申请/专利权人：厦门大学

申请日：2022-03-15

公开（公告）日：2024-06-28

公开（公告）号：CN114782569B

主分类号：G06T11/00

分类号：G06T11/00;G06T7/00;G06T5/70;G06T5/30;G06V10/28;G06N3/0455;G06N3/0464;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本发明提供一种基于深度学习的DSC‑MRI血液动力学参数定量方法和系统，包括：获取对比剂注射前后的T2*加权DSC‑MRI图像序列，称为原始DSC‑MRI图像序列；进行基于统计学和形态学的双重判定，获得二次判定掩膜；将原始DSC‑MRI图像序列与二次判定掩膜相乘，再进行信号模式变换，得到对比剂浓度‑时间图像序列；生成设定量的包含动脉输入点的DSC模拟训练样本；构建深度神经网络；利用DSC模拟训练样本对深度神经网络进行训练，得到训练好的深度神经网络；将对比剂浓度‑时间图像序列输入训练好的深度神经网络，得到血液动力学参数图。本发明可简化血液动力学参数计算过程，快速获得高质量的血液动力学参数图，有效改善由于部分体素灌注效果不佳对血液动力学参数定量的影响。

主权项：1.一种基于深度学习的DSC-MRI血液动力学参数定量方法，其特征在于，包括：获取对比剂注射前后的T2*加权DSC-MRI图像序列，称为原始DSC-MRI图像序列；对原始DSC-MRI图像序列进行基于统计学和形态学的双重判定，获得二次判定掩膜；将原始DSC-MRI图像序列与二次判定掩膜相乘，得到去除干扰因素的DSC-MRI图像序列，称为预处理后的DSC-MRI图像序列，所述干扰因素包括但不限于头皮、头骨和背景噪声；对预处理后的DSC-MRI图像序列进行信号模式变换，得到对比剂浓度-时间图像序列；生成设定量的包含动脉输入点的DSC模拟训练样本；构建用于血液动力学参数定量的深度神经网络；利用包含动脉输入点的DSC模拟训练样本对深度神经网络进行训练，得到训练好的深度神经网络；将对比剂浓度-时间图像序列输入训练好的深度神经网络，得到血液动力学参数图；其中，所述生成设定量的包含动脉输入点的DSC模拟训练样本，具体为：多次执行模拟训练样本生成过程；所述模拟训练样本生成过程为：创建空白模拟区域，在空白模拟区域内生成多个位置随机、大小随机、形状随机的几何图形，使几何图形总面积占比达到预设比例，所得结果称为含几何图形的模拟区域；确定用于模拟器官组织和动脉的DSC对比剂浓度模型各参数的取值范围；根据用于模拟器官组织的DSC对比剂浓度模型各参数的取值范围，在含几何图形的模拟区域中的每一几何图形内，分别填充各参数的随机值，并乘以归一化后的自然图像，得到用于模拟器官组织的DSC对比剂浓度模型的各模拟参数图；向所述用于模拟器官组织的DSC对比剂浓度模型的各模拟参数图中，嵌入多个符合器官动脉分布规律的动脉输入点，得到包含动脉输入点的DSC对比剂浓度模型的各模拟参数图；将所述包含动脉输入点的DSC对比剂浓度模型的各模拟参数图，输入DSC对比剂浓度模型进行逐像素点的计算，得到包含动脉输入点的模拟对比剂浓度-时间图像序列样本；计算所述模拟对比剂浓度-时间图像序列样本中不同时间点下各动脉输入点处对比剂浓度的平均值，得到当前样本的动脉输入函数；根据DSC-MRI血液动力学参数计算公式，计算得到模拟的血液动力学参数图；将所述包含动脉输入点的模拟对比剂浓度-时间图像序列样本作为输入，所述模拟血液动力学参数图作为标签，组成一个包含动脉输入点的DSC模拟训练样本。

全文数据：

权利要求：

百度查询： 厦门大学 一种基于深度学习的DSC-MRI血液动力学参数定量方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD