CN104414636B - 基于磁共振图像的脑微出血计算机辅助检测系统 - Google Patents
基于磁共振图像的脑微出血计算机辅助检测系统 Download PDFInfo
- Publication number
- CN104414636B CN104414636B CN201310370503.3A CN201310370503A CN104414636B CN 104414636 B CN104414636 B CN 104414636B CN 201310370503 A CN201310370503 A CN 201310370503A CN 104414636 B CN104414636 B CN 104414636B
- Authority
- CN
- China
- Prior art keywords
- cerebral microbleeds
- stove
- microbleeds
- cerebral
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
Abstract
本发明提供了一种基于磁共振图像的脑微出血计算机辅助检测系统,属于医学图像计算机辅助检测领域。本发明共包括图像导入模块、图像预处理模块、特征提取模块、自动检测模块和《脑微出血自动检测报告》输出模块五个部分。该系统综合考虑了T1、T2和GRE T2*图像的特征并通过脑微出血灶先验分布概率模板获得大脑不同位置发生脑微出血的先验信息,结合随机森林分类器对脑微出血灶进行自动检测。经测试系统敏感性为0.890,平均每个病例中包含1.530个假阳性灶。本系统较传统人工判别方法更加客观,重复性高,比已有的计算机辅助检测方法更加准确可靠。本系统操作简便,能够较为客观地给出脑微出血灶的识别结果,同时提供丰富信息供医生参考。
Description
技术领域
本发明属于医学图像计算机辅助检测领域,具体是一种基于磁共振图像中感兴趣区域(图像中的脑实质区域)的纹理特征、脑微出血灶先验分布概率模板和随机森林分类器的脑微出血计算机辅助检测系统。
背景技术
脑微出血是脑内微小血管病变所致的、以微小出血为主要特征的一种脑实质亚临床损害。近年来,新的磁共振成像序列对脑微出血检测率的提高使我们对脑微出血的认识进一步加深。脑微出血常见于缺血性中风患者或脑出血患者颅内,在老年人群中也普遍存在。它们的出现对疾病预后存在怎样的影响,其分布情况是否与病因存在必然的联系等问题目前还不明确。脑微出血的研究具有非常重要的临床意义。
临床上判别脑微出血的主要依据,描述如下:
典型脑微出血灶:面积小,圆,边界清晰,在梯度回波(gradient-recalled echo,GRE)T2*图像或磁敏感加权图像(susceptibility weighted images,SWI)上呈现低信号,直径约2~10mm,在T2图像上几乎不可见。
易与脑微出血灶混淆的结构:
1)血管:蛛网膜下的线形或曲线形结构,通常出现在皮层与近皮层,在T2图像上可见
2)苍白球或锯齿核矿化:呈对称分布,在X射线电子计算机断层扫描(ComputedTomography,CT)图像上可能呈现亮斑
3)脑梗塞区域出血,可通过T2、液体衰减反转恢复(fluid attenuated inversionrecovery,Flair)或弥散加权成像(diffusion-weighted imaging,DWI)序列图像判别梗塞
4)气骨交界面伪影,可通过检查GRE T2*图像中相邻层面是否在同一位置出现异常信号来进行排查
5)部分容积效应,可通过检查GRE T2*图像中相邻层面是否在同一位置出现异常信号来进行排查
6)小面积出血与新生儿颅内出血(T2*可见)或梗塞(T2,Flair或DWI序列图像可见)非常近似
由此可见,脑微出血的判别问题十分复杂。病灶面积相对较小,在医生进行较长时间人工判别后由于劳累容易错判;病灶在整幅图像中出现的位置不定,容易被漏判;脑微出血灶易与图像中多种结构混淆,即使反复对照不同序列及层面图像有时也难以判别,手工判别完全依赖于医生的经验,一致性差且非常耗时。这就使得脑微出血的计算机自动检测以及定量分析越来越受到人们的关注。
然而目前已知的计算机辅助脑微出血检测方法都没有充分考虑不同序列图像间的信息互补关系,脑微出血灶的多维图像特征有待进一步挖掘。此外,所有已知的计算机辅助检测方法均没有考虑脑微出血先验分布概率密度这一重要的位置信息。目前已有方法都无法做到全自动识别,不得不通过人工干预的方式排除大量的假阳性检测结果,其敏感性和特异性都有待进一步提高。
发明内容
本发明针对现有技术存在的上述不足,提供了一种基于磁共振图像的脑微出血计算机辅助检测系统,具体是一种基于不同序列图像中感兴趣区域(图像中的脑实质区域)的纹理特征、脑微出血灶先验分布概率模板和随机森林分类器的脑微出血计算机辅助检测系统。
本发明能够通过机器读片,完成以下任务:
1、从磁共振图像中自动检测脑微出血灶,保证较高的敏感性、特异性、阳性预测率和阴性预测率;
2、利用先验信息构造能够反映脑微出血位置特征的脑微出血灶先验分布概率模板;
3、输出包含图像各层面脑微出血灶数目、大小、形状、位置等形态或结构信息的《脑微出血自动检测报告》,供医生在临床诊断时作为参考。
为实现上述目的,本发明采取以下技术方案:一种基于磁共振图像的脑微出血计算机辅助检测系统,包括以下模块:
1、图像导入模块:将来自同一病人的T1、T2和GRE T2*脑磁共振图像导入脑微出血计算机辅助检测系统。
2、图像预处理模块:
1)将图像统一缩放到512×512像素大小;
2)图像位置配准;
3)借助于T1和T2图像,去掉GRE T2*图像中对应于颅骨、脑室、脑脊液以及脑膜这些不可能出现脑微出血灶的区域;
4)基于“统计能量法”进行局部阈值分割,初选出潜在的脑微出血灶。
3、特征提取模块:
1)提取潜在脑微出血灶的七个特征,即面积、圆度、局部灰度均值、边缘灰度均值、对比度、位置评分和形色值;
2)构建特征向量。
4、自动检测模块:将步骤3提取的特征向量输入到事先训练好的随机森林分类器中,得到检测结果。
5、输出模块:输出包含图像各层面脑微出血灶数目、大小、形状、位置等形态或结构信息的《脑微出血自动检测报告》。
一种基于磁共振图像的脑微出血计算机辅助检测系统,其特征在于:
本发明由于采取以上技术方案,具有以下优点:
1、本发明使用随机森林分类器对特征数据集进行分类,实验结果证明与已有的半自动识别系统相比,敏感性、特异性、阳性预测率和阴性预测率均有明显提高。结合随机森林算法本身分类方面的诸多优点,随机森林可以作为一种可靠的脑微出血特征选择与分类手段。
2、本发明综合考虑了T1、T2和GRET2*图像的特征,与已有方法相比使用的图像信息更加全面。利用T1和T2图像排除了颅骨、脑室、脑脊液以及脑膜等结构的干扰,提高了识别特异性。
3、本发明首先提出了“脑微出血先验分布概率”这一概念,通过大量样本数据的累积,可以获得精确的脑微出血灶先验分布概率模板,不仅可以指导脑微出血检测过程,还对脑微出血发生的规律研究具有重要意义。
4、本发明的阳性预测率较已有论文有显著提高,使得检测结果更为可信,大大缩短了医生重复检查所花销的时间。
5、本发明在检测过程中记录了脑微出血灶数目、大小、形状、位置等重要信息可供医生做临床诊断时参考。
附图说明
图1是本发明的系统设计流程图。
图2是从GRE T2*图像中去除干扰组织的过程示意图。
图3是单一典型层面脑微出血灶先验分布概率模板。
图4是随机森林分类器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。本发明共包含五个主要模块,如图1所不,具体介绍如下:
1、图像导入模块:将来自同一病人的T1、T2和GRE T2*脑磁共振图像导入脑微出血计算机辅助检测系统。
2、图像预处理模块:
1)将图像统一缩放到512×512像素大小;
2)图像位置配准;
3)如图2所示,借助于T1和T2图像,去掉GRE T2*图像中对应于颅骨、脑室、脑脊液以及脑膜这些不可能出现脑微出血灶的区域,包括以下细节:
①采用全局阈值分割算法去除原始T1图像中颅骨和明显的脑脊液区域,通过形态学操作(采用半径为15的“盘型”因子向内腐蚀)去掉脑膜区域,因为脑微出血通常不会发生在这些部位
②通过形态学操作填补蒙片1中的洞,得到蒙片2
③将原始T2图像与蒙片2对应像素相乘,去除原始T2图像中的颅骨、脑膜和部分脑脊液区域
④对步骤③得到的结果进行阈值分割和形态学操作,标记出原始T2图像中的脑室和脑脊液区域
⑤将蒙片1与蒙片3相减,若值为-1则将该位置像素值赋为0,得到最终模板
⑥将⑤得到的模板用于原始GRE T2*图像中
4)基于“统计能量法”进行局部阈值分割,初选出潜在的脑微出血灶,具体如下:
①将整幅图像分割为81×81像素大小的ROI区域
②采用“统计能量法”对局部ROI区域进行阈值分割:在每个ROI中,将灰度值按从小到大排序,从最小的灰度值开始累加,直至其和达到整个ROI中所有像素灰度总和的1/500,将参与累加的像素值标记为0
③从局部阈值分割结果中去除那些在最终模板中该位置像素值也为0的点。对局部阈值分割结果进行形态学处理,填补分割得到的各斑块内由于图像噪声影响形成的空洞,得到初选的潜在脑微出血灶
在81位病人的81*4张(根据脑微出血的发生规律,选取4个典型层面图像进行分析)1.5T GRE T2*图像中,医生共标示出337个脑微出血灶。经过预处理,初选出6193个潜在脑微出血灶,其中包括304个真阳性病灶和5889个假阳性病灶。这一步骤的敏感性为0.902,漏掉了337个脑微出血灶中的33个。经过检查发现漏掉的病灶中大部分临近血管组织,对比度较低或面积很小。引入的假阳性病灶可以通过后续步骤大量排除,尽管会使得系统总体敏感性略有下降,但在实际应用中是可取的。
3、特征提取模块:
1)提取潜在脑微出血灶的七个特征,即面积、圆度、局部灰度均值、边缘灰度均值、对比度、位置评分(借助于如图4所示的脑微出血灶先验分布概率模板给出)和形色值;
2)构建特征向量。经过这一步骤,得到6193个待分类的特征向量。
4、自动检测模块:将步骤3提取的特征向量输入到事先训练好的随机森林分类器(结构如图4所示)中,得到分类器检测结果。
在此我们通过交叉检验的方法轮流训练和测试数据,利用受试者工作特性曲线(ROC)下面积(AUC)作为性能评价的指标,同时也计算该系统识别的准确率、敏感性、特异性、阳性预测率和阴性预测率等。经测试分类器敏感性为0.987(300/304),特异性为0.979(5765/5889),阳性预测值为0.717(300/424),阴性预测值为0.999(5765/5769),准确率为0.979(6065/6193),AUC为0.998。自动识别系统总体敏感性为0.890(300/337),平均每个病例中包含1.530(124/81)个假阳性灶。
5、输出模块:输出包含图像各层面脑微出血灶数目、大小、形状、位置等形态或结构信息的《脑微出血自动检测报告》。
Claims (7)
1.一种基于磁共振图像的脑微出血计算机辅助检测系统,基于磁共振图像中的脑实质区域的纹理特征、脑微出血灶先验分布概率模板和随机森林分类器的脑微出血计算机辅助检测系统,其特征是包括以下部分:
1)图像导入模块:将来自同一受试者的T1、T2和GRE T2*脑磁共振图像导入脑微出血计算机辅助检测系统;
2)图像预处理模块:首先将图像统一缩放到512×512像素大小并进行位置配准,借助于T1和T2图像,去掉GRE T2*图像中对应于颅骨、脑室、脑脊液以及脑膜这些不可能出现脑微出血灶的区域,在每个ROI中,将灰度值按从小到大排序,从最小的灰度值开始累加,直至其和达到整个ROI中所有像素灰度总和的1/500,将参与累加的像素值标记为0,初选出潜在的脑微出血灶;
3)特征提取模块:提取潜在脑微出血灶的灰度、形状、位置特征信息并构建特征向量;
4)自动检测模块:将步骤3)提取的特征向量输入到事先训练好的随机森林分类器中,得到检测结果;
5)输出模块:输出包含图像各层面脑微出血灶数目、大小、形状、位置的形态或结构信息的《脑微出血自动检测报告》。
2.如权利要求1所述的系统,其中还包括在对磁共振图像处理之前,由经验丰富的医生根据脑微出血解剖结构评定量表(MARS)对GRE T2*图像中的微出血灶进行手工标记,作为本系统性能评价的金标准。
3.如权利要求1所述的系统,其中对图像提取的特征既包括面积、圆度、局部灰度均值、边缘灰度均值、对比度、位置评分和形色值,还包括对这些特征的任意组合。
4.如权利要求3所述的系统,位置评分特征由脑微出血灶先验分布概率模板获得。
5.如权利要求4所述的系统,其中包括连续或定期地利用新增病例数据完善脑微出血灶先验分布概率模板。
6.如权利要求1所述的系统,其中包括连续或定期地利用新增病例数据对所述随机森林分类器进行再训练,补充该系统的样本量,完善其结构参数。
7.如权利要求6所述的系统,该随机森林分类器的输出结果为0到1之间的预测概率,0代表系统判定该处不可能是脑微出血灶,1代表系统判定该处确定是脑微出血灶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310370503.3A CN104414636B (zh) | 2013-08-23 | 2013-08-23 | 基于磁共振图像的脑微出血计算机辅助检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310370503.3A CN104414636B (zh) | 2013-08-23 | 2013-08-23 | 基于磁共振图像的脑微出血计算机辅助检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104414636A CN104414636A (zh) | 2015-03-18 |
CN104414636B true CN104414636B (zh) | 2017-11-17 |
Family
ID=52965519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310370503.3A Expired - Fee Related CN104414636B (zh) | 2013-08-23 | 2013-08-23 | 基于磁共振图像的脑微出血计算机辅助检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104414636B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069308B (zh) * | 2015-08-19 | 2018-11-27 | 天津瑟威兰斯科技有限公司 | 医疗设备智能监控系统 |
CN105427325A (zh) * | 2015-12-07 | 2016-03-23 | 苏州大学 | 基于随机森林和单调下降函数的肺肿瘤的自动分割方法 |
CN105701351A (zh) * | 2016-01-15 | 2016-06-22 | 上海市第十人民医院 | 基于人工神经网络模型超声造影特征自动识别系统及方法 |
CN107067001A (zh) * | 2017-01-25 | 2017-08-18 | 中国医科大学附属第医院 | 唾液腺感兴趣区的确定方法及系统 |
CN107452185A (zh) * | 2017-09-21 | 2017-12-08 | 深圳市晟达机械设计有限公司 | 一种有效的山区自然灾害预警系统 |
WO2019170711A1 (en) | 2018-03-07 | 2019-09-12 | Institut National De La Sante Et De La Recherche Medicale (Inserm) | Method for early prediction of neurodegenerative decline |
CN108898583B (zh) * | 2018-06-12 | 2019-08-13 | 东软医疗系统股份有限公司 | 微出血点的检测方法及装置 |
CN109003299A (zh) * | 2018-07-05 | 2018-12-14 | 北京推想科技有限公司 | 一种基于深度学习的计算脑出血量的方法 |
CN109165668A (zh) * | 2018-07-06 | 2019-01-08 | 北京安德医智科技有限公司 | 一种脑部异常分类的处理方法 |
CN109009111A (zh) * | 2018-07-16 | 2018-12-18 | 重庆大学 | 低场核磁共振脑出血动态监护仪控制系统 |
CN109190690B (zh) * | 2018-08-17 | 2021-10-19 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
CN111402218A (zh) * | 2020-03-11 | 2020-07-10 | 北京深睿博联科技有限责任公司 | 脑出血检测方法和装置 |
CN111640095B (zh) * | 2020-05-22 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 脑微出血的量化方法和计算机可读存储介质 |
CN112245728B (zh) * | 2020-06-03 | 2022-11-29 | 北京化工大学 | 一种基于集成树的呼吸机假阳性报警信号识别方法及系统 |
CN113344922A (zh) * | 2021-08-04 | 2021-09-03 | 南京钺曦医疗科技有限公司 | 一种自动分割脑微出血点的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1751309A (zh) * | 2002-12-18 | 2006-03-22 | Ge医疗系统环球技术有限公司 | 结合体外测试数据的医学数据分析方法和设备 |
CN1929781A (zh) * | 2003-08-21 | 2007-03-14 | 依斯克姆公司 | 用于脉管斑块检测和分析的自动化方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070161891A1 (en) * | 2003-03-27 | 2007-07-12 | The Government Of The United States Of America, As Represented By The Secretary Of Health And Human | In vivo brain elasticity measurement by magnetic resonance elastography with vibrator coil |
-
2013
- 2013-08-23 CN CN201310370503.3A patent/CN104414636B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1751309A (zh) * | 2002-12-18 | 2006-03-22 | Ge医疗系统环球技术有限公司 | 结合体外测试数据的医学数据分析方法和设备 |
CN1929781A (zh) * | 2003-08-21 | 2007-03-14 | 依斯克姆公司 | 用于脉管斑块检测和分析的自动化方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104414636A (zh) | 2015-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
CN109997200B (zh) | 脑中风诊断以及预后预测方法及系统 | |
Barnes et al. | Semiautomated detection of cerebral microbleeds in magnetic resonance images | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
Qian et al. | M $^ 3$ Lung-Sys: A deep learning system for multi-class lung pneumonia screening from CT imaging | |
TWI542328B (zh) | 偵測與量化腦梗塞區域的方法 | |
EP3701495B1 (en) | Tomographic data analysis | |
CN107133638B (zh) | 基于两分类器的多参数mri前列腺癌cad方法及系统 | |
CN103249358A (zh) | 医用图像处理装置 | |
CN110956634A (zh) | 一种基于深度学习的脑微出血自动检测方法及系统 | |
Feng et al. | Improved detection of focal cortical dysplasia in normal‐appearing FLAIR images using a Bayesian classifier | |
Buongiorno et al. | Uip-net: a decoder-encoder cnn for the detection and quantification of usual interstitial pneumoniae pattern in lung ct scan images | |
Uchiyama et al. | Computer-aided diagnosis scheme for classification of lacunar infarcts and enlarged Virchow-Robin spaces in brain MR images | |
US11734915B2 (en) | Automated and assisted identification of stroke using feature-based brain imaging | |
KR102447401B1 (ko) | 뇌경색 심각도 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
KR102447400B1 (ko) | 딥러닝 모델을 이용한 병변 영역 추출 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
Martel | CAD and machine learning for breast MRI | |
Banerjee et al. | Computerized multiparametric mr image analysis for prostate cancer aggressiveness-assessment | |
Wang et al. | Voxel-based discriminant map classification on brain ventricles for Alzheimer's disease | |
KR102503646B1 (ko) | 뇌경색 볼륨 계산 기반의 뇌경색 예측 방법 및 그를 위한 장치 | |
Qu et al. | Positive unanimous voting algorithm for focal cortical dysplasia detection on magnetic resonance image | |
Raghavendra et al. | Electron microscopy images for automatic bacterial trichomoniasis diagnostic classification separating and sorting of overlapping microbes | |
TWI817884B (zh) | 影像偵測系統及其運作方法 | |
US20230377319A1 (en) | Automated and assisted identification of stroke using feature-based brain imaging | |
Fenneteau et al. | A size-adaptative segmentation method for better detection of multiple sclerosis lesions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171117 Termination date: 20190823 |
|
CF01 | Termination of patent right due to non-payment of annual fee |