-03-30 | 2021-07-13 | 上海联影智能医疗科技有限公司 | 灌注影像分析方法、系统、电子设备及存储介质 |
| CN113273969A (zh) * | 2021-06-22 | 2021-08-20 | 上海市第六人民医院 | 一种脑部缺血状况评估装置、方法、介质及电子设备 |
| CN113876345A (zh) * | 2021-09-28 | 2022-01-04 | 武汉中科医疗科技工业技术研究院有限公司 | 缺血半暗带的识别方法、设备、电子装置和存储介质 |
| CN113876345B (zh) * | 2021-09-28 | 2024-04-16 | 武汉中科医疗科技工业技术研究院有限公司 | 缺血半暗带的识别方法、设备、电子装置和存储介质 |
| WO2023133929A1 (zh) * | 2022-01-14 | 2023-07-20 | 汕头市超声仪器研究所股份有限公司 | 一种基于超声的人体组织对称性检测分析方法 |
| CN115984130A (zh) * | 2022-12-16 | 2023-04-18 | 杭州脉流科技有限公司 | 获取灌注参数图及病变区域的方法和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105997128A (zh) | 利用灌注成像识别病灶的方法及系统 | |
| JP7090546B2 (ja) | 灌流デジタルサブトラクション血管造影 | |
| KR102402628B1 (ko) | 인간의 심장 및 심방을 모델링하는 방법 및 시스템 | |
| US7376253B2 (en) | Analysis of successive data sets | |
| JP4389081B2 (ja) | 関心領域の追従制御方法、その方法を用いた画像診断装置及び関心領域の追従制御プラグラム | |
| US20060173292A1 (en) | Biological tissue motion trace method and image diagnosis device using the trace method | |
| US20150141818A1 (en) | Vascular imaging method and device | |
| CN102232845B (zh) | 用ct系统自动识别患者血管中造影剂流动的方法及ct系统 | |
| CN107451983A (zh) | Ct图像的三维融合方法和系统 | |
| KR20210014267A (ko) | 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 | |
| JP2006500099A5 (zh) | ||
| US20230346330A1 (en) | Blood flow imaging | |
| US10910101B2 (en) | Image diagnosis support apparatus, image diagnosis support method, and image diagnosis support program | |
| CN101658428A (zh) | 灌注成像技术中对位图进行处理的方法和系统 | |
| EP1644900B1 (en) | Non-invasive quantitative myocardial perfusion assessment | |
| CN109377481A (zh) | 图像质量评价方法、装置、计算机设备和存储介质 | |
| JP2004313551A (ja) | 心臓の運動表示方法及び画像診断装置 | |
| Lalande et al. | Automatic detection of left ventricular contours from cardiac cine magnetic resonance imaging using fuzzy logic | |
| Abdallah | Increasing of edges recognition in cardiac scintography for ischemic patients | |
| JP4817689B2 (ja) | 医用画像処理装置及び医用画像処理プログラム | |
| CN103871025A (zh) | 医学影像增强方法及其系统 | |
| US20240046464A1 (en) | Intramyocardial tissue displacement and motion measurement and strain analysis from mri cine images using dense deep learning | |
| JP2004283583A (ja) | 画像形成医療検査装置の作動方法 | |
| KR102789284B1 (ko) | 심실 구축률 측정을 통한 심부전 판단 결과 출력 방법 | |
| KR20230027379A (ko) | 인공지능을 이용한 비후성 심근병증 진단방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |