申请/专利权人：南京钺曦医疗科技有限公司

申请日：2021-04-26

公开（公告）日：2021-05-28

公开（公告）号：CN112862022A

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101);G06T7/00(20170101);G06T7/33(20170101);A61B6/00(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2021.06.15#实质审查的生效;2021.05.28#公开

摘要：本发明提供了一种计算非增强CT的ASPECTS评分方法，包括如下步骤：获取脑缺血非增强CT影像数据，并提取目标区域；判断是否缺血进行标记；设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型；输入数据为待测图像，左右脑对应区域的掩模图像以及是否缺血的分类标签；根据得到的分类结果计算ASPECTS评分。本发明既考虑了同一区域左右侧局部对比，又能兼顾该区域在整个脑组织内的全局情况。

主权项：1.一种计算非增强CT的ASPECTS评分方法，其特征在于，包括如下步骤：步骤1：获取脑缺血非增强CT影像数据，并提取目标区域；目标区域为非增强CT影像数据中用于评分的区域，分别为尾状核头、豆状核、内囊后肢、岛带及M1-M6区，共10个区域；步骤2：对各区域是否缺血进行标记；同时由3名及以上的奇数名专家对同一个区域进行是否缺血的标记；步骤3：设计基于深度学习的脑缺血分类模型，利用标记好的脑缺血非增强CT影像数据来训练所述分类模型；输入数据为待测图像，左右脑同一对应区域的掩模图像以及是否缺血的分类标签；步骤4：将待测脑缺血非增强CT影像数据输入所述步骤3中训练好的分类模型中，得到分类结果；步骤5：根据所述步骤4中得到的分类结果计算ASPECTS评分；所述步骤3具体包括：网络模型由卷积层，最大池化层，全连接层与softmax分类器构成；所述卷积层包括卷积核、BatchNorm与Relu激活函数，后续卷积层尺寸均指其卷积核大小；网络模型结构为顺序连接以下模块：连续2个64通道的步长为1的5×5卷积层，2×2大小的最大池化层，连续2个128通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续2个256通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续4个512通道的步长为1的3×3卷积层，2×2大小的最大池化层，连续4个512通道的步长为1的3×3卷积层，2×2大小的最大池化层，4096个单元的全连接层，1024个单元的全连接层，soft-max分类器；输出为当前对应区域是否缺血的标签。

全文数据：

权利要求：

百度查询： 南京钺曦医疗科技有限公司 一种计算非增强CT的ASPECTS评分方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD