本發(fā)明涉及一種組織損傷的計(jì)算機(jī)輔助勾畫的方法，尤其涉及一種卒中患者腦部組織損傷的計(jì)算機(jī)輔助勾畫。本發(fā)明進(jìn)一步涉及系統(tǒng)、計(jì)算機(jī)程序產(chǎn)品和相應(yīng)方法的使用。

背景技術(shù)：
在病人發(fā)生急性腦卒中的情況下，供血的減少引起一部分的腦組織局部遭受缺血，例如遭受氧氣和營養(yǎng)物供應(yīng)不足的病患，這部分被稱為灌注損傷。灌注損傷的子部分是不可逆地?fù)p傷，這部分被稱為核心損傷或彌散損傷。灌注損傷的其余部分，所謂缺血半暗帶，如果供血在短時(shí)間內(nèi)恢復(fù)，例如幾個(gè)小時(shí)內(nèi)，可被搶救。在決定每個(gè)卒中病人的治療策略中，識別半暗帶的體積和位置很關(guān)鍵。由于治療方法如使用血栓溶解劑，必須在短時(shí)間內(nèi)開始，快速評估很關(guān)鍵。核心和灌注損傷的大小和位置典型地是通過人工檢查彌散加權(quán)和灌注加權(quán)磁共振成像(DWI/PWI)形態(tài)來確定的。這需要技術(shù)精湛的專家介入，例如卒中神經(jīng)系放射學(xué)家。這樣的人工確定DWI/PWI不匹配，需要耗費(fèi)大量的時(shí)間和成本。WO2007/058632A1描述了在計(jì)算機(jī)輔助下，處理和分析的腦圖像以用于卒中診斷或決定治療決策，其中多個(gè)卒中相關(guān)的圖像是疊加的。由于它們不能區(qū)別損傷體積和損傷之外的體積，這樣的自動圖像處理方法是不可靠的。為了自動確定低灌注組織，已嘗試使用簡單閾值算法。然而，這種方法，問題在于缺乏已建的適用每個(gè)人的閾值，如灌注閾值。此外，研究表明閾值取決于許多因素，包括癥狀出現(xiàn)后的時(shí)間和后期處理的方法。因此，一種改進(jìn)的計(jì)算機(jī)輔助勾畫組織損傷的方法是有益的，尤其更快和/或更可靠的方法是有益的。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的是提供一種組織損傷的計(jì)算機(jī)輔助勾畫的方法，該方法解決了上述的現(xiàn)有技術(shù)中的方法的不快速和不可靠的問題。此外，本發(fā)明的一個(gè)優(yōu)勢是本發(fā)明能給出可重現(xiàn)的結(jié)果。另一個(gè)優(yōu)勢在于實(shí)施該方法以便以全自動方式操作。本發(fā)明的進(jìn)一步的目的是對現(xiàn)有技術(shù)提供一個(gè)可替代的選擇。因此，上述目標(biāo)和幾個(gè)其他目標(biāo)旨在獲得本發(fā)明的第一個(gè)方面，通過提供估算生物組織中半暗帶的半暗帶尺寸的方法，該方法包括步驟：—接收第一圖像，所述第一圖像包括表示空間分辨灌注參數(shù)的數(shù)據(jù)；—接收第二圖像，所述第二圖像包括表示空間分辨彌散參數(shù)的數(shù)據(jù)；—識別所述第一圖像上的第一區(qū)域，所述第一區(qū)域?qū)?yīng)于灌注損傷；—識別所述第二圖像上的第二區(qū)域，所述第二區(qū)域?qū)?yīng)于彌散損傷；—基于所述第一和第二區(qū)域估算半暗帶尺寸的度量；其中所述方法進(jìn)一步包括：—在所述灌注加權(quán)圖像上應(yīng)用第一圖像處理方法，所述第一圖像處理方法包括水平集方法；—在所述彌散加權(quán)圖像上應(yīng)用第二圖像處理方法，第二圖像處理方法包括灰度形態(tài)運(yùn)算。本發(fā)明特別地，但不局限地，在改善速度和/或可再現(xiàn)性和/或極小化用戶干預(yù)上是有益的。該方法產(chǎn)生具有平滑邊界的損傷估算。本發(fā)明提供了一種勾畫第一區(qū)域和第二區(qū)域的方法，以此勾畫潛在可挽救的組織的位置和區(qū)域。本發(fā)明的一個(gè)優(yōu)勢在于它使得快速估算生物組織中半暗帶的半暗帶尺寸的度量成為可能。另一個(gè)潛在的優(yōu)勢可在于它使得可重現(xiàn)地估算生物組織中半暗帶的半暗帶尺寸的度量成為可能。另一個(gè)優(yōu)勢在于它使得估算生物組織中半暗帶的半暗帶尺寸的度量成為可能，其中度量與人工提供的估算關(guān)聯(lián)得很好，例如由經(jīng)過培訓(xùn)的專家人工提供的估算。半暗帶尺寸可以基于第一和第二區(qū)域確定，例如半暗帶是以第一區(qū)域和第三區(qū)域之間的差異而確定的，第三區(qū)域是包含在第一區(qū)域和第二區(qū)域中的一個(gè)區(qū)域。在另一個(gè)實(shí)施例中，半暗帶是以第一區(qū)域與第二區(qū)域之間的差異而得到的。圖像被理解為一組表示空間分辨參數(shù)的數(shù)據(jù)點(diǎn)，例如一組空間分辨值，其中每個(gè)數(shù)據(jù)點(diǎn)對應(yīng)于處于某一個(gè)位置的參數(shù)的值?？梢岳斫?，多個(gè)位置可以被包含在一個(gè)平面內(nèi)，對應(yīng)于二維圖像，或者這些位置可以跨更多個(gè)維度分布，例如三維。可以進(jìn)一步理解，盡管位置被描述為空間數(shù)學(xué)上理想的點(diǎn)，每個(gè)數(shù)據(jù)點(diǎn)可以對應(yīng)一個(gè)有限的面積或體積，例如有限的面積或體積被指定給每一個(gè)數(shù)據(jù)點(diǎn)。在本申請中，“圖”與“圖像”可交換使用?？梢岳斫?，即使在二維圖像中識別一個(gè)區(qū)域的情況下，相應(yīng)的體積可以被推導(dǎo)出，因?yàn)榭梢岳斫獾氖牵簽槎S圖像指定一個(gè)延拓，例如深度，在與兩個(gè)圖像維度正交的第三空間維度中。換句話說，圖像中每一個(gè)像素表示一個(gè)體素。因此，可以理解，一個(gè)面積可以對應(yīng)于一個(gè)體積。圖像可以表示生物組織的切片，例如人的大腦可以用大約20幅圖像來表示。第一圖像被理解為包括表示空間分辨灌注參數(shù)的數(shù)據(jù)點(diǎn)的圖像，例如一組空間分辨值，其中每個(gè)值對應(yīng)于給定位置的灌注參數(shù)的值。第一圖像可以是通過灌注加權(quán)成像(PWI)獲得的圖像。PWI在現(xiàn)有技術(shù)中是眾所周知的。灌注參數(shù)理解為一種度量，該度量量化、表示或相關(guān)于通過一個(gè)元素，例如生物組織如生物器官的路徑，尤其是動脈血到毛細(xì)血管的輸送過程。第二圖像理解為包括表示空間分辨彌散參數(shù)的數(shù)據(jù)點(diǎn)的圖像，例如一組空間分辨值，其中每個(gè)值對應(yīng)于給定位置的彌散參數(shù)的值。第二圖像可以是通過彌散加權(quán)成像(DWI)獲得的圖像。DWI在現(xiàn)有技術(shù)中是眾所周知的。第一圖像和/或第二圖像可以借助于核磁共振NMR成像提供。可選地，應(yīng)用其他成像技術(shù)例如正電子發(fā)射斷層掃描(PET)、超音波或X射線計(jì)算機(jī)斷層掃描(CT)以獲得第一和/或第二圖像。彌散參數(shù)理解為度量，該度量量化、表示或相關(guān)于分子在它們的微環(huán)境中的機(jī)動性，例如水分子的動態(tài)移動。第一區(qū)域理解為第一圖像中對應(yīng)于灌注損傷的區(qū)域。灌注損傷理解為一個(gè)嚴(yán)重缺血、功能受損具有梗塞風(fēng)險(xiǎn)的組織區(qū)域(或復(fù)數(shù)個(gè)區(qū)域)。第二區(qū)域理解為第二圖像中對應(yīng)于彌散損傷的區(qū)域。彌散損傷理解為一個(gè)(或復(fù)數(shù)個(gè))組織區(qū)域，表示受到不可逆損傷的組織。損傷理解為對生物組織的急性損害。梗塞理解為生物組織的永久損害。半暗帶理解為包含在第一區(qū)域內(nèi)，但不包含在第二區(qū)域內(nèi)的區(qū)域。因此半暗帶區(qū)域表示嚴(yán)重缺血、功能受損具有梗塞風(fēng)險(xiǎn)的組織；如果在不可逆損傷之前再灌注，半暗帶區(qū)域會被挽救；否則半暗帶區(qū)域逐步增添到彌散損傷中，直到達(dá)到最大梗塞擴(kuò)展。半暗帶尺寸理解為半暗帶的大小，例如，如果半暗帶以對應(yīng)于圖像中若干數(shù)據(jù)點(diǎn)的區(qū)域被給出，半暗帶的尺寸可以對應(yīng)于指定給這些數(shù)據(jù)點(diǎn)中的每一個(gè)的大小的和的大小被給出。圖像處理方法理解為一種方法，其接收輸入圖像，例如第一圖像或第二圖像，作為輸入，并輸出一個(gè)新的圖像，例如處理過的圖像。處理過的圖像可不同于輸入圖像，不同之處在于一個(gè)或更多個(gè)值被改變和/或一個(gè)或更多個(gè)位置被改變。圖像處理方法可以把單個(gè)圖像作為輸入，輸出單個(gè)圖像；然而圖像處理方法也可以把復(fù)數(shù)個(gè)圖像作為輸入，輸出一個(gè)或更多個(gè)圖像。例如，圖像處理方法可以涉及3D核心程序，因此包括來自其他圖像的信息，例如表示生物組織中相鄰的切片的圖像。水平集方法(LSM)理解為一種方法，其隱式地通過一個(gè)點(diǎn)集表示一個(gè)圖像中區(qū)域間的邊界，該點(diǎn)集為函數(shù)具有固定值的點(diǎn)集一個(gè)定義在圖像上的被稱為水平集的函數(shù)具有固定值，該函數(shù)定義在圖像上，被稱為水平集函數(shù)。這可以是零水平集。此外，該方法可包括描述隨水平集函數(shù)時(shí)間變化的微分方程。LSM可用作極小化能量泛函的迭代技術(shù)，這樣圖像被優(yōu)化地分割為若干個(gè)區(qū)域。例如，我們可以設(shè)法將一個(gè)圖像分成兩個(gè)區(qū)域，一種用于此目的的方法包括：識別將圖像分成兩個(gè)區(qū)域的曲線，其中曲線或表面的位置和形狀可對應(yīng)于極小化能量泛函的位置和形狀，能量泛函表示對應(yīng)于差值的和的誤差，該差值為在兩個(gè)區(qū)域中的每一個(gè)區(qū)域中的每一個(gè)數(shù)據(jù)點(diǎn)的值分別與每個(gè)區(qū)域中的值的平均值之間的差值。水平集方法通常是根據(jù)微分方程(最初Jacobi-Hamilton類型)用于演化曲線的過程。演化的“驅(qū)動力”或者是本身等值線(例如局部曲率)的內(nèi)在屬性，或者是圖像分割的值，可方便地依賴局部圖像屬性。力的一個(gè)選擇可以是(相反)圖像梯度，例如，在物體邊界演化放緩。這要求圖像梯度的計(jì)算，或者更普遍地，邊緣檢測(該領(lǐng)域中已知的例子，除圖像梯度之外，包括Canny邊緣檢測，Sobel邊緣檢測)。在一些圖像中，例如在MTT圖像中，常常在缺血和正常組織之間，只有一個(gè)模糊的梯度，這使得邊緣檢測效率很低。在一個(gè)實(shí)施例中，為了規(guī)避(Mumford-Shah類型：異質(zhì)性極小化)直接引用邊緣，使能“模糊”邊界的識別(有時(shí)稱為認(rèn)知邊界)，使用變分公式。形態(tài)灰度開運(yùn)算和閉運(yùn)算在現(xiàn)有技術(shù)中是眾所周知的，指的是灰度腐蝕和膨脹的組合。形態(tài)灰度重構(gòu)理解為開重構(gòu)運(yùn)算和閉重構(gòu)運(yùn)算的任何組合。重構(gòu)是在原始圖像中標(biāo)記圖像的連續(xù)(灰度)膨脹或腐蝕。設(shè)h1＝標(biāo)記圖像：或直到穩(wěn)定，hk+1＝hk其中B是結(jié)構(gòu)元素，g是原始圖像。在本發(fā)明的一個(gè)實(shí)施例中，標(biāo)記圖像可以通過灰度腐蝕或灰度膨脹獲得，或者從/向輸入圖像減去或加上一個(gè)常數(shù)。形態(tài)灰度運(yùn)算可以是灰度腐蝕、膨脹、開運(yùn)算、閉運(yùn)算、開重構(gòu)運(yùn)算和閉重構(gòu)運(yùn)算的任何組合。形態(tài)灰度重構(gòu)是有益的，因?yàn)樗?dú)特地截去圖像中的高峰，如具有特別高的數(shù)據(jù)值的像素，而同時(shí)易于保留相關(guān)區(qū)域原始邊界，正如由內(nèi)核大小決定的。形態(tài)灰度重構(gòu)描述在“圖像分析中的形態(tài)灰度重構(gòu)：應(yīng)用軟件及高效算法”，文森特，L，IEEE圖像處理匯刊，第2卷，第2部，第176-201頁，1993年4月，通過引用包含于本文中。達(dá)峰時(shí)間(TTP)圖像在現(xiàn)有技術(shù)中眾所周知，TTP圖像理解為一個(gè)圖像，該圖像中空間分辨參數(shù)對應(yīng)于時(shí)間間隔的長度，該時(shí)間間隔為從開始時(shí)間到一個(gè)對應(yīng)于在給定位置測量的組織濃度曲線的最大值的時(shí)間。平均通過時(shí)間(MTT)圖像在現(xiàn)有技術(shù)中眾所周知，MTT圖像理解為一個(gè)圖像，該圖像中空間分辨參數(shù)對應(yīng)于流體，如血液，通過生物組織的毛細(xì)血管的平均前置時(shí)間。這可以由用動脈輸入函數(shù)去卷積的組織濃度曲線的最大高度與腦血容量的比確定，腦血容量用組織濃度曲線下的面積確定。連通區(qū)域標(biāo)記理解為一種方法，其中為了識別數(shù)據(jù)點(diǎn)與至少一個(gè)其他數(shù)據(jù)點(diǎn)在值和位置方面連通而處理圖像。CCL在參考文獻(xiàn)C算法中描述，第3版，塞奇威克，羅伯特，艾迪生-韋斯利，1998，第11-20頁，通過引用包含于本文中。蒙片理解為一組勾畫圖像中一個(gè)區(qū)域的數(shù)據(jù)點(diǎn)。在當(dāng)前的上下文中，蒙片理解為包括關(guān)于勾畫輪廓的信息，包括蒙片是一組表示一條線的數(shù)據(jù)，這條線本身表示輪廓，或蒙片是一組表示勾畫的區(qū)域的數(shù)據(jù)，或者一組表示包圍區(qū)域的數(shù)據(jù)。進(jìn)一步包括蒙片是描述勾畫邊界或勾畫的區(qū)域或體積的數(shù)學(xué)表達(dá)式。開運(yùn)算、閉運(yùn)算或填充理解為眾所周知的圖像處理方法，例如形態(tài)二值和/或灰度形態(tài)運(yùn)算的各種組合，例如腐蝕和膨脹。正則化理解為對圖像強(qiáng)度強(qiáng)加的罰項(xiàng)，以及隨后基于在圖像強(qiáng)度上強(qiáng)加的罰項(xiàng)的修正。這可產(chǎn)生在圖像強(qiáng)度上的軟約束。種子點(diǎn)理解為包含在損傷內(nèi)的一個(gè)數(shù)據(jù)點(diǎn)。例如，第一圖像中的種子點(diǎn)理解為包含在灌注損傷內(nèi)的一個(gè)數(shù)據(jù)點(diǎn)。