基于平扫ct的自动化aspects评分方法、计算机设备、可读存储介质和程序产品
技术领域
1.本技术涉及医学工程领域，特别是涉及一种基于平扫ct的自动化 aspects评分方法、计算机设备、可读存储介质和程序产品。
背景技术：2.脑卒中也称为中风或脑梗，是一种严重威胁人口健康和阻碍社会经济发展的重大疾病。急性缺血性脑卒中作为最常见的卒中类型，约占全部脑卒中的 60％～80％，它是由于局部脑组织供血不足引起的急性脑血管疾病，有着极高的致命风险。
3.平扫ct(non-contrast ct)也称ncct，是一种用来诊断脑部病变的最常规的成像技术和方法，它具有成像速度快、扫描方便、价格相对便宜的优点。而基于ncct的aspects(alberta stroke program early ct score)评分是缺血性脑卒中诊断和治疗的一个重要依据。
4.该评分方法针对急性脑卒中的病人，依据其颅脑ncct影像数据，将大脑中动脉供血的重要层面分成10个区域，包括位于基底神经节层面的尾状核头 (c)、豆状核(l)、内囊(ic)、岛带(i)、m1(大脑中动脉前皮质区)、m2(大脑中动脉岛叶外侧皮质区)、m3(大脑中动脉后皮质区)，以及位于上神经节层面的 m4(m1上方的大脑中动脉皮层)、m5(m2上方的大脑中动脉皮层)和m6(m3上方的大脑中动脉皮层)。上述10个区域具有相同的权重，各占1分，总分为10 分。总分中减去存在早期缺血性改变的区域数，所得的数值作为评分结果，为病情判断并治疗提供依据。
5.在目前的临床应用中，aspects评分方法主要还是靠临床医生们人工读图来判断每个区域进行评估。一方面，由于影像设备的差异、患者状况的差异和读图人员的主观性，人工读图的方法一直缺乏一定的稳定性。另一方面，人工读图也较为耗时，缺血性脑卒中作为一个时间要求比较紧急的疾病，患者需要争分夺秒的诊断和治疗来避免病情迅速恶化。所以，快速、准确和稳定地对患者进行aspects评分具有重要的临床意义。
技术实现要素：6.基于此，有必要针对上述技术问题，提供一种基于平扫ct的自动化 aspects评分方法。
7.本技术基于平扫ct的自动化aspects评分方法，包括：
8.获得基于平扫ct的影像序列，筛选所述影像序列，获得若干关键帧，所述若干关键帧包括侧脑室相连的分界帧，获得若干关键帧的方式包括：基于平扫ct的影像序列选择样本影像，利用深度学习模型对样本影像进行二分类的深度学习，得到训练完成的筛选模型，利用训练完成的筛选模型筛选输出影像序列的若干关键帧；
9.在所述若干关键帧上定位大脑镰，所述大脑镰在所述若干关键帧上表现为分界线；
10.对定位所述分界线的所述若干关键帧进行图像配准，获得用于aspects 评分的各对分区，对任意一对分区，进行外接矩形处理和图像插值处理；
11.利用训练数据对深度学习模型进行训练，获得评分模型，所述评分模型为多个，对于任意一个评分模型，所述训练数据相应的包括所述若干关键帧的其中一对分区，对于任意一个评分模型，一对分区包括相对于所述分界线处在两相对侧的第一侧分区和第二侧分区，所述训练数据包括第一侧分区相对于所述分界线的镜像、和/或第二侧分区相对于所述分界线的镜像；
12.利用所述评分模型对有待评分的若干关键帧进行aspects评分，获得 aspects评分结果。
13.可选的，获得基于平扫ct的影像序列，获得若干关键帧的方式具体包括：
14.获得基于平扫ct的影像序列，根据基于平扫ct的影像序列获得正立的影像序列；
15.根据正立的影像序列依次计算外接矩形、截取外接矩形，获得截取的影像序列；
16.在截取的影像序列中选择样本影像，利用深度学习模型对样本影像进行二分类的深度学习，得到训练完成的筛选模型；
17.利用训练完成的筛选模型对截取的影像序列进行判断、输出影像序列的若干关键帧，若干关键帧包括侧脑室相连的分界帧。
18.可选的，在所述若干关键帧上定位大脑镰，具体包括：
19.基于所述若干关键帧截取椭圆，获得若干椭圆形关键帧，在所述若干椭圆形关键帧上定位大脑镰。
