(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211126175.8 (22)申请日 2022.09.16 (65)同一申请的已公布的文献号 申请公布号 CN 115205294 A (43)申请公布日 2022.10.18 (73)专利权人 杭州脉流科技有限公司 地址 310000 浙江省杭州市滨江区西兴街 道阡陌路459号C座C1- 501室 (72)发明人 向建平　刘凯政　鲁伟　冷晓畅　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 5/50(2006.01) G06T 7/136(2017.01) G06V 10/26(2022.01) G06V 10/28(2022.01) G06V 10/40(2022.01) G06V 10/75(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)(56)对比文件 CN 112435212 A,2021.0 3.02 CN 102245189 A,201 1.11.16 CN 113624979 A,2021.1 1.09 CN 110298832 A,2019.10.01 CN 113538348 A,2021.10.2 2 CN 113827263 A,2021.12.24 CN 113256748 A,2021.08.13 WO 2021179078 A1,2021.09.16 JP 2019208620 A,2019.12.12 叶子明等.短暂性脑缺血发作ABCD~2评分与 影像学研究进 展. 《中华老年心脑血 管病杂志》 .2013,(第12期),第13 36-1339页. 孙丽娜.头颅CTA联合CTP在急性脑梗死后出 血性转化预测中的应用. 《内蒙古医科 大学学 报》 .2020,(第02期),第13 5-139页. Yingwei Guo et al.N ovel Survival Features Generated by cl inical text informati on and radi omics features may improve the predicti on of isc hemic stro ke outcome. 《Dia gnostics》 .202 2, 审查员 崔小利 (54)发明名称 一种基于多模型融合的缺血性脑卒中梗死 评估装置和方法 (57)摘要 本发明公开了一种基于多模型融合的缺血 性脑卒中梗死评估装置和方法， 包括： 接收脑部 的平扫CT影像序列， 并对平扫CT影像序列进行预 处理， 以确定脑部整体图像和脑部区域图像； 通 过区域梗 死阳性判别模型、 梗 死灶分割及占比预 测模型、 HU 值对比模型分别评估区域梗 死阳性的 概率、 梗死占比以及HU差值， 在此基础上， 将 梗死 占比和HU差值分别转换到概率分布， 得到梗 死占 比对应的梗 死概率和HU差值对应的梗死概率后， 利用梗死融合评估模型同时融合区域梗死阳性 的概率、 梗 死占比对应的梗 死概率以及HU差值对应的梗死概率三方面进行梗 死评估， 这样能够提 升评估的准确性。 权利要求书3页 说明书10页 附图6页 CN 115205294 B 2022.11.22 CN 115205294 B 1.一种基于多模型融合的缺血性脑卒中梗死评估装置， 包括存储器、 处理器以及存储 在所述存储器中并可在所述处理器上执行 的计算机程序， 其特征在于， 所述处理器执行所 述计算机程序时实现以下步骤： 接收预处理步骤： 接收脑部的平扫CT影像序列， 并对平扫CT影像序列进行预处理， 以确 定脑部整体图像和脑部区域图像； 第一评估步骤： 利用区域梗死阳性判别模型对输入的脑部区域图像依据 特征重要性进 行特征提取后， 对提取的重要特 征进行区域梗死 阳性预测， 以得到区域梗死 阳性的概 率； 第二评估步骤： 利用梗死灶分割及占比预测模型对输入脑部整体图像进行梗死区域分 割得到梗死区域分割 结果后， 将梗死区域分割 结果与对应区域进行匹配， 并计算梗死区域 分割结果的面积与匹配的区域总面积的梗死占比， 其中， 匹配的对应区域是指在梗死区域 分割结果所在的M1 ‑M6区域、 C、 I、 IC或L区域； 第三评估步骤： 利用HU值对比模型计算去除脑沟和高密度灶后区域图像的平均HU值 后， 根据平均HU值计算左右 脑两侧对应区域图像的HU差值； 融合评估步骤： 利用两个尺度转换函数将梗死占比和HU差值分别转换到概率分布， 得 到梗死占比对应的梗死概率和HU差值对应的梗死概率； 利用梗死融合评估模型对输入的区 域梗死阳性的概率、 梗死占比对应的梗死概率以及HU差值对应的梗死概率进行梗死评估， 得到梗死评估结果并输出。 2.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置， 其特征在于， 所述梗死灶分割及占比预测模型包括梗死灶分割 单元和占比预测单元， 其中， 梗死灶分割 单元用于对输入的脑部整体图像进行梗死区域分割得到梗死区域分割结果， 占比预测单元 用于将梗死区域分割结果与对应区域进行匹配， 并计算梗死区域分割结果的面积与匹配的 区域总面积的梗死占比； 梗死灶分割单元在被应用之前， 依据构建的二值图分割 模板作为监督标签进行参数优 化， 其中， 二 值图分割模板的构建过程包括： 获取脑部的CTP影像， 根据CTP影像计算出CTP ‑CBF参数图、 CTP ‑Tmax参数图； 根据CTP ‑ CBF参数图勾画出梗死区域的轮廓后， 通过平扫CT影像修改轮廓边界， 包括： 删除平扫CT影 像完全未展现出缺血灶的轮廓内区域， 若轮廓外区域在平扫CT影像展现出了缺血灶， 则需 要再结合CTP ‑Tmax参数图判断是否增加出现缺血灶的轮廓外部区域为梗死阳性区域， 最终 生成基底 节层、 上神经节层的缺血性 卒中梗死区域的二 值图分割模板 。 3.根据权利要求2所述的基于多模型融合的缺血性脑卒中梗死评估装置， 其特征在于， 所述区域梗死阳性判别模型包括影像组学特征提取单元、 重要特征提取单元以及预测单 元， 其中， 影像组学特征提取单元用于从脑部区域图像提取M组影像组学特征， 重要特征提 取单元用于根据特征重要性排名从影像组学特征中筛选出前N组影像组学特征作为重要 特 征， 预测单 元用于根据重要特 征进行区域梗死 阳性预测， 以输出区域梗死 阳性的概 率； 所述重要特征提取单元和预测单元在被应用之前， 根据二值图分割模板构建的梗死二 分类标签作为 监督标签进行参数优化， 其中， 梗死二分类标签的构建过程包括： 根据二值 图分割模板生成十个区域的梗死阴性、 阳性二分类标签， 包括： 对于M1 ‑M6区 域， 若在二值分割模板中梗死阳性区域面积大于区域总面积的1/3， 则将该区域标注为梗死 阳性， 反之标注为梗死阴性； 对于C、 I、 IC、 L区域， 若二值分割模板中存在梗死阳性区域， 即权　利　要　求　书 1/3 页 2 CN 115205294 B 2将区域标注为梗死阳性， 反之标注为梗死阴性； 最终生成十个区域左、 右两侧的梗死阴性、 阳性二分类标签。 4.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置， 其特征在于， HU值对比模型中， 通过阈值处 理去除区域图像中的高密度灶， 通过 大津法分割脑沟以去除。 5.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置， 其特征在于， 将梗死占比转换到概 率分布的尺度转换函数包括： 针对M1‑M6区域图像， 采用的尺度转换函数 f(x)表示为： 其中，x表示梗死占比， S1和S2表示函数因变量的缩放比例， w1和w2表示函数 自变量的缩 放比例， 在满足以下约 束条件， 通过选取不同的 w2使尺度转换函数 f(x)在x = 1/3处的变化 率不同， 通过对数几率回归的方法拟合 w2； 约束条件为： 其中， 表示尺度转换函数 f(x)在梗死占比在1/ 3处的导函数； 针对C、 I、 IC、 L区域图像， 采用的尺度转换函数 f(x)表示为： 其中，S0表示函数因变量的缩放程度， w0表示函数自变量的缩放程度， 在满足 f(0) = 0， 通过选择不同的 w0使尺度转换函数在 x = 0处的变化率不同， 通过对数几率回归的方法拟 合w0。 6.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置， 其特征在于， 将HU差值转换到概率分布的尺度转换函数 g(x)采用能够实现平移和 缩放的Sigmoid函数， 表示为： 其中，b表示为通常一侧区域平均HU值比对侧小多少会被判断为梗死阳性， 通过不同的 w可使尺度转换函数在 x =  ‑b处的变化 率不同， 通过对数几率回归的方法拟合 w。 7.根据权利要求2所述的基于多模型融合的缺血性脑卒中梗死评估装置， 其特征在于， 所述梗死灶分割单 元采用Res ‑UNet， DeeplabV3+ 或CenterNet构建。 8.根据权利要求1所述的基于多模型融合的缺血性脑卒中梗死评估装置， 其特征在于， 所述梗死融合评估 模型采用梯度提升决策树 算法构建。 9.一种基于多模型融合的缺血性脑卒中梗死评估 装置， 其特 征在于， 包括：权　利　要　求　书 2/3 页 3 CN 115205294 B 3