例如，第二圖像中的種子點(diǎn)理解為包含在彌散損傷內(nèi)的一個(gè)數(shù)據(jù)點(diǎn)。進(jìn)一步理解為，種子點(diǎn)可以是定義為被包含在損傷中的一個(gè)數(shù)據(jù)點(diǎn)。表觀彌散系數(shù)(ADC)圖像在現(xiàn)有技術(shù)中眾所周知，ADC圖像理解為一個(gè)圖像，在圖像中空間分辨參數(shù)對應(yīng)于一種度量，這種度量量化、表示或涉及分子在它們的微環(huán)境中的機(jī)動性，尤其水分子的動態(tài)移動。ADC圖像強(qiáng)度是絕對標(biāo)度。CSF理解為腦脊液，腦脊液是占據(jù)了大腦中腦室系統(tǒng)和脊髓的液體。動態(tài)磁敏感對比(DSC)MRI(核磁共振成像)在現(xiàn)有技術(shù)中眾所周知，指的是對非彌散、順磁性造影劑的小圓團(tuán)通過大腦的路徑的度量，典型地使用T2/T2*加權(quán)MRI。腦血流量(CBF)在現(xiàn)有技術(shù)中眾所周知，指的是血液輸送到組織的速度。在DSCMRI中，典型地為每個(gè)體積元素(體素)通過去卷積的組織曲線的最大函數(shù)值計(jì)算CBF。腦血量(CBV)在現(xiàn)有技術(shù)中眾所周知，指的是組織區(qū)域中的血液的容積率。在DSCMRI中，CBV通常以造影劑濃度曲線下的面積計(jì)算，且由動脈輸入函數(shù)下的面積規(guī)格化。彌散加權(quán)成像在現(xiàn)有技術(shù)中眾所周知，指的是對分子在它們的微環(huán)境中機(jī)動性的度量。彌散加權(quán)圖像(DWI)在現(xiàn)有技術(shù)中眾所周知，指的是用不同實(shí)驗(yàn)方法的、所謂b因子獲得的圖像，其依賴于應(yīng)用的梯度脈沖振幅和時(shí)序，具有向彌散特性(彌散加權(quán))改變圖像靈敏度的效果。表觀彌散系數(shù)(ADC)在現(xiàn)有技術(shù)中眾所周知，指的是彌散系數(shù)的度量，對照簡單獲得彌散加權(quán)圖像。典型地使用若干具有不同b因子的彌散加權(quán)圖像獲得ADC。MCA理解為源于頸內(nèi)動脈的大腦中動脈，向額骨、顱頂骨和顳葉提供血液供給，通常被稱為MCA區(qū)域。STM理解為根據(jù)預(yù)先確定的閾值，將灰度或RGB圖像轉(zhuǎn)換為二值圖像的圖像處理技術(shù)。結(jié)構(gòu)圖理解為區(qū)別(通過圖像強(qiáng)度)大腦中不同組織成分的圖像，例如白質(zhì)、灰質(zhì)骨骼。體素在現(xiàn)有技術(shù)中眾所周知，可理解為表示給定體積的實(shí)體，例如生物組織內(nèi)的體積。體素可以被指定一個(gè)參數(shù)的值，例如灌注參數(shù)或彌散參數(shù)。一個(gè)或更多個(gè)體素可以構(gòu)成圖像?！八惴ā北焕斫鉃閷?yīng)于“方法”，并因此與“方法”可以互換使用。可以進(jìn)一步理解，算法可以在計(jì)算機(jī)程序產(chǎn)品中實(shí)現(xiàn)，例如適合實(shí)現(xiàn)一種特別的方法的程序。在本發(fā)明的一個(gè)實(shí)施例中，提供了一種方法，該方法進(jìn)一步包括在從圖像組中選擇的任何一個(gè)圖像上應(yīng)用連通區(qū)域標(biāo)記，該圖像組包括第一圖像和第二圖像。使用CCL的優(yōu)勢可在于相比于例如閾值轉(zhuǎn)換對噪聲更不敏感。STM不限制在某個(gè)體素群集中根據(jù)種子點(diǎn)的搜索，但認(rèn)為所有超過某個(gè)閾值的體素是損傷體素，不管它們的解剖學(xué)位置或關(guān)于它們的實(shí)際損傷位置的鄰近位置。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，其中該方法進(jìn)一步包括在從圖像組中選擇的任何一個(gè)圖像上應(yīng)用形態(tài)二值重構(gòu)，該圖像組包括第一圖像和第二圖像。形態(tài)二值重構(gòu)可適用于確定哪些體素被連接到種子點(diǎn)。使用形態(tài)重構(gòu)的優(yōu)勢可在于相比于例如閾值轉(zhuǎn)換對噪聲更不敏感。STM不限制在某個(gè)像素群集中根據(jù)種子點(diǎn)的搜索，但認(rèn)為所有超過某個(gè)閾值的體素是損傷體素，不管它們的解剖學(xué)位置或關(guān)于它們的實(shí)際損傷位置的鄰近位置。形態(tài)重構(gòu)的另一個(gè)可的優(yōu)勢是它是快速的?！靶螒B(tài)二值重構(gòu)”理解為涉及兩個(gè)圖像和一個(gè)結(jié)構(gòu)元素的形態(tài)轉(zhuǎn)換。一個(gè)圖像(標(biāo)記)是轉(zhuǎn)換的起點(diǎn)，另一個(gè)圖像(蒙片)，限制轉(zhuǎn)換。使用的結(jié)構(gòu)元素定義連通性。為提取連接部件目的的形態(tài)二值重構(gòu)，在參考文獻(xiàn)“圖像分析中的形態(tài)灰度重構(gòu)：應(yīng)用程序和高效算法”中進(jìn)一步描述，文森特，L.，IEEE圖像處理匯刊，1993.2(2)：第176-201頁，完整地通過引用包含于本文中。在本發(fā)明的一個(gè)實(shí)施例中，提供了一種方法，其中第二圖像處理方法進(jìn)一步包括接收由第一圖像處理方法確定的參數(shù)，且其中識別第二區(qū)域的步驟基于該參數(shù)。這可在用于某些圖像形態(tài)的自動分割算法上是有益的，例如MTT；DWI可以方便地把一個(gè)參數(shù)當(dāng)作輸入，該參數(shù)從另一個(gè)圖像形態(tài)的分析中獲得，例如TTP圖像。參數(shù)可以是感興趣的區(qū)域或蒙片。接收這樣的參數(shù)對于減少運(yùn)行算法需要的時(shí)間和避免假陽性損傷是有益的。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，其中第一圖像處理方法包括：-在初級第一圖像上識別初級蒙片；-基于次級第一圖像和初級蒙片，在所述第一圖像上識別第一區(qū)域，作為次級第一圖像上的一個(gè)區(qū)域；其中所述初級第一圖像沒有對于動脈輸入函數(shù)被修正，而所述次級第一圖像對于動脈輸入函數(shù)被修正。然而，在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，其中步驟：-在所述初級第一圖像上識別初級蒙片；包括在所述初級第一圖像上應(yīng)用水平集方法。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，其中第一圖像處理方法包括在初級第一圖像上識別初級蒙片，且其中在第一圖像上識別第一區(qū)域的步驟，把次級第一圖像和初級蒙片作為輸入，其中初級和次級第一圖像是不相似的，次級第一圖像已基于動脈輸入函數(shù)被處理過?？梢岳斫?，初級的第一圖像可以是未對動脈輸入函數(shù)修正的第一圖像，而次級第一圖像可以是對動脈輸入函數(shù)修正的第一圖像。這樣做的一個(gè)優(yōu)勢在于它有助于分割過程中的步驟的快速收斂，例如水平集迭代。另一個(gè)優(yōu)勢可在于極小化噪聲的影響，這種影響典型地在次級第一圖像中，比在初級第一圖像中更明顯。在特定的實(shí)施例中，初級第一圖像是TTP圖像。在特定的實(shí)施例中，次級第一圖像是MTT圖像。TTP損傷可以被認(rèn)為灌注損傷的合理的最初估算，在這個(gè)“第一次猜測”時(shí)，尋找非正常MTT代表的損傷應(yīng)因此被啟動。非知情的MTT算法初始化可造成輪廓被吸引到遠(yuǎn)離感興趣區(qū)域的人工高信號區(qū)域的風(fēng)險(xiǎn)。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，其中第一圖像處理方法進(jìn)一步包括應(yīng)用灰度形態(tài)運(yùn)算。應(yīng)用灰度形態(tài)運(yùn)算的優(yōu)勢可在于圖像中的噪聲可被降低，而損傷邊緣可被保留。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，其中第二圖像處理方法進(jìn)一步包括應(yīng)用水平集方法。ADC損傷和DWI損傷不必在空間上匹配，因此使用水平集方法調(diào)整DWI損傷邊界是有益的。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，其中第一圖像處理方法的水平集方法是Mumford-Shah分割的水平集實(shí)現(xiàn)。這個(gè)實(shí)施例可以自適應(yīng)地將一個(gè)圖像分割成兩個(gè)具有不同平均圖像強(qiáng)度，例如參數(shù)的值的區(qū)域，這樣在每個(gè)區(qū)域中的這些值，從緊緊圍繞各自的平均值變化的意義上來說是(最佳)同質(zhì)的。因此Mumford-Shah分割包括異質(zhì)性減到最小程度。在另一種實(shí)施例中，曲率罰項(xiàng)確保邊界是平滑曲線。這個(gè)實(shí)施例的優(yōu)勢在于它符合損傷體積的專家輪廓。上面提出的問題，例如，將圖像分割成兩個(gè)具有不同平均圖像強(qiáng)度，例如參數(shù)的值的區(qū)域的問題，這樣在每個(gè)區(qū)域中的這些值，從緊緊圍繞各自的平均值變化的意義上來說是(最佳)同質(zhì)的，可與成本函數(shù)(或能量)極小化有關(guān)，該成本函數(shù)由兩個(gè)區(qū)域中覆蓋所有可輪廓的強(qiáng)度均勻度的總和具體表達(dá)。這實(shí)際上是一個(gè)變分法的問題，正如已經(jīng)指出可以通過根據(jù)水平集函數(shù)重新計(jì)算該問題和計(jì)算相關(guān)的Euler-Lagrange方程，有效的迭代解法可以用公式表示。在特別的實(shí)施例中，提供了一種方法，其中第一圖像處理方法的水平集方法是Chan-Vese模型的實(shí)現(xiàn)。Chan-Vese模型在現(xiàn)有技術(shù)中眾所周知，且可被看作Mumford-Shah模型水平集實(shí)現(xiàn)的一種簡化，其中分段常數(shù)函數(shù)是估計(jì)的。人工延長平均通過時(shí)間的區(qū)域，例如腦室，是全自動勾畫MTT損傷的一個(gè)挑戰(zhàn)。在另一個(gè)實(shí)施例中，在沒有額外的以用戶介入或速度的形式成本的情況下，并發(fā)DWI圖像可以被用來作為方便的排除CSF體素的方法。作為一種選擇，腦室可以在最初的、原始的T2加權(quán)DSC圖像上被識別，或者通過使用CBV標(biāo)準(zhǔn)被識別。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，該方法進(jìn)一步包括在從第一圖像和第二圖像選擇的任何一個(gè)圖像上應(yīng)用二值形態(tài)運(yùn)算。二值形態(tài)運(yùn)算在現(xiàn)有技術(shù)中是眾所周知的。應(yīng)用二值形態(tài)運(yùn)算的一個(gè)優(yōu)勢可在于，在第一圖像上識別第一區(qū)域的步驟，和/或在第二圖像上識別第二區(qū)域的步驟可以改善，例如執(zhí)行更快，例如導(dǎo)致關(guān)于第一和/或第二區(qū)域的專家識別量化更好的結(jié)果。然而，在另一個(gè)實(shí)施例中，該方法進(jìn)一步包括應(yīng)用二值形態(tài)重構(gòu)。二值形態(tài)重構(gòu)在現(xiàn)有技術(shù)中是眾所周知的。二值形態(tài)運(yùn)算的實(shí)例可以包括：填充損傷內(nèi)由信號脫離引起的“小孔”，刪除顯示與損傷連通的小偽影，以及平滑損傷邊界，例如形態(tài)開運(yùn)算和閉運(yùn)算。為了調(diào)解邊界不規(guī)則和/或減小假陽性損傷的數(shù)量，應(yīng)用二值形態(tài)運(yùn)算可以是有益的。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，其中二值形態(tài)運(yùn)算包括從開運(yùn)算、閉運(yùn)算、填充中選擇的任何一項(xiàng)圖像處理技術(shù)。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，該方法進(jìn)一步包括在從第一圖像和第二圖像組成的組中選擇的任何一個(gè)圖像上識別種子點(diǎn)。優(yōu)勢是通過結(jié)合CCL與確定種子點(diǎn)，例如通過自動或人工確定，使得圖像分割能夠不包括假陽性對象。通過在CCL中實(shí)施來自區(qū)域增長的種子點(diǎn)特征，獲得一種快速和更低噪聲的TTP損傷分割。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，其中識別種子點(diǎn)的步驟包括在圖像中識別主要點(diǎn)，主要點(diǎn)對應(yīng)圖像中的一個(gè)點(diǎn)，該點(diǎn)關(guān)于圖像中的其他點(diǎn)具有更高或更低的數(shù)據(jù)值。這個(gè)實(shí)施例的優(yōu)勢在于它使種子點(diǎn)自動確定成為可能。在本發(fā)明的另一個(gè)實(shí)施例中，提供了一種方法，其中識別種子點(diǎn)的步驟包括損傷側(cè)性的檢測，例如損傷側(cè)性的檢測包括：在單成像形態(tài)中為每個(gè)半球確定平均體素值；例如損傷側(cè)性的檢測包括：從多個(gè)不同成像形態(tài)中為每個(gè)半球提取一個(gè)或更多個(gè)特征；例如不同形態(tài)是TTP圖像和ADC圖像。種子點(diǎn)可被限制在損傷側(cè)性中。在另一個(gè)特別的實(shí)施例中，提供一種方法，其中識別種子點(diǎn)的步驟包括損傷側(cè)性的檢測，其中損傷側(cè)性的確定包括：基于第一成像形態(tài)為每個(gè)半球確定第一特征的步驟，和基于第二成像形態(tài)為每個(gè)半球確定第二特征的步驟；第二成像形態(tài)不同于第一成像形態(tài)。在另一個(gè)特別的實(shí)施例中，損傷側(cè)性可以基于一個(gè)或更多個(gè)特征被確定，例如在過濾后的TTP圖上任何一個(gè)半球上提取的特征，例如特征：1)左和右半球的平均強(qiáng)度值；2)在TTP圖上最大強(qiáng)度體素的側(cè)性；以及3)具有強(qiáng)度<600*10-6mm2/sec的ADC體素的數(shù)量。對于每一個(gè)特征，“獲勝的”半球被指定值1，最終具有至少兩個(gè)正數(shù)結(jié)果的半球可以被認(rèn)為是同側(cè)半球。從多個(gè)不同成像形態(tài)中為每個(gè)半球確定一個(gè)或更多個(gè)特征的優(yōu)勢，可在于損傷側(cè)性的確定因而以更高的確定性完成，例如選擇錯(cuò)誤半球的風(fēng)險(xiǎn)更低。因此，當(dāng)限定種子點(diǎn)在確定的半球內(nèi)，種子點(diǎn)在正確的半球內(nèi)的確定性更大，例如具有更小的選擇錯(cuò)誤半球的風(fēng)險(xiǎn)。根據(jù)本發(fā)明的第二個(gè)方面，本發(fā)明進(jìn)一步涉及一個(gè)系統(tǒng)，該系統(tǒng)估算受測對象的半暗帶的半暗帶尺寸的度量，該系統(tǒng)包括：—用于接收第一圖像的輸入，第一圖像包括表示空間分辨灌注參數(shù)的數(shù)據(jù)；—用于接收第二圖像的輸入，第二圖像包括表示空間分辨彌散參數(shù)的數(shù)據(jù)；—圖像處理單元設(shè)置為在第一圖像上識別第一區(qū)域，第一區(qū)域?qū)?yīng)于灌注損傷；—圖像處理單元設(shè)置為在第二圖像上識別第二區(qū)域，第二區(qū)域?qū)?yīng)于彌散損傷；—處理器設(shè)置為估算半暗帶尺寸的度量，作為第一區(qū)域和第三區(qū)域之間的區(qū)別，第三區(qū)域是包含在第一區(qū)域和第二區(qū)域兩個(gè)區(qū)域中的一個(gè)區(qū)域；其中該方法進(jìn)一步包括：—圖像處理單元設(shè)置為在灌注加權(quán)圖像上應(yīng)用第一圖像處理方法，第一圖像處理方法包括水平集方法；—圖像處理單元設(shè)置為在彌散加權(quán)圖像上應(yīng)用第二圖像處理方法，第二圖像處理方法包括灰度形態(tài)運(yùn)算。在另一個(gè)實(shí)施例中，提供一個(gè)系統(tǒng)，該系統(tǒng)估算受測對象的半暗帶的半暗帶尺寸的度量，該系統(tǒng)包括成像單元，例如核磁共振掃描器。根據(jù)本發(fā)明的第三個(gè)方面，本發(fā)明進(jìn)一步涉及計(jì)算機(jī)程序產(chǎn)品，該計(jì)算機(jī)程序產(chǎn)品能夠?qū)崿F(xiàn)根據(jù)第一方面的方法。通過使用計(jì)算機(jī)程序產(chǎn)品，所述方法可以在最少的或無用戶介入情況下，又快又可靠地實(shí)施。根據(jù)本發(fā)明的第四個(gè)方面，本發(fā)明進(jìn)一步涉及根據(jù)第一方面的方法的使用，所述方法用于估算生物組織中的半暗帶的半暗帶尺寸的度量，其中生物組織是腦組織。本發(fā)明的第一、第二、第三和第四方面的每一個(gè)可以與其他方面中的任何一個(gè)組合。本發(fā)明的這些和其他方面可從通過以下相關(guān)具體實(shí)施例的闡明而顯而易見。附圖說明現(xiàn)在結(jié)合附圖，更詳細(xì)地描述根據(jù)本發(fā)明的計(jì)算機(jī)輔助勾畫組織損傷的方法。附圖示出實(shí)現(xiàn)本發(fā)明的一種方式，不應(yīng)將其理解為對權(quán)利要求的范圍內(nèi)的其他可能的實(shí)施方式限制。圖1顯示了根據(jù)本發(fā)明的一個(gè)實(shí)施例的流程圖；圖2顯示了最佳閾值時(shí)根據(jù)例1的算法、STM和人工勾畫輪廓的體積對比；圖3顯示了TTP>4秒時(shí)根據(jù)例1的算法與專家相比(斯皮爾曼相關(guān)R2＝0.87)低估損傷體積；圖4顯示了根據(jù)例1的算法與STM的Dice系數(shù)的箱形圖；圖5顯示了通過根據(jù)例1的算法和STM產(chǎn)生的分割的實(shí)例；圖6：以若干迭代獲得的估算的損傷邊界的實(shí)例；圖7比較了水平集損傷體積與專家損傷體積；圖8：由根據(jù)例2的算法估算的損傷邊界的實(shí)例，以及對于六個(gè)具有典型損傷的患者的專家間一致性；圖9顯示了四個(gè)專家共識區(qū)域與水平集算法之間的一致性；圖10顯示了四個(gè)專家共識區(qū)域與閾值轉(zhuǎn)換之間的一致性；圖11顯示DWI圖的預(yù)處理；圖12顯示DWI閾值的確定；圖13：通過不同方法估算的DWI損傷的體積比較；圖14：通過不同方法估算的半暗帶的體積比較；圖15：分類性能；圖16：通過不同方法勾畫的DWI損傷輪廓的實(shí)例；圖17：通過不同方法勾畫的半暗帶輪廓的實(shí)例；圖18：TTP損傷的體積比較；圖19：Dice系數(shù)的箱形圖；圖20：分割實(shí)例；圖21：初始蒙片到包圍DWI損傷的最終蒙片的演化；圖22：DWI損傷的體積比較；圖23：半暗帶的體積比較；圖24：分類性能；圖25：半暗帶實(shí)例；圖26：TTP損傷分割中的步驟的示意圖；圖27：TTP損傷的體積比較；圖28：Dice系數(shù)的箱形圖；圖29：通過APS自動生成的TTP損傷蒙片的實(shí)例；圖30：DWI損傷分割算法中步驟的示意圖；圖31：通過自動方法和人工勾畫輪廓估算的DWI損傷的體積比較；圖32：通過自動方法和人工勾畫輪廓估算的半暗帶的體積比較；圖33：總結(jié)半暗帶分類的性能度量。具體實(shí)施方式圖1顯示了根據(jù)本發(fā)明的一個(gè)實(shí)施例的方法的流程圖。圖1顯示了接收輸入100的步驟，例如從圖形用戶界面(GUI)接收輸入，向控制該過程的處理器提供輸入。圖形用戶界面可以是主圖形用戶，它控制分割過程，例如第一圖像和第二圖像和/或它們的子類型的分割，它包括與損傷體積相關(guān)的、由分割過程返回的數(shù)據(jù)。由于輸入100，一個(gè)或更多個(gè)分割過程(例如TTP、MTT、DWI和FU類型的圖像的分割)可單獨(dú)啟動，如虛線箭頭102所示，或者順序啟動(例如以時(shí)間順序TTP、MTT和DWI)，如箭頭101、103、104所示。在圖1中，每一列中的步驟表示為某個(gè)圖像類型執(zhí)行的步驟。箭頭103、104表明用于一種圖像類型的方法步驟中獲得的數(shù)據(jù)，可以用作用于另一個(gè)圖像類型的方法步驟的輸入。對于TTP圖像，方法步驟包括確定112種子點(diǎn)，應(yīng)用114連通區(qū)域標(biāo)記和水平集方法用于產(chǎn)生TTP圖像上的蒙片。所述方法也包括由用戶的調(diào)整116，例如通過GUI，和在先步驟112、114、116中獲得的體積發(fā)送118給處理器。對于MTT圖像，方法步驟包括在TTP圖像中確定122種子點(diǎn)，在TTP圖像上的應(yīng)用124種子點(diǎn)確定和連通區(qū)域標(biāo)記以及水平集方法，用以產(chǎn)生TTP圖像上的蒙片。TTP蒙片于是用作在MTT圖像上應(yīng)用125實(shí)現(xiàn)水平集方法的算法的輸入。該方法也包括由用戶調(diào)整126，例如通過GUI，和在先步驟122、124、125、126中獲得的統(tǒng)計(jì)數(shù)據(jù)發(fā)送128給處理器。對于DWI圖像，方法步驟包括應(yīng)用133規(guī)則化和灰度形態(tài)運(yùn)算；在TTP圖像上應(yīng)用134種子點(diǎn)確定和連通區(qū)域標(biāo)記以及水平集方法，以生成TTP蒙片；確定135DWI閾值；應(yīng)用137連通區(qū)域標(biāo)記以獲得DWI蒙片。所述方法也包括由用戶調(diào)整136，例如通過GUI；和在先步驟133、134、135、137、136中獲得的統(tǒng)計(jì)數(shù)據(jù)發(fā)送138給處理器。如以上描述的，每個(gè)圖像類型可以單獨(dú)地被分析，然而，為了估算生物組織中半暗帶的半暗帶尺寸的度量，有益的是：循序地分析圖像，并使用從一個(gè)圖像類型獲得的統(tǒng)計(jì)數(shù)據(jù)，例如蒙片作為另一個(gè)圖像類型分析的輸入，例如如箭頭103所示，與TTP蒙片相關(guān)的統(tǒng)計(jì)數(shù)據(jù)，以及用戶的調(diào)整被提供給在MTT圖像上應(yīng)用水平集方法的步驟作為輸入。根據(jù)這個(gè)實(shí)施例的方法還具有特征：獲得后續(xù)蒙片的步驟，例如卒中后相對長的時(shí)間段獲得的圖像上的蒙片，例如3個(gè)月，其表示永久的梗塞。這包括步驟：在結(jié)構(gòu)圖中應(yīng)用143規(guī)則化和灰度形態(tài)運(yùn)算；在TTP圖像上應(yīng)用144CCL和水平集方法；使用TTP蒙片以確定145結(jié)構(gòu)圖中的閾值；在結(jié)構(gòu)圖上應(yīng)用147連通區(qū)域標(biāo)記。所述方法也包括由用戶調(diào)整146，例如通過GUI，和在先步驟143、144、145、147、146中獲得的統(tǒng)計(jì)數(shù)據(jù)發(fā)送148給處理器。實(shí)例例1-包括TTP數(shù)據(jù)的圖像的分割材料與方法形態(tài)灰度重構(gòu)在灌注損傷內(nèi)尋找一個(gè)體素，所謂種子點(diǎn)，用眼睛容易識別；然而搜索圖像強(qiáng)度的最大值經(jīng)常導(dǎo)致假陽性種子點(diǎn)，例如對應(yīng)于無關(guān)區(qū)域的圖像區(qū)域中的高強(qiáng)度點(diǎn)，例如眼睛、腦脊液(CSF)、大腦外強(qiáng)度等。為自動檢測種子點(diǎn)，我們使用形態(tài)灰度重構(gòu)，以截去小刺突，同時(shí)保留TTP損傷的邊緣，并均質(zhì)化TTP圖像的背景。與常規(guī)平滑相比，例如使用高斯核，形態(tài)灰度重構(gòu)對刺突敏感度更低，由于這個(gè)原因更適合于種子點(diǎn)檢測。在當(dāng)前的上下文中，刺突理解為與損傷相比相對較小的區(qū)域，且刺突包括具有極端值的數(shù)據(jù)點(diǎn)，例如極端值不同于圖像中相同方向的平均值，例如極性，作為損傷的數(shù)據(jù)點(diǎn)。換句話說，如果損傷包括亮像素，刺突可被看作亮像素的小區(qū)域。連通區(qū)域標(biāo)記連通區(qū)域標(biāo)記(CCL)算法檢測圖像，以尋找像素群集，其中每個(gè)群集中的像素被連接到給定的連通路徑。在一個(gè)典型的實(shí)施例中，CCL算法包括四步：為簡單起見，考慮具有4-連通搜索路徑的二值圖像。步驟1：該算法從左到右遍歷所有像素；步驟2：當(dāng)它到達(dá)一個(gè)強(qiáng)度＝1的像素(p)時(shí)，它檢查已經(jīng)遇到的鄰近的像素(對于4-連通性[-1，0；0，1])：i)如果兩個(gè)鄰近的像素＝0，給p一個(gè)新的標(biāo)記；ii)如果鄰近的像素中的一個(gè)＝1，指定那個(gè)標(biāo)記給p；iii)如果兩個(gè)鄰近的像素＝1，指定其中的一種標(biāo)記給p，且記錄幾個(gè)像素等值；步驟3：等值對在等值群集中排序；步驟4：CCL算法遍歷所有指定新標(biāo)號的像素。在這項(xiàng)研究中，我們在三維中執(zhí)行CCL，且使用6-連通路徑。根據(jù)例1的算法自動生成的CSF蒙片刪除DWI圖中的腦室，CSF蒙片通過使用群集分析獲得。k-均值群集的輸入圖像，是由結(jié)構(gòu)圖(T2-加權(quán))和由彌散加權(quán)成像(表觀彌散系數(shù)，ADC)獲得的圖像組合的圖像。向PWI圖共同注冊MNI(蒙特利爾神經(jīng)學(xué)研究所)模板，自動生成左和右半球蒙片。非腦組織(例如眼睛、骨骼、空氣等)和靜脈(橫竇和乙狀竇)在PWI體積中的劣質(zhì)切片中，對噪聲成分有貢獻(xiàn)，并增大假陽性率。因此，我們通過分析每一切片中的強(qiáng)度變化，刪除劣質(zhì)切片。TTP圖通過用于損傷側(cè)性和種子點(diǎn)自動檢測的形態(tài)灰度重構(gòu)過濾。通過在過濾的TTP圖上估算任何一個(gè)半球上的平均強(qiáng)度，確定TTP損傷的側(cè)性。種子點(diǎn)定義為在過濾的TTP圖中具有最高強(qiáng)度的體素。未過濾的TTP圖的值，在對側(cè)的半球中關(guān)于平均TTP延時(shí)規(guī)格化。對側(cè)半球，是未受到影響的一側(cè)，具有“正?！边_(dá)峰時(shí)間。同側(cè)TTP圖設(shè)置閾值>4秒，且連通區(qū)域通過CCL算法找到。連通區(qū)域，包含種子點(diǎn)，被認(rèn)為是TTP損傷。最后，小的對象(<5mL)從損傷蒙片中刪除，小孔被填充且損傷邊界被平滑。根據(jù)例1的TTP分割算法，在R2010a中，由實(shí)現(xiàn)，但本領(lǐng)域技術(shù)人員可以理解根據(jù)例1的分割算法也可以用其他編程語言實(shí)現(xiàn)?？梢岳斫?，根據(jù)例1的算法可以用相應(yīng)的方法代替?；颊吆蛨D像獲取這項(xiàng)研究包括119名患者(♀＝49)，且他們準(zhǔn)許進(jìn)入四個(gè)不同國家(英國、法國、德國、西班牙和丹麥)的醫(yī)院。這些醫(yī)院是I-KNOW聯(lián)盟的成員?；颊叩闹兄的挲g是71歲，從癥狀出現(xiàn)到最初的MRI掃描的中值時(shí)間是148分鐘(附錄1中的表I)。表I描述了淤血患者特征，范圍表示第一和第三四分位數(shù)。急性TTP損傷中值是107mL，國家衛(wèi)生研究院的卒中尺度(NIHSS)中值是11。I-KNOW協(xié)議定義了七個(gè)卒中子類，其中心源性腦梗塞是主要的卒中子類，隨后是帶有明顯頸動脈狹窄的大血管疾病和未確定的子類。標(biāo)準(zhǔn)動態(tài)磁敏感對比MRI在不同型號的掃描器上完成(GESignaExcite1.5、GESignaExcite3、GESignaHDx1.5、SiemensTrioTim3、SiemensAvanto1.5、SiemensSonata1.5、PhilipsGyroscanNT1.5以及PhilipsIntera1.5)。根據(jù)例1的算法與人工勾畫TTP損傷輪廓的比較具有豐富的臨床工作經(jīng)驗(yàn)的神經(jīng)系放射學(xué)家，使用內(nèi)部開發(fā)的軟件半自動勾畫TTP損傷輪廓。軟件使用標(biāo)準(zhǔn)閾值轉(zhuǎn)換方法，其大致確定TTP損傷，隨后神經(jīng)系放射學(xué)家可以人工調(diào)整損傷的邊界，神經(jīng)系放射學(xué)家看不到任何強(qiáng)度數(shù)值范圍和其他腦圖。我們進(jìn)行優(yōu)化試驗(yàn)，通過極小化整個(gè)數(shù)據(jù)集的平方誤差的總和，為當(dāng)前的神經(jīng)系放射學(xué)家估算最佳TTP閾值。最后，TTP損傷>4秒也使用標(biāo)準(zhǔn)閾值方法STM估算。為量化根據(jù)例1的算法/STM和人工勾畫的損傷之間的幾何和體積相似度，我們使用Dice系數(shù)，Dice系數(shù)是0和1之間的比值，1值表示完全重疊，0值表示無重疊。敏感性和特異性在同側(cè)半球中確定。結(jié)果體積比較根據(jù)例1的算法的最佳性能，在TTP>2.8秒時(shí)獲得。人工勾畫輪廓與根據(jù)例1方法的算法獲得的TTP損傷體積之間的斯皮爾曼相關(guān)系數(shù)是R2＝0.89，參見圖2A。圖2顯示了在最佳閾值時(shí)，依據(jù)例1的算法、STM和人工勾畫輪廓的體積對比；圖2A：當(dāng)前神經(jīng)系放射學(xué)家的最佳閾值估計(jì)為>2.8秒(R2＝0.89)。圖2A顯示了根據(jù)例1的算法的數(shù)據(jù)，第一個(gè)軸表示人工確定的蒙片體積[mL]，而第二個(gè)軸表示通過根據(jù)例1的算法確定的損傷體積[mL]。圖2B：與人工勾畫輪廓相比，STM高估TTP損傷(R2＝0.7)。圖2B顯示了STM方法的數(shù)據(jù)，第一個(gè)軸表示人工確定的蒙片體積[mL]，而第二個(gè)軸表示通過STM方法確定的損傷體積[mL]。圖2C：人工方法與根據(jù)例1的算法相比的Bland-Altman圖以及圖2D：人工方法與STM相比的Bland-Altman圖。實(shí)線表示兩個(gè)比較的方法之間的平均值，而虛線表示平均差±2標(biāo)準(zhǔn)差(SD)。第一個(gè)軸表示平均損傷體積[mL]，第二個(gè)軸表示人工確定的體積和根據(jù)例1的算法和STM方法確定的體積之間的差值[mL]，分別在圖2C和圖2D中。在最佳TTP閾值轉(zhuǎn)換，人工勾畫輪廓與根據(jù)例1的算法之間的平均差為1.6mL(±2SD：74.5mL)，參見圖2C。在TTP>4秒時(shí)，與人工勾畫輪廓相比，根據(jù)例1的算法略微低估損傷體積。在TTP>4秒時(shí)，使用人工和根據(jù)例1的算法獲得的TTP損傷體積之間的相關(guān)是R2＝0.87，且在TTP>4秒時(shí)人工勾畫輪廓和根據(jù)例1的算法之間的平均差是35.3mL(±2SD：76.1mL)，參見圖3。圖3顯示了TTP>4秒時(shí)根據(jù)例1的算法與專家相比(斯皮爾曼相關(guān)R2＝0.87)低估損傷體積。STM在TTP>2.8秒時(shí)，與人工勾畫輪廓相比，高估了TTP損傷體積，參見圖2B。人工勾畫輪廓與STM之間的平均差為-47.5mL(±2SD：115mL)，參見圖2D，且相關(guān)是R2＝0.70。圖5顯示了通過根據(jù)例1的算法和STM產(chǎn)生的分割的實(shí)例。在上面的行中TTP圖像和隨后行中表明：a)人工蒙片；b)根據(jù)例1的算法獲得的蒙片；以及c)在TTP圖上覆蓋STM獲得的蒙片(白色)。兩個(gè)非人工圖在TTP>2.8秒時(shí)獲得。通常，與閾值轉(zhuǎn)換方法相比，根據(jù)例1的算法估算邊界為平滑曲線。此外，根據(jù)例1的算法能夠很大程度避免假陽性損傷(圖5)。分類性能在最佳TTP閾值，根據(jù)例1的算法的中值靈敏度(中值：80％和25th-75th四分位數(shù)：64-88％)沒有顯著(p＝0.22)高于STM的中值靈敏度(中值：74％和25th-75th四分位數(shù)：57-83)，然而，根據(jù)例1的算法和STM(p<0.001)的特異性之間存在明顯差異。對于根據(jù)例1的算法的中值特異性是95％(25th-75th四分位數(shù):92-98％)和STM的中值特異性是91％(25th-75th四分位數(shù)：88-95％)，參見附錄1中的表II。表II描述了在最佳TTP閾值時(shí)，根據(jù)例1的算法和STM的靈敏度和特異性，用百分比表示。括號中給出了第一和第三四分位數(shù)，另外也給出了秩和檢驗(yàn)的統(tǒng)計(jì)數(shù)據(jù)。此外，Dice系數(shù)分析表明由根據(jù)例1的算法產(chǎn)生的蒙片(中值Dice系數(shù)：0.73)，與通過STM生成的蒙片(中值Dice系數(shù)：0.57)相比，具有明顯(p<0.001)更高的與人工勾畫的TTP損傷蒙片相似度，參見圖4。圖4顯示了根據(jù)例1的算法與STM的Dice系數(shù)的箱形圖。例2-類型MTT數(shù)據(jù)的圖像的分割材料和方法水平集這個(gè)方法從假設(shè)中出現(xiàn)，該假設(shè)為平均MTT值，Mhypo，在低灌注的區(qū)域中，比比正常MTT值的平均值Mnorm更高。在低灌注的區(qū)域中，MTT值在Mhypo附近變化，而在正常的組織中，它們接近Mnorm。這對應(yīng)于圖像MTT值之間低平方誤差，MTT(x,y)，和各自的平均值。識別損傷，例如缺血性損傷，于是可以被表述為尋找一條平滑、封閉曲線C，其極小化總變差(等式(1))E＝∫InsideC(MTT(x,y)-Mhypo)2dxdy+∫OutsideC(MTT(x,y)-Mnorm)2dxdy由于缺血區(qū)域不一定是連在一起的，例如在閉塞引起分水嶺區(qū)的損傷的情況下，C可以表示多條曲線是很重要的。這可以通過隱式定義C為一個(gè)函數(shù)φ的零水平集來保證，其給平面中的每一個(gè)點(diǎn)指定一個(gè)值，C＝{φ(x,y)＝0}。該函數(shù)φ被稱為水平集函數(shù)。如果我們假設(shè)H(z)表示Heaviside函數(shù)，除了z≥0時(shí)該函數(shù)為零，且它的導(dǎo)函數(shù)δ(z)＝dH(z)/dz，那么(1)可以寫成(等式(2))最后一項(xiàng)測量輪廓的長度，實(shí)際上控制平滑度。我們也可以引入?yún)?shù)λ1和λ2，控制兩個(gè)誤差項(xiàng)的權(quán)重?？梢员砻鱁可以通過迭代求解微分方程極小化(等式(3))因此，通過演化根據(jù)等式(3)的最初的輪廓，我們得到將MTT圖像分成兩個(gè)同質(zhì)區(qū)域的平滑邊界。Mhypo和Mnorm的值，在每次迭代中作為輪廓內(nèi)和輪廓外的平均值，被自適應(yīng)地估算。根據(jù)例2的算法為極小化個(gè)體之間在總體圖像強(qiáng)度上的變化，在應(yīng)用水平集過程之前，圖像必須被標(biāo)準(zhǔn)化。在這個(gè)方法中，我們勾畫了一個(gè)小的對側(cè)的正常顯示白質(zhì)的區(qū)域，減去相應(yīng)的所有體素的平均MTT值。為了避免假的腦室的輪廓(一些后處理算法生成具有對應(yīng)于CSF體素的長MTT的區(qū)域)，基于獲得的DWI作為卒中協(xié)議的部分，假的腦室的輪廓被自動分割。遵循PWI和DWI圖像的線性配準(zhǔn)，腦室體素通過它們的表觀彌散系數(shù)(ADC)被識別，這樣具有超過系數(shù)為ADCV＝2.9的平均正常白質(zhì)ADC的ADC值的體素，在規(guī)格化的MTT圖像中設(shè)置為0。用于根據(jù)例2的水平集算法的最初損傷估計(jì)，定義為具有小于ADCV的相對ADC和超過1.2的相對MTT的區(qū)域。最初評估之后，等式(3-4)中的加權(quán)參數(shù)固定為λ1＝1.0，λ2＝1.25和α＝0.5。這對應(yīng)于與損傷中相比，對于正常組織中MTT異質(zhì)性稍高罰項(xiàng)。靈敏度在加權(quán)參數(shù)中的變化描述如下(也參見圖6)。圖6顯示了估算的損傷邊界的實(shí)例，所述估算的損傷邊界在按照等式(3)的演化過程中，對于平滑參數(shù)α和異質(zhì)性罰項(xiàng)λ2不同值，在若干迭代次數(shù)下獲得的。首行顯示了隨用于這項(xiàng)研究的參數(shù)的演化。在初始化時(shí)，規(guī)格化的MTT圖像是經(jīng)過閾值轉(zhuǎn)換的，在主損傷內(nèi)產(chǎn)生小孔，并識別出許多小的“假的”損傷。使用該研究參數(shù)，這些在10次迭代和100次迭代后解決，輪廓與損傷接近得很好。600次迭代后僅觀察到較小的輪廓變化，這表明了收斂性。應(yīng)用較低的平滑度(α＝0.2)，估算的輪廓對于圖像中沿?fù)p傷邊界的不規(guī)則更敏感，然而邊界長度(α＝0.8)的進(jìn)一步限制導(dǎo)致更多的圓形輪廓。減小λ2在非損傷體素中允許更大的異質(zhì)性，一些高強(qiáng)度體素可因此被包含在這個(gè)組中，導(dǎo)致更小的損傷估算(λ2＝1.00)。相反地，高的值(λ2＝1.50)導(dǎo)致更大和更多異質(zhì)的損傷估算。在每一切片中完成總數(shù)為600次的迭代。所有算法由在R2007a中實(shí)現(xiàn)。等式(3)的實(shí)現(xiàn)改編自www.shawnlankton.com/2007/05/active-contours/。詳細(xì)資料可以在參考文獻(xiàn)中找到。參考文獻(xiàn)“無邊緣的活動輪廓”，ChanTF，VeseLA著，IEEE圖像處理匯刊，第10卷，第2期，第266-277頁，2001，在此被包含引用?？梢岳斫猓鶕?jù)例2的算法可以用相應(yīng)的方法代替?；颊吆蛨D像獲取我們包括14個(gè)表現(xiàn)急性缺血卒中癥狀的患者(NIHSS12.5±5.64)。標(biāo)準(zhǔn)動態(tài)敏感性對比MRI，在發(fā)病3小時(shí)內(nèi)完成，使用一臺3.0TMR掃描器(SignaExciteHDx，通用電氣醫(yī)療系統(tǒng)，密爾沃基，威斯康辛州，美國)。平均通過時(shí)間由循環(huán)分塊奇異值分解(oSVD)計(jì)算，具有自動動脈輸入函數(shù)搜索算法，使用灌注分析軟件PENGUIN(www.cfin.au.dk/software/penguin)。循環(huán)分塊SVD進(jìn)行：使用動脈輸入函數(shù)的觀察結(jié)果，形成循環(huán)分塊矩陣；基于振蕩指數(shù)對特征值進(jìn)行閾值轉(zhuǎn)換(如參考文獻(xiàn)WuO，L，WeisskoffRM，BennerT，RosenBR，SorensenAG。示蹤劑到達(dá)時(shí)間不敏感技術(shù)，使用帶循環(huán)分塊去卷積矩陣的奇異值分解，用于估算在mr灌注加權(quán)成像中的流。磁共振醫(yī)學(xué):磁共振醫(yī)學(xué)學(xué)會官方雜志/磁共振醫(yī)學(xué)學(xué)會。2003：50：164-174，通過引用包含于本文中)。人工勾畫損傷輪廓四位具有豐富的臨床評估MTT圖經(jīng)驗(yàn)的神經(jīng)系放射學(xué)家，使用免費(fèi)提供的圖像分析軟件(“MRIcro”作者：ChrisRorden，2005，www.sph.sc.edu/comd/rorden/mricro.html)，人工勾畫急性MTT損傷。讀者被要求基于他們最佳臨床判斷，勾畫低灌注組織的范圍。為了使勾畫損傷輪廓反映“真實(shí)”獨(dú)立臨床專家之間評估人之間的一致性，在這項(xiàng)研究之前沒有給定進(jìn)一步的標(biāo)準(zhǔn)和說明。評估人根據(jù)自己的喜好，自由調(diào)整窗口/水平設(shè)置。未使用自動預(yù)處理，例如閾值轉(zhuǎn)換。讀者看不到所有臨床和其他成像數(shù)據(jù)。使用根據(jù)例2的算法與人工損傷勾畫的輪廓的比較以前的研究表明：在勾畫損傷輪廓中評估人之間的可變性值得考慮。在沒有損傷勾畫輪廓的黃金法則的情況下，因此我們比較建議的、根據(jù)例2的算法與損傷輪廓置信度的程度，作為由專家間共識的可變程度的評估。因此，生成四個(gè)損傷評估，最大程度與由至少一個(gè)專家分類為低灌注的體素相一致，且最多地保留由所有專家分類為低灌注缺血的體素。我們于是可以比較由根據(jù)例2的算法估算的損傷輪廓，與這四個(gè)分等級的共識體積。最后，我們比較水平集技術(shù)與標(biāo)準(zhǔn)閾值轉(zhuǎn)換技術(shù)的性能，如果MTT超過在正常出現(xiàn)對側(cè)的白質(zhì)的平均值多于2個(gè)標(biāo)準(zhǔn)偏差，標(biāo)記組織體素缺血。至于根據(jù)例2的水平集算法，這項(xiàng)技術(shù)適用于經(jīng)過預(yù)處理刪除腦室體素的相關(guān)MTT圖。結(jié)果收斂圖6表明最初輪廓向患者的損傷邊界的收斂，在右半球的兩個(gè)分水區(qū)域具有提高的MTT。最初估計(jì)(Init.)，如圖6所示，顯示了若干不連通的區(qū)域，在擴(kuò)展的損傷內(nèi)具有“正常”組織的小區(qū)域，正如基本閾值轉(zhuǎn)換方法預(yù)期的。10次迭代后(Iter.)(對應(yīng)于0.2秒)，兩個(gè)大的粘連的區(qū)域出現(xiàn)，而大多數(shù)小的區(qū)域消失。由于等式(3)中的曲線長度罰項(xiàng)，進(jìn)一步迭代主要導(dǎo)致估算的輪廓平滑(100次迭代，1.8秒)。在100次和600次迭代(10.0秒)僅觀察到較小的變化，表明快速收斂。在這項(xiàng)研究中，使用600次迭代，在所有患者中單切片計(jì)算時(shí)間的中值是10.0秒[9.9，10.1]。與專家相比圖7是比較水平集損傷體積與每位專家的損傷體積，顯示了人工估算的損傷體積與根據(jù)例2的算法的勾畫MTT損傷輪廓之間的一致性。盡管我們注意到專家體積眾有相當(dāng)大的變化，未觀察到與標(biāo)識線有系統(tǒng)偏差，這表明手動估算損傷體積和根據(jù)實(shí)施例2的算法估算的損傷體積之間有良好的整體一致性。專家之間，可以觀察到趨勢，評估人2個(gè)和3個(gè)，比評估人1個(gè)和4個(gè)典型地勾畫更小的低灌注體積。圖7還說明了由四個(gè)專家估算的損傷體積的大的變化。在所有患者中，專家估算的最大和最小的體積之間的差異，大于平均損傷大小的10％，且14例中有6例這種差異超過30％。這種變化是由損傷邊界輪廓的位置控制的。圖8顯示了由根據(jù)例2(紅色輪廓線)的算法估算的損傷邊界的實(shí)例，以及六個(gè)具有典型損傷的患者的專家間一致性。一個(gè)在后部MCA區(qū)域中具有MTT損傷的患者顯示在圖8(a)中，圖8(b)表明專家之間以及根據(jù)例2的算法和專家之間具有極好的一致性。圖8(c)顯示了一個(gè)實(shí)例，其中正常和低灌注組織之間后部邊界的準(zhǔn)確位置很難定義。根據(jù)例2的算法，然而，勾畫區(qū)域的輪廓與專家相差很小，圖8(d)。圖8也顯示了根據(jù)例2的算法識別離散損傷的能力，在這種情況下，在中腦動脈區(qū)域內(nèi)具有低灌注區(qū)域的患者(圖8(e-f))，在前頸動脈區(qū)域內(nèi)具有損傷的患者(圖8(g))。圖8(i，k)再次表示低灌注的和未受影響的組織之間的邊界不清楚的情況，導(dǎo)致在專家損傷勾畫中的變化。在這兩種情況中，根據(jù)例2的算法匹配具有多于2個(gè)專家間的共識的區(qū)域。我們也注意到根據(jù)例2的算法正確地避免了在腦室中的MTT高強(qiáng)度信號，圖8(d，f，h，j)。在所有的情況中，根據(jù)例2的算法估算邊界為一條平滑曲線，避免了使用閾值轉(zhuǎn)換觀察到的分散的小的“假的”損傷(參見圖6)。我們注意到根據(jù)例2的算法識別邊界，所述邊界匹配多于兩個(gè)專家之間共識的損傷，即使在低灌注的和正常組織之間沒有清楚邊界的情況下，例如(c-d)，(i-j)，(k-l)。然而，在一些情況下，根據(jù)例2的算法沿著大腦的邊緣錯(cuò)誤地檢測小的損傷(j，l)，這些小的損傷可用進(jìn)一步的后處理刪除。圖9顯示了由根據(jù)例2的算法與專家根據(jù)他們的共識估算的損傷體積之間的相關(guān)性。估算的體積，與至少兩個(gè)專家之間的共識確定的損傷，相關(guān)良好。與所有專家在大的損傷上的共識相比，觀察到一些高估。相比之下，由根據(jù)例2的算法檢測到的損傷體積，比所有專家勾畫的輪廓包圍的所有體素的并集定義的損傷更小。只有一個(gè)專家識別為低灌注的組織產(chǎn)生的損傷，比根據(jù)例2的算法確定的MTT損傷更大。然而，根據(jù)例2的算法，與2個(gè)或多個(gè)專家之間共識定義的損傷之間觀察到良好的一致性。我們使用人工和根據(jù)例2的算法之間的體積差，勾畫的MTT共識損傷作為一致性的度量。表1顯示了水平集技術(shù)和閾值轉(zhuǎn)換的體積差的平均和標(biāo)準(zhǔn)偏差。在水平集技術(shù)和至少三個(gè)專家之間共識的損傷之間，觀察到最小差-9.3±45.2ml(人工-根據(jù)例2的算法)。閾值轉(zhuǎn)換方法，只有在損傷定義為所有專家選擇的體素的并集的情況下，比水平集技術(shù)具有更低的偏離；但在所有情況下顯示出更大的標(biāo)準(zhǔn)偏差。單個(gè)數(shù)據(jù)點(diǎn)落在95％一致性限制之外，正如從附錄2中表III計(jì)算得到的，對于每一個(gè)共識程度和技術(shù)(然而對應(yīng)于不同的患者)。表III顯示了專家共識損傷與STM方法以及對應(yīng)于根據(jù)例3的算法的水平集方法之間的平均體積差(用ml表示)。相對于兩個(gè)或三個(gè)專家之間共識的區(qū)域，根據(jù)例2的水平集技術(shù)算法顯示出低偏離。STM(閾值轉(zhuǎn)換)方法，只有在損傷定義為所有專家選擇的體素的并集的情況下，比水平集技術(shù)具有更低的偏離；但在所有情況下顯示出更大的標(biāo)準(zhǔn)偏差。圖10顯示了四個(gè)專家共識損傷和閾值轉(zhuǎn)換技術(shù)之間的相關(guān)性，其中當(dāng)MTT值超過對側(cè)白質(zhì)中的平均值兩個(gè)標(biāo)準(zhǔn)偏差時(shí)，體素識別為低灌注。請注意：相對于共識區(qū)域，閾值轉(zhuǎn)換系統(tǒng)地高估低灌注的組織體積。與水平集技術(shù)(參見圖9)形成對比，閾值轉(zhuǎn)換方法顯示出與由專家選擇的所有體素的并集獲得的損傷的某些一致性；而與兩個(gè)或更多個(gè)專家之間共識的區(qū)域相比，閾值轉(zhuǎn)換方法始終高估體積。在檢測全共識區(qū)域時(shí)，根據(jù)例2的算法的中值靈敏度是0.74[0.60；0.89]。在小的損傷中觀察到更低的靈敏度，這種測量數(shù)值上不穩(wěn)定?？紤]最大的損傷的75％(22ml以上)，靈敏度是0.82[0.73；0.90]。如圖8(l)所示，假的高強(qiáng)度可通過根據(jù)例2的算法，錯(cuò)誤地檢測為缺血組織，總的特異性是0.95[0.93；0.98]，當(dāng)忽略小于22ml的損傷時(shí)，總的特異性是0.96[0.91；0.98]。討論人工延長MTT的區(qū)域，例如腦室，代表全自動勾畫MTT損傷的關(guān)鍵挑戰(zhàn)。我們建議使用并發(fā)DWI成像，作為方便的排除CSF體素的方法，而沒有額外的以用戶介入或速度的形式的成本。作為一種選擇，腦室可以在最初的(無限TR)原始的T2加權(quán)DSC圖像上被識別，或者通過使用CBV標(biāo)準(zhǔn)被識別。盡管在CSF中大多數(shù)具有高M(jìn)TT值的體素，在預(yù)處理過程中被刪除，假的“高M(jìn)TT”體素保留，典型地靠近腦橋和沿著皮質(zhì)表面(參見圖8(k)和8(l))。這樣的區(qū)域可被建議的根據(jù)例2的算法錯(cuò)誤地分割，從而降低特異性。進(jìn)一步的后處理可被應(yīng)用于排除例如，與主損傷對側(cè)的體素。增大等式(3-4)中λ1的項(xiàng)導(dǎo)致更小和更同質(zhì)的體素組，這些體素被勾畫為低灌注。然而，在極小化假陽性率的同時(shí)，具有對MTT提高更敏感體素可丟失，增大假陰性分類率。作為一種選擇，隔離的假陽性體素容易識別，且有限的用戶介入要求為精確體積量化，刪除這樣的區(qū)域。例3-通過DWI獲得的圖像的分割材料與方法形態(tài)灰度重構(gòu)DWI損傷容易被眼睛識別作為高信號區(qū)域，盡管彌散損傷包含偽影高信號；且由于身體結(jié)構(gòu)和噪聲偽影，高信號遍及圖像。因此，圖像強(qiáng)度的簡單閾值轉(zhuǎn)換導(dǎo)致高的假陽性和假陰性率，如圖11B所示。典型的圖像模糊，例如通過高斯核卷積，在某種程度上對偽影的補(bǔ)救，盡管存在潛在的“移動”損傷邊界的代價(jià)。形態(tài)灰度重構(gòu)唯一地截短圖像中的高峰，傾向于保存粘連的區(qū)域的原始邊界，正如由內(nèi)核大小確定的。我們使用形態(tài)灰度重構(gòu)來增強(qiáng)DWI損傷與背景之間的反差。與常規(guī)模糊過濾器相比，形態(tài)灰度重構(gòu)保留邊緣，參見圖11C和11D，因此適合于自動DWI損傷分割。根據(jù)例3的算法自動生成的CSF蒙片刪除DWI圖中的腦室。CSF蒙片通過使用群集分析獲得。k-均值群集的輸入圖像，是由結(jié)構(gòu)圖(BZERO)和由彌散加權(quán)圖像(表觀彌散系數(shù)，ADC)獲得的圖像組合的圖像。向PWI圖共同注冊MNI(蒙特利爾神經(jīng)學(xué)研究所)模板，自動生成左和右半球蒙片。通過CBV>0閾值轉(zhuǎn)換生成整個(gè)腦部蒙片，通過形態(tài)細(xì)化刪除整個(gè)腦部蒙片中稀疏連接的小島。DWI體積中劣質(zhì)切片中的非腦組織(例如眼睛、骨骼、空氣等)對噪聲成分有貢獻(xiàn)，并增大假陽性率。因此，我們通過分析每一切片中的強(qiáng)度變化，刪除劣質(zhì)切片。TTP損傷蒙片使用根據(jù)例1的算法自動生成。ADC圖設(shè)定閾值為550mm2/sec，且刪除TTP蒙片外的ADC損傷，參見圖12A和12B。此外，刪除每一切片上尺寸小于0.25mL的小島。使用形態(tài)灰度重構(gòu)過濾DWI圖。對于每一個(gè)存在ADC損傷的切片，使用相應(yīng)的ADC蒙片確定切片特定的DWI損傷閾值，參見圖12C。特別地，通過尋找ADC損傷蒙片的邊緣，確定切片特定的閾值；將該閾值應(yīng)用在灰度形態(tài)處理過的DWI圖上；并求出包含在ADC蒙片邊緣中的DWI強(qiáng)度的平均值。這樣做的一個(gè)優(yōu)勢可在于獲得DWI閾值的抗差估計(jì)。ADC損傷和DWI損傷不必空間匹配。為了確定DWI損傷，每一個(gè)DWI切片以切片特定的閾值進(jìn)行閾值轉(zhuǎn)換，且通過連通區(qū)域標(biāo)記算法(CCL，在例1中描述)找到連通區(qū)域。刪除沒有與TTP損傷連通的DWI損傷區(qū)域。錯(cuò)配定義為：錯(cuò)配＝TTParea-(DWIarea∩TTParea)，因此，未包含在TTP損傷中的DWI損傷，在錯(cuò)配確定中是不相干的而被忽略。最后，DWI損傷中的孔被填充，邊界被平滑。根據(jù)例3的分割算法，由公司在R2010a中實(shí)現(xiàn)?？梢岳斫?，根據(jù)例3的算法可以用相應(yīng)的方法代替?；颊吆蛨D像獲取與例1相同。使用根據(jù)例3的算法勾畫的損傷輪廓與人工勾畫的DWI損傷輪廓的比較具有豐富的臨床工作經(jīng)驗(yàn)的神經(jīng)系放射學(xué)家，使用內(nèi)部開發(fā)的軟件半自動勾畫DWI損傷輪廓。軟件使用標(biāo)準(zhǔn)的閾值轉(zhuǎn)換方法，其粗略地識別DWI損傷，隨后神經(jīng)系放射學(xué)家可以人工調(diào)整損傷邊界，神經(jīng)系放射學(xué)家看不到任何強(qiáng)度數(shù)值范圍和其他腦圖。基于人工勾畫的DWI和TTP損傷蒙片，人工半暗帶蒙片被確定；同樣地，基于自動生成的DWI和TTP損傷蒙片，自動半暗帶蒙片被確定。對于半暗帶，敏感性和特異性在同側(cè)半球中確定；對于DWI損傷，敏感性和特異性在TTP損傷中確定。結(jié)果與STM勾畫的DWI損傷相比，由根據(jù)例3的算法勾畫的DWI損傷，與人工勾畫的DWI損傷有更好的空間和體積一致性。根據(jù)例3的算法，總的斯皮爾曼相關(guān)為R2＝0.79，參見圖13A。人工勾畫輪廓與根據(jù)例3的算法之間的中值差是-1.4mL(±2SD：20mL)。使用根據(jù)例3的算法確定的半暗帶體積，與人工勾畫半暗帶體積有良好的相關(guān)性R2＝0.86，參見圖14A。人工勾畫輪廓和根據(jù)例3的算法之間的半暗帶體積的中值差是-0.07mL(±2SD：73.5mL)，中值靈敏度是71％(25th-75th四分位數(shù)：59-83％)和中值特異性是95％(25th-75th四分位數(shù)：92–98％)。人工勾畫輪廓與STM之間的半暗帶體積的中值差是-41.1mL(±2SD：116.2mL)，中值靈敏度是64％(25th-75th四分位數(shù)：49-77％)和中值特異性是92％(25th-75th四分位數(shù)：88–95％)。最后，Dice系數(shù)分析表明根據(jù)例3的算法估算的半暗帶(中值＝0.67，25th-75th四分位數(shù)：0.51–0.75)，與使用STM估算的半暗帶相比(中值＝0.46，25th-75th四分位數(shù)：0.27–0.60)，更相似于人工勾畫的半暗帶(p<0.001)。圖11：預(yù)處理DWI圖，圖11A表示原始DWI圖，圖11B表示使用STM分割的原始DWI圖，這在大腦的中間部分產(chǎn)生DWI損傷和假陽性區(qū)域。使用模糊過濾器，例如通過高斯核卷積，在某種程度上對偽影的補(bǔ)救，但也模糊了損傷邊界(圖11C)，然而形態(tài)灰度重構(gòu)增強(qiáng)了損傷和帶有清晰邊界(圖11D)的背景之間的反差。圖12：確定DWI閾值。圖12A：ADC圖在550mm2/sec進(jìn)行閾值轉(zhuǎn)換。圖12B：ADC損傷，其不包含在TTP損傷中，被刪除。圖12C：ADC蒙片被用于形態(tài)灰度重構(gòu)的DWI圖，以確定切片特定的閾值。圖12D顯示了通過根據(jù)例3的算法自動分割的DWI損傷，疊加在原始DWI圖上。圖13：在TTP損傷內(nèi)，通過根據(jù)例3的算法、STM和人工勾畫輪廓估算的DWI損傷的體積比較。根據(jù)例3的算法的總的斯皮爾曼相關(guān)是R2＝0.79，STM的斯皮爾曼相關(guān)是R2＝0.62。子圖表明：圖13a)：DWI損傷的體積比較，第一個(gè)軸表示人工確定的蒙片體積(刻度線跨度為0-120mL)，第二個(gè)軸表示根據(jù)例3的算法確定的體積(刻度線跨度為0-120mL)；圖13b)：DWI損傷的體積比較，第一個(gè)軸表示人工確定的蒙片體積(刻度線跨度為0-120mL)，第二個(gè)軸表示根據(jù)STM方法確定的體積(刻度線跨度為0-120mL)；圖13c)：人工確定的體積與根據(jù)例3的算法確定的體積相比的Bland-Altman圖，第一個(gè)軸表示平均損傷體積(刻度線跨度為0-150mL)，第二個(gè)軸表示差值(刻度線跨度為-120-80mL)，圖13d)：人工確定的體積與根據(jù)STM方法確定的體積相比的Bland-Altman圖，第一個(gè)軸表示平均損傷體積(刻度線跨度為0-150mL)，第二個(gè)軸表示差值(刻度線跨度為-120-80mL)。在圖12C-D中，實(shí)線表示兩個(gè)比較的方法之間的平均值，而虛線表示平均差±2SD。圖14：在最佳閾值時(shí)，通過根據(jù)例1和例3的算法、STM和人工勾畫輪廓估算的半暗帶的體積比較。圖14a)：當(dāng)前神經(jīng)系放射學(xué)家的最佳閾值估計(jì)為>2.8秒(R2＝0.86)；圖14b)：與人工勾畫輪廓(R2＝0.62)相比STM高估TTP損傷；圖14c)人工與算法相比的Bland-Altman圖以及圖14d)人工與STM相比的Bland-Altman圖。實(shí)線表示兩個(gè)比較的方法之間的平均值，而虛線表示平均差±2SD。圖14a)：半暗帶的體積比較，第一個(gè)軸表示人工確定的蒙片體積(刻度線跨度為0-500mL)，第二個(gè)軸表示根據(jù)例1的算法確定的體積(刻度線跨度為0-500mL)；圖14b)：半暗帶的體積比較，第一個(gè)軸表示人工確定的蒙片體積(刻度線跨度為0-500mL)，第二個(gè)軸表示根據(jù)STM方法確定的體積(刻度線跨度為0-500mL)；圖14c)：人工確定的半暗帶體積與根據(jù)例1的算法確定的體積相比的Bland-Altman圖，第一個(gè)軸表示平均損傷體積(刻度線跨度為0-500mL)，第二個(gè)軸表示差值(刻度線跨度為-250-150mL)；圖14d)：人工確定的半暗帶體積與根據(jù)STM方法確定的體積相比的Bland-Altman圖，第一個(gè)軸表示平均損傷體積(刻度線跨度為0-500mL)，第二個(gè)軸表示差值(刻度線跨度為-250-150mL)。在圖14c)-d)中，實(shí)線表示兩個(gè)比較的方法之間的平均值，而虛線表示平均差±2SD。圖15：分類性能，圖15A：通過根據(jù)例1和例3的算法和STM進(jìn)行半暗帶分類的靈敏度和特異性圖。對于根據(jù)例1和例3的算法，中值靈敏度是71％(25th-75th四分位數(shù):59-83％)，平均特異性是95％(25th-75th四分位數(shù)：92–98％)。