基于相关系数的中风灌注成像病变区域检测系统及方法与流程

本发明涉及医疗检测设备和该设备的检测和成像方法，具体得涉及一种基于相关系数的中风灌注成像病变区域检测系统及方法。

背景技术：

大脑灌注成像(brainperfusionimaging)在疾病诊断、病期分型和治疗指导中具有重要作用，是诊断脑血栓、癫痛、痴呆症、中风(脑卒中)等疾病的重要手段。大脑灌注成像通常可提供脑部血流量、血容量、平均通过时间及达峰时间等参数图，在对脑血流速(cbf)、脑血容积(cbv)、平均通过时间(mtt)等血液动力学参数进行定量时，通常会需用到动脉中示踪剂的浓度变化曲线——动脉输入函数(aif)。

为了优化灌注成像的效果、减少误差、提高成像速度和成像准确率，现有技术中公开了多种对共振灌注成像后处理方法及系统的改进。

例如，在中国发明专利申请(公开号cn109242863a)中公开了一种缺血性脑卒中图像区域分割方法及装置。该方法包括：预处理第一颅内计算机断层灌注成像ctp时序图，得到预处理后颅内的ctp时序图；将所述预处理后的颅内ctp时序图输入第一网络进行处理，得到所述预处理后的颅内ctp时序图对应的第一核磁共振mri图像；将所述第一mri图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像，其中，对所述第一颅内计算机断层灌注成像时序图进行卷积操作，确定所述第一颅内计算机断层灌注成像时序图中的动脉输入函数(aif)；根据所述动脉输入函数和所述第一颅内计算机断层灌注成像时序图，确定起始时间，所述起始时间为所述动脉输入函数在所述第一颅内计算机断层灌注成像时序图中出现的时间；去除所述起始时间之前的数据，得到第三颅内计算机断层灌注成像时序图；对所述第三颅内计算机断层灌注成像时序图进行解卷积操作。该方法能够通过神经网络自动找出ctp时序图中的aif，并根据aif的位置将ctp时序图中的无效数据去除。再对去除了无效数据后的ctp时序图进行解卷积操作，得到预处理后的ctp时序图，并对预处理后的ctp时序图进行卷积操作，生成核磁共振图像，并对核磁共振图像进行卷积操作，自动高效的将ctp时序图分成脑梗塞区域、半暗带区域和背景区域。

又如，中国发明专利(公告号cn101002104b)中公开了一种对有脉管的动物对象的感兴趣区域的灌注磁共振成像方法，所述方法包括：向所述对象的脉管系统中给予造影剂药剂；在从造影剂到达所述感兴趣区域之前到至少所述造影剂穿过所述感兴趣区域的第一通过的末端期间内在一系列时间值(t)上确定所述感兴趣区域的体素(i)的磁共振信号强度si(t)；由确定的所述信号强度的值si(t)和一动脉输入函数v(t)，对每个所述体素确定组织残留函数ri(t)的值；可选择的，由确定的ri(t)的值产生所述感兴趣区域的图象；改进包括由si(t)产生体素特定动脉函数vi(t)并使用所述体素特定动脉函数来确定组织残留函数ri(t)的值。该方法通过由磁共振图象强度信号si(t)确定vi(t)的体素特定值，临床信息意义更大的ri(t)值和因此上面提到的区域参数的值可被确定。另外，通过将vi(t)表现为时间的函数，可以评估器官的血液供应模式。

类似的灌注成像技术在中国发明专利ct扫描灌注方法及其装置(公告号cn104688259b)和一种磁共振灌注成像后处理方法及系统(公告号cn105701815b)中也有公开。上述方法，大多是通过对aif(动脉输入函数)和求解矩阵进行加权优化，降低对噪声的敏感度，采用简化且有效的函数进行拟合，以期达到不同的优化效果。

技术实现要素：

本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于相关系数的中风灌注成像病变区域检测系统及方法。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于相关系数的中风灌注成像病变区域检测方法，包括以下步骤：

a.读取脑灌注图像，该脑灌注图像包括三维图像信息和时序信息；

b.对三维图像中的每一个体素点带时序的信息进行后向解算，得到每一个体素点的最高流量(cbf)，累计流量(cbv)，最高流量延时(mtt)信息；

c.获取动脉输入函数(aif)；

d.对于所述三维图像中每一个三维体素点，计算其时序信号的曲线和动脉输入函数的皮尔逊相关系数或斯皮尔斯曼相关系数，并将结果生成热力图。

基于上述方法，本发明的一些优选技术方案如下：

优选地，对于所述三维图像中的每一个三维体素点，将其进行向后平移，然后找到一个皮尔逊相关系数最高的平移时间t。

优选地，使用标准化aif函数。通常会使用健康成人的脑干中的aif函数。

优选地，使用个性化aif函数。即使用当前待诊断者(病人)脑干中的aif。

优选地，对于不同的数据集自动标识。即对不同的病人(数据集)可以不用额外适配，而进行自动诊断。

优选地，在a步骤中对所述脑灌注图像进行高斯过程回归和基于体素点强度曲线的降噪处理。因为在后续的相关系数计算中，也是基于对体素点强度曲线，而不是基于图像进行运算。

优选地，所述皮尔逊相关系数r如下：

其中，r是皮尔逊相关系数，cov(x,y)是x,y的协方差，x,y是体素组

cov(x,y)＝e[(x-e[x])(y-e[y])]

其中，e[x]是x的预期值，e[y]是y的预期值，在本发明的一个优选方案中，由于x中的xi相等或近似相等，该协方差可以简化为：

其中n是时间点的数量，xi是x中第i个元素(体素)的值，是x组的均值，yi是y组中第i个元素(体素)的值，是y组的均值，i是自然数。

由此，在本发明一个优选方法中，皮尔逊相关系数r是

优选地，本发明方法中的斯皮尔斯曼相关系数ρ如下，

其中，ρ是斯皮尔斯曼相关系数，x′i是x组中第i个元素的等级分，例如，如果xi是组中第k个最小值，于是x′i＝k，是x′i的平均值；y′i是y组中第i个元素的等级分，例如，如果yi是组中第k个最小值，于是y′i＝k，是y′i的平均值。因为是等级分的平均值，当n等于时间点的数量时，

对于斯皮尔斯曼相关系数或者皮尔逊相关系数，ρ或r的值一般是从-1到1。而对于本发明的方法来说，测量组织不会与参考值(健康组织的值)负相关，因此ρ或r的值应当为正。当斯皮尔斯曼相关系数或者皮尔逊相关系数等于1时，意味二者完美相关。当当斯皮尔斯曼相关系数或者皮尔逊相关系数在0和1之间的值，意味着组织的健康程度，距离0越近则组织受到损伤的程度越大。这一特性可以通过相关系数的热力图表示出来。

优选地，在d步骤，对于所述皮尔逊相关系数或所述斯皮尔斯曼相关系数进行单尾检验(one-tailedtest)。

本发明还包括一种图像处理系统，其特征在于，所述系统包括一个或多个处理器、存储装置，所述存储装置用于存储一个或多个程序，当所述一个或多个程序被一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的方法。

本发明还提供了一种基于相关系数的中风灌注成像病变区域检测装置，其包括：

磁共振灌注或ct灌注成像仪器，其用于获取造影剂在脑门灌注的图像信息，所述图像信息包括三维信息和时序信息；

图像处理装置，其用于三维图像中的每一个体素点带时序的信息进行后向解算，得到每一个体素点的最高流量(cbf)，累计流量(cbv)，最高流量延时(mtt)信息，并获取aif函数；对于每一个三维体素点，计算其时序信号的曲线和动脉输入函数的皮尔逊相关系数或斯皮尔斯曼相关系数(person’scorrelationcoefficientorspearman’scorrelationcoefficient)，并将结果画成热力图。

与现有技术相比，本发明的有益效果：本发明的方法使用相关系数关联的是组织的时间-浓度曲线形状，而不是强度值，这一特点可以减少由于噪音和不同扫描图片中强度值的差异导致的误判和可能对组织造成的损伤。由于动脉、灰质和白质的时间浓度曲线预期会具有相似或相同的形状(其幅度不同)，在处理时可以不对组织的类型进行划分，而直接用曲线形状进行对比。

本发明的其他有益效果将结合以下实施例和附图予以详细说明。

附图说明

图1为本发明方法的流程图。

图2是在未对源数据进行降噪处理皮尔逊和斯皮尔斯曼相关系数的热力图。

图3是对源数据进行降噪处理后的皮尔逊和斯皮尔斯曼相关系数的热力图。

图4是皮尔逊相关系数的热力图和斯皮尔斯曼相关系数的热力图。

图5是是采用单尾检测后的示意图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

本发明的具体实施例，一种基于相关系数的中风灌注成像病变区域检测方法，包括以下步骤：

a.读取脑灌注图像，该脑灌注图像包括三维图像信息和时序信息；

b.对三维图像中的每一个体素点带时序的信息进行后向解算，得到每一个体素点的最高流量(cbf)，累计流量(cbv)，最高流量延时(mtt)信息；

c.获取动脉输入函数(aif)；

d.对于所述三维图像中每一个三维体素点，计算其时序信号的曲线和动脉输入函数的皮尔逊相关系数或斯皮尔斯曼相关系数，并将结果生成热力图。

上述步骤中的一些细节具体如下：

现有技术中有多种可以获得脑灌注图像的方法，例如mri或ct脑灌注。在一个例子中，可以将待检测标的放入mri成像仪，给所述待检测标的注射造影剂，在造影剂注入后对所述待检测标的大脑进行成像观察造影剂通过大脑的过程，并生成4d(3d+时序)的图像信息。所述待检测标的可以是人或者其他生物。

读取脑灌注图像，该图像可以来源于检测设备，也可以是存储在计算机存储介质中的图像。脑灌注图像通常比血流动力学参数图含有更多的信息，其可以更有利于分析和理解。

对所述脑灌注图像进行识别和分析。现有技术中有多种图像识别技术，在此不再冗述。在脑灌注图像中，不同的数据集在注射造影剂前有不同的等待时间长度和不同的信号强度。因此，不同的数据集需要单独训练，因为它们的信号曲线特征，无论是健康的还是异常的组织类别，都会有所不同。为了保持训练工作的简洁，可以采用无人监督学习，即无需人工标引。

然后对于图像进行预处理，预处理的目的主要是为了降噪。在本实施例中一个优选的方法是采用高斯过程回归和基于体素点强度曲线的降噪处理。本领域技术人员可以采用其所知的其他降噪方法。在降噪后或降噪前可以移除首、尾的图像，使得运算噪音更低。

对三维图像中的每一个体素点带时序的信息进行后向解算，得到每一个体素点的最高流量(cbf)，累计流量(cbv)，最高流量延时(mtt)信息

优选地，还可以对于所述三维图像中的每一个三维体素点，将其进行向后平移，然后找到一个皮尔逊相关系数最高的平移时间t。

选取aif，在选取aif过程中，既可以选取a.使用标准化aiffunction，即使用任何一个健康成人的脑干中的aif，也可以使用个性化的aiffunction，即使用当前待诊断病人脑干中的aif。获取的aif函数是一个带时序的信号。aif获取方式简单，在脑干部位任意选择一个位置点，直接评估造影剂在脑干部位的volume即可。

对于所述三维图像中每一个三维体素点，计算其时序信号的曲线和动脉输入函数的皮尔逊相关系数或斯皮尔斯曼相关系数。

在本实施例中，皮尔逊相关系数r是

其中n是时间点的数量，xi是x中第i个元素(体素)的值，是x组的均值，yi是y组中第i个元素(体素)的值，是y组的均值，i是自然数。

在本实施例中，斯皮尔斯曼相关系数ρ如下，

其中，ρ是斯皮尔斯曼相关系数，x′i是x组中第i个元素的等级分，例如，如果xi是组中第k个最小值，于是x′i＝k，是x′i的平均值；y′i是y组中第i个元素的等级分，例如，如果yi是组中第k个最小值，于是y′i＝k，是y′i的平均值。因为是等级分的平均值，当n等于时间点的数量时，

对于斯皮尔斯曼相关系数或者皮尔逊相关系数，ρ或r的值一般是从-1到1。而对于本发明的方法来说，测量组织是与参考值(健康组织的值)正相关的，因此ρ或r的值应当为从0到1。当斯皮尔斯曼相关系数或者皮尔逊相关系数等于1时，意味二者完美相关。当当斯皮尔斯曼相关系数或者皮尔逊相关系数在0和1之间的值，意味着组织的健康程度，距离0越近则组织受到损伤的程度越大。这一特性可以通过相关系数的热力图表示出来。

在本发明的一个具体实施例中，选取了一个已有的脑灌注图像进行分析，该图像在采集时，其从开始到成像的时间为1小时54分钟。在选取动脉输入函数(aif)时，采用的是现有的aif选取方法，选取了一个健康的aif曲线，由于健康动脉和灰(白)质组织之间的相关系数较大(>0.9)，因此所有组织类型仅使用一条参考曲线。

按照前述实施例的方法进行处理分别得到皮尔逊和斯皮尔斯曼相关系数的热力图。图2是在未对源数据进行降噪处理皮尔逊和斯皮尔斯曼相关系数的热力图(其中，左侧为皮尔逊相关系数的热力图，右侧为斯皮尔斯曼相关系数的热力图)，图3是对源数据进行降噪处理后的皮尔逊和斯皮尔斯曼相关系数的热力图(其中，左侧为皮尔逊相关系数的热力图，右侧为斯皮尔斯曼相关系数的热力图)。可以明显看出，经过高斯降噪后，相关的热力图病变区域表现更为明显。

如图4所示的，左侧为皮尔逊相关系数的热力图，右侧为斯皮尔斯曼相关系数的热力图，其中区域1是半影区域，其在热力图中是绿色或蓝色显示，表示相关系数较小，具有较高的病变风险；当组织实际死亡时其存在假阳性误差，其时间浓度曲线巧合地具有类似于健康曲线的形状，也就是在相关系数几乎为0的区域，即图中的区域2；当组织实际上是健康的，但相关测试不能检测到这一点时，这是一个假阴性错误，因为组织受到噪声和低cnr的影响，即图中的区域3，表现为一些深色的斑点。

通过图4的热力图，我们不仅能够看出具有风险的区域，而且根据热力图中颜色的深浅(相关系数的大小)，还可以看出风险的等级，颜色越靠近冷色(脑灌注图与健康aif的相关系数低)风险等级越高。

在计算出上述相关系数后，还可以对各相关系数做单尾检测，即根据设定阈值将输出仅仅区分为健康组织和非健康组织。单尾检测的统计方法和阈值选取均为统计学常用技术方案，例如，如果检测值低于所选统计显著性的阈值(在我们的案例中为0.05和0.01)，那么无效假设被拒绝，我们考虑目标组织为异常组织。图5是一个采用单尾检测后的示意图(其中，左侧为皮尔逊相关系数的图，右侧为斯皮尔斯曼相关系数的图)。采用单尾检测后，病变区域和正常区域会有更清楚的区分，但无法从中看出风险等级，在某些特定实施例中可以得到有效应用。

我们将若干组图(包括cbf图，tmax图和皮尔逊相关系数热力图和斯皮尔斯曼相关系数热力图，单尾检测图)交于12位专家(包括神经科医生、放射科医生等)进行评估，这些专家平均有9.5年的经验。最后有54％的专家认为皮尔逊相关系数热力图和斯皮尔斯曼相关系数热力图对识别有正面帮助，有21％的专家认为没有什么影响，有25％的专家认为有负面影响。因此，通过测试验证，可以认为前述的皮尔逊相关系数热力图和斯皮尔斯曼相关系数热力图在多数情况下是有效的。

前述计算可以在英特尔的至强系列处理器服务器上运算，该处理器的主频为3g。在对一组512×512×2，具有36个时间间隔的数据组进行处理时，使用高斯过程进行预处理减少噪音的回归大约需要10秒钟。皮尔逊相关系数运算只需运行一秒钟。斯皮尔曼相关系数运算需要11秒，因为其排序需要额外的10秒。

综上，经过本发明的实施例的方法处理，可以在合理的时间内准确地分析灌注源图像，而无需在图像处理过程中进行专家干预。

本发明的另一实施例，一种图像处理系统，所述系统包括一个或多个处理器、存储装置，所述存储装置用于存储一个或多个程序，当所述一个或多个程序被一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的方法。

本发明的又一实施例，一种基于相关系数的中风灌注成像病变区域检测装置，其包括：磁共振灌注或ct灌注成像仪器，其用于获取造影剂在脑门灌注的图像信息，所述图像信息包括三维信息和时序信息；图像处理装置，其用于三维图像中的每一个体素点带时序的信息进行后向解算，得到每一个体素点的最高流量(cbf)，累计流量(cbv)，最高流量延时(mtt)信息，并获取aif函数；对于每一个三维体素点，计算其时序信号的曲线和动脉输入函数的皮尔逊相关系数或斯皮尔斯曼相关系数，并将结果画成热力图。

结合附图及具体实施例对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。