[发明专利]一种图像分割方法及相关设备

说明书

本发明提供一种图像分割方法及相关装置，其中，所述方法包括：获取到第一待分割的脑部图像；通过深度学习定位网络对所述脑部图像进行定位，得到大脑前动脉预测点和大脑静脉预测点；利用所述大脑前动脉预测点和所述大脑静脉预测点计算得到所述脑部图像对应的灌注参数图；利用所述灌注参数图计算得到所述脑灌注梗死核心区域，以此提高梗死核心区域的分割精度及鲁棒性。

技术领域

本发明涉及医学影像技术领域，尤其涉及一种图像分割方法及相关设备。

背景技术

大脑CT灌注成像是一种用于分析颅内的血流动力学的成像技术，广泛用于诊断缺血性脑卒中。CT灌注成像是通过观察静脉内快速团注碘对比剂时脑组织密度动态变化，根据不同的数学模型计算得到局部脑血容积、局部脑血流量、平均通过时间和达峰时间，一般通过达峰时间大于6s为低灌注区域，病灶侧的局部脑血流量比上正常侧的局部脑血流量小于30％作为脑梗死核心区域，低灌注区域中除去梗死核心区域的其余区域为缺血半暗带，梗死核心区域和缺血半暗带区域的分割对于治疗方案的制定至关重要。

传统基于数学模型的梗死核心区域和缺血半暗带区域的分割方法存在定位不准、检测结果不准确等缺点。

发明内容

本发明提供一种图像分割方法及相关设备，用于提高梗死核心区域的分割精度及鲁棒性。

为解决上述技术问题，本发明提供的一个技术方案为：提供一种图像分割方法，所述方法包括：获取到第一待分割的脑部图像；通过深度学习定位网络对所述脑部图像进行定位，得到大脑前动脉预测点和大脑静脉预测点；利用所述大脑前动脉预测点和所述大脑静脉预测点计算得到所述脑部图像对应的灌注参数图；利用所述灌注参数图计算得到所述脑灌注梗死核心区域。以此能够提高梗死核心区域的分割精度及鲁棒性。

其中，所述通过深度学习定位网络对所述脑部图像进行定位，得到大脑前动脉预测点和大脑静脉预测点之前还包括：获取脑部样本图像，所述脑部样本图像为对大脑前动脉点和大脑静脉点进行初步标注的图像；利用脑部样本图像对初始深度学习定位网络进行训练，以得到所述深度学习定位网络。以此能够使得深度学习定位网络准确定位出大脑前动脉预测点和大脑静脉预测点，进而提高梗死核心区域的分割精度及鲁棒性。

其中，所述通过深度学习定位网络对所述脑部图像进行定位，得到大脑前动脉预测点和大脑静脉预测点的步骤具体包括：通过深度学习定位网络对所述脑部图像进行定位，得到大脑前动脉候选点和大脑静脉候选点；利用局部搜索算法计算得到所述大脑前动脉候选点对应的大脑前动脉预测点以及所述大脑静脉候选点对应的大脑静脉预测点。以此能够使得深度学习定位网络准确定位出大脑前动脉预测点和大脑静脉预测点，进而提高梗死核心区域的分割精度及鲁棒性。

其中，所述利用局部搜索算法计算得到所述大脑前动脉候选点对应的大脑前动脉预测点以及所述大脑静脉候选点对应的大脑静脉预测点的步骤包括：以所述大脑前动脉候选点为圆心，预设第一半径范围内的区域为大脑前动脉点候选区域，以所述大脑静脉候选点为圆心，预设第二半径范围内的区域为大脑静脉点候选区域；利用所述局部搜索算法分别从所述大脑前动脉点候选区域中确定所述大脑前动脉预测点，及从所述大脑静脉点选区域中确定所述大脑静脉预测点。以此能够使得深度学习定位网络准确定位出大脑前动脉预测点和大脑静脉预测点，进而提高梗死核心区域的分割精度及鲁棒性。

其中，利用所述局部搜索算法分别从所述大脑前动脉点候选区域中确定所述大脑前动脉预测点，及从所述大脑静脉点选区域中确定所述大脑静脉预测点的步骤包括：从所述大脑前动脉点候选区域中选取时间最大值对应的多个第一组织密度值，及从所述大脑静脉点选区域中选取时间最大值对应的多个第二组织密度值；从所述多个第一组织密度值中选取组织密度值的最大值作为所述大脑前动脉预测点，及从所述第二组织密度值中选取组织密度值的最大值作为所述大脑静脉预测点。以此能够使得深度学习定位网络准确定位出大脑前动脉预测点和大脑静脉预测点，进而提高梗死核心区域的分割精度及鲁棒性。