CN108765368A - Mri病变位置检测方法、装置、计算机设备和存储介质 - Google Patents

Mri病变位置检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN108765368A
CN108765368A CN201810361427.2A CN201810361427A CN108765368A CN 108765368 A CN108765368 A CN 108765368A CN 201810361427 A CN201810361427 A CN 201810361427A CN 108765368 A CN108765368 A CN 108765368A
Authority
CN
China
Prior art keywords
training
data
sample
mri
lesion locations
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.)
Withdrawn
Application number
CN201810361427.2A
Other languages
English (en)
Inventor
王健宗
吴天博
刘新卉
刘莉红
马进
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810361427.2A priority Critical patent/CN108765368A/zh
Priority to PCT/CN2018/095493 priority patent/WO2019200745A1/zh
Publication of CN108765368A publication Critical patent/CN108765368A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30081—Prostate
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本申请中提供了一种MRI病变位置检测方法、装置、计算机设备和存储介质，其中方法包括：将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置的检测模型；将待检测样本输入至检测模型中进行预测，预测出所述待检测样本中的病变位置；通过对待检测MRI数据进行自动检测该病人MRI数据中的病变位置，全自动检测替代了专家主观诊断，充分利用已有数据，节约了大量的人力物力成本，并提高了从MRI数据中预测病变位置的准确率，具有很高的实际应用价值。

Description

MRI病变位置检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种MRI病变位置检测方法、装置、计算机设备和存储介质。
背景技术
前列腺癌是世界范围内男士群体患病率第二高的癌症，其风险因子包括高龄、家族病史和种族等。约99％的前列腺癌病例中的患者年龄超过50岁，而父母等亲属患病时，其子发病风险较常人超出两至三倍。
尽管前列腺癌通常不是导致死亡的直接原因，但是检测癌症损伤部位非常重要。现有传统检测手段包括Prostate Specific Antigen(PSA，前列腺特异抗原)检测和Digital RectalExamination(DRE，直肠指检)检测。这些方法的检测准确率较低，而且会有过度检测(在医院接受与自身病情无关的检查)的风险。
另外，传统方法还有Prostate Imaging Reporting And Data System(PIRADS，前列腺影像报告和数据系统)，指的是用一个结构性的报告体系对前列腺进行全方位的诊断，其准确性很大程度上取决于放射专家和医疗专家的专业水平，因此有很大的局限性；同时，耗费大量的人力物力。
发明内容
本申请的主要目的为提供一种MRI病变位置检测方法、装置、计算机设备和存储介质，克服现有技术中检测准确率低，检测成本高的缺陷。
为实现上述目的，本申请提供了一种MRI病变位置检测方法，包括以下步骤：
将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置的检测模型；所述训练样本为已知病变位置的MRI数据；
接收待检测样本，将所述待检测样本输入至所述检测模型中进行预测，预测出所述待检测样本中的病变位置；所述待检测样本为未知病变位置的MRI数据。
进一步地，所述将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数的步骤之前，包括：
对原始MRI数据进行预处理，得到所述训练样本；所述原始MRI数据为患者的患病部位MRI数据。
进一步地，所述对原始MRI数据进行预处理，得到所述训练样本的步骤，包括：
将所述原始MRI数据中包含的四种序列数据进行矫正对齐，消除四种所述序列数据之间的异质性；四种所述序列数据分别为扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据；
在所述扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据中随机选出三种不同的数据组合成RGB三通道图像，得到所述训练样本；所述RGB三通道图像为3D图像。
进一步地，所述对原始MRI数据进行预处理，得到所述训练样本的步骤之后，包括：
对所述训练样本进行数据增广处理，以增加所述训练样本的数据量。
进一步地，所述对所述训练样本进行数据增广处理，以增加所述训练样本的数据量的步骤，包括：
针对所述RGB三通道图像，从多个不同方向进行切片；
对每个所述切片进行平面旋转、剪切以及归一化处理，并将每个所述切片作为一个训练样本。
进一步地，所述卷积神经网络使用Adam方法进行参数训练。
进一步地，所述将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型的步骤之后，包括：
将测试样本输入至所述检测模型中进行验证，验证所述训练参数；所述测试样本为已知前列腺癌病变位置的MRI数据。
本申请还提供了一种MRI病变位置检测装置，包括：
训练单元，用于将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型；所述训练样本为已知病变位置的MRI数据；
检测单元，用于接收待检测样本，将所述待检测样本输入至所述检测模型中进行预测，预测出所述待检测样本中的病变位置；所述待检测样本为未知病变位置的MRI数据。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请中提供的MRI病变位置检测方法、装置、计算机设备和存储介质，具有以下有益效果：
本申请中提供的MRI病变位置检测方法、装置、计算机设备和存储介质，将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置的检测模型；将待检测样本输入至检测模型中进行预测，预测出所述待检测样本中的病变位置；通过对病人的待检测MRI数据进行自动检测该病人MRI数据中的病变位置，全自动检测替代了专家主观诊断，充分利用已有数据，节约了大量的人力物力成本，并提高了从MRI数据中预测病变位置的准确率，具有很高的实际应用价值。
附图说明
图1是本申请一实施例中MRI病变位置检测方法步骤示意图；
图2是本申请一实施例中的步骤S1a的具体步骤示意图；
图3是本申请一实施例中MRI病变位置检测装置结构框图；
图4是本申请另一实施例中MRI病变位置检测装置结构框图；
图5是本申请一实施例中的预处理单元结构框图；
图6为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例中提供MRI病变位置检测方法适用于检测任意MRI数据中的病变位置，为了便于阐述，下文中均以检测前列腺部位的MRI数据中的病变位置为例进行阐述，对于检测其它部位的MRI数据中的病变位置的具体过程不再进行赘述。
参照图1，本申请实施例中提供了一种MRI病变位置检测方法，包括以下步骤：
步骤S1，将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型；所述训练样本为已知前列腺癌病变位置的MRI数据，该MRI数据通常为MRI图片。
在本步骤S1中，上述卷积神经网络(Convolutional Neural Networks，CNN)是一种深度学习网络，包括卷积层以及池化层，对图像处理具有出声表现。上述训练样本为预先已知前列腺癌病变位置的MRI(Magnetic Resonance Imaging，核磁共振图像)数据，其中，MRI数据通过核磁共振可以获得。上述已知前列腺癌病变位置的MRI数据的来源可以是从历史检测数据库中已经检测出前列腺癌病变的数据中选取的，或者是预先得到的训练样本，也可以是通过专家针对前列腺癌患者的前列腺部位采集的MRI数据。例如，在具体一个实施例中，对前列腺癌患者的前列腺部位进行核磁共振获取原始MRI数据，原始MRI数据中包括有四种不同的MRI序列数据，四种所述序列数据分别为扩散加权成像数据(DiffusionWeighted Images，DWI)、表观扩散系数数据(Apparent Diffusion Coefficient，ADC)、动态增强定量参数数据(Ktrans)以及加权图像数据(T2Weighted Images，T2WI)。通过对患者的前列腺部分进行核磁共振可以获取到上述四种MRI序列数据，由专家/专业医生对上述数据中的前列腺癌病变位置进行标注，如此，则获取到已知前列腺癌病变位置的MRI数据，将其作为训练样本。
在本步骤中，将上述训练样本输入至卷积神经网络中进行参数训练，对已知前列腺癌病变位置的MRI数据进行训练，MRI数据中发生病变的位置与未发生病变位置的训练结果是不同的，因此，MRI数据中不同位置的训练结果不同，而由于训练结果为已知的(即已知的病变位置)，则可以根据训练结果反推出所述卷积神经网络的训练参数，然后将训练出的训练参数输入至卷积神经网络中，则得到检测MRI数据中病变位置检测模型，该检测模型用于对患者前列腺部位的MRI数据进行全自动检测，检测出MRI数据中的前列腺癌病变位置。其可以替代人工检测，降低人力、物力成本；且检测速度明显提升，检测效率得到提高，检测的准确率提高，甚至超过专家水平。
步骤S2，接收待检测样本，将所述待检测样本输入至所述检测模型中进行预测，预测出所述待检测样本中的前列腺癌病变位置；所述待检测样本为未知病变位置的MRI数据。
在本步骤S2中，所述检测模型即为上述步骤S1中训练完成得到的检测模型，此时，若有新的患者需要检测是否患有前列腺癌，则可以通过医疗设备采集其前列腺部位的MRI数据，将该MRI数据作为待检测样本并通过医疗设备发送过来，检测模型的终端接收到该待检测样本时，则将其输入至检测模型中进行预测，该检测模型的最后一层则输出待检测样本中的前列腺癌病变位置，即可以预测出该患者是否患有前列腺癌。整个检测过程中，替代人工进行检测MRI数据中的前列腺癌病变位置，不仅降低检测成本，而且其检测准确率高，检测速度、检测效率也明显得到提高。
在一实施例中，上述将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数的步骤S1之前，包括：
步骤S1a，对原始MRI数据进行预处理，得到所述训练样本；所述原始MRI数据为前列腺癌患者的前列腺部位MRI数据。
上述实施例中的训练样本可以是预先制作好的，而本实施例中提出一种将原始的MRI数据制作成训练样本的实现过程。原始MRI数据指的是通过医疗设备对前列腺癌患者的前列腺部位进行核磁共振得到的MRI数据，该原始MRI数据中仅标注有病变位置，然而该数据中通常会具有异质性的特点或者含有一些异常数据，异常数据包括模糊图片、残缺图片等，因此需要对原始MRI数据进行预处理，以得到适合训练卷积神经网络的训练样本。
具体地，参照图2，上述对原始MRI数据进行预处理，得到所述训练样本的步骤S1a，包括：
步骤S101，将所述原始MRI数据中包含的四种序列数据进行矫正对齐，消除四种所述序列数据之间的异质性；四种所述序列数据分别为扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据。
在本步骤中，原始MRI数据中包含的四种序列数据通常没有对齐，具有异质性，为了消除上述异质性，本实施例中按照Chappelow et al.(2011)提出的基于mutualinformation(互信息)的对齐方法对四种序列数据进行矫正对齐。在其它实施例中，由于原始MRI数据中具有一些模糊图片、残缺图片等，因此在该步骤S101之前，需要进行去除异常数据的步骤，该去除异常数据的步骤为常规手段，在此不进行赘述。
在一实施例中，为了精细化上述原始MRI数据的损伤中心(病变位置)，本实施例中使用region growing法(区域增长法)和形态学操作在扩散加权成像数据上找到损伤区域，将损伤区域的圆心定为损伤中心，此步骤有益于训练过程中更好的区分出病变位置与非病变位置。
步骤S102，在所述扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据中随机选出三种不同的数据组合成RGB三通道图像，得到所述训练样本；所述RGB三通道图像为3D图像。
在本步骤中，为了使得输入至卷积神经网络中的训练样本具有多样性，将上述四种序列数据随机组合成RGB三通道图像，将该组合后的RGB三通道图像作为训练样本。具体地，为了便于阐述，上述扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据分别以D、A、K以及T表示；上述四种序列数据随机组合成的RGB三通道图像则可以表示为DAK、DAT、AKT、DKT，将上述RGB三通道图像作为输入卷积神经网络的训练样本。不同序列数据组合表达的图像不同，使得输入至卷积神经网络中的训练样本具有多样性，使用多样性的训练样本训练时更加全面，更加有利于训练模型。
应当理解的是，在对待检测样本进行检测之前，也可以如上述步骤S1a中对待检测MRI数据进行预处理，其具体实现可参照上述步骤S101、步骤S102，在此不再进行赘述。
在一实施例中，上述对原始MRI数据进行预处理，得到所述训练样本的步骤S1a之后，包括：
步骤S1b，对所述训练样本进行数据增广处理，以增加所述训练样本的数据量。
考虑到采集MRI数据的人力成本、物力成本等，通常采集的MRI数据的数据量较小，而待检测样本中的MRI数据本身就具有多样性，为了提高检测模型检测时的准确性，则需要使用大量的训练样本对卷积神经网络进行训练以得到检测模型。因此，在降低成本的前提下，需要对上述训练样本进行数据增广处理，数据增广处理即是对数据量的增量处理，扩大训练样本的数据量，使用足够量的训练样本进行训练，便于应对MRI数据的多样性，有利于提高后续检测模型检测前列腺癌的准确性。
具体的一个实施例中，上述对所述训练样本进行数据增广处理，以增加训练样本的数据量的步骤S1b，包括：
a、针对所述RGB三通道图像，从多个不同方向进行切片；
b、对每个所述切片进行平面旋转、剪切以及归一化处理，并将每个所述切片作为一个训练样本。
在本实施例中，步骤a中的RGB三通道图像，即为上述步骤S102中组合而成的图像。具体实施例中，为了对训练样本进行数据增广处理，针对该RGB三通道图像，从7个不同方向进行切片。从多个不同方向进行切片，则可以使得数据量急剧增加。然后如步骤b所述对每个所述切片进行平面旋转、剪切以及归一化处理，由于上述切片位于不同方向上，因此，需要对其进行平面旋转，使得所有切片位于同一平面上。归一化处理的过程为转化病变位置到像素正负1，归一化处理用于加快训练收敛速度，为深度学习中常用的数据处理方法。经过上述归一化处理之后，将每个所述切片作为一个训练样本，每一个切片对应一个二维的感兴趣部位(Region of Interests，ROIs)图片数据。
在上述实施例中，上述卷积神经网络使用Adam方法进行参数训练，所述卷积神经网络使用的损失函数为交叉熵损失函数。交叉熵损失函数是用来衡量卷积神经网络(CNN)的预测值与实际值的一种方式。与二次代价函数相比，它能更有效地促进CNN的训练。Adam方法是根据损失函数对每个参数的梯度的一阶矩估计和二阶矩估计动态调整针对于每个参数的学习速率。学习速率在Loss(损失函数)不再减小之后会逐渐减小，Loss不减小的原因是learning rate(学习速率)过大，所以常用减小学习速率的方式是使loss继续减小，因此使用Adam方法进行优化。优化方法也可以用SGD(随机最速下降法)、Momentum(动量优化)等方法，但是经过实验对比发现使用Adam方法效果最好。在一实施例中，训练模型时，使用多种不同参数的卷积神经网络进行训练，在验证时对这些卷积神经网络用加权平均来确定最终的训练参数，加权平均的权重由贪婪装袋算法(greedy baggingalgorithm)来确定。
在一实施例中，上述将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型的步骤S1之后，包括：
步骤S1c，将测试样本输入至所述检测模型中进行验证，验证所述训练参数；所述测试样本为已知前列腺癌病变位置的MRI数据。
在本实施例中，设置有训练样本以及测试样本，训练样本与测试样本比例可设置为3:1；在深度学习中，需要合理的设置训练样本与测试样本的比例，以使训练样本训练的模型在测试样本上得到合理的测试，进而选出最优的检测模型。测试样本与上述训练样本中的数据一致，均为已知前列腺癌病变位置的MRI数据。为了验证上述检测模型的有效性，以及准确性，将测试样本输入至上述训练出的检测模型中进行训练，检测模型输出预测结果，对比该预测结果与测试样本的已知结果，判断上述训练参数是否正确。经过测试样本的验证，本实施例中训练的检测模型的AUC(评判分类效果优劣的指标)高于传统的PIRADS法。使用本实施例中的检测模型可以实现全自动检测病人前列腺部位处MRI数据中是否包含有前列腺癌变位置。
在一实施例中，经上述检测模型检测出待检测样本中的前列腺癌病变位置之后，则判断其对应的患者患有前列腺癌。根据预先收集好的患者的身体信息(年龄、体重、生活习性、病史等)，在历史检测数据库中匹配相似的患者案例，根据共通性，便于分析出患者患病的风险因子。或者从数据库中调用针对类似身体信息的患者而设计的调理方案，推送给医生，以便辅助医生对患者治疗。
在另一实施例中，经上述检测模型检测出待检测样本中的前列腺癌病变位置之后，则判断其对应的患者患有前列腺癌。将预先收集好的该患者的身体信息存入历史检测数据库中，对历史检测数据中的大量患者的身体信息进行大数据分析，分析，分析出患者的致病因子所占权重。例如，统计大量患者中在某一个年龄段的患者占比，则可以大致分析出患者患病的风险因子为年龄的一个权重，同理，计算出各个患病风险因子的权重。
综上所述，为本申请实施例中提供的MRI病变位置检测方法，将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型；将待检测样本输入至检测模型中进行预测，预测出所述待检测样本中的前列腺癌病变位置；通过对病人前列腺部位的待检测MRI数据进行自动检测该病人MRI数据中的前列腺癌病变位置，全自动检测替代了专家主观诊断，充分利用已有数据，节约了大量的人力物力成本，并提高了从MRI数据中预测前列腺癌病变位置的准确率，具有很高的实际应用价值。
本申请实施例中提供MRI病变位置检测装置适用于检测任意MRI数据中的病变位置，为了便于阐述，下文中均以检测前列腺部位的MRI数据中的病变位置为例进行阐述。
参照图3，本申请实施例中还提供了一种MRI病变位置检测装置，包括：
训练单元10，用于将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型；所述训练样本为已知前列腺癌病变位置的MRI数据，该MRI数据通常为MRI图片。
在本实施例中，上述卷积神经网络(Convolutional Neural Networks，CNN)是一种深度学习网络，包括卷积层以及池化层，对图像处理具有出声表现。上述训练样本为预先已知前列腺癌病变位置的MRI(Magnetic Resonance Imaging，核磁共振图像)数据，其中，MRI数据通过核磁共振可以获得。上述已知前列腺癌病变位置的MRI数据的来源可以是从历史检测数据库中已经检测出前列腺癌病变的数据中选取的，或者是预先得到的训练样本，也可以是通过专家针对前列腺癌患者的前列腺部位采集的MRI数据。例如，在具体一个实施例中，对前列腺癌患者的前列腺部位进行核磁共振获取原始MRI数据，原始MRI数据中包括有四种不同的MRI序列数据，四种所述序列数据分别为扩散加权成像数据(DiffusionWeighted Images，DWI)、表观扩散系数数据(Apparent Diffusion Coefficient，ADC)、动态增强定量参数数据(Ktrans)以及加权图像数据(T2Weighted Images，T2WI)。通过对患者的前列腺部分进行核磁共振可以获取到上述四种MRI序列数据，由专家/专业医生对上述数据中的前列腺癌病变位置进行标注，如此，则获取到已知前列腺癌病变位置的MRI数据，将其作为训练样本。
在本实施例中，训练单元10将上述训练样本输入至卷积神经网络中进行参数训练，对已知前列腺癌病变位置的MRI数据进行训练，MRI数据中发生病变的位置与未发生病变位置的训练结果是不同的，因此，MRI数据中不同位置的训练结果不同，而由于训练结果为已知的(即已知的病变位置)，则可以根据训练结果反推出所述卷积神经网络的训练参数，然后将训练出的训练参数输入至卷积神经网络中，则得到检测MRI数据中病变位置检测模型，该检测模型用于对患者前列腺部位的MRI数据进行全自动检测，检测出MRI数据中的前列腺癌病变位置。其可以替代人工检测，降低人力、物力成本；且检测速度明显提升，检测效率得到提高，检测的准确率提高，甚至超过专家水平。
检测单元20，用于接收待检测样本，将所述待检测样本输入至所述检测模型中进行预测，预测出所述待检测样本中的前列腺癌病变位置；所述待检测样本为未知病变位置的MRI数据。
在本实施例中，所述检测模型即为上述训练单元10训练完成得到的检测模型，此时，若有新的患者需要检测是否患有前列腺癌，则可以通过医疗设备采集其前列腺部位的MRI数据，将该MRI数据作为待检测样本并通过医疗设备发送过来，检测单元20接收到该待检测样本时，则将其输入至检测模型中进行预测，该检测模型的最后一层则输出待检测样本中的前列腺癌病变位置，即可以预测出该患者是否患有前列腺癌。整个检测过程中，替代人工进行检测MRI数据中的前列腺癌病变位置，不仅降低检测成本，而且其检测准确率高，检测速度、检测效率也明显得到提高。
参照图4，在一实施例中，上述MRI病变位置检测装置还包括：
预处理单元30，用于对原始MRI数据进行预处理，得到所述训练样本；所述原始MRI数据为前列腺癌患者的前列腺部位MRI数据。
上述实施例中的训练样本可以是预先制作好的，而本实施例中提出一种将原始的MRI数据制作成训练样本的实现过程。原始MRI数据指的是通过医疗设备对前列腺癌患者的前列腺部位进行核磁共振得到的MRI数据，该原始MRI数据中仅标注有病变位置，然而该数据中通常会具有异质性的特点或者含有一些异常数据，异常数据包括模糊图片、残缺图片等，因此需要通过预处理单元30对原始MRI数据进行预处理，以得到适合训练卷积神经网络的训练样本。
具体地，参照图5，在一实施例中，所述预处理单元30包括：
对齐模块301，用于将所述原始MRI数据中包含的四种序列数据进行矫正对齐，消除四种所述序列数据之间的异质性；四种所述序列数据分别为扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据。
在本实施例中，原始MRI数据中包含的四种序列数据通常没有对齐，具有异质性，为了消除上述异质性，本实施例中，对齐模块301按照Chappelow et al.(2011)提出的基于mutual information(互信息)的对齐方法对四种序列数据进行矫正对齐。在其它实施例中，由于原始MRI数据中具有一些模糊图片、残缺图片等，因此在经对齐模块301对齐之前，需要进行去除异常数据的步骤，该去除异常数据的步骤为常规手段，在此不进行赘述。
在一实施例中，为了精细化上述原始MRI数据的损伤中心(病变位置)，本实施例中使用region growing法(区域增长法)和形态学操作在扩散加权成像数据上找到损伤区域，将损伤区域的圆心定为损伤中心，此步骤有益于训练过程中更好的区分出病变位置与非病变位置。
组合模块302，用于在所述扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据中随机选出三种不同的数据组合成RGB三通道图像，得到所述训练样本；所述RGB三通道图像为3D图像。
在本实施例中，为了使得输入至卷积神经网络中的训练样本具有多样性，组合模块302将上述四种序列数据随机组合成RGB三通道图像，将该组合后的RGB三通道图像作为训练样本。具体地，为了便于阐述，上述扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据分别以D、A、K以及T表示；上述四种序列数据随机组合成的RGB三通道图像则可以表示为DAK、DAT、AKT、DKT，将上述RGB三通道图像作为输入卷积神经网络的训练样本。不同序列数据组合表达的图像不同，使得输入至卷积神经网络中的训练样本具有多样性，使用多样性的训练样本训练时更加全面，更加有利于训练模型。
应当理解的是，在对待检测样本进行检测之前，也可以如上述预处理单元中对待检测MRI数据进行预处理，其具体实现可参照上述对齐模块301、组合模块302，在此不再进行赘述。
在一实施例中，上述MRI病变位置检测装置还包括：
增广单元，用于对所述训练样本进行数据增广处理，以增加所述训练样本的数据量。
考虑到采集MRI数据的人力成本、物力成本等，通常采集的MRI数据的数据量较小，而待检测样本中的MRI数据本身就具有多样性，为了提高检测模型检测时的准确性，则需要使用大量的训练样本对卷积神经网络进行训练以得到检测模型。因此，在降低成本的前提下，需要对上述训练样本进行数据增广处理，数据增广处理即是对数据量的增量处理，扩大训练样本的数据量，使用足够量的训练样本进行训练，便于应对MRI数据的多样性，有利于提高后续检测模型检测前列腺癌的准确性。
在一具体实施例中，所述增广单元包括：
切片模块，用于针对所述RGB三通道图像，从多个不同方向进行切片；
归一化模块，用于对每个所述切片进行平面旋转、剪切以及归一化处理，并将每个所述切片作为一个训练样本。
在本实施例中，上述RGB三通道图像，即为上述组合模块302组合而成的图像。具体实施例中，为了对训练样本进行数据增广处理，切片模块针对该RGB三通道图像，从7个不同方向进行切片。从多个不同方向进行切片，则可以使得数据量急剧增加。然后如步骤b所述对每个所述切片进行平面旋转、剪切以及归一化处理，由于上述切片位于不同方向上，因此，需要对其进行平面旋转，使得所有切片位于同一平面上。归一化处理的过程为转化病变位置到像素正负1，归一化处理用于加快训练收敛速度，为深度学习中常用的数据处理方法。经过上述归一化处理之后，将每个所述切片作为一个训练样本，每一个切片对应一个二维的感兴趣部位(Region of Interests，ROIs)图片数据。
在上述实施例中，所述卷积神经网络使用Adam方法进行参数训练，所述卷积神经网络使用的损失函数为交叉熵损失函数。交叉熵损失函数是用来衡量卷积神经网络(CNN)的预测值与实际值的一种方式。与二次代价函数相比，它能更有效地促进CNN的训练。Adam方法是根据损失函数对每个参数的梯度的一阶矩估计和二阶矩估计动态调整针对于每个参数的学习速率。学习速率在Loss(损失函数)不再减小之后会逐渐减小，Loss不减小的原因是learning rate(学习速率)过大，所以常用减小学习速率的方式是使loss继续减小，因此使用Adam方法进行优化。优化方法也可以用SGD(随机最速下降法)、Momentum(动量优化)等方法，但是经过实验对比发现使用Adam方法效果最好。在一实施例中，训练模型时，使用多种不同参数的卷积神经网络进行训练，在验证时对这些卷积神经网络用加权平均来确定最终的训练参数，加权平均的权重由贪婪装袋算法(greedy baggingalgorithm)来确定。
在上述实施例中，上述MRI病变位置检测装置还包括：
验证单元，用于将测试样本输入至所述检测模型中进行验证，验证所述训练参数；所述测试样本为已知前列腺癌病变位置的MRI数据。
在本实施例中，设置有训练样本以及测试样本，训练样本与测试样本比例可设置为3:1；在深度学习中，需要合理的设置训练样本与测试样本的比例，以使训练样本训练的模型在测试样本上得到合理的测试，进而选出最优的检测模型。测试样本与上述训练样本中的数据一致，均为已知前列腺癌病变位置的MRI数据。为了验证上述检测模型的有效性，以及准确性，上述验证单元将测试样本输入至上述训练出的检测模型中进行训练，检测模型输出预测结果，对比该预测结果与测试样本的已知结果，判断上述训练参数是否正确。经过测试样本的验证，本实施例中训练的检测模型的AUC(评判分类效果优劣的指标)高于传统的PIRADS法。使用本实施例中的检测模型可以实现全自动检测病人前列腺部位处MRI数据中是否包含有前列腺癌变位置。
在一实施例中，经上述检测单元20检测出待检测样本中的前列腺癌病变位置之后，则可以判断其对应的患者患有前列腺癌。根据预先收集好的患者的身体信息(年龄、体重、生活习性、病史等)，在历史检测数据库中匹配相似的患者案例，根据共通性，便于分析出患者患病的风险因子。或者从数据库中调用针对类似身体信息的患者而设计的调理方案，推送给医生，以便辅助医生对患者治疗。
在另一实施例中，经上述检测单元20检测出待检测样本中的前列腺癌病变位置之后，则判断其对应的患者患有前列腺癌。将预先收集好的该患者的身体信息存入历史检测数据库中，对历史检测数据中的大量患者的身体信息进行大数据分析，分析，分析出患者的致病因子所占权重。例如，统计大量患者中在某一个年龄段的患者占比，则可以大致分析出患者患病的风险因子为年龄的一个权重，同理，计算出各个患病风险因子的权重。
综上所述，为本申请实施例中提供的MRI病变位置检测装置，将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中MRI病变位置检测模型；将待检测样本输入至检测模型中进行预测，预测出所述待检测样本中的前列腺癌病变位置；通过对病人前列腺部位的待检测MRI数据进行自动检测该病人MRI数据中的前列腺癌病变位置，全自动检测替代了专家主观诊断，充分利用已有数据，节约了大量的人力物力成本，并提高了从MRI数据中预测前列腺癌病变位置的准确率，具有很高的实际应用价值。
参照图6，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储卷积神经网络等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种MRI病变位置检测方法。
上述处理器执行上述MRI病变位置检测方法的步骤：将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型；所述训练样本为已知前列腺癌病变位置的MRI数据；
接收待检测样本，将所述待检测样本输入至所述检测模型中进行预测，预测出所述待检测样本中的前列腺癌病变位置；所述待检测样本为未知病变位置的MRI数据。
在一实施例中，所述处理器将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数的步骤之前，包括：
对原始MRI数据进行预处理，得到所述训练样本；所述原始MRI数据为前列腺癌患者的前列腺部位MRI数据。
在一实施例中，所述处理器对原始MRI数据进行预处理，得到所述训练样本的步骤，包括：
将所述原始MRI数据中包含的四种序列数据进行矫正对齐，消除四种所述序列数据之间的异质性；四种所述序列数据分别为扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据；
在所述扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据中随机选出三种不同的数据组合成RGB三通道图像，得到所述训练样本；所述RGB三通道图像为3D图像。
在一实施例中，所述处理器对原始MRI数据进行预处理，得到所述训练样本的步骤之后，包括：
对所述训练样本进行数据增广处理，以增加所述训练样本的数据量。
在一实施例中，所述处理器对所述训练样本进行数据增广处理，以增加所述训练样本的数据量的步骤，包括：
针对所述RGB三通道图像，从多个不同方向进行切片；
对每个所述切片进行平面旋转、剪切以及归一化处理，并将每个所述切片作为一个训练样本。
在一实施例中，所述卷积神经网络使用Adam方法进行参数训练。
在一实施例中，所述处理器将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型的步骤之后，包括：
将测试样本输入至所述检测模型中进行验证，验证所述训练参数；所述测试样本为已知前列腺癌病变位置的MRI数据。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种MRI病变位置检测方法，具体为：将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型；所述训练样本为已知前列腺癌病变位置的MRI数据；
接收待检测样本，将所述待检测样本输入至所述检测模型中进行预测，预测出所述待检测样本中的前列腺癌病变位置；所述待检测样本为未知病变位置的MRI数据。
在一实施例中，所述处理器将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数的步骤之前，包括：
对原始MRI数据进行预处理，得到所述训练样本；所述原始MRI数据为前列腺癌患者的前列腺部位MRI数据。
在一实施例中，所述处理器对原始MRI数据进行预处理，得到所述训练样本的步骤，包括：
将所述原始MRI数据中包含的四种序列数据进行矫正对齐，消除四种所述序列数据之间的异质性；四种所述序列数据分别为扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据；
在所述扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据中随机选出三种不同的数据组合成RGB三通道图像，得到所述训练样本；所述RGB三通道图像为3D图像。
在一实施例中，所述处理器在对原始MRI数据进行预处理，得到所述训练样本的步骤之后，包括：
对所述训练样本进行数据增广处理，以增加所述训练样本的数据量。
在一实施例中，所述处理器对所述训练样本进行数据增广处理，以增加所述训练样本的数据量的步骤，包括：
针对所述RGB三通道图像，从多个不同方向进行切片；
对每个所述切片进行平面旋转、剪切以及归一化处理，并将每个所述切片作为一个训练样本。
在一实施例中，所述卷积神经网络使用Adam方法进行参数训练。
在一实施例中，所述处理器将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型的步骤之后，包括：
将测试样本输入至所述检测模型中进行验证，验证所述训练参数；所述测试样本为已知前列腺癌病变位置的MRI数据。
综上所述，为本申请实施例中提供的MRI病变位置检测方法、装置、计算机设备和存储介质，将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型；将待检测样本输入至检测模型中进行预测，预测出所述待检测样本中的前列腺癌病变位置；通过对病人前列腺部位的待检测MRI数据进行自动检测该病人MRI数据中的前列腺癌病变位置，全自动检测替代了专家主观诊断，充分利用已有数据，节约了大量的人力物力成本，并提高了从MRI数据中预测前列腺癌病变位置的准确率，具有很高的实际应用价值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种MRI病变位置检测方法，其特征在于，包括以下步骤：
将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置的检测模型；所述训练样本为已知病变位置的MRI数据；
接收待检测样本，将所述待检测样本输入至所述检测模型中进行预测，预测出所述待检测样本中的病变位置；所述待检测样本为未知病变位置的MRI数据。
2.根据权利要求1所述的MRI病变位置检测方法，其特征在于，所述将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数的步骤之前，包括：
对原始MRI数据进行预处理，得到所述训练样本；所述原始MRI数据为患者的患病部位MRI数据。
3.根据权利要求2所述的MRI病变位置检测方法，其特征在于，所述对原始MRI数据进行预处理，得到所述训练样本的步骤，包括：
将所述原始MRI数据中包含的四种序列数据进行矫正对齐，消除四种所述序列数据之间的异质性；四种所述序列数据分别为扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据；
在所述扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据中随机选出三种不同的数据组合成RGB三通道图像，得到所述训练样本；所述RGB三通道图像为3D图像。
4.根据权利要求3所述的MRI病变位置检测方法，其特征在于，所述对原始MRI数据进行预处理，得到所述训练样本的步骤之后，包括：
对所述训练样本进行数据增广处理，以增加所述训练样本的数据量。
5.根据权利要求4所述的MRI病变位置检测方法，其特征在于，所述对所述训练样本进行数据增广处理，以增加所述训练样本的数据量的步骤，包括：
针对所述RGB三通道图像，从多个不同方向进行切片；
对每个所述切片进行平面旋转、剪切以及归一化处理，并将每个所述切片作为一个训练样本。
6.根据权利要求1-5中任一项所述的MRI病变位置检测方法，其特征在于，所述卷积神经网络使用Adam方法进行参数训练。
7.根据权利要求1-5中任一项所述的MRI病变位置检测方法，其特征在于，所述将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型的步骤之后，包括：
将测试样本输入至所述检测模型中进行验证，验证所述训练参数；所述测试样本为已知病变位置的MRI数据。
8.一种MRI病变位置检测装置，其特征在于，包括：
训练单元，用于将训练样本输入至卷积神经网络中进行参数训练，通过训练计算出所述卷积神经网络的训练参数，将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型；所述训练样本为已知病变位置的MRI数据；
检测单元，用于接收待检测样本，将所述待检测样本输入至所述检测模型中进行预测，预测出所述待检测样本中的病变位置；所述待检测样本为未知病变位置的MRI数据。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201810361427.2A 2018-04-20 2018-04-20 Mri病变位置检测方法、装置、计算机设备和存储介质 Withdrawn CN108765368A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810361427.2A CN108765368A (zh) 2018-04-20 2018-04-20 Mri病变位置检测方法、装置、计算机设备和存储介质
PCT/CN2018/095493 WO2019200745A1 (zh) 2018-04-20 2018-07-12 Mri病变位置检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810361427.2A CN108765368A (zh) 2018-04-20 2018-04-20 Mri病变位置检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN108765368A true CN108765368A (zh) 2018-11-06

Family

ID=64011104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810361427.2A Withdrawn CN108765368A (zh) 2018-04-20 2018-04-20 Mri病变位置检测方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN108765368A (zh)
WO (1) WO2019200745A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685102A (zh) * 2018-11-13 2019-04-26 平安科技（深圳）有限公司 胸部病灶图像分类方法、装置、计算机设备及存储介质
CN109712128A (zh) * 2018-12-24 2019-05-03 上海联影医疗科技有限公司 特征点检测方法、装置、计算机设备和存储介质
CN109994201A (zh) * 2019-03-18 2019-07-09 浙江大学 一种基于深度学习的糖尿病与高血压概率计算方法
WO2020181817A1 (zh) * 2019-03-12 2020-09-17 平安科技（深圳）有限公司 一种基于神经网络模型的植物图像的识别方法及装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020076135A1 (ko) * 2018-10-11 2020-04-16 (주)제이엘케이인스펙션 암 영역에 대한 딥러닝 모델 학습 장치 및 방법
CN111275677A (zh) * 2020-01-17 2020-06-12 哈尔滨工业大学 一种基于卷积神经网络的天花板震害的识别方法
CN111415333B (zh) * 2020-03-05 2023-12-01 北京深睿博联科技有限责任公司 乳腺x射线影像反对称生成分析模型训练方法和装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2011207453A1 (en) * 2010-01-22 2012-08-02 The Research Foundation Of The State University Of New York System and method for prostate visualization and cancer detection
CN104424386A (zh) * 2013-08-23 2015-03-18 北京大学 基于多参数磁共振影像的前列腺癌计算机辅助识别系统
WO2017151757A1 (en) * 2016-03-01 2017-09-08 The United States Of America, As Represented By The Secretary, Department Of Health And Human Services Recurrent neural feedback model for automated image annotation
CN106096616A (zh) * 2016-06-08 2016-11-09 四川大学华西医院 一种基于深度学习的磁共振影像特征提取及分类方法
US10417788B2 (en) * 2016-09-21 2019-09-17 Realize, Inc. Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks
CN107133638B (zh) * 2017-04-01 2020-01-14 中南民族大学 基于两分类器的多参数mri前列腺癌cad方法及系统
CN107563123A (zh) * 2017-09-27 2018-01-09 百度在线网络技术（北京）有限公司 用于标注医学图像的方法和装置
CN107767378B (zh) * 2017-11-13 2020-08-04 浙江中医药大学 基于深度神经网络的gbm多模态磁共振图像分割方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685102A (zh) * 2018-11-13 2019-04-26 平安科技（深圳）有限公司 胸部病灶图像分类方法、装置、计算机设备及存储介质
CN109712128A (zh) * 2018-12-24 2019-05-03 上海联影医疗科技有限公司 特征点检测方法、装置、计算机设备和存储介质
WO2020181817A1 (zh) * 2019-03-12 2020-09-17 平安科技（深圳）有限公司 一种基于神经网络模型的植物图像的识别方法及装置
CN109994201A (zh) * 2019-03-18 2019-07-09 浙江大学 一种基于深度学习的糖尿病与高血压概率计算方法
CN109994201B (zh) * 2019-03-18 2021-06-11 浙江大学 一种基于深度学习的糖尿病与高血压概率计算系统

Also Published As

Publication number Publication date
WO2019200745A1 (zh) 2019-10-24

Similar Documents

Publication Publication Date Title
CN108765368A (zh) Mri病变位置检测方法、装置、计算机设备和存储介质
Emami et al. Generating synthetic CTs from magnetic resonance images using generative adversarial networks
CN109685811B (zh) 基于双路径U-net卷积神经网络的PET/CT高代谢淋巴结分割方法
CN111507381B (zh) 图像识别方法及相关装置、设备
CN107563434B (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
CN110675406A (zh) 基于残差双注意力深度网络的ct图像肾脏分割算法
CN109308728B (zh) 正电子发射型计算机断层扫描图像处理方法及装置
CN108389201A (zh) 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法
CN110391014A (zh) 利用使用深度学习的序列预测的医学图像采集
US11250543B2 (en) Medical imaging using neural networks
CN109872325B (zh) 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法
CN109671076A (zh) 血管分割方法、装置、电子设备及存储介质
CN110047082A (zh) 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统
Fantini et al. Automatic detection of motion artifacts on MRI using Deep CNN
CN108257111A (zh) 在x射线成像中的自动化图像检验
CN109447962A (zh) 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法
CN110310723A (zh) 骨骼图像处理方法、电子设备及存储介质
CN107808690A (zh) 用于确定原始协议与参考协议的相似性参数的方法
CN116721761A (zh) 一种放疗数据处理方法、系统、设备及介质
CN109801259A (zh) 一种核磁共振图像的快速成像方法、装置及设备
CN109949288A (zh) 肿瘤类型确定系统、方法及存储介质
CN110634144A (zh) 一种卵圆孔定位方法、装置和存储介质
CN117095815A (zh) 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统
CN114092463A (zh) 数字乳腺断层影像病灶定位装置
CN112085810B (zh) 脑组织自由水成像重建方法及系统、存储介质及终端

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20181106