20.可选的，所述若干椭圆形关键帧上定位大脑镰，具体包括：对所述若干椭圆形关键帧进行二值化处理，得到相应的二值图，将所述二值图的hu值调节到第一阈值，使所述二值图的分界线相对于二值图整体清晰显示，所述分界线为定位的所述大脑镰。
21.可选的，在对定位所述分界线的所述若干关键帧进行图像配准时，还包括：根据所述分界线旋转所述若干椭圆形关键帧，使所述分界线竖直，完成精细倾斜校正。
22.可选的，所述二分类包括的两种类别分别为属于上神经节层的第一类影像和不属于上神经节层的第二类影像。
23.可选的，对于任一个评分模型，所述训练数据包括第一组数据和第二组数据；所述第一组数据包括第一对比图像、以及第二侧分区；所述第二组数据包括第二对比图像、以及第一侧分区；
24.所述第一对比图像由所述第一侧分区相对于所述分界线的镜像、以及所述第二侧分区，二者进行图像配准并进行差处理获得；
25.所述第二对比图像由所述第二侧分区相对于所述分界线的镜像、以及所述第一侧分区，二者进行图像配准并进行差处理获得。
26.本技术还提供一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现本技术所述的基于平扫ct 的自动化aspects评分方法的步骤。
27.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本技术所述的基于平扫ct的自动化aspects评分方法的步骤。
28.本技术还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执
行时实现本技术所述的基于平扫ct的自动化aspects评分方法的步骤。
29.本技术基于平扫ct的自动化aspects评分方法至少具有以下效果：
30.本技术定位若干关键帧上的分界线、在定位后进行图像配准，配准后，位于分界线两相对侧的各对分区作为评分模型的训练数据。由于分界线两相对侧的图像信息对于脑梗死的判断有辅助判断作用，因此包括各对分区的训练数据能够提高评分模型的精度，对于脑形状不对称的病例更为适用。
附图说明
31.图1为本技术一实施例中基于平扫ct的自动化aspects评分方法的流程示意图；
32.图2为本技术一实施例中正立影像序列的外接矩形的示意图；
33.图3图2截取70％长宽后的影像示意图；
34.图4为本技术一实施例中的基于平扫ct的影像序列示意图；
35.图5为本技术一实施例中resnet50模型的残差结构示意图；
36.图6为本技术一实施例中筛选模型截取的影像序列转化为数组的示意图；
37.图7为本技术一实施例中在截取椭圆前关键帧的示意图；
38.图8为本技术一实施例中在截取椭圆后椭圆形关键帧的示意图
39.图9为图7的二值图；
40.图10为图8的二值图；
41.图11为本技术一实施例中精细倾斜校正过程的示意图；
42.图12为本技术一实施例中一对分区占整张图片的比例示意图；
43.图13为本技术一实施例中截取roi和统一改变尺寸后相对于分界线处于一侧的分区；
44.图14为本技术一实施例中截取roi和统一改变尺寸后相对于分界线处于另一侧的分区；
45.图15为本技术一实施例中训练数据包括的其中一个对比图像的示意图；
46.图16为本技术一实施例中评分模型的结构示意图；
47.图17为本技术一实施例中评分模型训练的流程示意图；
48.图18为本技术一实施例中评分模型预测的流程示意图；
49.图19为本技术一实施例中计算机设备的内部结构图。
具体实施方式
50.在目前的临床应用中，aspects评分方法主要依靠临床医生人工读图，对每个区域进行判断评估。一方面，由于影像设备的差异、患者状况的差异和读图人员的主观性，人工读图缺乏稳定性。另一方面，人工读图也较为耗时，所以，快速、准确和稳定地对患者进行aspects评分具有重要的临床意义。
51.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本技术，并不用于限定本技术。
52.为解决上述技术问题，参见图1，本技术提供一种基于平扫ct的自动化 aspects评
分方法，包括以下步骤s100～步骤s500，其中：
