大脑中动脉高密度征影像识别方法及装置与流程

1.本公开涉及计算机技术领域，尤其涉及一种大脑中动脉高密度征影像识别方法及装置、电子设备和存储介质。


背景技术：

2.大脑中动脉高密度征(hyperdense middle cerebral artery sign，hmcas)在脑部电子计算机断层扫描(computed tomography，ct)影像中表现为大脑中动脉的密度高于周围区域的密度。hmcas是早期脑梗死的重要征象之一。约有21％～60％急性脑梗死病例中具有hmcas。
3.受ct等医学影像特点以及患者自身特点等因素影响，在医学影像中识别出hmcas的准确率较低。


技术实现要素：

4.有鉴于此，本公开提出了一种大脑中动脉高密度征影像识别方案。
5.根据本公开的一方面，提供了一种大脑中动脉高密度征影像识别方法，包括：
6.在三维影像上，分割出表征大脑中动脉高密度征的第一梗死区域，所述三维影像与至少一层二维影像相对应；
7.根据所述三维影像和所述二维影像的坐标之间的映射关系，确定所述二维影像中与所述第一梗死区域对应的至少一个连通域；
8.在所述连通域中，确定像素平均值小于预设像素值阈值的连通域，得到目标连通域；
9.根据所述三维影像和所述二维影像的坐标之间的映射关系，确定所述三维影像中与所述目标连通域对应的第二梗死区域；
10.在两个脑区各自的第二梗死区域的体积之差值大于预设体积差值阈值的情况下，将所述两个脑区中具有较大所述体积的脑区内的第二梗死区域确定为目标梗死区域，所述两个脑区包括：左脑区、右脑区。
11.在一种可能的实现方式中，所述在所述连通域中，确定像素平均值小于预设像素值阈值的连通域，得到目标连通域，包括：
12.对所述连通域进行膨胀处理，获得膨胀连通域；
13.在至少两个所述膨胀连通域相交的情况下，确定所述至少两个膨胀连通域的各膨胀连通域中像素值最小的m个像素的像素值的第一平均值；
14.将数值最小的所述第一平均值作为所述至少两个膨胀连通域中各膨胀连通域的所述像素平均值。
15.在一种可能的实现方式中，所述方法还包括：
16.在所述膨胀连通域互不相交的情况下，将单个所述膨胀连通域中像素值最小的n个像素的像素值的平均值，作为单个所述膨胀连通域的所述像素平均值。
17.在一种可能的实现方式中，所述方法还包括：
18.在两个脑区各自的第二梗死区域的体积之差值不大于预设体积差值阈值的情况下，将两个脑区内第二梗死区域的平均ct值较大的脑区中的第二梗死区域，确定为目标梗死区域。
19.在一种可能的实现方式中，所述在两个脑区各自的第二梗死区域的体积之差值不大于预设体积差值阈值的情况下，将两个脑区内第二梗死区域的平均ct值较大的脑区中的第二梗死区域，确定为目标梗死区域，包括：
20.获取各层所述二维影像中目标连通域的平均ct值；
21.将具有最大所述平均ct值的脑区内的第二梗死区域确定为目标梗死区域。
22.在一种可能的实现方式中，在所述在三维影像上，分割出表征大脑中动脉高密度征的第一梗死区域之前，还包括：
23.在所述三维影像上，确定大脑中线，所述大脑中线用于将大脑划分为所述左脑区、所述右脑区；
24.基于所述大脑中线，将所述三维影像旋转至预设位置。
25.在一种可能的实现方式中，所述方法基于神经网络实现，所述在三维影像上，分割出表征大脑中动脉高密度征的第一梗死区域，包括：
26.利用经过损失函数调整参数后的神经网络，分割出所述三维影像中的所述第一梗死区域，所述损失函数是基于加权交叉熵和tversky损失函数结合得到的。
27.根据本公开的另一方面，提供了一种大脑中动脉高密度征影像识别装置，包括：
28.第一梗死区域分割单元，用于在三维影像上，分割出表征大脑中动脉高密度征的第一梗死区域，所述三维影像与至少一层二维影像相对应；
29.连通域确定单元，用于根据所述三维影像和所述二维影像的坐标之间的映射关系，确定所述二维影像中与所述第一梗死区域对应的至少一个连通域；
30.目标连通域确定单元，用于在所述连通域中，确定像素平均值小于预设像素值阈值的连通域，得到目标连通域；
31.第二梗死区域确定单元，用于根据所述三维影像和所述二维影像的坐标之间的映射关系，确定所述三维影像中与所述目标连通域对应的第二梗死区域；
32.第一目标梗死区域确定单元，用于在两个脑区各自的第二梗死区域的体积之差值大于预设体积差值阈值的情况下，将所述两个脑区中具有较大所述体积的脑区内的第二梗死区域确定为目标梗死区域，所述两个脑区包括：左脑区、右脑区。
33.在一种可能的实现方式中，所述目标连通域确定单元，包括：
34.膨胀连通域确定单元，用于对所述连通域进行膨胀处理，获得膨胀连通域；
35.第一平均值确定单元，用于在至少两个所述膨胀连通域相交的情况下，确定所述至少两个膨胀连通域的各膨胀连通域中像素值最小的m个像素的像素值的第一平均值；
36.第一膨胀连通域平均像素确定单元，用于将数值最小的所述第一平均值作为所述至少两个膨胀连通域中各膨胀连通域的所述像素平均值。
37.在一种可能的实现方式中，所述装置还包括：
38.第二膨胀连通域平均像素确定单元，用于在所述膨胀连通域互不相交的情况下，将单个所述膨胀连通域中像素值最小的n个像素的像素值的平均值，作为单个所述膨胀连
通域的所述像素平均值。
39.在一种可能的实现方式中，所述装置还包括：
40.第二目标梗死区域确定单元，用于在两个脑区各自的第二梗死区域的体积之差值不大于预设体积差值阈值的情况下，将两个脑区内第二梗死区域的平均ct值较大的脑区中的第二梗死区域，确定为目标梗死区域。
41.在一种可能的实现方式中，所述第二目标梗死区域确定单元，用于：
42.获取各层所述二维影像中目标连通域的平均ct值；
43.将具有最大所述平均ct值的脑区内的第二梗死区域确定为目标梗死区域。
44.在一种可能的实现方式中，所述装置还包括：
45.大脑中线确定单元，用于在所述三维影像上，确定大脑中线，所述大脑中线用于将大脑划分为所述左脑区、所述右脑区；
46.三维影像旋转单元，用于基于所述大脑中线，将所述三维影像旋转至预设位置。
47.在一种可能的实现方式中，第一梗死区域分割单元，还用于：
48.利用经过损失函数调整参数后的神经网络，分割出所述三维影像中的所述第一梗死区域，所述损失函数是基于加权交叉熵和tversky损失函数结合得到的。
49.根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
50.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
51.通过利用三维影像与二维影像的坐标之间的映射关系，确定出与从三维影像上分割出的第一梗死区域对应的至少一个连通域，在所述连通域中确定出目标连通域，再根据所述三维影像和所述二维影像的坐标之间的映射关系，确定三维影像中与所述目标连通域对应的第二梗死区域；最后，根据第二梗死区域的体积确定目标梗死区域。根据本公开的各方面能够降低由于ct影像本身的特征、ct影像拍摄水平、患者个体差异以及大脑中动脉高密度征在ct影像上所占的比例过小等因素，对识别大脑中动脉高密度征影像的影响，提高识别大脑中动脉高密度征影像的准确性。
52.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
53.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
54.图1示出根据本公开实施例的大脑中动脉高密度征影像识别方法的流程图。
55.图2示出根据本公开一实施例调整脑方向的示意图。
56.图3示出根据本公开一实施例第一梗死区域与连通域之间的映射关系示意图。
57.图4示出根据本公开实施例的大脑中动脉高密度征影像识别装置的框图。
58.图5示出根据本公开实施例的电子设备的框图。
59.图6示出根据本公开实施例的电子设备的框图。
具体实施方式
60.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
61.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
62.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
63.大脑中动脉高密度征(hyperdense middle cerebral artery sign，hmcas)在脑部电子计算机断层扫描(computed tomography，ct)影像中表现为大脑中动脉的密度高于周围区域的密度。hmcas是早期脑梗死的重要征象之一。急性脑梗死病例中出现hmcas的比例较大。所以在ct影像中准确识别出hmcas，将对于急性脑梗死相关的医学研究起着关键作用。
64.然而，由于受各种因素影响，使得从ct影像上准确识别出hmcas具有挑战性。例如：1.ct影像具有低信噪比、低对比度的特点，加大了准确分割hmcas的难度。2.不能保持所有患者与ct机的相对位置均一致，降低了分割出目标对象的准确度。3.由于中动脉非常靠近颅骨的某个部分(如：前床突)，或者患者存在中动脉钙化情况，容易误将中动脉钙化部分或骨骼部分识别为大脑中动脉高密度征。4.hmcas在ct影像中所占比例过小，造成严重类不平衡问题。相关技术对于此的解决办法主要适用于按照统一参数进行采集的ct影像；对于在按照不同参数采集的ct影像上进行hmcas分割的情况，效果不佳。
65.本公开实施例通过对三维影像进行预处理，以及对于在三维影像中初步分割出的大脑中动脉高密度征影像(即第一梗死区域)、二维图像中与第一梗死区域对应的连通域进行关联处理，经过多次对初步分割出的大脑中动脉高密度征影像的筛选，最终完成对于大脑中动脉高密度征影像的识别，具有较高的准确率。
66.图1示出根据本公开一实施例的一种大脑中动脉高密度征影像识别方法的流程图。如图1所示，该大脑中动脉高密度征影像识别方法包括：
67.步骤s11，在三维影像上，分割出表征大脑中动脉高密度征的第一梗死区域，所述三维影像与至少一层二维影像相对应；
68.步骤s12，根据所述三维影像和所述二维影像的坐标之间的映射关系，确定所述二维影像中与所述第一梗死区域对应的至少一个连通域；
69.步骤s13，在所述连通域中，确定像素平均值小于预设像素值阈值的连通域，得到目标连通域；
70.步骤s14，根据所述三维影像和所述二维影像的坐标之间的映射关系，确定所述三维影像中与所述目标连通域对应的第二梗死区域；
71.步骤s15，在两个脑区各自的第二梗死区域的体积之差值大于预设体积差值阈值的情况下，将所述两个脑区中具有较大所述体积的脑区内的第二梗死区域确定为目标梗死区域，所述两个脑区包括：左脑区、右脑区。
72.本公开实施例中，可以在针对人体大脑所获取的三维影像上，对表征大脑中动脉
高密度征的影像进行分割，获得分割结果即获得第一梗死区域。针对同一人体大脑还可以获取二维影像。该三维影像与二维影像均为对同一对象(人体大脑)的展现，因此，三维影像与二维影像相对应。该三维影像、二维影像可以为人体脑部的电子计算机断层扫描(computed tomography，ct)影像。三维影像中的某一区域所对应的二维影像的数量与二维影像的层厚负相关，其中层厚为二维影像在垂直于被扫描对象方向上覆盖的长度。
73.在一种可能的实现方式中，步骤s11可以基于神经网络实现。
74.本公开实施例可以先对神经网络进行训练，获得神经网络的各项参数。这里的神经网络可以为u-net神经网络。
75.在神经网络的训练过程中可以引入注意力机制，以更合理地分配神经网络中特征图各通道上的权重，使得神经网络更有针对性地识别第一梗死区域，提高神经网络对于第一梗死区域的敏感度，进而提高识别大脑中动脉高密度征影像的准确度。
76.本公开实施例可以使用加权交叉熵函数作为神经网络训练的损失函数，根据损失函数获得预测值与真实值的差别，再利用该差别调节神经网络的参数。
77.在一种可能的实现方式中，在三维影像上，分割出表征大脑中动脉高密度征的第一梗死区域，包括：利用经过损失函数调整参数后的神经网络，分割出所述三维影像中的所述第一梗死区域，所述损失函数是基于加权交叉熵和tversky损失函数结合得到的。
78.为了方便理解，本公开实施例中，使用公式(1)对于基于加权交叉熵和tversky损失函数结合得到的损失函数加以表示。
79.l
comb
＝αl
wbce
+(1-α)l
tversky
ꢀꢀꢀꢀ
(1)
80.其中，l
comb
表示本公开一实施例中的损失函数，l
wbce
表示加权交叉熵函数，l
tversky
表示tversky损失函数，α表示权重，可以为经验值。
81.由于第一梗死区域与影像上其他区域相比，体积比较小，因此在神经网络训练时往往容易产生类不平衡问题。所以，本公开实施例利用基于加权交叉熵和tversky损失函数结合得到的损失函数可以在一定程度上降低类不平衡的概率，提高分割第一梗死区域的准确率，为后续准确识别出大脑中动脉高密度征影像奠定了良好的基础。
82.本公开实施例中，在进行第一梗死区域分割之前还可以对于三维影像、二维影像进行预处理。
83.在一种可能的实现方式中，在步骤s11之前，还包括：在所述三维影像上，确定大脑中线，所述大脑中线用于在影像上将大脑划分为所述左脑区、所述右脑区；基于所述大脑中线，将所述三维影像旋转至预设位置。
84.本公开实施例中，可以在三维影像上确定出在影像上将大脑划分为左脑区和右脑区的一条线段，即确定出该线段在影像上的位置，该线段被定义为大脑中线。
85.本公开实施例中，可以利用大脑中线分割模型来确定大脑中线。本公开实施例对于大脑中线的确定方法不做限定。
86.由于每次获取三维影像时人体与ct设备的相对位置往往不能保持一致，所以，各三维影像上表示大脑部分方向的脑方向可能会不相同，这里的脑方向可以用脑中线的方向来表示。所以在分割第一梗死区域之前，可以将各三维影像进行旋转，使得各三维影像所表现的脑方向一致。这样，可以提高分割第一梗死区域的准确性。
87.图2示出根据本公开一实施例调整脑方向的示意图，如图2所示，本公开实施例中，
可以获取脑中线l与y轴方向的夹角ω。y轴方向可以为垂直于地面方向的方向。然后将三维影像旋转，使得夹角ω为0
°
，此时脑中线l与y轴方向一致。通过上述处理，使得各三维影像上表示的脑方向均与y轴方向一致。因此，各三维影像上表示的脑方向相同。
88.由于二维影像上大脑区域以外的部分主要是背景区域，这部分区域在二维影像上的占比略大。为了抑制背景区域对于本公开实施例效果的影响，本公开实施例可以将二维影像按照预先设定像素阈值进行二值化处理，该预设像素阈值使得在二值化后的二维影像上确定出的最大连通域包含大脑区域。例如：可以将像素阈值设定为100-200。
89.本公开实施例对二维影像进行二值化后，在各层二维影像中确定包含大脑的最小区域，即包含大脑且区域面积值最小的影像区域。这里将该包括大脑的最小区域定义为大脑区域。每层二维影像可以对应一个大脑区域。各层二维影像中的大脑区域的中心点的坐标可以相同。然后，获取各大脑区域的各角点坐标，确定出区域面积值最大的大脑区域，即确定目标大脑区域。利用该目标大脑区域(各角点坐标)对各层二维影像进行切割，获得切割后的影像，即大脑影像。
90.接下来，可以根据大脑影像中各像素ct值将大脑影像进行灰度化处理，灰度化处理后的结果仍然为二维影像。
91.举例说明，可以将大脑影像中ct值小于第一ct阈值的像素的ct值设置为第一ct阈值，将大脑影像中ct值大于第二ct阈值的像素的ct值设置为第二ct阈值。例如：可以设置第一ct阈值为0hu，第二ct阈值为100hu。然后，根据各像素的ct值换算出各像素的像素值。示例性地，可以使用公式(2)获得各像素的像素值。
[0092][0093]
其中，最小ct值表示大脑影像中各像素的ct值的最小值。同理，最大ct值表示大脑影像中各像素的ct值的最大值。
[0094]
在实际应用中，由于训练神经网络的样本中包含大脑中动脉高密度征的正样本远少于不包含大脑中动脉高密度征的负样本。所以在对三维影像、二维影像进行预处理之后，本公开实施例可以对于包含大脑中动脉高密度征的ct影像(三维影像、二维影像)进行翻转和旋转，使得正样本和负样本在数量上接近于1:1。
[0095]
图3示出根据本公开一实施例第一梗死区域与连通域之间的映射关系示意图。
[0096]
如图3所示，由于三维影像a与至少一个二维影像(二维影像b1-b4)对应，且三维影像a与二维影像b1-b4表现的是同一对象，所以三维影像a的体素的坐标与二维影像b1-b4的像素的坐标可以具有映射关系。
[0097]
同一第一梗死区域a有可能对应多个连通域。根据前述映射关系可以在二维影像b1-b4上分别确定出与第一梗死区域a对应的区域，将这些区域定义为连通域b1-b4。连通域b1-b4可以分布在多层二维影像上。连通域b1-b4可以表征同一个第一梗死区域的不同部分的截面。
[0098]
本公开实施例中，可以在确定与第一梗死区域对应的连通域后，对第一梗死区域进行初步筛选。
[0099]
示例性地，可以预先设定第一像素数量阈值，确定连通域中的像素数量，将像素数量小于第一像素数量阈值的连通域所对应的分割结果(第一梗死区域)排除。这样可以排除
错误的分割结果，例如，由于ct影像低信噪比、低对比度，造成误将噪声识别为第一梗死区域；或者误将横截面积过小、极不可能为第一梗死区域的组织识别为第一梗死区域。因此，可以降低误判断第一梗死区域的概率；提高确定第一梗死区域的准确性。
[0100]
示例性地，可以预先设定第三ct阈值，确定连通域中像素的ct值平均值，将ct值平均值大于第三ct阈值的分割结果排除。这样可以排除误将骨骼或钙化的血管识别为第一梗死区域的分割结果，降低误判断第一梗死区域的概率，将提高确定第一梗死区域的准确性。
[0101]
由于大脑中动脉高密度征多出现在大脑外侧裂区域，所以可以根据第一梗死区域所在的局部位置对第一梗死区域做进一步的筛选。
[0102]
通常，大脑外侧裂区域在ct影像中所表现出的像素值较小，所以本公开实施例可以根据连通域所在区域及其周边区域的像素值来判断连通域所对应的第一梗死区域是否位于外侧裂，进而排除未处于外侧裂位置的第一梗死区域。
[0103]
本公开实施例中，通过步骤s13，来判断连通域是否位于大脑外侧裂，并将位于大脑外侧裂的连通域确定为目标连通域。这样可以排除掉一些识别错误的第一梗死区域，进而提高了识别大脑中动脉高密度征影像的准确性。
[0104]
在一种可能的实现方式中，步骤s13包括：对所述连通域进行膨胀处理，获得膨胀连通域；在至少两个所述膨胀连通域相交的情况下，确定所述至少两个膨胀连通域的各膨胀连通域中像素值最小的m个像素的像素值的第一平均值；将数值最小的所述第一平均值作为所述至少两个膨胀连通域中各膨胀连通域的所述像素平均值。
[0105]
在一种可能的实现方式中，在所述膨胀连通域互不相交的情况下，将单个所述膨胀连通域中像素值最小的n个像素的像素值的平均值，作为单个所述膨胀连通域的所述像素平均值。
[0106]
膨胀处理可以利用卷积核对影像的一部分区域(连通域)进行卷积处理，得到膨胀连通域。因此，膨胀连通域的范围内各像素的像素值融合了连通域及连通域周围区域的像素值。所以通过计算膨胀连通域的像素的平均值可以确定出该连通域是否位于大脑外侧裂。
[0107]
若膨胀连通域不与任何连通域相交，本公开实施例可以将该连通域中的像素值进行从小到大排序，选择最小的前n个像素，确定出这n个像素的像素平均值，并将这n个像素的像素平均值作为该膨胀连通域的平均像素值，其中，n为正整数。
[0108]
若至少两个膨胀连通域相交，即两个或多个膨胀连通域具有重叠部分。则分别将相交的各膨胀连通域内的像素值进行从小到大排序，确定出相交的各膨胀连通域中像素值最小的前m个像素，分别确定出这m个像素的像素平均值，即获得相交的各膨胀连通域各自的第一平均值，将数值最小的第一平均值作为相交的膨胀连通域各自的平均像素值。这样既可以减少计算平均像素值的运算量，又保证了确定的数值能够代表连通域的平均像素值，进而简化了判断第一梗死区域是否位于大脑外侧裂的步骤。
[0109]
本公开实施例通过步骤14利用三维影像和二维影像之间的映射关系，在三维影像中确定与目标连通域对应的第二梗死区域。本公开实施例实现了对第一梗死区域进行筛选的目的。第二梗死区域即为对第一梗死区域进行筛选所得到的分割结果。
[0110]
由于大脑中动脉高密度征一般仅出现在一个脑区(左脑区或右脑区)中，所以可以根据第二梗死区域是否仅出现在单侧脑区，对第二梗死区域做进一步的筛选。
[0111]
一般地，如果医生通过患者病例或利用其它辅助手段可以判断出大脑中动脉高密度征出现在患者的哪一侧脑区，即可以获得临床患侧信息，则可以直接将影像上另一侧脑区的第二梗死区域排除掉。
[0112]
若无法获得临床患侧信息，则可以通过第二梗死区域在各脑区中的体积大小来对第一梗死区域进行筛选。
[0113]
在一种可能的实现方式中，本公开实施例可以在两个脑区各自的第二梗死区域的体积之差值不大于预设体积差值阈值的情况下，将两个脑区内第二梗死区域的平均ct值较大的脑区中的第二梗死区域，确定为目标梗死区域。
[0114]
本公开实施例中，可以分别确定左脑区和右脑区中第二梗死区域的体积，然后确定左脑区中第二梗死区域的体积与右脑区中第二梗死区域的体积之差值。
[0115]
若该差值大于预设体积差值阈值，则将具有较大体积第二梗死区域的一侧脑区中的第二梗死区域确定为目标梗死区域。
[0116]
若该差值不大于预设体积差之阈值，则继续确定左脑区和右脑区中各自的第二梗死区域的平均ct值，然后，将两个脑区内第二梗死区域的平均ct值较大的一侧脑区中的第二梗死区域，确定为目标梗死区域。因此，本公开实施例可以排除掉一侧脑区的第二梗死区域，提高识别高密度征影像的准确率。
[0117]
在一种可能的实现方式中，所述在两个脑区各自的第二梗死区域的体积之差值不大于预设体积差值阈值的情况下，将两个脑区内第二梗死区域的平均ct值较大的脑区中的第二梗死区域，确定为目标梗死区域，包括：获取各层所述二维影像中目标连通域的平均ct值；将具有最大所述平均ct值的脑区内的第二梗死区域确定为目标梗死区域。
[0118]
如前所述，第一梗死区域可以与多个连通域相对应，所以第二梗死区域也可以与多个目标连通域相对应。本公开实施例可以确定与各脑区中的第二梗死区域相对应的目标连通域的平均ct值。然后，比较这些平均ct值，将平均ct值最大的目标连通域对应的第二梗死区域确定为目标梗死区域；将平均ct值最大的目标连通域所位于的脑区确定为大脑中动脉高密度征出现的脑区。
[0119]
本公开实施例还可以在确定目标梗死区域后，对目标梗死区域进行筛选。根据前述映射关系，目标梗死区域在二维影像上可以对应多个连通域，这里将与目标梗死区域对应的连通域定义为第一连通域。
[0120]
在一种可能的实现方式中，本公开实施例可以根据影像组学特征进行建模，对目标梗死区域进行筛选。影像组学特征可以包括：像素数量、ct值等。
[0121]
示例性地，可以预先设定第二像素数量阈值、第四ct阈值，确定单个第一连通域的像素数量以及单个第一连通域的ct平均值。判断与目标梗死区域对应的多个第一连通域中是否存在第一连通域的像素数量大于第二像素数量阈值或者第一连通域的ct平均值大于第四ct阈值的第一连通域。若存在，则将该第一连通域对应的目标梗死区域保留，若不存在，则将该第一连通域对应的目标梗死区域排除。
[0122]
通过对目标梗死区域的筛选，既可以保证本公开实施例具有识别大脑中动脉高密度征影像的敏感度，又可以排除假阳性的目标梗死区域，提高了对大脑中动脉高密度征影像识别准确率。
[0123]
本公开实施例中，利用三维影像与二维影像的坐标之间的映射关系，确定出与从
三维影像上分割出的第一梗死区域对应的至少一个连通域，在所述连通域中确定出目标连通域，再根据所述三维影像和所述二维影像的坐标之间的映射关系，确定三维影像中与所述目标连通域对应的第二梗死区域；最后，根据第二梗死区域的体积确定目标梗死区域。这样，可以实现对于分割出来的第一梗死区域的多次筛选，降低由于ct影像本身的特征、ct影像拍摄水平、患者个体差异以及大脑中动脉高密度征在ct影像上所占的比例过小等因素，对识别大脑中动脉高密度征影像的影响，提高识别大脑中动脉高密度征影像的准确性。
[0124]
图4示出根据本公开一实施例的大脑中动脉高密度征影像识别装置的框图，如图4所示，所述装置20包括：
[0125]
第一梗死区域分割单元21，用于在三维影像上，分割出表征大脑中动脉高密度征的第一梗死区域，所述三维影像与至少一层二维影像相对应；
[0126]
连通域确定单元22，用于根据所述三维影像和所述二维影像的坐标之间的映射关系，确定所述二维影像中与所述第一梗死区域对应的至少一个连通域；
[0127]
目标连通域确定单元23，用于在所述连通域中，确定像素平均值小于预设像素值阈值的连通域，得到目标连通域；
[0128]
第二梗死区域确定单元24，用于根据所述三维影像和所述二维影像的坐标之间的映射关系，确定所述三维影像中与所述目标连通域对应的第二梗死区域；
[0129]
第一目标梗死区域确定单元25，用于在两个脑区各自的第二梗死区域的体积之差值大于预设体积差值阈值的情况下，将所述两个脑区中具有较大所述体积的脑区内的第二梗死区域确定为目标梗死区域，所述两个脑区包括：左脑区、右脑区。
[0130]
在一种可能的实现方式中，所述目标连通域确定单元23，包括：
[0131]
膨胀连通域确定单元，用于对所述连通域进行膨胀处理，获得膨胀连通域；
[0132]
第一平均值确定单元，在至少两个所述膨胀连通域相交的情况下，确定所述至少两个膨胀连通域的各膨胀连通域中像素值最小的m个像素的像素值的第一平均值；
[0133]
第一膨胀连通域平均像素确定单元，用于将数值最小的所述第一平均值作为所述至少两个膨胀连通域中各膨胀连通域的所述像素平均值。
[0134]
在一种可能的实现方式中，所述装置20还包括：
[0135]
第二膨胀连通域平均像素确定单元，用于在所述膨胀连通域互不相交的情况下，将单个所述膨胀连通域中像素值最小的n个像素的像素值的平均值，作为单个所述膨胀连通域的所述像素平均值。
[0136]
在一种可能的实现方式中，所述装置20还包括：
[0137]
第二目标梗死区域确定单元，用于在两个脑区各自的第二梗死区域的体积之差值不大于预设体积差值阈值的情况下，将两个脑区内第二梗死区域的平均ct值较大的脑区中的第二梗死区域，确定为目标梗死区域。
[0138]
在一种可能的实现方式中，所述第二目标梗死区域确定单元，用于：
[0139]
获取各层所述二维影像中目标连通域的平均ct值；
[0140]
将具有最大所述平均ct值的脑区内的第二梗死区域确定为目标梗死区域。
[0141]
在一种可能的实现方式中，所述装置20还包括：
[0142]
大脑中线确定单元，用于在所述三维影像上，确定大脑中线，所述大脑中线用于将大脑划分为所述左脑区、所述右脑区；
[0143]
三维影像旋转单元，用于基于所述大脑中线，将所述三维影像旋转至预设位置。
[0144]
在一种可能的实现方式中，第一梗死区域分割单元21，还用于：
[0145]
利用经过损失函数调整参数后的神经网络，分割出所述三维影像中的所述第一梗死区域，所述损失函数是基于加权交叉熵和tversky损失函数结合得到的。
[0146]
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
[0147]
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
[0148]
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
[0149]
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
[0150]
图5是根据一示例性实施例示出的一种用于大脑中动脉高密度征影像识别的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0151]
参照图5，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)接口812，传感器组件814，以及通信组件816。
[0152]
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
[0153]
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0154]
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
[0155]
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒
os xtm，unixtm,linuxtm，freebsdtm或类似。
[0164]
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
[0165]
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
[0166]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0167]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0168]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0169]
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0170]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据
处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0171]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0172]
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0173]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。