CN110363755A - 免造影剂的心肌梗死面积的检测方法、装置、设备及介质 - Google Patents
免造影剂的心肌梗死面积的检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110363755A CN110363755A CN201910642721.5A CN201910642721A CN110363755A CN 110363755 A CN110363755 A CN 110363755A CN 201910642721 A CN201910642721 A CN 201910642721A CN 110363755 A CN110363755 A CN 110363755A
- Authority
- CN
- China
- Prior art keywords
- myocardial infarction
- infarction area
- feature
- network
- current
- 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.)
- Pending
Links
- 208000010125 myocardial infarction Diseases 0.000 title claims abstract description 141
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 239000002872 contrast media Substances 0.000 title claims abstract description 25
- 230000033001 locomotion Effects 0.000 claims abstract description 127
- 230000005291 magnetic effect Effects 0.000 claims abstract description 58
- 230000000747 cardiac effect Effects 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 69
- 238000000034 method Methods 0.000 claims description 44
- 230000015654 memory Effects 0.000 claims description 21
- 206010061216 Infarction Diseases 0.000 claims description 19
- 230000007574 infarction Effects 0.000 claims description 19
- 230000007774 longterm Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 13
- 210000004165 myocardium Anatomy 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 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
- 238000005516 engineering process Methods 0.000 abstract description 6
- 208000005374 Poisoning Diseases 0.000 abstract description 3
- 231100000572 poisoning Toxicity 0.000 abstract description 3
- 230000000607 poisoning effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 17
- 230000006403 short-term memory Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 210000005240 left ventricle Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 229930091051 Arenine Natural products 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000003591 cerebellar nuclei Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000001905 globus pallidus Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012729 kappa analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供了一种免造影剂的心肌梗死面积的检测方法、装置、设备及介质,应用于通过无造影剂获取的心脏磁共振图像序列的心肌梗死面积检测,包括:利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;获取患者的当前心脏磁共振图像序列的当前运动特征;通过对应关系,确定与当前运动特征对应的当前心肌梗死面积;具体地,确定与运动特征对应的当前心肌梗死面积,包括:将对应关系中与当前运动特征相同的运动特征所对应的心肌梗死面积,确定为当前心肌梗死面积。患者拍摄心脏磁共振图像时无需使用造影剂,避免了中毒风险;与其他无造影剂技术相比,本发明效率更高,结果更精准,成本更低。
Description
技术领域
本申请涉及医学检测领域,特别是免造影剂的心肌梗死面积的检测方法、装置、设备及介质。
背景技术