53.步骤s100，获得基于平扫ct的影像序列，筛选影像序列，获得若干关键帧，若干关键帧包括侧脑室相连的分界帧。在一个实施例中，步骤s100包括步骤s110～步骤s140。其中：
54.步骤s110，获得基于平扫ct的影像序列，根据基于平扫ct的影像序列获得正立的影像序列。
55.本步骤中包括依次对基于平扫ct的影像序列进行的去颅骨处理、平移处理和初步倾斜校正处理。其中：(1)去颅骨处理包括：采用二值法及寻找最大连通域法将颅骨部分去除，例如使用opencv及skimage等开源图像处理库进行去除。(2)平移处理包括：求得图像质心，将颅内影像平移至图像中央。(3) 初步倾斜校正处理包括：把影像以质心为原点在-80
°
至+80
°
的角度值之间以 1度的步长进行旋转，计算每一个角度值水平方向镜像后的两侧像素重合数量与垂直方向的影像最长轴大小，并将二者分别赋予权重α与β，当α与β的和最大时，确认对正所需的旋转角度，并将各影像旋转至该角度，获得正立的影像序列。权重α的例如可以是1，权重β的值例如可以是75。
56.步骤s120，根据正立的影像序列依次计算外接矩形、截取外接矩形，获得截取的影像序列。
57.参见图2和图3，本步骤中，截取外接矩形的方式包括对外接矩形的长和宽分别截取，排除不包含头颅的区域，使截取的影像序列的质心处于各影像中央。由于每个人的头颅外形可能有很大不同，为排除头颅外形对于计算机自动选层算法的影响，将上述矩形长、宽分别截取70％。即通过以下公式完成截取：
[0058][0059]
其中，
[0060]
x1’为截取后影像中x轴坐标的最小值；
[0061]
x2’为截取后影像中x轴坐标的最大值；
[0062]
x1为影像中x轴坐标的最小值；
[0063]
x2为影像中x轴坐标的最大值；
[0064]
y1’为截取后影像中y轴坐标的最小值；
[0065]
y2’为截取后影像中y轴坐标的最大值；
[0066]
y1为影像中y轴坐标的最小值；
[0067]
y2为影像中y轴坐标的最大值；
[0068]
可以理解，截取后的影像不包含头颅以外的区域，影像序列中各坐标(x1、 x2、y1和y2)的hu值(hounsfield unit)均不为零。
[0069]
在一个实施例中，通过步骤s130和步骤140完成自动化筛选(若干)关键帧。
[0070]
步骤s130，在截取的影像序列中选择样本影像，利用深度学习模型对样本影像进
行二分类的深度学习，得到训练完成的筛选模型；
[0071]
由颅内影像学常识可知，基底神经节层与上神经节层与位置相近，本实施例以侧脑室上下是否相连作为基底神经节层与上神经节层的分界(在ct影像序列中表现为分界帧)，样本影像至少包括侧脑室相连的分界帧。
[0072]
参见图4，若此方法筛选的关键帧用于aspects评分，则可各取三张图片作为基底神经节层、上神经节层的影像，共计六张影像作为上述的若干关键帧。其中，序列中侧脑室相连的第一张图片(序列号为14的分界帧)作为上神经节层的第一张影像；相连的下两张图片作为上神经节层的第二、三张影像(序列号为15、16的影像)；相连的上三张图片作为基底神经节层的三张影像(序列号为11、12、13的影像)。本实施例中，样本图像包括基底神经节层的影像、以及上神经节层的影像，具体为图4中序列号为11～16的六张影像。
[0073]
在步骤s130中，训练阶段中，例如可以采用附带预训练权重的resnet50 模型，所谓附带预训练权重的resnet50模型是将resnet50模型在imagenet数据集上预训练的权重参数通过迁移学习的办法应用于此深度学习模型的训练任务中。模型训练时采用交叉熵损失函数、adam优化器、batch size为64、学习率为2e-4和每100个batch网络性能不提升则学习率降低10％的学习率衰减策略。经过50个epoch后，模型准确率最高可达到训练集99.95％，验证集92.7％。关于训练过程中涉及的相关参数含义，可以参考现有技术，申请人不再赘述。
[0074]
在步骤s130中，二分类深度学习包括的两种类别分别为属于上神经节层的第一类影像和不属于上神经节层的第二类影像。
[0075]
