CN110992439B - 纤维束追踪方法、计算机设备和存储介质 - Google Patents
纤维束追踪方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110992439B CN110992439B CN201911213794.9A CN201911213794A CN110992439B CN 110992439 B CN110992439 B CN 110992439B CN 201911213794 A CN201911213794 A CN 201911213794A CN 110992439 B CN110992439 B CN 110992439B
- Authority
- CN
- China
- Prior art keywords
- interest
- fiber bundle
- target region
- target
- brain image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供一种纤维束追踪方法、计算机设备和存储介质,包括:获取待处理脑图像;待处理脑图像为弥散张量成像图;基于通过训练确定的神经网络模型对待处理脑图像进行位置检测获得纤维束的目标感兴趣区域的位置信息;基于通过训练确定的神经网络模型对目标感兴趣区域进行分类获得目标感兴趣区域对应的目标纤维束,以及目标感兴趣区域对应的操作类型;获取与待处理脑图像对应的纤维束成像图;根据纤维束成像图、目标感兴趣区域、目标感兴趣区域对应的目标纤维束以及目标感兴趣区域对应的操作类型,结合预设纤维束方向信息,获得待处理脑图像的纤维束追踪结果。上述方法利用神经网络模型确定纤维束的感兴趣区域,能够提高准确率。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种纤维束追踪方法、计算机设备和存储介质。
背景技术
目前,基于弥散张量成像(DTI)的三维神经束重建技术已经被广泛地应用于研究大脑白质纤维的解剖结构中。这项技术可以对大脑特定白质纤维束的轨迹进行可视化,而这将有利于医生用来评估疾病对于大脑特定白质纤维束所产生的影响。
现有的神经纤维束重建技术常会选取多个感兴趣区域(ROI),对白质纤维轨迹进行解剖学约束来提高特定白质纤维束的追踪结果。例如,对于扣带回区域内的白质纤维束追踪,通常会在胼胝体压部中心上和胼胝体膝部中心上人为的设置两个感兴趣区域,同时通过这两个感兴趣区域的白质纤维束才认为是所要追踪的目标纤维束,以提高纤维束追踪的准确性。
然而,传统的目标纤维束追踪定位方法需要人为的设定感兴趣区域,不但耗时耗力而且会受到人为主观因素的影响,不同人不同次的重建结果之间也会存在差别,可复现性差。
发明内容
基于此,有必要针对上述技术问题,提供一种纤维束追踪方法、计算机设备和存储介质。
一种纤维束追踪方法,所述方法包括:
获取待处理脑图像;所述待处理脑图像为弥散张量成像图;
基于通过训练确定的神经网络模型对所述待处理脑图像进行位置检测获得纤维束的目标感兴趣区域的位置信息;
基于所述通过训练确定的神经网络模型对所述目标感兴趣区域进行分类获得所述目标感兴趣区域对应的目标纤维束,以及所述目标感兴趣区域对应的操作类型;
获取与所述待处理脑图像对应的纤维束成像图;
根据所述纤维束成像图、目标感兴趣区域的位置信息、所述目标感兴趣区域对应的目标纤维束以及所述目标感兴趣区域对应的操作类型,结合预设纤维束方向信息,获得所述待处理脑图像的纤维束追踪结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述纤维束追踪方法、计算机设备和存储介质,通过将获取的待处理脑图像输入预先训练确定的神经网络模型,获得神经网络模型输出的待处理脑图像中的感兴趣区域的位置信息,各感兴趣区域对应的纤维束以及各感兴趣区域对应的操作类型;结合获取到的该待处理脑图像对应的纤维束成像图、神经网络模型的输出结果以及预设纤维束方向信息,可以获得待处理脑图像的纤维束追踪结果。上述方法将深度学习方法应用到纤维束追踪的任务中确定感兴趣区域,能够减少人为因素造成的误差,提高确定感兴趣区域的准确率,并且提高纤维束追踪的效率。
附图说明
图1为一个实施例中纤维束追踪方法的流程示意图;
图2为一个实施例中基于预设纤维束方向信息、目标感兴趣区域的位置信息以及纤维束成像图,获得标识了目标感兴趣区域的纤维束成像图的流程示意图;
图3为一个实施例中通过训练确定的神经网络模型的训练过程的流程示意图;
图4为一个具体实施例中的纤维束追踪方法的流程示意图;
图5为一个具体实施例中待处理脑图像的纤维束追踪结果示意图;
