一种基于人工智能算法的血管造影影像重构方法

1.本发明属于x射线血管造影技术领域，特别是涉及一种基于人工智能算法的血管造影影像重构方法，其适用于一站式血管造影。


背景技术：

2.现有的一站式ct血管造影检查包括ct平扫、ct灌注(ctp)、ct血管造影(cta)，其中ctp和cta为两种独立的检查，对应的ct扫描参数也不尽相同。对于需要做一站式ctp和cta检查的患者，需要分次调整扫描参数做影像数据采集。其不仅费时费力，还增加了患者所受辐射剂量。如若只进行ctp的检查，评价血液灌注动力学，因受ctp扫描协议的限制，将无法得到高质量的血管形态学信息。但事实上ctp检查数据中包含了微弱的血管形态学信息，为了将该微弱的血管形态学信息提取出来，文献smit e j,vonken e j,schaaf i,et al.timing-invariant reconstruction for deriving high-quality ct angiographic data from cerebral ct perfusion data[j].radiology,2012,263(1):216-225.中有学者提出“叠加高斯滤噪的最大强度时间投影(temporal maximum intensity projection，tmip)”算法从ctp影像中重建信噪比更好的cta图像，其原理为整个4d数据集可以通过时间最大强度投影浓缩成3d数据集，但重建出的图像仍然会有噪声和伪影(运动、金属等)干扰、非纯血管影像、丢失时间信息、小血管可见度差等问题。也就是说，虽然目前现有的技术可重建出血管形态信息，但因ctp数据的低剂量特点，血管组织与背景组织差异不明显，因此具有低信噪比、低可见度、伪影干扰严重等缺点。
[0003]
另外，有学者尝试在ctp的最大强度时间投影图像上或某最大显影期相的单帧图像上进行人工智能方法的血管分割，以期达到血管增强的效果。但该方法仍然局限在单张图像的血管增强上，没有充分挖掘ctp数据的时域动态特点，另外，未对时间信息做出处理，形成四维造影图像。
[0004]
专利cn113057658a公开了一种ct灌注成像同步获取高质量cta图像的方法，但其仍为一种物理采集方法，射线剂量较大。
[0005]
因此，需要一种新的血管造影方法，以兼顾ctp和cta的特点，在保证造影质量的同时，大幅降低造影剂剂量和辐射剂量。


技术实现要素：

[0006]
本发明的目的在于提供一种基于人工智能算法的血管造影影像重构方法，以兼顾ctp和cta，在保证造影质量的同时，大幅降低造影剂剂量和辐射剂量。
[0007]
为了实现上述目的，本发明提供一种基于人工智能算法的血管造影影像重构方法，包括：
[0008]
s1：在ctp原始切片数据中选取典型的血管类型的像素点以及非血管类型的像素点，将这两种类型的像素点的时间密度曲线或这两种类型的像素点的一邻近区域内的像素点的时间密度曲线组成的多维数组作为输入数据；
[0009]
s2：对所述的时间密度曲线或时间密度曲线组成的多维数组标注标签，标签至少包括血管与非血管的类型；
[0010]
s3：利用时间密度曲线或时间密度曲线组成的多维数组及其标签作为样本数据，来训练人工智能算法模块；随后，将待识别的ctp原始切片数据输入经过训练的人工智能算法模块，以实现血管自动识别，得到目标输出。
[0011]
若步骤s3是以血管自动识别标记和/或血管分割图像为人工智能算法模块的目标输出，则步骤s2中的标签在像素点是非血管类型时是0，在像素点是血管类型时是1；
[0012]
若步骤s3是以血管造影图像为人工智能算法模块的目标输出，则步骤s2中的标签在像素点是非血管类型时是0或其他常数，在像素点是血管类型时是像素点的血管造影浓度特征值；或者，则步骤s2中的标签是各个血管类型的像素点及其血管造影浓度特征值所构成的图像；
[0013]
若步骤s3是以四维伪彩色血管造影图像为人工智能算法模块的目标输出，则在像素点是非血管类型时，步骤s2中的标签是0或其他常数；在像素点是血管类型时，步骤s2中的标签同时包括该像素点的血管造影浓度特征值及血管造影时序特征值，或者，步骤s2中的标签通过将像素点的血管造影浓度特征值及血管造影时序特征值直接映射到rbg值以直接标注为不同rgb值；或者，则步骤s2中的标签是各个血管类型的像素点及其血管造影浓度特征值和血管造影时序特征值所构成的图像。