具体地，由于基底神经节层的三张影像与上神经节层三张影像在平扫ct 序列中相连，且上神经节层侧脑室特征较为明显，因此无需将该深度学习任务设置为基底神经节层关键帧、上神经节层关键帧、其余影像帧的三分类任务，可直接设置为上神经节层关键帧、其余影像帧的二分类任务。
[0076]
步骤s140，利用训练完成的筛选模型对截取的影像序列进行判断、输出影像序列的若干关键帧，若干关键帧包括侧脑室相连的分界帧。
[0077]
步骤s140具体包括步骤s141～步骤s142，其中：
[0078]
步骤s141，参见图6，利用训练完成的筛选模型将截取的影像序列转化为数组，数组包括标记为第一符号的第一类影像、以及标记为第二符号的第二类影像；
[0079]
具体地，将步骤s130中获得的截取的影像序列输入训练完成的筛选模型中，训练完成的筛选模型输出1000维向量，以此1000维向量接入relu激活函数后接入全连接层输出二维向量，通过比较二维向量两个值的大小关系定位该帧是否属于上神经节层。
[0080]
可以理解，在步骤s130中采用的是二分类的深度学习，故步骤s140中的输出结果与上述的二分类相对应。即第一类影像属于上神经节层，第二类影像不属于上神经节层。本实施例将第一类影像和第二类影像分别标记为“1”和“0”，也就是说，训练完成的筛选模型根据截取的影像序列的每帧影像进行预测、并输出“1”和“0”的两种标记结果，各标记结果整体形成数组，数组包括有n 个元素，n与训练完成的筛选模型的输出次数相对应。
[0081]
步骤s142，第一符号连续出现最多次数的区域为目标区域，训练完成的筛选模型将目标区域的影像序列的首帧确定为分界帧，根据分界帧以及与分界帧相连的影像帧获得若干关键帧。
[0082]
步骤s142中，由于训练完成的筛选模型的输出存在少量的误检，如将第二符号“0”误标记为第一符号“1”(假阳性)。本实施例采用寻找数组中连续出现“1”次数最多的目标区域(即连续出现“1”次数最多的一段)，将该目标区域作为上神经节层的影像区域，可排除少量误检带来的影响。进一步地，将该目标区域的首帧确定为基底神经节层与上神经节层的分界帧。关键帧具体包括基底神经节层关键帧和上神经节层关键帧，具体包括分界帧以及与其前后相连的影像帧。基底神经节层关键帧、上神经节层关键帧例如可以是各三帧。
[0083]
训练完成的筛选模型的筛选过程参见图4，训练完成的筛选模型将分界帧确定为图4中序列号为14的图像。根据分界帧，将关键帧确定为上神经节层的三帧影像和基底神经节层的三帧影像。其中，上神经节层的三帧影像包括序列号为14、15、16的图像，基底神经节层的三帧影像包括图4中序列号为11、 12、13的影像。
[0084]
本技术步骤s110～步骤140使用长、宽缩减30％的脑影像外接矩形为roi 区域作为模型输入，该创新不但可以减小头颅外形特征干扰、提升模型精度，还可以缩减原图输入尺寸大小，加快模型训练和预测的速度。使用二分类而非三分类模型用于aspects评分任务的基底神经节层、上神经节层选取。根据该任务的选层目标，只需找出二者的分界帧，可提升选层的准确率。
[0085]
本技术步骤s110～步骤140：实现了自动化选层、选层精度高、选层速度快，能够排除评分者的主观干扰、以便于快速准确的对患者进行自动化评分。避免了选层错误，能够大大提高患者的诊断速度，具有较高的临床应用价值。
[0086]
步骤s200，在若干关键帧上定位大脑镰，大脑镰在若干关键帧上表现为分界线。
[0087]
由于每个病例大脑轮廓的形状不尽相同，因此需要一个精细的倾斜校正方法来避免影像倾斜对于后续影像配准和梗死预测的影响，各实施例简称为“精细倾斜校正”。在颅内平扫ct中，大脑镰的hu值显著高于脑组织，影像呈现出从脑前部到脑后部的一条线(如图7中所示的左、右半脑的分界线)。而且这条线在上神经节层更为清晰，定位大脑镰在影像序列上表现为定位分界线。具体在步骤s200的子步骤s210～s230进行详细说明。
[0088]
步骤s210，基于若干关键帧截取椭圆，获得若干椭圆形关键帧，在若干椭圆形关键帧上定位大脑镰，大脑镰表现若干关键帧的为分界线。
[0089]
参见图7和图8，获得若干椭圆形关键帧的方式包括：计算出若干关键帧的脑影像质心、以及穿过质心的水平和垂直方向的脑影像长度(像素值)。根据这些值画一个长、短轴分别为2/3上述垂直、水平方向长度值的椭圆形模板。
[0090]
可以理解，若干椭圆形关键帧在椭圆形模板以外的像素点全部丢弃，丢弃方式例如可以是对该区域的像素点hu值全部置0，以丢弃影像外圈hu值较高的像素尽可能避免干扰分界线的寻找。
[0091]
步骤s220，对若干椭圆形关键帧进行二值化处理，得到相应的二值图，将二值图的hu值调节到第一阈值，使二值图的分界线相对于二值图整体清晰显示。
[0092]
参见图7～图10，本步骤中，对若干椭圆形关键帧进行二值化、并确定二值化的hu(hounsfiled unit)值。具体地，调节hu值从20～50之间以1的步长循环遍历以得到第一阈值。清晰显示可以进一步理解为，椭圆模板内像素超过第一阈值的数量占总像素数量的比例不超过1.5％。
[0093]
具体地，hu阈值以上像素数量降到总像素数量的1.5％以下时停止遍历，以此作为
第一阈值进行二值化后再进行膨胀操作。参见图9和图10，图9为图 7的二值图，图10为图9的二值图。图10相对于图9，其分界线相对于整体更能清晰显示。
[0094]
步骤s230，根据分界线旋转若干椭圆形关键帧，使分界线竖直，完成精细倾斜校正。
[0095]
在图像显示为默认状态时，具有一水平方向，竖直即垂直于该水平方向。参见图10和图11，在二值化的黑白图像上，画一条竖直方向(即图11中的竖直方向)上穿过质心并以椭圆模板长轴的长度值为长度的线，以质心为原点在
ꢀ‑
70
°
至+70
°
的角度值之间以1度的步长进行旋转，如图11所示。记录每个角度值白色像素值的数量，白色像素值数量最多的角度值即为脑影像的倾斜角度值，反向旋转该角度即完成精细倾斜校正。本步骤中，例如可以使用上神经节层关键帧进行精细倾斜校正，可以理解，上神经节层关键帧的线条更为清晰。可以理解，本步骤中精细倾斜校正能够提高步骤s300中图像配准的便利性。
[0096]
在步骤s210～步骤s230中，提取颅内平扫ct中大脑镰与脑组织hu值差别的特征进行倾斜校正，比现有技术算法更加稳健，对于脑形状不对称的病例更为适用。
[0097]
步骤s300，对定位分界线的若干关键帧进行图像配准，获得用于aspects 评分的各对分区。
[0098]
一对分区即为用于aspects评分的一个评分区域。由于十个评分区域中每个区域的形状差别较大，且梗死表现和噪声特征也不一致，因此需要单独为每个分区训练模型。本步骤通过制作好的左、右脑各十个分区的aspects分区模板，采用非线性图像配准算法，将分区模板通过仿射变换和b样条变换的方法分别配准到某个病例平扫ct序列中的六帧关键帧上。
[0099]
步骤s400，利用训练数据对深度学习模型进行训练，获得评分模型，评分模型为多个，对于任意一个评分模型，训练数据相应的包括若干关键帧的其中一对分区。
[0100]
参见图12～图16，在步骤s400中，“训练数据相应的包括”表示为一对分区作为一组训练数据训练获得一个评分模型。由于两相对侧的图像信息对于脑梗死的判断有辅助判断作用，因此模型输入增加了两相对侧分区相对于分界线的镜像。
[0101]
如图12所示，由于每对分区的大小相比整张图片占比极低，不能直接作为深度学习模型的输入，对任意一对分区，还需要进行外接矩形处理和图像插值处理。在训练开始之前，还包括截取图像感兴趣(roi)区域以及改变感兴趣区域的图像尺寸。
[0102]
进一步地，对于任意一个评分模型，一对分区包括相对于分界线处在两相对侧的第一侧分区和第二侧分区，训练数据包括第一侧分区相对于分界线的镜像、和/或第二侧分区相对于分界线的镜像。
[0103]
在一个实施例中，对于任意一个评分模型，训练数据包括第一组数据和第二组数据；第一组数据包括第一侧分区相对于分界线的镜像、以及第二侧分区；第二组数据包括第二侧分区相对于分界线的镜像、以及第一侧分区。
[0104]
在一个实施例中，参见图15和图16，对于任一个评分模型，训练数据包括第一组数据和第二组数据；第一组数据包括第一对比图像、以及第二侧分区；第二组数据包括第二对比图像、以及第一侧分区；第一对比图像由第一侧分区相对于分界线的镜像、以及第二侧分区，二者进行图像配准并进行差处理获得；第二对比图像由第二侧分区相对于分界线的镜像、以及第一侧分区，二者进行图像配准并进行差处理获得。
[0105]
通过图像配准的方法使一侧分区相对于分界线的镜像与另一侧分区图像形状更接近，在增加模型输入的信息量的同时，减少了噪点输入，提高了评分模型的可靠性。
[0106]
步骤s500，利用评分模型对有待评分的若干关键帧进行aspects评分，获得aspects评分结果。
[0107]
参见图17和图18，在评分模型训练阶段，利用训练数据对深度学习模型进行训练，训练完成后获得评分模型。在评分模型预测阶段，对配准后的若干关键帧进行预测，进行分区梗死判断，获得十个评分区域的分数作为评分结果。可以理解，评分模型预测时处理的数据形式与其训练时采用的数据形式相同，评分模型预测所针对的是分区图像配准完成的若干关键帧，在此不再进行赘述。
[0108]
在步骤s200～步骤s500中：首先，获得用于图像配准的六张图像，六张图像包括基底节层和上神经节层的各三张图像。根据该六张图像，配准输出十对分区，每对分区包括左、右脑两侧各三帧共60张分区图像，每张图像只包含原影像的特定分区区域部分，其余部分的灰度值均为0。可以理解，用于评分的各对分区中，其中七对分区在基底节层的三张图像上，三对分区在上神经节层的三张图像上。
[0109]
将左、右脑的各三张图像分别生成两张3d图像，每张3d图像同样采用上述外接矩形的方法在宽和高两维度上截取图像roi区域。由于截取后的图像尺寸不一，因此需要通过图像插值处理将图像尺寸统一改变为(3,128,128)，图像插值处理例如可以是4
×
4像素邻域双三次插值。截取roi与统一改变尺寸后的结果如图13和图14所示。采用将三维影像区域(即上述3d图像)截取最小外接矩形并重新改变为统一尺寸的方法，可解决卷积神经网络输入aspects 分区图像形状不一致、不规则的问题。
[0110]
其次，获取处于分界线两相对侧的对比图像。某个评分区域在某一侧的模型输入不仅包含该区域该侧处理后的图像，还包含该区域该侧和对侧差别的对比图像。如图15所示，由于同一病例同一分区两侧的形状也不一定会相似，因此将对侧图像基于分界线的镜像图像通过图像配准的方法进行非线性变换，使得对侧图像的镜像图像的形状尽可能接近该侧图像。将该侧图像与对侧图像的镜像图像作差处理即可得到上述对比图像。
[0111]
最后，设计评分模型。将一侧图像和其对比图像作为两组输入，分别接入两组3d cnn模块(模块中需包含bn结构)，输出两组特征图。在通道维度上将两组特征图连接，接入另一组cnn模块后通过全局池化、全连接层、sigmoid 函数输出该区域是否存在缺血性卒中病灶的判断。模型简图如图16所示。
[0112]
在评分模型训练阶段，一个病例某个区域的左、右脑两侧均可取得对比图像。两侧均可作为数据集，即每个区域的训练集数据量为训练集病例数量的两倍。
[0113]
在评分模型预测阶段，每个病例通过十个训练好的模型分别预测左、右脑的梗死区域，输出左、右脑的aspects评分。
[0114]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0115]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图19所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于平扫ct的自动化aspects评分方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0116]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0117]
步骤s100，获得基于平扫ct的影像序列，筛选影像序列，获得若干关键帧，若干关键帧包括侧脑室相连的分界帧；
[0118]
步骤s200，在若干关键帧上定位大脑镰，大脑镰在若干关键帧上表现为分界线；
[0119]
步骤s300，对定位分界线的若干关键帧进行图像配准，获得用于aspects 评分的各对分区；
[0120]
步骤s400，利用训练数据对深度学习模型进行训练，获得评分模型，评分模型为多个，对于任意一个评分模型，训练数据相应的包括若干关键帧的其中一对分区；
[0121]
步骤s500，利用评分模型对有待评分的若干关键帧进行aspects评分，获得aspects评分结果。
[0122]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0123]
步骤s100，获得基于平扫ct的影像序列，筛选影像序列，获得若干关键帧，若干关键帧包括侧脑室相连的分界帧；
[0124]
步骤s200，在若干关键帧上定位大脑镰，大脑镰在若干关键帧上表现为分界线；
[0125]
步骤s300，对定位分界线的若干关键帧进行图像配准，获得用于aspects 评分的各对分区；
[0126]
步骤s400，利用训练数据对深度学习模型进行训练，获得评分模型，评分模型为多个，对于任意一个评分模型，训练数据相应的包括若干关键帧的其中一对分区；
[0127]
步骤s500，利用评分模型对有待评分的若干关键帧进行aspects评分，获得aspects评分结果。
[0128]
在一个实施例中，提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现以下步骤：
[0129]
步骤s100，获得基于平扫ct的影像序列，筛选影像序列，获得若干关键帧，若干关键帧包括侧脑室相连的分界帧；
[0130]
步骤s200，在若干关键帧上定位大脑镰，大脑镰在若干关键帧上表现为分界线；
[0131]
步骤s300，对定位分界线的若干关键帧进行图像配准，获得用于aspects 评分的各对分区；
[0132]
步骤s400，利用训练数据对深度学习模型进行训练，获得评分模型，评分模型为多个，对于任意一个评分模型，训练数据相应的包括若干关键帧的其中一对分区；
[0133]
步骤s500，利用评分模型对有待评分的若干关键帧进行aspects评分，获得aspects评分结果。
[0134]
本实施例中，计算机程序产品包括程序代码部分，以用于当计算机程序产品由一个或多个计算装置执行时，执行本技术各实施例中基于平扫ct的自动化aspects评分方法的步骤。计算机程序产品可被存储在计算机可读记录介质上。还可经由数据网络(例如，通过ran、经由因特网和/或通过rbs)提供计算机程序产品以便下载。备选地或附加地，该方法可被编码在现场可编程门阵列(fpga)和/或专用集成电路(asic)中，或者功能性可借助于硬件描述语言被提供以便下载。
[0135]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram (esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus) 直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0136]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时，可视为该附图也同时披露了所涉及的各个实施例的组合例。
[0137]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。
技术特征：1.基于平扫ct的自动化aspects评分方法，其特征在于，包括：获得基于平扫ct的影像序列，筛选所述影像序列，获得若干关键帧，所述若干关键帧包括侧脑室相连的分界帧，获得若干关键帧的方式包括：基于平扫ct的影像序列选择样本影像，利用深度学习模型对样本影像进行二分类的深度学习，得到训练完成的筛选模型，利用训练完成的筛选模型筛选输出影像序列的若干关键帧；在所述若干关键帧上定位大脑镰，所述大脑镰在所述若干关键帧上表现为分界线；对定位所述分界线的所述若干关键帧进行图像配准，获得用于aspects评分的各对分区，对任意一对分区，进行外接矩形处理和图像插值处理；利用训练数据对深度学习模型进行训练，获得评分模型，所述评分模型为多个，对于任意一个评分模型，所述训练数据相应的包括所述若干关键帧的其中一对分区，对于任意一个评分模型，一对分区包括相对于所述分界线处在两相对侧的第一侧分区和第二侧分区，所述训练数据包括第一侧分区相对于所述分界线的镜像、和/或第二侧分区相对于所述分界线的镜像；利用所述评分模型对有待评分的若干关键帧进行aspects评分，获得aspects评分结果。2.根据权利要求1所述的自动化aspects评分方法，其特征在于，获得若干关键帧的方式具体包括：获得基于平扫ct的影像序列，根据基于平扫ct的影像序列获得正立的影像序列；根据正立的影像序列依次计算外接矩形、截取外接矩形，获得截取的影像序列；在截取的影像序列中选择样本影像，利用深度学习模型对样本影像进行二分类的深度学习，得到训练完成的筛选模型；利用训练完成的筛选模型对截取的影像序列进行判断、输出影像序列的若干关键帧，若干关键帧包括侧脑室相连的分界帧。3.根据权利要求1所述的自动化aspects评分方法，其特征在于，在所述若干关键帧上定位大脑镰，具体包括：基于所述若干关键帧截取椭圆，获得若干椭圆形关键帧，在所述若干椭圆形关键帧上定位大脑镰。4.根据权利要求3所述的自动化aspects评分方法，其特征在于，所述若干椭圆形关键帧上定位大脑镰，具体包括：对所述若干椭圆形关键帧进行二值化处理，得到相应的二值图，将所述二值图的hu值调节到第一阈值，使所述二值图的分界线相对于二值图整体清晰显示，定位所述分界线，所述分界线为定位的所述大脑镰。5.根据权利要求3所述的自动化aspects评分方法，其特征在于，在对定位所述分界线的所述若干关键帧进行图像配准时，还包括：根据所述分界线旋转所述若干椭圆形关键帧，使所述分界线竖直，完成精细倾斜校正。6.根据权利要求2所述的自动化aspects评分方法，其特征在于，所述二分类包括的两种类别分别为属于上神经节层的第一类影像和不属于上神经节层的第二类影像。7.根据权利要求1所述的自动化aspects评分方法，其特征在于，对于任一个评分模型，所述训练数据包括第一组数据和第二组数据；所述第一组数据包括第一对比图像、以及第
二侧分区；所述第二组数据包括第二对比图像、以及第一侧分区；所述第一对比图像由所述第一侧分区相对于所述分界线的镜像、以及所述第二侧分区，二者进行图像配准并进行差处理获得；所述第二对比图像由所述第二侧分区相对于所述分界线的镜像、以及所述第一侧分区，二者进行图像配准并进行差处理获得。8.计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1～7任一项所述的基于平扫ct的自动化aspects评分方法的步骤。9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1～7任一项所述的基于平扫ct的自动化aspects评分方法的步骤。10.计算机程序产品，包括计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1～7任一项所述的基于平扫ct的自动化aspects评分方法的步骤。
技术总结本申请涉及一种基于平扫CT的自动化ASPECTS评分方法、计算机设备、可读存储介质和程序产品，方法包括：获得基于平扫CT的影像序列，筛选所述影像序列，获得包括侧脑室相连分界帧的若干关键帧；在若干关键帧上定位大脑镰，大脑镰在所述若干关键帧上表现为分界线；对定位所述分界线的所述若干关键帧进行图像配准，获得用于ASPECTS评分的各对分区；利用训练数据对深度学习模型进行训练，获得评分模型，所述评分模型为多个，对于任意一个评分模型，所述训练数据相应的包括所述若干关键帧的其中一对分区；利用所述评分模型对有待评分的若干关键帧进行ASPECTS评分，获得ASPECTS评分结果。本申请位于分界线两相对侧的各对分区作为评分模型的训练数据，能够提高评分模型的精度。度。度。
技术研发人员：刘凯政 鲁伟 冷晓畅 向建平
受保护的技术使用者：杭州脉流科技有限公司
技术研发日：2022.04.18
技术公布日：2022/7/5