STM的中值靈敏度是64％(25th-75th四分位數(shù)：49-77％)，STM的中值特異性是92％(25th-75th四分位數(shù)：88–95％)；圖15B：與通過STM(中值＝0.46)p<0.001估算的半暗帶相比，在根據(jù)例1和例3的算法(中值＝0.67)估算的半暗帶中，Dice系數(shù)明顯更高。圖16：通過A)專家，B)根據(jù)例3的算法，以及C)STM勾畫DWI損傷的實(shí)例。我們看到通過根據(jù)例3的算法勾畫的DWI損傷，比人工勾畫的DWI損傷更一致。然而，通過STM估算的DWI損傷更分散，并包含假陽性損傷。圖17：通過A)專家，B)根據(jù)例1和例3的算法，以及C)STM勾畫半暗帶的實(shí)例。我們看到通過根據(jù)例1和例3的算法勾畫的半暗帶，與人工勾畫的半暗帶更一致，并顯示粘連的半暗帶。然而，由STM估算的半暗帶更分散，并包含大面積的假陽性半暗帶。例4-包括TTP數(shù)據(jù)的圖像的第一個(gè)可供選擇的分割材料與方法形態(tài)灰度重構(gòu)如例1所示。連通區(qū)域標(biāo)記如例1所示。水平集CCL生成的損傷邊界，與人工勾畫的認(rèn)知邊界相比，可不平滑。我們通過搜索平滑曲線C，間接估算認(rèn)知的損傷邊界，同時(shí)極小化該曲線內(nèi)外的TTP變化。我們使用由Chan-Vese建議的Mumford-Shah能量極小化問題的水平集公式。詳細(xì)資料可以在參考文獻(xiàn)中找到，“無邊緣的活動輪廓”，ChanTF，VeseLA著，IEEE圖像處理匯刊，第10卷，第2期，第266-277頁，2001，在此被包含引用。例4的水平集方法與例2的水平集方法相似。根據(jù)例4的算法如例1所示，除了步驟：-平滑損傷邊界，被替換為-應(yīng)用水平集算法，水平集算法帶由CCL算法創(chuàng)建的TTP損傷蒙片啟動。從后面的步驟產(chǎn)生的蒙片，可以被認(rèn)為是TTP損傷蒙片，已經(jīng)過在TTP>4秒的軟閾值轉(zhuǎn)換。根據(jù)例4的TTP分割算法，在R2010a中，由實(shí)現(xiàn)，但本領(lǐng)域技術(shù)人員可以理解根據(jù)例4的分割算法也可以用其他編程語言實(shí)現(xiàn)?？梢岳斫猓鶕?jù)例4的算法可以用相應(yīng)的方法代替?；颊吆蛨D像獲取我們使用一組168急性局部缺血卒中患者(♀＝70)來評估APS的性能?；颊邷?zhǔn)許進(jìn)入?yún)⑴c多中心研究I-KNOW的醫(yī)院?；颊叩闹兄的挲g是70歲，從癥狀出現(xiàn)到最初的MRI掃描的中值時(shí)間是152分鐘(表V)。表V顯示了淤血患者特征。范圍表示第一和第三四分位數(shù)。中值急性DWI損傷是58.2mL，且中值NIHSS是10。I-KNOW協(xié)議定義了七個(gè)卒中子類，其中心源性腦梗塞是主要的卒中子類，隨后是未確定的子類和帶有明顯頸動脈狹窄的大血管疾病。標(biāo)準(zhǔn)動態(tài)磁敏感對比MRI在不同型號的掃描器上完成(GESignaExcite1.5、GESignaExcite3、GESignaHDx1.5、SiemensTrioTim3、SiemensAvanto1.5、SiemensSonata1.5、PhilipsGyroscanNT1.5以及PhilipsIntera1.5)。PWI序列(TE30-50ms，TR1500ms，F(xiàn)OV24cm，矩陣128x128，切片厚度5mm)，在釓對比劑(0.1mmol/kg)以5ml/s的速率靜脈注射，隨后30ml生理鹽水以同樣速率注射之后獲得。獲得的信號強(qiáng)度轉(zhuǎn)換為時(shí)量關(guān)系曲線，平滑伽馬變量擬合過程應(yīng)用于每一個(gè)時(shí)量關(guān)系曲線。依據(jù)例1的算法與人工TTP損傷勾畫的輪廓的比較四個(gè)具有豐富的臨床工作經(jīng)驗(yàn)的評估人(一個(gè)神經(jīng)系放射學(xué)家和三個(gè)放射科醫(yī)師)，使用內(nèi)部開發(fā)的軟件人工勾畫TTP損傷輪廓。評估人看不到任何強(qiáng)度數(shù)值范圍和其他腦圖。未使用自動預(yù)處理，例如閾值轉(zhuǎn)換。自動確定的TTP損傷體積，與人工勾畫的TTP損傷體積相比，具有一個(gè)、兩個(gè)、三個(gè)和四個(gè)評估人間一致性。最后，TTP損傷在>4秒時(shí)也使用STM估算，且與人工勾畫TTP損傷對比。在這項(xiàng)研究中，我們在TTP>4秒時(shí)估算TTP損傷，這個(gè)特定的閾值已在幾項(xiàng)研究中評價(jià)為識別具有梗塞風(fēng)險(xiǎn)的組織，例如Sobesky，J.，etal.，“哪個(gè)達(dá)峰時(shí)間閾值最好地識別半暗帶流？灌注-加權(quán)磁共振成像與正電子放射斷層造影術(shù)在急性缺血性卒中上的比較”，卒中，2004.35(12)：第2843-7頁，在此被包含引用。為量化算法/STM與人工勾畫損傷輪廓之間的幾何和體積相似度，我們使用Dice系數(shù)(定義：兩個(gè)蒙片覆蓋蒙片的組合集的交集的兩倍)，Dice系數(shù)是0和1之間的一個(gè)數(shù)。一表示完全重疊，0(零)表示無重疊。敏感性和特異性在同側(cè)半球上確定。結(jié)果體積比較人工和根據(jù)例4的算法自動勾畫TTP損傷之間的最佳體積相關(guān)，在于三個(gè)評評估人之間的一致性，且斯皮爾曼相關(guān)是R2＝0.89，參見圖18a)。與人工勾畫輪廓(數(shù)據(jù)未顯示)相比，在一個(gè)和兩個(gè)評估人之間一致時(shí)，根據(jù)例4算法的自動方法低估了TTP損傷體積，而在四個(gè)評估人之間一致時(shí)，算法高估了TTP損傷體積。在最佳體積相關(guān)時(shí)，人工勾畫輪廓與算法之間的平均差為-0.26mL(±2SD：33mL)參見圖18c)。TTP圖閾值在TTP>4秒，與三個(gè)評估人之間一致顯示出最佳相關(guān)。斯皮爾曼相關(guān)為R2＝0.73，參見圖18b)。人工勾畫輪廓與STM之間的平均差為-281mL(±2SD：46.64mL)參見圖18d)。圖18顯示了通過根據(jù)例4的算法、在TTP>4秒時(shí)的STM和人工勾畫輪廓估算的TTP損傷的體積比較。圖18a)顯示了根據(jù)例4的算法與人工勾畫輪廓之間的體積相關(guān)(R2＝0.89)，第一個(gè)軸(刻度線跨度為0-400)表示人工確定蒙片體積[mL]，第二個(gè)軸(刻度線跨度為0-400)表示通過根據(jù)例4的算法確定的損傷體積[mL]；圖18b)顯示了STM與人工勾畫輪廓之間的體積相關(guān)(R2＝0.73)，第一個(gè)軸(刻度線跨度為0-400)表示人工確定蒙片體積[mL]，第二個(gè)軸(刻度線跨度為0-400)表示由STM方法確定的損傷體積[mL]。圖18c)表示人工勾畫輪廓與根據(jù)例4的算法相比的Bland-Altman圖，圖18d)表示人工勾畫輪廓與STM相比的Bland-Altman圖，實(shí)線表示兩個(gè)比較的方法之間的平均值，而虛線表示平均差±2SD。第一個(gè)軸(刻度線跨度為0-500)表示平均損傷體積[mL]，第二個(gè)軸(刻度線跨度為-250-400)表示人工確定的體積與根據(jù)例4的算法和STM方法確定的體積之間的差值[mL]，分別在圖18c)和圖18d)中。圖20顯示了通過根據(jù)例4的算法和STM產(chǎn)生的分割的實(shí)例。在上面的行中，TTP圖像和隨后行中表明：A)人工蒙片；B)依據(jù)例4的算法獲得的蒙片；以及C)從STM在TTP圖上STM覆蓋(白)獲得的蒙片。兩個(gè)非人工圖在TTP>4秒時(shí)獲得。通常，與閾值轉(zhuǎn)換方法相比，根據(jù)例4的算法估算邊界為平滑曲線。此外，根據(jù)例4的算法能夠很大程度避免假陽性損傷(圖20)。分類性能在三個(gè)評估人之間一致時(shí)，根據(jù)例4的算法的中值靈敏度(中值：79％和25th-75th四分位數(shù)：40-85％)沒有顯著(p＝0.22)高于STM的靈敏度(中值:72％和25th-75th四分位數(shù)：40–85)。相比之下，算法的中值特異性(95％，25th-75th四分位數(shù)：90-98％)明顯更高(p<0.001)，與STM95％(25th-75th四分位數(shù):87-96％)相比，參見附錄2中的表IV。此外，Dice系數(shù)分析表明通過算法估算的TTP損傷蒙片(中值Dice系數(shù)：0.74，25th-75th四分位數(shù)：0.52-0.82)，明顯與人工勾畫TTP損傷蒙片具有更高(p<0.001)相似度，與通過STM生成的蒙片(中值Dice系數(shù)：0.54，25th-75th四分位數(shù)：0.24-0.70)相比，參見圖19。表IV描述了根據(jù)例4的算法和TTP>4秒時(shí)STM的靈敏度和特異性，用百分比表示。括號中給出了第一和第三四分位數(shù)，也進(jìn)一步給出了秩和檢驗(yàn)的統(tǒng)計(jì)數(shù)據(jù)。圖19顯示了根據(jù)例4的算法與STM的Dice系數(shù)的箱形圖。算法的中值Dice系數(shù)是0.74(0.52-0.82)，STM的中值Dice系數(shù)是0.54(0.24-0.70)。例5-通過DWI獲得的圖像的第一個(gè)供選擇的分割材料與方法形態(tài)灰度重構(gòu)如例3所示。水平集在DWI圖像中，損傷與正常組織之間的圖像對比是明顯的，圖像對比通過形態(tài)灰度重構(gòu)被進(jìn)一步增強(qiáng)。然而，簡單閾值轉(zhuǎn)換存在缺乏已確定的適用于不同個(gè)體的DWI閾值，和由于DWI圖中內(nèi)在噪聲產(chǎn)生的“假的”損傷的問題。水平集算法通過搜索平滑曲線C，間接估算DWI損傷邊界，同時(shí)極小化該曲線內(nèi)外的DWI強(qiáng)度變化。我們使用由Chan-Vese建議的Mumford-Shah能量極小化問題的水平集公式。詳細(xì)資料可以在參考文獻(xiàn)中找到，“無邊緣的活動輪廓”，ChanTF，VeseLA著，IEEE圖像處理匯刊，第10卷，第2期，第266-277頁，2001，在此被包含引用。例5的水平集方法與例2的水平集方法相似。根據(jù)例5的算法自動生成的CSF蒙片刪除DWI圖中的腦室。CSF蒙片使用群集分析獲得。k-均值群集的輸入圖像，是由結(jié)構(gòu)圖(BZERO)和彌散加權(quán)成像(表觀彌散系數(shù)，ADC)組合的圖像。向PWI圖共同注冊MNI(蒙特利爾神經(jīng)學(xué)研究所)模板，自動生成左和右半球蒙片。通過CBV>0閾值轉(zhuǎn)換生成整個(gè)腦部蒙片，通過形態(tài)細(xì)化刪除整個(gè)腦部蒙片中稀疏連接的小島。DWI體積中劣質(zhì)切片中的非腦部組織(例如眼睛、骨骼、空氣等)對噪聲成分有貢獻(xiàn)，并增大假陽性率。因此，我們通過分析每一切片中的強(qiáng)度變化，刪除劣質(zhì)切片。TTP損傷蒙片使用例4中描述的算法自動生成。水平集算法必須帶有一個(gè)最初的蒙片啟動，最初的蒙片在550mm2/sec對ADC圖進(jìn)行閾值轉(zhuǎn)換得到。使用內(nèi)核尺寸對應(yīng)于25mL的形態(tài)二值重構(gòu)，刪除每個(gè)切片上ADC蒙片中小于0.25mL的小島，所述形態(tài)二值重構(gòu)類似于形態(tài)灰度重構(gòu)。使用形態(tài)灰度重構(gòu)過濾DWI圖，水平集算法帶有形態(tài)灰度重構(gòu)處理過的DWI圖像和ADC蒙片啟動。錯(cuò)配定義為TTP損傷減去DWI和TTP損傷的交集，錯(cuò)配＝TTParea-(DWIarea∩TTParea)。自動半暗帶分割算法在MatlabR2010a中實(shí)現(xiàn)(馬薩諸塞州，納蒂克，MathWorks公司)可以理解，根據(jù)例5的算法可以用相應(yīng)的方法代替?；颊吆蛨D像獲取我們使用一組168位急性局部缺血卒中患者(♀＝70)來評估APS(自動半暗帶分割)的性能?；颊邷?zhǔn)許進(jìn)入?yún)⑴c多中心研究I-KNOW的醫(yī)院?；颊叩闹兄的挲g是70歲，從癥狀出現(xiàn)到最初MRI掃描的中值時(shí)間是152分鐘(表V)。中值急性DWI損傷是2.4mL，中值NIHSS是10。I-KNOW協(xié)議定義了七個(gè)卒中子類，其中心源性腦梗塞是主要的卒中子類，隨后是未確定的子類和帶有明顯頸動脈狹窄的大血管疾病(表V)。MRI在不同型號的掃描器上完成(GESignaExcite1.5、GESignaExcite3、GESignaHDx1.5、SiemensTrioTim3、SiemensAvanto1.5、SiemensSonata1.5、PhilipsGyroscanNT1.5以及PhilipsIntera1.5)。在b-值＝0和b-值＝1.000sec/mm2時(shí)獲得的平面回波DWI。使用根據(jù)例5的算法勾畫的損傷輪廓與人工勾畫的DWI損傷輪廓的比較四個(gè)具有豐富的臨床工作經(jīng)驗(yàn)評估人(一個(gè)神經(jīng)系放射學(xué)家和三個(gè)放射科醫(yī)師)，使用內(nèi)部開發(fā)的軟件人工勾畫DWI損傷輪廓，且評估人看不到任何強(qiáng)度數(shù)值范圍和其他腦圖。未使用自動預(yù)處理，例如閾值轉(zhuǎn)換。自動確定的DWI損傷體積，與人工勾畫的DWI損傷體積相比，具有一個(gè)、兩個(gè)、三個(gè)和四個(gè)評估人間一致性?；谌斯す串嫷腄WI和TTP損傷蒙片，人工半暗帶蒙片被確定；同樣地，基于自動生成的DWI和TTP損傷蒙片，自動半暗帶蒙片被確定。對于半暗帶，在同側(cè)半球和Dice系數(shù)中，確定靈敏度和特異度。結(jié)果體積比較根據(jù)例5的算法與人工勾畫DWI損傷輪廓之間的最佳體積相關(guān)，表示在三個(gè)評估人間一致。斯皮爾曼相關(guān)是R2＝0.61，人工與方法之間的平均差是0.23mL(±2SD：25.6mL)，參見圖22a)和圖22c)。相比之下，在STM損傷體積和人工勾畫輪廓的蒙片體積之間的體積相關(guān)不好。斯皮爾曼相關(guān)是R2＝0.33，人工和自動方法之間的平均差是-124.4mL(±2SD：84.5mL)，參見圖22b)和圖22c)。通過根據(jù)例5的算法確定的半暗帶體積，與人工勾畫半暗帶體積有良好的相關(guān)性R2＝0.84，參見圖23。人工勾畫輪廓與算法之間半暗帶體積的中值差為-2.1mL(±2SD：64.7mL)。STM半暗帶蒙片，與人工勾畫的半暗帶蒙片相比，顯示相關(guān)是R2＝0.62，平均差是-15.6mL(±2SD：93.6mL)。分類性能根據(jù)例5的算法(敏感度：中值＝75％，25th-75th四分位數(shù)：63-85％；DC：中值＝0.70，25th-75th四分位數(shù)：0.57-0.78)勝過STM(靈敏度：中值＝52％，25th-75th四分位數(shù)：31-70％；DC：中值＝0.44，25th-75th四分位數(shù)：0.26–0.60)，根據(jù)靈敏度(p<0.001)且Dice系數(shù)(p<0.001)。然而，兩個(gè)方法之間沒有觀察到特異性(p＝0.22)的顯著差異。圖21顯示初始蒙片(子圖A)到包圍DWI損傷的最終蒙片(子圖D)的演化，子圖A、B、C和D分別對應(yīng)于0、80、160和200次迭代。圖22：在TTP損傷內(nèi)，通過根據(jù)例5的算法、STM和人工勾畫輪廓估算的DWI損傷的體積比較。與人工勾畫輪廓相比，根據(jù)例5的算法的斯皮爾曼相關(guān)是R2＝0.61。子圖表示：圖22a)：DWI損傷的體積比較，第一個(gè)軸表示人工確定的蒙片體積(刻度線跨度為0-150mL)，第二個(gè)軸表示根據(jù)例5的算法確定的體積(刻度線跨度為0-150mL)；圖22b)：DWI損傷的體積比較，第一個(gè)軸表示人工確定的蒙片體積(刻度線跨度為0-250mL)，第二個(gè)軸表示根據(jù)STM方法確定的體積(刻度線跨度為0-250mL)；圖22c)：人工確定的體積與根據(jù)例5的算法確定的體積相比的Bland-Altman圖，第一個(gè)軸表示平均損傷體積(刻度線跨度為0-500mL)，第二個(gè)軸表示差值(刻度線跨度為-250至150mL)；圖22d)：人工確定的體積與根據(jù)STM方法確定的體積相比的Bland-Altman圖，第一個(gè)軸表示平均損傷體積(刻度線跨度為0至500mL)，第二個(gè)軸表示差值(刻度線跨度為-250至150mL)。在圖22c)-d)中，實(shí)線表示兩個(gè)比較的方法之間的平均值，而虛線表示平均差±2SD。平均差為0.23mL(±2SD：25.6mL)，通過STM勾畫輪廓產(chǎn)生不利的結(jié)果，斯皮爾曼相關(guān)為R2＝0.33，平均差為-124.4mL(±2SD：84.5mL)。圖23：由根據(jù)例4和例5的算法、STM和人工勾畫輪廓估算的半暗帶的體積比較。圖23c)人工與算法相比的Bland-Altman圖以及圖23d)人工與STM相比的Bland-Altman圖。實(shí)線表示兩個(gè)比較的方法之間的平均值，而虛線表示平均差±2SD。圖23a)：半暗帶的體積比較，第一個(gè)軸表示人工確定的蒙片體積(刻度線跨度為0-500mL)，第二個(gè)軸表示根據(jù)例4的算法確定的體積(刻度線跨度為0-500mL)；圖23b)：半暗帶的體積比較，第一個(gè)軸表示人工確定的蒙片體積(刻度線跨度為0-500mL)，第二個(gè)軸表示根據(jù)STM方法確定的半暗帶體積(刻度線跨度為0-500mL)；圖23c)：人工確定的體積與根據(jù)例4的算法確定的體積相比的Bland-Altman圖，第一個(gè)軸表示平均損傷體積(刻度線跨度為0-500mL)，第二個(gè)軸表示差值(刻度線跨度為-250-150mL)；圖23d)：人工確定的體積與根據(jù)STM方法確定的體積相比的Bland-Altman圖，第一個(gè)軸表示平均損傷體積(刻度線跨度為0-500mL)，第二個(gè)軸表示差值(刻度線跨度為-250-150mL)。在圖23c)-d)中，實(shí)線表示兩個(gè)比較的方法之間的平均值，而虛線表示平均差±2SD。算法與人工勾畫輪廓相比，斯皮爾曼相關(guān)是R2＝0.84，平均差為-2.1mL(±2SD：64.7mL)。通過STM勾畫半暗帶輪廓產(chǎn)生不利的結(jié)果。圖24A-B：分類性能，依據(jù)靈敏度(p<0.05)和Dice系數(shù)(DC)(p<0.001)測量，算法與STM之間存在明顯差異，然而，特異性(p＝0.26)無明顯差異觀察到。圖24A：通過根據(jù)例4和例5的算法和STM，進(jìn)行半暗帶分類的靈敏度和特異性圖；圖24B：Dice系數(shù)(DC)。圖25：通過A)專家(三個(gè)評估人之間一致)，B)根據(jù)例4和例5的算法，以及C)STM勾畫半暗帶輪廓的實(shí)例。例6-包括TTP數(shù)據(jù)的圖像的第二個(gè)可供選擇的分割PWI分割各種PWI度量(如去卷積曲線達(dá)峰時(shí)間(Tmax)，平均通過時(shí)間(MTT)和達(dá)峰時(shí)間(TTP))被建議，以識別局部缺血半暗帶，它們落入兩個(gè)類別：從組織濃度曲線(例如TTP)獲得的摘要圖和通過使用動脈輸入函數(shù)(例如Tmax和MTT)去卷積生成的圖。去卷積的圖假設(shè)是生理學(xué)上可解釋的，而摘要圖不必反映生理事件。相比之下，與去卷積圖相比，由于摘要圖的性質(zhì)更簡單，摘要圖噪聲更少，因而更適合于分割目的。在這個(gè)實(shí)例中，我們使用TTP的規(guī)格化的版本作為PWI度量。TTP>4秒已在幾項(xiàng)研究中評價(jià)為識別低灌注組織，然而在4秒將TTP圖進(jìn)行閾值轉(zhuǎn)換產(chǎn)生很多分散的假陽性損傷，如腦室、眼睛和敏感性偽影。在這個(gè)實(shí)例中，我們提供了一種算法，該算法在TTP圖上用認(rèn)知邊界，識別粘連的低灌注損傷。方法形態(tài)灰度重構(gòu)如例1所示。形態(tài)重構(gòu)形態(tài)重構(gòu)是二值圖像轉(zhuǎn)換技術(shù)，參見參考文獻(xiàn)“圖像分析中的形態(tài)灰度重構(gòu)：應(yīng)用程序和高效算法”，文森特，L.，IEEE圖像處理匯刊，1993.2(2):第176-201頁，通過引用完整地包含于本文中，尤其對部分引用。在這個(gè)上下文中，形態(tài)重構(gòu)用于刪除假陽性TTP損傷，這項(xiàng)技術(shù)可以在概念上被認(rèn)為是種子點(diǎn)的迭代擴(kuò)張(參見圖26，第4行包括標(biāo)記為J、K、L的圖像)，種子點(diǎn)由通過TTP圖的閾值轉(zhuǎn)換獲得的最初蒙片約束。未包含種子點(diǎn)的體素群集，不保留在重構(gòu)的蒙片中。圖26給出了TTP損傷分割算法中步驟的示意圖。對應(yīng)于非腦組織刪除的行(第1行，具有圖像A、B、C)，生成側(cè)性蒙片(第2行，具有圖像D、E、F)，種子點(diǎn)檢測(第3行，具有圖像G、H、I)，形態(tài)重構(gòu)(第4行，具有圖像J、K、L)以及水平集(第5行，具有圖像M、N、O)。在最初在原始TTP圖(A)上，通過應(yīng)用整個(gè)腦蒙片(B)刪除非腦組織，以便獲得刪除非腦組織的圖像(C、D)。隨后損傷的側(cè)性(E)通過分析圖像強(qiáng)度值來確定，以便獲得只保留相關(guān)側(cè)性的圖像(F、G)。為在同側(cè)半球上檢測種子點(diǎn)，TTP圖像(G)通過形態(tài)灰度重構(gòu)過濾，種子點(diǎn)定義為具有最大強(qiáng)度(I)的體素或多個(gè)體素。最初的TTP損傷蒙片，由閾值轉(zhuǎn)換原始TTP圖(J)創(chuàng)建。重構(gòu)由最初TTP損傷蒙片約束的種子點(diǎn)，保留TTP損傷蒙片并排除假陽性損傷(K)。最后，通過應(yīng)用水平集算法(N)，調(diào)整TTP損傷蒙片邊界(L、M)，以便獲得損傷(O)。水平集自動生成的TTP損傷可不必與人工勾畫的損傷具有相同的范圍，此外邊界與人工勾畫的認(rèn)知邊界相比可以是不平滑的。我們通過搜索平滑曲線C，間接估算認(rèn)知的損傷邊界，同時(shí)極小化該曲線內(nèi)外的TTP變化變化。我們使用由Chan-Vese建議的Mumford-Shah能量極小化問題的水平集公式，比較參考文獻(xiàn)“一種無邊緣的活動輪廓模型”，Chan，T.和L.Vese著，計(jì)算機(jī)視覺中的標(biāo)度空間原理，1999.1682：第141-151頁，通過引用完整地包含于本文中。算法自動生成大腦蒙片，由整個(gè)大腦蒙片和CSF蒙片組成，刪除非腦組織例如腦室、眼睛等。整個(gè)大腦蒙片通過CBV圖閾值轉(zhuǎn)換(CBV>0)獲得，未連通的或稀疏連接的區(qū)域例如眼睛和易感性偽影，通過應(yīng)用形態(tài)算法被去掉；正如thinning和H-break，參見參考文獻(xiàn)“使用Matlab的數(shù)字圖像處理”，Gonzalez，R.C.，R.E.Woods和S.L.Eddins著，2004，通過引用完整地包含于本文中，尤其引用第9章。CSF蒙片在高對比度CSF-組織圖上，通過體素強(qiáng)度的直方圖分離獲得。CSF-組織圖通過組合結(jié)構(gòu)圖(T2)和彌散-加權(quán)圖(表觀彌散系數(shù)，ADC)，(參見圖26，第1行包括標(biāo)記為A、B、C的圖)。向PWI圖共同注冊MNI(蒙特利爾神經(jīng)學(xué)研究所)模板，自動生成左和右半球蒙片(參見圖26，第2行，包括標(biāo)記為D、E、F的圖)。非腦組織(例如眼睛、骨骼、空氣等)和靜脈(橫竇和乙狀竇)在PWI體積中的劣質(zhì)切片中，對噪聲成分有貢獻(xiàn)，并增大假陽性率。因此，我們通過分析每一切片中的強(qiáng)度變化，刪除劣質(zhì)切片。在自動檢測損傷側(cè)性和種子點(diǎn)之前，TTP圖由形態(tài)灰度重構(gòu)過濾。損傷側(cè)性的檢測基于在過濾的TTP圖上任何一個(gè)半球上提取的三個(gè)特征。對于每一個(gè)特征，“獲勝的”半球被指定1，最終該半球具有至少兩個(gè)正數(shù)結(jié)果被認(rèn)為同側(cè)半球(參見圖26，第2行包括標(biāo)記為D、E、F的圖像)。特征是：1)左和右半球的平均強(qiáng)度值；2)在TTP圖上最大強(qiáng)度體素的側(cè)性以及3)具有強(qiáng)度<600*10-6mm2/sec的ADC體素的數(shù)量。種子點(diǎn)定義為在同側(cè)半球上具有最大強(qiáng)度體素(或多個(gè)體素)；參見圖26，第3行包括標(biāo)記為G、H、I的圖像。為了平均對側(cè)半球內(nèi)的TTP延遲，TTP圖被規(guī)格化。最初的TTP損傷蒙片通過同側(cè)TTP圖在4秒的閾值轉(zhuǎn)換找到，使用最初的TTP損傷作為約束，種子點(diǎn)在三維中重構(gòu)。最終，水平集算法帶重構(gòu)的TTP損傷蒙片啟動(參見26，第5行包括標(biāo)記為M、N、O的圖像)。最終的蒙片可以被認(rèn)為是TTP>4秒時(shí)的軟閾值轉(zhuǎn)換的TTP損傷蒙片。自動TTP損傷分割算法在MatlabR2010a中實(shí)現(xiàn)(馬薩諸塞州，納蒂克，MathWorks公司)?；颊吆蛨D像獲取如例4所示。自動和人工TTP損傷勾畫輪廓的比較四個(gè)在神經(jīng)系放射學(xué)上具有豐富的臨床工作經(jīng)驗(yàn)的評估人(一個(gè)神經(jīng)系放射學(xué)家和三個(gè)放射科醫(yī)師)，使用內(nèi)部開發(fā)的軟件人工勾畫TTP損傷輪廓。評估人看不到任何強(qiáng)度數(shù)值范圍和其他腦圖。自動確定的DWI損傷體積，與人工勾畫的DWI損傷共識圖相比，具有一個(gè)、兩個(gè)、三個(gè)和四個(gè)評估人之間的一致性。最后，在>4秒時(shí)也使用STM估算TTP損傷，且與人工勾畫TTP損傷對比。在這個(gè)實(shí)例中，我們在TTP>4秒時(shí)估算TTP損傷，這個(gè)特定的閾值已在幾項(xiàng)研究中評價(jià)為識別具有梗塞風(fēng)險(xiǎn)的E組織的最佳閾值。為量化APS/STM和人工勾畫損傷輪廓之間的幾何和體積相似度，我們使用體積相關(guān)和Dice系數(shù)(DC)。DC(定義：兩個(gè)蒙片覆蓋蒙片的組合集的兩次交集)，DC是一個(gè)0-1之間的數(shù)，其中1表示完全重疊，0表示無重疊。分類性能根據(jù)靈敏度和特異性評估，且在在同側(cè)半球上確定。結(jié)果體積比較圖27顯示了由算法、在TTP>4秒的STM和人工勾畫輪廓估算的TTP損傷的體積對比。A)算法和人工勾畫輪廓之間的體積相關(guān)(R2＝0.92)(x軸表示人工蒙片體積[mL]，y軸表示算法蒙片體積[mL])；B)STM和人工勾畫輪廓之間的體積相關(guān)(R2＝0.79)(x軸表示人工蒙片體積[mL]，y軸表示STM蒙片體積[mL])；C)人工勾畫輪廓與算法相比的Bland-Altman圖(x軸表示平均損傷體積[mL]，y軸表示差值)以及D)人工勾畫輪廓與STM相比的Bland-Altman圖(x軸表示平均損傷體積[mL]，y軸表示差值)。實(shí)線表示兩個(gè)比較的方法之間的平均值，而虛線表示平均差±2SD。人工和自動勾畫的TTP損傷之間的最佳體積相關(guān)、dice系數(shù)(DC)和靈敏度/特異性，具有三個(gè)評估人之間一致性。APS的斯皮爾曼相關(guān)是R2＝0.91，參見圖27A。與人工勾畫輪廓(數(shù)據(jù)未顯示)相比，在一個(gè)和兩個(gè)評估人之間一致時(shí)，APS低估了真實(shí)TTP損傷體積，而在四個(gè)評估人之間一致時(shí)，APS高估了真實(shí)TTP損傷體積。人工勾畫輪廓和APS之間的平均差是-2.3mL，±2SD是63.6mL(p<0.001)，參見圖27C。STM的斯皮爾曼相關(guān)是R2＝0.78，參見圖27B。人工勾畫輪廓和STM之間的平均差是-22.6mL，且±2SD是85.8mL，參見圖27D。幾何比較APS在與人工勾畫TTP損傷蒙片的幾何一致性方面勝過STM。APS的中值DC是0.74，25th-75th內(nèi)四分位數(shù)范圍是0.50-0.81(p<0.001)。相比之下，STM的中值DC是0.53，25th-75th內(nèi)四分位數(shù)范圍是0.21-0.68，參見圖28。中值處理時(shí)間是每患者3.4秒(1.9-4.9)，只依賴于TTP損傷的體積。圖28顯示了APS和STM的Dice系數(shù)的箱形圖。APS的中值DC是0.74(0.50-0.81)，STM的中值DC是0.53(0.21-0.68)。分類性能在三個(gè)評估人之間一致時(shí)，APS在分類上明顯勝過STM。APS的中值靈敏度是77％，25th-75th內(nèi)四分位數(shù)范圍(IQR)是58-87％(p<0.01)，中值特異性是97％和25th-75thIQR是95-100％(p<0.05)。STM的中值靈敏度是65％，25th-75thIQR是38-80％；中值特異性是95％，25th-75thIQR是92-98％。表VI顯示了在同側(cè)半球上確定的自動方法的靈敏度和特異性，用百分比表示。括號中給出了第一和第三四分位數(shù)，也進(jìn)一步給出了秩和檢驗(yàn)的統(tǒng)計(jì)數(shù)據(jù)。討論本發(fā)明的一個(gè)可的優(yōu)勢在于：提供一種時(shí)間有效和全自動的分割算法，用以在相關(guān)TTP圖上勾畫TTP損傷輪廓，使用連通區(qū)域標(biāo)記算法和Mumford-Shah分割的水平集實(shí)現(xiàn)。APS算法顯示與人工勾畫的損傷具有良好的一致性，在體積相關(guān)、DC和靈敏度/特異性方面明顯勝過閾值TTP損傷蒙片。圖29顯示通過APS(C行)和STM(D行)自動生成的TTP損傷蒙片的實(shí)例，以及由專家(B行)人工勾畫的TTP損傷蒙片覆蓋在TTP圖上的實(shí)例。A)行顯示了沒有蒙片的圖，三列對應(yīng)于三種不同的圖像。合適的排除非腦組織的大腦蒙片，對于自動方法和人工勾畫之間獲得良好的一致性是有益的。使用好的腦部蒙片的效果，顯示在圖29中第1列。STM損傷蒙片顯示了與人工勾畫在識別低灌注區(qū)域上，具有良好的一致性；然而，由于缺乏合適的大腦蒙片，與APS相比假陽性率更高。大體上，來自腦室的噪聲限制了APS或其他自動方法的最佳性能。在TTP圖上，CSF發(fā)出高強(qiáng)度信號，會被分割作為低灌注區(qū)域，參見圖29，第2列，STM蒙片(第4行)。對于APS我們開發(fā)了快速基于強(qiáng)度的腦室分割算法，該算法極大地刪除CSF，為避免高估TTP損傷是有益的?；谀０遄缘哪X室蒙片，是基于強(qiáng)度的方法的可供選擇的替代方法，但以時(shí)間效率為代價(jià)。識別小的TTP損傷(<3mL)是一種挑戰(zhàn)，因?yàn)樵肼暢煞?，例如眼睛，擴(kuò)展了小損傷的體積，圖29，第1列。已經(jīng)建議刪除小于某個(gè)閾值的區(qū)域，盡管該方法消除一些噪聲成分，同時(shí)也刪除了低灌注體素，因此增加了假陰性率。使用CCL的噪聲抵制特性和水平集的一個(gè)優(yōu)勢，可在于我們克服識別小的TTP損傷的憂慮。其中我們引入Dice系數(shù)，作為對估計(jì)自動分割方法性能的附加的方法。以前，體積相關(guān)和靈敏度/特異性已被用作評估方法，然而這些方法存在不同的缺陷。體積相關(guān)系數(shù)給出了估算的蒙片體積與人工獲得的蒙片體積之間的關(guān)聯(lián)的好的總結(jié)，然而，它不能反應(yīng)蒙片之間的幾何一致性。例如，在圖29和第2列所示的情況中，對于三種方法體積非常相似(人工：16.5mL，APS：15mL和STM17mL)，盡管STM的損傷體積包含許多假陽性體素。在小的損傷中的分類度量靈敏度對假陰性敏感且可被向下降，而特異性被人工提高到剛好確定的區(qū)域，通常同側(cè)半球例如圖29和第1列(特異性APS和STM：0.99–0.99)。對于評估自動分割過程的性能，DC不是根本的方法，因?yàn)樗鼘π〉膿p傷很敏感，例如圖29和第1列(用于APS和STM的DC：0.70和0.19)，由于這個(gè)原因，我們建議至少報(bào)告體積相關(guān)(關(guān)聯(lián)測量)、靈敏度/特異性(分類測量)和DC(一致性測量)，在相關(guān)的研究中由于可再現(xiàn)性和標(biāo)準(zhǔn)參考，直到我們有一個(gè)方法在自動分割算法中覆蓋性能的不同方面。在這個(gè)實(shí)例中我們使用TTP圖像，作為PWI度量標(biāo)準(zhǔn)，但考慮到不同的PWI度量標(biāo)準(zhǔn)可被用于最佳地識別具有梗塞風(fēng)險(xiǎn)的組織，考慮到擴(kuò)展在這個(gè)實(shí)例中建議的方法到例如Tmax，MTT和第一瞬間圖。在患者之間識別具有梗塞風(fēng)險(xiǎn)的組織，生理上真正的TTP閾值已在幾項(xiàng)研究中評估。TTP>4秒已經(jīng)在急性缺血性卒中的MRI-PET研究經(jīng)過驗(yàn)證的，且在臨床實(shí)踐中可以接受。總之，根據(jù)例6的算法能夠檢測圍繞定影劑-灌注區(qū)域的平滑邊界，顯示出與專家勾畫輪廓有良好的一致性。例7-通過DWI獲得的圖像的第二個(gè)供選擇的分割在這個(gè)實(shí)例中，提供了一種算法，該算法使用并發(fā)信息形成ADC圖，在DWI圖像上自動分割DWI損傷。結(jié)合分割DWI損傷的自動算法與分割PWI損傷的自動算法，提供一種能夠呈現(xiàn)全自動的半暗帶分割工具的方法，例如用于臨床使用的工具。形態(tài)灰度重構(gòu)如例3所示。形態(tài)重構(gòu)形態(tài)重構(gòu)是二值圖像轉(zhuǎn)換技術(shù)[10]，在這個(gè)上下文中形態(tài)重構(gòu)用于在DWI圖像中消除假陽性DWI損傷。這項(xiàng)技術(shù)可以在概念上被認(rèn)為是種子點(diǎn)的迭代擴(kuò)張(參見圖30，第5行3060)，種子點(diǎn)由通過DWI圖的閾值轉(zhuǎn)換獲得的最初蒙片限制。未包含在種子點(diǎn)中的體素群集不保留在重構(gòu)的蒙片中。算法自動生成的腦部蒙片，由整個(gè)腦部蒙片和CSF蒙片組成，消除非腦組織例如腦室、顱骨等，參見圖30第1行3052。整個(gè)大腦蒙片通過CBV圖閾值轉(zhuǎn)換(CBV>0)獲得，未連接的或稀疏連接的組件例如眼睛和易感性人工制品通過應(yīng)用形態(tài)算法被去掉；正如thinning和H-break參見參考文獻(xiàn)“使用Matlab的數(shù)字圖像處理”，Gonzalez，R.C.，R.E.Woods和S.L.艾汀斯，2004，在此完整地被引用。CSF蒙片在高對比度CSF-組織圖上，通過體素強(qiáng)度的直方圖分離獲得，通過組合結(jié)構(gòu)圖(T2)和ADC獲得。向PWI圖共同注冊MNI(蒙特利爾神經(jīng)學(xué)研究所)模板，自動生成左和右半球蒙片。DWI體積中劣質(zhì)切片中的非腦組織(例如眼睛、骨骼、空氣等)對噪聲成分有貢獻(xiàn)，并增大假陽性率。因此，我們使用例6中描述的、自動生成的TTP損傷蒙片來確定DWI感興趣的切片。最初ADC和DWI蒙片，在600*10-6mm2/sec由閾值轉(zhuǎn)換ADC圖而創(chuàng)建，DWI圖像在對側(cè)平均強(qiáng)度+兩個(gè)標(biāo)準(zhǔn)偏差，參見圖30和第2-3行3054-3056。乘最初蒙片保留DWI損傷的核心，去掉假陽性損傷(標(biāo)記圖像)，參見圖30和第4行3058。通過重構(gòu)由最初DWI損傷蒙片約束的標(biāo)記圖像產(chǎn)生最終DWI損傷蒙片，參見圖30和第5行3060。PWI-DWI錯(cuò)配定義為TTP損傷減去DWI和TTP損傷的交集。自動半暗帶分割算法在MatlabR2010a中實(shí)現(xiàn)(馬薩諸塞州，納蒂克，MathWorks公司)圖30給出了DWI損傷分割算法中步驟的示意圖。最初在原始DWI圖(A)上，應(yīng)用整個(gè)腦蒙片(B)刪除非腦組織，以獲得圖像(C)。隨后在600*10-6mm2/sec，通過閾值轉(zhuǎn)換ADC圖(D)，創(chuàng)建ADC蒙片(E)。圖像(F)表示用ADC蒙片(E)覆蓋的圖像(D)。在對側(cè)平均強(qiáng)度+兩個(gè)標(biāo)準(zhǔn)偏差，閾值轉(zhuǎn)換經(jīng)形態(tài)灰度重構(gòu)的DWI圖像(G)，生成DWI蒙片(H)。圖像(I)表示用ADC蒙片(H)覆蓋的圖像(G)。標(biāo)記圖像(L)通過ADC蒙片(J)和DWI蒙片(K)相乘構(gòu)建，生成蒙片表明大腦中具有低ADC強(qiáng)度和高DWI強(qiáng)度的區(qū)域。重構(gòu)由最初DWI蒙片(N)約束的標(biāo)記圖像(M)，產(chǎn)生確定的DWI損傷蒙片(O)。(R)DWI損傷蒙片(Q)在原始DWI圖像(P，A)上覆蓋?；颊吆蛨D像獲取如例5所示。自動和人工DWI損傷和半暗帶勾畫輪廓的比較四個(gè)在神經(jīng)系放射學(xué)上具有豐富的臨床工作經(jīng)驗(yàn)的評估人(一個(gè)神經(jīng)系放射學(xué)家和三個(gè)放射科醫(yī)師)，在DWI圖像上使用內(nèi)部開發(fā)的軟件人工勾畫DWI損傷輪廓。評估人看不到任何強(qiáng)度數(shù)值范圍和腦圖。自動確定的DWI損傷體積與人工勾畫的在三個(gè)評估人之間一致的DWI損傷共識圖相比。為量化自動方法和人工勾畫損傷輪廓之間的幾何和體積相似度，我們使用體積相關(guān)和Dice系數(shù)(DC)。DC(定義：兩個(gè)蒙片覆蓋蒙片的組合集的兩次交集)，DC是一個(gè)0-1之間的數(shù)，其中1表示兩個(gè)相同形狀之間完全重疊，0表示無重疊。DWI損傷的體積和幾何對比，在人工勾畫的PWI損傷中完成。分類性能根據(jù)靈敏度和特異性評估，且在在同側(cè)半球上確定。結(jié)果測定體積比較圖31顯示由自動方法和人工勾畫輪廓估算的DWI損傷的體積比較。圖32顯示由自動方法和人工勾畫輪廓估算的半暗帶的體積比較。對于圖31-32，各自的子圖A-D表示：A)APS蒙片和人工勾畫輪廓之間的體積相關(guān)(x軸表示人工蒙片體積[mL]，y軸表示APS蒙片體積[mL])；B)人工勾畫輪廓與APS相比的Bland-Altman圖(x軸表示平均損傷體積[mL]，y軸表示差值)；C)STM與人工勾畫輪廓之間的體積相關(guān)(x軸表示人工蒙片體積[mL]，y軸表示STM蒙片體積[mL])以及D)人工勾畫輪廓與STM相比的Bland-Altman圖(x軸表示平均損傷體積[mL]，y軸表示差值)。實(shí)線表示兩個(gè)比較的方法之間的平均值，而虛線表示平均差±2SD。關(guān)于自動方法和人工勾畫輪廓估算的DWI損傷的體積比較(比較，圖31)，對于APS與人工勾畫輪廓相比，斯皮爾曼相關(guān)是R2＝0.95。人工與APS勾畫輪廓之間的平均差為-1.2mL(2SD：10.3mL)表明由APS輕微高估，參見圖31和上面的行(子圖A-B)。對于STM技術(shù)R2＝0.80，人工和STM勾畫輪廓之間的平均差是-11.6mL(±2SD：37.1mL)表明由STM高估，參見圖31和下面的行(子圖C-D)。關(guān)于自動方法和人工勾畫輪廓估算的半暗帶的體積比較(比較，圖32)，對于APS與人工勾畫輪廓相比，斯皮爾曼相關(guān)是R2＝0.88(參見圖32和上面的行(子圖A-B))。人工與APS勾畫輪廓之間的平均差為-0.2mL(±2SD：65.5mL)，表明由APS較小地高估。對于STM技術(shù)R2＝0.67(參見圖32和較低的行(子圖C-D))，人工和STM勾畫輪廓之間的平均差是-31.6mL(±2SD：108.2mL)，表明由STM明顯高估。Dice系數(shù)和分類性能DWI蒙片生成的APS的中值DC是0.65(25th-75th四分位數(shù)：0.44-0.79)，中值靈敏度是0.83(25th-75th四分位數(shù)：0.53-0.95)和中值特異性是1(25th-75th四分位數(shù)：100–1)。DWI蒙片生成的STM的中值DC是0.24(25th-75th四分位數(shù)：0-0.51)，中值靈敏度是0.96(25th-75th四分位數(shù)：0-1)和中值特異性是1(25th-75th四分位數(shù)：1–1)。圖33顯示了半暗帶分類性能評估小結(jié)。對于APS半暗帶蒙片中值Dice系數(shù)(DC)是0.68(25th-75th四分位數(shù)：0.45-0.78)，中值靈敏度(Sens.)是0.78(25th-75th四分位數(shù)：0.58-0.90)和中值特異性(Spec.)是0.96(25th-75th四分位數(shù)：0.92–0.98)。對于APS半暗帶蒙片中值Dice系數(shù)(DC)是0.37(25th-75th四分位數(shù)：0.06-0.59)，中值靈敏度是0.54(25th-75th四分位數(shù)：0.23-0.77)和中值特異性是0.95(25th-75th四分位數(shù)：0.90–0.98)。每個(gè)患者的中值處理時(shí)間是21.4秒(8.9-33.9)，主要依賴于半暗帶體積和被評估的切片的數(shù)量。討論根據(jù)例7的DWI損傷分割算法的一個(gè)優(yōu)勢在于：從ADC圖和DWI圖中提取并發(fā)信息，用于DWI損傷的自動分割，可產(chǎn)生更好的分割。只有在ADC圖上呈現(xiàn)高信號的損傷，和在DWI圖上呈現(xiàn)高信號的損傷，被分割為DWI損傷。通過這種方法，算法避免分割“老的”損傷，其通常在DWI圖和白質(zhì)結(jié)構(gòu)上呈現(xiàn)高信號，白質(zhì)結(jié)構(gòu)典型地在ADC圖上呈現(xiàn)高信號。綜上所述，本發(fā)明涉及一種方法，該方法用于估算生物組織中的半暗帶的半暗帶尺寸的度量，其中分別通過灌注加權(quán)成像(PWI)和彌散加權(quán)成像(DWI)，獲得的第一和第二圖像被分析；且其中第一圖像的分析包括水平集方法的應(yīng)用，第二圖像的分析包括灰度形態(tài)運(yùn)算的應(yīng)用。在本發(fā)明進(jìn)一步的實(shí)施例中，連通組件標(biāo)記算法可以應(yīng)用在第一和第二圖像中的任何一個(gè)上。本發(fā)明進(jìn)一步涉及系統(tǒng)、一個(gè)計(jì)算機(jī)程序產(chǎn)品和相應(yīng)方法的使用。盡管結(jié)合詳細(xì)說明的實(shí)施例描述本發(fā)明，無論如何不應(yīng)解釋為限制到提供的實(shí)例。本發(fā)明的范圍由附隨的權(quán)利要求書說明。在權(quán)利要求的上下文中，術(shù)語“包含”或“包括”不排除其他的要素或步驟。而且，提到引用例如“一個(gè)”不應(yīng)解釋為排除多個(gè)。權(quán)利要求中關(guān)于附圖中表明的部件的標(biāo)號的使用，也不應(yīng)解釋為對本發(fā)明范圍的限制。此外，不同權(quán)利要求中提到的每個(gè)特征可方便地組合，并且在不同權(quán)利要求中提到這些特征，不排除特征的組合是不可能的和無益的。附件1表I表II表III附件2表IV表V表VI