[0014]
在步骤s3是以血管造影图像或四维伪彩色血管造影图像为人工智能算法模块的目标输出时，所述血管造影浓度特征值为时间密度曲线的最大值、根据时间密度曲线计算得到的血流量值、根据时间密度曲线计算得到的血容量或时间密度曲线的平均值；
[0015]
在步骤s3是以四维伪彩色血管造影图像为人工智能算法模块的目标输出时，所述血管造影时序特征值是时间密度曲线的达峰时间、根据时间密度曲线计算得到的平均通过时间、或根据时间密度曲线计算得到的time to top值。
[0016]
在步骤s3是以四维伪彩色血管造影图像为人工智能算法模块的目标输出且步骤s2中的标签同时包括该像素点的血管造影浓度特征值及血管造影时序特征值时，血管造影浓度特征值作为亮度值标签，血管造影时序特征值作为伪彩色映射值标签，使得最终生成的四维伪彩色血管造影图像以血管造影浓度特征值作为亮度值，以血管造影时序特征值作为伪彩色映射值，所述伪彩色映射值的映射区间为ctp采集期的任意区间。
[0017]
所述ctp原始切片数据是由x射线单/多通道ct影像设备、或能谱ct影像设备通过灌注成像并以薄层重建方式重构所得的原始多期血流灌注数据；所述时间密度曲线是像素点所对应的体素点的原始时域ct值，是能谱ct的各能谱数据的线性组合，或者是能谱ct的各能谱数据经过后处理所得的时间密度曲线。
[0018]
所述ctp原始切片数据的ctp采集期为15期、20期、25期或30期。
[0019]
所述人工智能算法模块包括人工神经网络、随机森林分类器、支持向量机、k最近临算法、k均值算法中的至少一种，所述人工神经网络包括卷积神经网络，循环神经网络，生成对抗网络中的至少一种。
[0020]
若步骤s3是以血管自动识别标记和/或血管分割图像为人工智能算法模块的目标输出，则还包括步骤s4：根据血管自动识别标记和/或血管分割图像，分割得到血管所在的区域，并对分割得到的血管所在的区域中的各个像素点赋值并生成图像，赋值信息至少包
括像素点的血管造影浓度特征值，以作为生成的图像的亮度值。
[0021]
所述赋值信息还包括血管造影时序特征值，以作为图像的伪彩色映射值。
[0022]
本发明的基于人工智能算法的血管造影影像重构方法将基于人工智能技术，以ctp体素时域动态特征为输入，综合运用时域信息解决上述问题，从ctp数据中重建高质量血管造影cta图像，建立一站式ctp、cta检查技术方案，在保证造影质量的同时，大幅降低造影剂剂量和辐射剂量；并以常规的ctp数据为输入，重建出高质量的四维血管造影图像，实现了三维血管重建加伪彩色编码时刻信息的四维可视化技术。
附图说明
[0023]
图1是本发明的基于人工智能算法的血管造影影像重构方法的整体流程图。
[0024]
图2是本发明的基于人工智能算法的血管造影影像重构方法的数据标记和神经网络的训练与应用的原理图。
[0025]
图3是本发明的基于人工智能算法的血管造影影像重构方法得到的三维血管造影图像的切片图。
[0026]
图4是本发明的基于人工智能算法的血管造影影像重构方法得到的四维伪彩色血管造影图像的示意图。
具体实施方式
[0027]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。
[0028]
本发明的基于人工智能算法的血管造影影像重构方法基于人工智能技术，直接从ctp原始动态数据中获取ctp时间密度曲线作为输入数据，以是否为血管组织为标签，构建并训练人工智能算法模块(如深度卷积神经网络)以解决血管组织的自动识别，相比于与从单张血管造影图像中(低质量cta或ctp数据最大密度投影重建的单张cta影像)进行人工智能血管分割的方式提升血管显示质量，本发明的自动识别减少了数据的损耗，因此自动识别结果更不易遗漏。
[0029]
如图1和图2所示，本发明的基于人工智能算法的血管造影影像重构方法包括以下步骤：
[0030]
步骤s1：在ctp原始切片数据中选取典型的血管类型的像素点以及非血管类型的像素点，将这两种类型的像素点的时间密度曲线或这两种类型的像素点的一邻近区域内的像素点的时间密度曲线组成的多维数组作为输入数据。
[0031]
其中，所述ctp原始切片数据是由x射线单/多通道ct影像设备、或能谱ct影像设备通过灌注成像并以薄层重建方式重构所得的原始多期血流灌注数据。由于本发明基于现有较为成熟的ctp扫描方案，ct设备如x射线单/多通道ct或能谱ct影像设备可以直接输出这些已经重建好的原始多期血流灌注数据，并在此基础上进行后处理，因此这些原始多期血流灌注数据被称作ctp原始切片数据。
[0032]
本实施例以脑部ctp为例。在本实施例中，ctp原始切片数据可以是ctp采集期为20期的原始多期血流灌注数据，在其他实施例中，ctp采集期也有可能是15期、25期、30期等，每家医院的检查参数可能不同。
[0033]
相应地，所述时间密度曲线可以是像素点所对应的体素点的原始时域ct值，可以是能谱ct的各能谱数据的线性组合，也可以是能谱ct的各能谱数据经过后处理所得的时间密度曲线。
[0034]
能谱ct可以简单理解成两套x射线光管和探测器系统同时给病人做ct，其中一套x射线光管使用高电压，x射线能谱多集中在高能区间，另一套x射线光管使用低电压，x射线能谱多集中在低能区间，能谱ct就是同时用高电压能量和低电压能量射线和探测系统对病人做ct灌注检查，就会分别得到两套ctp数据。能谱ct中最简单的线性组合就是高能数据减去低能数据得到新的减影数据，减影得好处是可以针对造影剂数据做增强。
[0035]
此外，用这两套高低能数据结合“基物质分解”算法可以得到一套全新的ct数据，在全新的ct数据上就可以直接提取到的时间密度曲线就是能谱ct的各能谱数据经过后处理所得的时间密度曲线。能谱ct还有其他的后处理算法，例如还可以输出虚拟单能数据。也就是说对于某一个像素点来说，能谱ct可以模拟出该像素点在每个x射线光子单色能量下(例如，从40到190kev)应该有的ct值(像素值)，这样的话对于能谱ctp数据，每个像素就可以模拟出非常多的时间密度曲线，从而实现后处理方式得到的时间密度曲线。目前能谱ct用的是高低两种能量的射线，以后有可能还会有多种能谱的ct设备。
[0036]
对于上面说的“基物质分解”算法和能谱ct的后处理部分都是能谱ct设备自带的常用算法，也不是本专利的核心，本发明的重点在ctp数据中做血管成像的后处理。总之，ctp原始数据可以来自常规ct，也可以来自能谱ct。不管能谱ct做如何的前置处理工作，对于本专利来说都一样。
[0037]
由于临床ctp原始数据中不同物质组分像素处的动态信号的时频特性具有可分析的差异，如血管类信号与背景组织的运动、噪声的涨落以及大-小血管、动-静脉血管信号特点均不相一致，因此本发明通过选取血管组织处像素和非血管组织像素，能够用于后续通过时频特性分析将不同物质组分像素区分开。
[0038]
其中，血管类型的像素例如包括大血管、小血管、微血管、动脉血管、静脉血管这些区域的像素，非血管类型的像素例如包括骨组织、眼球、肌肉组织、脑实质等区域的像素。
[0039]
典型的血管组织处像素以及非血管组织像素均是人工选取的，需要相关知识和经验的人在ctp原始切片数据中选取。这点难度不大，血管里有动态变化的造影剂，直观肉眼观察就可以选取了。
[0040]
像素(pixel)是构成图像的基本单位，即图像可被分解成的最小的独立信息单元。因为图像是二维的，所以像素也是没有“厚度”概念的，其最大特点就是一个二维的概念。体素(voxel)是指像素所对应的体积单位，与像素不同点在于，体素是一个三维的概念，是有厚度差别的。因为ct图像是三维的，切片图像所对应的层厚就是体素的“高度”。所以图像里的一个像素，结合这个图像扫描的厚度就是一个体素。厚度是和扫描参数和重建参数有关，在拿到ctp原始切片数据后，厚度就定下来了。
[0041]
步骤s2：对所述的时间密度曲线或时间密度曲线组成的多维数组标注标签；
[0042]
其中，利用时间密度曲线所对应的像素点的时间上下文信息(即时间密度曲线)和/或空间上下文信息来人工判断并标注标签。时间上下文信息就是该像素点的像素值随时间变化的特征。非血管处的时间密度曲线很平稳，夹杂着随机噪声或其他噪声。血管处的时间特征很明显就是随着造影剂的流过，时间密度曲线先上升在下降，也会有噪声。而且血
管处的时间密度曲线里还包含了造影剂浓度、流量、达峰时刻等信息。空间上下文信息就是影像的空间特征，比如血管是像河流一样的，脑实质是连成一片的，眼睛是低密度的圆形，骨头是高密度的等等。
[0043]
在所述步骤s2中，标签至少包括血管与非血管的类型。例如，对于非血管类型的像素点，将其标签设置为0，不显影；对于血管类型的像素点，根据时间密度曲线得到非0的标签。
[0044]
步骤s3：利用时间密度曲线或时间密度曲线组成的多维数组及其标签作为样本数据，来训练人工智能算法模块；随后，将待识别的ctp原始切片数据输入经过训练的人工智能算法模块，以实现血管自动识别，得到目标输出；目标输出为血管自动识别标记和/或血管分割图像、血管造影图像或伪彩色四维血管造影图像。
[0045]
在所述步骤s3中，所述人工智能算法模块包括但不限于人工神经网络(卷积神经网络，循环神经网络，生成对抗网络等)、随机森林分类器、支持向量机、k最近临算法、k均值算法等。
[0046]
在本实施例中，若步骤s3是以血管自动识别标记和/或血管分割图像为人工智能算法模块的目标输出，则步骤s2中的标签在像素点是非血管类型时是0，在像素点是血管类型时是1。也就是说，标签就是0或1，0标注于非血管类型的像素点，1标注于血管类型的像素点。
[0047]
若步骤s3是以血管造影图像为人工智能算法模块的目标输出，则步骤s2中的标签在像素点是非血管类型时是0或其他常数(从而不显示，或者显示为均一的背景)，在像素点是血管类型时是像素点的血管造影浓度特征值；或者，步骤s2中的标签是各个血管类型的像素点及其血管造影浓度特征值所构成的图像，从而将图像内的所有像素点并行输入，然后并行输出分类结果。这个并行输出的其实就构成了图像。这样的好处是在ai算法做分类时不仅可以利用单个像素的时间特征去分类，还可以联系周围的空间特征做分类。可利用的信息更多，效果会更好更准确。血管造影浓度特征值作为生成的血管造影图像的亮度值。
[0048]
在本实施例中，为了实现血管造影成像，标签就是0或a，0标注于非血管类型的像素点，a标注于血管类型的像素点，且a是血管造影浓度特征值。其中，血管造影浓度特征值优选为时间密度曲线的最大值，时间密度曲线的最大值表征了血管内造影剂的浓度峰值。在其他实施例中，血管造影浓度特征值也可以是根据时间密度曲线计算得到的血流量(cbf)值(即时间密度曲线下面积)、根据时间密度曲线计算得到的血容量(cbv)或时间密度曲线的平均值等等。具体是将什么数据参数作为血管造影浓度特征值就看应用的需求是关注血管造影剂浓度这个参数还是关注血管血流量这个参数，将所关注的参数作为数据标签。
[0049]
若步骤s3是以四维伪彩色血管造影图像为人工智能算法模块的目标输出，则在像素点是非血管类型时步骤s2中的标签是0或其他常数，在像素点是血管类型时步骤s2中的标签同时包括该像素点的血管造影浓度特征值a及血管造影时序特征值b，其中，血管造影浓度特征值作为亮度值标签，血管造影时序特征值作为伪彩色映射值标签。最终生成的四维伪彩色血管造影图像以血管造影浓度特征值作为亮度值，以血管造影时序特征值作为伪彩色映射值。由此，综合血管造影浓度特征值和血管造影时序特征值，伪彩色编码成像后在图像上表现为不同的颜色，不同的亮度。或者，步骤s2中的标签是各个血管类型的像素点及
其血管造影浓度特征值和血管造影时序特征值所构成的图像，从而将图像内的所有像素点并行输入，然后并行输出分类结果。这个并行输出的其实就构成了图像。这样的好处是在ai算法做分类时不仅可以利用单个像素的时间特征去分类，还可以联系周围的空间特征做分类。可利用的信息更多，效果会更好更准确。此外，步骤s2中的标签也可以通过将像素点的血管造影浓度特征值及血管造影时序特征值直接映射到rbg值以直接标注为不同rgb值(r，g，b)，r、g、b三个值的不同比例就是不同颜色，r、g、b三个值的绝对值大小就是不同亮度。
[0050]
所述伪彩色映射值的映射区间为ctp采集期的任意区间，以ctp采集期共20期为例，如第1-20期、第3-9期、第2-17期。
[0051]
在本实施例中，上述的血管造影时序特征值可为时间密度曲线的达峰时间(ttp)(其代表造影剂灌注至该血管处的时刻参数)、根据时间密度曲线计算得到的平均通过时间(mtt)、或根据时间密度曲线计算得到的time to top(tmax)值。上述计算cbv、cbf、ttp、mtt等数值的方法均是现有的。
[0052]
由此，通过血管造影时序特征值作为伪彩色映射值，可以在得到该值后给血管上颜色。该颜色是ct血管灌注的时序信息的表现，这样便可以在一幅图像中直观的显示血管的四维信息。相应的训练得到的网络模型能够直接输出某像素显示的亮度值和伪彩色映射值。当输出的像素亮度值为0时，也就意味着这个像素不是血管，也无所谓其伪彩色映射值了，因为亮度为零，不显示；也可以一步到位输入为ctp的动态影像集，输出一副彩图，其中包含了像素的显示亮度值和伪彩色映射值(以rgb彩色信息的形式也可以，例如某像素rgb值为(255，0，0)即红色高亮，rgb值为(0，1，0)即绿色低亮，rgb值为(0，0，100)即蓝色中等亮度，类似的rgb值也可以为(r1，g1，b1)。从血管造影时序特征值如时间密度曲线的达峰时间(例如1-20取值)映射到rbg值是一个很寻常的做法，也很简单。r1，g1，b1之间的比例关系决定了颜色，比例关系归一化后再乘以血管造影浓度特征值即亮度值，就可以得到不同亮度不同颜色的伪彩色图了。
[0053]
若步骤s3是以血管自动识别标记和/或血管分割图像为人工智能算法模块的目标输出，则本发明还可以包括步骤s4：根据血管自动识别标记和/或血管分割图像，分割得到血管所在的区域，并对分割得到的血管所在的区域中的各个像素点赋值并生成图像，赋值信息至少包括像素点的血管造影浓度特征值，例如造影剂的浓度，以作为生成的图像的亮度值。其中，若赋值信息只有像素点的血管造影浓度特征值则此时生成的图像为只含有血管组织的三维血管造影图。
[0054]
在一些实施例中，赋值信息还包括血管造影时序特征值，例如时间密度曲线达峰时间，以作为生成的图像的伪彩色映射值。由此，最后以血管的达峰时间将所述三维血管造影图像进行伪彩色编码，实现四维血管造影可视化。
[0055]
由此，在实现上述分割目标后，根据不同的应用类型，构建出血管造影浓度特征值以及血管造影时序特征值，例如以时间密度曲线的最大值作为血管造影浓度特征值，以时间密度曲线的达峰时间作为血管造影时序特征值。之后以血管的自动识别为基础，以最大密度值为显示亮度值，重建出只含有血管组织的三维血管造影图，最后以血管的达峰时间将所述三维血管造影图像进行伪彩色编码，实现四维血管造影可视化。
[0056]
以血管造影图像为人工智能算法直接输出或以四维伪彩色血管造影图像为人工智能算法直接输出的情况，相当于将上述基于以“血管自动识别标记和分割”为人工智能算
法直接输出加后续赋值造影剂浓度的显示值和伪彩色映射的时刻值的算法过程直接用人工智能方法简单代替。
[0057]
实验结果：
[0058]
下面以脑部ctp和人工智能算法实现血管自动识别分割为例。
[0059]
在步骤s1中，如图2所示，在明显含有多处血管的切片(slice1、slice2、slice3···
)上人工选取出血管所在像素点blood1、blood2、blood3···
，以及非血管类型的像素点nonblood1、nonblood2、nonblood3···
及其相应的时间密度曲线。在选取这两种类型的像素点时，本实施例中，选取得到的血管类型的像素和非血管类型的像素各占50％，并尽量多选取不同特征的像素，如大血管、小血管、微血管、动脉血管、静脉血管、骨组织、眼球、肌肉组织、脑实质等区域的像素。
[0060]
由于目标输出为血管自动识别标记和/或血管分割图像，因此将上述提取出来的像素点所对应的体素点的时间密度曲线为输入数据，并分别标记为blood(1)和nonblood(0)的标签。本实施例中，步骤s1总共选取800个体素点的时间密度曲线并作为样本数据，其中70％作为训练集，20％作为验证集，10％作为测试集数据。
[0061]
接着构建人工智能算法模块，以上述数据训练算法的分类性能以解决血管组织的自动识别问题。本实施例中，所述人工智能算法模块采用卷积神经网络，卷积神经网络的第一层为大小为(20*1*1)的图像输入层，第二层为卷积层，卷积核大小为10，数量为16，第三层为批归一化层外加relu激活函数，第四层为大小400的全连接层，第五层亦为大小400的全连接层，第六层为大小2的全连接输出层，第七层为softmax层，第八层为classification分类输出层。本实施例中，在100次迭代训练之后，神经网络在验证集数据上的分类准确率为95％，在测试集数据中的准确率为100％。在训练好分类算法后，将ctp原始数据所有采集的时间密度曲线数据逐像素点地输入该人工智能算法模块中，得到血管自动识别后重构三维血管分割数据。在本实施例中，输入数据x1、x2、
…
、xn为某像素点的时间密度曲线上按时间顺序的各时刻的密度值，例如某个病人总共做了20期的ctp数据，对于某个像素点来说就有20个时刻的密度值，这20个密度值以x1、x2、
…
、xn为顺序依次输入神经网络中。对于血管分割的应用来说，网络输出y就是(0，1)分类，分别对应非血管和血管的分类。对于血管造影来说，y为代表该像素信息的某一灰度值，若该值为0表示该像素为非血管，若该值不为0，则代表该像素为含有一定造影剂的血管。对于四维伪彩色血管造影来说，输出结果y0、y1、y2就是rgb的对应数值。
[0062]
在实现上述目标后，所有血管组织已经被无差别的分割出来，然后再根据不同的应用类型，构建出血管造影浓度特征值以及血管造影时序特征值。在本实施例中，就是把该像素点的时间密度曲线拿出来，找到最大值，作为血管造影浓度特征值。找到最大值对应的横坐标也就是时间密度曲线的达峰时间，作为血管造影时序特征值。例如本实施例以血管像素处的时间密度曲线的最大值作为造影剂最大密度值，以时间密度曲线的达峰时间作为造影剂的达峰时间。之后以血管的自动识别分割为基础，以最大密度值为显示亮度值，重建出只含有血管组织的三维血管造影图像的切片，如图3所示。最后以血管的达峰时间将上诉三维血管造影图像进行伪彩色编码，本实施例共20期ctp数据，每期用时3秒，将达峰时间1-20(phases*3s)时刻点数据均匀的映射在从红到绿到蓝的颜色条上，实现四维血管造影可视化。这样处理之后，血管的灌注顺序、血流快慢分布、侧枝循环的有效性便可一目了然。在
四维可视化时，得到的四维伪彩色血管造影图像如图4所示，可简单的将重建影像数据所有切片按顺序叠加在一起整体显示，或以达峰时间为特征分割将某些区域的体素单独分割出来作为整体或局部显示，可实现单独观察动脉/静脉，以便更好地进行四维形态学的可视化，本实施例的可视化工具为imagej科学图像分析软件。
[0063]
本发明的四维血管造影成像方法在以下三个方面具有优势：
[0064]
其一为在显示大范围的病灶时，本方法并不需要造影剂大范围长时间的灌注。例如在常规的胸痛三联的造影检查时，主动脉峰值和肺动脉峰值时间是明显不同的。主动脉到达峰值的时候，肺动脉的峰值早已过去了。假如造影剂注射时间不足，峰值过去之后，血管亮度就会降下来。通常采用持续打造影剂的方法，来推迟峰值后血管亮度降下来的时间。本方法利用少量的造影剂灌注的时间密度信息便可实现所有血管的自动识别，不仅直接减少了造影剂的使用量，还避免了肺动脉，冠脉，主动脉以及四个心腔里都被造影剂填充，而导致射线硬化伪影的产生。
[0065]
其二为本方法是基于临床上现有的常规ctp数据重建而来，无需额外的检查操作，因而十分自然的节约了时间成本、控制了剂量。但本发明的血管成像质量如血管信噪比、小血管可见度相比于直接在原始ctp数据中观察要有明显提升，并且对于射线硬化、组织钙化、骨伪影等人工伪影本方法可自动识别并剔除，实现自适应减影成像效果，虽然造影剂使用量很少，但本发明方法血管重构完整，是各时相信息综合的结果。避免了传统cta检查中重组时相的选择偏差会影响血管评估的准确率的问题。从能量利用率的角度考虑，本发明方法综合了其中所有期相的影像能量，相比于单帧影像或其他造影方法如减影重建、最大投影重建，其能量利用率最高，且没丧失其时间信息，故有较高的成像质量。
[0066]
其三为本发明的后处理方法更加自动化，目前，临床完成cta或ctp最大显影期图像的血管分割图像后处理主要依赖于技师手动勾画重建，平均一个病人的后处理时间约20-30分钟，因血管和部分骨组织或其他组织的ct值相近，因此有一定的分割错误率。本发明方法无需人工干预便可实现自适应减影成像的效果且有更高的准确度。本发明在4d可视化方面更为直观有效，伪彩色标志着造影剂灌注的时刻，因此血管网络结构、血流的灌注次序、造影剂的浓度等可一目了然，同时血流的相对速度、血液的代偿关系、血管病变程度等可相对体现。阅片者既可以在切片层面上连续的观察病灶，亦可在三维立体上以任何角度动态的观察，甚至局部分割后再立体显示。本发明的4d ct血管造影方法是一种简单和稳健的技术，由于ctp是一种动态检查，它不仅包括动脉期，也包括静脉期，因此，4d重建时静脉也会强化。虽然静脉强化在评估动脉时可能分散注意力，但良好的静脉显示也能使人更容易的发现静脉的病变，如异常静脉或静脉血栓形成。这意味着基于ctp衍生的血管造影技术可能比cta更好地检测脑静脉窦血栓。而且可以利用血管的灌注时刻值分类血管类型如动脉静脉，并分别显示。甚至也能较为容易的做到只显示部分时间段内的血管，以规避其他血管在视觉上形成的干扰。这无疑给予了阅片者更多的影像学信息、增强了诊断的信心以及提高了疾病的检出率。
[0067]
由于本发明利用了血管灌注与背景组织在ctp的时域数据中有较为鲜明的时变差异，结合人工神经网络优异的特征识别能力，可以实现复杂环境下的血管自动识别。因此该方法在心脏血管造影、肾血管造影、肝脏血管造影中可能也具应用前景，因为这些部位的cta或其ctp数据更容易受到难以抑制的生理性运动的影响。同时因为本发明方法从原理上
来说只对造影剂灌注敏感，在消除骨以及硬化伪影的影响后，该方法也更适合血管本身疾病的成像，如钙化斑块的鉴别，血管瘤、是否破裂出血、弹簧圈介入术后复查等。
[0068]
另外，需要强调的是本发明并不是以cta为算法输出的目标，而是基于时间密度曲线利用人工智能算法去判断某一体素是否为血管，因此本发明只对血管组织做高对比度的增强显示，即使是在信号比较微弱的小血管上，其可见度相对于cta的成像结果也有较大的提升，在针对小血管病变的影像学检查与治疗上，如肿瘤微血管的诊疗与研究、烟雾病患者微血管增生的研究等可以进一步发挥作用。
[0069]
综上，本发明的基于人工智能算法的血管造影影像重构方法将基于人工智能技术，以ctp体素时域动态特征为输入，综合运用时域信息解决上述问题，从ctp数据中重建高质量血管造影cta图像，建立一站式ctp、cta检查技术方案，在保证造影质量的同时，大幅降低造影剂剂量和辐射剂量；并以常规的ctp数据为输入，重建出高质量的四维血管造影图像，实现了三维血管重建加伪彩色编码时刻信息的四维可视化技术。
[0070]
以上所述的，仅为本发明的较佳实施例，并非用以限定本发明的范围，本发明的上述实施例还可以做出各种变化。凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰，皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。

技术特征：
1.一种基于人工智能算法的血管造影影像重构方法，其特征在于，包括：步骤s1：在ctp原始切片数据中选取典型的血管类型的像素点以及非血管类型的像素点，将这两种类型的像素点的时间密度曲线或这两种类型的像素点的一邻近区域内的像素点的时间密度曲线组成的多维数组作为输入数据；步骤s2：对所述的时间密度曲线或时间密度曲线组成的多维数组标注标签，标签至少包括血管与非血管的类型；步骤s3：利用时间密度曲线或时间密度曲线组成的多维数组及其标签作为样本数据，来训练人工智能算法模块；随后，将待识别的ctp原始切片数据输入经过训练的人工智能算法模块，以实现血管自动识别，得到目标输出。2.根据权利要求1所述的基于人工智能算法的血管造影影像重构方法，其特征在于，若步骤s3是以血管自动识别标记和/或血管分割图像为人工智能算法模块的目标输出，则步骤s2中的标签在像素点是非血管类型时是0，在像素点是血管类型时是1；若步骤s3是以血管造影图像为人工智能算法模块的目标输出，则步骤s2中的标签在像素点是非血管类型时是0或其他常数，在像素点是血管类型时是像素点的血管造影浓度特征值；或者，则步骤s2中的标签是各个血管类型的像素点及其血管造影浓度特征值所构成的图像；若步骤s3是以四维伪彩色血管造影图像为人工智能算法模块的目标输出，则在像素点是非血管类型时，步骤s2中的标签是0或其他常数；在像素点是血管类型时，步骤s2中的标签同时包括该像素点的血管造影浓度特征值及血管造影时序特征值，或者，步骤s2中的标签通过将像素点的血管造影浓度特征值及血管造影时序特征值直接映射到rbg值以直接标注为不同rgb值；或者，则步骤s2中的标签是各个血管类型的像素点及其血管造影浓度特征值和血管造影时序特征值所构成的图像。3.根据权利要求2所述的基于人工智能算法的血管造影影像重构方法，其特征在于，在步骤s3是以血管造影图像或四维伪彩色血管造影图像为人工智能算法模块的目标输出时，所述血管造影浓度特征值为时间密度曲线的最大值、根据时间密度曲线计算得到的血流量值、根据时间密度曲线计算得到的血容量或时间密度曲线的平均值；在步骤s3是以四维伪彩色血管造影图像为人工智能算法模块的目标输出时，所述血管造影时序特征值是时间密度曲线的达峰时间、根据时间密度曲线计算得到的平均通过时间、或根据时间密度曲线计算得到的time to top值。4.根据权利要求2所述的基于人工智能算法的血管造影影像重构方法，其特征在于，在步骤s3是以四维伪彩色血管造影图像为人工智能算法模块的目标输出且步骤s2中的标签同时包括该像素点的血管造影浓度特征值及血管造影时序特征值时，血管造影浓度特征值作为亮度值标签，血管造影时序特征值作为伪彩色映射值标签，使得最终生成的四维伪彩色血管造影图像以血管造影浓度特征值作为亮度值，以血管造影时序特征值作为伪彩色映射值，所述伪彩色映射值的映射区间为ctp采集期的任意区间。5.根据权利要求1所述的基于人工智能算法的血管造影影像重构方法，其特征在于，所述ctp原始切片数据是由x射线单/多通道ct影像设备、或能谱ct影像设备通过灌注成像并以薄层重建方式重构所得的原始多期血流灌注数据；所述时间密度曲线是像素点所对应的体素点的原始时域ct值，是能谱ct的各能谱数据的线性组合，或者是能谱ct的各能谱数据
经过后处理所得的时间密度曲线。6.根据权利要求1所述的基于人工智能算法的血管造影影像重构方法，其特征在于，所述ctp原始切片数据的ctp采集期为15期、20期、25期或30期。7.根据权利要求1所述的基于人工智能算法的血管造影影像重构方法，其特征在于，所述人工智能算法模块包括人工神经网络、随机森林分类器、支持向量机、k最近临算法、k均值算法中的至少一种，所述人工神经网络包括卷积神经网络，循环神经网络，生成对抗网络中的至少一种。8.根据权利要求2所述的基于人工智能算法的血管造影影像重构方法，其特征在于，若步骤s3是以血管自动识别标记和/或血管分割图像为人工智能算法模块的目标输出，则还包括步骤s4：根据血管自动识别标记和/或血管分割图像，分割得到血管所在的区域，并对分割得到的血管所在的区域中的各个像素点赋值并生成图像，赋值信息至少包括像素点的血管造影浓度特征值，以作为生成的图像的亮度值。9.根据权利要求8所述的基于人工智能算法的血管造影影像重构方法，其特征在于，所述赋值信息还包括血管造影时序特征值，以作为图像的伪彩色映射值。

技术总结
本发明提供一种基于人工智能算法的血管造影影像重构方法，包括：选取典型的血管及非血管类型的像素点，将像素点的时间密度曲线或像素点的一邻近区域内的像素点的时间密度曲线组成的多维数组作为输入数据；对时间密度曲线或其组成的多维数组标注标签，标签至少包括血管与非血管的类型；利用时间密度曲线或其组成的多维数组及其标签作为样本数据，来训练人工智能算法模块；将待识别的CTP原始切片数据输入经过训练的人工智能算法模块，以实现血管自动识别，得到目标输出。本发明的方法在保证造影质量的同时，大幅降低造影剂剂量和辐射剂量。量。量。


技术研发人员：王飞翔 肖体乔 邓彪 薛艳玲 李可
受保护的技术使用者：中国科学院上海高等研究院
技术研发日：2023.06.21
技术公布日：2023/10/15