一种ct灌注成像方法和设备的制作方法
【专利摘要】本发明公开了一种CT灌注成像方法和设备。该方法包括：获取CT设备对当前灌注物扫描得到的灌注数据，所述灌注数据表示时间密度曲线；利用至少两种灌注算法，分别对所述灌注数据进行计算，得到各种所述灌注算法下的灌注参数作为各个初始灌注参数；按照各种灌注算法的权重，对各个所述初始灌注参数进行计算，得到目标灌注参数；以所述目标灌注参数形成所述当前灌注物的目标灌注图像。通过本发明的技术方案，不仅使得灌注图像体现的灌注状态更加准确，而且也简化了操作。
【专利说明】一种CT灌注成像方法和设备
【技术领域】
[0001]本发明涉及CT设备【技术领域】，特别是涉及一种CT灌注成像方法和设备。
【背景技术】
[0002]在医疗设备成像中，灌注成像可以提供活组织器官的微循环血流状态(即灌注状态)，通过组织器官的灌注状态实现从细胞水平揭示如脑梗塞、肿瘤等病理改变或生理改变，从而有助于外科手术前、后治疗计划的制定。目前，由于成本低、病变区域定位较准确以及普遍适用于各类患者，CT灌注成像成为最常用的一种灌注成像方式。具体地说，CT灌注成像是从静脉团注对比剂之后，对选定层面进行同层动态扫描，以获得该层面每一像素点的时间密度曲线(Time Density Curve,简称TDC),根据TDC曲线利用灌注算法计算灌注参数，再以灌注参数形成灌注图像。对于某一灌注参数的灌注图像来说，其每个像素点的色阶表示该点对应在组织器官上的位置处该灌注参数的大小。例如，对于脑部的灌注形成脑部血容量的灌注图像，在该灌注图像中，每一像素点的色阶表示该点对应的脑部位置上血容量的大小。
[0003]目前，现有技术提供了多种灌注算法可以用于对TDC曲线计算灌注参数，而在CT灌注成像时,现有技术中灌注图像是以其中一种灌注算法计算出来的灌注参数来形成的。本发明的发明人经过研究发现，这些灌注算法分别是基于不同的假设条件和计算方法，但这些假设都不完全符合实际，具体地说，有些假设本身不符合实际或难以实现、有些假设仅在特定的时刻或环境下才能发生、有些假设仅在特定组织器官内才合理等等，因此，在现有技术中，无论单独采用哪一种灌注算法计算灌注参数来形成灌注图像，其灌注图像中体现的灌注状态与真实的灌注状态之间也都存在偏差。例如，有些灌注算法计算出的灌注参数在一些特定部位(如缺血的部位)偏差尤其大，有些灌注算法计算出的某个或某些灌注参数被高估或低估，有些灌注算法计算出的灌注参数仅在某个或某些组织器官准确等等。进一步而言，由于现有技术中各种灌注算法的灌注图像都不能体现准确的灌注状态，为了能够得到更准确的灌注状态，医生还需要对各种灌注算法的灌注图像进行对比分析，从而导致查看灌注图像时需要频繁地在不同灌注算法的灌注图像之间切换，造成繁琐的操作。
【发明内容】
[0004]本发明所要解决的技术问题是，提供一种CT灌注成像方法和设备，以解决按照现有技术中采用单一灌注算法计算出的灌注参数形成灌注图像而导致的灌注图像体现的灌注状态不准确以及频繁切换灌注图像的操作繁琐的技术问题。
[0005]为解决上述技术问题，本发明实施例提供了一种CT灌注成像方法，该方法包括:
[0006]获取CT设备对当前灌注物扫描得到的灌注数据，所述灌注数据表示时间密度曲线.
[0007]利用至少两种灌注算法，分别对所述灌注数据进行计算，得到各种所述灌注算法下的灌注参数作为各个初始灌注参数；
[0008]按照各种灌注算法的权重，对各个所述初始灌注参数进行计算，得到目标灌注参数；
[0009]以所述目标灌注参数形成所述当前灌注物的目标灌注图像。
[0010]可选的，所述各种灌注算法的权重为预先采用机器学习方法对历史灌注物在各种所述灌注算法下计算出的灌注参数与所述历史灌注物的真实灌注参数之间对应关系进行机器学习而得到的。
[0011]可选的，所述历史灌注物的真实灌注参数为采用核磁共振对所述历史灌注物进行灌注成像而得到的灌注参数。
[0012]可选的，所述方法还包括:
[0013]响应于设置系数的输入操作，获取为各种所述灌注算法输入的设置系数；
[0014]按照各种所述灌注算法的设置系数，对各个所述初始灌注参数进行重新计算，重新得到目标灌注参数；
[0015]以重新得到的目标灌注参数重新形成所述当前灌注物的目标灌注图像。
[0016]可选的，所述方法还包括:
[0017]根据所述目标灌注图像中各像素点的目标灌注参数，在所述目标灌注图像中标识病变区域，并提供所述病变区域的病变信息。
[0018]可选的，所述方法还包括:
[0019]响应于对所述目标灌注图像中选定位置上灌注参数的显示请求操作，查找所述选定位置上的目标灌注参数以及各个初始灌注参数并显示。
[0020]可选的，所述方法还包括:
[0021]分别以各个所述初始灌注参数形成所述当前灌注物在各种所述灌注算法下的灌注图像作为各个初始灌注图像，并显示各个所述初始灌注图像与所述目标灌注图像。
[0022]此外，本发明实施例还提供了一种CT灌注成像设备，包括:
[0023]第一获取模块，用于获取CT设备对当前灌注物扫描得到的灌注数据，所述灌注数据表示时间密度曲线；
[0024]第一计算模块，用于利用至少两种灌注算法，分别对所述灌注数据进行计算，得到各种所述灌注算法下的灌注参数作为各个初始灌注参数；
[0025]第二计算模块，用于按照各种灌注算法的权重，对各个所述初始灌注参数进行计算，得到目标灌注参数；
[0026]第一形成模块，用于以所述目标灌注参数形成所述当前灌注物的目标灌注图像。
[0027]可选的，所述各种灌注算法的权重为预先采用机器学习方法对历史灌注物在各种所述灌注算法下计算出的灌注参数与所述历史灌注物的真实灌注参数之间对应关系进行机器学习而得到的。
[0028]可选的，所述设备还包括:
[0029]第二获取模块，用于响应于对设置系数的输入操作，获取为各种所述灌注算法输入的设置系统；
[0030]第三计算模块，用于按照各种所述灌注算法的设置系数，对各个所述初始灌注参数进行重新计算，重新得到目标灌注参数；
[0031]第二形成模块，用于以重新得到的目标灌注参数重新形成所述当前灌注物的目标灌注图像。
[0032]可选的，所述设备还包括:
[0033]第二查找模块，用于响应于对所述目标灌注图像中选定位置上灌注参数的显示请求操作，查找所述选定位置上的目标灌注参数以及各个初始灌注参数；
[0034]第一显示模块，用于显示所述选定位置上的目标灌注参数以及各个所述初始灌注参数。
[0035]与现有技术相比，本发明具有以下优点:
[0036]根据本发明实施例的技术方案，可以预先采集一些已知真实灌注参数的历史灌注物，采用机器学习方法对历史灌注物在各种所述灌注算法下计算出的灌注参数与所述历史灌注物的真实灌注参数之间对应关系进行机器学习，从而得到机器学习方法中各种灌注算法的权重，当需要当前灌注物形成灌注图像时，可以先获取CT设备对当前灌注物扫描得到的表示时间密度曲线的灌注数据，然后利用至少两种灌注算法，分别对所述灌注数据进行计算，得到各种所述灌注算法下的灌注参数作为各个初始灌注参数，再按照各种灌注算法的权重，对各个所述初始灌注参数进行计算，得到目标灌注参数，从而以所述目标灌注参数形成所述当前灌注物的目标灌注图像。因此，由于灌注图像是以目标灌注参数来形成的，并且目标灌注参数又是综合了各种灌注算法计算出的初始灌注参数而计算得到的，使得目标灌注图像的形成综合了各种灌注算法，因此，各种灌注算法不同的假设条件可以互相弥补彼此间不符合实际的情况，使得在目标灌注图像中目标灌注参数能够更加接近于真实的灌注参数，从而不仅使得灌注图像体现的灌注状态更加准确，也避免了医生为了对比各个灌注状态不准确的灌注图像而频繁地切换各种灌注算法的灌注图像，简化了操作。
【专利附图】
【附图说明】
[0037]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1为本发明中CT灌注成像方法一实施例的流程图；
[0039]图2为本发明实施例中修改目标灌注图像中各灌注算法权重一实施方式的流程图；
[0040]图3为本发明中CT灌注成像设备一实施例的结构图；
[0041]图4为本发明中CT灌注成像设备另一实施例的结构图；
[0042]图5为本发明中CT灌注成像设备又一实施例的结构图；
[0043]图6为本发明中CT灌注成像设备再一实施例的结构图；
[0044]图7为本发明中CT灌注成像设备又再一实施例的结构图。
【具体实施方式】
[0045]为了使本【技术领域】的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046]本发明的发明人经过长期的研究发现，现有技术中虽然提供了多种灌注算法用于计算灌注参数，但是，由于灌注图像是以单独一种灌注算法计算出来的灌注参数来形成的，而所有的灌注算法采用的假设条件都不完全符合实际，这就使得现有技术用于形成灌注图像的灌注参数都与真实的灌注参数之间存在偏差，从而导致灌注图像体现的灌注状态都与真实的状态之间存在偏差，因此，医生在使用现有的灌注图像时，需要为其利用多种灌注算法计算出的灌注参数形成多个灌注图像，使得医生通过对比分析多个灌注图像来确定更准确的灌注状态，这就造成了繁琐的操作。发明人进一步研究后发现，实际上，各种灌注算法的假设条件与实际不符合的情况是不同的，因此，各种灌注算法的假设条件能够互相弥补彼此间不符合实际的情况，也正是因此，医生能够通过综合考虑各种灌注算法下得到的灌注图像确定更接近于真实的灌注状态。由此可见，为了获得更接近于真实灌注状态的灌注图像而实现操作的简化，可以综合考虑多种灌注算法计算出的灌注参数来形成一个灌注图像。
[0047]基于上述分析，本发明的主要思想在于:为了实现综合多种灌注算法计算出的灌注参数来形成一个更接近于真实灌注状态的灌注图像，可以采用机器学习的方式来建立各种灌注算法的灌注参数与真实灌注参数之间的对应关系，以便利用该机器学习算法实现将各种灌注参数计算出的初始灌注参数综合成更接近于真实的目标灌注参数，从而以目标灌注参数形成的目标灌注图像可以体现出更接近于真实的灌注状态，并进一步避免了频繁更换灌注算法以切换各种灌注图像的操作，避免了操作误差，简化了操作。具体地说，可以预先采集一些已知真实灌注参数的历史灌注物，采用机器学习方法对历史灌注物在各种灌注算法下计算出的灌注参数与历史灌注物的真实灌注参数之间建立对应关系，从而得到机器学习方法中各种灌注算法的权重，当需要当前灌注物形成灌注图像时，对于当前灌注物扫描得到的灌注数据，可以利用至少两种灌注算法，分别对灌注数据进行计算，得到各种灌注算法下的灌注参数作为各个初始灌注参数，再按照各种灌注算法的权重，对各个初始灌注参数进行计算，得到目标灌注参数，从而以目标灌注参数形成所述当前灌注物的目标灌注图像。
[0048]在本发明实施例的一个示例性应用场景中，例如可以应用在CT设备上。具体地，在这一应用场景示例中，采用机器学习方法对历史灌注物在各种所述灌注算法下计算出的灌注参数与历史灌注物的真实灌注参数之间对应关系进行机器学习而为各种灌注算法得到的权重可以预置在CT设备中，在需要对当前灌注物进行灌注成像时，CT设备可以对当前灌注物扫描来得到灌注数据，利用至少两种灌注算法，分别对所述灌注数据进行计算，得到各种所述灌注算法下的灌注参数作为各个初始灌注参数，然后，CT设备可以按照各种灌注算法的权重，对各个所述初始灌注参数进行计算，得到目标灌注参数，再后，CT设备以所述目标灌注参数形成所述当前灌注物的目标灌注图像。
[0049]在本发明实施例的又一个示例性应用场景中，例如可以应用在与CT设备相连的PC等计算设备上。具体地，在这一应用场景示例中，采用机器学习方法对历史灌注物在各种所述灌注算法下计算出的灌注参数与历史灌注物的真实灌注参数之间对应关系进行机器学习而为各种灌注算法得到的权重可以预置在该计算设备中，在需要对当前灌注物进行灌注成像时，CT设备对当前灌注物扫描得到的灌注数据之后，该计算设备可以从CT设备中接收该灌注数据，并利用至少两种灌注算法，分别对所述灌注数据进行计算，得到各种所述灌注算法下的灌注参数作为各个初始灌注参数，然后，该计算设备可以按照各种灌注算法的权重，对各个所述初始灌注参数进行计算，得到目标灌注参数，再后，该计算设备以所述目标灌注参数形成所述当前灌注物的目标灌注图像。
[0050]在介绍了本发明的主要思想以后，下面结合附图，详细说明本发明的各种非限制性实施方式。
[0051]参见图1，示出了本发明中CT灌注成像方法一实施例的流程图。在本实施例中，例如具体可以包括如下步骤:
[0052]S101、获取CT设备对当前灌注物扫描得到的灌注数据，所述灌注数据表示时间密度曲线。
[0053]具体实现时，在一些实施方式中，采用CT设备平扫当前待灌注物时，确定可以做灌注扫描后，结合病人体重、健康程度，病变位置、类型等信息，可以由医生确定造影剂剂量及造影剂注射速率，设定扫描开始时间及扫描时间、每层图像的间隔时间等，然后根据以上参数，CT设备可以自动匹配最佳灌注计算方法，或者由医生手动选择最佳灌注计算方法。在另一些实施方式中，也可以将病人相关信息输入设备，由CT设备给出建议的造影剂剂量、造影剂注释速率、确定各项扫描参数及最佳灌注计算方法等。可以理解的是，最佳灌注计算方法的选择会影响到后续目标灌注参数计算过程中的权重。
