(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210587920.2 (22)申请日 2022.05.26 (71)申请人 同心医联科技 （北京） 有限公司 地址 100089 北京市海淀区王庄路1号院清 华同方科技大厦D座23层2301-1、 2301-2号 (72)发明人 刘伟奇　马学升　陈金钢　徐鹏　 赵友源　庞盼　陈磊　 (74)专利代理 机构 北京知果之信知识产权代理 有限公司 1 1541 专利代理师 高科 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06V 10/762(2022.01)G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 区域分割方法及装置 (57)摘要 本发明公开了一种区域分割方法及装置， 通 过提取脑组织图像的像素值； 将灌注扫描数据集 中的参数图分别与脑组织图像的像素值进行参 数映射； 使用超像素分割技术生成每个参数图的 超像素图像； 将所有 参考图的特征向量， NIHSS评 分特征向量和脑部MIP映射图的特征向量的总和 定义为第一特征矩阵； 将所有超像素图像的特征 向量的总和定义为第二特征矩阵； 将第一特征矩 阵和第二特征矩阵组合得到总矩阵； 通过机器学 习算法并经过3D模型过滤器分割半暗带和缺血 核心区域。 本发 明采取全自动算法分割半暗带和 缺血核心区域， 相比传统的分割技术， 分割更加 精细化， 也大大缩短了分割时间， 提升了分割效 率。 权利要求书3页 说明书11页 附图6页 CN 114862823 A 2022.08.05 CN 114862823 A 1.一种区域分割方法， 其特 征在于， 包括： 获取脑组织图像， 并提取 所述脑组织图像的像素值； 将CT引导下的灌注扫描数据集中的参数图分别与脑 组织图像的像素值进行参数映射， 所述数据集包括脑血流量参考图、 脑血容量参考图、 峰值时间参考图、 达峰时间参考图、 脑 部MIP映射图和N IHSS评分量表； 使用超像素分割技术， 生成映射后的每个参数图的超像素图像， 包括脑血流量超像素 图像、 脑血容 量超像素图像、 峰值时间超像素图像和达峰时间超像素图像； 通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量， 将所有参 考图的特征向量， NIHSS 评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征 矩阵； 通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量， 将所有超像素 图像的特 征向量的总和定义 为第二特 征矩阵； 将所述第一特 征矩阵和第二特 征矩阵组合得到总矩阵； 根据所述总矩阵， 通过机器学习算法并经过3D模型过滤器分割半暗带和缺血核心区 域。 2.根据权利要求1所述的区域分割方法， 其特征在于， 所述机器学习算法包括决策树学 习算法和随机森林算法。 3.根据权利要求1所述的区域分割方法， 其特征在于， 所述通过堆栈函数将映射后的每 个参考图中的所有像素值连接成一个特 征向量， 包括： 其中， n代表脑血流量参考图、 脑血容量参考图、 峰值时间参考图和达峰时间参考图中 的任意一种， Xn代表脑血流量特征向量、 脑血容量特征向量、 峰值时间特征向量和达峰时间 特征向量中的任意 一种， BT代 表脑组织的像素值， stack代 表堆栈函数。 4.一种区域分割方法， 其特 征在于， 所述方法包括 步骤1和步骤2， 所述步骤1， 包括： 获取脑组织图像， 并提取 所述脑组织图像的像素值； 将CT引导下的灌注扫描数据集中的参数图分别与脑 组织图像的像素值进行参数映射， 所述数据集包括峰值时间参 考图、 达峰时间参 考图、 脑部 MIP映射图和N IHSS评分量表； 使用超像素分割技术， 生成映射后的每个参数图的超像素图像， 包括峰值时间超像素 图像、 达峰时间超像素图像； 通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量， 将所有参 考图的特征向量， NIHSS 评分特征向量和脑部MIP映射图的特征向量的总和定义为第一特征 矩阵； 通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量， 将所有超像素 图像的特 征向量的总和定义 为第二特 征矩阵； 将所述第一特 征矩阵和第二特 征矩阵组合得到总矩阵； 根据所述总矩阵， 通过SVM算法对半暗带进行分割， 输出半暗带的二 值图像； 所述步骤2， 包括：权　利　要　求　书 1/3 页 2 CN 114862823 A 2获取脑组织图像， 并提取 所述脑组织图像的像素值； 将CT引导下的灌注扫描数据集中的参数图分别与脑 组织图像的像素值进行参数映射， 所述数据集包括脑血流 量参考图、 脑血容 量参考图； 使用超像素分割技术， 生成映射后的每个参数图的超像素图像， 包括脑血流量超像素 图像、 脑血容 量超像素图像； 通过堆栈函数将映射后的每个参考图中的所有像素值连接成一个特征向量， 将所有参 考图的特 征向量的总和定义 为第一特 征矩阵； 通过堆栈函数将每个超像素图像中的所有像素值连接成一个特征向量， 将所有超像素 图像的特 征向量的总和定义 为第二特 征矩阵； 将所述第一特 征矩阵和第二特 征矩阵组合得到总矩阵； 根据所述总矩阵， 通过SVM算法对缺血核心区域进行分割， 输出缺血核心区域的二值图 像。 5.一种区域分割装置， 其特 征在于， 包括： 脑组织获取模块， 用于获取脑组织图像， 并提取 所述脑组织图像的像素值； 映射模块， 用于将CT引导下的灌注扫描数据集中的参数图分别与脑 组织图像的像素值 进行参数映射， 所述数据集包括脑血流量参考图、 脑血容量参考图、 峰值时间参考图、 达峰 时间参考图、 脑部 MIP映射图和N IHSS评分量表； 超像素图像生成模块， 用于使用超像素分割技术， 生成映射后的每个参数图的超像素 图像， 包括脑血流量超像素图像、 脑血容量超像素图像、 峰值时间超像素图像和达峰时间超 像素图像； 第一特征矩阵生成模块， 用于通过堆栈函数将映射后的每个参考图中的所有像素值连 接成一个特征向量， 将所有参考图的特征向量， NIHSS评分特征向量和脑部MIP映射图的特 征向量的总和定义 为第一特 征矩阵； 第二特征矩阵生成模块， 用于通过堆栈函数将每个超像素图像中的所有像素值连接成 一个特征向量， 将所有超像素图像的特 征向量的总和定义 为第二特 征矩阵； 总矩阵生成模块， 用于将所述第一特 征矩阵和第二特 征矩阵组合得到总矩阵； 分割模块， 用于根据所述总矩阵， 通过机器学习算法并经过3D模型过滤器分割半暗带 和缺血核心区域。 6.根据权利要求5所述的区域分割装置， 其特征在于， 所述第一特征矩阵生成模块， 还 用于执行如下步骤： 其中， n代表脑血流量参考图、 脑血容量参考图、 峰值时间参考图和达峰时间参考图中 的任意一种， Xn代表脑血流量特征向量、 脑血容量特征向量、 峰值时间特征向量和达峰时间 特征向量中的任意 一种， BT代 表脑组织的像素值， stack代 表堆栈函数。 7.一种区域分割装置， 其特征在于， 所述装置包括半暗带分割子装置和缺血核心区域 分割子装置， 所述半暗带分割子装置， 包括： 脑组织获取模块， 用于获取脑组织图像， 并提取 所述脑组织图像的像素值； 映射模块， 用于将CT引导下的灌注扫描数据集中的参数图分别与脑 组织图像的像素值权　利　要　求　书 2/3 页 3 CN 114862823 A 3