CN109410216A - 一种缺血性脑卒中图像区域分割方法及装置 - Google Patents
一种缺血性脑卒中图像区域分割方法及装置 Download PDFInfo
- Publication number
- CN109410216A CN109410216A CN201811072731.1A CN201811072731A CN109410216A CN 109410216 A CN109410216 A CN 109410216A CN 201811072731 A CN201811072731 A CN 201811072731A CN 109410216 A CN109410216 A CN 109410216A
- Authority
- CN
- China
- Prior art keywords
- image
- intracranial
- perfusion
- processing
- feature
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 44
- 206010008092 Cerebral artery thrombosis Diseases 0.000 title claims abstract description 6
- 238000002591 computed tomography Methods 0.000 claims abstract description 134
- 230000010412 perfusion Effects 0.000 claims abstract description 117
- 238000002597 diffusion-weighted imaging Methods 0.000 claims abstract description 81
- 230000000302 ischemic effect Effects 0.000 claims abstract description 27
- 206010008118 cerebral infarction Diseases 0.000 claims abstract description 24
- 208000026106 cerebrovascular disease Diseases 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000007917 intracranial administration Methods 0.000 claims description 148
- 238000012545 processing Methods 0.000 claims description 123
- 238000005070 sampling Methods 0.000 claims description 56
- 208000032382 Ischaemic stroke Diseases 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 12
- 230000000750 progressive effect Effects 0.000 claims description 6
- 238000003325 tomography Methods 0.000 claims description 4
- 206010061216 Infarction Diseases 0.000 claims description 2
- 230000007574 infarction Effects 0.000 claims description 2
- 230000002490 cerebral effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000015654 memory Effects 0.000 description 12
- 230000009471 action Effects 0.000 description 10
- 238000003709 image segmentation Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000003727 cerebral blood flow Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种缺血性脑卒中图像区域分割方法及装置。该方法包括：对颅内计算机断层扫描(CT)灌注图像进行预处理，得到预处理后的颅内计算机断层扫描灌注图像；将所述预处理后的颅内CT灌注图像输入第一网络进行处理，得到所述预处理后的颅内CT灌注图像对应的第一磁共振弥散加权成像(DWI)序列图像；将所述第一磁共振弥散加权成像序列图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。还公开了相应的装置。通过对CT灌注参数图进行卷积操作得到第一DWI序列图像，再根据第一DWI序列图像得到区域分割图像，可自动高效的将CT灌注图像分成脑梗塞区域、缺血半暗带区域和背景区域。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种缺血性脑卒中图像区域分割方法及装置。
背景技术
缺血性脑卒中是一种常见的脑血管疾病，一直以来都严重危害着人体健康，其老年发病率、致残率和病死率都非常高。缺血性脑卒中如何快速有效地进行诊断是当前临床工作中的重要研究课题。缺血性脑卒中的早期发现是十分重要的，尤其是超急性期的正确发现，能够及时指导采取措施，以减少梗死灶周边缺血性缺血半暗带区域的脑细胞坏死，对于缺血性脑卒中的诊断与治疗具有重大作用。
目前，脑卒中缺血半暗带和脑梗塞的诊断还处于对获得的CTP(ComputedTomography Perfusion)时序数据进行手动AIF(Arterial Input Function)标注，参照AIF对CTP时序数据进行解卷积操作，再在解卷积的数据上人工获得定量的各种参数图像数据，然后根据人为经验设定时间延时和像素值的阈值来确定缺血半暗带和脑梗塞的位置。整个流程较为分散，需要付出过多的人力成本，并由于有过多的人为因素的干扰，最终的分割精度不高。
发明内容
本申请提供了一种缺血性脑卒中图像区域分割方法及装置，以实现对缺血性脑卒中图像的区域分割。
第一方面，提供了一种缺血性脑卒中图像区域分割方法，包括：对颅内计算机断层扫描(CT)灌注图像进行预处理，得到预处理后的颅内计算机断层扫描灌注图像；将所述预处理后的颅内计算机扫描断层灌注图像输入第一网络进行处理，得到所述预处理后的颅内CT灌注图像对应的第一磁共振弥散加权成像(DWI)序列图像；将所述第一磁共振弥散加权成像序列图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
在一种可能实现的方式中，所述对颅内计算机断层扫描(CT)灌注图像进行预处理，得到预处理后的颅内计算机断层扫描灌注图像，包括：获取颅内CT灌注图像；归一化处理所述颅内计算机断层CT灌注图像，得到所述预处理后的颅内计算机断层扫描(CT)灌注图像。
在另一种可能实现的方式中，所述将所述预处理后的颅内计算机扫描断层灌注图像输入第一网络进行处理，得到所述预处理后的颅内CT灌注图像对应的第一磁共振弥散加权成像(DWI)序列图像，包括：对所述预处理后的颅内CT灌注图像进行解卷积处理，得到CT灌注参数图像；对所述预处理后的颅内CT灌注图像和所述CT灌注参数图像进行卷积操作，得到一张或多张磁共振弥散加权成像序列特征图像；对所述一张或多张磁共振弥散加权成像序列特征图像进行卷积操作，得到所述第一磁共振弥散加权成像序列图像。
在另一种可能实现的方式中，所述将所述第一磁共振弥散加权成像序列图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像，包括：对所述第一磁共振弥散加权成像序列图像进行逐级下采样处理，得到第一颅内特征图像；对所述第一颅内特征图像进行逐级上采样处理，得到第二颅内特征图像；根据所述第二颅内特征图像中的特征对所述第二颅内特征图像的像素区域进行预测，得到概率图像，其中，所述概率图像中的每个像素为脑梗塞区域、缺血半暗带区域和背景区域的概率值；从所述概率值中选取最大值，并将所述像素区域划分为所述最大值对应的区域，得到所述缺血性脑卒中的区域分割图像。
在又一种可能实现的方式中，所述对所述第一磁共振弥散加权成像序列图像进行逐级下采样处理，得到第一颅内特征图像，包括：增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络，其中，所述注意力机制神经网络用于进行所述下采样处理；对所述第一磁共振弥散加权成像序列图像进行下采样处理，得到第三颅内特征图像；对所述第三颅内特征图像进行n级下采样处理，直到得到第一预设大小特征图像，执行所述增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络、所述对所述第一磁共振弥散加权成像序列图像进行下采样处理的步骤，得到所述第一颅内特征图像，其中，n为正整数。
在又一种可能实现的方式中，所述对所述第一颅内特征图像进行逐级上采样处理，得到第二颅内特征图像，包括：对所述第一颅内特征图像进行上采样处理，得到第二预设大小特征图像；扩大所述第二预设大小特征图像中的特征的大小，得到第四颅内特征图像；对所述第四颅内特征图像进行上采样处理，得到所述第二颅内特征图像。
第二方面，提供了一种缺血性脑卒中图像区域分割装置，包括：第一处理单元，用于对颅内计算机断层扫描(CT)灌注图像进行预处理，得到预处理后的颅内计算机断层扫描灌注图像；第二处理单元，用于将所述预处理后的颅内CT灌注图像输入第一网络进行处理，得到所述预处理后的颅内CT灌注图像对应的第一磁共振弥散加权成像(DWI)序列图像；第三处理单元，用于将所述第一磁共振弥散加权成像序列图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
在一种可能实现的方式中，所述第一单元，包括：获取子单元，用于获取颅内CT灌注图像；第一处理子单元，用于归一化处理所述颅内计算机断层CT灌注图像，得到所述预处理后的颅内计算机断层扫描(CT)灌注图像。
在另一种可能实现的方式中，所述第二处理单元，包括：第二处理子单元，用于对所述预处理后的颅内CT灌注图像进行解卷积处理，得到CT灌注参数图像；第三处理子单元，用于对所述预处理后的颅内CT灌注图像和所述CT灌注参数图像进行卷积操作，得到一张或多张磁共振弥散加权成像序列特征图像；第四处理子单元，用于对所述一张或多张磁共振弥散加权成像序列特征图像进行卷积操作，得到所述第一磁共振弥散加权成像序列图像。
在另一种可能实现的方式中，所述第四处理单元，包括：第五处理子单元，用于对所述第一磁共振弥散加权成像序列图像进行逐级下采样处理，得到第一颅内特征图像；第六处理子单元，用于对所述第一颅内特征图像进行逐级上采样处理，得到第二颅内特征图像；第七处理子单元，用于根据所述第二颅内特征图像中的特征对所述第二颅内特征图像的像素区域进行预测，得到概率图像，其中，所述概率图像中的每个像素为脑梗塞区域、缺血半暗带区域和背景区域的概率值；选取子单元，用于从所述概率值中选取最大值，并将所述像素区域划分为所述最大值对应的区域，得到所述缺血性脑卒中的区域分割图像。
在又一种可能实现的方式中，所述第五处理子单元还用于：增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络，其中，所述注意力机制神经网络用于进行所述下采样处理；以及对所述第一磁共振弥散加权成像序列图像进行下采样处理，得到第三颅内特征图像；以及对所述第三颅内特征图像进行n级下采样处理，直到得到第一预设大小特征图像，执行所述增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络、所述对所述第一磁共振弥散加权成像序列图像进行下采样处理的步骤，得到所述第一颅内特征图像，其中，n为正整数。
在又一种可能实现的方式中，所述第六处理子单元还用于：对所述第一颅内特征图像进行上采样处理，得到第二预设大小特征图像；以及扩大所述第二预设大小特征图像中的特征的大小，得到第四颅内特征图像；以及对所述第四颅内特征图像进行上采样处理，得到所述第二颅内特征图像。
第三方面，提供了一种缺血性脑卒中图像区域分割装置，包括：包括处理器、存储器；所述处理器被配置为支持所述装置执行上述第一方面及其任一种可能的实现方式的方法中相应的功能。存储器用于与处理器耦合，其保存所述装置必要的程序(指令)和数据。可选的，所述装置还可以包括输入/输出接口，用于支持所述装置与其他装置之间的通信。
第四方面，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中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面及其任一种可能的实现方式的方法。
第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面及其任一种可能的实现方式的方法。
本申请通过对PWI灌注成像进行解卷积处理得到灌注参数图，再对上述PWI和CT灌注参数图像进行卷积操作从中提取相应的特征元素，并根据所提取到的特征元素得到第一DWI序列图像，最后通过分割网络对上述第一DWI序列图像进行区域分割处理，即可得到缺血性脑卒中的区域分割图像。只需在实际应用之前对本方案所涉及的神经网络进行相应的训练，使神经网络学习并获得相应的处理能力，即可自动高效的将CT灌注图像分成脑梗塞区域、缺血半暗带区域和背景区域，既可避免人工参与带来的误差，提高最终的分割精度，也可节省人力成本。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1为本申请实施例提供的一种缺血性脑卒中图像区域分割方法的流程示意图；
图2为本申请实施例提供的另一种缺血性脑卒中图像区域分割方法的流程示意图；
图3为本申请实施例提供的一种缺血性脑卒中图像区域分割装置的结构示意图；
图4为本申请实施例提供的一种缺血性脑卒中图像区域分割装置的硬件结构示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参阅图1，图1是本申请实施例提供的一种缺血性脑卒中图像区域分割方法的流程示意图。
S101、对颅内计算机断层扫描(CT)灌注图像进行预处理，得到预处理后的颅内计算机断层扫描灌注图像。
通过不具备学习能力的Batch Norm层对CT(Computed Tomography)扫描得到的脑部电子计算机断层扫描图像进行归一化处理，得到一个稳定的均值和标准差，完成对第一颅内计算机断层灌注成像CTP时序图的预处理，并得到预处理后颅内的CTP时序图。
在对网络进行训练时进行上述归一化处理，可使网络在测试中具有更好的泛化能力，即通过学习隐含在数据背后的规律，提高网络对新数据的适应能力，也就是对新输入的数据给出合理响应的能力。
S102、将所述预处理后的颅内计算机扫描断层灌注图像输入第一网络进行处理，得到所述预处理后的颅内CT灌注图像对应的第一磁共振弥散加权成像(DWI)序列图像。
大量实验和临床数据表明，基于核磁共振图像对脑梗塞区域和缺血半暗带区域进行区分的精度要明显高于基于CTP时序图进行区分的精度。因此，本申请采用基于磁共振弥散加权成像DWI序列图像进行卷积操作的方法实现区域分割，以提高最终的分割精度。
首先，对预处理后的CT灌注图像进行解卷积处理，得到CT灌注参数图像。CT灌注参数图像能更有效、并量化反映局部组织血流灌注量的改变，有利于后续的区域分割。再将预处理后的颅内CT灌注图像和上述CT灌注参数图像输入第一网络进行第一卷积操作，得到第一DWI(Diffusion Weighted Imaging)序列图像，其中，第一网络为生成DWI序列图像的神经网络。所述预处理可以为归一化处理。
S103、将所述第一磁共振弥散加权成像序列图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
通过第二网络对第一DWI序列图像进行第二卷积操作，提取出脑梗塞核心区域特征和缺血半暗带特征，并根据上述提取到的特征，得到预测概率图，再根据所得到预测概率图，进行概率预测，即根据任意一个像素区域的特征给出该区域是脑梗塞区域、缺血半暗带区域和背景区域的概率。从这三个概率值中选取最大的一个，作为该像素区域的归属。最终即可得到得到缺血性脑卒中的区域分割图像，该图中包含：脑梗塞区域、缺血半暗带区域和背景区域。通过在进行卷积操作的同时加入注意力机制，有效的提高分割精度。其中，第二网络为用于进行图像分割的神经网络。
本申请通过对PWI(Perfusion Weighted Imaging)灌注成像进行解卷积得到灌注参数图，再对上述PWI和CT灌注参数图像进行卷积操作从中提取相应的特征元素，并根据所提取到的特征元素得到第一DWI序列图像，最后通过分割网络对上述第一DWI序列图像进行区域分割处理，即可得到缺血性脑卒中的区域分割图像。只需在实际应用之前对本方案所涉及的神经网络进行相应的训练，使神经网络学习并获得相应的处理能力，即可自动高效的将CT灌注图像分成脑梗塞区域、缺血半暗带区域和背景区域，既可避免人工参与带来的误差，提高最终的分割精度，也可节省人力成本。
请参阅图2，图2是本申请实施例提供的另一种缺血性脑卒中图像区域分割方法的流程示意图。
S201、归一化处理颅内计算机断层CT灌注图像，得到预处理后的颅内计算机断层扫描(CT)灌注图像。
通过在注射对比剂的同时对颅内区域进行CT动态扫描可得到颅内区域的时间-密度曲线，即颅内CT灌注图像。得益于CT灌注图像在缺血性脑卒中诊断中以下两点优势：(1)相较于常规CT检查，其具有较强的特异性和敏感性，能够明确的显示出病灶位置；(2)相较于磁共振灌注成像，其操作简单，耗时短。CT灌注图像对于早期发现缺血性脑卒中病灶具有重要意义。本申请的区域分割处理就是基于CT灌注图像实现的。
由于后续需要将颅内CT灌注图像输入到神经网络中进行处理。而一方面，因为神经网络提取特征的过程其实就是完成对数据的分布，并需要在后续的测试集上达到很好的泛化效果。显然，如果每次输入到神经网络的数据都具有不同的分布，将会给网络的特征提取带来很大的困难。另一方面，在提取特征时，神经网络的每一层网络的输入都会因为前一层网络参数的变化导致其分布发生改变，数据经过一层层网络计算后，其数据分布也会发生变化，这样会给下一层网络的提取带来困难。因此，在对颅内CT灌注图像进行后续处理之前，将对其进行归一化处理。归一化处理的具体操作步骤可参见下例：
假设输入数据是β＝x1→m共m个数据，输出是yi＝BN(x)，归一化处理将对数据进行如下操作：
先求出上述批量数据β＝x1→m的平均值，即
再根据平均值μβ求出上述批量数据的方差，即
再根据平均值μβ和方差对上述批量数据进行归一化处理，得到
需要理解的是，在对网络进行训练的过程中，每进行一次训练都会对上述平均值和方差更新一次。具体的更新过程可参见下式：
其中，为更新后的数据，在本申请中特指每一次训练更新后的平均值和方差；a为常量；为上一次训练的状态值；xt为当前状态值。
而在实际使用中，则会根据最终更新得到的平均值和方差对输入的数据进行归一化处理。
通过上述数据归一化处理，可去除数据量纲的影响，同时可使归一化后的数据服从正态分布，更有利于网络学习。在归一化处理颅内计算机断层CT灌注图像后，即可得到预处理后的颅内CT灌注图像。
S202、对预处理后的颅内CT灌注图像进行解卷积处理，得到CT灌注参数图像。
对上述预处理后的颅内CT灌注图像进行解卷积处理，可计算得到各种灌注参数值，再对灌注参数进行处理，即可得到包含脑血流速度、脑血容量、对比剂平均通过时间和达峰时间的CT灌注参数图像，CT灌注参数图像能更有效、并量化反映局部组织血流灌注量的改变，有利于后续的区域分割。
S203、对预处理后的颅内CT灌注图像和所述CT灌注参数图像进行卷积操作，得到一张或多张磁共振弥散加权成像序列特征图像。
DWI是唯一能够活体检测水分子扩散情况的无创影像检查技术，也是临床应用最多的一个磁共振功能监测技术。DWI序列由于要检测水分子的弥散情况，在传统序列的基础上，施加了一个双极梯度—弥散梯度场。
正常情况下，静止的组织(质子)在经过双极梯度的影响后，质子间的失相位刚好抵消，达到同相位。而运动的组织(质子)，由于在经历了两次双极梯度的时间中，本身也在运动，质子的失相位不能完全补偿，信号降低。而且运动速度越快，质子的失相位越不能得到补偿，信号降低得越明显。因此，通过双极梯度，可以很容易的检测出静止组织和运动组织。这样，通过这个弥散梯度可检测出水分子弥散情况，再根据检测到的活体水分子的弥散情况，可评估组织情况和推测反映微观形态及结构特点。
通过DWI序列图像生成网络(即第一网络)对颅内CT灌注图像和所述CT灌注参数图像进行第三卷积操作，即可得到一张或多张磁共振弥散加权成像序列特征图像。具体的，CT灌注参数图像实质是一个4*256*256大小的矩阵，其中的4指S202中所提到的脑血流速度、脑血容量、对比剂平均通过时间和达峰时间四个灌注参数，而CT灌注图像则是一个1*256*256大小的矩阵。因为这两个矩阵中的信息互补，所以将两个矩阵组合，即可得到一个5*256*256大小的输入矩阵，并将其输入到生成网络。生成网络包含多层卷积层，每个卷积层所需提取的特征的复杂度可以不同，且提取出的特征尺度也可以不相同。各个卷积层逐级对输入矩阵进行卷积操作以提取出相应特征，最终将得到一张或多张磁共振弥散加权成像序列特征图像，需要理解的是，这里的磁共振弥散加权成像序列特征图像也是个1*256*256大小的矩阵。
S204、对一张或多张磁共振弥散加权成像序列特征图像进行卷积操作，得到第一磁共振弥散加权成像序列图像。
需要指出的是，在实际应用中实现步骤S203～S204之前，需要对图像生成网络进行训练。具体的，在训练的过程中，以脑部电子计算机断层扫描图像对应的DWI序列图像作为图像生成网络的标准值进行监督，再通过计算得到的损失函数的值，最后再基于前面计算得到的函数值，采用反向梯度传播的方式完成对生成网络权重参数的更新，这样即可使生成网络具备生成DWI序列图像的能力，且图像生成网络生成的DWI序列图像与实际的DWI序列图像充分接近，并将大大提高后续基于第一DWI图像进行脑梗塞区域和缺血半暗带区域的分割精度。
S205、对第一磁共振弥散加权成像序列图像进行逐级下采样处理，得到第一颅内特征图像。
在将数据输入到图像分割网络(即第二网络)之前，需要通过Batch Norm层对数据进行归一化处理，即通过学习独立分布中的数据，使网络学习更深层次的图像纹理结构等信息。Batch Norm层具体的操作步骤和S203中归一化处理的过程一样，此处将不再赘述。
将归一化处理后的第一DWI序列图像输入到图像分割网络。图像分割网络由U-Net组成，主要包括：下采样单元、上采样单元和softmax层。其中，下采样单元中的每一层下采样层都由卷积层、Batch Norm层和Relu激活层组成。
卷积层通过对图像进行卷积操作从中提取相应的特征。下采样单元可对图像逐级进行卷积操作提取下采样中间特征，且不同的下采样层提取出的下采样中间特征也不一样，具体的，逐级下采样得到的下采样中间特征越来越小。另外，上一层的输出将作为下一层的输入，每个卷积层提取出的特征内容及语义信息也不一样。具体表现为，下采样单元一步步将图像特征抽象出来，且越到后面提取到的特征的层次越高，感受视野也越大。
同时，在每一次下采样过程中通过增加通道特征重标定和特征图的自我注意力模块，得到注意力机制神经网络。具体的，通过上述注意力机制神经网络对上述第一DWI序列图像进行一级下采样处理，并增加通道特征重标定和特征图的注意力模块，得到第三颅内特征图像，再对上述第三颅内特征图像进行n级下采样处理，直到得到第一预设大小特征图像，执行上述增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络、上述对上述第一DWI序列图像进行下采样处理的步骤，得到上述第一颅内特征图像。n为正整数，可选地，上述n的值可取3。
通过在下采样的过程中增加通道特征重标定和特征图的自我注意力模块，得到注意力机制神经网络，可加强神经网络对特定特征的提取能力，在本申请中，该特定特征指脑梗塞特征和缺血半暗带特征。具体的，在对神经网络进行训练的时候，对分割好的图像进行标注，即利用有符号距离函数和高斯核函数生成分割图像相应的权重参数热力图，并将其作为监督信息用于训练计算损失函数。最后，通过计算得到的损失函数的值，对神经网络进行反向梯度传播以更新神经网络的参数，即可得到注意力机制神经网络。
S206、对第一颅内特征图像进行逐级上采样处理，得到第二颅内特征图像。
上采样则是通过上采样层对特征进行逐步放大，与下采样单元一样，上采样单元中的不同上采样层放大得到的上采样中间特征的大小也不一样。具体的，逐级上采样得到的特征的尺寸越来越大，且提取到的特征信息的层次也越来越高，对第一颅内特征图像进行逐级上采样处理，最终可得到第二颅内特征图像。
另外，如S205所述，下采样层会逐级提取出不同层次的特征信息，且不同的下采样层提取出的特征的感受视野的大小也不一样。所以在上采样时会将下采样单元部分的特征层进行融合，并结合不同大小的感受视野，这样可得到更加丰富的特征信息，最后得到的分割精度也就更准确，即将上采样中间特征与相同大小的下采样中间特征相加，得到中间特征。选取尺寸最大的中间特征，定义为第一上采样中间特征，再对第一上采样中间特征进行上采样处理，得到第五颅内特征图像。需要指出的是，相加的两个特征必须大小一致。
当分割网络对第一颅内特征图像进行上采样处理，并得到第二预设大小特征图像时，将在分割网络中增加一个特征空间维度的注意力机制，该操作可以扩大第二预设大小特征图像中的特征的大小，很好的加强特征像素点之间的联系，提取到更好的分割特征，有利于提高最终的分割精度，最终可得到第四颅内特征图像。再对第四颅内特征图像进行上采样处理，即可得到第二颅内特征图像。可选的，第二预设大小为64*64，第二颅内特征图像的尺寸为256*256。
通过上述上采样操作，图像分割网络最终将输出缺血性脑卒中图像区域特征图像，即第二颅内特征图像。具体的，该区域特征图中包含脑梗塞特征和缺血半暗带特征。
S207、根据第二颅内特征图像中的特征对第二颅内特征图像的像素区域进行预测，得到概率图像。
softmax层可通过内置的softmax函数将输入的不同特征映射成0至1之间的值，且映射后的所有值的和为1，映射后的值与输入的特征一一对应，这样，就相当于对每个输入特征完成了预测，并以数值的形式给出相应的概率。具体可参见下例：假如，对应10个输入动作有10个输出神经元，即在输入动作1，动作2，动作3...一直到动作10中的任意一中动作，softmax层会给出这个输入的动作分别是动作1，动作2，动作3，一直到动作10相应的概率，并预测其中概率值最大的动作为输入动作。分割网络通过softmax层对缺血性脑卒中图像区域特征图像中的区域分割进行预测，即根据第二颅内特征图像中的特征对第二颅内特征图像的像素区域进行预测，得到概率图像。
具体的，softmax层会根据缺血性脑卒中图像区域特征图像中不同区域的特征，对该区域归属为人脑梗塞区域、缺血半暗带区域及背景区域分别进行预测，最终每个区域都将得到三个对应的概率值。选取三个概率值中的最大值相对应的区域，作为该区域的归属。通过与脑部电子计算机断层扫描图像中相应的区域进行对比，，再通过计算得到的相应的损失函数的值，对图像分割网络进行反向传播以更新图像分割网络的参数，使分割网络具备分割图像的能力，且具备理想的分割效果。
而在实际使用中，图像分割网络最终会输出一幅缺血性脑卒中图像区域概率图，每个像素区域包含三个概率值，分别是脑梗塞的概率、缺血半暗带的概率和背景的概率。
S208、从概率值中选取最大值，并将像素区域划分为所述最大值对应的区域，得到缺血性脑卒中的区域分割图像。
分别选取每个像素区域中概率值作为该像素的分类，并结合脑部电子计算机断层扫描图像得到最终的缺血性脑卒中图像区域分割图，即将脑部电子计算机断层扫描图像划分为脑梗塞区域、缺血半暗带区域和背景区域。其中，背景区域为去除脑梗塞区域和缺血性缺血半暗带区域外的区域。
需要指出的是，本申请实施例包含上述步骤中所提到的所有网络。
S205～S208均属于图像分割过程，在训练时，可针对分割过程和分割结果对神经网络进行训练。具体的，利用交叉熵函数可以得到上述分割图像中的每个像素点的损失CE，再用该损失乘上S205中的权重参数热力图，即可达到指导模型注重学习缺血半暗带和脑梗塞区域的效果。
此外，神经网络的学习是主要是基于反向传播的，而参数的更新主要依赖于梯度的大小，在学习率一定情况下，梯度越大网络学得就越多，而本申请实施例中的需要神经网络更侧重于正样本(即脑梗塞区域和缺血半暗带区域)的学习，其他部分都属于负样本，但是通常脑梗塞区域和缺血半暗带区域在病人的每个层面中的占比通常很小，那如果不做梯度的平衡的话，每一次梯度的回传时，负样本因为占比多，所以它总的梯度是要比正样本大不少，这样网络的学习更倾向于学习负样本而正样本学习的较少，这样最后的模型对正样本的预测的敏感度就会低，易造成漏诊情况。为了更好的平衡正负样本之间的梯度比，本申请首先根据概率图计算广义Dice，然后再根据广义损失计算得到网络的割损失L：
L＝W·CE-log(GD)…公式(2)
其中，W为权重参数，可根据权重参数热力图得到；CE为交叉熵损失；GD为广义Dice。
最后，根据分割损失对神经网络进行反向梯度传播以更新图像生成网络的参数。
本申请实施例通过对原始CT灌注图像PWI进行解卷积得到灌注参数图，再对上述PWI和CT灌注参数图像进行卷积操作从中提取相应的特征元素，并根据所提取到的特征元素得到第一DWI序列图像，最后通过分割网络对上述第一DWI序列图像进行区域分割处理，即可得到缺血性脑卒中的区域分割图像。只需在实际应用之前对本方案所涉及的神经网络进行相应的训练，使神经网络学习并获得相应的处理能力，即可自动高效的将CT灌注图像分成脑梗塞区域、缺血半暗带区域和背景区域，既可避免人工参与带来的误差，提高最终的分割精度，也可节省人力成本。
上述详细阐述了本申请实施例的方法，下面提供了本申请实施例的装置。
请参阅图3，图3为本申请实施例提供的一种缺血性脑卒中图像区域分割装置的结构示意图，该装置1000包括：第一处理单元11、第二处理单元12、第三处理单元13。其中：
第一处理单元11，用于对颅内计算机断层扫描(CT)灌注图像进行预处理，得到预处理后的颅内计算机断层扫描灌注图像；
第二处理单元12，用于将所述预处理后的颅内CT灌注图像输入第一网络进行处理，得到所述预处理后的颅内CT灌注图像对应的第一磁共振弥散加权成像序列图像；
第三处理单元13，用于将所述第一磁共振弥散加权成像序列图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
进一步地，所述第一处理单元11，包括：获取子单元111，用于获取颅内CT灌注图像；
第一处理子单元112，用于归一化处理所述颅内计算机断层CT灌注图像，得到所述预处理后的颅内计算机断层扫描(CT)灌注图像。
进一步地，所述第二处理单元12，包括：第二处理子单元121，用于对所述预处理后的颅内CT灌注图像进行解卷积处理，得到CT灌注参数图像；第三处理子单元122，用于对所述预处理后的颅内CT灌注图像和所述CT灌注参数图像进行卷积操作，得到一张或多张第一磁共振弥散加权成像序列特征图像；第四处理子单元123，用于对所述一张或多张磁共振弥散加权成像序列特征图像进行卷积操作，得到所述第一磁共振弥散加权成像序列图像。
进一步地，所述第三处理单元13，包括：第五处理子单元131，用于对所述第一磁共振弥散加权成像序列图像进行逐级下采样处理，得到第一颅内特征图像；第六处理子单元132，用于对所述第一颅内特征图像进行逐级上采样处理，得到第二颅内特征图像；第七处理子单元133，用于根据所述第二颅内特征图像中的特征对所述第二颅内特征图像的像素区域进行预测，得到概率图像，其中，所述概率图像中的每个像素为脑梗塞区域、缺血半暗带区域和背景区域的概率值；选取子单元134，用于从所述概率值中选取最大值，并将所述像素区域划分为所述最大值对应的区域，得到所述缺血性脑卒中的区域分割图像。
进一步地，所述第五处理子单元131还用于：增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络，其中，所述注意力机制神经网络用于进行所述下采样处理；以及对所述第一磁共振弥散加权成像序列图像进行下采样处理，得到第三颅内特征图像；以及对所述第三颅内特征图像进行n级下采样处理，直到得到第一预设大小特征图像，执行所述增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络、所述对所述第一磁共振弥散加权成像序列图像进行下采样处理的步骤，得到所述第一颅内特征图像，其中，n为正整数。
进一步地，所述第六处理子单元132还用于：对所述第一颅内特征图像进行上采样处理，得到第二预设大小特征图像；以及扩大所述第二预设大小特征图像中的特征的大小，得到第四颅内特征图像；以及对所述第四颅内特征图像进行上采样处理，得到所述第二颅内特征图像。
图4为本申请实施例提供的一种缺血性脑卒中图像区域分割装置的硬件结构示意图。该分割装置2000包括处理器21，还可以包括输入装置22、输出装置23和存储器24。该输入装置22、输出装置23、存储器24和处理器21之间通过总线相互连接。
存储器包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasable programmable readonly memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器用于相关指令及数据。
输入装置用于输入数据和/或信号，以及输出装置用于输出数据和/或信号。输出装置和输入装置可以是独立的器件，也可以是一个整体的器件。
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessing unit，CPU)，在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
可以理解的是，图4仅仅示出了一种缺血性脑卒中图像区域分割装置的简化设计。在实际应用中，缺血性脑卒中图像区域分割装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、控制器、存储器等，而所有可以实现本申请实施例的缺血性脑卒中图像区域分割装置都在本申请的保护范围之内。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory，ROM)，或随机存储存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。
Claims (10)
1.一种缺血性脑卒中图像区域分割方法，其特征在于，包括：
对颅内计算机断层扫描(CT)灌注图像进行预处理，得到预处理后的颅内计算机断层扫描灌注图像；
将所述预处理后的颅内计算机扫描断层灌注图像输入第一网络进行处理，得到所述预处理后的颅内CT灌注图像对应的第一磁共振弥散加权成像(DWI)序列图像；
将所述第一磁共振弥散加权成像序列图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
2.如权利要求1所述的方法，其特征在于，所述对颅内计算机断层扫描(CT)灌注图像进行预处理，得到预处理后的颅内计算机断层扫描灌注图像，包括：
获取颅内CT灌注图像；
归一化处理所述颅内计算机断层CT灌注图像，得到所述预处理后的颅内计算机断层扫描(CT)灌注图像。
3.如权利要求2所述的方法，其特征在于，所述将所述预处理后的颅内计算机扫描断层灌注图像输入第一网络进行处理，得到所述预处理后的颅内CT灌注图像对应的第一磁共振弥散加权成像(DWI)序列图像，包括：
对所述预处理后的颅内CT灌注图像进行解卷积处理，得到CT灌注参数图像；
对所述预处理后的颅内CT灌注图像和所述CT灌注参数图像进行卷积操作，得到一张或多张磁共振弥散加权成像序列特征图像；
对所述一张或多张磁共振弥散加权成像序列特征图像进行卷积操作，得到所述第一磁共振弥散加权成像序列图像。
4.如权利要求1-3中任一项所述的方法，其特征在于，所述将所述第一磁共振弥散加权成像序列图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像，包括：
对所述第一磁共振弥散加权成像序列图像进行逐级下采样处理，得到第一颅内特征图像；
对所述第一颅内特征图像进行逐级上采样处理，得到第二颅内特征图像；
根据所述第二颅内特征图像中的特征对所述第二颅内特征图像的像素区域进行预测，得到概率图像，其中，所述概率图像中的每个像素为脑梗塞区域、缺血半暗带区域和背景区域的概率值；
从所述概率值中选取最大值，并将所述像素区域划分为所述最大值对应的区域，得到所述缺血性脑卒中的区域分割图像。
5.如权利要求4所述的方法，其特征在于，所述对所述第一磁共振弥散加权成像序列图像进行逐级下采样处理，得到第一颅内特征图像，包括：
增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络，其中，所述注意力机制神经网络用于进行所述下采样处理；
对所述第一磁共振弥散加权成像序列图像进行下采样处理，得到第三颅内特征图像；
对所述第三颅内特征图像进行n级下采样处理，直到得到第一预设大小特征图像，执行所述增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络、所述对所述第一磁共振弥散加权成像序列图像进行下采样处理的步骤，得到所述第一颅内特征图像，其中，n为正整数。
6.一种缺血性脑卒中图像区域分割装置，其特征在于，包括：
第一处理单元，用于对颅内计算机断层扫描(CT)灌注图像进行预处理，得到预处理后的颅内计算机断层扫描灌注图像；
第二处理单元，用于将所述预处理后的颅内CT灌注图像输入第一网络进行处理，得到所述预处理后的颅内CT灌注图像对应的第一磁共振弥散加权成像(DWI)序列图像；
第三处理单元，用于将所述第一磁共振弥散加权成像序列图像输入第二网络进行处理，得到缺血性脑卒中的区域分割图像。
7.如权利要求6所述的装置，其特征在于，所述第一处理单元，包括：
获取子单元，用于获取颅内CT灌注图像；
第一处理子单元，用于归一化处理所述颅内计算机断层CT灌注图像，得到所述预处理后的颅内计算机断层扫描(CT)灌注图像。
8.如权利要求6所述的装置，其特征在于，所述第二处理单元，包括：
第二处理子单元，用于对所述预处理后的颅内CT灌注图像进行解卷积处理，得到CT灌注参数图像；
第三处理子单元，用于对所述预处理后的颅内CT灌注图像和所述CT灌注参数图像进行卷积操作，得到一张或多张磁共振弥散加权成像序列特征图像；
第四处理子单元，用于对所述一张或多张磁共振弥散加权成像序列特征图像进行卷积操作，得到所述第一磁共振弥散加权成像序列图像。
9.如权利要求6-8任一项所述的装置，其特征在于，所述第四处理单元，包括：
第五处理子单元，用于对所述第一磁共振弥散加权成像序列图像进行逐级下采样处理，得到第一颅内特征图像；
第六处理子单元，用于对所述第一颅内特征图像进行逐级上采样处理，得到第二颅内特征图像；
第七处理子单元，用于根据所述第二颅内特征图像中的特征对所述第二颅内特征图像的像素区域进行预测，得到概率图像，其中，所述概率图像中的每个像素为梗塞区域、缺血半暗带区域和背景区域的概率值；
选取子单元，用于从所述概率值中选取最大值，并将所述像素区域划分为所述最大值对应的区域，得到所述缺血性脑卒中的区域分割图像。
10.如权利要求9所述的装置，其特征在于，所述第五处理子单元还用于：
增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络，其中，所述注意力机制神经网络用于进行所述下采样处理；
以及对所述第一磁共振弥散加权成像序列图像进行下采样处理，得到第三颅内特征图像；
以及对所述第三颅内特征图像进行n级下采样处理，直到得到第一预设大小特征图像，执行所述增加通道特征重标定和特征图的注意力模块，得到注意力机制神经网络、所述对所述第一磁共振弥散加权成像序列图像进行下采样处理的步骤，得到所述第一颅内特征图像，其中，n为正整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811072731.1A CN109410216B (zh) | 2018-09-14 | 2018-09-14 | 一种缺血性脑卒中图像区域分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811072731.1A CN109410216B (zh) | 2018-09-14 | 2018-09-14 | 一种缺血性脑卒中图像区域分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109410216A true CN109410216A (zh) | 2019-03-01 |
| CN109410216B CN109410216B (zh) | 2020-12-29 |
Family
ID=65464913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811072731.1A Active CN109410216B (zh) | 2018-09-14 | 2018-09-14 | 一种缺血性脑卒中图像区域分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109410216B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232693A (zh) * | 2019-06-12 | 2019-09-13 | 桂林电子科技大学 | 一种结合热力图通道及改进U-Net的图像分割方法 |
| CN110236544A (zh) * | 2019-05-29 | 2019-09-17 | 中国科学院重庆绿色智能技术研究院 | 基于相关系数的中风灌注成像病变区域检测系统及方法 |
| CN110853111A (zh) * | 2019-11-05 | 2020-02-28 | 上海杏脉信息科技有限公司 | 医学影像处理系统、模型训练方法及训练装置 |
| CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
| CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
| CN112435212A (zh) * | 2020-10-15 | 2021-03-02 | 杭州脉流科技有限公司 | 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质 |
| CN112862916A (zh) * | 2021-03-11 | 2021-05-28 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
| WO2021147257A1 (zh) * | 2020-01-20 | 2021-07-29 | 上海商汤智能科技有限公司 | 网络训练、图像处理方法及装置、电子设备和存储介质 |
| CN113361557A (zh) * | 2020-12-21 | 2021-09-07 | 南京仁智网络科技有限公司 | 基于振动数据的井工煤矿灭火控制的神经网络的训练方法 |
| CN113538348A (zh) * | 2021-06-29 | 2021-10-22 | 沈阳东软智能医疗科技研究院有限公司 | 一种颅脑磁共振弥散加权图像的处理方法及相关产品 |
| CN113627564A (zh) * | 2021-08-23 | 2021-11-09 | 李永鑫 | 基于深度学习的ct医学影像处理模型训练方法及诊疗系统 |
| CN114073536A (zh) * | 2020-08-12 | 2022-02-22 | 通用电气精准医疗有限责任公司 | 灌注成像系统及方法 |
| CN116012385A (zh) * | 2023-03-28 | 2023-04-25 | 同心智医科技(北京)有限公司 | Mr灌注图像的脑缺血分割方法、装置及存储介质 |
| CN117953027A (zh) * | 2024-03-22 | 2024-04-30 | 首都医科大学附属北京天坛医院 | 一种dwi-flair不匹配评估方法、装置、介质及产品 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1689510A (zh) * | 2004-04-19 | 2005-11-02 | 中国科学院自动化研究所 | 磁共振灌注成像的数字化方法 |
| WO2008041946A8 (en) * | 2006-10-03 | 2008-07-17 | Agency Science Tech & Res | Segmenting infarct in diffusion-weighted imaging volume |
| CN101596109A (zh) * | 2009-06-12 | 2009-12-09 | 深圳先进技术研究院 | 获取脑部特征参数的方法、系统及溶栓指征生成系统与方法 |
| 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 |
| CN107016395A (zh) * | 2017-03-18 | 2017-08-04 | 复旦大学 | 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法 |
| CN107133638A (zh) * | 2017-04-01 | 2017-09-05 | 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 |
| CN107240125A (zh) * | 2016-03-28 | 2017-10-10 | 上海联影医疗科技有限公司 | 一种扩散加权成像方法 |
| CN107301645A (zh) * | 2017-06-20 | 2017-10-27 | 上海联影医疗科技有限公司 | 一种数据处理方法和装置 |
| CN107610115A (zh) * | 2017-09-18 | 2018-01-19 | 彭建伟 | 一种直观显示缺血半暗带的图像处理方法 |
| CN107680113A (zh) * | 2017-10-27 | 2018-02-09 | 武汉大学 | 基于贝叶斯框架边缘先验的多层分割网络的图像分割方法 |
| CN108122221A (zh) * | 2016-11-29 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
-
2018
- 2018-09-14 CN CN201811072731.1A patent/CN109410216B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1689510A (zh) * | 2004-04-19 | 2005-11-02 | 中国科学院自动化研究所 | 磁共振灌注成像的数字化方法 |
| WO2008041946A8 (en) * | 2006-10-03 | 2008-07-17 | Agency Science Tech & Res | Segmenting infarct in diffusion-weighted imaging volume |
| CN101596109A (zh) * | 2009-06-12 | 2009-12-09 | 深圳先进技术研究院 | 获取脑部特征参数的方法、系统及溶栓指征生成系统与方法 |
| 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 |
| CN107240125A (zh) * | 2016-03-28 | 2017-10-10 | 上海联影医疗科技有限公司 | 一种扩散加权成像方法 |
| CN108122221A (zh) * | 2016-11-29 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
| CN107016395A (zh) * | 2017-03-18 | 2017-08-04 | 复旦大学 | 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法 |
| CN107133638A (zh) * | 2017-04-01 | 2017-09-05 | 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 |
| CN107301645A (zh) * | 2017-06-20 | 2017-10-27 | 上海联影医疗科技有限公司 | 一种数据处理方法和装置 |
| CN107610115A (zh) * | 2017-09-18 | 2018-01-19 | 彭建伟 | 一种直观显示缺血半暗带的图像处理方法 |
| CN107680113A (zh) * | 2017-10-27 | 2018-02-09 | 武汉大学 | 基于贝叶斯框架边缘先验的多层分割网络的图像分割方法 |
Non-Patent Citations (7)
| Title |
|---|
| DONG JI等: "Automatic Prostate Segmentation on MR Images with Deeply Supervised Network", 《2018 5TH INTERNATIONAL CONFERENCE ON CONTROL, DECISION》 * |
| IAN GOODFELLOW等: "Generative Adversarial Networks", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 * |
| JIA LIU等: "A Cascaded Deep Convolutional Neural Network for Joint Segmentation and Genotype Prediction of Brainstem Gliomas", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
| LEI XIANG等: "Deep embedding convolutional neural network for synthesizing CT image from T1-Weighted MR image", 《MEDICAL IMAGE ANALYSIS》 * |
| OLAF RONNEBERGER等: "U-Net: Convolutional Networks for Biomedical Image Segmentation", 《INTERNATIONAL CONFERENCE ON MEDICAL IMAGE COMPUTING AND COMPUTER-AS-SISTED INTERVENTION》 * |
| 吴占雄等: "扩散张量成像中脑胼胝体结构图像的分割算法", 《浙江大学学报（工学版）》 * |
| 郑光远等: "医学影像计算机辅助检测与诊断系统综述", 《软件学报》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110236544A (zh) * | 2019-05-29 | 2019-09-17 | 中国科学院重庆绿色智能技术研究院 | 基于相关系数的中风灌注成像病变区域检测系统及方法 |
| CN110236544B (zh) * | 2019-05-29 | 2023-05-02 | 中国科学院重庆绿色智能技术研究院 | 基于相关系数的中风灌注成像病变区域检测系统及方法 |
| CN110232693A (zh) * | 2019-06-12 | 2019-09-13 | 桂林电子科技大学 | 一种结合热力图通道及改进U-Net的图像分割方法 |
| CN110232693B (zh) * | 2019-06-12 | 2022-12-09 | 桂林电子科技大学 | 一种结合热力图通道及改进U-Net的图像分割方法 |
| CN110853111A (zh) * | 2019-11-05 | 2020-02-28 | 上海杏脉信息科技有限公司 | 医学影像处理系统、模型训练方法及训练装置 |
| CN110853111B (zh) * | 2019-11-05 | 2020-09-11 | 上海杏脉信息科技有限公司 | 医学影像处理系统、模型训练方法及训练装置 |
| JP2022521130A (ja) * | 2020-01-20 | 2022-04-06 | 上▲海▼商▲湯▼智能科技有限公司 | ネットワークトレーニング、画像処理方法および電子機器、記憶媒体並びにコンピュータプログラム |
| WO2021147257A1 (zh) * | 2020-01-20 | 2021-07-29 | 上海商汤智能科技有限公司 | 网络训练、图像处理方法及装置、电子设备和存储介质 |
| CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
| CN111667458B (zh) * | 2020-04-30 | 2023-09-01 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
| CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
| CN114073536A (zh) * | 2020-08-12 | 2022-02-22 | 通用电气精准医疗有限责任公司 | 灌注成像系统及方法 |
| CN112435212A (zh) * | 2020-10-15 | 2021-03-02 | 杭州脉流科技有限公司 | 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质 |
| CN113361557A (zh) * | 2020-12-21 | 2021-09-07 | 南京仁智网络科技有限公司 | 基于振动数据的井工煤矿灭火控制的神经网络的训练方法 |
| CN112862916B (zh) * | 2021-03-11 | 2021-09-10 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
| CN112862916A (zh) * | 2021-03-11 | 2021-05-28 | 首都医科大学附属北京天坛医院 | Ct灌注功能图量化参数处理设备及方法 |
| CN113538348A (zh) * | 2021-06-29 | 2021-10-22 | 沈阳东软智能医疗科技研究院有限公司 | 一种颅脑磁共振弥散加权图像的处理方法及相关产品 |
| CN113538348B (zh) * | 2021-06-29 | 2024-03-26 | 沈阳东软智能医疗科技研究院有限公司 | 一种颅脑磁共振弥散加权图像的处理方法及相关产品 |
| CN113627564A (zh) * | 2021-08-23 | 2021-11-09 | 李永鑫 | 基于深度学习的ct医学影像处理模型训练方法及诊疗系统 |
| CN113627564B (zh) * | 2021-08-23 | 2024-07-02 | 李永鑫 | 基于深度学习的ct医学影像处理模型训练方法及诊疗系统 |
| CN116012385A (zh) * | 2023-03-28 | 2023-04-25 | 同心智医科技(北京)有限公司 | Mr灌注图像的脑缺血分割方法、装置及存储介质 |
| CN117953027A (zh) * | 2024-03-22 | 2024-04-30 | 首都医科大学附属北京天坛医院 | 一种dwi-flair不匹配评估方法、装置、介质及产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109410216B (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109410216B (zh) | 一种缺血性脑卒中图像区域分割方法及装置 | |
| CN109242863B (zh) | 一种缺血性脑卒中图像区域分割方法及装置 | |
| CN110163876B (zh) | 基于多特征融合的左心室分割方法、系统、设备及介质 | |
| CN112465834B (zh) | 一种血管分割方法及装置 | |
| US20210374950A1 (en) | Systems and methods for vessel plaque analysis | |
| CN111476793B (zh) | 动态增强磁共振成像处理方法、系统、存储介质、终端 | |
| CN111429452A (zh) | 基于UNet卷积神经网络的膀胱超声图像分割方法及装置 | |
| CN114758137B (zh) | 超声图像分割方法、装置及计算机可读存储介质 | |
| CN113298831B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN112288731A (zh) | 一种血管狭窄分析方法及装置 | |
| CN110910335B (zh) | 一种图像处理方法、图像处理设备及计算机可读存储介质 | |
| CN113764101B (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
| CN114782398A (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| Xu et al. | MEF-UNet: An end-to-end ultrasound image segmentation algorithm based on multi-scale feature extraction and fusion | |
| Yu et al. | Improving ischemic stroke care with MRI and deep learning artificial intelligence | |
| CN112348825A (zh) | 一种用于视网膜血流图像分割的DR-U-net网络方法及装置 | |
| CN114742848B (zh) | 基于残差双重注意力的息肉图像分割方法、装置、设备及介质 | |
| CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
| CN115239655A (zh) | 一种甲状腺超声影像肿瘤分割分类方法及装置 | |
| Lim et al. | Automatic artifact detection algorithm in fetal MRI | |
| CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
| CN113269711B (zh) | 脑图像的处理方法及装置、电子设备和存储介质 | |
| CN116313102A (zh) | 大脑年龄预测方法、系统、介质及电子设备 | |
| CN116664513A (zh) | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 | |
| CN113920132A (zh) | 基于多尺度特征学习网络的冠脉cta分割方法和系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |