CN107292884A - 一种识别mri图像中水肿和血肿的方法及装置 - Google Patents
一种识别mri图像中水肿和血肿的方法及装置 Download PDFInfo
- Publication number
- CN107292884A CN107292884A CN201710666846.2A CN201710666846A CN107292884A CN 107292884 A CN107292884 A CN 107292884A CN 201710666846 A CN201710666846 A CN 201710666846A CN 107292884 A CN107292884 A CN 107292884A
- Authority
- CN
- China
- Prior art keywords
- region
- mri image
- area
- hemotoncus
- default
- 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.)
- Granted
Links
- 206010030113 Oedema Diseases 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010801 machine learning Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 103
- 238000012545 processing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 177
- 210000004556 brain Anatomy 0.000 description 10
- 230000001235 sensitizing effect Effects 0.000 description 9
- 230000003902 lesion Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010048962 Brain oedema Diseases 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 208000006752 brain edema Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/38—Registration of image sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种识别MRI图像中识别水肿和血肿的方法及装置，先通过预设的第一机器学习模型识别待识别的MRI图像中的肿块区域，其中预设的第一机器学习模型是通过已标注肿块区域的MRI图像训练后得到的。然后，再通过预设的第二机器学习模型识别该肿块区域中的血肿区域和水肿区域，其中，预设的第二机器学习模型是通过标注了血肿区域和水肿区域的MRI图像训练后得到的，并可以计算出血肿区域和水肿区域的体积大小、扩张方向和最大径。通过本实施例的方法，不仅可以自动、高效的识别出血肿和水肿，还可以自动的计算出血肿区域和水肿区域的体积大小、扩张方向和最大径，进而帮助医生对病情进行更准确的判断。
Description
技术领域
本发明涉及医学图像处理的领域，尤其涉及一种识别MRI图像水肿和血肿的方法及装置。
背景技术
随着数字医疗技术的发展，医学图像在医学诊断过程中的作用越来越明显，逐渐成为医生观察人体病变的主要工具。在对病情进行诊断时，一般是医生根据经验人为的从医学图像中查找表示病灶的感兴趣区域。
MRI(英文全称：Magnetic Resonance Imaging，中文全称：核磁共振成像)图像是常用的医学图像之一，MRI成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号,并重建出人体信息，从而得到MRI图像。MRI图像在神经系统应用较为成熟。三维成像和流空效应使病变定位诊断更为准确，并可观察病变与血管的关系，并且对于脑部病变的显示优于CT图像。脑部病变包括出现的脑部水肿和脑部血肿，但是一般情况下，血肿会伴随着水肿的发生，血肿肿块经常被包裹在水肿肿块内，在这种情况下，医生很难根据经验区分出水肿和血肿。
发明内容
有鉴于此，本发明实施例公开了一种识别MRI图像水肿和血肿的方法及装置，通过本发明实施例的方法，不仅可以自动、高效的区分出血肿和水肿，还可以自动的计算出血肿区域的病灶的体积大小、扩张方向和最大径，进而帮助医生对病情进行更准确的判断。
本发明实施例公开的一种识别MRI图像中水肿和血肿的方法，包括：
获取多个不同序列的MRI图像；
依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的MRI图像；
利用预设的第一机器学习模型从所述待识别的MRI图像中识别出肿块区域；所述第一机器学习模型是通过已标注肿块区域的MRI图像训练得到的；
利用预设的第二机器学习模型从所述肿块区域中识别出水肿区域和血肿区域；所述第二机器学习模型是通过已标注血肿区域和水肿区域的MRI图像训练得到的；
分别将识别出的血肿区域的体素点和水肿区域的体素点连通，得到连通后的血肿区域和连通后的水肿区域。
可选的，所述依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的MRI图像，包括：
在所述多个不同序列的MRI图像中的每个序列的目标中选取一个参照点；
计算所述每个序列的MRI图像中各个体素点与自身的参照点的相对坐标；
依据得到的相对坐标，计算每一个序列的MRI图像的中心点；
将每一个序列的MRI图像的中心点对齐，得到待识别的MRI图像。
可选的，所述利用预设的第一机器学习模型从所述待识别的MRI图像中识别出肿块区域，包括：所述第一机器学习模型为第一3D卷积神经网络；
将所述待识别的MRI图像输入到所述第一3D卷积神经网络中；
利用所述第一3D卷积神经网络从所述待识别的MRI图像中识别出所述肿块区域。
可选的，所述利用预设的第二机器学习模型从所述肿块区域中识别出血肿区域和水肿区域，包括：所述第二机器学习模型为第二3D卷积神经网络；
将识别出肿块区域的MRI图像输入到所述第二3D卷积神经网络中；
利用所述第二3D卷积神经网络从所述识别出的肿块区域中识别出所述血肿区域和水肿区域。
可选的，还包括：
计算感兴趣区域的体积、扩张方向和最大径，其中，所述感兴趣区域为血肿区域或水肿区域，具体包括：
依据所述感兴趣区域体素点的个数，计算所述感兴趣区域的体积；
计算待识别的MRI图像中每一层的感兴趣区域的面积，并选取面积最大的感兴趣区域；
从所述面积最大的感兴趣区域中确定多个关键点；
计算所述多个关键点中任意两个关键点之间的距离，并选出距离最远的两个关键点；
将距离最远的两个关键点的直线方向作为最大扩张方向，将距离最远的两个关键点之间的距离作为最大径。
可选的，对第一3D卷积神经网络训练的过程包括：
循环执行以下步骤，直到交叉熵损失小于预设的第一阈值且不再减小；
获取已标注肿块区域的MRI图像；其中已标注肿块区域的MRI图像是依据预设的方法将不同序列的MRI图像经过对齐后得到的；
利用所述第一3D卷积神经网络依据所述第一3D卷积神经网络中预设的第一参数，对已标注肿块区域的MRI图像进行层级化函数处理，得到预测的肿块区域；
将预测的肿块区域和已标注的肿块区域进行比对，得到交叉熵损失；
根据所述交叉熵损失和反向传播算法对所述第一3D卷积神经网络中预设的第一参数进行调整。
可选的，第二3D卷积神经网络的训练过程包括：
循环执行以下步骤，直到交叉熵损失小于预设的第二阈值且不再减小；
获取已标注血肿区域和水肿区域的MRI图像；其中已标注血肿区域和水肿区域的MRI图像是依据预设的方法将不同序列的MRI图像经过对齐后得到的；
利用所述第二3D卷积神经网络依据所述第二3D卷积神经网络中预设的第二参数，对已标注血肿区域和水肿区域的MRI图像进行层级化函数处理，得到预测的血肿区域和水肿区域；
将预测的血肿区域和水肿区域和已标注的血肿区域和水肿区域进行比对，得到交叉熵损失；
根据所述交叉熵损失和反向传播算法对所述第二3D卷积神经网络中预设的第二参数进行调整。
本发明实施例还公开了一种识别MRI图像中水肿和血肿的装置，包括：
图像获取单元，用于获取多个不同序列的MRI图像；
预处理单元，用于依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的MRI图像；
肿块区域识别单元，用于利用预设的第一机器学习模型从所述待识别的MRI图像中识别出肿块区域；所述第一机器学习模型是通过已标注肿块区域的MRI图像训练得到的；
血肿区域识别单元，用于利用预设的第二机器学习模型从所述肿块区域中识别出血肿区域；所述第二机器学习模型是通过已标注血肿区域和水肿区域的MRI图像训练得到的；
连通单元，用于分别将识别出的血肿区域的体素点和水肿区域的体素点连通，得到连通后的血肿区域和连通后的水肿区域。
可选的，所述预处理单元，包括：
选取子单元，用于在所述多个不同序列的MRI图像中的每个序列的目标中选取一个参照点；
第一计算单元，用于计算所述每个序列的MRI图像中各个体素点与自身的参照点的相对坐标；
第二计算单元，用于依据得到的相对坐标，计算每一个序列的MRI图像的中心点；
对齐单元，用于将每一个序列的MRI图像的中心点对齐，得到待识别的MRI图像。
可选的，还包括：
体积计算单元，用于依据所述感兴趣区域体素点的个数，计算所述感兴趣区域的体积；
最大面积选取单元，用于计算待识别的MRI图像中每一层的感兴趣区域的面积，并选取面积最大的感兴趣区域；
确定单元，用于从所述面积最大的感兴趣区域中确定多个关键点；
关键点选取单元，用于计算所述多个关键点中任意两个关键点之间的距离，并选出距离最远的两个关键点；
最大径计算单元，用于将距离最远的两个关键点的直线方向作为最大扩张方向，将距离最远的两个关键点之间的距离作为最大径。
本实施例中，先通过预设的第一机器学习模型识别待识别的MRI图像中的肿块区域，其中预设的第一机器学习模型是通过已标注肿块区域的MRI图像训练后得到的。然后，再通过预设的第二机器学习模型识别该肿块区域中的血肿区域和水肿区域，其中，预设的第二机器学习模型是通过标注了血肿区域和水肿区域的MRI图像训练后得到的，除此之外，还可以计算出血肿区域和水肿区域的体积大小、扩张方向和最大径。通过本实施例的方法，不仅可以自动、高效的识别出血肿和水肿，还可以自动的计算出血肿区域和水肿区域的体积大小、扩张方向和最大径，进而帮助医生对病情进行更准确的判断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的一种识别MRI图像水肿和血肿的方法的流程示意图；
图2示出了本发明实施例提供的第一3D卷积神经网络的训练方法的流程示意图；
图3示出了本发明实施例提供的第二3D卷积神经网络的训练方法的流程示意图；
图4示出了本发明实施例提供的一种识别MRI图像水肿和血肿的装置的结构示意图。
具体实施方式
本申请实施例提出的识别水肿和血肿的方法应用于MRI图像，目的在于实现自动的从MRI图像中识别出水肿和血肿。
本申请实施例所述的识别水肿和血肿的方法可以是由识别水肿和血肿的装置执行，所述装置可以集成在现有的MRI设备上，也可以独立设置。对于独立设置的情况，可以从现有的MRI扫描设备上获取MRI图像。
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
参考图1，示出了本发明实施例提供的一种识别MRI图像水肿和血肿的方法的流程示意图，在本实施例中，该方法包括：
S101：获取多个不同序列的MRI图像；
本实施例中，MRI图像可以包括多种序列的图像，例如可以包括：T1序列图像、T2序列图像、T2FLAIR序列图像、T1C序列图像、T1W序列图像、T2W序列图像等，其中S101中获取的多个不同序列的图像可以是，根据用户需求选择的多个序列的MRI图像。
S102：依据预设的参照点将多个不同序列的MRI图像对齐，得到待识别的MRI图像；
本实施例中，虽然每一个序列显示不同的特点，但是不同MRI图像上的目标是一样的，目标即扫描的人体部位或者人体器官，因此，可以在每一序列目标上找一个参照点，并依据该参照点将多个不同的序列进行对齐，具体的，S102包括：
在每一个序列的MRI图像中的目标上选取一个参照点；
计算每一个序列的MRI图像中各个体素点与自身参照点的相对坐标；
依据得到的相对坐标，计算每一个序列的MRI图像的中心点；
将每一个序列的MRI图像的中心点对齐。
需要说明的是，MRI图像中的目标是扫描的人体部位或者人体器官，例如，若MRI图像为脑部MRI图像，大扫描的大脑即为MRI图像中的目标；若扫描是肝，则扫描的感为MRI图像中的目标。
还需要说明的是，选取的参照点是目标上同一个位置上的点，例如：若MRI图像为脑部图像，选取的参照点可以是，脑部的刚体部位的相同位置上，刚体部位可以是头盖骨等比较坚硬的部位，在脑部的刚体位置上选取参照点可以是随机选取的，也可以是通过预设的算法选取的，但是每个序列选取出的参照点都是目标同一位置的点。
需要说明的是，通过S102得到的待识别的MRI图像可以是多模态的MRI图像。
S103：将待识别的MRI图像输出到已训练的3D卷积神经网络中；
本实施例中，将待识别的MRI图像输入到已训练的3D卷积神经网络的方式可以包括以下的几种：
方式一：可以之间将得到的待识别的MRI图像输入到已训练的3D卷积神经网络中，即可以直接将对齐后的多个序列的MRI图像输入到已训练的3D卷积中。该种方式可以保留不同序列的MRI图像中每个不同序列所代表的独有信息。
方式二：将对齐后的多个序列的MRI图像在某一个维度上连接起来(例如：在切片这一维度连接)，输入到已训练的3D卷积神经网络中。
方式三：将对齐后的不同序列的MRI图像的体素点的灰度值进行加权平均后，输入到已训练的3D卷积神经网络中。
本实施例将不同序列的MRI图像输入神经网络的方法，可以采用以上提到的任何一种方法，但是并不限于以上提到的方法。
本实施例中，需要说明的是，将对齐后的多个序列的MRI图像输入到3D卷积神经网络后，还可以对不同序列的MRI图像进行融合。
S104：利用预设的已训练的第一机器学习模型从待识别的MRI图像中识别出肿块区域；
本实施例中，肿块包括水肿和血肿，但是血肿的出现一般会伴随着水肿的发生，血肿可能会包裹在水肿内部，很难通过一次的处理就将水肿和血肿区分开来，因此可以先通过已训练的第一机器学习模型，识别出包括血肿和水肿的肿块区域，再根据后续的计算对水肿和血肿进行区分。
本实施例中，第一机器学习模型可以是3D卷积神经网络，其中该3D卷积神经网络是通过大量的样本训练后得到的，本实施例中，应用于S104的3D卷积神经网络可以表示为第一3D卷积神经网络。
本实施例中，卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。3D卷积神经网络是在卷积神经网络的基础上，对卷积神经网络进行改进得到的，主要的改进是将二维的卷积神经网络扩展为三维的卷积神经网络，使得卷积神经网络可以对三维图像进行类似于对二维图像的处理。3D卷积神经网络的原理基本上类似为上述卷积神经网络，但是相对于上述卷积神经网络，3D卷积神经网络对图像识别的效率和准确率都有所提高。
在本申请的实施例中，第一3D卷积神经网络是通过大量的样本数据对第3D卷积神经网络训练后得到的，其中，样本数据为已标记肿块区域的MRI图像，训练的过程中不断的调整3D卷积神经网络的参数。在图像处理领域，相同的算法或模型，针对不同的图像的效果差异很大，而且，在机器学习的过程中，参数调整是一个非常困难的过程，本申请将这个模型应用在三维MRI图像上，创新性的利用交叉熵损失对3D卷积神经网络的预设的第一参数不断进行调整，直到交叉熵阈值小于预设的阈值且不再减小，这样最终得到识别三维MRI图像肿块区域准确率较高的第一3D卷积神经网络。其中交叉熵损失是将预测的肿块区域和已标注的肿块区域进行对比得到的，预测的肿块区域是3D卷积神经网络依据该3D卷积神经网络中的相关参数对已标注肿块区域的三维MRI图像进行识别得到的。
需要说明的是，已标记肿块区域MRI图像是将不同序列的MRI图像进行对齐后得到的。
还需要说明的是，第一机器学习模型并不仅限定为3D卷积神经网络，还可以是其它的通过已标记肿块区域的MRI图像训练过的模型，例如还可以是残差网络、模糊聚类等。
具体的，S104可以包括：
将待识别的MRI图像输入到已训练的第一3D卷积神经网络中；
利用已训练的第一3D卷积神经网络识别出待识别的MRI图像中的肿块区域。
S105：利用预设的已训练的第二机器学习模型从识别出的肿块区域中识别出血肿区域和水肿区域；
其中，第二机器学习模型可以是3D卷积神经网络，其中该3D卷积神经网络是通过大量的样本训练后得到的，本实施例中，应用于S105的3D卷积神经网络表示为第二3D卷积神经网络。
在本申请的实施例中，第二3D卷积神经网络是通过大量的样本数据对3D卷积神经网络训练后得到的，其中，训练样本为已标记血肿区域和水肿区域的MRI图像，训练的过程中不断的调整3D卷积神经网络的参数。图像处理领域，相同的算法或模型，针对不同的图像的效果差异很大，而且，在机器学习的过程中，参数调整是一个非常困难的过程，而且识别肿块用户的参数和识别血肿用到的参数是不一样的，训练时的训练样本也不一样，本申请将这个模型应用在三维MRI图像上，创新性的利用交叉熵损失对3D卷积神经网络的预设的第二参数不断进行调整，直到交叉熵阈值小于预设的阈值且不再减小后，最终得到识别三维MRI图像血肿区域准确率较高的第二3D卷积神经网络。其中交叉熵损失是将预测的血肿区域和已标注的血肿区域进行对比得到的，预测的血肿区域是3D卷积神经网络依据该3D卷积神经网络中的相关参数对已标注血肿区域的三维MRI图像进行识别得到的。
S106：分别将识别出的血肿区域以及水肿区域的体素点连通，得到连通的血肿区域和水肿区域；
通过S106识别出的血肿区域，实际上识别出的是属于血肿区域的体素点，这些体素点是分散的，将这些体素点相连通，得到连通的血肿区域；识别出的水肿区域实际上也是属于水肿区域的体素点，水肿区域的体素点也是分散的，将属于水肿区域的像素点连通，得到连通的水肿区域。
S107：分别计算血肿区域和水肿区域的体积、扩张方向和最大径。
本实施例中，由于每个体素点具有固定的体积，血肿区域的体积可以直接表示为体素点的个数；或者根据每个体素点的体积和血肿区域体素点的个数计算血肿区域的体积，具体的可以是将血肿区域中每个体素点的体积相加，得到血肿区域的体积。
其中，对于计算血肿区域的最大扩张方向和最大径，具体可以包括：
计算待识别的MRI图像中每一层的血肿区域的面积，并获取面积最大的血肿区域；
从选取出的面积最大的血肿区域中确定多个关键点；
计算任意两个关键点之间的距离，并选出距离最远的两个关键点；其中，距离最远的两个关键点之间的距离为最大径，距离最远的两个关键点的直线方向为最大扩张方向；
需要说明的是，最大径可以理解为扩张的最大直径。
本实施例中，确定出的血肿区域的多个关键点，可以是面积最大的血肿区域轮廓线上的所有像素点；也可以是根据不规则轮廓线段逼近方法得到的血肿区域轮廓线上的若干个关键点。
举例说明：如图4所示，识别出血肿区域的MRI脑部图像包括多层MRI图像，每一层的MRI图像中都识别出了血肿区域，找到这些层中面积最大的血肿区域，将面积最大的血肿区域的MRI图像表示为A图像；根据不规则轮廓逼近方法，从A图像的血肿区域的轮廓线上确定出多个关键点，并从多个关键点中找到距离最远的两个关键点，假设距离最远的两个关键点分别为关键点B和关键点C，其中BC之间的距离为最大径，直线BC的方向表示最大扩张方向。
对于水肿区域，体积、扩张方向和最大径的计算，与血肿区域的方法一致，在这里就不再赘述。
本实施例中，医生通过MRI脑部图像，在对血肿的情况进行诊断时，还需要了解血肿区域的大小，而且随着时间的推移，血肿的范围会出现变化，还需要确诊出病灶扩张的方向和扩张的最大径，这些工作若是由医生来完成的话，无疑增加了医生的工作量，医生也无法快速的诊断出确切的病情，因此通过S104的步骤，自动的计算出血肿区域和水肿区域的体积、扩张方向和最大径，不仅减小了医生的诊断工作的工作量，而且有利于医生的诊断。
本实施例中，需要说明的是，执行了S101～S107的步骤后，可以根据用户的需求，输出相应的结果。例如，若用户想要查看识别出的MRI图像中的血肿区域和水肿区域的显示结果，则输出S106步骤中得到的结果；若用户想要查看血肿区域和水肿区域的体积、扩张的方向和最大径，则输出S107步骤得到的结果；若是用户既想查看血肿区域和血肿区域的显示结果，又想明确知道血肿区域的大小，则既要输出S106步骤得到的结果也输出S107步骤得到的结果。
本实施例中，先通过预设的第一机器学习模型识别待识别的MRI图像中的肿块区域，其中预设的第一机器学习模型是通过已标注肿块区域的MRI图像训练后得到的。然后，再通过预设的第二机器学习模型识别该肿块区域中的血肿区域和水肿区域，其中，预设的第二机器学习模型是通过标注了血肿区域和水肿区域的MRI图像训练后得到的，并可以计算出血肿区域和水肿区域的体积大小、扩张方向和最大径。通过本实施例的方法，不仅可以自动、高效的识别出血肿和水肿，还可以自动的计算出血肿区域和水肿区域的体积大小、扩张方向和最大径，进而帮助医生对病情进行更准确的判断。
本实施例中，对第一3D卷积神经网络的训练方法，具体的参考图2，在本实施例中，该方法包括：
S201：获取已标注肿块区域的MRI图像：
本实施例中，在S201之前还包括：
获取多个不同序列的MRI图像；
依据预设的参照点将多个不同序列的MRI图像对齐。
其中，获取的多个不同序列的MRI图像，是根据用户需求选择的MRI图像序列中的多个序列。
对于依据预设的参数将多个不同序列的MRI图像对齐的步骤，与上文中S102的步骤相同，在这里就不再赘述。
除此之外，对于所有对齐后的MRI图像，还需要标注出肿块区域，其中对对齐后MRI图像的肿块区域进行标注，可以包括以下三种方式：
方式一：由医生直接在对齐后的MRI图像中进行标注，得到肿块区域的MRI图像；
方式二：对对齐后的MRI图像先经过预设的处理，识别出对齐后的MRI图像中的敏感区域，再在敏感区域中标注肿块区域；
方式三：先通过相关的方法，从对齐后的MRI图像中提取出敏感区域，得到仅包括敏感区域的MRI图像，再从敏感区域中标注出肿块区域。
其中，敏感区域可以是通过一些图像分割的方法，识别出的可能包裹有肿块区域的MRI图像，由于该敏感区域的范围要比实际肿块的区域大，或者由于某些原因这些识别出的敏感区域中不包含肿块区域，因此需要医生再根据经验在这些敏感区域中标注出肿块区域。由于先得到了可能存在肿块的敏感区域，不仅为医生或者相关技术人员减轻了标记肿块区域的工作量而且提高了标注的准确率。
由于对第一3D卷积神经网络进行训练需要大量的样本数据，已标记肿块区域的MRI图像就是样本数据，为了提高训练的效率，在执行S101之前，可以是已经得到了大量的已标记肿块区域的MRI图像。
S202：利用第一3D卷积神经网络依据第一3D卷积神经网络中预设的第一参数，对已标注肿块区域的MRI图像进行层级化函数处理，得到预测的肿块区域；
本实施例中，第一3D卷积神经网络包括多层运算，分别为：卷积层、批归一化层、非线性层、下采样层、反卷积层等，其中，对标注了肿块区域的MRI图像进行层级化函数处理，就是将标注了肿块区域的MRI图像经过以上提到的这些层的运算，并依据第一3D卷积神经网络中的相关参数，识别出该已标记肿块区域的MRI图像中的肿块区域。
需要说明的是，第一参数包括第一3D卷积神经网络中的多个参数，并且初始的第二参数可以是随机生成的，也可以依据预设的规则生成的。
举例说明：对标注肿块区域的MRI图像的识别过程包括：3D卷积神经网络根据标注的肿块区域，提取肿块区域的特征向量，然后对提取到的肿块区域的特征向量进行二分类，即判断提取到的肿块区域是否属于肿块。
S203：将预测的肿块区域与已标注的肿块区域进行比对，得到交叉熵损失；
S204：根据交叉熵损失和反向传播算法对第一3D卷积神经网络中预设的第一参数进行调整；
S205：重复执行S201～S204的步骤，直到交叉熵损失小于预设的第一阈值且不再减小，得到训练好的第一3D卷积神经网络。
本实施例中，每次获取到的已标注肿块区域的MRI图像都是不同的图像，通过第一3D卷积神经网络经过足够的次数识别MRI图像中的肿块区域，并经过足够次数的参数调整，直到交叉熵损失小于预设的第一阈值且不再减小，也就是说此时交叉熵损失足够小也不再有下降的趋势，表明第一3D卷积神经网络已经具备足够的精度，可以比较准确的从MRI图像中识别出肿块。
本实施例中，通过反复将识别出的肿块区域与医生标注的肿块区域进行比对，得到交叉熵损失，并通过交叉熵损失反复的调整第一3D卷积神经网络，逐渐降低交叉熵损失，直到交叉熵损失小于预设的第一阈值且不再有减小的趋势，因此，通过该种训练方式，可以得到识别精度较高的第一3D卷积神经网络。
本实施例中，对于对3D卷积神经网络进行训练得到第二3D卷积神经网络的方法，具体的参考图3，在本实施例中，该方法包括：
S301：获取已标注血肿区域的MRI图像：
在S301之前，还包括：本实施例中，在S201之前还包括：获取多个不同序列的MRI图像；依据预设的参照点将多个不同序列的MRI图像对齐；
其中，获取的多个不同序列的MRI图像，是根据用户需求选择的MRI图像序列中的多个序列。
对于依据预设的参数将多个不同序列的MRI图像对齐的步骤，与上文中S102的步骤相同，在这里就不再赘述。
本实施例中，已标记血肿的MRI图像，可以是直接通过医生或者相关技术人员在对齐后的MRI图像上标注了血肿区域后得到的；或者可以是先在对齐后的MRI图像中识别出肿块区域，再由医生或者相关技术人员在肿块区域标注出血肿区域后得到的；或者还可以是，从对齐后的MRI图像中提取出肿块区域，即已标注血肿区域的MRI图像中只包括肿块部分，然后再由医生或者相关的技术人员在肿块区域中标注出血肿区域。
S302：利3D卷积神经网络依据3D卷积神经网络中预设的第二参数，对标注了血肿区域的MRI图像进行层级化函数处理，得到预测的血肿区域和水肿区域；
本实施例中，3D卷积神经网络包括多层运算，分别为：卷积层、批归一化层、非线性层、下采样层、反卷积层等，其中，对已标注血肿区域和水肿区域的MRI图像进行层级化函数处理，就是将已标注血肿区域和水肿区域的MRI图像经过以上提到的这些层的运算，预测血肿区域和水肿区域。其中在第二3D卷积神经网络中，预测出的血肿区域和水肿区域是以三维向量的形式存储的。
需要说明的是，第二参数包括第二3D卷积神经网络中的多个参数，并且初始的第二参数可以是随机生成的，也可以依据预设的规则生成的。
举例说明：对标注血肿区域和水肿区域的MRI图像的识别过程包括：3D卷积神经网络根据标注的血肿区域和水肿区域，提取血肿区域和水肿区域的特征向量，然后分别对提取到的血肿区域特征向量和水肿区域的特征向量进行二分类，即判断识别出的血肿区域是否为血肿肿块、判断识别出的水肿区域是否为水肿肿块。
S303：将预测的血肿区域与已标注的血肿区域进行比对，得到交叉熵损失；
S304：根据交叉熵损失和反向传播算法对3D卷积神经网络中预设的第二参数进行调整；
S305：重复执行S301～S304的步骤，直到交叉熵损失小于预设的第二阈值且不再减小时，得到训练好的第二3D卷积神经网络。
本实施例中，每次获取到的已标注血肿区域和水肿区域的MRI图像都是不同的图像，通过3D卷积神经网络识别MRI图像中的血肿区域和水肿区域，并经过足够次数的参数调整，逐渐将交叉熵损失降低到预设的阈值范围内，当交叉熵损失小于预设的第二阈值且不再减小时，说明第二3D卷积神经网络已经具备足够的精度，可以比较准确的从MRI图像中识别出水肿和血肿。
本实施例中，通过反复将识别出的血肿区域和水肿区域与医生标注的血肿区域和水肿区域进行比对，得到交叉熵损失，并通过交叉熵损失反复的调整第二3D卷积神经网络，逐渐降低交叉熵损失，直到交叉熵损失达到预设的第二阈值且不再减小，因此，通过该种训练方式，可以得到识别精度较高的第二3D卷积神经网络。
参考图4，示出了本发明实施例提供的一种识别MRI图像水肿和血肿的装置的结构示意图
图像获取单元401，用于获取多个不同序列的MRI图像；
预处理单元402，用于依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的MRI图像；
肿块区域识别单元403，用于利用预设的第一机器学习模型从所述待识别的MRI图像中识别出肿块区域；所述第一机器学习模型是通过已标注肿块区域的MRI图像训练得到的；
血肿区域识别单元404，用于利用预设的第二机器学习模型从所述肿块区域中识别出血肿区域；所述第二机器学习模型是通过已标注血肿区域和水肿区域的MRI图像训练得到的；
连通单元405，用于分别将识别出的血肿区域的体素点和水肿区域的体素点连通，得到连通后的血肿区域和连通后的水肿区域。
可选的，所述预处理单元，包括：
选取子单元，用于在所述多个不同序列的MRI图像中的每个序列的目标中选取一个参照点；
第一计算单元，用于计算所述每个序列的MRI图像中各个体素点与自身的参照点的相对坐标；
第二计算单元，用于依据得到的相对坐标，计算每一个序列的MRI图像的中心点；
对齐单元，用于将每一个序列的MRI图像的中心点对齐。
可选的，所述第一机器学习模型为第一3D卷积神经网络，
所述第一识别单元，包括：
第一输入子单元，用于将所述待识别的MRI图像输入到所述第一3D卷积神经网络中；
第一识别子单元，用于利用所述第一3D卷积神经网络从所述待识别的MRI图像中识别出所述肿块区域。
可选的，所述第二机器学习模型为第二3D卷积神经网络；
所述第二识别单元，包括：