[0054]在当前灌注物(如病患的脑部、肝部等)静脉团注射对比剂之后，CT设备在选定层面对当前灌注物进行动态扫描，获得灌输数据。其中，灌注数据具体表示的是选定层面内每I个像素点的时间密度曲线，也即，通过该灌注数据，可以绘制出选定层面内每I个像素点的时间密度曲线。此外，选定层面可以是一层或多层，通常情况下采用的是单层。可以理解的是，对于不同的组织器官进行灌注时，可以依据组织器官分布来选择选定层面，例如，对于脑灌注来说，可以选择基底节层面作为选定层面，这样就使得选定层面中较为全面地包括了丘脑、基底节、内囊以及大脑前、中、后动脉。对于选定多层的情况，可以在某一层选择组织器官的主要供血血管，在某一层选择血液流出该组织的主要血管，用于病变所在层的灌注参数的计算。其中，供血血管和血液流出组织的血管以及病变可以在同一层，也可以分别在不同层。对于血管及病变区域的选择，可以是由医生手动选择，或者也可以是由系统自动确定，或者还可以是在系统自动确定不够准确的情况下，由医生手动调整。在同时计算多层的灌注参数的情况下，可以形成空间上三维的灌注结果，向医生提供病变体积等信息。
[0055]S102、利用至少两种灌注算法，分别对所述灌注数据进行计算，得到各种所述灌注算法下的灌注参数作为各个初始灌注参数。
[0056]在本实施例中，为形成灌注图像，所使用的灌注参数例如可以是血容量、血流量、平均通过时间、达峰时间、表面通透性等参数中的一个或多个。可以理解的是，所使用的灌注参数可以针对所要灌注的组织器官来进行选择。例如，对于脑灌注来说，所使用的灌注参数可以是脑部的血容量、血流量、平均通过时间或达峰时间等参数。又如，对于肝脏灌注来说，所使用的灌注参数可以是肝脏的血容量、血流量、平均通过时间或表面通透性等参数。再如，对于其他组织器官的灌注，所使用的灌注参数可以是该组织器官的血容量、血流量、平均通过时间或表面通透性等参数。
[0057]在本实施例中，用于计算初始灌注参数的灌注算法，例如可以是现有灌注算法中的任意两种或两种以上，具体地，可以包括以下算法的任意两种或两种以上:瞬间法、最大斜率法、去卷积法、patlak分析法等。可以理解的是，用于计算灌注参数的灌注算法可以是针对所要灌注的组织器官来选择。例如，对于脑灌注来说，用于计算灌注参数的灌注算法可以是最大斜率法、去卷积法等。又如，对于肝脏灌注来说，用于计算灌注参数的灌注算法可以是“一室两进”模式的去卷积法、将脾脏强化达峰时间作为肝动脉期与门静脉期的分界点的最大斜率法等。再如，对于其他组织器官的灌注，用于计算灌注参数的灌注算法可以是最大斜率法、去卷积法、patlak分析法等。
[0058]需要说明的是，不同的灌注算法是基于不同的假设条件，因此，利用不同灌注算法计算出来的初始灌注参数，也与真实的灌注参数存在不同的偏差。
[0059]例如，对于瞬间法，其理论基础是对比剂稀释理论，即在没有对比剂外渗和消除对比剂再循环的情况下，可以根据时间密度曲线计算出脑血容量。假定对比剂单一通过，没有对比剂再循环影响的推测值。瞬间法的优点是不需要假设无静脉引流，因此可以将血容量与平均通过时间之比当作血流量，计算简单。但是，在一般情况下其组织通过时间的方差与平均通过时间之比在大脑中为常数的这种假设是不符合实际的，尤其是在发生缺血的部位。
[0060]又如，对于斜率法，其是由Peters提出，属于单房室的一种灌注算法，并且其能够独立于具体的模型结构。假设血管内壁完整，对比剂经由输入动脉进入组织器官，然后快速渗透到毛细血管和细胞外间质中，并且不与组织发生代谢作用，经过很短的一段时间后开始从一条静脉流出。假设所有注入的对比剂均留在脑内血管内而无静脉流出，则组织血流量等于组织TDC的最大初始斜率与动脉TDC的峰值高度之比值。斜率法的优点是概念简单，便于理解，但其主要弊端是脑组织时间密度曲线的最大初始斜率处对比剂无静脉流出的假设很难实现。如果在达到最大初始斜率峰值之前对比剂有明显的静脉流出，血流量将被低估。另外，由于最大初始斜率取决于对比剂团注的速度和病人的心脏输出功能。因此，要缩短最大初始斜率由起始到达峰值的时间，就只有提高对比剂的注射速度和对比剂剂量。为保证计算的准确性而要求较高注射速率(10-20ml/s)，必须使用静脉插管，但这种方式不适于心功能不良以及静脉比较脆弱的病人，所以斜率法在临床应用中受到限制。
[0061]再如，对于多时图解分析法，其采用的是将感兴趣组织区域和输入动脉血浆的对比剂时间密度曲线进行变换处理，在满足一定条件的情况下，新合成的曲线有一部分近似于一条直线，对数据曲线能够进行线性拟合。拟合后生成的直线斜率在不同的图解分析方法中，分别表征对比剂的吸收率或者分布容积。多时图解分析方法的优点在于，其能够独立于任何特定的模型结构。一般情况下，分析所采用的拟合方法在肿瘤组织区域能够根据观测值拟合得更好，观测值的离散度更小，即观测值更稳定。但是，多时图解分析法的缺点在于，其采用的假设条件是存在一个对比剂不可回流的反应或步骤，使得对比剂或者标记物不可逆向流出组织，但在实际情况下，这样的情况只能在初始时经历剧烈的对比剂浓度变化，且组织对比剂浓度曲线下降得足够缓慢的组织房室模型中才能够发生。此外，多时图解分析法还忽略了血管容积。
[0062]又再如，对于去卷积算法，其是由Cenic在1999年提出的，其是将所研究的系统看作线性时不变的，在理想状态下，根据瞬时注射单位质量的对比剂所产生的组织增强曲线，得到组织的脉冲响应函数。该脉冲响应函数可以认为反映了物质在组织中随着时间的分布情况。去卷积法的优点在于，其要求对比剂的注射速度不必很高，一般3.5?4.0ml/s即可，因此其在临床上得到了广泛的应用。但是，去卷积法的缺点在于，其采用的假设条件要求对比物是不扩散的，虽然在脑部对比物不扩散是合理的假设，但是对其他器官就不正确了，并且这也不符合脑部肿瘤时血脑屏障损坏的情况。此外，去卷积法对噪声特别敏感，因此，也必须用有效的方法抑制噪声才能保证去卷积法的计算值准确。
[0063]此外，对于延迟敏感的灌注算法，其假设条件是在动脉灌注开始前组织中不存在灌注，因此，相对于延迟不敏感的灌注算法，延迟敏感的灌注算法会扩大对有动脉阻塞组织的估计，比如，会扩大对脑部中风区域的估计。
[0064]S103、按照各种灌注算法的权重，对各个所述初始灌注参数进行计算，得到目标灌注参数。
[0065]其中，所述各种灌注算法的权重可以为预先采用机器学习方法对历史灌注物在各种所述灌注算法下计算出的灌注参数与所述历史灌注物的真实灌注参数之间对应关系进行机器学习而得到的。具体实现时，可以预先采用一些已知真实灌注参数的历史灌注物及利用各种灌注算法为历史灌注物计算出的历史灌注参数，然后对历史灌注物在各种灌注算法下计算出的各个灌注参数与历史灌注物的真实灌注参数之间的对应关系进行机器学习，从而建立出一个表示灌注物在各种灌注算法下计算出的灌注参数与其真实灌注参数之间对应关系的机器学习模型，而已建立的机器学习模型即是由各种灌注算法的权重所组成，而当需要为未知真实灌注参数的当前灌注物形成灌注图像时，可以采用从已建立的机器学习模型中获得的各种灌注算法的权重来对当前灌注物在各种灌注算法下的初始灌注参数进行计算，得到目标灌注参数，则该目标灌注参数相对于各初始灌注参数就更接近于当前灌注物的真实灌注参数。
[0066]具体地说，通过机器学习方法建立的机器学习模型是可以用于表示多个输入变量的变量值与多个输出变量的变量值之间对应关系的计算工具，具体到本实施例，机器学习模型表示的可以是灌注物在各种灌注算法下计算出的灌注参数与该灌注物的真实灌注参数之间的对应关系，也即，在该机器学习模型中，输入变量是灌注物在各种灌注算法下计算出的各个灌注参数，输出变量为灌注物的真实灌注参数。由于历史灌注物在各种灌注算法下的各个灌注参数以及历史灌注物的真实灌注参数均是已知的，通过对历史灌注物在各种灌注算法下的灌注参数与历史灌注物的真实灌注参数之间对应关系的训练学习，可以建立表示任意灌注物在各种灌注算法下的灌注参数与该灌注物的真实灌注参数间对应关系的机器学习模型，从而以当前灌注物在各种灌注算法下的各个初始灌注参数作为输入变量，该机器学习模型就可以计算出作为输出变量的目标灌注参数，使得该目标灌注参数更接近于当前灌注物的真实灌注参数。因此，该机器学习模型，可以是表示一个针对多个变量与一个输出变量的机器学习模型。
[0067]此外，在本实施例中，机器学习方法可以采用任意一种能够实现机器学习功能的算法，例如可以是神经元网络、支持向量机、AdaBoost算法、贝叶斯网络等，本实施例对此不做限定。
[0068]可以理解的是，为了通过机器学习得到各种灌注算法的权重，需要利用历史灌注物在各种灌注算法下的灌注参数及其真实灌注参数。对于历史灌注物在各种灌注算法下的灌注参数，例如可以利用各种灌注算法对历史灌注物进行CT灌注成像来获得。而对于历史灌注物的真实灌注参数，实际上通过对历史灌注物进行解剖分析才能够获得最准确的真实灌注参数。但是，通常机器学习需要大量的训练数据，而能够通过解剖分析的手段获知真实灌注参数的历史灌注物数量却十分有限。因此，为了采集到已知真实灌注参数的历史灌注物的数量足够建立机器学习模型，由于核磁共振对灌注成像非常接近于真实的灌注状态，在本实施例的一些实施方式中，可以采用核磁共振对历史灌注物进行灌注成像而得到的灌注参照作为其真实灌注参数，也即，历史灌注物的真实灌注参数例如可以为采用核磁共振对所述历史灌注物进行灌注成像而得到的灌注参数。
