CN109498019B - 一种用于磁共振脑组织精确分割的数据感知方法 - Google Patents
一种用于磁共振脑组织精确分割的数据感知方法 Download PDFInfo
- Publication number
- CN109498019B CN109498019B CN201910006926.4A CN201910006926A CN109498019B CN 109498019 B CN109498019 B CN 109498019B CN 201910006926 A CN201910006926 A CN 201910006926A CN 109498019 B CN109498019 B CN 109498019B
- Authority
- CN
- China
- Prior art keywords
- data
- image
- segmentation
- magnetic resonance
- histogram
- 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.)
- Active
Links
Images
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- High Energy & Nuclear Physics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本申请属于医学影像处理技术领域,特别是涉及一种用于磁共振脑组织精确分割的数据感知方法。现有的基于深度学习的MR图像分割方法,在不同的数据集上表现差异性很大,并且同样的数据集,不同的方法表现不一样。本申请提供一种用于磁共振脑组织精确分割的数据感知方法,所述方法包括如下步骤:对脑部磁共振影像进行预处理,去除头骨并进行偏移场校正,得到脑实质,并将图像灰度值归一化到[0,1];计算图像的直方图分布,将直方图分成不同深度学习模型各自擅长分割的数据类别;将分好类的图像送入对该类图像敏感的深度学习模型分割。在不需要增加训练数据、不需要改进网络,只利用现有的模型的基础上,提高了分割精度。
Description
技术领域
本申请属于医学影像处理技术领域,特别是涉及一种用于磁共振脑组织精确分割的数据感知方法。
背景技术
中枢神经系统退行性疾病是指一组由慢性进行性的中枢神经组织退行性变性而产生的疾病的总称。病理上可见脑和(或)脊髓发生神经元退行变性、丢失。神经退行性疾按表型分为两组:一类影响运动,如小脑性共济失调;一类影响记忆以及相关的痴呆症。主要疾病包括帕金森病(Parkinson’s disease,PD)、阿尔茨海默病(Alzheimer’s disease,AD)、亨廷顿病(Huntington disease,HD)、肌萎缩侧索硬化症(amyotrophic lateralsclerosis,ALS)等。
不管是中枢神经系统退行性疾病还是癫痫,都与脑部组织的形态变化有关,大脑组织的精准分割作为脑的体积研究和定量分析的第一步,对脑部疾病尤其是神经退行性疾病的诊断、治疗以及后续很多神经疾病的发现具有重大意义。MRI由于其无创、无放射性、可自由选择剖面、较高的信噪比、对密度差较小的软组织具有较高分辨力等特点,可以更清晰更安全地展示大脑的结构,从而为脑部疾病的病理诊断提供更多信息,已经成为脑部疾病检查的常用方法。现在的医疗机构,医生获取患者的MRI图像后,往往是根据经验判断患者的大脑是否萎缩,在分割MRI脑组织时,需要对每层切片进行勾画,这不仅耗时长,而且耗费人力,同时,容易产生疲劳误差。另一方面,在偏远地区和医疗资源不够丰富的医院,缺少有经验的医生,分割MRI图像成为了一个难点。
传统的MR脑组织分割算法,利用人工设计的特征,再利用分类器对提取到的特征进行分类。但是MR脑图像灰度变化较大且不同类之间的灰度值差别不大,这种图像特点导致了提取特征较为复杂,人工难以设计得到满意的特征。现有的基于深度学习的MR图像分割方法,在不同的数据集上表现差异性很大,并且同样的数据集,不同的方法表现不一样。
发明内容
1.要解决的技术问题
基于解决传统的MR脑组织分割算法,利用人工设计的特征,再利用分类器对提取到的特征进行分类。但是MR脑图像灰度变化较大且不同类之间的灰度值差别不大,这种图像特点导致了提取特征较为复杂,人工难以设计得到满意的特征。现有的基于深度学习的MR图像分割方法,在不同的数据集上表现差异性很大,并且同样的数据集,不同的方法表现不一样的问题,本申请提供了一种用于磁共振脑组织精确分割的数据感知方法。
2.技术方案
为了达到上述的目的,本申请提供了一种用于磁共振脑组织精确分割的数据感知方法,所述方法包括如下步骤:
步骤1:对脑部磁共振影像进行预处理,去除头骨并进行偏移场校正,得到脑实质,并将图像灰度值归一化到[0,1];
步骤2:计算图像的直方图分布,将直方图分成不同深度学习模型各自擅长分割的数据类别;
步骤3:将步骤2中分好类的图像送入对该类图像敏感的深度学习模型分割。
可选地,所述步骤1中,所述偏移场校正采用N4ITK方法,所述去除头骨采用BET方法。
可选地,所述步骤2中,所述计算图像的直方图分布包括可视化图像的直方图分布,画出包络线,判断峰的个数,计算两个峰的相对高度和距离。
可选地,所述步骤2中直方图的分类依据包括:
yn≥0.8*yn-1, (2)
xn≤0.8*xN, (3)
其中,(xn,yn)为峰值点Pn的坐标,n为峰的个数,(0,xN)为横坐标的范围。
可选地,所述步骤3中所述的深度学习模型包括VoxResNet和Modified U-Net。
3.有益效果
与现有技术相比,本申请提供的用于磁共振脑组织精确分割的数据感知方法的有益效果在于:
本申请提供的用于磁共振脑组织精确分割的数据感知方法,通过对脑部磁共振影像进行预处理,计算图像的直方图分布,将直方图分成不同深度学习模型各自擅长分割的数据类别;将分好类的图像送入对该类图像敏感的深度学习模型分割;在不需要增加训练数据、不需要改进网络,只利用现有的模型的基础上,提高了分割精度。
附图说明
图1为本申请用于磁共振脑组织精确分割的数据感知方法的流程图;
图2为本申请中步骤1的流程示意图;
图3为本申请中步骤2的流程示意图;
图4为VoxResNet网络结构图;
图5为Modified U-Net网络结构图;
图6为本申请的结果示意图。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施实施方式。
国际老年痴呆协会发布的数据显示:2013年,全球老年痴呆人数为4400万,其中50%-75%为阿尔茨海默病患者。2015年,全球新增990万名痴呆患者,平均每3秒新增1人。在全球范围内,2015年护理老年痴呆产生的总费用预计为8180亿美元,与2010年相比,增加了2140亿美元。据评估,在未来20年AD患者将达到目前的双倍,至2050年将有约11540万人患该病。AD是在癌症和心脏病之后的第3位花费最大的疾病,在老年人中,AD是继心脏病、肿瘤、脑猝死后的第四位死亡原因。另外一种常见的神经系统疾病是癫痫,以癫痫抽搐发作为特征。这些抽搐发作形式很多,有些可以是非常短暂且几乎无法察觉,也可以是长时间的剧烈抽动。癫痫的抽搐往往反复发作而并无直接起因,由特殊原因引起的抽搐则不被认为是癫痫。全世界约有1%的人口(六千五百万人)患有癫痫,近80%的病例都发生在发展中国家。癫痫发病率随年龄增长而增高。
计算机辅助诊断技术(CAD)是通过计算机帮助医生对病人进行诊断,从而为医生减轻负担,同时提高诊断效率与准确率。这种技术已经应用于多种医学诊断问题中,急需一种自动分割方法来辅助医生,同时提供接近专家分割标准的高精度。
随着深度学习算法在计算机视觉领域的盛行,越来越多的人开始尝试使用卷积神经网络对图像进行分类、检测与分割,其在自然图像领域取得了令人震惊的效果,在相同问题下其准确率远远超过了最好的手工设计特征。大数据与人工智能等前沿技术在医疗领域应用也已经成为一种趋势,将大数据驱动的人工智能应用于脑部MR图像分割中,不仅可以挽救无数患者的生命,对于缓解医疗资源和医患矛盾也有重大意义。
参见图1~6,本申请提供一种用于磁共振脑组织精确分割的数据感知方法,所述方法包括如下步骤:
步骤1:对脑部磁共振影像进行预处理,去除头骨并进行偏移场校正,得到脑实质,并将图像灰度值归一化到[0,1];
步骤2:计算图像的直方图分布,将直方图分成不同深度学习模型各自擅长分割的数据类别;通过计算每个影像的直方图分布,能够很好地将不同特征的图像分开,以便送入不同的深度学习模型。
步骤3:将步骤2中分好类的图像送入对该类图像敏感的深度学习模型分割。
可选地,所述步骤1中,所述偏移场校正采用N4ITK方法,所述去除头骨采用BET方法。
可选地,所述步骤2中,所述计算图像的直方图分布包括可视化图像的直方图分布,画出包络线,判断峰的个数,计算两个峰的相对高度和距离。
可选地,所述步骤2中直方图的分类依据包括:
yn≥0.8*yn-1, (2)
xn≤0.8*xN, (3)
其中,(xn,yn)为峰值点Pn的坐标,n为峰的个数,(0,xN)为横坐标的范围。
如果符合,则将该数据送入VoxResNet网络,如果不符合,则将该数据送入Modified U-Net。能够专业地分割步骤2中分好的具备不同特点的图像。多种深度学习模型扬长避短,获得更优的分割结果。
可选地,所述步骤3中所述的深度学习模型包括VoxResNet和Modified U-Net。
VoxResNet:
VoxResNet网络由堆叠残差模块组成,包含25个3D卷积层和4个反卷积层。在每个残差模块中,使用了shortcut结构(将浅层特征与深层特征融合),保证了模型在深层效果不佳时,至少可以保持浅层的效果。可以以如下表达式来说明,设输入为X,卷积、激活等操作设为函数Y=F(X),而shorcut操作则相当于使得最后输出变为:Y=F(X)+X。其中F(X)是有参数可训练的,如果模型最优解指向Y=X,残差模型依然可以拟合。在卷积层,使用的是小卷积核(3x3x3),卷积层之后接着BN层,使用的激活函数是ReLU。三维解剖结构形状有很大的变化,需要不同的合适的感受野大小以获得更好的识别性能。为了处理形状尺寸的大的变化,在我们的框架中融合了多层次的上下文信息(即附图2中的4个辅助分类器C1-C4)。
Modified U-Net:
在Modified U-Net网络的编码阶段,每一层包含两个3×3的卷积层,激活函数是整流线性单元(ReLU),然后连着一个2×2的最大池化层。在解码路径中,每一层包含步长为2的反卷积层,接着是两个3×3的卷积层,每一个都采用ReLU激活。在最后一层中,采用1×1卷积,使用sigmoid激活。不同于传统的U-Net,为了在卷积后保持相同的形状,我们使用了padding。损失函数使用的是dice loss,如下:
以一套完整的脑部磁共振影像作为输入数据,数据为标准的.nii.gz格式。大小为256*128*256。
首先这个数据读取到内存中,对于原始图像采用了N4ITK方法进行偏移场校正,并采用BET方法去除头骨,并将图像的灰度值归一化到[0,1];然后可视化每套数据的直方图分布,画出包络线,判断峰的个数,计算两个峰的相对高度和距离,结合分类依据,决定将该套数据送入哪个深度学习模型。直接将选好的数据送入合适的模型进行分割,这些不同的模型已经用同一训练集训练好。送入Modified U-Net模型的数据patch_size是64*64,而送入VoxResNet模型的数据patch_size是80*80*80。
本申请提供的用于磁共振脑组织精确分割的数据感知方法,通过对脑部磁共振影像进行预处理,计算图像的直方图分布,将直方图分成不同深度学习模型各自擅长分割的数据类别;将分好类的图像送入对该类图像敏感的深度学习模型分割;在不需要增加训练数据、不需要改进网络,只利用现有的模型的基础上,提高了分割精度。
尽管在上文中参考特定的实施例对本申请进行了描述,但是所属领域技术人员应当理解,在本申请公开的原理和范围内,可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (2)
1.一种用于磁共振脑组织精确分割的数据感知方法,其特征在于:所述方法包括如下步骤:
步骤1:对脑部磁共振影像进行预处理,去除头骨并进行偏移场校正,得到脑实质,并将图像灰度值归一化到[0,1];
步骤2:计算图像的直方图分布,将直方图分成不同深度学习模型各自擅长分割的数据类别;
步骤3:将步骤2中分好类的图像送入对该类图像敏感的深度学习模型分割;
所述步骤2中,所述计算图像的直方图分布包括可视化图像的直方图分布,画出包络线,判断峰的个数,计算两个峰的相对高度和距离;所述步骤2中直方图的分类依据包括:
yn≥0.8*yn-1, (2)
xn≤0.8*xN, (3)
其中,(xn,yn)为峰值点Pn的坐标,n为峰的个数,(0,xN)为横坐标的范围;(xn-1,yn-1)代表当前直方图Pn的左侧点Pn-1的坐标;
如果符合,则将数据送入VoxResNet网络,如果不符合,则将数据送入Modified U-Net。
2.如权利要求1所述的方法,其特征在于:所述步骤1中,所述偏移场校正采用N4ITK方法,所述去除头骨采用BET方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006926.4A CN109498019B (zh) | 2019-01-04 | 2019-01-04 | 一种用于磁共振脑组织精确分割的数据感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006926.4A CN109498019B (zh) | 2019-01-04 | 2019-01-04 | 一种用于磁共振脑组织精确分割的数据感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109498019A CN109498019A (zh) | 2019-03-22 |
CN109498019B true CN109498019B (zh) | 2022-07-19 |
Family
ID=65757389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910006926.4A Active CN109498019B (zh) | 2019-01-04 | 2019-01-04 | 一种用于磁共振脑组织精确分割的数据感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109498019B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101953627B1 (ko) * | 2017-01-11 | 2019-03-05 | 서울여자대학교 산학협력단 | 다중 파라메터 자기공명영상에서 전립선 주변부 영역의 전립선암 자동 검출 및 국소화 방법 |
CN107330455A (zh) * | 2017-06-23 | 2017-11-07 | 云南大学 | 图像评价方法 |
CN108460783B (zh) * | 2018-05-09 | 2019-03-12 | 电子科技大学 | 一种脑部核磁共振图像组织分割方法 |
CN109087318A (zh) * | 2018-07-26 | 2018-12-25 | 东北大学 | 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法 |
-
2019
- 2019-01-04 CN CN201910006926.4A patent/CN109498019B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109498019A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nagaraj et al. | Programmed multi-classification of brain tumor images using deep neural network | |
Yue et al. | Auto-detection of Alzheimer's disease using deep convolutional neural networks | |
CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
CN110236543B (zh) | 基于深度学习的阿尔茨海默病多分类诊断系统 | |
CN108664976B (zh) | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 | |
Bhatele et al. | Brain structural disorders detection and classification approaches: a review | |
WO2020223434A1 (en) | Classifying neurological disease status using deep learning | |
Rajee et al. | Gender classification on digital dental x-ray images using deep convolutional neural network | |
Biswas et al. | Brain tumor types classification using K-means clustering and ANN approach | |
Liu et al. | MSDF-Net: Multi-scale deep fusion network for stroke lesion segmentation | |
Menikdiwela et al. | Deep learning on brain cortical thickness data for disease classification | |
Alkabawi et al. | Computer-aided classification of multi-types of dementia via convolutional neural networks | |
Al-Naami et al. | Automated detection of Alzheimer disease using region growing technique and artificial neural network | |
CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
CN112036298A (zh) | 一种基于双段区块卷积神经网络的细胞检测方法 | |
Janghel | Deep-learning-based classification and diagnosis of Alzheimer's disease | |
Matoug et al. | Predicting Alzheimer's disease by classifying 3D-Brain MRI images using SVM and other well-defined classifiers | |
Ibrahim et al. | Deep learning based Brain Tumour Classification based on Recursive Sigmoid Neural Network based on Multi-Scale Neural Segmentation | |
CN109498019B (zh) | 一种用于磁共振脑组织精确分割的数据感知方法 | |
CN116433679A (zh) | 一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法 | |
Ambastha | Neuroanatomical characterization of Alzheimer’s disease using deep learning | |
Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
Vinutha et al. | Efficient morphometric techniques in Alzheimer’s disease detection: survey and tools | |
KR102373992B1 (ko) | 질감 특징을 이용한 알츠하이머 병 분류 방법 및 장치 | |
Sonavane et al. | Classification of MRI brain tumor and mammogram images using learning vector quantization neural network |
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 |