类CT灌注成像的生成方法、装置和设备

技术领域

本申请属于图像生成技术领域，尤其涉及一种类CT灌注成像的生成方法、装置和设备。

背景技术

目前，CTP(Computed Tomography Perfusion，计算机断层扫描灌注成像)是AIS(Acute Ischemic Stroke，急性缺血性卒中)临床诊断上广泛应用的医学成像方法。然而，CT灌注成像的采集时间较长，可能延误急性缺血性卒中患者的救治时机。

发明内容

本申请的实施例提供了一种类CT灌注成像的生成方法、装置和设备，进而至少在一定程度上可以缩短CT灌注成像的成像时间，有助于提高急性缺血性卒中患者的救治效率。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的第一方面，提供了一种类CT灌注成像的生成方法，包括：

获取多个急性缺血性卒中病例的CT影像样本，每一所述CT影像样本至少包括平扫CT影像子样本、多时相CT血管造影子样本以及CT灌注成像子样本；

对各个所述CT影像样本进行预处理和样本数据集划分；

将处理后的各个所述平扫CT影像子样本以及各个所述多时相CT血管造影样本作为生成对抗网络的输入，并将处理后的各个所述CT灌注成像子样本作为所述生成对抗网络的标签，训练得到类CT灌注成像生成模型，所述类CT灌注成像生成模型用于生成第一类CT灌注成像。

在本申请的一些实施例中，基于前述方案，对各个所述CT影像样本进行预处理，包括：

对各个所述CT影像样本进行以下一种或多种预处理：标准化、去颅骨、去除无效横断面、去除脑室结构、旋转图像、平移图像、裁剪图像以及缩放图像。

在本申请的一些实施例中，基于前述方案，所述生成对抗网络包括生成器和鉴别器，所述将处理后的各个所述平扫CT影像子样本以及各个所述多时相CT血管造影样本作为生成对抗网络的输入，并将处理后的各个所述CT灌注成像子样本作为所述生成对抗网络的标签，训练得到类CT灌注成像生成模型，包括：

将处理后的各个所述平扫CT影像子样本以及各个所述多时相CT血管造影样本在所述生成器的输入通道上进行拼接，并将拼接后的第一图像子样本作为所述生成器的输入；

将处理后的各个所述CT灌注成像子样本作为所述生成器的标签；

对所述生成器进行训练，以生成第二类CT灌注成像；

将所述CT灌注成像子样本、所述第一图像子样本以及所述第二类CT灌注成像在所述鉴别器的输入通道上进行拼接，并将拼接后的第二图像子样本作为所述鉴别器的输入；

对所述鉴别器进行训练，以对所述CT灌注成像子样本和所述第二类CT灌注成像进行鉴别；

对所述生成器和所述鉴别器进行交替训练，得到所述类CT灌注成像生成模型。

在本申请的一些实施例中，基于前述方案，所述CT灌注成像子样本包括多个模态的CT灌注成像子样本，所述将处理后的各个所述CT灌注成像子样本作为所述生成对抗网络的标签，训练得到类CT灌注成像生成模型，包括：

分别将各个模态的CT灌注成像子样本作为一个所述生成对抗网络的标签，训练得到不同模态对应的各个类CT灌注成像生成模型。

在本申请的一些实施例中，基于前述方案，所述CT灌注成像子样本包括Tmax灌注成像子样本、CBF灌注成像子样本以及CBV灌注成像子样本。

在本申请的一些实施例中，基于前述方案，每一所述CT影像样本还包括对应急性缺血性卒中病例的随访影像子样本，在训练得到类CT灌注成像生成模型之后，所述方法还包括：

将所述第一类CT灌注成像作为图像分割网络的输入，将所述随访影像子样本作为所述图像分割网络的标签，以对所述急性缺血性卒中病例的第三类CT灌注成像进行预测。

在本申请的一些实施例中，基于前述方案，所述类CT灌注成像生成模型包括至少一个模态对应的类CT灌注成像生成模型，所述将所述第一类CT灌注成像作为图像分割网络的输入，包括：

将各个模态对应的类CT灌注成像生成模型生成的各个所述第一类CT灌注成像在所述图像分割网络的输入通道上进行拼接；

将拼接后的第四类CT灌注成像作为所述图像分割网络的输入。

在本申请的一些实施例中，基于前述方案，所述随访影像子样本包括灌注治疗成功的病例的第一随访影像子样本，以及灌注治疗失败的病例的第二随访影像子样本，所述将所述随访影像子样本作为所述图像分割网络的标签，包括：

分别将所述第一随访影像子样本和所述第二随访影像子样本作为各个所述图像分割网络的标签。

根据本申请实施例的第二方面，提供了一种类CT灌注成像的生成装置，包括：

获取单元，用于获取多个急性缺血性卒中病例的CT影像样本，每一所述CT影像样本至少包括平扫CT影像子样本、多时相CT血管造影子样本以及CT灌注成像子样本；

处理单元，用于对各个所述CT影像样本进行预处理和样本数据集划分；

训练单元，用于将处理后的各个所述平扫CT影像子样本以及各个所述多时相CT血管造影样本作为生成对抗网络的输入，并将处理后的各个所述CT灌注成像子样本作为所述生成对抗网络的标签，训练得到类CT灌注成像生成模型，所述类CT灌注成像生成模型用于生成第一类CT灌注成像。

根据本申请实施例的第三方面，提供了一种电子设备，其特征在于，包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述至少一条程序代码由所述一个或多个处理器加载并执行以实现如第一方面任一所述的方法所执行的操作。

本发明实施例提供的一个或者多个技术方案，至少实现了如下技术效果或者优点：

本申请通过获取多个急性缺血性卒中病例的CT影像样本，每一CT影像样本至少包括平扫CT影像子样本、多时相CT血管造影子样本以及CT灌注成像子样本；利用各个平扫CT影像子样本以及各个多时相CT血管造影样本作为生成对抗网络的输入，并将各个所述CT灌注成像子样本作为生成对抗网络的标签，训练得到类CT灌注成像生成模型，类CT灌注成像生成模型用于生成第一类CT灌注成像。从而在应用过程中，利用具备平扫CT和多时相CT血管造影采集能力的设备，分别获取平扫CT和多时相CT血管造影，并利用类CT灌注成像生成模型生成第一类CT灌注成像，该第一类CT灌注成像具有与CT灌注成像基本一致的成像效果，因此在保证成像质量的前提下，缩短了CT灌注成像的成像时间，有助于提高急性缺血性卒中患者的救治效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。在附图中：

图1示出了本申请实施例的类CT灌注成像的生成方法的流程图；

图2示出了本申请实施例的生成对抗网络的总体框架图；

图3示出了本申请实施例的各个CT灌注成像子样本和各个第一类CT灌的对比图；

图4示出了本申请实施例的类CT灌注成像的生成装置的结构图；

图5示出了适于用来实现本申请实施例的电压力锅的计算机系统的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

还需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的对象在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。

首先，需要说明的是，急性缺血性卒中是一种常见的疾病，主要由脑动脉闭塞导致。急性缺血性卒中发病迅速，及时的诊疗可以显著提高患者存活率与治疗效果，而错过治疗时机往往会造成不可逆的损伤。因此，快速和准确地采集医学影像，对于指导患者的治疗和预后至关重要。

其中，CT灌注成像是急性缺血性卒中临床诊断上广泛应用的医学成像方法，它可以在体素水平上预测病灶位置，并区分半暗带与梗死区域。然而，CT灌注成像的采集时间较长，尤其是对于老旧的CT灌注成像设备而言，CT灌注成像的扫描结果易受患者运动、辐射剂量和Z轴覆盖率的影响，导致成像效率欠佳。此外，目前，由于扫描设备的限制，大多数社区医院和初级卒中中心不具备在紧急情况下进行CT灌注成像扫描的能力，因此可能延误急性缺血性卒中的救治时机。

目前，多数医疗机构常用的CT成像方式为NCCT(Non-Contrast CT，平扫CT)和CTA(CT Angiography，CT血管造影)，其中，CT血管造影和CT灌注成像均为CT扫描方式的一种，均通过将增强剂注入患者体内，使得造影剂呈现对应的亮度特征，二者成像原理类似。其中，CT血管造影的扫描时间短，使用的造影剂较少，因此扫描时间快。但由于缺少时间维度的信息，CT血管造影和平扫CT目前尚无法应用于预测急性缺血性卒中的病灶。

基于上述，本申请实施例提出了类CT灌注成像的生成方法，旨在利用平扫CT设备和CT血管造影设备采集的图像，以及训练得到的类CT灌注成像生成模型，获得用于预测急性缺血性卒中的病灶的类CT灌注成像，从而缩短CT灌注成像的成像时间，有助于提高急性缺血性卒中患者的救治效率。

参见图1，示出了本申请实施例的类CT灌注成像的生成方法的流程图。

如图1所示，根据本申请实施例的第一方面，提供了一种类CT灌注成像的生成方法，包括但不限于由步骤S1至步骤S3实现：

步骤S1.获取多个急性缺血性卒中病例的CT影像样本，每一所述CT影像样本至少包括平扫CT影像子样本、多时相CT血管造影子样本以及CT灌注成像子样本；

可以理解的是，从历史诊疗数据中，可以获取各个缺血性卒中病例的CT影像样本，在本申请实施例中，针对性的获取具有三种CT影像的病例的样本数据，即包括平扫CT影像子样本、多时相CT血管造影子样本以及CT灌注成像子样本的CT影像样本，以用于后续的模型训练。

在步骤S1中，为了对后续的类CT灌注成像生成模型进行验证，每一所述CT影像样本还包括对应急性缺血性卒中病例的随访影像子样本，也就是说，上述的每一急性缺血性卒中病例，除了包括平扫CT影像子样本、多时相CT血管造影子样本以及CT灌注成像子样本外，还包括随访影像子样本。所述随访影像子样本可以是平扫CT影像或MRI(MagneticResonance Imaging，磁共振)影像，各个随访影像子样本可以是灌注治疗成功的病例的样本数据，或者是灌注治疗失败的病例的样本数据。

步骤S2.对各个所述CT影像样本进行预处理和样本数据集划分；

在步骤S2的一些实施例中，基于前述方案，对各个所述CT影像样本进行预处理，包括：

对各个所述CT影像样本进行以下一种或多种预处理：标准化、去颅骨、去除无效横断面、去除脑室结构、旋转图像、平移图像、裁剪图像以及缩放图像。

其中，对所述CT影像样本进行标准化预处理可以是：根据经验设定阈值，为平扫CT影像子样本、多时相CT血管造影子样本以及CT灌注成像子样本的CT影像样本设定上限阈值max和下限阈值min，基于上限阈值max和下限阈值min对各个子样本数据进行截断，各个子样本数据x进行标准化处理的形式如下：

x＝max(x>max)；

x＝min(x

然后，利用[0,1]归一化的处理方法对各个子样本数据进行处理，具体的，根据经验设定归一化参数的上限阈值Xmax和下限阈值Xmin，各个子样本数据x

其中，对CT影像样本进行去颅骨处理是指去除所述CT影像样本中的颅骨区域，由于颅骨的亮度很高，对于CT灌注成像而言是无效数据，通过去除颅骨数据可以降低异常数据的干扰。

其中，对CT影像样本进行去除无效横断面是指：脑部CT扫描图像的横断面中，部分横断面内的脑组织面积较小，扫描效果较差，排除这部分横断面有利于后续神经网络的训练，且不会对类CT灌注成像的生成与病灶的预测产生影响。因此，根据横断面脑组织的面积，即像素点的数量设置阈值，排除脑组织面积小于阈值的横断面。

其中，对CT影像样本进行去除脑室结构是指：由于脑室部分没有急性缺血性卒中的病灶，在采用横断面训练时，部分没有脑室的横断面生成或分割会受到有脑室图像的影响，从而影响模型训练。因此，本申请实施例将脑室部分去除，即将脑室部分的像素值置0。

其中，对CT影像样本进行图像旋转可以是：依照大脑结构的中线，采用三次样条插值方法，将中线不平行于图像垂直线的整个脑部图像按照中线与图像垂直线的夹角旋转，使得中线平行与图像的垂直线。从而提高生成模型的结果，保证网络训练的稳定性。

其中，对CT影像样本进行图像平移可以是：根据大脑结构中线的中点，将中点不在图像正中心的整个脑部图像平移至图像的中央。从而提高生成模型的结果，保证网络训练的稳定性。

其中，对CT影像样本进行图像裁剪可以是：对图像进行中心裁剪，获得包含整个脑部结构在内的整个中心图像，从而为了提高图像的有效内容，排除冗余信息。

其中，对CT影像样本进行图像缩放可以是：使用双线性插值法，裁剪后的图像缩放到预设尺寸，例如缩放至256×256，从而统一图像的大小。

在步骤S2的一些实施例中，为了选取合适的超参数，保证模型的泛化能力，后续模型的训练采用五折交叉验证法，因此，本申请实施例将上述的各个CT影像样本划分为五份。

为了保证样本数据的平衡性，对各个CT影像样本进行如下划分：

假设至少包含有平扫CT影像子样本、多时相CT血管造影子样本以及CT灌注成像子样本的病例共N位。且N位病例中有Na位病例含有随访影像子样本，在Na位病例中，成功灌注治疗的患者共Na位，失败灌注治疗的患者共Nb位，Na位和Nb位病例的随访影像子样本将作为后续生成对抗网络和图像分割网络的训练集。

然后，将各个CT影像样本分为五等份，每份数据中包括N/5位病例的CT影像样本，且每份数据中包含Na/5和Nb/5位病例的随访影像子样本。

步骤S3.将处理后的各个所述平扫CT影像子样本以及各个所述多时相CT血管造影样本作为生成对抗网络的输入，并将处理后的各个所述CT灌注成像子样本作为所述生成对抗网络的标签，训练得到类CT灌注成像生成模型，所述类CT灌注成像生成模型用于生成第一类CT灌注成像。

参见图2，示出了本申请实施例的生成对抗网络的总体框架图。

如图2所示，在步骤S3的一些实施例中，基于前述方案，所述生成对抗网络包括生成器和鉴别器。

其中，所述生成器的其中一种网络结构可以是：

生成器G包括16层卷积网络模块，其中，前八层为下采样模块，后八层为上采样模块。下采样模块的第一层为二维卷积，后续六层均为激活层-卷积层-归一化层，最后一层为激活层-卷积层。上采样模块的第一层至第七层为激活层-反卷积层-归一化层，最后一层包括激活层-卷积层-输出激活层。

在一些实施方式中，在下采样过程中，各个激活层采用Leaky ReLU函数，各个卷积层采用卷积核大小为(4，4)、步长为(2，2)，填充为(1，1)的Conv2d二维卷积模块，各个归一化层采用批归一化函数BatchNorm2d。下采样模块的各层特征通道的数量按照第一层的倍数逐步增加，即分别为1、2、4、8、8、8、8、8和8。

在一些实施方式中，在上采样过程中，各个激活层使用ReLU函数，各个卷积层使用卷积核大小为(4，4)，步长为(2，2)，填充为(1，1)的二维转置卷积模块，各个归一化层采用默认参数的BatchNorm2d函数。上采样模块的各层特征通道数量，按照第一层的倍数逐步减少，即分别为：8、8、8、8、8、8、4、2和1。

需要说明的是，上采样模块的第一层的输入来自下采样模块的最后一层的输出，而上采样模块的二到八层的各层输入，为二到八层各自的上一层输出的特征，以及对应的下采样层特征在二到八层各自的输入通道上拼接而成。

此外，在上采样模块的第二、第三以及第四层的末端添加概率为第一概率的Dropout模块，例如第一概率为0.5；并在上采样模块最后的输出激活层使用Tanh激活函数。

其中，所述鉴别器的其中一种网络结构可以是：

鉴别器D为一个五层的卷积神经网络，第一层为卷积层-激活层，二到四层为卷积层-归一化层-激活层，最后的决策层为卷积层。

在一些实施方式中，鉴别器D的各个卷积层使用卷积核大小为(4，4)，步长为(2，2)，填充为(1，1)的Conv2d二维卷积模块，各个归一化层使用批归一化函数BatchNorm2d，各个激活层使用LeakyReLU函数。鉴别器的各层特征通道的数量按照第一层的倍数逐步增加，分别为：1、2、4、8和8，决策层用于将特征转化为最后的预测结果。

在步骤S3的一些实施例中，基于前述方案，所述将处理后的各个所述平扫CT影像子样本以及各个所述多时相CT血管造影样本作为生成对抗网络的输入，并将处理后的各个所述CT灌注成像子样本作为所述生成对抗网络的标签，训练得到类CT灌注成像生成模型，包括：

步骤S31.将处理后的各个所述平扫CT影像子样本以及各个所述多时相CT血管造影样本在所述生成器的输入通道上进行拼接，并将拼接后的第一图像子样本作为所述生成器的输入；

步骤S32.将处理后的各个所述CT灌注成像子样本作为所述生成器的标签；

步骤S33.对所述生成器进行训练，以生成第二类CT灌注成像；

可以理解的是，所述第二类CT灌注成像是生成器在训练过程中基于CT影像子样本和多时相CT血管造影样本预测得到的类CT灌注成像，第二类CT灌注成像的分辨率和一致性尚未到达预设要求，区别于利用训练完成的生成模型得到的第一类CT灌注成像。

步骤S34.将所述CT灌注成像子样本、所述第一图像子样本以及所述第二类CT灌注成像在所述鉴别器的输入通道上进行拼接，并将拼接后的第二图像子样本作为所述鉴别器的输入；

步骤S35.对所述鉴别器进行训练，以对所述CT灌注成像子样本和所述第二类CT灌注成像进行鉴别；

步骤S36.对所述生成器和所述鉴别器进行交替训练，得到所述类CT灌注成像生成模型。

基于上述，通过生成器G和鉴别器D进行交替训练直到得到满足要求的类CT灌注成像生成模型，最终可以得到具有高一致性和高分辨率的类CT灌注成像。

在步骤S3的一些实施例中，基于前述方案，所述CT灌注成像子样本包括多个模态的CT灌注成像子样本，例如是在Tmax(Time to Top，脑组织储存血液功能达到最大值的时间)灌注成像子样本、CBF(Cerebral Blood Flow，脑血流)灌注成像子样本以及CBV(Cerebral Blood Volume，脑血容量)灌注成像子样本。

在步骤S3的一些实施例中，基于前述方案，所述将处理后的各个所述CT灌注成像子样本作为所述生成对抗网络的标签，训练得到类CT灌注成像生成模型，包括：

分别将各个模态的CT灌注成像子样本作为一个所述生成对抗网络的标签，训练得到不同模态对应的各个类CT灌注成像生成模型。

可以理解的是，通过将各个模态的CT灌注成像子样本作为一个所述生成对抗网络的标签，从而可以训练得到不同模态对应的各个类CT灌注成像生成模型，进而可以在应用时，利用针对不同维度的类CT灌注成像生成模型分别生成不同的第一类CT灌注成像，并结合各个第一类CT灌注成像对应急性缺血性卒中病例的病灶进行预测，以提高预测结果的准确性。

参见图3，示出了本申请实施例的各个CT灌注成像子样本和各个第一类CT灌的对比图。

在图3中，左侧自上而下分别为CBF灌注成像子样本、CBV灌注成像子样本以及Tmax灌注成像子样本，右侧自上而下分别为CBF模态对应的第一类CT灌注成像、CBV模态对应的第一类CT灌注成像以及Tmax模态对应的第一类CT灌注成像。由图中可知，经过本申请步骤S1-步骤S3训练得到的各个类CT灌注成像生成模型分别输出的第一类CT灌注成像，与原始的CT灌注成像子样本具有高度相似性，因此在实际应用中，可以利用平扫CT设备、CT血管造影设备以及类CT灌注成像生成模型，替代传统的CT灌注成像扫描设备，生成类CT灌注成像，提高CT灌注成像的成像效率。

在本申请的一些实施例中，基于前述方案，每一所述CT影像样本还包括对应急性缺血性卒中病例的随访影像子样本，在训练得到类CT灌注成像生成模型之后，所述方法还包括：

步骤S4.将所述第一类CT灌注成像作为图像分割网络的输入，将所述随访影像子样本作为所述图像分割网络的标签，以对所述急性缺血性卒中病例的第三类CT灌注成像进行预测。

在步骤S4的一些实施方式中，图像分割网络采用UNet网络。图像分割网络的其中一种网络结构可以是：

图像分割网络包括七个下采样层和七个上采样层。每个下采样层包括两组卷积层-归一化层-激活层。在七个上采样层中，前六个上采样层均包括一个转置卷积模块和两组卷积层-归一化层-激活层，最后一个上采样层为决策层，包括一个卷积层。

在一些实施方式中，上述各个激活层采用LeakyRelu函数，各个归一化层使用InstanceNorm2d函数。在各个下采样层中，第二到第七个下采样层分别包括两个卷积层，在两个卷积层中，第一个卷积层使用卷积核为(3，3)，步长为(2，2)，填充为(1，1)的二维卷积模块，第二个卷积层使用卷积核为(3，3)，步长为(1，1)，填充为(1，1)的二维卷积模块。此外，第一个下采样层使用两个卷积核为(3，3)，步长为(1，)，填充为(1，1)的二维卷积模块。

在一些实施方式中，在各个上采样层中，除决策层使用一个卷积核为(1，1)，步长为(1，1)的二维卷积模块之外，其他各个上采样层的卷积层均使用核为(3，3)，步长为(1，1)，填充为(1，1)的二维卷积模块。此外，各个转置卷积模块均使用卷积核为(2，2)，步长为(2，2)的二维转置卷积模块。

在一些实施方式中，除了转置卷积模块之外，其他各个采样层的输入均为上一层输出的特征，而转置卷积模块的输入由对应下采样层输出的特征与上一层输出的特征在通道上拼接构成。

在一些实施方式中，下采样各层特征通道数量按照第一层的倍数逐步增加，分别为：1、2、4、8、8、8和8，上采样各层特征通道数量按照第一层的倍数逐步减少，分别为：8、8、8、8、4、2和1。

在本申请的一些实施例中，基于前述方案，所述类CT灌注成像生成模型包括至少一个模态对应的类CT灌注成像生成模型，所述将所述第一类CT灌注成像作为图像分割网络的输入，包括：

步骤S41.将各个模态对应的类CT灌注成像生成模型生成的各个所述第一类CT灌注成像在所述图像分割网络的输入通道上进行拼接；

步骤S42.将拼接后的第四类CT灌注成像作为所述图像分割网络的输入。

需要说明的是，各个模态对应的类CT灌注成像生成模型生成的各个所述第一类CT灌注成像在所述图像分割网络的输入通道上进行拼接，使得图像分割网络的输入图像更能表征病例的脑部印象特征，提高数据的准确性。

在本申请的一些实施例中，为了提高模型的拟合能力，基于前述方案，所述随访影像子样本包括灌注治疗成功的病例的第一随访影像子样本，以及灌注治疗失败的病例的第二随访影像子样本，所述将所述随访影像子样本作为所述图像分割网络的标签，包括：

分别将所述第一随访影像子样本和所述第二随访影像子样本作为各个所述图像分割网络的标签。

需要说明的是，由于灌注治疗的成功与否对随访病例的病灶有影响，因此通过训练两个不同的图像分割模型，即分别用成功灌注治疗的病例样本数据和失败灌注治疗的病例样本数据来训练，以提高模型的拟合能力。

基于上述公开的内容，本申请通过获取多个急性缺血性卒中病例的CT影像样本，每一CT影像样本至少包括平扫CT影像子样本、多时相CT血管造影子样本以及CT灌注成像子样本；利用各个平扫CT影像子样本以及各个多时相CT血管造影样本作为生成对抗网络的输入，并将各个所述CT灌注成像子样本作为生成对抗网络的标签，训练得到类CT灌注成像生成模型，类CT灌注成像生成模型用于生成第一类CT灌注成像。从而在应用过程中，利用具备平扫CT和多时相CT血管造影采集能力的设备，分别获取平扫CT和多时相CT血管造影，并利用类CT灌注成像生成模型生成第一类CT灌注成像，该第一类CT灌注成像具有与CT灌注成像基本一致的成像效果，因此在保证成像质量的前提下，缩短了CT灌注成像的成像时间，有助于提高急性缺血性卒中患者的救治效率。此外，本申请实施例通过训练图像分割网络来对类CT灌注成像生成模型生成的类CT灌注成像进行预测，提高了类CT灌注成像生成模型的有效性。

参见图4，示出了本申请实施例的类CT灌注成像的生成装置的结构图。

如图4所示，根据本申请实施例的第二方面，提供了一种类CT灌注成像的生成装置，包括：

获取单元，用于获取多个急性缺血性卒中病例的CT影像样本，每一所述CT影像样本至少包括平扫CT影像子样本、多时相CT血管造影子样本以及CT灌注成像子样本；

处理单元，用于对各个所述CT影像样本进行预处理和样本数据集划分；

训练单元，用于将处理后的各个所述平扫CT影像子样本以及各个所述多时相CT血管造影样本作为生成对抗网络的输入，并将处理后的各个所述CT灌注成像子样本作为所述生成对抗网络的标签，训练得到类CT灌注成像生成模型，所述类CT灌注成像生成模型用于生成第一类CT灌注成像。

根据本申请实施例的第三方面，提供了一种电子设备，其特征在于，包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述至少一条程序代码由所述一个或多个处理器加载并执行以实现如第一方面任一所述的方法所执行的操作。

参见图5，为适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

根据本申请实施例的第三方面，提供了一种电子设备，包括一个或多个处理器和一个或多个存储器，一个或多个存储器中存储有至少一条程序代码，至少一条程序代码由一个或多个处理器加载并执行以实现如第一方面任一的方法所执行的操作。

如图5所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430。

其中，存储单元存储有程序代码，程序代码可以被处理单元410执行，使得处理单元410执行本说明书上述“实施例方法”部分中描述的根据本申请各种示例性实施方式的步骤。

存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)421和/或高速缓存存储单元422，还可以进一步包括只读存储单元(ROM)423。

存储单元420还可以包括具有一组(至少一个)程序模块425的程序/实用工具424，这样的程序模块425包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备400也可以与一个或多个外部设备500(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且，电子设备400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器460通过总线430与电子设备400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施，那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说，归因于软件的性质，上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外，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，也可以两个或两个以上单元集成在一个单元中。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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。另一点，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，作为控制装置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实施例方案的目的。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

根据本申请实施例的第四方面，提供了一种计算机可读存储介质，计算机可读存储介质中存储有至少一条计算机程序指令，至少一条计算机程序指令由处理器加载并执行以实现如第一方面任一的方法所执行的操作。

计算机可读存储介质可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本申请的计算机可读存储介质不限于此，在本申请中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用

可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

以上所述仅为本申请的实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。