[0069]需要说明的是，针对不同的组织器官，可以建立同一机器学习模型来使用，或者，也可以分别建立不同的机器学习模型来使用。具体地，在本实施例的一些实施方式中，可以根据组织器官的供血特点来确定哪些组织器官可以采用同一机器学习模型。例如，对于肾脏和胰脏来说，两者供血特点比较接近，均为单系统动脉供血器官，因此两者可以采用同一机器学习模型来进行灌注成像，该机器学习模型中涉及的灌注算法可以采用单输入模型。此外，类似地，针对不同的疾病，可以建立同一机器学习模型来使用，或者，也可以建立不同的机器学习模型来使用。
[0070]S104、以所述目标灌注参数形成所述当前灌注物的目标灌注图像。
[0071]具体实现时，可以以选定层面每I个像素点的目标灌注参数来确定目标灌注图像中相应像素点的灰度或色阶，以此生成目标灌注图像。在目标灌注图像中，各位置的灰度或色阶即体现出该位置上更接近于真实灌注参数的目标灌注参数，从而使得该目标灌注图像可以体现出更接近于真实的灌注状态。此时，可以响应于用户对图像的显示请求操作，显示形成的目标灌注图像，从而使得医生能够从目标灌注图像上查看到更准确的灌注状态。
[0072]可以理解的是，以机器学习模型综合各种灌注算法的初始灌注参数得到的目标灌注参数来形成目标灌注图像，虽然可以使得目标灌注图像相对于以初始灌注参数形成的灌注图像来说更接近于真实的灌注状态，但是，由于各种实际情况之间存在的差异，有时目标灌注图像所体现的灌注状态可能还是不够理想。为了使得目标灌注图像能够更加理想地体现真实的灌注状态，在本实施例的一些实施方式中，还可以允许用户通过为各种灌注算法自行输入设置系数来实现对各初始灌注参数进行计算，以实现对目标灌注图像的调整，从而得到体现更准确灌注状态的目标灌注图像。具体地，如图2所示，本实施例中还可以包括:
[0073]S201、响应于设置系数的输入操作，获取为各种所述灌注算法输入的设置系数。
[0074]具体实现时，在向用户显示目标灌注图像的同时，可以为用户提供一种为调整目标灌注图像而输入设置系数的操作方式，当用户执行了对权重的修改操作时，可以获取用户对各种灌注算法输入的设置系数，以用于重新生成目标灌注图像。
[0075]S202、按照各种所述灌注算法修改过的设置系数，对各个所述初始灌注参数进行重新计算，重新得到目标灌注参数。
[0076]具体实现时，例如可以以用户对各灌注算法输入的设置系数作为各自初始灌注参数在目标灌注参数中占据的比例系数，将各个初始灌注参数与其设置系数的乘积之和作为目标灌注参数。
[0077]S203、以重新得到的目标灌注参数重新形成所述当前灌注物的目标灌注图像。
[0078]在重新形成目标灌注图像之后，可以将重新形成的目标灌注图像向用户显示。可以理解的是，如果重新形成的目标灌注图像依然不够理想，则用户可以再次对各灌注参数进行修改，从而再重新形成目标灌注图像，直至目标灌注图像足够理想。
[0079]此外，在一些实施方式中，对于为各灌注算法输入过的一组设置系数，可以将其保存下来，以便后续用户再次调整目标灌注参数时可以将曾经输入过的设置系数组提供给用户选择，从而简化用户的操作。此外，对于以设置系数对各初始灌注参数计算出的目标灌注参数，可以将其各初始灌注参数与目标灌注参数作为一组训练数据，以用于对机器学习模型的再次训练。
[0080]接着返回图1。
[0081]在本实施例的另一些实施方式中，为了帮助用户更容易地定位病变位置，还可以在目标灌注图像中依据各像素点的目标灌注参数来确定哪些位置可能已发生病变并呈现这些确定出的病变位置。具体地，本实施例例如还可以包括:根据所述目标灌注图像中各像素点的目标灌注参数，在所述目标灌注图像中将所述标识像素点组成的区域标识为病变区域，并提供所述病变区域的病变信息。更具体地，可以考虑多种不同的目标灌注参数，在目标灌注图像中查找这些目标灌注参数都位于其各自预设范围内的像素点作为标识像素点，再以这些标识像素点在目标灌注图像中组成的区域标识为病变区域。其中，为了标识不同疾病的病变区域，可以选用不同种类的目标灌注参数，和/或，同一种类的目标灌注参数也可以选用不同的预设范围。此外，所述病变信息，例如可以包括依据其病变区域所分析得到的病变情况、病变程度和/或病变区域面积等。
[0082]可以理解的是，用户有时需要分析比对分别以各灌注算法下初始灌注参数形成的初始灌注图像以及综合各灌注算法形成的目标灌注图像，这样就会导致需要频繁地为当前灌注物反复进行灌注成像，造成操作的繁琐以及系统的繁忙。为了在满足用户分析比对各灌注图像的同时避免频繁地为当前灌注物反复进行灌注成像，在本实施例的又一些实施方式中，还可以为当前灌注物并行显示各种灌注算法分别形成的初始灌注图像以及综合各灌注算法形成的目标灌注图像。具体地，本实施例例如还可以包括:分别以各个所述初始灌注参数形成所述当前灌注物在各种所述灌注算法下的灌注图像作为各个初始灌注图像，并显示各个所述初始灌注图像与所述目标灌注图像。其中，各个初始灌注图像与目标灌注图像的并行显示，例如可以是将各个初始灌注图像与目标灌注图像同时显示在显示界面上；又如可以是同时形成了各个初始灌注图像与目标灌注图像之后，为用户提供一种选择显示哪一或哪些灌注图像的操作方式，并响应用户对图像的选择操作来显示用户从各初始灌注图像及目标灌注图像中选定的灌注图像。
[0083]此外，用户有时需要分析比对同一位置上各种灌注算法下得到的初始灌注参数以及综合各灌注算法得到的目标灌注参数，如果灌注参数仅在其灌注图像上提供显示，这样就会导致需要频繁地切换各灌注图像，造成操作的繁琐以及系统的繁忙。为了在满足用户分析比对各灌注参数的同时避免频繁地切换灌注图像，在本实施例的再一实施方式中，还可以在一个灌注图像上并行显示所有灌注图像相同位置上的灌注参数。具体地说，以目标灌注图像上的并行显示为例，本实施例例如还可以包括:响应于对所述目标灌注图像中选定位置上灌注参数的显示请求操作，查找所述选定位置上的目标灌注参数以及各个初始灌注参数并显示。其中，在并行显示各灌注参数时，可以将选定位置上的目标灌注参数及各初始灌注参数置入一个表格中进行显示，从而可以便于用户比对各灌注参数。可以理解的是，虽然此处是以目标灌注图像上并行显示各灌注参数为例进行介绍的，但结合前述并行显示各初始灌注图像及目标灌注图像的实施方式，各灌注参数也可以是在各个初始灌注图像中的任意图像上并行显示。对于并行显示各灌注参数时用户是在哪一灌注图像上触发并显示的，本实施例不做限定。
[0084]通过本实施例的技术方案，由于灌注图像是以目标灌注参数来形成的，并且目标灌注参数又是综合了各种灌注算法计算出的初始灌注参数而计算得到的，使得目标灌注图像的形成综合了各种灌注算法，因此，各种灌注算法不同的假设条件可以互相弥补彼此间不符合实际的情况，使得在目标灌注图像中目标灌注参数能够更加接近于真实的灌注参数，从而不仅使得灌注图像体现的灌注状态更加准确，也避免了医生为了对比各个灌注状态不准确的灌注图像而频繁地切换灌注图像，简化了操作。
[0085]在介绍了本发明示例性实施方式的方法之后，接下来，对本发明示例性实施方式的、用于CT灌注成像的设备进行介绍。
[0086]参见图3，示出了本发明中CT灌注成像设备一实施例的结构图。在本实施例中，所述设备例如具体可以包括:
[0087]第一获取模块301，用于获取CT设备对当前灌注物扫描得到的灌注数据，所述灌注数据表示时间密度曲线；
[0088]第一计算模块302，用于利用至少两种灌注算法，分别对所述灌注数据进行计算，得到各种所述灌注算法下的灌注参数作为各个初始灌注参数；
[0089]第二计算模块303，用于按照各种灌注算法的权重，对各个所述初始灌注参数进行计算，得到目标灌注参数；
[0090]第一形成模块304，用于以所述目标灌注参数形成所述当前灌注物的目标灌注图像。
[0091]在本实施例的一些实施方式中，所述各种灌注算法的权重可以为预先采用机器学习方法对历史灌注物在各种所述灌注算法下计算出的灌注参数与所述历史灌注物的真实灌注参数之间对应关系进行机器学习而得到的。
[0092]在本实施例的另一些实施方式中，所述历史灌注物的真实灌注数据例如可以为采用核磁共振对所述历史灌注物进行灌注成像而得到的灌注参数。
[0093]参见图4，示出了本发明中CT灌注成像设备另一实施例的结构图。在本实施例中，除了图3所示的所有结构外，所述设备例如还可以包括:
[0094]第二获取模块401，用于响应于对设置系数的输入操作，获取为各种所述灌注算法输入的设置系数；
[0095]第三计算模块402，用于按照各种所述灌注算法的设置系数，对各个所述初始灌注参数进行重新计算，重新得到目标灌注参数；
[0096]第二形成模块403，用于以重新得到的目标灌注参数重新形成所述当前灌注物的目标灌注图像。
[0097]参见图5，示出了本发明中CT灌注成像设备又一实施例的结构图。在本实施例中，除了图3所示的所有结构外，所述设备例如还可以包括:
[0098]标识模块501，用于根据所述目标灌注图像中各像素点的目标灌注参数，在所述目标灌注图像中标识病变区域；
[0099]提供模块502，用于提供所述病变区域的病变信息。
[0100]参见图6，示出了本发明中CT灌注成像设备再一实施例的结构图。在本实施例中，除了图3所示的所有结构外，所述设备例如还可以包括:
[0101]第二查找模块601，用于响应于对所述目标灌注图像中选定位置上灌注参数的显示请求操作，查找所述选定位置上的目标灌注参数以及各个初始灌注参数；
[0102]第一显示模块602，用于显示所述选定位置上的目标灌注参数以及各个所述初始灌注参数。
[0103]参见图7，示出了本发明中CT灌注成像设备又再一实施例的结构图。在本实施例中，除了图3所示的所有结构外，所述设备例如还可以包括:
[0104]第三形成模块701，用于分别以各个所述初始灌注参数形成所述当前灌注物在各种所述灌注算法下的灌注图像作为各个初始灌注图像；
[0105]第二显示模块702，用于显示各个所述初始灌注图像与所述目标灌注图像。
[0106]通过本发明设备实施例的技术方案，由于灌注图像是以目标灌注参数来形成的，并且目标灌注参数又是综合了各种灌注算法计算出的初始灌注参数而计算得到的，使得目标灌注图像的形成综合了各种灌注算法，因此，各种灌注算法不同的假设条件可以互相弥补彼此间不符合实际的情况，使得在目标灌注图像中目标灌注参数能够更加接近于真实的灌注参数，从而不仅使得灌注图像体现的灌注状态更加准确，也避免了医生为了对比各个灌注状态不准确的灌注图像而频繁地切换灌注图像，简化了操作。
[0107]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0108]对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0109]以上所述仅是本发明的【具体实施方式】，应当指出，对于本【技术领域】的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
【权利要求】
1.一种CT灌注成像方法，其特征在于，包括: 获取CT设备对当前灌注物扫描得到的灌注数据，所述灌注数据表示时间密度曲线； 利用至少两种灌注算法，分别对所述灌注数据进行计算，得到各种所述灌注算法下的灌注参数作为各个初始灌注参数； 按照各种灌注算法的权重，对各个所述初始灌注参数进行计算，得到目标灌注参数； 以所述目标灌注参数形成所述当前灌注物的目标灌注图像。
2.根据权利要求1所述的方法，其特征在于，所述各种灌注算法的权重为预先采用机器学习方法对历史灌注物在各种所述灌注算法下计算出的灌注参数与所述历史灌注物的真实灌注参数之间对应关系进行机器学习而得到的。
3.根据权利要求1所述的方法，其特征在于，所述历史灌注物的真实灌注参数为采用核磁共振对所述历史灌注物进行灌注成像而得到的灌注参数。
4.根据权利要求1所述的方法，其特征在于，还包括: 响应于设置系数的输入操作，获取为各种所述灌注算法输入的设置系数； 按照各种所述灌注算法的设置系数，对各个所述初始灌注参数进行重新计算，重新得到目标灌注参数； 以重新得到的目标灌注参数重新形成所述当前灌注物的目标灌注图像。
5.根据权利要求1所述的方法，其特征在于，还包括: 根据所述目标灌注图像中各像素点的目标灌注参数，在所述目标灌注图像中标识病变区域，并提供所述病变区域的病变信息。
6.根据权利要求1所述的方法，其特征在于，还包括: 响应于对所述目标灌注图像中选定位置上灌注参数的显示请求操作，查找所述选定位置上的目标灌注参数以及各个初始灌注参数并显示。
7.根据权利要求1所述的方法，其特征在于，还包括: 分别以各个所述初始灌注参数形成所述当前灌注物在各种所述灌注算法下的灌注图像作为各个初始灌注图像，并显示各个所述初始灌注图像与所述目标灌注图像。
8.—种CT灌注成像设备，其特征在于，包括: 第一获取模块，用于获取CT设备对当前灌注物扫描得到的灌注数据，所述灌注数据表示时间密度曲线； 第一计算模块，用于利用至少两种灌注算法，分别对所述灌注数据进行计算，得到各种所述灌注算法下的灌注参数作为各个初始灌注参数； 第二计算模块，用于按照各种灌注算法的权重，对各个所述初始灌注参数进行计算，得到目标灌注参数； 第一形成模块，用于以所述目标灌注参数形成所述当前灌注物的目标灌注图像。
9.根据权利要求8所述的设备，其特征在于，所述各种灌注算法的权重为预先采用机器学习方法对历史灌注物在各种所述灌注算法下计算出的灌注参数与所述历史灌注物的真实灌注参数之间对应关系进行机器学习而得到的。
10.根据权利要求8所述的设备，其特征在于，还包括: 第二获取模块，用于响应于对设置系数的输入操作，获取为各种所述灌注算法输入的设置系统； 第三计算模块，用于按照各种所述灌注算法的设置系数，对各个所述初始灌注参数进行重新计算，重新得到目标灌注参数； 第二形成模块，用于以重新得到的目标灌注参数重新形成所述当前灌注物的目标灌注图像。
11.根据权利要求7所述的设备，其特征在于，还包括: 第二查找模块，用于响应于对所述目标灌注图像中选定位置上灌注参数的显示请求操作，查找所述选定位置上的目标灌注参数以及各个初始灌注参数； 第一显示模块，用于显示所述选定位置上的目标灌注参数以及各个所述初始灌注参数。
【文档编号】A61B6/03GK104287764SQ201410462793
【公开日】2015年1月21日 申请日期:2014年9月11日 优先权日:2014年9月11日
【发明者】刘尧 申请人:沈阳东软医疗系统有限公司