随着社会经济的发展和人类生活方式的改变,心肌梗死在中国的发病率和死亡率呈上升趋势,威胁着人们的生命健康,所以对人们进行心肌梗死的防治已刻不容缓。同时,伴随着现代技术的迅猛发展和医学科学的深入研究和探索,目前对心肌梗死的预防、诊断、治疗等方面均得到较为全面的发展。
现有的技术中,心肌梗死面积的检查方法一般具有一下缺点:(1)延迟增强–心脏磁共振成像技术:造影剂具有一定毒性,且有可能引起慢性肾病或沉积在患者皮肤、齿状核和苍白球内;(2)检测心肌纤维梗塞引起的运动模式异常的难度大:其一,受试者之间巨大心脏差异;其二,心肌和周围组织的复杂关系;其三,环境中局部图像强度的干扰。
发明内容
鉴于所述问题,提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的免造影剂的心肌梗死面积的检测方法、装置、设备及介质,包括:
一种免造影剂的心肌梗死面积的检测方法,应用于通过无造影剂获取的心脏磁共振图像序列的心肌梗死面积检测,包括:
利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;
获取患者的当前心脏磁共振图像序列的当前运动特征;
通过所述对应关系,确定与所述当前运动特征对应的当前心肌梗死面积;具体地,确定与所述运动特征对应的当前心肌梗死面积,包括:将所述对应关系中与所述当前运动特征相同的运动特征所对应的心肌梗死面积,确定为所述当前心肌梗死面积。
进一步地,
所述运动特征,包括:兴趣区图像序列中按设定规律提取的用于表示每个像素的运动模式;其中,
所述兴趣图像序列,包括:心脏磁共振图像序列的设定区域中设定尺寸的图像区域;
和/或,
所述对应关系,包括:函数关系;所述运动特征为所述函数关系的输入参数,所述心肌梗死面积为所述函数关系的输出参数;
确定与所述当前运动特征对应的当前心肌梗死面积,还包括:
当所述对应关系包括函数关系时,将所述当前运动特征输入所述函数关系中,确定所述函数关系的输出参数为当前心肌梗死面积。
进一步地,所述建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系的步骤,包括:
获取用于建立所述运动特征与所述心肌梗死面积之间的对应关系的样本数据;
分析所述运动特征的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运动特征与所述心肌梗死面积的所述对应关系。
进一步地,所述获取用于建立所述运动特征与所述心肌梗死面积之间的对应关系的样本数据的步骤,包括:
收集不同心脏状况的患者的所述运动特征和所述心肌梗死面积;
对所述运动特征进行分析、并结合预存的专家经验信息,选取与所述心肌梗死面积相关的数据作为所述运动特征;
将所述心肌梗死面积、以及选取的所述运动特征构成的数据对,作为样本数据。
进一步地,
所述网络结构,包括:Ren-卷积神经网络,长期短期记忆-循环神经网络,以及,堆叠自动编码器;
和/或,
所述网络参数,包括:输入层数,输出层数,卷积层数,初始权值,以及,偏置值中的至少之一。
进一步地,
对所述网络结构和所述网络参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运动特征输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应心肌梗死面积之间的实际训练误差是否满足预设训练误差;
当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
对所述网络结构和所述网络参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运动特征输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应心肌梗死面积之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
进一步地,
对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;
通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
对所述网络结构和所述网络参数进行测试,还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
一种心肌梗死面积的检测装置,应用于通过无造影剂获取的心脏磁共振图像序列的心肌梗死面积检测,包括:
建立模块,用于利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;
获取模块,用于获取患者的当前心脏磁共振图像序列的当前运动特征;
确定模块,用于通过所述对应关系,确定与所述当前运动特征对应的当前心肌梗死面积;具体地,确定与所述运动特征对应的当前心肌梗死面积,包括:将所述对应关系中与所述当前运动特征相同的运动特征所对应的心肌梗死面积,确定为所述当前心肌梗死面积。
一种设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的免造影剂的心肌梗死面积的检测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的免造影剂的心肌梗死面积的检测方法的步骤。
本申请具有以下优点:
在本申请的实施例中,通过利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;获取患者的当前心脏磁共振图像序列的当前运动特征;通过所述对应关系,确定与所述当前运动特征对应的当前心肌梗死面积;具体地,确定与所述运动特征对应的当前心肌梗死面积,包括:将所述对应关系中与所述当前运动特征相同的运动特征所对应的心肌梗死面积,确定为所述当前心肌梗死面积,患者拍摄心脏磁共振图像时无需使用造影剂,避免了中毒风险;与其他无造影剂技术相比,本发明效率更高,结果更精准,成本更低。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种免造影剂的心肌梗死面积的检测方法的步骤流程图;
图2是本申请一实施例提供的一种免造影剂的心肌梗死面积的检测方法的图像特征提取层中不同尺寸贴片的计算精度和成本评估示意图;
图3是本申请一实施例提供的一种免造影剂的心肌梗死面积的检测方法的心脏定位层的结构,可以有效地裁剪包括左心室在内的兴趣区图像序列示意图;
图4是本申请一具体实现提供的一种免造影剂的心肌梗死面积的检测方法的兴趣区定位和梗死面积检测分类精度以及组合运动特征准确比较示意图;
图5是本申请一具体实现提供的梗塞区域示意图;
图6是本申请一具体实现提供的一种免造影剂的心肌梗死面积的检测方法的与地面真实性比较的一致性示意图;
图7是本申请一实施例提供的一种免造影剂的心肌梗死面积的检测装置的结构框图;
图8是本发明一实施例的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参照图1,示出了本申请一实施例提供的一种免造影剂的心肌梗死面积的检测方法,应用于通过无造影剂获取的心脏磁共振图像序列的心肌梗死面积检测,包括:
S110、利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;
S120、获取患者的当前心脏磁共振图像序列的当前运动特征;
S130、通过所述对应关系,确定与所述当前运动特征对应的当前心肌梗死面积;具体地,确定与所述运动特征对应的当前心肌梗死面积,包括:将所述对应关系中与所述当前运动特征相同的运动特征所对应的心肌梗死面积,确定为所述当前心肌梗死面积。
在本申请的实施例中,通过利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;获取患者的当前心脏磁共振图像序列的当前运动特征;通过所述对应关系,确定与所述当前运动特征对应的当前心肌梗死面积;具体地,确定与所述运动特征对应的当前心肌梗死面积,包括:将所述对应关系中与所述当前运动特征相同的运动特征所对应的心肌梗死面积,确定为所述当前心肌梗死面积,患者拍摄心脏磁共振图像时无需使用造影剂,避免了中毒风险;与其他无造影剂技术相比,本发明效率更高,结果更精准,成本更低。
下面,将对本示例性实施例中免造影剂的心肌梗死面积的检测方法作进一步地说明。
如上述步骤S110所述,利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;其中,所述心脏磁共振图像序列为无造影剂的磁共振图像序列。
例如:利用人工神经网络算法来分析心肌梗死面积在心脏磁共振图像序列中的显示状态规律,通过人工神经网络的自学习、自适应特性找到患者心脏磁共振图像序列中的运动特征与心肌梗死面积间的映射规律。
例如:可以利用人工神经网络算法,通过对大量不同志愿者(包括但不限于如下的一种或多种:年龄,是否有心脏病史,性别,病情等)的心脏磁共振图像序列中的运动特征汇总收集,选取若干志愿者的心脏磁共振图像序列中的运动特征及心肌梗死面积作为样本数据,对神经网络进行学习和训练,通过调整网络结构及网络节点间的权值,使神经网络拟合心脏磁共振图像序列中的运动特征及心肌梗死面积之间的关系,最终使神经网络能准确拟合出不同患者的心脏磁共振图像序列中的运动特征及心肌梗死面积的对应关系。
在一实施例中,所述运动特征,包括:兴趣区图像序列中按设定规律提取的用于表示每个像素的运动模式;
需要说明的是,所述运动特征可以通过所述人工神经网络中的运动特征提取层进行提取。具体为:在获得兴趣区图像序列后,使用运动特征提取层收集两种类型的运动特征,以描述像素的运动模式。这些特征是从兴趣区图像序列的基于补丁和全局信息中提取的。最后,这些特征被用来区分每个像素的梗死区域和其他组织。
优选的,该层包含如下步骤:
第一步,通过从心脏定位层裁剪的兴趣区图像序列中提取基于补丁的运动特征,以足够的运动特征编码信息来描述兴趣区序列中每个像素的局部运动。其中,采用长期短期记忆-循环神经网络,以时空补丁作为输入;在兴趣区序列上滑动一个窗口以生成2维+时间补丁,如图2所示,补丁大小选择为11×11;由于在一个心脏循环中有25个核磁共振图像,因此在序列长期短期记忆的最后一层中装配了一个更高尺寸的向量(11×11×25大小);由于网络是以滑动窗口的方式运行的,因此在滑动窗口通过兴趣区的所有像素后,将提取所有像素的局部运动信息。在循环神经网络的训练过程中,使用门控机制自动学习每个补丁在不同时间的区别,并忘记其他无用的信息。
需要说明的是,循环神经网络的输入是心脏定位层生成的兴趣区序列。构建一个与标签具有相同大小的兴趣区图像的二进制图像。该二进制图像中的每个像素表示兴趣区图像中相应像素中的组织类型,具体为:1代表梗死类,0代表其他组织类,二进制图像中的这些标签是由两位具有10年以上经验的放射科医生从延迟增强图像中手动生成的。
在运动特征提取层的实现中,输入图像I=(I1,I2...IJ,J=25)为64×64尺寸。滑动窗是一个尺寸为11×11的空间贴片。将J图像序列展开为每个像素作为输入的向量Pl(p)∈R11*11*J。获取上一个时间步骤ht-1的隐藏状态框架,当前时间步骤的隐藏和输出层可以计算为
其中,xt是每个时间步骤t的输入层,ht是每个时间步骤t的隐藏层,yt是每个时间步骤t的输出层,Wxh是表示输入层和隐藏层之间的权重的矩阵,Why是表示隐藏层和输出层之间的权重的矩阵。Φ是激活函数。
长期短期记忆的设计是为了减轻消失梯度。因此,它包含许多记忆细胞,其中的倍增门单元和自我循环单元是两个基本的构建块。除了隐藏层向量ht外,长期短期记忆还具有内存向量ct、输入门it、忘记门ft和输出门ot。长期短期记忆中的这三个门可以计算为:
为了避免每层过拟合的问题:
其中wt是权重矩阵,D是退出运算符。最终存储单元和最终隐藏状态由:
为了使长期短期记忆在一组训练序列上的总误差最小化,使用迭代梯度下降(如:随时间的反向传播)来按其对误差的导数的比例改变每个权重。使用长期短期记忆,当错误值从输出中反向传播时,错误将保留在单元的内存中。通过前述过程不断地将错误反馈到每个门,直到它们学会切断值。常规的反向传播在训练长期短期记忆块长时间记住值方面是有效的。
第二步,使用全流算法从兴趣区图像序列中计算全局运动特征。该全流算法可以生成一个不需要图像内容先验信息的密集矢量场,将每个像素的位移矢量定义为在连续图像中可以找到该像素的位置。
考虑到相邻帧、参考图像I=(Ij-1)和目标图像I′=(Ij),我们的目标是计算包含水平和垂直分量的流w=(u,v)T。流场将I中的每个像素p映射到I′中的q=p+wp。目标函数为:
其中是4连接的像素网格。I中的每个像素p在空间上与I中的四个相邻像素相连,在时间上与I′中的个像素相连。
数据项ρD(p,wp,I,I′)惩罚连接不同像素p和p+wp的流场。归一化互相关(NCC)在每个颜色通道中的计算方式类似:
ρD(p,wp,I,I′)=1-max(NCC,0) (6)
正则化项ρ(wp-wq)可以展开为:
ρ(w)=min(ρ(w1)+ρ(w2),τ) (7)
式中,w1和w2是向量w的两个分量,ρ(·)是一个罚函数。正则化项也耦合了流的水平和垂直分量。拉普拉斯权Lp,q用于减弱沿颜色不连续的正则化:
最后,对于每个图像IJ-1,去除前后一致性检查中不一致的匹配,即,计算从I到I′的正向流和从I′到I的反向流。为了得到亚像素分辨率流,在前后一致性检查后的结果上应用亚像素插值。其中,优选采用震流插值方案。然后,参考下一帧IJ计算一个全运动场wJ-1=(uJ-1,vJ-1)。此时,已经学习(或获得)整个兴趣区图像序列中相邻帧之间任何点的轨迹。
优选地,所述兴趣图像序列,包括:心脏磁共振图像序列的设定区域中设定尺寸的图像区域;
需要说明的是,所述兴趣图像序列可以通过所述人工神经网络中的心脏定位层进行提取。具体为:为了降低计算复杂度,在心脏磁共振成像序列的心脏定位层中采用更快的Ren-卷积神经网络,以实现兴趣区图像序列的自动裁剪。在这些定位层中,网络的第一个过程使用Zeiler和Fergus模型(5个可共享的卷积层)从输入的图像中输出卷积特征图,可以将其视为特殊的空间金字塔池网络(SPP-NET)。
然后,为了生成区域方案,在最后一个共享卷积层的卷积特征图输出上滑动一个小网络。该小网络以输入卷积特征图的3x3空间窗作为输入。每个滑动窗在每个滑动位置都有九个不同的比例锚定,然后将其输出映射到低维特征向量(256-D)中。
最后,每个特征向量被送入一系列完全连接的层中,这些层在所有空间位置和分支中共享,用于生成一个边界框,用于自动裁剪一个兴趣区图像,包括来自心脏磁共振成像的左心室。因此,心脏定位层可以生成64×64的兴趣区图像,包括左心室的序列具有更高的检测精度,如图3所示,具体地,获取一位经验丰富的放射科医生通过从心脏磁共振成像中手动分割左心室边界框来生成标记数据。使用这些手动分割的框作为低压位置的标签。在我们Ren-卷积神经网络的培训过程中,五个可共享的卷积层被用来构建特征图。我们首先在共享卷积层生成的卷积特征图上滑动一个空间窗口。
然后,一个256维的向量被输入到两个完全相连的层中——一个框回归层和一个框分类层,分别用于包含心脏的概率和兴趣区四个角的坐标。
由此,通过多种形式的运动特征,有利于提升对运动特征与心脏梗死面积之间的对应关系确定的准确性和可靠性。
在一实施例中,所述对应关系,包括:函数关系。
优选地,所述运动特征为所述函数关系的输入参数,所述心肌梗死面积为所述函数关系的输出参数;
由此,通过多种形式的对应关系,可以提升对当前心脏梗死面积确定的灵活性和便捷性。
在一实施例中,可以结合下列描述进一步说明步骤S110中“建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系”的具体过程。
如下列步骤所述:获取用于建立所述运动特征与所述心肌梗死面积之间的对应关系的样本数据;
在一进阶实施例中,可以结合下列描述进一步说明“获取用于建立所述运动特征与所述心肌梗死面积之间的对应关系的样本数据”的具体过程。
如下列步骤所述:收集不同心脏状况的患者的所述运动特征和所述心肌梗死面积;
例如:数据搜集:搜集不同健康状况的患者的运动特征及对应的心肌梗死面积;以及,搜集不同年龄的患者的运动特征及对应的心肌梗死面积;以及,搜集不同性别的患者的运动特征及对应的心肌梗死面积。
由此,通过多种途径收集运行数据,有利于增加运行数据的量,提升人工神经网络的学习能力,进而提升确定的对应关系的精准性和可靠性。
如下列步骤所述:对所述运动特征进行分析、并结合预存的专家经验信息,选取与所述心肌梗死面积相关的数据作为所述运动特征(例如:选取对心肌梗死面积有影响的运动特征作为输入参数,将指定参数作为输出参数);
例如:通过将已确诊的志愿者的相关数据中的运动特征作为输入参数,将其相关数据中的心肌梗死面积作为输出参数。
如下列步骤所述:将所述心肌梗死面积、以及选取的所述运动特征构成的数据对,作为样本数据。
例如:将得到的输入、输出参数对,一部分用作训练本样数据,一部分用作测试样本数据。
由此,通过对收集到的运动特征进行分析及处理,进而得到样本数据,操作过程简单,操作结果可靠性高。
如下列步骤所述:分析所述运动特征的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
例如:根据不同的年龄、病情、性别等对心脏情况具有影响的数据特性及其所蕴含的规律,可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。
优选地,所述网络结构,包括:Ren-卷积神经网络,长期短期记忆-循环神经网络,以及,堆叠自动编码器。
优选地,所述网络参数,包括:输入层数,输出层数,卷积层数,初始权值,以及,偏置值中的至少之一。
需要说明的是,完全连接的鉴别层使用堆叠自动编码器(SAE)联合学习基于补丁的运动特性和基于图像的运动特性,以提供兴趣区内每个像素的有效运动特性表示。这种联合学习是有益的,因为它不仅通过长期短期记忆-循环神经网络获得了时间运动中心肌梗死的空间相关性,而且通过光流补充了补丁外的运动信息。由多层稀疏自动编码器组成的堆叠自动编码器通过捕获这两个运动特征的有用的“层次分组”或“部分整体分解”来学习基于补丁和基于图像的运动特征作为共享表示。这种作为高维向量(139)的共享表示表征了像素在兴趣区内运动的所有方面,并集成了分类器(软最大值)以最终识别心肌像素运动异常。因此,这些层能够直接描绘像素级心肌梗死,而无需对心肌边界进行任何初步分割。
在这些层的训练过程中,对于每个WJ,我们使用3×3大小的图像块,从第一帧中的点P开始提取特征,然后在下一帧中跟踪P。因此,可以得到Pg(p),每个帧包含一个3×3的位移矢量和一个3×3的p方向矢量。其次,将长期短期记忆-循环神经网络获取的局部图像特征Pl(p)与光流提取的运动轨迹特征Pg(p)进行简单的拼接,建立了一个完整的特征向量P(p)。最后,利用三层叠加的自动编码器来学习运动特征向量P(p)与梗死的对应关系,并利用软最大层来判断p是否为梗死。
如下列步骤所述:使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运动特征与所述心肌梗死面积的所述对应关系。
例如:网络设计完成后,需用训练样本数据对设计完成的神经网络进行训练。训练方法可根据实际的网络结构及训练中发现的问题进行调整。
由此,通过收集图像数据,从中选取样本数据,并基于样本数据进行训练和测试,确定运动特征与心肌梗死面积之间的对应关系,有利于提升对指定参数生成的精准性。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运动特征与所述心肌梗死面积的所述对应关系”中对所述网络结构和所述网络参数进行训练的具体过程。
如下列步骤所述,选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运动特征输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;确定所述实际训练结果与所述训练样本中的相应心肌梗死面积之间的实际训练误差是否满足预设训练误差;当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
更可选地,对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
例如:若测试误差满足要求,则网络训练测试完成。
由此,通过将测试样本用于训练得到的网络结构和网络参数进行测试,以进一步验证网络结构及网络参数的可靠性。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运动特征与所述心肌梗死面积的所述对应关系”中对所述网络结构和所述网络参数进行测试的具体过程。
如下列步骤所述,选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运动特征输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;确定所述实际测试结果与所述测试样本中的相应心肌梗死面积之间的实际测试误差是否满足设定测试误差;当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
在一具体实现中,在Linux(Ubuntu Kylin 14.04)台式机上使用Python和MATLABR2015b实现本申请所述方法的所有代码,该台式机带有Intel(R)Xeon(R)CPU E5-2650(2.00GHz)和32GB DDR2内存。图形卡是Nvidia(R)Quadro K600(1G RAM)。利用RMSProp解算器(lr=0.001,rho=0.9,epsilon=1e-06)在Keras(Theano)库上实现了深度学习神经网路,长期短期记忆-循环神经网络的丢弃设置为0.2。对于完全流,Lambda和截断被设置为(0.021,1E8)。在10倍交叉验证测试中,每个训练(126名受试者)的平均训练时间为373分钟,每个受试者的测试时间为74秒。
在第一阶段,调整心脏磁共振的大小以适应延迟增强–心脏磁共振,并且设置兴趣区的大小设置为略大于左心室容积。因此,对于所有心脏磁共振和延迟增强–心脏磁共振,可以使用心脏定位层来裁剪完全包含相同大小左心室的64×64兴趣区。
在第二阶段,收集基于补丁和基于图像的运动特征,然后将它们融合到一个独特的特征表示中。
在第三阶段,通过确定是否属于梗塞区域的相应像素来检测每个像素的类别。
最后,通过前面步骤中发现的所有连接区域,如果其大小小于9个像素,则将其排除在梗塞区域之外。
我们使用以下三个标准来衡量我们框架的分类性能:
a、曲线下对应区域的接收器工作特性(ROC)曲线(AUC);
b、精确召回曲线下对应区域的精确召回(PR)曲线;
c、像素级精度,我们通过10倍交叉验证测试评估了分类器性能。
通过对心脏磁共振图像的兴趣区定位边界框的结果与专家放射科医生标记的地面实况进行了比较,得到接收器工作特性和精确召回曲线,如图4所示,图中的(a)–(b)表明,本申请方法的结果对兴趣区定位和梗死面积检测具有较高的分类精度;图中的(c)–(d)表明,组合运动特征提高了本申请的方法的准确性。
如图5所示,本申请的方法检测到的梗塞区域(第二排浅色区域)与地面真值(第一排白色箭头)一致;在第三排中本申请的方法检测到的梗塞区域(白线框内区域)与地面真值(白色线)一致。
如图6所示,评估本申请的方法与人类专家描述梗死的一致性,申请的方法检测到的梗死区域在使用联合运动特征时与地面真实性的一致性比使用单运动特征时高:
(e)10倍交叉验证试验中的kappa统计表明,申请的方法使用联合运动特征的结果与人类专家的描述一致;
(f)不确定度度量测量结果也证明了申请的方法的结果与使用组合运动特征时人类专家的描述是一致的;
(g)基于表面的度量表明,使用组合运动特征时,申请的方法具有较低的均方根误差;
(h)使用组合运动特征时,申请的方法的结果与人类专家的描述之间的Hausdorff距离最小。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图7,示出了本申请一实施例提供的一种心肌梗死面积的检测装置,应用于通过无造影剂获取的心脏磁共振图像序列的心肌梗死面积检测,包括:
建立模块310,用于利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;
获取模块320,用于获取患者的当前心脏磁共振图像序列的当前运动特征;
确定模块330,用于通过所述对应关系,确定与所述当前运动特征对应的当前心肌梗死面积;具体地,确定与所述运动特征对应的当前心肌梗死面积,包括:将所述对应关系中与所述当前运动特征相同的运动特征所对应的心肌梗死面积,确定为所述当前心肌梗死面积。
在一实施例中,所述运动特征,包括:兴趣区图像序列中按设定规律提取的用于表示每个像素的运动模式;其中,
所述兴趣图像序列,包括:心脏磁共振图像序列的设定区域中设定尺寸的图像区域;
和/或,
所述对应关系,包括:函数关系;所述运动特征为所述函数关系的输入参数,所述心肌梗死面积为所述函数关系的输出参数;
确定与所述当前运动特征对应的当前心肌梗死面积,还包括:
当所述对应关系包括函数关系时,将所述当前运动特征输入所述函数关系中,确定所述函数关系的输出参数为当前心肌梗死面积。
在一实施例中,所述建立模块310,包括:
获取子模块,用于获取用于建立所述运动特征与所述心肌梗死面积之间的对应关系的样本数据;
分析子模块,用于分析所述运动特征的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
训练子模块,用于使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运动特征与所述心肌梗死面积的所述对应关系。
在一实施例中,所述获取子模块,包括:
收集子模块,用于收集不同心脏状况的患者的所述运动特征和所述心肌梗死面积;
分析子模块,用于对所述运动特征进行分析、并结合预存的专家经验信息,选取与所述心肌梗死面积相关的数据作为所述运动特征;
样本数据生成子模块,用于将所述心肌梗死面积、以及选取的所述运动特征构成的数据对,作为样本数据。
在一实施例中,
所述网络结构,包括:Ren-卷积神经网络,长期短期记忆-循环神经网络,以及,堆叠自动编码器;
和/或,
所述网络参数,包括:输入层数,输出层数,卷积层数,初始权值,以及,偏置值中的至少之一。
在一实施例中,
所述训练子模块,包括:
训练结果生成子模块,用于选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运动特征输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;
训练结果误差判断子模块,用于确定所述实际训练结果与所述训练样本中的相应心肌梗死面积之间的实际训练误差是否满足预设训练误差;
训练完成判定子模块,用于当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
测试子模块,用于对所述网络结构和所述网络参数进行测试,所述测试子模块,包括:
测试结果生成子模块,用于选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运动特征输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
测试结果误差判断子模块,用于确定所述实际测试结果与所述测试样本中的相应心肌梗死面积之间的实际测试误差是否满足设定测试误差;
测试完成判定子模块,用于当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
在一实施例中,
所述训练子模块,还包括:
网络参数更新子模块,用于当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;
第一重训练子模块,用于通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
所述测试子模块,还包括:
第二重训练子模块,用于当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
参照图8,示出了本发明的一种免造影剂的心肌梗死面积的检测方法的计算机设备,具体可以包括如下:
上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,外围总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)),广域网(WAN)和/或公共网络(例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白,尽管图8中未示出,可以结合计算机设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的免造影剂的心肌梗死面积的检测方法。
也即,上述处理单元16执行上述程序时实现:利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;获取患者的当前心脏磁共振图像序列的当前运动特征;通过所述对应关系,确定与所述当前运动特征对应的当前心肌梗死面积;具体地,确定与所述运动特征对应的当前心肌梗死面积,包括:将所述对应关系中与所述当前运动特征相同的运动特征所对应的心肌梗死面积,确定为所述当前心肌梗死面积。
在本发明实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有实施例提供的免造影剂的心肌梗死面积的检测方法:
也即,给程序被处理器执行时实现:利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;获取患者的当前心脏磁共振图像序列的当前运动特征;通过所述对应关系,确定与所述当前运动特征对应的当前心肌梗死面积;具体地,确定与所述运动特征对应的当前心肌梗死面积,包括:将所述对应关系中与所述当前运动特征相同的运动特征所对应的心肌梗死面积,确定为所述当前心肌梗死面积。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。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。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的免造影剂的心肌梗死面积的检测方法、装置、设备及介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种免造影剂的心肌梗死面积的检测方法,应用于通过无造影剂获取的心脏磁共振图像序列的心肌梗死面积检测,其特征在于,包括:
利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;
获取患者的当前心脏磁共振图像序列的当前运动特征;
通过所述对应关系,确定与所述当前运动特征对应的当前心肌梗死面积;具体地,确定与所述运动特征对应的当前心肌梗死面积,包括:将所述对应关系中与所述当前运动特征相同的运动特征所对应的心肌梗死面积,确定为所述当前心肌梗死面积。
2.根据权利要求1所述的方法,其特征在于,
所述运动特征,包括:兴趣区图像序列中按设定规律提取的用于表示每个像素的运动模式;其中,
所述兴趣图像序列,包括:心脏磁共振图像序列的设定区域中设定尺寸的图像区域;
和/或,
所述对应关系,包括:函数关系;所述运动特征为所述函数关系的输入参数,所述心肌梗死面积为所述函数关系的输出参数;
确定与所述当前运动特征对应的当前心肌梗死面积,还包括:
当所述对应关系包括函数关系时,将所述当前运动特征输入所述函数关系中,确定所述函数关系的输出参数为当前心肌梗死面积。
3.根据权利要求1所述的方法,其特征在于,所述建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系的步骤,包括:
获取用于建立所述运动特征与所述心肌梗死面积之间的对应关系的样本数据;
分析所述运动特征的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运动特征与所述心肌梗死面积的所述对应关系。
4.根据权利要求3所述的方法,其特征在于,所述获取用于建立所述运动特征与所述心肌梗死面积之间的对应关系的样本数据的步骤,包括:
收集不同心脏状况的患者的所述运动特征和所述心肌梗死面积;
对所述运动特征进行分析、并结合预存的专家经验信息,选取与所述心肌梗死面积相关的数据作为所述运动特征;
将所述心肌梗死面积、以及选取的所述运动特征构成的数据对,作为样本数据。
5.根据权利要求4所述的方法,其特征在于,
所述网络结构,包括:Ren-卷积神经网络,长期短期记忆-循环神经网络,以及,堆叠自动编码器;
和/或,
所述网络参数,包括:输入层数,输出层数,卷积层数,初始权值,以及,偏置值中的至少之一。
6.根据权利要求3-5任一项所述的方法,其特征在于,
对所述网络结构和所述网络参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运动特征输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应心肌梗死面积之间的实际训练误差是否满足预设训练误差;
当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
对所述网络结构和所述网络参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运动特征输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应心肌梗死面积之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
7.根据权利要求6所述的方法,其特征在于,
对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;
通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
对所述网络结构和所述网络参数进行测试,还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
8.一种心肌梗死面积的检测装置,应用于通过无造影剂获取的心脏磁共振图像序列的心肌梗死面积检测,其特征在于,包括:
建立模块,用于利用人工神经网络的自学习能力,建立心脏磁共振图像序列中的运动特征与心肌梗死面积之间的对应关系;
获取模块,用于获取患者的当前心脏磁共振图像序列的当前运动特征;
确定模块,用于通过所述对应关系,确定与所述当前运动特征对应的当前心肌梗死面积;具体地,确定与所述运动特征对应的当前心肌梗死面积,包括:将所述对应关系中与所述当前运动特征相同的运动特征所对应的心肌梗死面积,确定为所述当前心肌梗死面积。
9.一种设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642721.5A CN110363755A (zh) | 2019-07-16 | 2019-07-16 | 免造影剂的心肌梗死面积的检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642721.5A CN110363755A (zh) | 2019-07-16 | 2019-07-16 | 免造影剂的心肌梗死面积的检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363755A true CN110363755A (zh) | 2019-10-22 |
Family
ID=68219742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910642721.5A Pending CN110363755A (zh) | 2019-07-16 | 2019-07-16 | 免造影剂的心肌梗死面积的检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363755A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734770A (zh) * | 2021-01-06 | 2021-04-30 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于多层级联的心脏核磁影像多序列融合分割方法 |
