CN110956634A - 一种基于深度学习的脑微出血自动检测方法及系统 - Google Patents
一种基于深度学习的脑微出血自动检测方法及系统 Download PDFInfo
- Publication number
- CN110956634A CN110956634A CN202010119003.2A CN202010119003A CN110956634A CN 110956634 A CN110956634 A CN 110956634A CN 202010119003 A CN202010119003 A CN 202010119003A CN 110956634 A CN110956634 A CN 110956634A
- Authority
- CN
- China
- Prior art keywords
- microhemorrhage
- cerebral
- brain
- training
- training sample
- 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
- 206010067277 Cerebral microhaemorrhage Diseases 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 54
- 210000004556 brain Anatomy 0.000 claims abstract description 39
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 24
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 18
- 238000003384 imaging method Methods 0.000 claims abstract description 18
- 230000035945 sensitivity Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 210000003625 skull Anatomy 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 5
- 230000003902 lesion Effects 0.000 claims description 4
- 210000001519 tissue Anatomy 0.000 claims description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000002490 cerebral effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims 2
- 230000008569 process Effects 0.000 description 11
- 238000011176 pooling Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 2
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 2
- 210000004227 basal ganglia Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010018985 Haemorrhage intracranial Diseases 0.000 description 1
- 108010017480 Hemosiderin Proteins 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 210000000576 arachnoid Anatomy 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 210000000877 corpus callosum Anatomy 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002597 diffusion-weighted imaging Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000001905 globus pallidus Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007570 microbleeding Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的脑微出血自动检测方法及系统。本方法为：1）选取多个磁敏感加权成像作为训练样本，对每一训练样本进行标准化处理；2）对训练样本进行去非脑组织处理；3）对训练样本中的脑微出血点进行标注；4）利用标注后的训练样本训练Unet模型，然后用Unet模型提取训练样本中的脑微出血点候选区域；5）基于所提取的脑微出血候选区中的假阳性数据和GroundTruth数据训练3D CNN模型；6）对于一待检测的磁敏感加权成像，提取脑微出血点候选区域并将其输入到训练后的3D CNN模型，识别出该磁敏感加权成像中的脑微出血点。本方法鲁棒性好，能够辅助给出脑微出血的病灶识别结果。