图6为一个具体实施例中的神经网络模型的结构示意图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,本申请提供一种纤维束追踪方法,如图1所示,该方法包括步骤S110至步骤S150。
步骤S110,获取待处理脑图像;其中,待处理脑图像的弥散张量成像图。
弥散张量成像(Diffusion Tensor Imaging,DTI),是一种描述大脑结构的方法,是核磁共振成像(Magnetic Resonance Imaging,MRI)的特殊形式。本实施例中待处理脑图像是指从弥散张量成像图中提取出的扩散敏感因子为0的弥散张量成像图。本实施例中,待处理脑图像是一种弥散张量成像图。
其中,扩散敏感因子b值(b value)是反映MRI各成像序列对扩散运动表现的敏感程度,体现成像序列检测扩散的能力。在一个具体实施例中,待处理脑图像是扩散敏感因子为0的弥散张量成像图,也称b0图像。
在一个实施例中,获取待处理脑图像包括:获取原始弥散张量成像图DTI,对弥散张量成像进行预处理获得待处理脑图像;进一步地,在一个实施例中,对弥散张量成像图进行预处理包括步骤:对弥散张量成像图进行数据格式转换,将DICOM(Digital Imaging ANDCommunications in Medicin,即医学数字成像和通信)原始数据转换为NIFTY格式的数据;然后从DTI文件中提取出b0图像。
步骤S120,基于通过训练确定的神经网络模型对待处理脑图像进行位置检测获得纤维束的目标感兴趣区域的位置信息。
感兴趣区域(region of interest,ROI),在机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域;图像处理领域中,感兴趣区域是从图像中选择的一个图像区域,这个区域是图像分析时关注的重点。
在神经纤维束重建中通常会选取多个感兴区域,对白质纤维轨迹进行解剖学约束来提高特定白质纤维束的追踪结果。例如,对于扣带回区域内的白质纤维束追踪,通常会在胼胝体压部中心上和胼胝体膝部中心上人为的设置两个感兴区域,同时通过这两个感兴区域的白质纤维束才认为是所要追踪的目标纤维束,以提高纤维束追踪的准确性。本实施例中将待处理脑图像输入预先确定的神经网络模型,可以输出待处理脑图像中的纤维束的感兴趣区域,记为纤维束的目标感兴趣区域。其中,一幅待处理脑图像中可能存在多个纤维束,因此神经网络模型对应输出的目标感兴趣区域可能存在多个;更进一步地,在一个实施例中,一个纤维束对应包括至少两个目标感兴趣区域。
在一个实施例中,通过训练确定的神经网络模型对待处理脑图像进行位置检测输出的纤维束的目标感兴趣区域的位置信息具体为:纤维束的目标感兴趣区域对应的三维位置信息;纤维束目标感兴趣区域是一个3D框,通过训练确定的神经网络模型输出的目标感兴趣区域的位置信息包括该3D框的位置信息和大小信息,也即纤维束的目标感兴趣区域对应的三维位置信息包括目标感兴趣区域的位置信息和大小信息。
步骤S130,基于通过训练确定的神经网络模型对目标感兴趣区域进行分类获得目标感兴趣区域对应的目标纤维束,以及目标感兴趣区域对应的操作类型。
其中,一幅待处理脑图像中可能存在多个纤维束,因此神经网络模型输出的目标感兴趣区域可能存在多个,因此在确定待处理脑图像中纤维束的目标感兴趣区域的位置信息之后,还需确定各目标感兴趣区域对应的是哪一纤维束;本实施例中通过神经网络模型对目标感兴趣区域进行分类,获得各目标感兴趣区域对应的目标纤维束。
此外,当通过多个感兴趣区域用于追踪特定白质纤维束时,根据纤维束的轨迹特征,常采用三种类型的操作,即“AND”,“CUT”和“NOT”。以一个纤维束对应两个感兴趣区域为例,当使用“AND”操作时,追踪结果将包括三个部分:一部分为第一个ROI之前的部分纤维束,一部分为两个ROI之间部分纤维束,还有一部分为第二ROI之后的部分纤维束,中间部分的路径受到了具有解剖先验知识的两个ROI的约束,而其他两个部分则不受约束。而当使用“CUT”操作时,仅仅保留中间部分。有时也需要使用“NOT”操作来从重建结果中移除不需要的部分纤维束。因此,在本实施例中,还通过神经网络模型确定各目标感兴趣区域对应的操作类型,具体用于在不同情况下获得纤维束的追踪结果。在一个实施例中,目标感兴趣区域对应的操作类型包括:AND操作类型、CUT操作类型或者NOT操作类型。
进一步地,在一个实施例中,基于样本图像对预设神经网络模型进行训练确定本实施例中的神经网络模型;在一个实施例中,预设神经网络模型包括预设目标检测网络模型。目标检测也叫目标提取,是一种基于目标几何和统计特征的图像分割,它将目标的分割和识别合二为一,其准确性和实时性是整个系统的一项重要能力。随着计算机技术的发展和计算机视觉原理的广泛应用,利用计算机图像处理技术对目标进行实时跟踪研究越来越热门;本实施例中采用目标检测的方式实现对待处理脑图像确定纤维束的目标感兴趣区域,以及确定各目标感兴趣区域对应的目标纤维束,和各目标感兴趣区域对应的操作类型。
在一个实施例中,预设目标检测模型包括用于确定纤维束的感兴趣区域的位置检测子网络,用于确定感兴趣区域对应的目标纤维束的第一分类子网络,以及用于确定感兴趣区域对应的操作类型的第二分类子网络。其中,目标检测网络通常只有一个分类分支,而本实施例中需要对各目标感兴趣区域输出两个分类结果,因此需对目标检测网络中新增一个分类分支才可作为本实施例中的预设目标检测模型。在一个具体实施例中,目标检测网络可以是Faster RCNN网络、SSD网络或者YOLO网络等。
进一步地,在一个实施例中,对于各纤维束的目标感兴趣区域分类确定对应的目标纤维束,以及各纤维束的目标感兴趣区域分类确定对应的操作类型,可以采用one-hot编码(独热编码)实现,不同的编码分别对应不同的目标纤维束和不同的操作类型。例如,纤维束的目标感兴趣区域对应的操作类型包括三种,可以设定通过训练确定的神经网络模型输出为100结果对应第一种操作类型,输出为010时对应第二种操作类型,输出为001时对应第三种操作类型;例如需要对5个纤维束进行定位,那么可以设定通过训练确定的神经网络模型输出为1000结果对应第一个纤维束,01000对应第二个纤维束,……。可以理解地,在其它实施例中,one-hot编码与纤维束的目标感兴趣区域对应的目标纤维束、操作类型的对应关系可以根据实际情况进行设置。其中,one-hot编码又称为一位有效编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候只有一位有效。
上述实施例中,将定位出特定白质纤维束多个感兴区域的任务解析为目标检测和分类两个任务。检测任务负责从DTI影像中识别出许多3D框,其中每一个3D框都对应于某个特定白质纤维束的一个感兴趣区域。其中,3D框的中心点坐标,3D框的大小将结合预设纤维束方向信息形成最终需要的感兴趣区域。而分类任务包含两个部分,一个分类任务负责判别每个框负责哪个白质纤维束的追踪,另一个分类任务则负责判别需要对感兴区域采取的操作类型,即“AND”,“CUT”和“NOT”。
步骤S140,获取与待处理脑图像对应的纤维束成像图。
待处理脑图像是b0图像,相当于一个结构像,对b0图像去除非脑组织得到大脑的Mask图像,具体可以使用Bet命令去除非脑组织;对DTI图像进行涡流校正、扩散张量估计。最后根据预处理后的DTI图像计算各向异性指标FA值。各向异性是指在人体组织中,水分子的扩散受到多种因素(如细胞膜和组织的生化特性)的影像,在各个方向不相等。
虽然DTI图像反映了水分子弥散的方向依赖特性,其FA值更可以显示大脑白质纤维的结构和各向异性特征,但DTI图像却不能直接提供相邻体素之间白质纤维是如何连接的信息。因而,需要对DTI图像进行基于扩散张量的全脑白质纤维成像跟踪。脑白质中水分子在髓鞘中运动的是各向异性的,其中弥散张量的最大本征向量对应纤维束传导方向,利用这一特性可以将大脑中神经纤维束轨迹描述出来,在一个具体实施例中,获得与待处理脑图像对应的纤维束成像图包括:从设定的种子位置开始追踪,直到遇到体素的FA值小于0.2为止,从而可以得到全脑的白质纤维束成像图。在其它实施例中,也可以通过其它方法获得与待处理脑图像对应的纤维束成像图。
在一个实施例中,在获取原始的DTI图像后,对其进行预处理可以获得b0图像(待处理脑图像),同时在经过预处理的DTI图像的基础上计算各项异性分数(FA值),并利用弥散张量的最大本征向量对应纤维束传导方向这一特性,可以获得与待处理脑图像对应的纤维束成像图。
步骤S150,根据纤维束成像图、目标感兴趣区域的位置信息、目标感兴趣区域对应的目标纤维束以及目标感兴趣区域对应的操作类型,结合预设纤维束方向信息,获得待处理脑图像的纤维束追踪结果。
纤维束是指在中枢神经系统内,起止、行程和功能相同的神经纤维集聚并走行在一起,称为纤维束(传导束);如脊髓丘脑束,皮质脊髓束等。另外,大脑纤维束的走行是固定的,在本实施例中将各纤维束的方向记为预设纤维束方向信息;在一个实施例中,预设纤维束方向信息可以从外部获取得到。
在步骤S120和步骤S130中,通过训练确定的神经网络模型对于输入的待处理脑图像输出其中的纤维束的目标感兴趣区域的位置信息,以及各目标感兴趣区域对应的目标纤维束和操作类型,以及在步骤S140中获取了与待处理脑图像对应的纤维束成像图,根据各目标感兴趣区域的位置信息以及各目标感兴趣区域对应的目标纤维束可以获得待处理脑图像中各纤维束的目标感兴趣区域所在的位置,结合各目标感兴趣区域对应的操作类型,以及预设纤维束方向信息即可获得待处理脑图像的纤维束追踪结果。
在一个具体实施例中,如表1所示为部分纤维束的名称,各纤维束对应的两个感兴趣区域参考位置,以及和预设纤维束方向信息。
表1
上述纤维束追踪方法,通过将获取的待处理脑图像输入预先训练确定的神经网络模型,获得神经网络模型输出的待处理脑图像中的感兴趣区域,各感兴趣区域对应的纤维束以及各感兴趣区域对应的操作类型;结合获取到的该待处理脑图像对应的纤维束成像图、神经网络模型的输出结果以及预设纤维束方向信息,可以获得待处理脑图像的纤维束追踪结果。上述方法将深度学习方法应用到纤维束追踪的任务中确定感兴趣区域,能够减少人为因素造成的误差,提高确定感兴趣区域的准确率,并且提高纤维束追踪的效率。
在一个实施例中,根据纤维束成像图、目标感兴趣区域的位置信息、目标感兴趣区域对应的目标纤维束以及目标感兴趣区域对应的操作类型,结合预设纤维束方向信息,获得待处理脑图像的纤维束追踪结果,包括:基于预设纤维束方向信息、目标感兴趣区域的位置信息以及纤维束成像图,获得标识了目标感兴趣区域的纤维束成像图;根据标识了目标感兴趣区域的纤维束成像图、目标感兴趣区域对应的目标纤维束和目标感兴趣区域对应的操作类型,获得待处理脑图像的纤维束追踪结果。
在一个实施例中,纤维束的目标感兴趣区域的位置信息包括:纤维束的目标感兴趣区域对应的三维位置信息。
进一步地,在一个实施例中,基于预设纤维束方向信息、目标感兴趣区域的位置信息以及纤维束成像图,获得标识了目标感兴趣区域的纤维束成像图,如图2所示包括步骤S210至步骤S220。
步骤S210,基于预设纤维束方向信息以及目标感兴趣区域的位置信息,获得目标感兴趣区域。
步骤S220,将目标感兴趣区域映射至所述纤维束成像图中,获得标识了目标感兴趣区域的纤维束成像图。
上述实施例中的方法,结合通过训练确定的神经网络模型输出的目标感兴趣区域的位置信息以及预设纤维束方向信息可以获得目标感兴趣区域,然后将目标感兴趣区域映射至与待处理脑图像对应的纤维束成像图中,即在纤维束成像图中将目标感兴趣区域标识出来,本实施例中记为标识了目标感兴趣区域的纤维束成像图。
进一步地,在一个实施例中,根据标识了目标感兴趣区域的纤维束成像图、目标感兴趣区域对应的目标纤维束和目标感兴趣区域对应的操作类型,获得待处理脑图像的纤维束追踪结果,包括:在标识了目标感兴趣区域的纤维束成像图,对各目标感兴趣区域执行目标感兴趣区域对应的操作类型的操作,结合所述目标感兴趣区域对应的目标纤维束,获得待处理脑图像的纤维束追踪结果。
其中,目标感兴趣区域对应的操作类型包括:AND操作类型、CUT操作类型或者NOT操作类型。其中,当目标感兴趣区域对应的操作类型为AND操作类型时,该纤维束的追踪结果将包括三个部分:第一部分为第一个ROI之前的部分纤维束,第二部分为两个ROI之间部分纤维束,第三部分为第二ROI之后的部分纤维束。中间部分的路径受到了具有解剖先验知识的两个ROI的约束,而其他两个部分则不受约束。而目标感兴趣区域对应的操作类型为CUT操作类型时,仅保留该纤维束的两个目标感兴趣区域中间的部分纤维束。目标感兴趣区域对应的操作类型为NOT操作类型时,表示需要在重建结果中移除对应的部分纤维束。在其它实施例中目标感兴趣区域对应的操作类型还可以是其它操作类型。在一个纤维束对应包括两个目标感兴趣区域的一个实施例中,两个目标感兴趣区域对应的操作类型是相同的。
在标识了目标感兴趣区域的纤维束成像图中,根据通过训练确定的神经网络模型输出的各目标感兴趣区域对应的操作类型,对各目标感兴趣区域执行目标感兴趣区域对应的操作类型的操作,最后结合各目标感兴趣区域对应的目标纤维束,即可获得待处理脑图像的纤维束追踪结果。
在一个实施例中,如图3所示,通过训练确定的神经网络模型的训练过程包括步骤S310至步骤S340。
步骤S310,获取样本脑图像。
其中,样本处理脑图像为弥散张量成像图;样本脑图像携带标注信息,标注信息包括样本脑图像中包含的各纤维束的纤维束名称、各纤维束的参考感兴趣区域的位置信息以及与各纤维束的参考感兴趣区域对应的操作类型。
弥散张量成像(Diffusion Tensor Imaging,DTI),是一种描述大脑结构的方法,是核磁共振成像(Magnetic Resonance Imaging,MRI)的特殊形式。本实施例中的样本脑图像是指从弥散张量成像图中提取出的弥散张量成像图。扩散敏感因子b值(b value)是反映MRI各成像序列对扩散运动表现的敏感程度,体现成像序列检测扩散的能力。在一个具体实施例中,样本脑图像是扩散敏感因子为0的弥散张量成像图,即样本b0图像。
在一个实施例中,获取样本脑图像包括:获取样本原始弥散张量成像图DTI,对样本原始弥散张量成像进行预处理获得样本脑图像;进一步地,在一个实施例中,对样本原始弥散张量成像图进行预处理包括步骤:对样本原始弥散张量成像图进行数据格式转换,将DICOM(Digital Imaging AND Communications in Medicin,即医学数字成像和通信)原始数据转换为NIFTY格式的数据;然后从样本原始弥散张量成像图中提取出样本b0图像。
步骤S320,将样本脑图像输入预设神经网络模型,获得样本脑图像中纤维束的样本感兴趣区域,以及样本感兴趣区域对应的样本分类结果;其中,样本分类结果包括:样本感兴趣区域对应的目标纤维束,以及样本感兴趣区域对应的操作类型。
一个实施例中,预设神经网络为目标检测网络,预设目标检测模型包括用于确定纤维束的感兴趣区域的位置检测子网络,用于确定感兴趣区域对应的目标纤维束的第一分类子网络,以及用于确定感兴趣区域对应的操作类型的第二分类子网络。其中,目标检测网络通常只有一个分类分支,而本实施例中需要对各目标感兴趣区域输出两个分类结果,因此需对目标检测网络中新增一个分类分支才可作为本实施例中的预设目标检测模型。在一个具体实施例中,目标检测网络可以是Faster RCNN网络、SSD网络或者YOLO网络等。
进一步地,在一个实施例中,可以在样本脑图像中随机截取预设大小的块输入预设神经网络;在一个具体实施例中,从样本脑图像中随机截取1283的块输入预设神经网络模型。上述实施例中的方法,在神经网络模型的训练过程中,通过截取样本图像中的预设大小的块作为模型的输入,可以降低由于GPU(Graphics Processing Unit,图形处理器)显存的大小的限制给模型训练的影响。
步骤S330,基于样本感兴趣区域、样本分类结果以及样本脑图像携带的标注信息,计算预设神经网络模型的网络损失。
一个实施例中,基于样本感兴趣区域、样本分类结果以及样本脑图像携带的标注信息,计算预设神经网络模型的网络损失包括:将样本感兴趣区域、样本分类结果与样本脑图像携带的标注信息进行比较,获得预设神经网络模型的网络损失;进一步地,计算预设神经网络的网络损失可以采用任意一种方式实现。其中,预设神经网络的网络损失包括:第一分类子网络的网络损失、第二分类子网络的网络损失以及位置检测子网络的网络损失。
步骤S340,基于网络损失对预设神经网络模型的参数进行迭代优化,获得通过训练确定的神经网络模型。
一个实施例中,在检测到满足迭代停止条件时,停止迭代;进一步地,可以在网络损失低于损失阈值或者迭代次数达到次数阈值时,停止迭代,获得通过训练确定的神经网络模型。
上述实施例中的方法,基于携带标注信息的样本脑图像对预设神经网络模型进行训练,并计算预设神经网络模型的网络损失,基于网络损失对预设神经网络模型的参数进行迭代优化,获得的训练确定的神经网络模型可以实现对待处理脑图像确定纤维束的目标感兴趣区域,提高确定目标感兴趣区域的准确性和处理效率。
如图4所示为一个具体实施例中的纤维束追踪方法的流程示意图。
获取原始DTI,对原始DTI进行预处理操作,具体包括:对原始DTI进行数据格式转换,将DICOM原始数据转换为NIFTY格式的数据;然后从DTI文件中提取出b0图像(即上述待处理脑图像),这相当于一个结构像,并使用Bet命令去除b0图像中的非脑组织,得到大脑的Mask图像;接下来对DTI影像进行涡流校正、扩散张量估计。最后,根据预处理后的DTI图像计算各向异性指标FA值。从设定的种子位置开始追踪,直到遇到体素的FA值小于0.2为止,得到全脑的纤维束成像图。
将b0图像输入到训练确定的神经网络中,得到输出结果(包括目标感兴趣区域的位置信息,目标感兴趣区域对应的目标纤维束以及目标感兴趣区域对应的操作类型),并结合预设纤维束方向信息得到最终的感兴趣区域,并在白质纤维束图像上追踪到对应的纤维束。如图5所示为一个具体实施例中待处理脑图像的纤维束追踪结果示意图。
其中,神经网络的训练包括步骤:从携带标记信息的样本b0图像中随机截取1283大小的块作为神经网络的输入。网络的输出包含识别出的3D框位置大小及分类结果,将神经网络的输出结果并与标记信息比较,并计算网络损失来迭代优化预设神经网络的参数。在一个具体实施例中,神经网络模型的结构如图6所示。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,本申请还提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种终端控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种终端,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述任意一个实施例中的纤维束追踪方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任意一个实施例中的纤维束追踪方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种纤维束追踪方法,其特征在于,所述方法包括:
获取待处理脑图像;所述待处理脑图像为弥散张量成像图;
基于通过训练确定的神经网络模型对所述待处理脑图像进行位置检测获得纤维束的目标感兴趣区域的位置信息;
基于所述通过训练确定的神经网络模型对所述目标感兴趣区域进行分类获得所述目标感兴趣区域对应的目标纤维束,以及所述目标感兴趣区域对应的操作类型;所述操作类型包括合并操作类型、剪切操作类型或者移除操作类型;
获取与所述待处理脑图像对应的纤维束成像图;
基于所述预设纤维束方向信息以及所述目标感兴趣区域的位置信息,获得所述目标感兴趣区域;
将所述目标感兴趣区域映射至所述纤维束成像图中,获得所述标识了目标感兴趣区域的纤维束成像图;
在所述标识了目标感兴趣区域的纤维束成像图,对各所述目标感兴趣区域执行所述目标感兴趣区域对应的操作类型的操作,结合所述目标感兴趣区域对应的目标纤维束,获得所述待处理脑图像的纤维束追踪结果。
2.根据权利要求1所述的方法,其特征在于,所述纤维束的目标感兴趣区域的位置信息包括:所述纤维束的目标感兴趣区域对应的三维位置信息。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:每一所述纤维束中包括至少两个目标感兴趣区域。
4.根据权利要求1所述的方法,其特征在于,所述获取待处理脑图像包括:
获取原始弥散张量成像图;
对所述原始弥散张量成像图进行预处理,得到所述待处理脑图像。
5.根据权利要求4所述的方法,其特征在于,所述预处理包括数据格式转换。
6.根据权利要求1所述的方法,其特征在于,所述待处理脑图像是扩散敏感因子为0的弥散张量成像图。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述通过训练确定的神经网络模型的训练过程包括:
获取样本脑图像;所述样本处理脑图像为弥散张量成像图,所述样本脑图像携带标注信息,所述标注信息包括所述样本脑图像中包含的各纤维束的纤维束名称、各纤维束的参考感兴趣区域的位置信息以及与各纤维束的参考感兴趣区域对应的操作类型;
将所述样本脑图像输入预设神经网络模型,获得所述样本脑图像中纤维束的样本感兴趣区域的位置信息,以及所述样本感兴趣区域对应的样本分类结果;所述样本分类结果包括:所述样本感兴趣区域对应的目标纤维束,以及所述样本感兴趣区域对应的操作类型;
基于所述样本感兴趣区域的位置信息、样本分类结果以及所述样本脑图像携带的标注信息,计算所述预设神经网络模型的网络损失;
基于所述网络损失对所述预设神经网络模型的参数进行迭代优化,获得所述通过训练确定的神经网络模型。
8.根据权利要求7所述的方法,其特征在于,所述预设神经网络模型包括预设目标检测网络模型;
所述预设目标检测模型包括用于确定纤维束的感兴趣区域的位置检测子网络,用于确定所述感兴趣区域对应的目标纤维束的第一分类子网络,以及用于确定所述感兴趣区域对应的操作类型的第二分类子网络。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911213794.9A CN110992439B (zh) | 2019-12-02 | 2019-12-02 | 纤维束追踪方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911213794.9A CN110992439B (zh) | 2019-12-02 | 2019-12-02 | 纤维束追踪方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992439A CN110992439A (zh) | 2020-04-10 |
CN110992439B true CN110992439B (zh) | 2023-09-26 |
Family
ID=70089150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911213794.9A Active CN110992439B (zh) | 2019-12-02 | 2019-12-02 | 纤维束追踪方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992439B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183526B (zh) * | 2020-09-18 | 2024-04-09 | 深圳市南科信息科技有限公司 | 可见光定位方法、装置、设备及介质 |
CN113313817B (zh) * | 2021-05-31 | 2022-10-11 | 齐鲁工业大学 | 一种基于mct切片图像的皮革纤维束的三维重构方法及应用 |
CN115359305B (zh) * | 2022-10-19 | 2023-01-10 | 之江实验室 | 一种大脑纤维束异常区域精准定位系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101496723A (zh) * | 2008-01-30 | 2009-08-05 | 深圳安科高技术股份有限公司 | 一种获取神经导航系统影像学资料的方法 |
CN103049901A (zh) * | 2012-08-03 | 2013-04-17 | 上海理工大学 | 磁共振弥散张量成像纤维束追踪装置 |
EP3407295A1 (en) * | 2017-05-22 | 2018-11-28 | Koninklijke Philips N.V. | Fibre-tracking from a diffusion-weighted magnetic resonance image |
CN109978872A (zh) * | 2019-03-30 | 2019-07-05 | 西安电子科技大学 | 基于白质纤维束的白质微结构特征筛选系统及方法 |
CN109978871A (zh) * | 2019-03-30 | 2019-07-05 | 西安电子科技大学 | 融合概率型和确定型纤维束追踪的纤维束筛选方法 |
CN110070083A (zh) * | 2019-04-24 | 2019-07-30 | 深圳市微埃智能科技有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN110415228A (zh) * | 2019-07-24 | 2019-11-05 | 上海联影医疗科技有限公司 | 神经纤维追踪方法、磁共振系统及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8170305B2 (en) * | 2006-10-19 | 2012-05-01 | Brown University | Quantitative tract-of-interest metrics for white matter integrity based on diffusion tensor MRI data |
US10013770B2 (en) * | 2015-02-19 | 2018-07-03 | Brainlab Ag | Dynamic definition of a region of interest for tracking nerve fibers |
-
2019
- 2019-12-02 CN CN201911213794.9A patent/CN110992439B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101496723A (zh) * | 2008-01-30 | 2009-08-05 | 深圳安科高技术股份有限公司 | 一种获取神经导航系统影像学资料的方法 |
CN103049901A (zh) * | 2012-08-03 | 2013-04-17 | 上海理工大学 | 磁共振弥散张量成像纤维束追踪装置 |
EP3407295A1 (en) * | 2017-05-22 | 2018-11-28 | Koninklijke Philips N.V. | Fibre-tracking from a diffusion-weighted magnetic resonance image |
CN109978872A (zh) * | 2019-03-30 | 2019-07-05 | 西安电子科技大学 | 基于白质纤维束的白质微结构特征筛选系统及方法 |
CN109978871A (zh) * | 2019-03-30 | 2019-07-05 | 西安电子科技大学 | 融合概率型和确定型纤维束追踪的纤维束筛选方法 |
CN110070083A (zh) * | 2019-04-24 | 2019-07-30 | 深圳市微埃智能科技有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN110415228A (zh) * | 2019-07-24 | 2019-11-05 | 上海联影医疗科技有限公司 | 神经纤维追踪方法、磁共振系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
冯婷 ; 赵书俊 ; 聂彬彬 ; 单保慈 ; .扩散磁共振成像纤维束追踪算法的研究进展.中国医学影像学杂志.2019,(05),全文. * |
吴占雄 ; 朱善安 ; BIN He ; .基于移动最小二乘法的白质纤维束走向跟踪.浙江大学学报(工学版).2011,(03),全文. * |
王亚平 ; 史勇红 ; 刘桂雪 ; 李文生 ; .基于DTI技术的健康成人胼胝体、扣带回、中脑白质纤维束密度随年龄变化关系的研究.神经解剖学杂志.2016,(04),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110992439A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689038B (zh) | 神经网络模型的训练方法、装置和医学图像处理系统 | |
US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
CN112017189B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
US10769791B2 (en) | Systems and methods for cross-modality image segmentation | |
CN110992439B (zh) | 纤维束追踪方法、计算机设备和存储介质 | |
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
CN108961274B (zh) | 一种mri图像中自动头颈肿瘤分割方法 | |
US8076937B2 (en) | Fibre tracking on the basis of macroscopic information | |
CN111080573B (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN108986115B (zh) | 医学图像分割方法、装置及智能终端 | |
WO2011039515A1 (en) | Method and apparatus for processing medical images | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN116188479B (zh) | 基于深度学习的髋关节图像分割方法及系统 | |
CN109523546A (zh) | 一种肺结节分析的方法及装置 | |
CN111210444A (zh) | 多模态磁共振影像的分割方法、装置及介质 | |
CN114549462A (zh) | 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质 | |
Lenga et al. | Deep learning based rib centerline extraction and labeling | |
CN116309459A (zh) | 基于改进网络的肺结节检测方法、装置、设备和存储介质 | |
Zhou | Modality-level cross-connection and attentional feature fusion based deep neural network for multi-modal brain tumor segmentation | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
Mahapatra | Registration of histopathogy images using structural information from fine grained feature maps | |
CN114066905A (zh) | 一种基于深度学习的医学图像分割方法、系统、装置 | |
Jin et al. | Ribseg v2: A large-scale benchmark for rib labeling and anatomical centerline extraction | |
CN113160199A (zh) | 影像识别方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |