[发明专利]基于脑CT影像的脑梗评分方法、装置、计算机设备和存储介质

权利要求书

1.基于脑CT影像的脑梗评分方法，其特征在于，所述脑梗评分方法包括：

获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型；

将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上，得到多帧ASPECTS分区CT扫描图像；

根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧；

提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据，并将所述特征数据输入训练后的机器学习模型，得到各分区对应的脑梗评分。

2.根据权利要求1所述的脑梗评分方法，其特征在于，获取所述ASPECTS分区立体模型包括：

获取与脑相关的第一CT扫描数据；

从所述第一CT扫描数据中获取多帧感兴趣第一CT扫描图像；

在各帧所述感兴趣第一CT扫描图像中根据ASPECTS分区进行划分区域，得到所述ASPECTS立体分区模型；

多帧所述感兴趣第一CT扫描图像包括：脑部基底节层和上神经阶层分别对应的多帧所述第一CT样本数据，其中至少包括与核团层面以及核团上层对应的两帧所述第一CT样本数据。

3.根据权利要求2所述的脑梗评分方法，其特征在于，所述多帧CT扫描图像为与多帧所述感兴趣第一CT样本图像相匹配。

4.根据权利要求1所述的脑梗评分方法，其特征在于，得到所述训练后的机械学习模型包括：

获取与脑相关的CT扫描数据样本集，所述CT扫描数据样本集包括对多个不同扫描对象进行扫描得到的CT扫描数据样本集合；

根据ASPECTS分区对各所述CT扫描数据样本进行分区，再确定脑梗侧；

提取脑梗侧的各区对应的多个特征数据样本，将各所述特征数据样本以及预设各区标准评分输入所述机器学习模型进行训练，直至所述机器学习模型具有脑梗评分能力，则得到所述训练后的机器学习模型。

5.根据权利要求4所述的脑梗评分方法，其特征在于，将各所述特征数据样本以及预设各区标准评分输入所述机器学习模型进行训练，直至所述机器学习模型具有脑梗评分能力包括：

将所述特征数据样本输入机器学习模型，得到相应分区的预测脑梗评分；

根据所述预测脑梗评分以及所述预设各区标准评分进行计算，得到预测误差；

根据所述预测误差对所述机器学习模型的参数进行调节，直至所述预测误差达到预设期望，则所述机器学习模型具有评分能力。

6.根据权利要求5所述的脑梗评分方法，其特征在于，所述ASPECTS分区包括左右侧大脑对称的10个分区；

所述机械学习模型包括10个分别对各区域进行评分的子模型。

7.根据权利要求4所述的脑梗评分方法，其特征在于，所述机械学习模型采用XGBoost算法或LightGBM算法。

8.一种基于脑CT影像的脑梗评分装置，其特征在于，所述装置包括：

获取模块，用于获取与脑相关的多帧CT扫描图像以及ASPECTS分区立体模型；

分区模块，用于将所述ASPECTS分区立体模型采用非线性图像配准算法将各分区分别配准至各帧所述CT扫描图像相应区域上，得到多帧ASPECTS分区CT扫描图像；

梗死侧确定模块，用于根据所述CT扫描图像中脑两侧对应的密度值确定梗死侧；

脑梗评分模块，用于提取各帧所述ASPECTS分区CT图像梗死侧各分区对应的多个特征数据，并将所述特征数据输入训练后的机器学习模型，得到各分区对应的脑梗评分。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。