Description
技术领域
本发明属于医学图像计算机辅助检测领域，具体为一种基于深度学习的脑微出血自动检测系统，提取相关微出血点的特征信息，并提供脑微出血点自动检测报告。
背景技术
脑微出血（Cerebral Microbleeds，CMB）是一种微小血管病变导致的含铁血黄素沉积，是脑内微小血管病变所致，以微小出血为主要特征的一种脑实质亚临床损害，常见于患者的基底节、皮质以及皮质下白质等区域。典型的脑微出血病灶面积小、圆、边界清晰，基于磁共振成像（Magnetic Resonance Imaging，MRI）的磁敏感加权成像序列(Susceptibility Weighted Imaging，SWI)显示直径一般 2~5mm (最大可达 10mm)圆形无信号或低信号病灶， CT 或 MRI 其他序列(T1WI、T2WI 和 FLAIR)一般无明显表征。脑微出血常见于脑出血患者或缺血性中风患者颅内，在老年人群中普遍存在。脑微出血的研究具有非常重要的临床意义。
但对脑微出血的判别非常困难，存在很多易于脑微出血出现混淆的结构，包括了血管，通常出现在皮层与近皮层，蛛网膜下的线性或曲线形结构，在T2影像上可见；脑梗塞区域，可通过弥散加权成像(Diffusion-Weighted Imaging，DWI）、液体衰减反转成像（Fluid Attenuated Inversion，FLAIR）、T2来判别梗塞； 苍白球或锯齿核矿化 ，呈对称分布，在 X 射线电子计算机断层扫描 (Computed Tomography，CT) 图像上可能呈现亮斑；小面积出血与新生儿颅内出血 (在T2*影像上可见 ) 非常近似。
由上述可以看出，脑微出血点的病灶面积相对较小、判别也十分复杂，而且在颅内的位置不确定，在医生经过长时间的人工判别后十分容易出错或者造成漏筛。脑微出血病灶与其他结构容易混淆，即使医生反复对照不同的不同模态影像数据及多个角度观察有时也会难以判别，而且手动判别常常需要医生具备丰富的临床经验。对于大量的微小型脑微出血灶来说，医生手动进行标记定位和计数是一件十分消耗精力和时间的枯燥任务，并带有不同医生的主观性和不确定性，这样就造成了一致性差、缺乏客观性等问题。所以脑微出血的自动检测技术以及定量分析越来越受到研究者们的重视，以期更加科学便捷的帮助医生的诊断研究工作。
目前已有的方法依赖于手工提取特征。例如，提取描述CMB的几何形状信息、形状、大小和强度、比例和局部图像结构信息等特征。一些研究人员还采取首先快速去除明显的非CMB背景区域，并根据这些手工特征检索少量有希望的脑微出血点的候选集进行进一步分类。但是，这些手工特征的设计在很大程度上取决于CMB的领域知识。此外，这些低级特征通常不足以捕获CMB的复杂特征。
综上所述，现有技术存在以下缺点。
1. 目前的脑微出血自动检测技术往往没有考虑到不同模态影像数据间的信息互补。
2. 缺乏从多个角度或以3D的方式来对检测脑微出血。
3. 目前技术常常需要人工自定义特征的方式去对影像数据的特征进行提取。
4. 目前技术的假阳性普遍较高，算法判别之后还需要人工排除大量的假阳性检测结果，其检测精度有待进一步提高。
发明内容
为了克服以上所述的现有传统脑微出血检测技术的不足，本发明提供了一种基于SWI磁共振影像的脑微出血自动检测系统。本发明相比于现有技术或人工判别CMB使用更加简单、客观，具备更佳的鲁棒性，能够更加科学的辅助给出脑微出血的病灶的识别结果，并提供丰富的信息供医生科研、临床诊断使用。
本发明所采用的技术方案是基于深度学习的SWI磁共振影像的脑微出血自动检测系统。
所述检测方法如下。
S1，对所选各磁敏感加权成像(SWI)进行标准化预处理。做预处理的原因在于影像数据可能来自不同的设备厂商，或者有着不同的采集影像的参数设置，所以本发明需要将这些影像数据都进行预处理，即标准化操作，保证数据的分布是符合标准正态分布，即均值为0，方差为1。
S2，脑组织提取模块，利用磁共振影像分析处理工具，对SWI脑影像进行去非脑组织操作。
S3，对SWI的脑微出血点进行标注，为训练深度学习模型做后续准备。标注处理也可以在步骤S1、S2之前进行，不会影响训练。使用MRIcron影像软件进行标注，标注出脑微出血点的病灶位置及面积。
S4，预筛模块，利用标注数据训练Unet模型，用于提取脑微出血点候选区域，包含假阳性脑微出血点（即不是脑微出血，结果模型预测为脑微出血）和真正的脑微出血点。即利用训练完成后（即损失函数不再下降，就停止训练）的Unet模型对步骤S2处理后的训练数据进行预测，得到大量预测正确的GroundTruth和假阳性数据。识别假阳性数据和GroundTruth数据的识别方法为：对于同一训练样本，将步骤S3中所标注已知真实脑微出血点的坐标位置与Unet模型预测得到的脑微出点的位置（即候选区域）计算欧式距离，如果欧式距离小于指定阈值，则为GroundTruth数据，否则为假阳性数据。