第二输入子单元，用于将识别出肿块区域的MRI图像输入到所述第二3D卷积神经网络中；
第二识别子单元，用于利用所述第二3D卷积神经网络从所述识别出的肿块区域中识别出所述血肿区域和水肿区域。
可选的，还包括：
体积计算单元，用于依据所述感兴趣区域体素点的个数，计算所述感兴趣区域的体积；
最大面积选取单元，用于计算待识别的MRI图像中每一层的感兴趣区域的面积，并选取面积最大的感兴趣区域；
确定单元，用于从所述面积最大的感兴趣区域中确定多个关键点；
关键点选取单元，用于计算所述多个关键点中任意两个关键点之间的距离，并选出距离最远的两个关键点；
最大径计算单元，用于将距离最远的两个关键点的直线方向作为最大扩张方向，将距离最远的两个关键点之间的距离作为最大径。
可选的，还包括：
第一3D卷积神经网络训练单元，具体用于：
循环执行以下步骤，直到交叉熵损失小于预设的第一阈值且不再减小；
获取已标注肿块区域的MRI图像；其中已标注肿块区域的MRI图像是依据预设的方法将不同序列的MRI图像经过对齐后得到的；
利用所述第一3D卷积神经网络依据所述第一3D卷积神经网络中预设的第一参数，对已标注肿块区域的MRI图像进行层级化函数处理，得到预测的肿块区域；
将预测的肿块区域和已标注的肿块区域进行比对，得到交叉熵损失；
根据所述交叉熵损失和反向传播算法对所述第一3D卷积神经网络中预设的第一参数进行调整。
可选的，还包括：
第二3D卷积神经网络训练单元，具体用于：
循环执行以下步骤，直到交叉熵损失小于预设的第二阈值且不再减小；
获取已标注血肿区域和水肿区域的MRI图像；其中已标注血肿区域和水肿区域的MRI图像是依据预设的方法将不同序列的MRI图像经过对齐后得到的；
利用所述第二3D卷积神经网络依据所述第二3D卷积神经网络中预设的第二参数，对已标注血肿区域和水肿区域的MRI图像进行层级化函数处理，得到预测的血肿区域和水肿区域；
将预测的血肿区域和水肿区域和已标注的血肿区域和水肿区域进行比对，得到交叉熵损失；
根据所述交叉熵损失和反向传播算法对所述第二3D卷积神经网络中预设的第二参数进行调整。
通过本实施例的装置，不仅可以自动、高效的区分出血肿和水肿，还可以自动的计算出血肿区域和水肿区域的体积大小、扩张方向和最大径，进而帮助医生对病情进行更准确的判断。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种识别MRI图像中水肿和血肿的方法，其特征在于，包括：
获取多个不同序列的MRI图像；
依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的MRI图像；
利用预设的第一机器学习模型从所述待识别的MRI图像中识别出肿块区域；所述第一机器学习模型是通过已标注肿块区域的MRI图像训练得到的；
利用预设的第二机器学习模型从所述肿块区域中识别出水肿区域和血肿区域；所述第二机器学习模型是通过已标注血肿区域和水肿区域的MRI图像训练得到的；
分别将识别出的血肿区域的体素点和水肿区域的体素点连通，得到连通后的血肿区域和连通后的水肿区域。
2.根据权利要求1所述的方法，其特征在于，所述依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的MRI图像，包括：
在所述多个不同序列的MRI图像中的每个序列的目标中选取一个参照点；
计算所述每个序列的MRI图像中各个体素点与自身的参照点的相对坐标；
依据得到的相对坐标，计算每一个序列的MRI图像的中心点；
将每一个序列的MRI图像的中心点对齐，得到待识别的MRI图像。
3.根据权利要求1所述的方法，其特征在于，所述利用预设的第一机器学习模型从所述待识别的MRI图像中识别出肿块区域，包括：所述第一机器学习模型为第一3D卷积神经网络；
将所述待识别的MRI图像输入到所述第一3D卷积神经网络中；
利用所述第一3D卷积神经网络从所述待识别的MRI图像中识别出所述肿块区域。
4.根据权利要求1所述的方法，其特征在于，所述利用预设的第二机器学习模型从所述肿块区域中识别出血肿区域和水肿区域，包括：所述第二机器学习模型为第二3D卷积神经网络；
将识别出肿块区域的MRI图像输入到所述第二3D卷积神经网络中；
利用所述第二3D卷积神经网络从所述识别出的肿块区域中识别出所述血肿区域和水肿区域。
5.根据权利要求1所述的方法，其特征在于，还包括：
计算感兴趣区域的体积、扩张方向和最大径，其中，所述感兴趣区域为血肿区域或水肿区域，具体包括：
依据所述感兴趣区域体素点的个数，计算所述感兴趣区域的体积；
计算待识别的MRI图像中每一层的感兴趣区域的面积，并选取面积最大的感兴趣区域；
从所述面积最大的感兴趣区域中确定多个关键点；
计算所述多个关键点中任意两个关键点之间的距离，并选出距离最远的两个关键点；
将距离最远的两个关键点的直线方向作为最大扩张方向，将距离最远的两个关键点之间的距离作为最大径。
6.根据权利要求3所述的方法，其特征在于，对第一3D卷积神经网络训练的过程包括：
循环执行以下步骤，直到交叉熵损失小于预设的第一阈值且不再减小；
获取已标注肿块区域的MRI图像；其中已标注肿块区域的MRI图像是依据预设的方法将不同序列的MRI图像经过对齐后得到的；
利用所述第一3D卷积神经网络依据所述第一3D卷积神经网络中预设的第一参数，对已标注肿块区域的MRI图像进行层级化函数处理，得到预测的肿块区域；
将预测的肿块区域和已标注的肿块区域进行比对，得到交叉熵损失；
根据所述交叉熵损失和反向传播算法对所述第一3D卷积神经网络中预设的第一参数进行调整。
7.根据权利要求4所述的方法，其特征在于，第二3D卷积神经网络的训练过程包括：
循环执行以下步骤，直到交叉熵损失小于预设的第二阈值且不再减小；
获取已标注血肿区域和水肿区域的MRI图像；其中已标注血肿区域和水肿区域的MRI图像是依据预设的方法将不同序列的MRI图像经过对齐后得到的；
利用所述第二3D卷积神经网络依据所述第二3D卷积神经网络中预设的第二参数，对已标注血肿区域和水肿区域的MRI图像进行层级化函数处理，得到预测的血肿区域和水肿区域；
将预测的血肿区域和水肿区域和已标注的血肿区域和水肿区域进行比对，得到交叉熵损失；
根据所述交叉熵损失和反向传播算法对所述第二3D卷积神经网络中预设的第二参数进行调整。
8.一种识别MRI图像中水肿和血肿的装置，其特征在于，包括：
图像获取单元，用于获取多个不同序列的MRI图像；
预处理单元，用于依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的MRI图像；
肿块区域识别单元，用于利用预设的第一机器学习模型从所述待识别的MRI图像中识别出肿块区域；所述第一机器学习模型是通过已标注肿块区域的MRI图像训练得到的；
血肿区域识别单元，用于利用预设的第二机器学习模型从所述肿块区域中识别出血肿区域；所述第二机器学习模型是通过已标注血肿区域和水肿区域的MRI图像训练得到的；
连通单元，用于分别将识别出的血肿区域的体素点和水肿区域的体素点连通，得到连通后的血肿区域和连通后的水肿区域。
9.根据权利要求8所述的装置，其特征在于，所述预处理单元，包括：
选取子单元，用于在所述多个不同序列的MRI图像中的每个序列的目标中选取一个参照点；
第一计算单元，用于计算所述每个序列的MRI图像中各个体素点与自身的参照点的相对坐标；
第二计算单元，用于依据得到的相对坐标，计算每一个序列的MRI图像的中心点；
对齐单元，用于将每一个序列的MRI图像的中心点对齐。
10.根据权利要求9所述的装置，其特征在于，还包括：
体积计算单元，用于依据所述感兴趣区域体素点的个数，计算所述感兴趣区域的体积；
最大面积选取单元，用于计算待识别的MRI图像中每一层的感兴趣区域的面积，并选取面积最大的感兴趣区域；
确定单元，用于从所述面积最大的感兴趣区域中确定多个关键点；
关键点选取单元，用于计算所述多个关键点中任意两个关键点之间的距离，并选出距离最远的两个关键点；
最大径计算单元，用于将距离最远的两个关键点的直线方向作为最大扩张方向，将距离最远的两个关键点之间的距离作为最大径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710666846.2A CN107292884B (zh) | 2017-08-07 | 2017-08-07 | 一种识别mri图像中水肿和血肿的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710666846.2A CN107292884B (zh) | 2017-08-07 | 2017-08-07 | 一种识别mri图像中水肿和血肿的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107292884A true CN107292884A (zh) | 2017-10-24 |
| CN107292884B CN107292884B (zh) | 2020-09-29 |
Family
ID=60104607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710666846.2A Active CN107292884B (zh) | 2017-08-07 | 2017-08-07 | 一种识别mri图像中水肿和血肿的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292884B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108269272A (zh) * | 2018-01-31 | 2018-07-10 | 北京青燕祥云科技有限公司 | 肝部ct配准方法和系统 |
| CN109325943A (zh) * | 2018-09-10 | 2019-02-12 | 深圳开立生物医疗科技股份有限公司 | 一种三维体积测量方法及装置 |
| CN110738643A (zh) * | 2019-10-08 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 脑出血的分析方法、计算机设备和存储介质 |
| CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
| CN111145901A (zh) * | 2019-12-04 | 2020-05-12 | 深圳大学 | 深静脉血栓溶栓疗效预测方法及系统、存储介质与终端 |
| CN111445457A (zh) * | 2020-03-26 | 2020-07-24 | 北京推想科技有限公司 | 网络模型的训练方法及装置、识别方法及装置、电子设备 |
| CN111445456A (zh) * | 2020-03-26 | 2020-07-24 | 北京推想科技有限公司 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
| CN111477298A (zh) * | 2020-04-03 | 2020-07-31 | 北京易康医疗科技有限公司 | 一种放疗过程中肿瘤位置变化的追踪方法 |
| CN112655020A (zh) * | 2018-08-31 | 2021-04-13 | 衷心科技有限公司 | 用于识别身体部位中积液的系统及方法 |
| JPWO2020054188A1 (ja) * | 2018-09-14 | 2021-08-30 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
| CN113488161A (zh) * | 2021-07-05 | 2021-10-08 | 中国人民解放军总医院第一医学中心 | 颞下颌关节紊乱病治疗方案推荐设备、装置和存储介质 |
| CN113874910A (zh) * | 2019-10-31 | 2021-12-31 | 腾讯美国有限责任公司 | 用于预测非对比头部计算机断层扫描图像中血肿扩大的二维半卷积神经网络 |
| CN115393847A (zh) * | 2022-10-31 | 2022-11-25 | 北京大学第三医院（北京大学第三临床医学院） | 一种基质细胞功能状况的识别分析方法及装置 |
| CN115527035A (zh) * | 2022-11-01 | 2022-12-27 | 北京安德医智科技有限公司 | 图像分割模型优化方法、装置、电子设备及可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6589746B1 (en) * | 1999-10-21 | 2003-07-08 | University Of Cincinnati | Method of detecting axonally-derived protein tau in patients with traumatic CNS injury |
| CN105809175A (zh) * | 2014-12-30 | 2016-07-27 | 深圳先进技术研究院 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
| CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
| CN106097355A (zh) * | 2016-06-14 | 2016-11-09 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| CN106203327A (zh) * | 2016-07-08 | 2016-12-07 | 清华大学 | 基于卷积神经网络的肺部肿瘤识别系统及方法 |
| CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
| CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
| CN106780453A (zh) * | 2016-12-07 | 2017-05-31 | 电子科技大学 | 一种基于深度信任网络实现对脑肿瘤分割的方法 |
| CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
| CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
-
2017
- 2017-08-07 CN CN201710666846.2A patent/CN107292884B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6589746B1 (en) * | 1999-10-21 | 2003-07-08 | University Of Cincinnati | Method of detecting axonally-derived protein tau in patients with traumatic CNS injury |
| CN105809175A (zh) * | 2014-12-30 | 2016-07-27 | 深圳先进技术研究院 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
| CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
| CN106097355A (zh) * | 2016-06-14 | 2016-11-09 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
| CN106203327A (zh) * | 2016-07-08 | 2016-12-07 | 清华大学 | 基于卷积神经网络的肺部肿瘤识别系统及方法 |
| CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
| CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
| CN106780453A (zh) * | 2016-12-07 | 2017-05-31 | 电子科技大学 | 一种基于深度信任网络实现对脑肿瘤分割的方法 |
| CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
| CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘树伟等: "《功能神经影像学》", 31 August 2011, 济南：山东科学技术出版社 * |
| 吴伟等译: "《麦克米兰健康百科全书》", 31 January 2000 * |
| 罗蔓: "结合MRI多模态信息与3D-CNNS特征提取的脑肿瘤分割研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108269272A (zh) * | 2018-01-31 | 2018-07-10 | 北京青燕祥云科技有限公司 | 肝部ct配准方法和系统 |
| CN112655020A (zh) * | 2018-08-31 | 2021-04-13 | 衷心科技有限公司 | 用于识别身体部位中积液的系统及方法 |
| CN109325943A (zh) * | 2018-09-10 | 2019-02-12 | 深圳开立生物医疗科技股份有限公司 | 一种三维体积测量方法及装置 |
| JP7339270B2 (ja) | 2018-09-14 | 2023-09-05 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
| US11915414B2 (en) | 2018-09-14 | 2024-02-27 | Fujifilm Corporation | Medical image processing apparatus, method, and program |
| JPWO2020054188A1 (ja) * | 2018-09-14 | 2021-08-30 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
| CN110738643A (zh) * | 2019-10-08 | 2020-01-31 | 上海联影智能医疗科技有限公司 | 脑出血的分析方法、计算机设备和存储介质 |
| CN113874910A (zh) * | 2019-10-31 | 2021-12-31 | 腾讯美国有限责任公司 | 用于预测非对比头部计算机断层扫描图像中血肿扩大的二维半卷积神经网络 |
| CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
| CN110910377B (zh) * | 2019-11-28 | 2023-01-03 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
| CN111145901A (zh) * | 2019-12-04 | 2020-05-12 | 深圳大学 | 深静脉血栓溶栓疗效预测方法及系统、存储介质与终端 |
| CN111145901B (zh) * | 2019-12-04 | 2021-02-09 | 深圳大学 | 深静脉血栓溶栓疗效预测方法及系统、存储介质与终端 |
| CN111445457B (zh) * | 2020-03-26 | 2021-06-22 | 推想医疗科技股份有限公司 | 网络模型的训练方法及装置、识别方法及装置、电子设备 |
| CN111445456A (zh) * | 2020-03-26 | 2020-07-24 | 北京推想科技有限公司 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
| CN111445457A (zh) * | 2020-03-26 | 2020-07-24 | 北京推想科技有限公司 | 网络模型的训练方法及装置、识别方法及装置、电子设备 |
| CN111445456B (zh) * | 2020-03-26 | 2023-06-27 | 推想医疗科技股份有限公司 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
| CN111477298B (zh) * | 2020-04-03 | 2021-06-15 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种放疗过程中肿瘤位置变化的追踪方法 |
| CN111477298A (zh) * | 2020-04-03 | 2020-07-31 | 北京易康医疗科技有限公司 | 一种放疗过程中肿瘤位置变化的追踪方法 |
| CN113488161A (zh) * | 2021-07-05 | 2021-10-08 | 中国人民解放军总医院第一医学中心 | 颞下颌关节紊乱病治疗方案推荐设备、装置和存储介质 |
| CN115393847A (zh) * | 2022-10-31 | 2022-11-25 | 北京大学第三医院（北京大学第三临床医学院） | 一种基质细胞功能状况的识别分析方法及装置 |
| CN115527035A (zh) * | 2022-11-01 | 2022-12-27 | 北京安德医智科技有限公司 | 图像分割模型优化方法、装置、电子设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107292884B (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292884A (zh) | 一种识别mri图像中水肿和血肿的方法及装置 | |
| CN107492097A (zh) | 一种识别mri图像感兴趣区域的方法及装置 | |
| CN109741346A (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
| Zhang et al. | Review of breast cancer pathologigcal image processing | |
| Zhang et al. | Effective staging of fibrosis by the selected texture features of liver: Which one is better, CT or MR imaging? | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
| CN107480677A (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
| CN110689543A (zh) | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 | |
| CN108665457A (zh) | 图像识别方法、装置、存储介质及计算机设备 | |
| CN109360208A (zh) | 一种基于单程多任务卷积神经网络的医学图像分割方法 | |
| CN109034221A (zh) | 一种宫颈细胞学图像特征的处理方法及其装置 | |
| CN109272510A (zh) | 一种三维医学图像中管状结构的分割方法 | |
| CN107730507A (zh) | 一种基于深度学习的病变区域自动分割方法 | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
| CN110533029A (zh) | 确定影像中目标区域的方法及装置 | |
| CN107274406A (zh) | 一种检测敏感区域的方法及装置 | |
| CN109447963A (zh) | 一种脑部影像识别的方法及装置 | |
| CN115311193A (zh) | 一种基于双重注意力机制的异常脑图像分割方法及系统 | |
| Wang et al. | Multi-view fusion segmentation for brain glioma on CT images | |
| CN107845106B (zh) | 利用改进的nndr策略的医学图像配准方法 | |
| Liu et al. | Automated classification of cervical Lymph-Node-Level from ultrasound using depthwise separable convolutional swin transformer | |
| CN109658377A (zh) | 一种基于多维度信息融合的乳腺mri病变区域检测方法 | |
| CN109637629A (zh) | 一种bi-rads分级模型建立方法 | |
| CN109214451A (zh) | 一种脑部异常的分类方法及设备 | |
| Chen et al. | TSEUnet: A 3D neural network with fused Transformer and SE-Attention for brain tumor segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190725 Address after: 100080 Haidian Street, Haidian District, Beijing Applicant after: BEIJING SHENRUI BOLIAN TECHNOLOGY Co.,Ltd. Applicant after: SHENZHEN DEEPWISE BOLIAN TECHNOLOGY Co.,Ltd. Address before: 100080 Tianchuang Science and Technology Building 1106, No. 8 Caihefang Road, Haidian District, Beijing Applicant before: BEIJING SHENRUI BOLIAN TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| CB02 | Change of applicant information |
Address after: Room 705, building 8, No. 1818-2, Wenyi West Road, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: SHENZHEN DEEPWISE BOLIAN TECHNOLOGY Co.,Ltd. Applicant after: BEIJING SHENRUI BOLIAN TECHNOLOGY Co.,Ltd. Address before: Unit 604, unit 2, floor 6, building 1, yard 1, energy East Road, Shahe Town, Changping District, Beijing Applicant before: BEIJING SHENRUI BOLIAN TECHNOLOGY Co.,Ltd. Applicant before: SHENZHEN DEEPWISE BOLIAN TECHNOLOGY Co.,Ltd. Address after: Unit 604, unit 2, floor 6, building 1, yard 1, energy East Road, Shahe Town, Changping District, Beijing Applicant after: BEIJING SHENRUI BOLIAN TECHNOLOGY Co.,Ltd. Applicant after: SHENZHEN DEEPWISE BOLIAN TECHNOLOGY Co.,Ltd. Address before: 100080 Haidian Street, Haidian District, Beijing Applicant before: BEIJING SHENRUI BOLIAN TECHNOLOGY Co.,Ltd. Applicant before: SHENZHEN DEEPWISE BOLIAN TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and Device for Identifying Edema and Hematoma in MRI Images Effective date of registration: 20231007 Granted publication date: 20200929 Pledgee: Guotou Taikang Trust Co.,Ltd. Pledgor: SHENZHEN DEEPWISE BOLIAN TECHNOLOGY Co.,Ltd. Registration number: Y2023980059614 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |