脑脊液分割模型的生成方法、应用方法及装置

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种脑脊液分割模型的生成方法、应用方法及装置。

背景技术

急性脑血管病是由各种原因导致的急、慢性脑血管病变，主要有出血性卒中和缺血性卒中。CTP(Computed Tomography Perfusion imaging，CT灌注成像)是基于对比剂具有放射性同位素的弥散特点，通过注射静脉团注对比剂，在感兴趣区域进行全脑容积扫描。通过CTP成像计算CBF(Cerebral Blood Flow，脑血流量)、CBV(血容量，Cerebral BloodVolume)、MTT(Mean Transit Time，平均通过时间)、TPP(Time to Peak，达峰时间)、Tmax(剩余函数最大峰值时间)，能够得到核心梗死灶和缺血半暗带，从而有效的诊断急性缺血性脑卒中。

脑脊液是存在于脑室及蛛网膜下腔的一种无色透明的液体。在CT灌注成像中，脑脊液与梗死灶的密度值相近，当梗死灶和脑室相连时，在CTP图像中会出现脑脊液和梗死灶粘连的现象，因此如何在脑脊液和梗死灶粘连的CTP图像中区分脑脊液和梗死灶是医学图像处理中一个重要的问题。

发明内容

为克服相关技术中存在的问题，本发明提供了一种脑脊液分割模型的生成方法、应用方法及装置，能够准确区分CTP图像中粘连的脑脊液和梗死灶。

根据本发明实施例的第一方面，提供一种脑脊液分割模型的生成方法，包括：

获取头部CT灌注成像CTP图像，所述CTP图像中不包括梗死灶，或者所述CTP图像中包括梗死灶但梗死灶与脑脊液不粘连；所述CTP图像为三维图像；

根据所述CTP图像构造样本数据，所述样本数据包括脑脊液和梗死灶粘连区域的二维模拟粘连图像、以及二维脑脊液图像；

设置生成式对抗网络模型以及所述生成式对抗网络模型的初始参数值；

利用所述样本数据对所述生成式对抗网络模型进行训练，得到训练完毕的生成式对抗网络模型，以所述训练完毕的生成式对抗网络模型中的生成网络模型作为脑脊液分割模型。

根据本发明实施例的第二方面，提供一种脑脊液分割模型的应用方法，包括：

获取受检对象的头部CT灌注成像CTP图像，所述CTP图像中包括梗死灶并且梗死灶与脑脊液粘连；所述CTP图像为三维图像；

根据所述CTP图像获取输入图像，所述输入图像中包括脑脊液和梗死灶粘连的区域；所述输入图像为二维图像；

将所述输入图像输入已训练好的脑脊液分割模型，获得所述脑脊液分割模型输出的目标脑脊液图像，其中，所述脑脊液分割模型是根据权利要求1～8任一项所述的方法生成的。

根据本发明实施例的第三方面，提供一种脑脊液分割模型的生成装置，包括：

非粘连图像获取模块，用于获取头部CT灌注成像CTP图像，所述CTP图像中不包括梗死灶，或者所述CTP图像中包括梗死灶但梗死灶与脑脊液不粘连；所述CTP图像为三维图像；

构造模块，用于根据所述CTP图像构造样本数据，所述样本数据包括脑脊液和梗死灶粘连区域的二维模拟粘连图像、以及二维脑脊液图像；

设置模块，用于设置生成式对抗网络模型以及所述生成式对抗网络模型的初始参数值；

训练模块，用于利用所述样本数据对所述生成式对抗网络模型进行训练，得到训练完毕的生成式对抗网络模型，以所述训练完毕的生成式对抗网络模型中的生成网络模型作为脑脊液分割模型。

根据本发明实施例的第四方面，提供一种脑脊液分割模型的应用装置，包括：

粘连图像获取模块，用于获取受检对象的头部CT灌注成像CTP图像，所述CTP图像中包括梗死灶并且梗死灶与脑脊液粘连；所述CTP图像为三维图像；

输入图像获取模块，用于根据所述CTP图像获取输入图像，所述输入图像中包括脑脊液和梗死灶粘连的区域；所述输入图像为二维图像；

分割模块，用于将所述输入图像输入已训练好的脑脊液分割模型，获得所述脑脊液分割模型输出的目标脑脊液图像，其中，所述脑脊液分割模型是根据第一方面所述的方法生成的。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明实施例，通过获取头部CT灌注成像CTP图像，所述CTP图像中不包括梗死灶，或者所述CTP图像中包括梗死灶但梗死灶与脑脊液不粘连，根据所述CTP图像构造样本数据，设置生成式对抗网络模型以及所述生成式对抗网络模型的初始参数值，利用所述样本数据对所述生成式对抗网络模型进行训练，得到训练完毕的生成式对抗网络模型，以所述训练完毕的生成式对抗网络模型中的生成网络模型作为脑脊液分割模型，能够利用正常的头部CTP图像，构造训练脑脊液分割模型所需的样本数据，进而训练得到脑脊液分割模型，为利用脑脊液分割模型从CTP图像中区分粘连的脑脊液和梗死灶奠定了基础。

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，并不能限制本说明书。

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，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。

图1是本发明实施例提供的脑脊液分割模型的生成方法的流程示例图。

图2为本发明实施例提供的CTP图像示意图。

图3是本发明实施例提供的生成网络模型的示例图。

图4是本发明实施例提供的判别网络模型的示例图。

图5是本发明实施例提供的脑脊液分割模型的应用方法的流程示例图。

图6是本发明实施例提供的脑脊液分割模型的生成装置的功能方块图。

图7是本发明实施例提供的脑脊液分割模型的应用装置的功能方块图。

图8是本发明实施例提供的控制台设备的一个硬件结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。

在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的，而非旨在限制本发明实施例。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

下面通过实施例对图像处理方法进行详细说明。

图1是本发明实施例提供的脑脊液分割模型的生成方法的流程示例图。如图1所示，本实施例中，脑脊液分割模型的生成方法可以包括：

S101，获取头部CT灌注成像CTP图像，所述CTP图像中不包括梗死灶，或者所述CTP图像中包括梗死灶但梗死灶与脑脊液不粘连；所述CTP图像为三维图像。

S102，根据所述CTP图像构造样本数据，所述样本数据包括脑脊液和梗死灶粘连区域的二维模拟粘连图像、以及二维脑脊液图像。

S103，设置生成式对抗网络模型以及所述生成式对抗网络模型的初始参数值。

S104，利用所述样本数据对所述生成式对抗网络模型进行训练，得到训练完毕的生成式对抗网络模型，以所述训练完毕的生成式对抗网络模型中的生成网络模型作为脑脊液分割模型。

其中，生成式对抗网络模型可以包括生成网络模型和判别网络模型。

本实施例中，CTP图像可以是CTP第一期的dicom格式的容积图像。在CT灌注成像过程中，随着时间的增加，对比剂会随着血管中血液的流动扩散，浓度降低，从而引起CTP图像质量下降。因此，第一期的CTP图像质量最高，本实施例通过选择第一期的CTP图像，可以获得较高质量的脑脊液图像。

本实施例中的脑脊液分割模型用于从脑脊液和梗死灶粘连的CTP图像中识别出脑脊液，从而将脑脊液和梗死灶区分开。为了训练脑脊液分割模型，需要获得相应的样本数据。样本数据越多，训练得到的脑脊液分割模型性能越好。

脑脊液分割模型的样本数据是包含脑脊液和梗死灶粘连区域的CTP图像，该CTP图像可以通过对已有的患者进行CTP扫描获得。然而在实际场景中，颅骨内部有梗死灶的患者数量有限，而且这些患者中梗死灶不一定与脑脊液粘连，因此导致实际中包含脑脊液和梗死灶粘连区域的CTP图像数量十分稀少，造成脑脊液分割模型的样本数据的稀缺。少量的样本数据无法训练出性能好的脑脊液分割模型。

为了获得足够的样本数据，本实施例中利用正常的头部CTP图像(即不包括梗死灶的头部CTP图像)或者普通的含有梗死灶的头部CTP图像(即包括梗死灶但梗死灶与脑脊液不粘连的CTP图像)来构造脑脊液分割模型的样本数据，有效解决了训练数据不足的问题。

其中，步骤S101中的CTP图像是三维的容积图像。本实施例中，利用该三维CTP图像构造包括脑脊液和梗死灶粘连区域的二维模拟粘连图像、以及二维脑脊液图像。

图2为本发明实施例提供的CTP图像示意图。图2中，(a)图为二维脑脊液图像，该图像中没有梗死灶，该图中的深色区域为脑脊液区域；(b)图是(a)图对应的包括脑脊液和梗死灶粘连区域的二维模拟粘连图像，该图中的深色区域为脑脊液和梗死灶粘连区域；(c)图是将(b)图所示的二维模拟粘连图像输入脑脊液分割模型后，脑脊液分割模型输出的脑脊液图像，该图中的深色区域为脑脊液区域。

在一个示例中，根据所述CTP图像构造样本数据，可以包括：

对所述CTP图像进行预处理，得到三维脑组织图像；

在所述脑组织图像中提取脑脊液区域的最大连通域的轮廓；

以所述轮廓上的点为初始点，在所述脑组织图像上进行随机取值行走，得到脑脊液和梗死灶粘连的三维模拟粘连图像；

从所述三维模拟粘连图像中提取包括脑脊液和梗死灶粘连区域的二维模拟粘连图像，并根据该二维模拟粘连图像和所述轮廓提取对应的二维脑脊液图像，该二维模拟粘连图像和对应的二维脑脊液图像构成一组样本数据。

在一个示例中，对所述CTP图像进行预处理，得到三维脑组织图像，可以包括：

从所述CTP图像中去除颅骨图像区域，得到原始三维脑组织图像；

对所述原始三维脑组织图像进行去噪处理，得到预处理后的三维脑组织图像。

原始的CTP图像中包含颅骨的图像，通过预处理，可以将颅骨的图像从CTP图像中去除，保留脑组织的图像。

在一个示例中，从所述CTP图像中去除颅骨图像区域的方式可以是：根据主动轮廓法对所述CTP图像中的颅骨进行剥离，提取脑组织数据掩模，所述CTP图像中位于脑组织数据掩模内的CTP数据组成原始三维脑组织图像。

在其他示例中，也可以利用其他算法从CTP图像中提取脑组织数据掩模，例如水平集算法等，本实施例对脑组织数据掩模的提取算法不作限制。

本实施例中，可以根据Non-Local Means算法(非局部平均算法)对原始三维脑组织图像进行去噪处理。当然，在其他实施例中，也可以采用其他去噪算法，例如BM3D算法(3D块匹配降噪算法)等等。

本实施例中，可以根据CT值阈值从脑组织图像中提取脑脊液区域，再从提取出的脑脊液区域中找出最大连通域。

例如，脑脊液区域的CT值在10-15HU之间，从脑组织图像中提取CT值在10-15HU之间的像素点，这些像素点构成多个连通域，假设其中最大的连通域为R，则计算连通域R的轮廓C，轮廓C即为在脑组织图像中提取的脑脊液区域的最大连通域的轮廓。

在一个示例中，以所述轮廓上的点为初始点，在所述脑组织图像上进行随机取值行走，得到脑脊液和梗死灶粘连的三维模拟粘连图像，可以包括：

在所述轮廓上随机取一个点作为初始点；并根据所述轮廓确定脑脊液区域掩模；

在第一次随机行走中，为所述初始点的预设尺寸邻域内的点中处于所述脑脊液区域掩模外的点设置第一标识；

在第j+1次随机行走中，随机选取第j次随机行走对应的预设尺寸邻域内的点作为目标点，为所述目标点的预设尺寸邻域内的点中处于所述脑脊液区域掩模外的点设置第一标识；j为自然数；

将随机行走n次后的图像中已设置第一标识的点的像素值赋值为目标像素值，所述目标像素值为所述轮廓内随机选取点在所述脑组织图像上的像素值；将赋值后的脑组织图像作为脑脊液和梗死灶粘连的三维模拟粘连图像。

本实施例中，在每次随机行走中，还可以将初始点的预设尺寸邻域内的点中处于所述脑脊液区域掩模内的点设置第二标识，将目标点的预设尺寸邻域内的点中处于脑脊液区域掩模内的点设置第二标识。

其中，n为随机行走次数。在一个示例中，n可以随机取1000-5000之间的整数。

其中，第一标识可以为1，第二标识可以为0。

举例说明。假设前述的轮廓C所在图像为I，随机取轮廓C上的一点作为起始点，假设该起始点坐标为(x

本实施例中，生成式对抗网络模型包括生成网络模型和判别网络模型。其中，生成网络模型用于将输入的噪声数据转化为近似真实数据的虚拟数据。而判别网络模型用于判断生成网络模型生成的虚拟数据是否真实。

在一个示例中，生成网络模型可以包括卷积层、下采样卷积层、上采样层、全连接层和输出层。

图3是本发明实施例提供的生成网络模型的示例图。如图3所示，该生成网络模型包括8个(3,3)大小的卷积层、4个下采样卷积层、4个上采样层、1个4096大小的全连接层以及1个单通道的输出层，其中除输出层外的每层都跟随归一化(Batch Norm)和激活函数(Leaky ReLU)。网络输入大小为(2,256,256)，输出大小为(1,256,256)。图3中，C代表通道数。

需要说明的是，在应用中，可以根据需要调整生成网络模型的结构，本实施例的生成网络模型并不局限于图3所示的结构。

本实施例中，判别网络模型可以采用分类网络，例如GoogleNet网络、ResNet网络等。

在一个示例中，判别网络模型可以包括卷积层、全连接层和输出层。

图4是本发明实施例提供的判别网络模型的示例图。如图4所示，该判别网络模型包括4个(4,4)大小、步长为(2,2)的卷积层、2个全连接层。其中，每个卷积层后跟随归一化和激活函数，为防止过拟合，全连接层跟随dropout层按照0.5的比例去除冗余信息。网络输入为(2,256,256)，输出为数据相似的概率值，当概率值接近1时认为生成网络模型输出的图像与真实图像更加接近。

需要说明的是，在应用中，可以根据需要调整判别网络模型的结构，本实施例的判别网络模型并不局限于图4所示的结构。

生成式对抗网络模型的训练过程可以理解为生成网络和判别网络的博弈过程。通过对抗训练达到使生成网络生成的数据更加真实的目的。

本实施例中，初始参数值可以采用随机生成的数值。

在一个示例中，所述脑脊液分割模型的训练过程可以包括：

在训练过程中，第1组样本数据对应的生成式对抗网络模型的参数值为所述初始参数值，第i+1组样本数据对应的生成式对抗网络模型的参数值为经第i组样本数据训练后更新的参数值，i为自然数，且i≥1；对于每组样本数据，执行如下操作：

根据该组样本数据更新该组样本数据对应的生成式对抗网络模型中的判别网络模型对应的第一参数值，得到第一生成式对抗网络模型；

根据该组样本数据和所述第一生成式对抗网络模型，更新所述第一生成式对抗网络模型中的生成网络模型对应的第二参数值，得到第二生成式对抗网络模型；所述第二生成式对抗网络模型中的参数值为本次训练后更新的生成式对抗网络模型的参数值；

确定本次训练后是否满足预设收敛条件，若满足，则停止训练，将本次训练后得到的生成式对抗网络模型中的生成网络模型确定为脑脊液分割模型；否则利用下一组样本数据继续训练。

本实施例中，在脑脊液分割模型的训练过程中，先更新判别网络模型的参数值，再更新生成网络模型的参数值。

在一个示例中，根据该组样本数据更新该组样本数据对应的生成式对抗网络模型中的判别网络模型对应的第一参数值，得到第一生成式对抗网络模型，可以包括：

将该组样本数据中的二维脑脊液图像输入该组样本数据对应的生成式对抗网络模型中的判别网络模型，得到判别网络模型输出的第一概率值P

根据所述第一概率值P

将该组样本数据中的二维脑脊液图像和二维模拟粘连图像输入该组样本数据对应的生成式对抗网络模型中的生成网络模型，得到生成网络模型输出的第一图像；

将所述第一图像和该组样本数据中的二维脑脊液图像输入该组样本数据对应的生成式对抗网络模型中的判别网络模型，得到判别网络模型输出的第二概率值P

根据所述第二概率值P

根据所述第一损失值和所述第二损失值，更新判别网络模型对应的第一参数值，第一生成式对抗网络模型包括该组样本数据对应的生成式对抗网络模型中的生成网络模型和更新后的判别网络模型。

在一个示例中，P

其中，第一损失值La和所述第二损失值Lb可以是交叉熵损失函数的函数值，其中，交叉熵损失函数的表达式如下：

-[P

本实施例中，可以根据第一损失值La和所述第二损失值Lb的和Loss＝La+Lb来反向传播，更新判别网络模型的参数值。

在一个示例中，根据该组样本数据和所述第一生成式对抗网络模型，更新所述第一生成式对抗网络模型中的生成网络模型对应的第二参数值，得到第二生成式对抗网络模型，包括：

将该组样本数据中的二维脑脊液图像和二维模拟粘连图像输入所述第一生成式对抗网络模型中的生成网络模型，得到生成网络模型输出的第二图像；

将所述第二图像和该组样本数据中的二维脑脊液图像输入所述第一生成式对抗网络模型中的判别网络模型，得到判别网络模型输出的第三概率值P

根据所述第三概率值P

获取所述第二图像和该组样本数据中的二维脑脊液图像之间的相似性损失值Ld；

根据所述第三损失值Lc和所述相似性损失值Ld，更新生成网络模型对应的第二参数值，第二生成式对抗网络模型包括更新后的生成网络模型和所述第一生成式对抗网络模型中的判别网络模型。

在一个示例中，P

其中，第三损失值Lc可以是交叉熵损失函数的函数值，其中，交叉熵损失函数的表达式请见前述的式(1)。

其中，计算相似性损失值的函数表达式如下：

本实施例中，可以根据第三损失值Lc和相似性损失值Ld的和Loss＝

Lc+Ld来反向传播，更新生成网络模型的参数值。

在一个示例中，所述收敛条件可以为：本次训练后生成式对抗网络模型中的判别网络模型对应的损失值小于或等于第一误差值，且本次训练后生成式对抗网络模型中的生成网络模型的输出图像与输入的二维脑脊液图像之间的质量差异值小于或等于第二误差值。

其中，第一误差值和第二误差值可以根据应用需求设定。

其中，质量差异值可以采用相关技术中的图像质量差异算法计算，此处不再赘述。

本发明实施例提供的脑脊液分割模型的生成方法，通过获取头部CT灌注成像CTP图像，所述CTP图像中不包括梗死灶，或者所述CTP图像中包括梗死灶但梗死灶与脑脊液不粘连，根据所述CTP图像构造样本数据，设置生成式对抗网络模型以及所述生成式对抗网络模型的初始参数值，利用所述样本数据对所述生成式对抗网络模型进行训练，得到训练完毕的生成式对抗网络模型，以所述训练完毕的生成式对抗网络模型中的生成网络模型作为脑脊液分割模型，能够利用正常的头部CTP图像，构造训练脑脊液分割模型所需的样本数据，进而训练得到脑脊液分割模型，为利用脑脊液分割模型从CTP图像中区分粘连的脑脊液和梗死灶奠定了基础。

图5是本发明实施例提供的脑脊液分割模型的应用方法的流程示例图。如图5所示，本实施例中，脑脊液分割模型的应用方法可以包括：

S501，获取受检对象的头部CT灌注成像CTP图像，所述CTP图像中包括梗死灶并且梗死灶与脑脊液粘连；所述CTP图像为三维图像。

S502，根据所述CTP图像获取输入图像，所述输入图像中包括脑脊液和梗死灶粘连的区域；所述输入图像为二维图像。

S503，将所述输入图像输入已训练好的脑脊液分割模型，获得所述脑脊液分割模型输出的目标脑脊液图像，其中，所述脑脊液分割模型是根据前述任一种脑脊液分割模型的生成方法生成的。

本实施例中，输入图像为包括脑脊液和梗死灶粘连区域的二维实际粘连图像。

在一个示例中，根据所述CTP图像获取输入图像，可以包括：

对所述CTP图像进行预处理，得到三维脑组织图像；

在所述三维脑组织图像中提取脑脊液和梗死灶粘连区域的轮廓；

根据所述轮廓，从所述三维脑组织图像中提取包括脑脊液和梗死灶粘连区域的二维实际粘连图像，作为输入图像。

其中，预处理过程与前述脑脊液分割模型的生成方法实施例中的预处理过程相同，此处不再赘述。

在一个示例中，所述方法还可以包括：

根据所述目标脑脊液图像和所述输入图像，获得梗死灶图像。

例如，从输入图像减去目标脑脊液图像，可以得到梗死灶图像。

需要说明的是，在应用过程中，可以从所述三维脑组织图像中提取包括脑脊液和梗死灶粘连区域的多幅二维实际粘连图像，例如m(m为自然数)幅，该m幅二维实际粘连图像一一通过脑脊液分割模型，相应地，得到m幅目标脑脊液图像，该m幅目标脑脊液图像与m幅二维实际粘连图像一一对应，根据每幅二维实际粘连图像和对应的目标脑脊液图像，得到一幅梗死灶图像，m幅二维实际粘连图像共得到m幅梗死灶图像。将该m幅梗死灶图像按照第三个维度(第一、二个维度为梗死灶图像的维度)进行拼接，可以得到三维梗死灶图像。

本发明实施例提供的脑脊液分割模型的应用方法，利用脑脊液分割模型，能够准确区分CTP图像中粘连的脑脊液和梗死灶。

基于上述的方法实施例，本发明实施例还提供了相应的装置、设备及存储介质实施例。

图6是本发明实施例提供的脑脊液分割模型的生成装置的功能方块图。如图6所示，本实施例中，脑脊液分割模型的生成装置可以包括：

非粘连图像获取模块610，用于获取头部CT灌注成像CTP图像，所述CTP图像中不包括梗死灶，或者所述CTP图像中包括梗死灶但梗死灶与脑脊液不粘连；所述CTP图像为三维图像；

构造模块620，用于根据所述CTP图像构造样本数据，所述样本数据包括脑脊液和梗死灶粘连区域的二维模拟粘连图像、以及二维脑脊液图像；

设置模块630，用于设置生成式对抗网络模型以及所述生成式对抗网络模型的初始参数值；

训练模块640，用于利用所述样本数据对所述生成式对抗网络模型进行训练，得到训练完毕的生成式对抗网络模型，以所述训练完毕的生成式对抗网络模型中的生成网络模型作为脑脊液分割模型。

在一个示例中，构造模块620可以具体用于：

对所述CTP图像进行预处理，得到三维脑组织图像；

在所述脑组织图像中提取脑脊液区域的最大连通域的轮廓；

以所述轮廓上的点为初始点，在所述脑组织图像上进行随机取值行走，得到脑脊液和梗死灶粘连的三维模拟粘连图像；

从所述三维模拟粘连图像中提取包括脑脊液和梗死灶粘连区域的二维模拟粘连图像，并根据该二维模拟粘连图像和所述轮廓提取对应的二维脑脊液图像，该二维模拟粘连图像和对应的二维脑脊液图像构成一组样本数据。

在一个示例中，以所述轮廓上的点为初始点，在所述脑组织图像上进行随机取值行走，得到脑脊液和梗死灶粘连的三维模拟粘连图像，包括：

在所述轮廓上随机取一个点作为初始点；并根据所述轮廓确定脑脊液区域掩模；

在第一次随机行走中，为所述初始点的预设尺寸邻域内的点中处于所述脑脊液区域掩模外的点设置第一标识；

在第j+1次随机行走中，随机选取第j次随机行走对应的预设尺寸邻域内的点作为目标点，为所述目标点的预设尺寸邻域内的点中处于所述脑脊液区域掩模外的点设置第一标识；j为自然数；

将随机行走n次后的图像中已设置第一标识的点的像素值赋值为目标像素值，所述目标像素值为所述轮廓内随机选取点在所述脑组织图像上的像素值；将赋值后的脑组织图像作为脑脊液和梗死灶粘连的三维模拟粘连图像。

在一个示例中，对所述CTP图像进行预处理，得到三维脑组织图像，包括：

从所述CTP图像中去除颅骨图像区域，得到原始三维脑组织图像；

对所述原始三维脑组织图像进行去噪处理，得到预处理后的三维脑组织图像。

在一个示例中，所述脑脊液分割模型的训练过程包括：

在训练过程中，第1组样本数据对应的生成式对抗网络模型的参数值为所述初始参数值，第i+1组样本数据对应的生成式对抗网络模型的参数值为经第i组样本数据训练后更新的参数值，i为自然数，且i≥1；对于每组样本数据，执行如下操作：

根据该组样本数据更新该组样本数据对应的生成式对抗网络模型中的判别网络模型对应的第一参数值，得到第一生成式对抗网络模型；

根据该组样本数据和所述第一生成式对抗网络模型，更新所述第一生成式对抗网络模型中的生成网络模型对应的第二参数值，得到第二生成式对抗网络模型；所述第二生成式对抗网络模型中的参数值为本次训练后更新的生成式对抗网络模型的参数值；

确定本次训练后是否满足预设收敛条件，若满足，则停止训练，将本次训练后得到的生成式对抗网络模型中的生成网络模型确定为脑脊液分割模型；否则利用下一组样本数据继续训练。

在一个示例中，根据该组样本数据更新该组样本数据对应的生成式对抗网络模型中的判别网络模型对应的第一参数值，得到第一生成式对抗网络模型，包括：

将该组样本数据中的二维脑脊液图像输入该组样本数据对应的生成式对抗网络模型中的判别网络模型，得到判别网络模型输出的第一概率值；

根据所述第一概率值和第一预设值，确定判别网络模型对应的第一损失值；

将该组样本数据中的二维脑脊液图像和二维模拟粘连图像输入该组样本数据对应的生成式对抗网络模型中的生成网络模型，得到生成网络模型输出的第一图像；

将所述第一图像和该组样本数据中的二维脑脊液图像输入该组样本数据对应的生成式对抗网络模型中的判别网络模型，得到判别网络模型输出的第二概率值；

根据所述第二概率值和第二预设值，确定第二损失值；

根据所述第一损失值和所述第二损失值，更新判别网络模型对应的第一参数值，第一生成式对抗网络模型包括该组样本数据对应的生成式对抗网络模型中的生成网络模型和更新后的判别网络模型。

在一个示例中，根据该组样本数据和所述第一生成式对抗网络模型，更新所述第一生成式对抗网络模型中的生成网络模型对应的第二参数值，得到第二生成式对抗网络模型，包括：

将该组样本数据中的二维脑脊液图像和二维模拟粘连图像输入所述第一生成式对抗网络模型中的生成网络模型，得到生成网络模型输出的第二图像；

将所述第二图像和该组样本数据中的二维脑脊液图像输入所述第一生成式对抗网络模型中的判别网络模型，得到判别网络模型输出的第三概率值；

根据所述第三概率值和第一预设值，确定判别网络模型对应的第三损失值；

获取所述第二图像和该组样本数据中的二维脑脊液图像之间的相似性损失值；

根据所述第三损失值和所述相似性损失值，更新生成网络模型对应的第二参数值，第二生成式对抗网络模型包括更新后的生成网络模型和所述第一生成式对抗网络模型中的判别网络模型。

在一个示例中，所述收敛条件为：本次训练后生成式对抗网络模型中的判别网络模型对应的损失值小于或等于第一误差值，且本次训练后生成式对抗网络模型中的生成网络模型的输出图像与输入的二维脑脊液图像之间的质量差异值小于或等于第二误差值。

图7是本发明实施例提供的脑脊液分割模型的应用装置的功能方块图。如图7所示，本实施例中，脑脊液分割模型的应用装置可以包括：

粘连图像获取模块710，用于获取受检对象的头部CT灌注成像CTP图像，所述CTP图像中包括梗死灶并且梗死灶与脑脊液粘连；所述CTP图像为三维图像；

输入图像获取模块720，用于根据所述CTP图像获取输入图像，所述输入图像中包括脑脊液和梗死灶粘连的区域；所述输入图像为二维图像；

分割模块730，用于将所述输入图像输入已训练好的脑脊液分割模型，获得所述脑脊液分割模型输出的目标脑脊液图像，其中，所述脑脊液分割模型是根据前述任一种脑脊液分割模型的生成方法生成的。

在一个示例中，所述装置还可以包括：

梗死灶图像获得模块，用于根据所述目标脑脊液图像和所述输入图像，获得梗死灶图像。

在一个示例中，输入图像获取模块720可以具体用于：

对所述CTP图像进行预处理，得到三维脑组织图像；

在所述三维脑组织图像中提取脑脊液和梗死灶粘连区域的轮廓；

根据所述轮廓，从所述三维脑组织图像中提取包括脑脊液和梗死灶粘连区域的二维实际粘连图像，作为输入图像。

本发明实施例还提供了一种控制台设备。图8是本发明实施例提供的控制台设备的一个硬件结构图。如图8所示，控制台设备包括：内部总线801，以及通过内部总线连接的存储器802，处理器803和外部接口804。

在一个示例中，所述存储器802，用于存储脑脊液分割模型的生成逻辑对应的机器可读指令；

所述处理器803，用于读取存储器802上的机器可读指令，并执行所述指令以实现如下操作：

获取头部CT灌注成像CTP图像，所述CTP图像中不包括梗死灶，或者所述CTP图像中包括梗死灶但梗死灶与脑脊液不粘连；所述CTP图像为三维图像；

根据所述CTP图像构造样本数据，所述样本数据包括脑脊液和梗死灶粘连区域的二维模拟粘连图像、以及二维脑脊液图像；

设置生成式对抗网络模型以及所述生成式对抗网络模型的初始参数值；

利用所述样本数据对所述生成式对抗网络模型进行训练，得到训练完毕的生成式对抗网络模型，以所述训练完毕的生成式对抗网络模型中的生成网络模型作为脑脊液分割模型。

在一个示例中，根据所述CTP图像构造样本数据，包括：

对所述CTP图像进行预处理，得到三维脑组织图像；

在所述脑组织图像中提取脑脊液区域的最大连通域的轮廓；

以所述轮廓上的点为初始点，在所述脑组织图像上进行随机取值行走，得到脑脊液和梗死灶粘连的三维模拟粘连图像；

从所述三维模拟粘连图像中提取包括脑脊液和梗死灶粘连区域的二维模拟粘连图像，并根据该二维模拟粘连图像和所述轮廓提取对应的二维脑脊液图像，该二维模拟粘连图像和对应的二维脑脊液图像构成一组样本数据。

在一个示例中，以所述轮廓上的点为初始点，在所述脑组织图像上进行随机取值行走，得到脑脊液和梗死灶粘连的三维模拟粘连图像，包括：

在所述轮廓上随机取一个点作为初始点；并根据所述轮廓确定脑脊液区域掩模；

在第一次随机行走中，为所述初始点的预设尺寸邻域内的点中处于所述脑脊液区域掩模外的点设置第一标识；

在第j+1次随机行走中，随机选取第j次随机行走对应的预设尺寸邻域内的点作为目标点，为所述目标点的预设尺寸邻域内的点中处于所述脑脊液区域掩模外的点设置第一标识；j为自然数；

将随机行走n次后的图像中已设置第一标识的点的像素值赋值为目标像素值，所述目标像素值为所述轮廓内随机选取点在所述脑组织图像上的像素值；将赋值后的脑组织图像作为脑脊液和梗死灶粘连的三维模拟粘连图像。

在一个示例中，对所述CTP图像进行预处理，得到三维脑组织图像，包括：

从所述CTP图像中去除颅骨图像区域，得到原始三维脑组织图像；

对所述原始三维脑组织图像进行去噪处理，得到预处理后的三维脑组织图像。

在一个示例中，所述脑脊液分割模型的训练过程包括：

在训练过程中，第1组样本数据对应的生成式对抗网络模型的参数值为所述初始参数值，第i+1组样本数据对应的生成式对抗网络模型的参数值为经第i组样本数据训练后更新的参数值，i为自然数，且i≥1；对于每组样本数据，执行如下操作：

根据该组样本数据更新该组样本数据对应的生成式对抗网络模型中的判别网络模型对应的第一参数值，得到第一生成式对抗网络模型；

根据该组样本数据和所述第一生成式对抗网络模型，更新所述第一生成式对抗网络模型中的生成网络模型对应的第二参数值，得到第二生成式对抗网络模型；所述第二生成式对抗网络模型中的参数值为本次训练后更新的生成式对抗网络模型的参数值；

确定本次训练后是否满足预设收敛条件，若满足，则停止训练，将本次训练后得到的生成式对抗网络模型中的生成网络模型确定为脑脊液分割模型；否则利用下一组样本数据继续训练。

在一个示例中，根据该组样本数据更新该组样本数据对应的生成式对抗网络模型中的判别网络模型对应的第一参数值，得到第一生成式对抗网络模型，包括：

将该组样本数据中的二维脑脊液图像输入该组样本数据对应的生成式对抗网络模型中的判别网络模型，得到判别网络模型输出的第一概率值；

根据所述第一概率值和第一预设值，确定判别网络模型对应的第一损失值；

将该组样本数据中的二维脑脊液图像和二维模拟粘连图像输入该组样本数据对应的生成式对抗网络模型中的生成网络模型，得到生成网络模型输出的第一图像；

将所述第一图像和该组样本数据中的二维脑脊液图像输入该组样本数据对应的生成式对抗网络模型中的判别网络模型，得到判别网络模型输出的第二概率值；

根据所述第二概率值和第二预设值，确定第二损失值；

根据所述第一损失值和所述第二损失值，更新判别网络模型对应的第一参数值，第一生成式对抗网络模型包括该组样本数据对应的生成式对抗网络模型中的生成网络模型和更新后的判别网络模型。

在一个示例中，根据该组样本数据和所述第一生成式对抗网络模型，更新所述第一生成式对抗网络模型中的生成网络模型对应的第二参数值，得到第二生成式对抗网络模型，包括：

将该组样本数据中的二维脑脊液图像和二维模拟粘连图像输入所述第一生成式对抗网络模型中的生成网络模型，得到生成网络模型输出的第二图像；

将所述第二图像和该组样本数据中的二维脑脊液图像输入所述第一生成式对抗网络模型中的判别网络模型，得到判别网络模型输出的第三概率值；

根据所述第三概率值和第一预设值，确定判别网络模型对应的第三损失值；

获取所述第二图像和该组样本数据中的二维脑脊液图像之间的相似性损失值；

根据所述第三损失值和所述相似性损失值，更新生成网络模型对应的第二参数值，第二生成式对抗网络模型包括更新后的生成网络模型和所述第一生成式对抗网络模型中的判别网络模型。

在一个示例中，所述收敛条件为：本次训练后生成式对抗网络模型中的判别网络模型对应的损失值小于或等于第一误差值，且本次训练后生成式对抗网络模型中的生成网络模型的输出图像与输入的二维脑脊液图像之间的质量差异值小于或等于第二误差值。

在另一个示例中，所述存储器802，用于存储脑脊液分割模型的应用逻辑对应的机器可读指令；

所述处理器803，用于读取存储器802上的机器可读指令，并执行所述指令以实现如下操作：

获取受检对象的头部CT灌注成像CTP图像，所述CTP图像中包括梗死灶并且梗死灶与脑脊液粘连；所述CTP图像为三维图像；

根据所述CTP图像获取输入图像，所述输入图像中包括脑脊液和梗死灶粘连的区域；所述输入图像为二维图像；

将所述输入图像输入已训练好的脑脊液分割模型，获得所述脑脊液分割模型输出的目标脑脊液图像，其中，所述脑脊液分割模型是根据权利要求1～8任一项所述的方法生成的。

在一个示例中，还包括：

根据所述目标脑脊液图像和所述输入图像，获得梗死灶图像。

在一个示例中，根据所述CTP图像获取输入图像，包括：

对所述CTP图像进行预处理，得到三维脑组织图像；

在所述三维脑组织图像中提取脑脊液和梗死灶粘连区域的轮廓；

根据所述轮廓，从所述三维脑组织图像中提取包括脑脊液和梗死灶粘连区域的二维实际粘连图像，作为输入图像。

本发明实施例还提供一种CT系统，包括CT设备、扫描床和控制台设备，其中：

所述CT设备，用于对受检对象进行CT灌注成像CTP扫描，获得受检对象的头部CT灌注成像CTP图像；

所述控制台设备，用于：

获取头部CT灌注成像CTP图像，所述CTP图像中不包括梗死灶，或者所述CTP图像中包括梗死灶但梗死灶与脑脊液不粘连；所述CTP图像为三维图像；

根据所述CTP图像构造样本数据，所述样本数据包括脑脊液和梗死灶粘连区域的二维模拟粘连图像、以及二维脑脊液图像；

设置生成式对抗网络模型以及所述生成式对抗网络模型的初始参数值；

利用所述样本数据对所述生成式对抗网络模型进行训练，得到训练完毕的生成式对抗网络模型，以所述训练完毕的生成式对抗网络模型中的生成网络模型作为脑脊液分割模型。

本发明实施例还提供一种CT系统，包括CT设备、扫描床和控制台设备，其中：

所述CT设备，用于对受检对象进行CT灌注成像CTP扫描，获得受检对象的头部CT灌注成像CTP图像；

所述控制台设备，用于：

获取受检对象的头部CT灌注成像CTP图像，所述CTP图像中包括梗死灶并且梗死灶与脑脊液粘连；所述CTP图像为三维图像；

根据所述CTP图像获取输入图像，所述输入图像中包括脑脊液和梗死灶粘连的区域；所述输入图像为二维图像；

将所述输入图像输入已训练好的脑脊液分割模型，获得所述脑脊液分割模型输出的目标脑脊液图像，其中，所述脑脊液分割模型是根据前述任一种脑脊液分割模型的生成方法生成的。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现前述任一种脑脊液分割模型的生成方法。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现前述任一种脑脊液分割模型的应用方法。

对于装置和设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。