S5，精筛模块，基于S4阶段提取的脑微出血候选区中的假阳性数据和GroundTruth数据训练3D CNN(3D 卷积神经网络)模型，用于后续判别候选区中的脑微出血和假阳性。在脑微出血自动检测过程中，利用训练好的Unet模型提取出疑似脑微出血点，之后使用训练好的3DCNN模型去除假阳性，获得真正的脑微出血点。 本发明能够客观地给出脑微出血灶的识别结果，并同时提供丰富病灶信息供医生参考。
本发明的有益效果是：
将深度学习技术与脑科学领域的脑组织提取技术相结合，去除了与脑微出血点不相干的影像成分，能更好的保证算法的鲁棒性。
将深度学习技术应用于脑微出血点的识别，减少了人工提取特征过程和相应的传统方法的处理流程，保证了算法提取到底层、高层的多个层面的特征，有效提高了脑微出血检测的准确性和检测速度。
附图说明
图1为本发明实施例的基于SWI的脑微出血示意图。
（a）为SWI影像，（b）为CMB定位。
图2为本发明实施例的基于深度学习的脑微出血自动检测流程示意图。
图3为本发明实施例的基于Unet的脑微出血的初筛模块S4数据处理流程图。
图4为本发明实施例的基于深度学习的精筛模块S5数据处理流程图。
具体实施方式
下面结合附图和表格对本发明做详细描述。
为了解决上述存在的技术问题，本发明提供了一种基于深度学习的磁敏感加权成像(susceptibility weighted imaging，SWI)的脑微出血自动检测系统。
图1展示了本发明实施例中的基于磁敏感加权成像的脑微出血示意图，左图展示了基于SWI的脑影像数据，其中左上角的圆形低密度区域即为脑微出血点，右图使用的黑色的十字标记的交叉点定位了该层脑影像数据的微出血点位置，其中CMB定位即表示了脑微出血点的定位。图2展示了本发明实施例中基于深度学习的脑微出血自动检测流程的示意图，并配以相关模块处理之后的SWI影像数据的可视化图。
现在对其图2进行详细的描述：脑微出血的自动检测流程包含了五大部分，分别为SWI影像预处理模块、脑组织提取模块、CMB初筛模块、CMB精筛模块、统计模块。
其中SWI影像预处理模块包括了首先用于读取NIfTI格式的脑部SWI影像数据，并将图像信息数据转换成numpy数组中，之后对输入 SWI影像数据进行标准化操作，即对该图像信息数据每层进行标准化处理，标准化具体实现为计算整个SWI影像数据每层的均值和方差，然后按层对整个SWI影像数据减去该层对应均值，然后除以该层对应的方差。因为在扫描SWI 影像时，会因为扫描仪参数配置或者被试的扰动等原因造成 SWI成像的影像数据伪影等问题，这样对于算法来说就是噪音，不利于算法进行处理，所以使用预处理的方式尽可能的去除干扰。之后，会使用配准算法将所有影像数据配准到标准的脑模板空间（比如，MNI-ICBM152 template）。最后，将其处理完毕的结果传送到脑组织提取模块。
其中，脑组织提取模块使用颅骨去除算法实现颅骨的去除，即从整个头部影像中去除非脑组织部分，有许多与脑成像有关的应用要么需要或者受益于从非脑组织准确分割脑的能力。磁敏感加权成像数据通常包含很少量的非脑组织， 如果图像的这些非大脑部分可以在算法前自动删除，则算法的鲁棒性将会得到改善。使用颅骨去除算法将SWI影像数据中的颅骨等边缘组织部分进行去除，只保留对算法关注的区域，让分割算法得以更加稳定的运行，提高算法的性能。脑组织提取具体实现方式为使用FSL软件提供的bet命令进行脑组织提取过程，只需要设置图像密度阀值（默认设置为0.5），即可得到对应的去除颅骨后的SWI影像数据。
之后，是本发明实施例的CMB初筛模块，现对基于Unet的脑微出血的初筛模块S4进行详细地描述：Unet模型包括了训练阶段（Training Stage）和推断阶段（InferenceStage）。用于训练阶段的训练数据是每个被试加上医生对应的脑微出血点的标注数据，其标注数据包括了CMB的位置、形状信息，然后使用旋转、缩放等数据增强手段，得到了完整的训练数据，用于训练CMB的初筛模型，数据增强具备包括了对SWI影像数据按层进行45度、90度、180度、270度、315度的旋转操作；对数据按层进行缩放操作，即按照比例对影像数据进行放大（scale=1.2）和缩小（scale=0.8），该操作并不会改变图像中的内容，但可以增加模型的泛化性能；对数据按层进行移动操作，即向左、向右、向上、向下移动影像图像，该数据增强操作可以避免可能出现的位置偏差导致模型的错误。在推断阶段，直接将需要分割的SWI影像数据输入到图3模型中（在这过程中是不需要医生标注），然后自动生成脑微出血的初筛结果，这一步骤的目的就是尽可能找到所有的脑微出血点，不可避免的会引入一些假阳性，即疑似脑微出血但其实际不是脑微出血，而S5步骤中的精筛就是用于筛掉疑似脑微出血点的假阳性，返回真正的脑微出血点病灶。
初筛模型S4的具体的模型如图3所示，包括了15个卷积、4个转置卷积单元、3个最大池化单元、一个输入单元、一个输出单元；其中第1个卷积（32个，卷积核大小为5*5）连接到第2个卷积（32个，卷积核大小为5*5），然后连接到第1个最大池化模块（大小为2），然后第1个最大池化模块会连接到第3个卷积（64个，卷积核大小为3*3），第2个卷积会连接到第14个卷积；之后，第3个卷积的输出端会连接到第4个卷积（64个，卷积核大小为3*3），第4个卷积的输出端会连接到第2个最大池化模块（大小为2），而第2个最大池化模块的输出会连接到第5个（128个，卷积核大小为3*3），第4个卷积连接到第11个卷积；之后，第5个卷积的输出端会连接到第6个卷积（128个，卷积核大小为3*3），第6个卷积处理之后的结果会输出到第3个池化模块（大小为2），然后第3个池化模块会连接到第7个卷积（128个，卷积核大小为3*3），第6个卷积会连接到第9个卷积，之后第7个卷积的输出会连接到第8个卷积（128个，卷积核大小为3*3），然后第8个卷积会连接到第1个转置卷积（128个，卷积核大小为2*2）模块，其转置卷积模块会将输入数据的维度利用双线性插值算法扩大的尺度到2倍，之后第1个转置卷积模块，会连接到第9个卷积（128个，卷积核大小为2*2），顺次的，第9个卷积输出到第10个卷积（128个，卷积核大小为3*3），然后第10个卷积会连接到第2个转置卷积模块（64个，卷积核大小为2*2），其第2个转置卷积模块会连接到第11个卷积（64个，卷积核大小为3*3），顺次连接到第12个卷积（64个，卷积核大小为3*3），之后再输出到第3个转置卷积模块（32个，卷积核大小为2*2），第3个转置卷积模块的输出连接到第13个卷积，之后第13个卷积（32个，卷积核大小为3*3）的输出连接到第14个卷积（32个，卷积核大小为3*3），而第15个卷积（1个，卷积核大小为1*1）的输出会连接到一个1x1的卷积，实现像素级别的初筛预测。
举例来说，设置训练时批量大小为32，所以输入数据是32*192*192*1的样本影像数据，即32个尺度大小为192*192*1的影像数据，经过卷积层1，2，可得到32*192*192*32的特征图A，经过最大池化1之后，可得到32*96*96*32大小的特征图，之后经过卷积层3，4,得到32*96*96*64的特征图B，经过最大池化2之后，可以得到32*48*48*64大小的特征图，之后再经过卷积层5，6得到32*48*48*128的特征图C，经过最大池化层3，可得到32*24*24*128大小的特征图，之后经过卷积层7，8和转置卷积层1，可得到32*48*48*128大小的特征图D，将其和C进行叠加，得到32*48*48*256。经过卷积层9，10和转置卷积层2之后，得到32*96*96*64的特征图E，将特征图E和B进行叠加，得到32*96*96*128的特征图，再经过卷积层11，12和转置卷积层3，得到32*192*192*32的特征图F，将F和A进行叠加，得到32*192*192*64的特征图，再经过卷积层13，14得到32*192*192*32，经过卷积层15，得到32*192*192*1.即为输出结果，然后根据GroundTruth进行损失函数，算出误差，之后采用反向传播算法进行参数更新，之后再次读取新的批量大小为32的样本数据进行训练，依次类推。
在初筛的训练阶段，会收集到大量的基于SWI的脑影像数据，其中还包含了医生手工标注的脑微出点的坐标数据，之后会采取图像处理技术自动生成对应SWI脑影像数据的脑微出血点的标注数据，并通过形态学的技术对其进行扩张，因为脑微出血点太小，训练模型时较为困难，而扩大脑微出血点的标注面积后，能更好的训练初筛模型，具体实现方式为使用skimage库中的膨胀运算操作对标柱面积进行处理；之后，会采用本专利申请所述的预处理步骤对其进行预处理和颅骨去除操作，然后再采取翻转、仿射变换等数据增强技巧，增加训练数据的多样性，以此得到完整的训练数据集；之后将该训练数据用于训练图3所示模型，训练过程中采取了Dice系数作为衡量指标，1-Dice系数作为损失函数，使用Adam优化器进行优化，在此过程中还采取了不同的学习率优化技巧，加速训练速度；最后，保存训练后的模型权重和结构，方便后续推断阶段使用。
其中Dice系数的计算公式如下。
损失函数的计算公式如下。
其中，ytrue表示真实结果，ypred表示预测结果。Dice系数是一种集合相似度度量函数。
在推断阶段时，即快速预测未被医生手工标注的含有脑微出血的SWI影像数据，需要强调的是此过程不再需要医生提供任何的标注信息，完全基于上述训练阶段保存下来的模型直接预测脑影像的脑微出血点位置；在此过程中，使用库函数直接加载训练阶段得到的模型，然后输入已经经过预处理和颅骨去除过程后的脑影像数据，就可得到对应影像的脑微出血点的病灶区域，即完成了初筛步骤。
图4是本发明实施例中基于深度学习的精筛模块S5，主要采取了公开典型的ResNet34的网络结构，DenseNet分类网络和Inception v3模型对初筛选择出来的疑似脑微出血点进行判断，判别其是否为真正的脑微出血点，筛出初筛部分的假阳性。具体的细节如下，利用如图3所示模型对脑微出血进行初筛，利用形态学的库函数得到脑微出血点的坐标位置，并截取出每个疑似脑微出血的3D的64*64*64和48*48*48的局部图像，送入到图4中的三个分类模型中，分别得到其分类结果，其中采取了0、1分类的方式，1表示了是真正的脑微出血，而0表示其是假的脑微出血点；之后再将三个模型的48、64尺寸的分类结果取平均，并设置阀值为0.5，大于等于0.5的置为1，小于0.5的置为0；融合之后的结果即为最终的脑微出血结果，提供了脑微出血的坐标位置信息。
其中，统计模块包括了提取了关于脑微出血病灶的各个层面脑微出血病灶数量、大小、形状、面积、圆度、位置、局部灰度均值、边缘灰度均值等特征，然后会给出每一个微出血点的分区信息，即统计出脑微出点的位置位于大脑的哪个分区，其分区包括了小脑、基底节区、丘脑、内囊、胼胝体、额叶、顶叶、颞叶、枕叶等脑区，最后自动化生成脑微出血自动检测报告。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种基于深度学习的脑微出血自动检测方法，其步骤包括：
1)选取多个磁敏感加权成像作为训练样本，对每一训练样本进行标准化处理；
2)对步骤1）处理后的训练样本进行去非脑组织处理；
3)对步骤2）处理后训练样本中的脑微出血点进行标注；
4)利用标注后的训练样本训练Unet模型，然后用训练后的Unet模型提取训练样本中的脑微出血点候选区域；
5)基于步骤4）所提取的脑微出血候选区中的假阳性数据和GroundTruth数据训练3DCNN模型；
6) 对于一待检测的磁敏感加权成像，提取该磁敏感加权成像的脑微出血点候选区域并将其输入到训练后的3D CNN模型，识别出该磁敏感加权成像中的脑微出血点。
2.如权利要求1所述的方法，其特征在于，提取训练样本中关于脑微出血病灶的各个层面脑微出血病灶数量、大小、形状、面积、圆度、位置、局部灰度均值、边缘灰度均值特征，以及统计出脑微出点的位置分区信息，并基于统计信息生成脑微出血自动检测报告。
3.如权利要求1所述的方法，其特征在于，对步骤2）处理后的训练样本进行翻转、仿射变换，增加训练样本的数量和多样性，然后进行步骤4）。
4.如权利要求1所述的方法，其特征在于，所述的采用Unet模型对脑微出血进行初筛，识别出所有的疑似脑微出血点，其中训练时对脑微出血点的标注面积采取扩张技巧，采取1-Dice系数作为损失函数。
5.如权利要求1所述的方法，其特征在于，结合多种3D CNN模型对初筛选择出来的疑似脑微出血点进行假阳性去除的方式，即截取不同尺寸的局部图像，使用3D分类模型进行推断预测，之后再对所有不同尺寸不同3D分类模型分类结果取平均，融合后的结果即为最终的脑微出血检测结果，其中采用的3D CNN模型主要由ResNet34、DenseNet、Inception v3模型组成。
6.如权利要求1所述的方法，其特征在于，所述步骤2）中，使用颅骨去除算法去除磁敏感加权成像中的非脑组织处理来作为模型输入数据的预处理操作。
7.一种基于深度学习的脑微出血自动检测系统，其特征在于，包括SWI影像预处理模块、脑组织提取模块、CMB初筛模块和CMB精筛模块；其中，
SWI影像预处理模块，用于对每一训练样本或待检测的磁敏感加权成像进行标准化处理；所述训练样本为磁敏感加权成像数据；
脑组织提取模块，用于对SWI影像预处理模块处理后的训练样本或待检测的磁敏感加权成像进行去非脑组织处理；
CMB初筛模块，用于对脑组织提取模块处理后的训练样本中的脑微出血点进行标注；以及利用标注后的训练样本训练Unet模型，然后用训练后的Unet模型提取训练样本中的脑微出血点候选区域或待检测的磁敏感加权成像中的脑微出血点候选区域；
CMB精筛模块，用于对CMB初筛模块所提取的训练样本的脑微出血候选区中的假阳性数据和GroundTruth数据训练3D CNN模型；以及将待检测的磁敏感加权成像的脑微出血点候选区域输入到训练后的3D CNN模型，识别出该待检测的磁敏感加权成像中的脑微出血点。
8.如权利要求7所述的系统，其特征在于，还包括一统计模块，用于提取关于脑微出血病灶的各个层面脑微出血病灶数量、大小、形状、面积、圆度、位置、局部灰度均值、边缘灰度均值特征，以及统计出脑微出点的位置分区信息，并基于统计信息生成脑微出血自动检测报告。
9.如权利要求7所述的系统，其特征在于，所述的CMB初筛模块使用改进的Unet模型对脑微出血进行初筛，识别出所有的疑似脑微出血点，其中训练时对脑微出血点的标注面积采取扩张技巧，采取1-Dice系数作为损失函数。
10.如权利要求7所述的系统，其特征在于，结合多种3D CNN模型对初筛选择出来的疑似脑微出血点进行假阳性去除的方式，即截取不同尺寸的局部图像，使用3D分类模型进行推断预测，之后再对所有不同尺寸不同3D分类模型分类结果取平均，融合后的结果即为最终的脑微出血检测结果，其中采用的3D CNN模型主要由ResNet34、DenseNet、Inception v3模型组成。
11.如权利要求7所述的系统，其特征在于，所述脑组织提取模块是利用公开的颅骨去除算法来作为SWI影像数据的预处理操作，将SWI影像数据中的颅骨等边缘组织部分进行去除，只保留对算法关注的区域，让分割算法得以更加稳定的运行，提高算法的性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010119003.2A CN110956634A (zh) | 2020-02-26 | 2020-02-26 | 一种基于深度学习的脑微出血自动检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010119003.2A CN110956634A (zh) | 2020-02-26 | 2020-02-26 | 一种基于深度学习的脑微出血自动检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110956634A true CN110956634A (zh) | 2020-04-03 |
Family
ID=69985687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010119003.2A Pending CN110956634A (zh) | 2020-02-26 | 2020-02-26 | 一种基于深度学习的脑微出血自动检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956634A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640095A (zh) * | 2020-05-22 | 2020-09-08 | 上海联影智能医疗科技有限公司 | 脑微出血的量化方法和计算机可读存储介质 |
| CN112651959A (zh) * | 2020-12-31 | 2021-04-13 | 山东众阳健康科技集团有限公司 | 基于动态地图损失神经网络的ct颅内出血检测系统 |
| CN113379735A (zh) * | 2021-07-09 | 2021-09-10 | 中山大学 | 一种ct结肠影像内容物的标注方法及系统 |
| CN113925487A (zh) * | 2020-07-14 | 2022-01-14 | 和人人工知能科技有限公司 | 利用磁共振成像的脑微出血检测装置及方法 |
| CN114298177A (zh) * | 2021-12-16 | 2022-04-08 | 广州瑞多思医疗科技有限公司 | 一种适用于深度学习训练数据的扩充增强方法、系统及可读存储介质 |
| CN114972255A (zh) * | 2022-05-26 | 2022-08-30 | 深圳市铱硙医疗科技有限公司 | 脑微出血的图像检测方法、装置、计算机设备及存储介质 |
| CN117457142A (zh) * | 2023-11-17 | 2024-01-26 | 浙江飞图影像科技有限公司 | 用于报告生成的医学影像处理系统及方法 |
| CN118015012A (zh) * | 2024-01-15 | 2024-05-10 | 宁波大学 | 一种脑部mri图像脑微出血自动分割方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
| CN109919961A (zh) * | 2019-02-22 | 2019-06-21 | 北京深睿博联科技有限责任公司 | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 |
| CN110544264A (zh) * | 2019-08-28 | 2019-12-06 | 北京工业大学 | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 |
-
2020
- 2020-02-26 CN CN202010119003.2A patent/CN110956634A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
| CN109919961A (zh) * | 2019-02-22 | 2019-06-21 | 北京深睿博联科技有限责任公司 | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 |
| CN110544264A (zh) * | 2019-08-28 | 2019-12-06 | 北京工业大学 | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640095A (zh) * | 2020-05-22 | 2020-09-08 | 上海联影智能医疗科技有限公司 | 脑微出血的量化方法和计算机可读存储介质 |
| CN111640095B (zh) * | 2020-05-22 | 2024-03-22 | 上海联影智能医疗科技有限公司 | 脑微出血的量化方法和计算机可读存储介质 |
| CN113925487A (zh) * | 2020-07-14 | 2022-01-14 | 和人人工知能科技有限公司 | 利用磁共振成像的脑微出血检测装置及方法 |
| CN113925487B (zh) * | 2020-07-14 | 2022-10-14 | 和人人工知能科技有限公司 | 利用磁共振成像的脑微出血检测装置及方法 |
| CN112651959A (zh) * | 2020-12-31 | 2021-04-13 | 山东众阳健康科技集团有限公司 | 基于动态地图损失神经网络的ct颅内出血检测系统 |
| CN112651959B (zh) * | 2020-12-31 | 2023-08-15 | 众阳健康科技集团有限公司 | 基于动态地图损失神经网络的ct颅内出血检测系统 |
| CN113379735A (zh) * | 2021-07-09 | 2021-09-10 | 中山大学 | 一种ct结肠影像内容物的标注方法及系统 |
| CN114298177A (zh) * | 2021-12-16 | 2022-04-08 | 广州瑞多思医疗科技有限公司 | 一种适用于深度学习训练数据的扩充增强方法、系统及可读存储介质 |
| CN114972255A (zh) * | 2022-05-26 | 2022-08-30 | 深圳市铱硙医疗科技有限公司 | 脑微出血的图像检测方法、装置、计算机设备及存储介质 |
| CN117457142A (zh) * | 2023-11-17 | 2024-01-26 | 浙江飞图影像科技有限公司 | 用于报告生成的医学影像处理系统及方法 |
| CN118015012A (zh) * | 2024-01-15 | 2024-05-10 | 宁波大学 | 一种脑部mri图像脑微出血自动分割方法 |
| CN118015012B (zh) * | 2024-01-15 | 2024-10-18 | 宁波大学 | 一种脑部mri图像脑微出血自动分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110956634A (zh) | 一种基于深度学习的脑微出血自动检测方法及系统 | |
| Lladó et al. | Automated detection of multiple sclerosis lesions in serial brain MRI | |
| Lladó et al. | Segmentation of multiple sclerosis lesions in brain MRI: a review of automated approaches | |
| WO2018120942A1 (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
| CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
| EP2374092B1 (en) | A method, apparatus, and computer program product for acquiring medical image data | |
| CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
| CN110322444B (zh) | 医疗图像处理方法、装置、存储介质及计算机设备 | |
| CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
| CN110111296B (zh) | 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 | |
| Zhang et al. | Structured learning for 3-D perivascular space segmentation using vascular features | |
| CN111931811A (zh) | 一种基于超像素图像相似度的计算方法 | |
| CN103249358A (zh) | 医用图像处理装置 | |
| CN113298831B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN110189293A (zh) | 细胞图像处理方法、装置、存储介质及计算机设备 | |
| CN110619635A (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
| CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
| Cetin et al. | Multiple sclerosis lesion detection in multimodal MRI using simple clustering-based segmentation and classification | |
| CN115661152B (zh) | 基于模型预测的目标发展情况分析方法 | |
| CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
| Gupta et al. | Analysis and comparison of brain tumor detection and extraction techniques from MRI images | |
| Abd Hamid et al. | Incorporating attention mechanism in enhancing classification of alzheimer’s disease | |
| CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类系统 | |
| Kharb et al. | A review on skull stripping techniques of brain MRI images | |
| CN118015012B (zh) | 一种脑部mri图像脑微出血自动分割方法 |
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 |
Application publication date: 20200403 |
|
| RJ01 | Rejection of invention patent application after publication |