[发明专利]自动化颅内关键帧的选层方法、计算机设备、可读存储介质和程序产品

说明书

本申请涉及一种自动化颅内关键帧的选层方法、计算机设备、可读存储介质和程序产品，所述自动化颅内关键帧的选层方法包括获得基于平扫CT的影像序列，筛选所述影像序列；对筛选后的影像序列进行旋转对正处理，获得正立的影像序列；根据所述正立的影像序列依次计算外接矩形，截取所述外接矩形，获得截取的影像序列；在截取的影像序列中选择样本影像，利用第一深度学习模型对所述样本影像进行二分类的深度学习，得到训练完成的第二深度学习模型；利用所述第二深度学习模型对截取的影像序列进行判断、输出影像序列的关键帧。本申请选层方法自动化程度高、选层精度高、选层速度快，能够排除评分者的主观干扰、快速准确的对患者进行自动化评分。

技术领域

本申请涉及医学工程领域，特别是涉及一种自动化颅内关键帧的选层方法、计算机设备、可读存储介质和程序产品。

背景技术

脑卒中也称为中风，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。缺血性脑卒中作为一种时间要求比较紧急的疾病，需要对患者争分夺秒地诊断和治疗来避免病情迅速恶化。

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。

该评分方法针对急性脑卒中的病人，依据其头颅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)和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。

但在现有的临床应用中，ASPECTS评分方法受到评分者的主观认识、影像设备以及患者状况等差异的干扰，导致评分不准确；并且人工评价分数方式耗时、缺乏稳定性。而平扫CT影像的预处理与关键帧的选层是根据区域判别缺血性病变前的重要一步，因此需要关键帧的选层方式有待提高。

发明内容

基于此，有必要针对上述技术问题，提供一种自动化颅内关键帧的选层方法。

本申请自动化颅内关键帧的选层方法，包括：

获得基于平扫CT的影像序列，筛选所述影像序列；

对筛选后的影像序列进行旋转对正处理，获得正立的影像序列；

根据所述正立的影像序列依次计算外接矩形，截取所述外接矩形，获得截取的影像序列；

在截取的影像序列中选择样本影像，利用第一深度学习模型对所述样本影像进行二分类的深度学习，得到训练完成的第二深度学习模型；

利用所述第二深度学习模型对截取的影像序列进行判断、输出影像序列的关键帧。

可选的，对筛选后的影像序列进行旋转对正处理，获得正立的影像序列，具体包括：

依次对筛选后的影像序列进行去颅骨处理、平移处理和旋转对正处理，获得正立的影像序列。

可选的，所述平移处理包括使影像序列的质心处于各影像中央。

可选的，利用第一深度学习模型对所述样本影像进行二分类的深度学习，还包括在深度学习之前对所述样本影像进行图像预处理。

可选的，截取所述外接矩形，具体包括：