脑血流图像处理方法及装置、脑血流监测系统与流程

1.本发明属于图像处理技术领域，更具体地说，是涉及一种脑血流图像处理方法及装置、脑血流监测系统。


背景技术：

2.目前，随着大数据时代的来临，各类检测都更为智能化。通过智能化处理可以减少人工成本，且相较于人工处理的方式，智能化处理也更为准确。在此基础上，智能化处理也应用在了医学图像的检测上。比如，现有技术中通常会通过对脑血流图像的检测来判断脑血流的异常度，进而确定颅脑的健康状态。其具体方式是：获取用户脑血流图像，通过神经网络等深度学习模型对脑血流图像进行智能化检测来自动判断脑血流的异常度。
3.但本技术的发明人发现，由于不同用户之间存在个体差异，使用统一的深度学习模型无法准确地判断出每个用户的脑血流状态。也即，现有手段无法准确地判断出不同用户的脑血流状态。


技术实现要素：

4.本发明的目的在于提供一种脑血流图像处理方法及装置、脑血流监测系统，以解决现有技术中无法准确地判断出不同用户的脑血流状态的问题。
5.本发明实施例的第一方面，提供了一种脑血流图像处理方法，所述脑血流图像处理方法用于通过图像处理确定目标用户的脑血流异常度，所述脑血流图像处理方法包括：
6.获取所述目标用户的目标生理参数值以及第一脑血流图像；其中，目标生理参数为预先确定的生理参数，所述第一脑血流图像通过磁共振扫描得到；
7.将所述目标生理参数值输入至预先训练的第一深度学习模型中，得到所述目标用户对应的第二脑血流图像；其中，所述第二脑血流图像为所述目标用户脑血流状态正常时的脑血流图像；
8.根据所述第一脑血流图像和所述第二脑血流图像生成所述目标用户对应的脑血流对比特征；
9.将所述脑血流对比特征输入至预先训练的第二深度学习模型中，得到所述目标用户的脑血流异常度。
10.在一种可能的实现方式中，所述脑血流图像处理方法还包括：
11.获取与脑血流状态相关的多个生理参数，对所述多个生理参数进行主成分分析，将前n个主成分对应的生理参数确定为目标生理参数；n为预设值；
12.获取脑血流健康人员的目标生理参数值以及所述脑血流健康人员的脑血流图像，并基于脑血流健康人员的目标生理参数值以及所述脑血流健康人员的脑血流图像训练得到第一深度学习模型。
13.在一种可能的实现方式中，所述根据所述第一脑血流图像和所述第二脑血流图像生成所述目标用户对应的脑血流对比特征，包括：
14.提取所述第一脑血流图像中的图像特征，得到第一图像特征；
15.提取所述第二脑血流图像中的图像特征，得到第二图像特征；
16.融合所述第一脑血流图像和所述第二脑血流图像，得到第三脑血流图像；
17.提取所述第三脑血流图像中的图像特征，得到第三图像特征；
18.对所述第一图像特征、第二图像特征和第三图像特征进行特征向量的连接，得到所述目标用户对应的脑血流对比特征。
19.在一种可能的实现方式中，所述脑血流图像处理方法还包括：
20.获取所述目标用户脑部的激光散斑图像；
21.基于所述激光散斑图像确定所述目标用户的实际脑血流速度；
22.根据所述实际脑血流速度判断是否对所述脑血流异常度进行修正。
23.在一种可能的实现方式中，所述根据所述实际脑血流速度判断是否对所述脑血流异常度进行修正，包括：
24.将所述目标生理参数值输入至预先训练的第三深度学习模型中，得到所述目标用户对应的标准脑血流速度；
25.计算所述实际脑血流速度与所述标准脑血流速度的差值，得到速度差值；
26.若所述速度差值大于预设差值，则根据所述速度差值和所述预设差值确定所述目标用户的第二脑血流异常度；
27.基于所述第二脑血流异常度对所述脑血流异常度进行修正。
28.在一种可能的实现方式中，所述基于所述第二脑血流异常度对所述脑血流异常度进行修正，包括：
29.通过w
new
＝w
old
×
β+w2×
(1-β)计算修正后的脑血流异常度；
30.其中，w
new
为修正后的脑血流异常度，w
old
为所述脑血流异常度，w2为所述第二脑血流异常度，β为预设系数。
31.在一种可能的实现方式中，所述根据所述实际脑血流速度判断是否对所述脑血流异常度进行修正，还包括：
32.若所述速度差值不大于预设差值，则不对所述脑血流异常度进行修正。
33.本发明实施例的第二方面，提供了一种脑血流图像处理装置，所述脑血流图像处理装置用于通过图像处理确定目标用户的脑血流异常度，所述脑血流图像处理装置包括：
34.数据获取模块，用于获取所述目标用户的目标生理参数值以及第一脑血流图像；其中，目标生理参数为预先确定的生理参数，所述第一脑血流图像通过磁共振扫描得到；
35.图像生成模块，用于将所述目标生理参数值输入至预先训练的第一深度学习模型中，得到所述目标用户对应的第二脑血流图像；其中，所述第二脑血流图像为所述目标用户脑血流状态正常时的脑血流图像；
36.特征生成模块，用于根据所述第一脑血流图像和所述第二脑血流图像生成所述目标用户对应的脑血流对比特征；
37.图像处理模块，用于将所述脑血流对比特征输入至预先训练的第二深度学习模型中，得到所述目标用户的脑血流异常度。
38.本发明实施例的第三方面，提供了一种脑血流监测系统，所述脑血流监测系统包括监测终端，所述监测终端包括存储器、处理器以及存储在所述存储器中并可在所述处理
器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的脑血流图像处理方法的步骤。
39.本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的脑血流图像处理方法的步骤。
40.本发明实施例提供的脑血流图像处理方法及装置、脑血流监测系统的有益效果在于：
41.考虑到为不同用户建立不同的深度学习模型成本过高且也无法准确覆盖到所有用户，本发明实施例提供了一种基于两类深度学习模型的脑血流图像处理方法，第一类深度学习模型也即本发明实施例所描述的第一深度学习模型，其用于根据用户的生理参数去确定用户脑血流状态正常时的脑血流图像，也即第二脑血流图像。基于此，可根据第二脑血流图像以及新获取的用户的第一脑血流图像来生成用户的脑血流对比特征。第二类深度学习模型也即本发明实施例所描述得到第二深度学习模型，其用于实现图像特征的智能化检测。基于此，可根据前述生成的脑血流对比特征以及第二深度学习模型确定用户的脑血流异常度，也即确定用户的脑血流状态。
42.分析本发明实施例可知，在用户改变时，用户所对应的第二脑血流图像也会适应性改变，基于此方式本发明实施例实现了针对不同用户的个性化检测。本发明实施例的方案无需为每个用户都建立一个用于图像检测的深度学习模型，成本较低，且由于其适应性，可准确实现图像检测，进而准确监测每个用户的脑血流状态。因此，本发明实施例有效解决了现有技术的问题。
附图说明
43.为了更清楚地说明本发明实施例中的技术方案，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。
44.图1为本发明一实施例提供的脑血流图像处理方法的流程示意图；
45.图2为本发明一实施例提供的脑血流图像处理装置的结构框图；
46.图3为本发明一实施例提供的监测终端的示意框图。
具体实施方式
47.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
48.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
49.本发明实施例所描述的脑血流图像处理方法用于通过图像处理确定目标用户的脑血流异常度，请参考图1，图1为本发明一实施例提供的脑血流图像处理方法的流程示意
图，本发明实施例提供的脑血流图像处理方法包括：
50.s101：获取目标用户的目标生理参数值以及第一脑血流图像。其中，目标生理参数为预先确定的生理参数，第一脑血流图像通过磁共振扫描得到。
51.在本实施例中，可通过磁共振扫描目标用户的脑部来获取第一脑血流图像。
52.在本实施例中，目标生理参数为预先确定的与脑血流状态的相关程度大于预设程度的生理参数。
53.s102：将目标生理参数值输入至预先训练的第一深度学习模型中，得到目标用户对应的第二脑血流图像。其中，第二脑血流图像为目标用户脑血流状态正常时的脑血流图像。
54.在本实施例中，第一深度学习模型用于根据输入的目标生理参数值输出对应的第二脑血流图像。其中，第二脑血流图像为一标准图像，也即目标用户脑血流状态正常时的脑血流图像。
55.s103：根据第一脑血流图像和第二脑血流图像生成目标用户对应的脑血流对比特征。
56.在本实施例中，可通过提取第一脑血流图像和第二脑血流图像中的特征以及对第一脑血流图像和第二脑血流图像进行处理等方式来获取目标用户对应的脑血流对比特征。其中，脑血流对比特征中包含第一脑血流图像中的特征和第二脑血流图像中的特征。
57.s104：将脑血流对比特征输入至预先训练的第二深度学习模型中，得到目标用户的脑血流异常度。
58.在本实施例中，第二深度学习模型用于根据输入的脑血流对比特征输出对应的脑血流异常度。
59.在本实施例中，脑血流异常度用于描述目标用户的脑血流状态，其具体用于表征目标用户脑血流状态的异常程度。
60.在本实施例中，考虑到为不同用户建立不同的深度学习模型成本过高且也无法准确覆盖到所有用户，本发明实施例提供了一种基于两类深度学习模型的脑血流图像处理方法，第一类深度学习模型也即本发明实施例所描述的第一深度学习模型，其用于根据用户的生理参数去确定用户脑血流状态正常时的脑血流图像，也即第二脑血流图像。基于此，可根据第二脑血流图像以及新获取的用户的第一脑血流图像来生成用户的脑血流对比特征。第二类深度学习模型也即本发明实施例所描述得到第二深度学习模型，其用于实现图像特征的智能化检测。基于此，可根据前述生成的脑血流对比特征以及第二深度学习模型确定用户的脑血流异常度，也即确定用户的脑血流状态。
61.分析本发明实施例可知，在用户改变时，用户所对应的第二脑血流图像也会适应性改变，基于此方式本发明实施例实现了针对不同用户的个性化检测。本发明实施例的方案无需为每个用户都建立一个用于图像检测的深度学习模型，成本较低，且由于其适应性，可准确实现图像检测，进而准确监测每个用户的脑血流状态。因此，本发明实施例有效解决了现有技术的问题。
62.在一种可能的实现方式中，脑血流图像处理方法还包括：
63.获取与脑血流状态相关的多个生理参数，对多个生理参数进行主成分分析，将前n个主成分对应的生理参数确定为目标生理参数。n为预设值。
64.获取脑血流健康人员的目标生理参数值以及脑血流健康人员的脑血流图像，并基于脑血流健康人员的目标生理参数值以及脑血流健康人员的脑血流图像训练得到第一深度学习模型。
65.在本实施例中，生理参数包括但不限于年龄、身高、体重、性别以及既往病史等。
66.在本实施例中，可通过主成分分析方法从多个生理参数中选取与脑血流状态相关程度较大的生理参数作为目标生理参数。在此基础上，可获取脑血流健康人员的目标生理参数值以及脑血流健康人员的脑血流图像来训练得到第一深度学习模型。其中，脑血流健康人员指的是脑血流状态正常的人员。在选取脑血流健康人员时，需尽量覆盖到各个年龄、身高、体重等的人员，保证第一深度学习模型的泛化性。
67.在本实施例中，第一深度学习模型可以为神经网络模型。
68.在一种可能的实现方式中，脑血流图像处理方法还可以包括：
69.获取不同用户的脑血流对比特征以及不同用户的脑血流异常度。在此基础上，基于不同用户的脑血流对比特征以及不同用户的脑血流异常度训练得到第二深度学习模型。
70.在本实施例中，第二深度学习模型也可以为神经网络模型。
71.在一种可能的实现方式中，根据第一脑血流图像和第二脑血流图像生成目标用户对应的脑血流对比特征，包括：
72.提取第一脑血流图像中的图像特征，得到第一图像特征。
73.提取第二脑血流图像中的图像特征，得到第二图像特征。
74.融合第一脑血流图像和第二脑血流图像，得到第三脑血流图像。
75.提取第三脑血流图像中的图像特征，得到第三图像特征。
76.对第一图像特征、第二图像特征和第三图像特征进行特征向量的连接，得到目标用户对应的脑血流对比特征。
77.在本实施例中，第一图像特征本质为目标用户脑血流状态正常时的图像特征，第二图像特征本质为目标用户当前的脑血流状态的图像特征，第三图像特征本质为第一图像特征和第二图像特征的对比特征，将此三个特征连接可有效表征目标用户的脑血流对比特征。
78.在本实施例中，可通过s＝[s1，s2，s3]，实现特征向量的连接。其中，s为目标用户对应的脑血流对比特征，s1为第一图像特征对应的特征向量，s2为第二图像特征对应的特征向量，s3为第三图像特征对应的特征向量。
[0079]
在一种可能的实现方式中，脑血流图像处理方法还包括：
[0080]
获取目标用户脑部的激光散斑图像。
[0081]
基于激光散斑图像确定目标用户的实际脑血流速度。
[0082]
根据实际脑血流速度判断是否对脑血流异常度进行修正。
[0083]
在本实施例中，还可通过激光扫描目标用户脑部的方式获取目标用户的多个激光散斑图像。在此基础上，可根据前述多个激光散斑图像中散斑粒子的移动速度确定目标用户的实际脑血流速度。
[0084]
在本实施例中，确定目标用户的实际脑血流速度后，可根据实际脑血流速度来判断是否需对前述确定的脑血流异常度进行修正，以期能够更为准确地监测目标用户的脑血流状态。
[0085]
在一种可能的实现方式中，根据实际脑血流速度判断是否对脑血流异常度进行修正，包括：
[0086]
将目标生理参数值输入至预先训练的第三深度学习模型中，得到目标用户对应的标准脑血流速度。
[0087]
计算实际脑血流速度与标准脑血流速度的差值，得到速度差值。
[0088]
