一种在低辐射剂量下进行血流参数图像的输出方法
一种在低辐射剂量下进行血流参数图像的输出方法
【技术领域】
[0001] 本发明涉及的利用计算机实现医疗方法技术领域，具体涉及一种在降低现有辐射 剂量至1/10的情况下获得同样高质量血流动态参数图像的方法。
【背景技术】
[0002] CT灌注是解决脑血管疾病，尤其是脑卒中病人最常使用的医学影像方法用于诊断 和治疗手段，然而现有技术中为了获得血流动态信息而进行连续大脑CT影像的采样，该采 样时，使用CTP在内的脑卒中影像方案的辐射剂量相当于普通的胸腔X扫描或者静态的大 脑、腹腔CT的辐射剂量8-9倍。脑卒中病人需要多次扫描CTP，积累的辐射剂量会破坏健康 的细胞，增高癌症的风险。
[0003] 降低CT灌注的辐射剂量的研宄从2000年开始受到关注。降低辐射剂量可以采用 降低管电流、管电压、采样频率等采样方式上的改进，而其中降低管电流是最直接有效和常 用的降低辐射剂量的方法，因为管电流与辐射剂量成正比，然而降低管电流也会无法避免 地增加数据中的噪音和伪影，降低图像的质量。
[0004] CT灌注中从影像设备中获得的sinogram到计算得到血流动态参数图像有两个基 本步骤。第一步：从sinogram到CT图像的重建；第二步：从CT重建图像序列到血流参数 图像的计算，即反卷积的过程。
[0005] 为了减少血流动态图像中的噪声和伪影，提高血流参数的准确定，最初的方法 是包括降低主要采用空间和时间维度上的滤波，提高扫描层厚度，但是会以降低空间分 辨率为代价。近几年空间滤波的算法得到了广泛的使用，包括低频滤波器，边缘保持滤 波器（edge-preservingfilters)，如各向异性过滤（anisotropicdiffusion)(Saito etal. 2008)、双边滤波器（bilateralfiltering)(Mendriketal. 2011)，非本地平均 (non-localmeans)(Maetal. 2012),总变差约束（totalvariationregularization) (Tianetal.2011)，时空滤波，如高约束背投（HYPR)、多频带滤波（MBF)等方法，可以用于 降低从sinogram中重建的时空序列CT灌注图像中的噪音和伪影。然而仅仅降低重建图像 的噪音并无法从原理上解决稳定计算血流动态参数图像的问题。
[0006] 从CTP的时空序列中计算血流参数图像的过程，最广泛使用的的方法是反卷积 (deconvolution)。然而反卷积是一个图像中的不适定问题，即不存在唯一并且稳定的解， 而低辐射剂量采集得到的时空序列影像中通过反卷积计算得到的动态血流参数图像特别 不稳定和不准确。模型独立的反卷积方法是可以对不同的血管形态比较准确地计算，尤 其是特征值分解法（SingularValueDecomposition,SVD)(0stergaa；rd，WeisskofT，et al. 1996 ;0stergaard，Sorensen，etal. 1996)以及它的延伸，如循环特征值分解 (block-circulantSVD)(Wuetal. 2003)。然而这些方法都是针对每一个体素（voxel)独 立计算，因此不稳定性较强，计算误差比较大，无法有效地利用图像的上下文信息来提供更 稳定的血流参数。
【发明内容】
[0007] 本发明的目的是提供一种在低辐射剂量下进行血流参数图像的输出方法，同时有 效地使用脑卒中病人本身的高质量非对比CT图像和血管造影，以及其他病人的高质量血 流动态学参数图像，提高低辐射剂量下CT灌注中的血流动态参数计算，有效地降低传统高 辐射剂量的CT灌注影响模态所存在的癌症风险，以克服现有技术存在的上述不足。
[0008] 本发明的目的是通过以下技术方案来实现的：一种在低辐射剂量下进行血流参数 图像的输出方法，包括如下步骤：
[0009] S1，在低辐射剂量下获取的CT脑卒中影像数据；
[0010] S2,对所述CT脑卒中影像数据进行预处理；
[0011] S3,获取预处理后的CT脑卒中影像数据中影像特征；
[0012] S5,在医疗大数据库中，对所述影像特征进行匹配，得到匹配结果；
[0013] S6,根据所述匹配结果，输出血流参数图像。
[0014] 优选的，S1中，所述CT脑卒中影像数据包括显影CT灌注影像前后的静态非对比 CT、CT血管造影和CT灌注图像序列。
[0015] 优选的，S2,对所述CT脑卒中影像数据进行预处理的方法包括图像配准、基准静 态图像计算、动态图像计算、大脑Mask计算、空间滤波、时间滤波、组织分割、非大脑组织剥 离、采样频率插值、红细胞比容矫正、动脉和静脉位置选取、部分体积效应矫正和时间点截 取。
[0016] 优选的，S3,预处理后的CT脑卒中影像数据包括为静态CT、血管造影和灌注图像； 所述影像特征包括组织结构、血管结构和血流动态信息。
[0017] 优选的，所述组织结构为所述静态CT中提取的解剖学结构信息；所述血管结构为 所述血管造影中提取血管的结构和位置；所述血流动态信息为所述灌注图像提取的每一个 体素中的血流动态曲线。
[0018] 优选的，在医疗大数据库中，对所述影像特征进行匹配具体为：
[0019] 根据所述影像特征在医疗大数据库中获取CTP图像；
[0020] 在CTP图像中提取与所述影像特征中相同的组织结构，作为第一血流参数；在CTP图像中提取与所述影像特征中相同的血管结构，作为第二血流参数；在CTP图像中提取与 所述影像特征中相同的血流动态信息，作为第三血流参数；
[0021] 将所述第一血流参数、第二血流参数、第三血流参数结合，得到匹配结果。
[0022] CTP:ComputedTomographyPerfusion电子计算机断层扫描灌注
[0023] 反卷积：卷积的逆过程，消除先前滤波作用的处理方法。
[0024] 本发明的有益效果为：
[0025] 本发明通过学习医院和医疗中心现有的大量高辐射剂量数据和病人在脑卒中扫 描方案中的无对比显影CT图像和CT血管造影的医学图像中的结构信息，来提高新采集的 低辐射剂量CTP数据中，并通过计算得到血流动态图像的准确度和图像质量。有效利用互 补的多模态医学数据：将病人本身的多种医学影像模态数据和已有数据中的其他病人的医 学影像数据中的信息互补结合，更好的综合利用多种数据形态和不同病人的信息。通过本 发明大幅度降低CT灌注医学影像中病人接受的X射线辐射剂量，提高医疗的安全性和CT 用于急性脑卒中的使用价值。
【附图说明】
[0026] 图1为本发明的流程示意图。
【具体实施方式】
[0027] 现有技术中，最接近本发明的技术方案为：a.基于学习高剂量血流动态学参数图 像的稀疏反卷积法（Fangetal. 2013)。此方法主要通过字典学习和稀疏编码的方法，从 大量高辐射剂量、高质量的血流动态学参数图中学习具有特征性的字典，然后使用稀疏编 码的方法来重建低辐射剂量中的图像片段。Gai方法使用机器学习和数据挖掘的方法，从 现有的医学图像中学习结构信息，用于降低CTP的辐射剂量 ，提高血流参数图的准确性。 (Fangetal. 2013)针对从不同病人的高辐射剂量的血流参数图中学习结构信息，而忽略 了脑卒中诊断影像方案中本病人自己的非对比显影CT(Non-contrastCT)和CT血管造影 (CTAngiography,CTA)中包含的病人自己的大脑结构和功能信息。b?使用预显影图像获 得保留边缘的先验知识的大脑CT灌注迭代图像重建（Maetal. 2012)此方法通过在使用 显影剂的大脑CT灌注影像之前先获取一张高质量的非显影静态CT图像来提供先验知识， 并结合非本地平均的方法来提高CTP是时空序列中每一个单帧重建的质量。该方法使用同 一个病人的非显影静态图像来增强血流参数图像的准确性。针对CTP的重建问题，而非参 数估计问题，并未从根本上解决血流动态学参数计算模型的非稳定性。
[0028] 现有方法还存在如下的缺陷：a.(Fangetal. 2013)仅仅从不同病人的大脑血流 动态学参数图像中学习结构信息，而忽略了低辐射剂量影像的病人本身在脑卒中影像方案 中必须扫描的非对比CT以及血管造影CTA。b.(Maetal.2012)针对CTP图像每一帧的重 建，而非提高血流参数图像计算的反卷积过程的稳定性和准确定。即使CT灌注中的时空序 列图像得到了较好的中间，计算血流动态学参数图像本身存在的非稳定性和不确定性问题 仍然会导致血流计算的误差。
[0029] 如图1所示的一种在低辐射剂量下进行血流参数图像的输出方法，包括如下步 骤：
[0030] S1，在低辐射剂量下获取的CT脑卒中影像数据；CT脑卒中影像数据包括显影CT 灌注影像前后的静态非对比CT、CT血管造影和CT灌注图像序列；
[0031] S2,对CT脑卒中影像数据进行预处理；
[0032] S3，获取预处理后的CT脑卒中影像数据中影像特征；预处理后的CT脑卒中影像数 据包括为静态CT、血管造影和灌注图像；影像特征包括组织结构、血管结构和血流动态信 息；
[0033] S5,在医疗大数据库中，对影像特征进行匹配，得到匹配结果；
[0034] S6,根据匹配结果，输出血流参数图像。
[0035] 在本实施例中，S2,对CT脑卒中影像数据进行预处理的方法包括图像配准、基准 静态图像计算、动态图像计算、大脑Mask计算、空间滤波、时间滤波、组织分割、非大脑组织 剥离、采样频率插值、红细胞比容矫正、动脉和静脉位置选取、部分体积效应矫正和时间点 截取。
[0036] 在本实施例中，S3,静态CT为经过S2中的静态非对比CT预处理得到的，血管造影 为经过S2中的CT血管造影预处理得到的，灌注图像为经过S2中的CT灌注图像序列预处 理得到的；组织结构为静态CT中提取的解剖学结构信息；血管结构为血管造影中提取血管 的结构和位置；血流动态信息为灌注图像提取的每一个体素中的血流动态曲线。
[0037] 在本实施例中，在医疗大数据库中，对影像特征进行匹配具体为：
[0038] 根据影像特征在医疗大数据库中获取CTP图像；
[0039] 在CTP图像中提取与影像特征中相同的组织结构，作为第一血流参数；在CTP图像 中提取与影像特征中相同的血管结构，作为第二血流参数；在CTP图像中提取与影像特征 中相同的血流动态信息，作为第三血流参数；
[0040] 将第一血流参数、第二血流参数、第三血流参数结合，得到匹配结果。
[0041] CTP的血流动态学参数图（血流速度、血流量、平均通过时间等）是放射科医生对 病人的病情做出诊断和决定质量方案的关键图像信息。目前的CTP扫描设备和软件对每一 个图像点单独计算血流动态学参数值，在低辐射剂量、高噪音和伪影的情况下得到的参数 图像有很大的误差和噪音。本专利提出将生理学中的血流动态学模型和大数据挖掘的结 构学习相结合，用一个统一的模型将低辐射剂量病人的CTP图像数据的药代动力学模型和 基于字典学习与稀疏编码的机器学习模型结合，并提出了迭代优化算法可以较快得到最优 解。
[0042] 以上通过具体的和优选的实施例详细的描述了本发明，但本领域技术人员应该明 白，本发明并不局限于以上所述实施例，凡在本发明的精神和原则之内，所作的任何修改、 等同替换等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种在低辐射剂量下进行血流参数图像的输出方法，其特征在于，包括如下步骤： S1，在低辐射剂量下获取的CT脑卒中影像数据； 52, 对所述CT脑卒中影像数据进行预处理； 53, 获取预处理后的CT脑卒中影像数据中影像特征； 55, 在医疗大数据库中，对所述影像特征进行匹配，得到匹配结果； 56, 根据所述匹配结果，输出血流参数图像。2. 根据权利要求1所述的低辐射剂量下进行血流参数图像的输出方法，其特征在于： Sl中，所述CT脑卒中影像数据包括显影CT灌注影像前后的静态非对比CT、CT血管造影和 CT灌注图像序列。3. 根据权利要求2所述的低辐射剂量下进行血流参数图像的输出方法，其特征在于： 52, 对所述CT脑卒中影像数据进行预处理的方法包括图像配准、基准静态图像计算、动态 图像计算、大脑Mask计算、空间滤波、时间滤波、组织分割、非大脑组织剥离、采样频率插 值、红细胞比容矫正、动脉和静脉位置选取、部分体积效应矫正和时间点截取。4. 根据权利要求2所述的低辐射剂量下进行血流参数图像的输出方法，其特征在于： 53, 预处理后的CT脑卒中影像数据包括为静态CT、血管造影和灌注图像；所述影像特征包 括组织结构、血管结构和血流动态信息。5. 根据权利要求4所述的低辐射剂量下进行血流参数图像的输出方法，其特征在于： 所述组织结构为所述静态CT中提取的解剖学结构信息；所述血管结构为所述血管造影中 提取血管的结构和位置；所述血流动态信息为所述灌注图像提取的每一个体素中的血流动 态曲线。6. 根据权利要求5所述的低辐射剂量下进行血流参数图像的输出方法，其特征在于： 在医疗大数据库中，对所述影像特征进行匹配具体为： 根据所述影像特征在医疗大数据库中获取CTP图像； 在CTP图像中提取与所述影像特征中相同的组织结构，作为第一血流参数；在CTP图像 中提取与所述影像特征中相同的血管结构，作为第二血流参数；在CTP图像中提取与所述 影像特征中相同的血流动态信息，作为第三血流参数； 将所述第一血流参数、第二血流参数、第三血流参数结合，得到匹配结果。
【专利摘要】一种在低辐射剂量下进行血流参数图像的输出方法，包括如下步骤：在低辐射剂量下获取的CT脑卒中影像数据；对所述CT脑卒中影像数据进行预处理；获取预处理后的CT脑卒中影像数据中影像特征；在医疗大数据库中，对所述影像特征进行匹配，得到匹配结果；根据所述匹配结果，输出血流参数图像。本发明有效利用互补的多模态医学数据；通过本发明大幅度降低CT灌注医学影像中病人接受的X射线辐射剂量，提高医疗的安全性和CT用于急性脑卒中的使用价值。
【IPC分类】G06T11/00, G06T5/50
【公开号】CN104899904
【申请号】CN201510297565
【发明人】方若谷
【申请人】方若谷
【公开日】2015年9月9日
【申请日】2015年6月3日
【技术领域】
[0001] 本发明涉及的利用计算机实现医疗方法技术领域，具体涉及一种在降低现有辐射 剂量至1/10的情况下获得同样高质量血流动态参数图像的方法。
【背景技术】
[0002] CT灌注是解决脑血管疾病，尤其是脑卒中病人最常使用的医学影像方法用于诊断 和治疗手段，然而现有技术中为了获得血流动态信息而进行连续大脑CT影像的采样，该采 样时，使用CTP在内的脑卒中影像方案的辐射剂量相当于普通的胸腔X扫描或者静态的大 脑、腹腔CT的辐射剂量8-9倍。脑卒中病人需要多次扫描CTP，积累的辐射剂量会破坏健康 的细胞，增高癌症的风险。
[0003] 降低CT灌注的辐射剂量的研宄从2000年开始受到关注。降低辐射剂量可以采用 降低管电流、管电压、采样频率等采样方式上的改进，而其中降低管电流是最直接有效和常 用的降低辐射剂量的方法，因为管电流与辐射剂量成正比，然而降低管电流也会无法避免 地增加数据中的噪音和伪影，降低图像的质量。
[0004] CT灌注中从影像设备中获得的sinogram到计算得到血流动态参数图像有两个基 本步骤。第一步：从sinogram到CT图像的重建；第二步：从CT重建图像序列到血流参数 图像的计算，即反卷积的过程。
[0005] 为了减少血流动态图像中的噪声和伪影，提高血流参数的准确定，最初的方法 是包括降低主要采用空间和时间维度上的滤波，提高扫描层厚度，但是会以降低空间分 辨率为代价。近几年空间滤波的算法得到了广泛的使用，包括低频滤波器，边缘保持滤 波器（edge-preservingfilters)，如各向异性过滤（anisotropicdiffusion)(Saito etal. 2008)、双边滤波器（bilateralfiltering)(Mendriketal. 2011)，非本地平均 (non-localmeans)(Maetal. 2012),总变差约束（totalvariationregularization) (Tianetal.2011)，时空滤波，如高约束背投（HYPR)、多频带滤波（MBF)等方法，可以用于 降低从sinogram中重建的时空序列CT灌注图像中的噪音和伪影。然而仅仅降低重建图像 的噪音并无法从原理上解决稳定计算血流动态参数图像的问题。
[0006] 从CTP的时空序列中计算血流参数图像的过程，最广泛使用的的方法是反卷积 (deconvolution)。然而反卷积是一个图像中的不适定问题，即不存在唯一并且稳定的解， 而低辐射剂量采集得到的时空序列影像中通过反卷积计算得到的动态血流参数图像特别 不稳定和不准确。模型独立的反卷积方法是可以对不同的血管形态比较准确地计算，尤 其是特征值分解法（SingularValueDecomposition,SVD)(0stergaa；rd，WeisskofT，et al. 1996 ;0stergaard，Sorensen，etal. 1996)以及它的延伸，如循环特征值分解 (block-circulantSVD)(Wuetal. 2003)。然而这些方法都是针对每一个体素（voxel)独 立计算，因此不稳定性较强，计算误差比较大，无法有效地利用图像的上下文信息来提供更 稳定的血流参数。
【发明内容】
[0007] 本发明的目的是提供一种在低辐射剂量下进行血流参数图像的输出方法，同时有 效地使用脑卒中病人本身的高质量非对比CT图像和血管造影，以及其他病人的高质量血 流动态学参数图像，提高低辐射剂量下CT灌注中的血流动态参数计算，有效地降低传统高 辐射剂量的CT灌注影响模态所存在的癌症风险，以克服现有技术存在的上述不足。
[0008] 本发明的目的是通过以下技术方案来实现的：一种在低辐射剂量下进行血流参数 图像的输出方法，包括如下步骤：
[0009] S1，在低辐射剂量下获取的CT脑卒中影像数据；
[0010] S2,对所述CT脑卒中影像数据进行预处理；
[0011] S3,获取预处理后的CT脑卒中影像数据中影像特征；
[0012] S5,在医疗大数据库中，对所述影像特征进行匹配，得到匹配结果；
[0013] S6,根据所述匹配结果，输出血流参数图像。
[0014] 优选的，S1中，所述CT脑卒中影像数据包括显影CT灌注影像前后的静态非对比 CT、CT血管造影和CT灌注图像序列。
[0015] 优选的，S2,对所述CT脑卒中影像数据进行预处理的方法包括图像配准、基准静 态图像计算、动态图像计算、大脑Mask计算、空间滤波、时间滤波、组织分割、非大脑组织剥 离、采样频率插值、红细胞比容矫正、动脉和静脉位置选取、部分体积效应矫正和时间点截 取。
[0016] 优选的，S3,预处理后的CT脑卒中影像数据包括为静态CT、血管造影和灌注图像； 所述影像特征包括组织结构、血管结构和血流动态信息。
[0017] 优选的，所述组织结构为所述静态CT中提取的解剖学结构信息；所述血管结构为 所述血管造影中提取血管的结构和位置；所述血流动态信息为所述灌注图像提取的每一个 体素中的血流动态曲线。
[0018] 优选的，在医疗大数据库中，对所述影像特征进行匹配具体为：
[0019] 根据所述影像特征在医疗大数据库中获取CTP图像；
[0020] 在CTP图像中提取与所述影像特征中相同的组织结构，作为第一血流参数；在CTP图像中提取与所述影像特征中相同的血管结构，作为第二血流参数；在CTP图像中提取与 所述影像特征中相同的血流动态信息，作为第三血流参数；
[0021] 将所述第一血流参数、第二血流参数、第三血流参数结合，得到匹配结果。
[0022] CTP:ComputedTomographyPerfusion电子计算机断层扫描灌注
[0023] 反卷积：卷积的逆过程，消除先前滤波作用的处理方法。
[0024] 本发明的有益效果为：
[0025] 本发明通过学习医院和医疗中心现有的大量高辐射剂量数据和病人在脑卒中扫 描方案中的无对比显影CT图像和CT血管造影的医学图像中的结构信息，来提高新采集的 低辐射剂量CTP数据中，并通过计算得到血流动态图像的准确度和图像质量。有效利用互 补的多模态医学数据：将病人本身的多种医学影像模态数据和已有数据中的其他病人的医 学影像数据中的信息互补结合，更好的综合利用多种数据形态和不同病人的信息。通过本 发明大幅度降低CT灌注医学影像中病人接受的X射线辐射剂量，提高医疗的安全性和CT 用于急性脑卒中的使用价值。
【附图说明】
[0026] 图1为本发明的流程示意图。
【具体实施方式】
[0027] 现有技术中，最接近本发明的技术方案为：a.基于学习高剂量血流动态学参数图 像的稀疏反卷积法（Fangetal. 2013)。此方法主要通过字典学习和稀疏编码的方法，从 大量高辐射剂量、高质量的血流动态学参数图中学习具有特征性的字典，然后使用稀疏编 码的方法来重建低辐射剂量中的图像片段。Gai方法使用机器学习和数据挖掘的方法，从 现有的医学图像中学习结构信息，用于降低CTP的辐射剂量 ，提高血流参数图的准确性。 (Fangetal. 2013)针对从不同病人的高辐射剂量的血流参数图中学习结构信息，而忽略 了脑卒中诊断影像方案中本病人自己的非对比显影CT(Non-contrastCT)和CT血管造影 (CTAngiography,CTA)中包含的病人自己的大脑结构和功能信息。b?使用预显影图像获 得保留边缘的先验知识的大脑CT灌注迭代图像重建（Maetal. 2012)此方法通过在使用 显影剂的大脑CT灌注影像之前先获取一张高质量的非显影静态CT图像来提供先验知识， 并结合非本地平均的方法来提高CTP是时空序列中每一个单帧重建的质量。该方法使用同 一个病人的非显影静态图像来增强血流参数图像的准确性。针对CTP的重建问题，而非参 数估计问题，并未从根本上解决血流动态学参数计算模型的非稳定性。
[0028] 现有方法还存在如下的缺陷：a.(Fangetal. 2013)仅仅从不同病人的大脑血流 动态学参数图像中学习结构信息，而忽略了低辐射剂量影像的病人本身在脑卒中影像方案 中必须扫描的非对比CT以及血管造影CTA。b.(Maetal.2012)针对CTP图像每一帧的重 建，而非提高血流参数图像计算的反卷积过程的稳定性和准确定。即使CT灌注中的时空序 列图像得到了较好的中间，计算血流动态学参数图像本身存在的非稳定性和不确定性问题 仍然会导致血流计算的误差。
[0029] 如图1所示的一种在低辐射剂量下进行血流参数图像的输出方法，包括如下步 骤：
[0030] S1，在低辐射剂量下获取的CT脑卒中影像数据；CT脑卒中影像数据包括显影CT 灌注影像前后的静态非对比CT、CT血管造影和CT灌注图像序列；
[0031] S2,对CT脑卒中影像数据进行预处理；
[0032] S3，获取预处理后的CT脑卒中影像数据中影像特征；预处理后的CT脑卒中影像数 据包括为静态CT、血管造影和灌注图像；影像特征包括组织结构、血管结构和血流动态信 息；
[0033] S5,在医疗大数据库中，对影像特征进行匹配，得到匹配结果；
[0034] S6,根据匹配结果，输出血流参数图像。
[0035] 在本实施例中，S2,对CT脑卒中影像数据进行预处理的方法包括图像配准、基准 静态图像计算、动态图像计算、大脑Mask计算、空间滤波、时间滤波、组织分割、非大脑组织 剥离、采样频率插值、红细胞比容矫正、动脉和静脉位置选取、部分体积效应矫正和时间点 截取。
[0036] 在本实施例中，S3,静态CT为经过S2中的静态非对比CT预处理得到的，血管造影 为经过S2中的CT血管造影预处理得到的，灌注图像为经过S2中的CT灌注图像序列预处 理得到的；组织结构为静态CT中提取的解剖学结构信息；血管结构为血管造影中提取血管 的结构和位置；血流动态信息为灌注图像提取的每一个体素中的血流动态曲线。
[0037] 在本实施例中，在医疗大数据库中，对影像特征进行匹配具体为：
[0038] 根据影像特征在医疗大数据库中获取CTP图像；
[0039] 在CTP图像中提取与影像特征中相同的组织结构，作为第一血流参数；在CTP图像 中提取与影像特征中相同的血管结构，作为第二血流参数；在CTP图像中提取与影像特征 中相同的血流动态信息，作为第三血流参数；
[0040] 将第一血流参数、第二血流参数、第三血流参数结合，得到匹配结果。
[0041] CTP的血流动态学参数图（血流速度、血流量、平均通过时间等）是放射科医生对 病人的病情做出诊断和决定质量方案的关键图像信息。目前的CTP扫描设备和软件对每一 个图像点单独计算血流动态学参数值，在低辐射剂量、高噪音和伪影的情况下得到的参数 图像有很大的误差和噪音。本专利提出将生理学中的血流动态学模型和大数据挖掘的结 构学习相结合，用一个统一的模型将低辐射剂量病人的CTP图像数据的药代动力学模型和 基于字典学习与稀疏编码的机器学习模型结合，并提出了迭代优化算法可以较快得到最优 解。
[0042] 以上通过具体的和优选的实施例详细的描述了本发明，但本领域技术人员应该明 白，本发明并不局限于以上所述实施例，凡在本发明的精神和原则之内，所作的任何修改、 等同替换等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种在低辐射剂量下进行血流参数图像的输出方法，其特征在于，包括如下步骤： S1，在低辐射剂量下获取的CT脑卒中影像数据； 52, 对所述CT脑卒中影像数据进行预处理； 53, 获取预处理后的CT脑卒中影像数据中影像特征； 55, 在医疗大数据库中，对所述影像特征进行匹配，得到匹配结果； 56, 根据所述匹配结果，输出血流参数图像。2. 根据权利要求1所述的低辐射剂量下进行血流参数图像的输出方法，其特征在于： Sl中，所述CT脑卒中影像数据包括显影CT灌注影像前后的静态非对比CT、CT血管造影和 CT灌注图像序列。3. 根据权利要求2所述的低辐射剂量下进行血流参数图像的输出方法，其特征在于： 52, 对所述CT脑卒中影像数据进行预处理的方法包括图像配准、基准静态图像计算、动态 图像计算、大脑Mask计算、空间滤波、时间滤波、组织分割、非大脑组织剥离、采样频率插 值、红细胞比容矫正、动脉和静脉位置选取、部分体积效应矫正和时间点截取。4. 根据权利要求2所述的低辐射剂量下进行血流参数图像的输出方法，其特征在于： 53, 预处理后的CT脑卒中影像数据包括为静态CT、血管造影和灌注图像；所述影像特征包 括组织结构、血管结构和血流动态信息。5. 根据权利要求4所述的低辐射剂量下进行血流参数图像的输出方法，其特征在于： 所述组织结构为所述静态CT中提取的解剖学结构信息；所述血管结构为所述血管造影中 提取血管的结构和位置；所述血流动态信息为所述灌注图像提取的每一个体素中的血流动 态曲线。6. 根据权利要求5所述的低辐射剂量下进行血流参数图像的输出方法，其特征在于： 在医疗大数据库中，对所述影像特征进行匹配具体为： 根据所述影像特征在医疗大数据库中获取CTP图像； 在CTP图像中提取与所述影像特征中相同的组织结构，作为第一血流参数；在CTP图像 中提取与所述影像特征中相同的血管结构，作为第二血流参数；在CTP图像中提取与所述 影像特征中相同的血流动态信息，作为第三血流参数； 将所述第一血流参数、第二血流参数、第三血流参数结合，得到匹配结果。
【专利摘要】一种在低辐射剂量下进行血流参数图像的输出方法，包括如下步骤：在低辐射剂量下获取的CT脑卒中影像数据；对所述CT脑卒中影像数据进行预处理；获取预处理后的CT脑卒中影像数据中影像特征；在医疗大数据库中，对所述影像特征进行匹配，得到匹配结果；根据所述匹配结果，输出血流参数图像。本发明有效利用互补的多模态医学数据；通过本发明大幅度降低CT灌注医学影像中病人接受的X射线辐射剂量，提高医疗的安全性和CT用于急性脑卒中的使用价值。
【IPC分类】G06T11/00, G06T5/50
【公开号】CN104899904
【申请号】CN201510297565
【发明人】方若谷
【申请人】方若谷
【公开日】2015年9月9日
【申请日】2015年6月3日
最新回复(0)