CN110674872A - 一种高维磁共振影像的分类方法及装置 - Google Patents

一种高维磁共振影像的分类方法及装置 Download PDF

Info

Publication number
CN110674872A
CN110674872A CN201910906714.1A CN201910906714A CN110674872A CN 110674872 A CN110674872 A CN 110674872A CN 201910906714 A CN201910906714 A CN 201910906714A CN 110674872 A CN110674872 A CN 110674872A
Authority
CN
China
Prior art keywords
dimensional space
image
image data
dimensional
time
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
Application number
CN201910906714.1A
Other languages
English (en)
Other versions
CN110674872B (zh
Inventor
尹晓霞
张彦春
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN201910906714.1A priority Critical patent/CN110674872B/zh
Publication of CN110674872A publication Critical patent/CN110674872A/zh
Application granted granted Critical
Publication of CN110674872B publication Critical patent/CN110674872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Abstract

本发明公开了一种高维磁共振影像的分类方法，通过获取患者经过磁共振设备扫描的扫描影像数据，对扫描影像数据进行归一化处理，得到高维影像数据，对高维影像数据进行分解处理，生成若干个简单的几何要素，将若干个简单的几何要素输入至预设的影像分类模型，输出影像分类结果，采用本发明提供的实施例，不但可以清楚地分析肿瘤形状、纹理及其相关的影像灰度值随时间变化的过程，同时也为癌症病灶有效的分类和诊断提供有力的依据。

Description

一种高维磁共振影像的分类方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种高维磁共振影像的分类方法及装置。
背景技术
乳腺癌是妇女群体中最常见的病症，尤其在40岁以上的患者中表现出较高的死亡率。国际癌症研究中心最新统计显示，全球600万女性恶性肿瘤患者中，其中乳腺癌患者占23％，死亡率占整个女性恶性肿瘤的13.7％。中国是乳腺癌发病率最高的国家，年龄标化率为每10万人21.6例，死亡率每年超7万；中国也是乳腺癌发病率增长最快的国家之一，正以每年3％速度递增。然而早期的乳腺癌发现率极低，85％的乳腺癌病人到医院检查是已到乳腺癌的发展期。
近些年来基于深度学习的人工智能计算机视觉飞速发展，如今的人工智能(AI)已经可以解决具体的医学问题，并且取得了巨大的进展，比如斯坦福大学可以成功分辨皮肤癌，中国Airdoc识别糖尿病性视网膜病变能力已经和三甲眼科医生相当，美国的Arterys公司旗下的产品Arterys Cardio DL获得FDA批准，人工智能应用在医疗领域已经是个趋势。
然而目前的乳腺癌计算机辅助诊断却存在漏诊和误诊的现象，尤其存在全自动识别对非肿块型的病灶敏感性不高，以及假阳性增加的事件，并且无法针对不同维数的医学影像的特征进行分析和聚类。
发明内容
本发明实施例的目的是提供一种高维磁共振影像的分类方法，不但可以清楚地分析肿瘤形状、纹理及其相关的影像灰度值随时间变化的过程，同时也为癌症病灶有效的分类和诊断提供有力的依据。
为实现上述目的，本发明实施例提供了一种高维磁共振影像的分类方法，包括以下步骤：
获取患者经过磁共振设备扫描的扫描影像数据；
对所述扫描影像数据进行归一化处理，得到高维影像数据；
对所述高维影像数据进行分解处理，生成若干个简单的几何要素；其中，所述简单的几何要素包括点、线、面以及体；
将所述若干个简单的几何要素输入至预设的影像分类模型，输出影像分类结果。
进一步的，所述对所述高维影像数据进行分解处理，生成若干个简单的几何要素，具体为：
对所述高维影像数据进行聚类处理，生成具有多个块状区域块关联的三维空间影像数据；
在每个所述块状区域块的每个方向上的二维空间影像数据添加时间帧序列，得到三维时空影像；
提取所述三维空间影像数据中的二维空间影像数据，将时间帧序列添加至所述二维空间影像数据的每一行或每一列，得到二维时空影像；
提取所述二维空间影像数据中的像素点，将时间帧序列添加至提取出的每个像素点，得到时间维度数据信号；
对所述三维空间影像、三维时空影像、二维时空影像以及时间维度数据信号进行几何提取，生成若干个简单的几何要素。
进一步的，所述预设的影像分类模型通过以下步骤构建：
分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果；
将所述不同维度的影像数据作为深度神经网络的输入，将所述不同维度对应的分类结果，构建影像分类模型。
进一步的，所述分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果，具体为：
根据多分辨率分析的特征分析方法对时间维度数据信号进行分类，得到时间维度数据信号的第一分类结果；
根据超像素聚类算法对二维时空影像进行分类，得到二维时空影像的第二分类结果；
根据PCL点云的LCCP超体素图像分割算法对三维空间影像进行分类，得到三维空间影像的第三分类结果；
根据SLIC超体素图像分割算法对三维时空影像进行分类，得到三维时空影像的第四分类结果。
本发明实施例还提供了一种高维磁共振影像的分类装置，包括：数据获取模块、归一化处理模块、数据分解模块以及分类模块；
所述数据获取模块，用于获取患者经过磁共振设备扫描的扫描影像数据；
所述归一化处理模块，用于对所述扫描影像数据进行归一化处理，得到高维影像数据；
所述数据分解模块，用于对所述高维影像数据进行分解处理，生成若干个简单的几何要素；其中，所述简单的几何要素包括点、线、面以及体；
所述分类模块，用于将所述若干个简单的几何要素输入至预设的影像分类模型，输出影像分类结果。
进一步的，所述数据分解模块包括：聚类处理单元、第一添加单元、第二添加单元、第三添加单元以及几何提取单元；
所述聚类处理单元，用于对所述高维影像数据进行聚类处理，生成具有多个块状区域块关联的三维空间影像数据；
所述第一添加单元，用于在每个所述块状区域块的每个方向上的二维空间影像数据添加时间帧序列，得到三维时空影像；
所述第二添加单元，用于提取所述三维空间影像数据中的二维空间影像数据，将时间帧序列添加至所述二维空间影像数据的每一行或每一列，得到二维时空影像；
所述第三添加单元，用于提取所述二维空间影像数据中的像素点，将时间帧序列添加至提取出的每个像素点，得到时间维度数据信号；
所述几何提取单元，用于对所述三维空间影像、三维时空影像、二维时空影像以及时间维度数据信号进行几何提取，生成若干个简单的几何要素。
进一步的，所述预设的影像分类模型通过以下步骤构建：
分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果；
将所述不同维度的影像数据作为深度神经网络的输入，将所述不同维度对应的分类结果，构建影像分类模型。
进一步的，所述分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果，具体为：
根据多分辨率分析的特征分析方法对时间维度数据信号进行分类，得到时间维度数据信号的第一分类结果；
根据超像素聚类算法对二维时空影像进行分类，得到二维时空影像的第二分类结果；
根据PCL点云的LCCP超体素图像分割算法对三维空间影像进行分类，得到三维空间影像的第三分类结果；
根据SLIC超体素图像分割算法对三维时空影像进行分类，得到三维时空影像的第四分类结果。
作为本发明的优选实施例，本发明还提供了一种高维磁共振影像的分类设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的高维磁共振影像的分类方法。
本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的高维磁共振影像的分类方法。
实施本发明实施例，具有如下有益效果：
与现有技术相比，本发明实施例提供的高维磁共振影像的分类方法，通过获取患者经过磁共振设备扫描的扫描影像数据，对扫描影像数据进行归一化处理，得到高维影像数据，对高维影像数据进行分解处理，生成若干个简单的几何要素，将若干个简单的几何要素输入至预设的影像分类模型，输出影像分类结果，采用本发明提供的实施例，不但可以清楚地分析肿瘤形状、纹理及其相关的影像灰度值随时间变化的过程，同时也为癌症病灶有效的分类和诊断提供有力的依据。
附图说明
图1是本发明提供的高维磁共振影像的分类方法的一个实施例的流程示意图；
图2是本发明提供的高维磁共振影像的分类装置的一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明提供的高维磁共振影像的分类方法的一个实施例的流程示意图；本发明实施例提供一种高维磁共振影像的分类方法，包括步骤S1至S3；
S1，获取患者经过磁共振设备扫描的扫描影像数据。
在本实施例中，采用西门子3.0T Magnetom Verio的MRI机器对患者进行扫描，集中在乳腺DCE-MRI的影像序列分析，动态增强共采集5期图像，每个时相约77s，T2WI序列和EPI-DWI影像序列用于影像预分析，剔除脂肪组织，降低运算复杂性，有效提高运算速度以及癌变组织检测的敏感性和准确性。
S2，对所述扫描影像数据进行归一化处理，得到高维影像数据。
为了不依赖于某一品牌或型号的磁共振机器，将MRI信号强度归一化到一个标准化的分布，同时保留图像各自的对比度。归一化将采用空间插值，图像重采样和偏置场校正的技术。这将有效的解决影像强度分布会随MRI扫描设备的内在设置以及预处理参数而异这一问题。
S3，对所述高维影像数据进行分解处理，生成若干个简单的几何要素；其中，所述简单的几何要素包括点、线、面以及体。
在本发明实施例中，所述步骤S3，具体为：对所述高维影像数据进行聚类处理，生成具有多个块状区域块关联的三维空间影像数据；在每个所述块状区域块的每个方向上的二维空间影像数据添加时间帧序列，得到三维时空影像；提取所述三维空间影像数据中的二维空间影像数据，将时间帧序列添加至所述二维空间影像数据的每一行或每一列，得到二维时空影像；提取所述二维空间影像数据中的像素点，将时间帧序列添加至提取出的每个像素点，得到时间维度数据信号；对所述三维空间影像、三维时空影像、二维时空影像以及时间维度数据信号进行几何提取，生成若干个简单的几何要素。
S4，将所述若干个简单的几何要素输入至预设的影像分类模型，输出影像分类结果。
在本实施例中，通过将高维影像分解成点、线、面、体等简单的几何要素，并结合几何代数分析时空数据多维一致性的特点，可构建出更深、更宽的适合高维医学影像的强化分类模型。
作为本发明的优选实施例，所述预设的影像分类模型通过以下步骤构建：分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果；将所述不同维度的影像数据作为深度神经网络的输入，将所述不同维度对应的分类结果，构建影像分类模型。
为了创建深度神经网络(DNN)的节点，需要将不同维度动态影像数据聚类的结果作为深度卷积神经网络(DNN)的输入，目的是增加深度学习网络的宽度，剔除冗余信息，提高诊断准确性。这些不同维度的数据包括：经过聚类处理的三维空间影像数据，形成多个块状关联的区域(trivector)；这些三维的区域块是一系列沿着3个不同方向排列的两维空间影像数据的堆栈，每一个方向上的两维影像结合时间帧序列，形成三维时空影像(trivector)；两维影像上的每一行或列，结合时间序列，形成两维时空影像(bivector)；每一个像素点则对应一系列时间维数据信号(vector)。这种增加的网络宽度允许有效提取乳腺肿瘤在磁共振影像中丰富的、关键的信息，获取自动，准确的肿瘤诊断。
由于高维磁共振影像是由结构各异的多维几何图像组成，这增加了模型的宽度；为了获取多维一致性深度强化学习，需要将卷积层根据不同维的数据结构经多种核进行多尺度降维，能够增加了模型深度。
需要说明的是，所述分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果，具体为：根据多分辨率分析的特征分析方法对时间维度数据信号进行分类，得到时间维度数据信号的第一分类结果；根据超像素聚类算法对二维时空影像进行分类，得到二维时空影像的第二分类结果；根据PCL点云的LCCP超体素图像分割算法对三维空间影像进行分类，得到三维空间影像的第三分类结果；根据SLIC超体素图像分割算法对三维时空影像进行分类，得到三维时空影像的第四分类结果。
选择不同的数据分析及聚类方法的策略，进而实现多策略的、基于多重向量多维统一的，更深更宽的多尺度强化神经网络分类模型。
本发明实施例提供的高维磁共振影像的分类方法，通过获取患者经过磁共振设备扫描的扫描影像数据，对扫描影像数据进行归一化处理，得到高维影像数据，对高维影像数据进行分解处理，生成若干个简单的几何要素，将若干个简单的几何要素输入至预设的影像分类模型，输出影像分类结果，采用本发明提供的实施例，不但可以清楚地分析肿瘤形状、纹理及其相关的影像灰度值随时间变化的过程，同时也为癌症病灶有效的分类和诊断提供有力的依据。
本发明实施例还提供了一种高维磁共振影像的分类装置，包括：数据获取模块、归一化处理模块、数据分解模块以及分类模块；
所述数据获取模块，用于获取患者经过磁共振设备扫描的扫描影像数据；所述归一化处理模块，用于对所述扫描影像数据进行归一化处理，得到高维影像数据；所述数据分解模块，用于对所述高维影像数据进行分解处理，生成若干个简单的几何要素；其中，所述简单的几何要素包括点、线、面以及体；所述分类模块，用于将所述若干个简单的几何要素输入至预设的影像分类模型，输出影像分类结果。
优选的，所述数据分解模块包括：聚类处理单元、第一添加单元、第二添加单元、第三添加单元以及几何提取单元；
所述聚类处理单元，用于对所述高维影像数据进行聚类处理，生成具有多个块状区域块关联的三维空间影像数据；所述第一添加单元，用于在每个所述块状区域块的每个方向上的二维空间影像数据添加时间帧序列，得到三维时空影像；所述第二添加单元，用于提取所述三维空间影像数据中的二维空间影像数据，将时间帧序列添加至所述二维空间影像数据的每一行或每一列，得到二维时空影像；所述第三添加单元，用于提取所述二维空间影像数据中的像素点，将时间帧序列添加至提取出的每个像素点，得到时间维度数据信号；所述几何提取单元，用于对所述三维空间影像、三维时空影像、二维时空影像以及时间维度数据信号进行几何提取，生成若干个简单的几何要素。
在本实施例中，所述预设的影像分类模型通过以下步骤构建：分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果；将所述不同维度的影像数据作为深度神经网络的输入，将所述不同维度对应的分类结果，构建影像分类模型。
其中，所述分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果，具体为：根据多分辨率分析的特征分析方法对时间维度数据信号进行分类，得到时间维度数据信号的第一分类结果；根据超像素聚类算法对二维时空影像进行分类，得到二维时空影像的第二分类结果；根据PCL点云的LCCP超体素图像分割算法对三维空间影像进行分类，得到三维空间影像的第三分类结果；根据SLIC超体素图像分割算法对三维时空影像进行分类，得到三维时空影像的第四分类结果。
本发明实施例提供的高维磁共振影像的分类装置，通过数据获取模块获取患者经过磁共振设备扫描的扫描影像数据，通过归一化处理模块对扫描影像数据进行归一化处理，得到高维影像数据，通过数据分解模块对高维影像数据进行分解处理，生成若干个简单的几何要素，通过分类模块将若干个简单的几何要素输入至预设的影像分类模型，输出影像分类结果，采用本发明提供的实施例，不但可以清楚地分析肿瘤形状、纹理及其相关的影像灰度值随时间变化的过程，同时也为癌症病灶有效的分类和诊断提供有力的依据。
本发明实施例还提供了一种高维磁共振影像的分类设备。该设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个高维磁共振影像的分类方法实施例中的步骤，例如图1所示的步骤S1至S4。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述高维磁共振影像的分类设备的控制中心，利用各种接口和线路连接整个高维磁共振影像的分类设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述高维磁共振影像的分类设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述高维磁共振影像的分类设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种高维磁共振影像的分类方法，其特征在于，包括以下步骤：
获取患者经过磁共振设备扫描的扫描影像数据；
对所述扫描影像数据进行归一化处理，得到高维影像数据；
对所述高维影像数据进行分解处理，生成若干个简单的几何要素；其中，所述简单的几何要素包括点、线、面以及体；
将所述若干个简单的几何要素输入至预设的影像分类模型，输出影像分类结果。
2.如权利要求1所述的高维磁共振影像的分类方法，其特征在于，所述对所述高维影像数据进行分解处理，生成若干个简单的几何要素，具体为：
对所述高维影像数据进行聚类处理，生成具有多个块状区域块关联的三维空间影像数据；
在每个所述块状区域块的每个方向上的二维空间影像数据添加时间帧序列，得到三维时空影像；
提取所述三维空间影像数据中的二维空间影像数据，将时间帧序列添加至所述二维空间影像数据的每一行或每一列，得到二维时空影像；
提取所述二维空间影像数据中的像素点，将时间帧序列添加至提取出的每个像素点，得到时间维度数据信号；
对所述三维空间影像、三维时空影像、二维时空影像以及时间维度数据信号进行几何提取，生成若干个简单的几何要素。
3.如权利要求2所述的高维磁共振影像的分类方法，其特征在于，所述预设的影像分类模型通过以下步骤构建：
分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果；
将所述不同维度的影像数据作为深度神经网络的输入，将所述不同维度对应的分类结果，构建影像分类模型。
4.如权利要求3所述的高维磁共振影像的分类方法，其特征在于，所述分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果，具体为：
根据多分辨率分析的特征分析方法对时间维度数据信号进行分类，得到时间维度数据信号的第一分类结果；
根据超像素聚类算法对二维时空影像进行分类，得到二维时空影像的第二分类结果；
根据PCL点云的LCCP超体素图像分割算法对三维空间影像进行分类，得到三维空间影像的第三分类结果；
根据SLIC超体素图像分割算法对三维时空影像进行分类，得到三维时空影像的第四分类结果。
5.一种高维磁共振影像的分类装置，其特征在于，包括：数据获取模块、归一化处理模块、数据分解模块以及分类模块；
所述数据获取模块，用于获取患者经过磁共振设备扫描的扫描影像数据；
所述归一化处理模块，用于对所述扫描影像数据进行归一化处理，得到高维影像数据；
所述数据分解模块，用于对所述高维影像数据进行分解处理，生成若干个简单的几何要素；其中，所述简单的几何要素包括点、线、面以及体；
所述分类模块，用于将所述若干个简单的几何要素输入至预设的影像分类模型，输出影像分类结果。
6.如权利要求5所述的高维磁共振影像的分类装置，其特征在于，所述数据分解模块包括：聚类处理单元、第一添加单元、第二添加单元、第三添加单元以及几何提取单元；
所述聚类处理单元，用于对所述高维影像数据进行聚类处理，生成具有多个块状区域块关联的三维空间影像数据；
所述第一添加单元，用于在每个所述块状区域块的每个方向上的二维空间影像数据添加时间帧序列，得到三维时空影像；
所述第二添加单元，用于提取所述三维空间影像数据中的二维空间影像数据，将时间帧序列添加至所述二维空间影像数据的每一行或每一列，得到二维时空影像；
所述第三添加单元，用于提取所述二维空间影像数据中的像素点，将时间帧序列添加至提取出的每个像素点，得到时间维度数据信号；
所述几何提取单元，用于对所述三维空间影像、三维时空影像、二维时空影像以及时间维度数据信号进行几何提取，生成若干个简单的几何要素。
7.如权利要求6所述的高维磁共振影像的分类装置，其特征在于，所述预设的影像分类模型通过以下步骤构建：
分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果；
将所述不同维度的影像数据作为深度神经网络的输入，将所述不同维度对应的分类结果，构建影像分类模型。
8.如权利要求7所述的高维磁共振影像的分类装置，其特征在于，所述分别对不同维度的影像数据进行预处理，生成不同维度对应的分类结果，具体为：
根据多分辨率分析的特征分析方法对时间维度数据信号进行分类，得到时间维度数据信号的第一分类结果；
根据超像素聚类算法对二维时空影像进行分类，得到二维时空影像的第二分类结果；
根据PCL点云的LCCP超体素图像分割算法对三维空间影像进行分类，得到三维空间影像的第三分类结果；
根据SLIC超体素图像分割算法对三维时空影像进行分类，得到三维时空影像的第四分类结果。
9.一种高维磁共振影像的分类设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1至4任一项所述的高维磁共振影像的分类方法。
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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至4任一项所述的高维磁共振影像的分类方法。
CN201910906714.1A 2019-09-24 2019-09-24 一种高维磁共振影像的分类方法及装置 Active CN110674872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910906714.1A CN110674872B (zh) 2019-09-24 2019-09-24 一种高维磁共振影像的分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910906714.1A CN110674872B (zh) 2019-09-24 2019-09-24 一种高维磁共振影像的分类方法及装置

Publications (2)

Publication Number Publication Date
CN110674872A true CN110674872A (zh) 2020-01-10
CN110674872B CN110674872B (zh) 2022-03-01

Family

ID=69078649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910906714.1A Active CN110674872B (zh) 2019-09-24 2019-09-24 一种高维磁共振影像的分类方法及装置

Country Status (1)

Country Link
CN (1) CN110674872B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113180633A (zh) * 2021-04-28 2021-07-30 济南大学 基于深度学习的mr影像肝癌术后复发风险预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105338905A (zh) * 2013-06-26 2016-02-17 皇家飞利浦有限公司 用于多模态组织分类的方法和系统
CN106651875A (zh) * 2016-12-08 2017-05-10 温州医科大学 基于多模态mri纵向数据的脑瘤时空协同分割方法
CN109543727A (zh) * 2018-11-07 2019-03-29 复旦大学 一种基于竞争重构学习的半监督异常检测方法
CN109770903A (zh) * 2018-12-29 2019-05-21 中国科学院自动化研究所 功能磁共振影像的分类预测方法、系统、装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105338905A (zh) * 2013-06-26 2016-02-17 皇家飞利浦有限公司 用于多模态组织分类的方法和系统
CN106651875A (zh) * 2016-12-08 2017-05-10 温州医科大学 基于多模态mri纵向数据的脑瘤时空协同分割方法
CN109543727A (zh) * 2018-11-07 2019-03-29 复旦大学 一种基于竞争重构学习的半监督异常检测方法
CN109770903A (zh) * 2018-12-29 2019-05-21 中国科学院自动化研究所 功能磁共振影像的分类预测方法、系统、装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
X.-X. YIN ET AL: "Exploring the complementarity of THz pulse imaging and DCE-MRIs: Toward a unified multi-channel classification and a deep learning framework", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 *
余丽玲等: "乳腺DCE—MRI增强场时间序列和组织形变场的联合估计", 《电子学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113180633A (zh) * 2021-04-28 2021-07-30 济南大学 基于深度学习的mr影像肝癌术后复发风险预测方法及系统

Also Published As

Publication number Publication date
CN110674872B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
Singh et al. Shallow 3D CNN for detecting acute brain hemorrhage from medical imaging sensors
Rehman et al. Microscopic melanoma detection and classification: A framework of pixel‐based fusion and multilevel features reduction
CN107665491B (zh) 病理图像的识别方法及系统
Naveen et al. Identification of calcification in MRI brain images by k-means algorithm
Abdelmaguid et al. Left ventricle segmentation and volume estimation on cardiac mri using deep learning
Hoang et al. An evaluation of CNN-based liver segmentation methods using multi-types of CT abdominal images from multiple medical centers
WO2021183765A1 (en) Automated detection of tumors based on image processing
Yilmaz et al. A new method for skull stripping in brain MRI using multistable cellular neural networks
Al-Dabagh et al. Breast cancer diagnostic system based on MR images using KPCA-wavelet transform and support vector machine
Parthasarathy et al. Predicting source and age of brain tumor using canny edge detection algorithm and threshold technique
AU2019430369B2 (en) VRDS 4D medical image-based vein Ai endoscopic analysis method and product
Lynn et al. Melanoma classification on dermoscopy skin images using bag tree ensemble classifier
Razzaq et al. Brain tumor detection from mri images using bag of features and deep neural network
Ayub et al. LSTM-based RNN framework to remove motion artifacts in dynamic multicontrast MR images with registration model
Nagtode et al. Two dimensional discrete Wavelet transform and Probabilistic neural network used for brain tumor detection and classification
CN110674872B (zh) 一种高维磁共振影像的分类方法及装置
Malik et al. Comparison of brain tumor detection in MRI images using straightforward image processing techniques and deep learning techniques
CN107590806B (zh) 一种基于大脑医学成像的检测方法和系统
CN113222996A (zh) 心脏分割质量评估方法、装置、设备及存储介质
Mapari et al. Automated technique for segmentation of brain tumor in MR images
Roopa Detection of tumors from MRI brain images using CNN with extensive augmentation
Toufiq et al. A review on brain tumor classification in mri images
Rangne et al. Brain Tumor Extraction from MRI Images Using MATLAB
Singh et al. The new approach for medical enhancement in texture classification and feature extraction of lung MRI images by using gabor filter with wavelet transform
Sailunaz et al. Convex hull in brain tumor segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant