System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学影像,尤其涉及一种基于非负最小二乘法的脑灌注参数解算方法及系统。本专利技术还涉及计算机辅助诊断,尤其涉及一种脑灌注影像的处理方法及系统。
技术介绍
1、灌注成像在急性脑卒中和肿瘤学中应用最为广泛。当用于脑卒中的诊断时,灌注成像的目的是确定受累组织的范围,并勾画可再灌注的缺血组织。在肿瘤学中,灌注成像有助于识别由于新生血管生成而改变局部组织灌注的血管源性肿瘤。
2、缺血性脑卒中(ischemic stroke,is),是由于脑供血动脉狭窄或闭塞、脑供血不足导致脑组织缺血、缺氧,从而坏死的严重血管事件,具有发病率高、死亡率高和致残率高的特点。
3、脑血流灌注参数,即血流动力学参数,包括脑血流量(cbf)、脑血容量(cbv)、平均通过时间(mtt)、达峰时间(ttp)和残余功能的达峰时间(tmax)。通过ctp参数的变化,可以判断脑细胞病理变化与脑血流动力学变化。脑细胞病理变化分为两个时期,即梗死前期与梗死期。脑梗死发生后,梗死灶以梗死核心为中心,依次为梗死核心、缺血半暗带、良性灌注受损区。脑血流动力学变化又有灌注不足、侧支循环建立、无灌注(梗死)、血流再灌注、过度灌注。
4、目前,基于反卷积的灌注测量的理论模型是众所周知的脑血流灌注参数计算模型。涉及反卷积的灌注测量方法,其研究现状涉及算法改进、临床验证、参数优化和机器学习等多个方面。算法改进是对反卷积算法进行优化和改进,利用新的数学模型、更准确的数据处理,提高其在灌注测量中的准确性和可靠性。临床验证是利用临床来评估反卷积方法的效
5、例如,cn117274171a公开了一种基于多分支三维神经网络的脑灌注参数处理方法,首先,构建了三个数据集,包括一个虚拟数据集和两个真实数据集。虚拟数据集中的各灌注参数是预先设置的,并作为标签灌注参数的一部分。真实数据集经过预处理和aif评估之后,灌注参数由传统方法计算得出,并作为标签灌注参数的另一部分。其次,构建了一个多分支三维卷积神经网络。然后,利用三个数据集对网络进行训练和优化,得到最优网络。最后,利用最优网络可实现端到端脑灌注参数的直接测算,将结果生成可视化后交由影像科医生划分核心梗死区域并进行一致性分析。
6、再例如,cn114119563a公开了一种脑灌注影像的处理方法,包括:获取原始脑灌注影像数据,并识别数据类型;对原始脑灌注影像数据进行预处理,并结合数据类型进行时域插值;通过自动检测算法从时域插值处理后的脑灌注影像数据中自动选择动脉输入函数;基于时域插值处理后的脑灌注影像数据和动脉输入函数,计算灌注参数;从预处理后的原始脑灌注影像数据提取出颅内脑组织区域掩膜,并结合灌注参数对预处理后的原始脑灌注影像数据进行后处理和定量统计。
7、再例如,cn116361650a公开了一种基于深度学习的脑灌注参数解算方法,包括:考虑动脉输入方程引入的多种误差,采用数字体模方法仿真生成具有灌注参数金标准的仿真灌注数据集;构建脑灌注参数解算网络以及无监督损失函数;根据仿真灌注数据集,基于无监督损失函数,预训练脑灌注参数解算网络,获得脑灌注参数解算预训练网络,并基于仿真灌注数据集的灌注参数金标准,量化评价脑灌注参数解算预训练网络误差,反向调节网络超参数,控制网络性能,获得最优脑灌注参数解算预训练网络;对真实灌注数据集中的灌注数据进行预处理;预处理包括采用基于聚类的方法自动搜索动脉输入方程,模拟实际诊治时医生采用脑灌注参数解算软件获得动脉输入方程的情况,来模拟真实情况对解算性能的干扰;根据预处理后的真实灌注数据集,基于无监督损失函数,对最优脑灌注参数解算预训练网络再训练,获得最优灌注参数解算网络;将待解算的测试灌注数据预处理后,输入最优灌注参数解算网络,输出解算的灌注参数图。
8、上述现有技术利用反卷积计算脑灌注参数,但是在计算过程中需要人为地进行滤波、动脉输入等操作,这严重依赖于影像科医生的经验。因此,如何改进当前的脑灌注参数解算方法,消除对人工经验的依赖,是当前没有解决的技术问题。
9、此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于申请人做出本专利技术时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本专利技术不具备这些现有技术的特征,相反本专利技术已经具备现有技术的所有特征,而且申请人保留在
技术介绍
中增加相关现有技术之权利。
技术实现思路
1、目前,现有的脑灌注参数解算模型大多利用最小二乘法直接求解反卷积,尽管加入了滤波和正则化以避免a为病态矩阵时的解出现明显震荡,然而此方法并未考虑缩放残差函数s(t)的实际物理意义,没有加入物理量的约束,进而在解析脑灌注参数cbf、cbv、mtt、ttp和tmax时,误差显著增大。因此,如何优化脑灌注参数解算模型,使得不需要依赖丰富经验的医生的参与就能够准确判断脑部异常区域,是当前需要解决的技术问题。经验丰富的医生可以根据ct图像造影剂的显影情况看出低密度病灶、脑血流量和局部变形,而经验不足的医生难以准确判断上述表现,易出现误判。
2、针对现有技术之不足,本专利技术从第一方面提供一种基于非负最小二乘法的脑灌注参数解算方法,方法包括:将图像进行预处理以获得ct值函数;基于方差阈值法计算浓度曲线和浓度函数;基于非负最小二乘法对浓度函数进行反卷积以构建缩放残差函数;基于缩放残差函数解析脑灌注参数。
3、由于缩放残差函数s(t)的值代表动脉血液进入感兴趣区的瞬时贡献与留存效应的影响的分数值,反卷积的解s(t)为非负。因此,为了优化最小二乘法的结果,加入了非负约束条件。此方法考虑了缩放残差函数s(t)的物理意义,在保证解最优且平滑的同时,满足了实际物理量的约束条件。此外,本专利技术避免了需要有丰富经验的医生的参与,大大节省了资源,提高了医务人员的工作效率。
4、根据一个优选实施方式,将图像进行预处理以获得ct值函数的方法包括:将图像的像素值转换为ct值,将ct值函数进行插值处理。通过图像预处理,能够减少图像噪声,优化对ct值图的分析;增加密度曲线的精度,灌注参数的计算结果误差更小。
5、根据一个优选实施方式,基于方差阈值法计算浓度曲线的公式包括:其中,var(t)表示每个时间帧的ct值的方差,n表示整个ct函数时间帧的长度,表示与时间帧t时刻对应的ct值,p表示ct值的均值。
6、相比于现有技术,本专利技术从数学角度更精确地识别造影剂注入动脉的时间,从而使浓度函数误差更小,灌注参数的计算结果更准确。
7、根据一个优选实施方式,基于方差阈值法计算浓度函数的方法包括:在确定浓度曲线的情况下,选择方差阈值并将小于方差阈值的时间帧记为噪声,将大于方差阈值的开始的时间帧记为造影剂注入动本文档来自技高网...
【技术保护点】
1.一种基于非负最小二乘法的脑灌注参数解算方法,其特征在于,所述方法包括:
2.根据权利要求1所述的脑灌注参数解算方法,其特征在于,所述将图像进行预处理以获得CT值函数的方法包括:
3.根据权利要求1或2所述的脑灌注参数解算方法,其特征在于,基于方差阈值法计算浓度曲线的公式包括:
4.根据权利要求1~3任一项所述的脑灌注参数解算方法,其特征在于,所述基于方差阈值法计算浓度函数的方法包括:
5.根据权利要求1~4任一项所述的脑灌注参数解算方法,其特征在于,所述构建缩放残差函数的方法包括:
6.根据权利要求1~5任一项所述的脑灌注参数解算方法,其特征在于,所述基于所述缩放残差函数解析脑灌注参数的方法包括:
7.根据权利要求1~6任一项所述的脑灌注参数解算方法,其特征在于,所述方法还包括:
8.一种基于非负最小二乘法的脑灌注参数解算系统,其特征在于,包括处理单元,所述处理单元被配置为:
9.根据权利要求8所述的脑灌注参数解算系统,其特征在于,所述处理单元还被配置为:
10.根据权
...【技术特征摘要】
1.一种基于非负最小二乘法的脑灌注参数解算方法,其特征在于,所述方法包括:
2.根据权利要求1所述的脑灌注参数解算方法,其特征在于,所述将图像进行预处理以获得ct值函数的方法包括:
3.根据权利要求1或2所述的脑灌注参数解算方法,其特征在于,基于方差阈值法计算浓度曲线的公式包括:
4.根据权利要求1~3任一项所述的脑灌注参数解算方法,其特征在于,所述基于方差阈值法计算浓度函数的方法包括:
5.根据权利要求1~4任一项所述的脑灌注参数解算方法,其特征在于,所述构建缩放残差函数的方法包...
【专利技术属性】
技术研发人员:王韬,刘市祺,罗继昌,刘德临,孙文欣,焦力群,马妍,杨斌,谢晓亮,侯增广,杨仁杰,
申请(专利权)人:首都医科大学宣武医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。