本申请涉及图像处理，尤其涉及基于造影的脑灌注参数获取方法、装置、设备及介质。
背景技术：
1、现有的相关技术在采集患者的脑灌注参数时，通常采用脑灌注成像的方式，包括：ct脑灌注成像和mr脑灌注成像，这个需患者专门通过一次脑灌注检测，然后进行成像，且现有的普遍认知是虽然脑血管造影检查可以准确地评估血管的狭窄和闭塞情况，但不能准确反映缺血脑组织的血流灌注情况，因此常通过脑灌注成像进行更准确的脑灌注参数评估；此外，通过脑灌注成像来获取脑灌注参数的耗费时间长且获取成本高，且这种方式只能获取脑灌注参数，无法获取额外的参数，若需其他数据还需做额外检查，消耗更长的时间成本和经济成本。
技术实现思路
1、本申请的目的是针对上述现有的相关技术的不足，提出基于造影的脑灌注参数获取方法、装置、设备及介质，提高脑灌注参数获取效率，并降低获取成本。
2、第一方面，本申请提供了一种基于造影的脑灌注参数获取方法，包括：
3、采集脑血管造影图像，从所述脑血管造影图像中分割出目标血管图像，并从所述目标血管图像中提取多个影像组学数据特征和脑血管的解剖数据特征；
4、根据所述多个影像组学数据特征的相关系数，对所述多个影像组学数据特征进行筛选，得到目标影像组学数据特征；
5、将所述目标影像组学数据特征作为基于预先训练的分类模型输入，并以所述分类模型的输出作为脑灌注参数的预测结果，以所述解剖数据特征和所述预测结果，构建最终的参数集合。
6、本申请基于脑血管造影获取解剖数据特征，使得通过一次造影即获取到解剖数据特征，又能通过筛选后使用预先训练的分类模型继续分析脑血管造影图像，来获取准确的脑灌注参数；并且，基于脑血管造影来获取脑灌注参数，能够克服技术偏见、实现准确评估血管的狭窄和闭塞情况，同时提高参数的获取效率、降低参数获取成本。
7、进一步，获取所述分类模型，包括：
8、以正常人的脑血管造影和患者的脑血管造影为训练数据，并分别获取所述训练数据对应的脑灌注检测数据，以所述脑灌注检测数据为所述训练数据的标签，根据所述标签和所述训练数据，对基于机器学习的初始分类模型进行训练，得到所述分类模型。
9、进一步，所述根据所述标签和所述训练数据，对基于机器学习的初始分类模型进行训练，得到所述分类模型，包括：
10、将所述训练数据作为所述初始分类模型的输入，以所述初始分类模型的输出作为脑灌注参数预测的训练结果，并根据所述标签和所述训练结果，获取分类损失函数值，根据所述分类损失函数值对所述初始分类模型进行参数更新，得到所述分类模型。
11、进一步，所述脑灌注参数包括：造影剂从颅内的动脉侧到静脉侧所需要的平均通过时间或对比剂峰值时间。
12、进一步，所述脑血管造影图像包括：正位图或侧位图；所述采集脑血管造影图像，从所述脑血管造影图像中分割出目标血管图像，并从所述目标血管图像中提取多个影像组学数据特征，包括：
13、采集所述正位图或所述侧位图，通过三维切片系统获取所述正位图或所述侧位图中的目标血管图像，并通过所述三维切片系统提取所述目标血管图像中的多个影像组学数据特征。
14、进一步，所述相关系数包括：斯皮尔曼相关系数；所述根据所述多个影像组学数据特征的相关系数，对所述多个影像组学数据特征进行筛选，得到目标影像组学数据特征，包括：
15、根据所述多个影像组学数据特征间的斯皮尔曼相关系数或拉索回归，筛选出具有显著性差异的目标影像组学数据特征。
16、进一步，所述根据所述多个影像组学数据特征间的斯皮尔曼相关系数或拉索回归，筛选出具有显著性差异的目标影像组学数据特征，包括：
17、对所述多个影像组学数据特征进行拉索回归，筛选出与脑灌注参数相关性大于相关性阈值的多个候选影像组学数据特征，并获取所述多个候选影像组学数据特征的斯皮尔曼相关系数，并选取斯皮尔曼相关系数大于系数阈值的目标影像组学数据特征。
18、本申请采用拉索回归对多个影像组学数据特征进行初筛，并采用斯皮尔曼相关系数进行二次筛选，能够得到更加与脑灌注参数相关度更高的目标影像组学数据特征，从而能够准确反映缺血脑组织的血流灌注情况，获得更加准确的脑灌注参数。
19、第二方面，本申请提供了一种基于造影的脑灌注参数获取装置，包括：数据采集模块、特征筛选模块和参数预测模块；其中，
20、所述数据采集模块，用于采集脑血管造影图像，从所述脑血管造影图像中分割出目标血管图像，并从所述目标血管图像中提取多个影像组学数据特征和脑血管的解剖数据特征；
21、所述特征筛选模块，用于根据所述多个影像组学数据特征的相关系数，对所述多个影像组学数据特征进行筛选，得到目标影像组学数据特征；
22、所述参数预测模块，用于将所述目标影像组学数据特征作为基于预先训练的分类模型输入，并以所述分类模型的输出作为脑灌注参数的预测结果，以所述解剖数据特征和所述预测结果，构建最终的参数集合。
23、第三方面，本申请提供了一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于造影的脑灌注参数获取方法。
24、第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储了多条指令，所述指令适于处理器进行加载，以执行如第一方面所述的基于造影的脑灌注参数获取方法。
1.一种基于造影的脑灌注参数获取方法，其特征在于，包括：
2.如权利要求1所述的脑灌注参数获取方法，其特征在于，获取所述分类模型，包括：
3.如权利要求2所述的脑灌注参数获取方法，其特征在于，所述根据所述标签和所述训练数据，对基于机器学习的初始分类模型进行训练，得到所述分类模型，包括：
4.如权利要求3所述的脑灌注参数获取方法，其特征在于，所述脑灌注参数包括：造影剂从颅内的动脉侧到静脉侧所需要的平均通过时间或对比剂峰值时间。
5.如权利要求1所述的脑灌注参数获取方法，其特征在于，所述脑血管造影图像包括：正位图或侧位图；所述采集脑血管造影图像，从所述脑血管造影图像中分割出目标血管图像，并从所述目标血管图像中提取多个影像组学数据特征，包括：
6.如权利要求1所述的脑灌注参数获取方法，其特征在于，所述相关系数包括：斯皮尔曼相关系数；所述根据所述多个影像组学数据特征的相关系数，对所述多个影像组学数据特征进行筛选，得到目标影像组学数据特征，包括：
7.如权利要求6所述的脑灌注参数获取方法，其特征在于，所述根据所述多个影像组学数据特征间的斯皮尔曼相关系数或拉索回归，筛选出具有显著性差异的目标影像组学数据特征，包括：
8.一种基于造影的脑灌注参数获取装置，其特征在于，包括：数据采集模块、特征筛选模块和参数预测模块；其中，
9.一种电子设备，其特征在于，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的基于造影的脑灌注参数获取方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储了多条指令，所述指令适于处理器进行加载，以执行如权利要求1-7任一项所述的基于造影的脑灌注参数获取方法。