若速度差值大于预设差值，则根据速度差值和预设差值确定目标用户的第二脑血流异常度。
[0089]
基于第二脑血流异常度对脑血流异常度进行修正。
[0090]
在本实施例中，第三深度学习模型用于根据输入的目标生理参数值输出对应的标准脑血流速度。其中，目标用户的标准脑血流速度指的是目标用户脑血流状态正常时的脑血流速度。
[0091]
在本实施例中，当实际脑血流速度和标准脑血流速度的差值(也即速度差值)较大时，则表明目标用户的脑血流状态出现异常。此时，可基于速度差值与预设差值确定目标用户的第二脑血流异常度以对前述的脑血流异常度进行修正。
[0092]
其中，可通过确定第二脑血异常度。其中，w2为第二脑血流异常度，v1为标准脑血流速度，v2为实际脑血流速度，v0为预设的基准值。
[0093]
在一种可能的实现方式中，脑血流图像处理方法还可以包括：
[0094]
获取脑血流健康人员的目标生理参数值以及脑血流健康人员的标准脑血流速度，并基于脑血流健康人员的目标生理参数值以及脑血流健康人员的标准脑血流速度训练得到第三深度学习模型。
[0095]
在本实施例中，第三深度学习模型也可以为神经网络模型。
[0096]
在一种可能的实现方式中，基于第二脑血流异常度对脑血流异常度进行修正，包括：
[0097]
通过w
new
＝w
old
×
β+w2×
(1-β)计算修正后的脑血流异常度。
[0098]
其中，w
new
为修正后的脑血流异常度，w
old
为脑血流异常度，w2为第二脑血流异常度，β为预设系数。
[0099]
在本实施例中，β大于0.5。
[0100]
在一种可能的实现方式中，根据实际脑血流速度判断是否对脑血流异常度进行修正，还包括：
[0101]
若速度差值不大于预设差值，则不对脑血流异常度进行修正。
[0102]
在本实施例中，如果速度差值不大于预设差值，则说明目标用户的脑血流速度在正常范围内，无辅助修正的价值，因此，此时不对前述的脑血流异常度进行修正。
[0103]
对应于上文实施例的脑血流图像处理方法，图2为本发明一实施例提供的脑血流图像处理装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。本发明实施例的脑血流图像处理装置用于通过图像处理确定目标用户的脑血流异常度，可参考图2，该脑血流图像处理装置20包括：数据获取模块21、图像生成模块22、特征生成模块23和图像处理模块24。
[0104]
数据获取模块21，用于获取目标用户的目标生理参数值以及第一脑血流图像。其
中，目标生理参数为预先确定的生理参数，第一脑血流图像通过磁共振扫描得到。
[0105]
图像生成模块22，用于将目标生理参数值输入至预先训练的第一深度学习模型中，得到目标用户对应的第二脑血流图像。其中，第二脑血流图像为目标用户脑血流状态正常时的脑血流图像。
[0106]
特征生成模块23，用于根据第一脑血流图像和第二脑血流图像生成目标用户对应的脑血流对比特征。
[0107]
图像处理模块24，用于将脑血流对比特征输入至预先训练的第二深度学习模型中，得到目标用户的脑血流异常度。
[0108]
在一种可能的实现方式中，图像生成模块22还用于：
[0109]
获取与脑血流状态相关的多个生理参数，对多个生理参数进行主成分分析，将前n个主成分对应的生理参数确定为目标生理参数。n为预设值。
[0110]
获取脑血流健康人员的目标生理参数值以及脑血流健康人员的脑血流图像，并基于脑血流健康人员的目标生理参数值以及脑血流健康人员的脑血流图像训练得到第一深度学习模型。
[0111]
在一种可能的实现方式中，特征生成模块23具体用于：
[0112]
提取第一脑血流图像中的图像特征，得到第一图像特征。
[0113]
提取第二脑血流图像中的图像特征，得到第二图像特征。
[0114]
融合第一脑血流图像和第二脑血流图像，得到第三脑血流图像。
[0115]
提取第三脑血流图像中的图像特征，得到第三图像特征。
[0116]
对第一图像特征、第二图像特征和第三图像特征进行特征向量的连接，得到目标用户对应的脑血流对比特征。
[0117]
在一种可能的实现方式中，图像处理模块24还用于：
[0118]
获取目标用户脑部的激光散斑图像。
[0119]
基于激光散斑图像确定目标用户的实际脑血流速度。
[0120]
根据实际脑血流速度判断是否对脑血流异常度进行修正。
[0121]
在一种可能的实现方式中，图像处理模块24具体用于：
[0122]
将目标生理参数值输入至预先训练的第三深度学习模型中，得到目标用户对应的标准脑血流速度。
[0123]
计算实际脑血流速度与标准脑血流速度的差值，得到速度差值。
[0124]
若速度差值大于预设差值，则根据速度差值和预设差值确定目标用户的第二脑血流异常度。
[0125]
基于第二脑血流异常度对脑血流异常度进行修正。
[0126]
在一种可能的实现方式中，通过w
new
＝w
old
×
β+w2×
(1-β)计算修正后的脑血流异常度。
[0127]
其中，w
new
为修正后的脑血流异常度，w
old
为脑血流异常度，w2为第二脑血流异常度，β为预设系数。
[0128]
在一种可能的实现方式中，图像处理模块24具体用于执行以下步骤：
[0129]
若速度差值不大于预设差值，则不对脑血流异常度进行修正。
[0130]
本发明实施例还提供一种脑血流监测系统，该脑血流监测系统包括监测终端。在
此基础上，该脑血流监测系统还可包括磁共振扫描设备、激光扫描设备和通信设备。在此基础上，磁共振扫描设备用于扫描目标用户的第一脑血流图像，并将扫描的第一脑血流图像通过通信设备发送至监测终端。激光扫描设备用于扫描目标用户的激光散斑图像，并将扫描的激光散斑图像通过通信设备发送至监测终端。在此基础上，监测终端执行前述实施例中的脑血流图像处理方法以完成脑血流图像的检测。
[0131]
其中，对于监测终端，可参见图3，图3为本发明一实施例提供的监测终端的示意框图。如图3所示的本实施例中的终端300可以包括：一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序，计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中，处理器301被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图2所示模块21至24的功能。
[0132]
应当理解，在本发明实施例中，所称处理器301可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0133]
输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备303可以包括显示器(lcd等)、扬声器等。
[0134]
该存储器304可以包括只读存储器和随机存取存储器，并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如，存储器304还可以存储设备类型的信息。
[0135]
具体实现中，本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的脑血流图像处理方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
[0136]
在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0137]
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接
式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
[0138]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0139]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0140]
在本技术所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0141]
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单元来实现本发明实施例方案的目的。
[0142]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0143]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种脑血流图像处理方法，其特征在于，所述脑血流图像处理方法用于通过图像处理确定目标用户的脑血流异常度，所述脑血流图像处理方法包括：获取所述目标用户的目标生理参数值以及第一脑血流图像；其中，目标生理参数为预先确定的生理参数，所述第一脑血流图像通过磁共振扫描得到；将所述目标生理参数值输入至预先训练的第一深度学习模型中，得到所述目标用户对应的第二脑血流图像；其中，所述第二脑血流图像为所述目标用户脑血流状态正常时的脑血流图像；根据所述第一脑血流图像和所述第二脑血流图像生成所述目标用户对应的脑血流对比特征；将所述脑血流对比特征输入至预先训练的第二深度学习模型中，得到所述目标用户的脑血流异常度。2.如权利要求1所述的脑血流图像处理方法，其特征在于，所述脑血流图像处理方法还包括：获取与脑血流状态相关的多个生理参数，对所述多个生理参数进行主成分分析，将前n个主成分对应的生理参数确定为目标生理参数；n为预设值；获取脑血流健康人员的目标生理参数值以及所述脑血流健康人员的脑血流图像，并基于脑血流健康人员的目标生理参数值以及所述脑血流健康人员的脑血流图像训练得到第一深度学习模型。3.如权利要求1所述的脑血流图像处理方法，其特征在于，所述根据所述第一脑血流图像和所述第二脑血流图像生成所述目标用户对应的脑血流对比特征，包括：提取所述第一脑血流图像中的图像特征，得到第一图像特征；提取所述第二脑血流图像中的图像特征，得到第二图像特征；融合所述第一脑血流图像和所述第二脑血流图像，得到第三脑血流图像；提取所述第三脑血流图像中的图像特征，得到第三图像特征；对所述第一图像特征、第二图像特征和第三图像特征进行特征向量的连接，得到所述目标用户对应的脑血流对比特征。4.如权利要求1所述的脑血流图像处理方法，其特征在于，所述脑血流图像处理方法还包括：获取所述目标用户脑部的激光散斑图像；基于所述激光散斑图像确定所述目标用户的实际脑血流速度；根据所述实际脑血流速度判断是否对所述脑血流异常度进行修正。5.如权利要求4所述的脑血流图像处理方法，其特征在于，所述根据所述实际脑血流速度判断是否对所述脑血流异常度进行修正，包括：将所述目标生理参数值输入至预先训练的第三深度学习模型中，得到所述目标用户对应的标准脑血流速度；计算所述实际脑血流速度与所述标准脑血流速度的差值，得到速度差值；若所述速度差值大于预设差值，则根据所述速度差值和所述预设差值确定所述目标用户的第二脑血流异常度；基于所述第二脑血流异常度对所述脑血流异常度进行修正。
6.如权利要求5所述的脑血流图像处理方法，其特征在于，所述基于所述第二脑血流异常度对所述脑血流异常度进行修正，包括：通过w
new
＝w
old
×
β+w2×
(1-β)计算修正后的脑血流异常度；其中，w
new
为修正后的脑血流异常度，w
old
为所述脑血流异常度，w2为所述第二脑血流异常度，β为预设系数。7.如权利要求5所述的脑血流图像处理方法，其特征在于，所述根据所述实际脑血流速度判断是否对所述脑血流异常度进行修正，还包括：若所述速度差值不大于预设差值，则不对所述脑血流异常度进行修正。8.一种脑血流图像处理装置，其特征在于，所述脑血流图像处理装置用于通过图像处理确定目标用户的脑血流异常度，所述脑血流图像处理装置包括：数据获取模块，用于获取所述目标用户的目标生理参数值以及第一脑血流图像；其中，目标生理参数为预先确定的生理参数，所述第一脑血流图像通过磁共振扫描得到；图像生成模块，用于将所述目标生理参数值输入至预先训练的第一深度学习模型中，得到所述目标用户对应的第二脑血流图像；其中，所述第二脑血流图像为所述目标用户脑血流状态正常时的脑血流图像；特征生成模块，用于根据所述第一脑血流图像和所述第二脑血流图像生成所述目标用户对应的脑血流对比特征；图像处理模块，用于将所述脑血流对比特征输入至预先训练的第二深度学习模型中，得到所述目标用户的脑血流异常度。9.一种脑血流监测系统，其特征在于，包括：监测终端；所述监测终端包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

技术总结
本发明提供了一种脑血流图像处理方法及装置、脑血流监测系统，该方法用于通过图像处理确定目标用户的脑血流异常度，包括：获取目标用户的目标生理参数值以及第一脑血流图像；将目标生理参数值输入至预先训练的第一深度学习模型中，得到目标用户对应的第二脑血流图像；第二脑血流图像为目标用户脑血流状态正常时的脑血流图像；根据第一脑血流图像和第二脑血流图像生成目标用户对应的脑血流对比特征；将脑血流对比特征输入至预先训练的第二深度学习模型中，得到目标用户的脑血流异常度。本发明无需为每个用户都建立一个用于图像检测的深度学习模型，成本较低，由于其适应性，还可准确实现图像检测，进而准确监测每个用户的脑血流状态。血流状态。血流状态。


技术研发人员：白新凤 郭艳梅 曹利静 李培
受保护的技术使用者：河北省儿童医院（河北省第五人民医院、河北省儿科研究所）
技术研发日：2023.05.06
技术公布日：2023/8/24