WO2022120734A1 (zh) * | 2020-12-10 | 2022-06-16 | 深圳先进技术研究院 | 一种基于gan的无造影剂医学图像增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694994A (zh) * | 2018-05-11 | 2018-10-23 | 浙江大学 | 基于栈式自编码器和支持向量机的无创心脏梗死分类模型构建方法 |
CN109498046A (zh) * | 2018-11-19 | 2019-03-22 | 西安电子科技大学 | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 |
CN109754877A (zh) * | 2018-01-23 | 2019-05-14 | 上海移视网络科技有限公司 | 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统 |
-
2019
- 2019-07-16 CN CN201910642721.5A patent/CN110363755A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754877A (zh) * | 2018-01-23 | 2019-05-14 | 上海移视网络科技有限公司 | 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统 |
CN108694994A (zh) * | 2018-05-11 | 2018-10-23 | 浙江大学 | 基于栈式自编码器和支持向量机的无创心脏梗死分类模型构建方法 |
CN109498046A (zh) * | 2018-11-19 | 2019-03-22 | 西安电子科技大学 | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 |
Non-Patent Citations (2)
Title |
---|
汤青等: "心电图法评估心肌梗死面积", 《心血管病学进展》 * |
陈盔等: "MRI多技术扫描在心肌梗死后评估及预后的应用价值", 《医学综述》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022120734A1 (zh) * | 2020-12-10 | 2022-06-16 | 深圳先进技术研究院 | 一种基于gan的无造影剂医学图像增强方法 |
CN112734770A (zh) * | 2021-01-06 | 2021-04-30 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于多层级联的心脏核磁影像多序列融合分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109300121B (zh) | 一种心血管疾病诊断模型的构建方法、系统及该诊断装置 | |
WO2020215985A1 (zh) | 医学影像分割方法、装置、电子设备和存储介质 | |
CN108197532B (zh) | 人脸识别的方法、装置及计算机装置 | |
CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
WO2019241155A1 (en) | Simulating abnormalities in medical images with generative adversarial networks | |
CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
CN110120047A (zh) | 图像分割模型训练方法、图像分割方法、装置、设备及介质 | |
Zhang et al. | Automated quality assessment of cardiac MR images using convolutional neural networks | |
CN108475350A (zh) | 使用基于学习的模型加速半导体相关计算 | |
CN106326857A (zh) | 基于人脸图像的性别识别方法及装置 | |
CN108389192A (zh) | 基于卷积神经网络的立体图像舒适度评价方法 | |
CN110400298A (zh) | 心脏临床指标的检测方法、装置、设备及介质 | |
CN109344920A (zh) | 顾客属性预测方法、存储介质、系统及设备 | |
CN112419326B (zh) | 图像分割数据处理方法、装置、设备及存储介质 | |
CN109993230A (zh) | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 | |
CN111932529A (zh) | 一种图像分割方法、装置及系统 | |
WO2021120961A1 (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN108846829A (zh) | 病变部位识别方法及装置、计算机装置及可读存储介质 | |
Shu et al. | LVC-Net: Medical image segmentation with noisy label based on local visual cues | |
CN110543916A (zh) | 一种缺失多视图数据的分类方法及系统 | |
CN111667459A (zh) | 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质 | |
CN109620293A (zh) | 一种图像识别方法、装置以及存储介质 | |
CN110363755A (zh) | 免造影剂的心肌梗死面积的检测方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |