CN111080572B - 白质高信号定位方法、装置、设备和存储介质 - Google Patents
白质高信号定位方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111080572B CN111080572B CN201911126341.2A CN201911126341A CN111080572B CN 111080572 B CN111080572 B CN 111080572B CN 201911126341 A CN201911126341 A CN 201911126341A CN 111080572 B CN111080572 B CN 111080572B
- Authority
- CN
- China
- Prior art keywords
- white matter
- high signal
- matter high
- magnetic resonance
- image data
- 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
- 210000004885 white matter Anatomy 0.000 title claims abstract description 243
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000011218 segmentation Effects 0.000 claims abstract description 117
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 230000004807 localization Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 210000004556 brain Anatomy 0.000 description 30
- 230000003902 lesion Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000010008 shearing Methods 0.000 description 6
- 210000003625 skull Anatomy 0.000 description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 5
- 238000003759 clinical diagnosis Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 208000029812 Cerebral Small Vessel disease Diseases 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004886 head movement Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 206010072731 White matter lesion Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- HGBLNBBNRORJKI-WCABBAIRSA-N cyclacillin Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)C1(N)CCCCC1 HGBLNBBNRORJKI-WCABBAIRSA-N 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000000799 fusogenic effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种白质高信号定位方法，包括：获取磁共振图像数据，对所述磁共振图像数据进行预处理；将经过预处理后的磁共振图像数据输入到预先训练好的白质高信号分割模型，以输出所述磁共振图像数据中的白质高信号分割结果；将所述白质高信号分割结果和经过预处理后的所述磁共振图像数据输入到预设的白质高信号定位模型中，以对白质高信号进行定位。本发明还公开了一种白质高信号定位装置、一种白质高信号定位设备和一种计算机可读存储介质。采用本发明实施例，能够快速且自动的得到白质高信号的定位分析结果，无需人工干预，有效克服现有白质高信号定位技术低效率、低精度的问题。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种白质高信号定位方法、装置、设备和存储介质。
背景技术
白质高信号(WMH, White Matter Hyperintensities)，也称之为白质疏松，常见于老年患者。在磁共振数据中，白质高信号在T2加权像或者T2FLAIR上常表现为双侧脑室周或皮质下白质多发的分布不均的点状、斑片状或融合性高信号。白质高信号在以往的研究中证明与脑卒中、认知功能下降、痴呆和死亡风险增加有关。在临床实践中，由于难以观察到脑部中微小的血管，所以白质高信号被广泛用作识别脑小血管疾病（cSVD）的标志。同时许多疾病，如多发性硬化症，双相情感障碍和自身免疫性疾病也与白质高信号密切相关。因此，白质高信号的量化在病理诊断中至关重要。
目前，有相关研究所已经提出了SVD分类的神经影像共识标准。然而，白质高信号在脑部中的分布较为随机，常呈现出不规则的多边形形状，所以手动勾画过程耗时且效率低下，即使是经验丰富的放射科医师和神经科学家很难做出快速可靠的诊断，难以准确定位白质高信号。同时白质高信号是一项耗时且依赖于医学专家的任务，难以实现高精度定位。
发明内容
本发明实施例的目的是提供一种白质高信号定位方法、装置、设备和存储介质，能够快速且自动的得到白质高信号的定位分析结果，无需人工干预，有效克服现有白质高信号定位技术低效率、低精度的问题。
为实现上述目的，本发明实施例提供了一种白质高信号定位方法，包括：
获取磁共振图像数据，对所述磁共振图像数据进行预处理；
将经过预处理后的磁共振图像数据输入到预先训练好的白质高信号分割模型，以输出所述磁共振图像数据中的白质高信号分割结果；
将所述白质高信号分割结果和经过预处理后的所述磁共振图像数据输入到预设的白质高信号定位模型中，以对白质高信号进行定位。
与现有技术相比，本发明公开的白质高信号定位方法，首先，对所述磁共振图像数据进行预处理，经过预处理操作后能减少数据中的噪声，提升最终白质高信号分割的精度；然后，将磁共振图像数据输入到白质高信号分割模型，输出白质高信号分割结果，实现白质高信号的快速自动分割；最后，将白质高信号分割结果和经过预处理后的磁共振图像数据输入到白质高信号定位模型中，对白质高信号进行定位。能够快速得到白质高信号的分割结果并得到白质高信号的定位分析结果，有效克服现有分割定位技术的低效率、低精度等问题，白质高信号的定位分析结果能快速的提供临床诊断过程中所需要的信息，有效的提高工作效率。
作为上述方案的改进，所述对所述磁共振图像数据进行预处理，具体包括：
对所述磁共振图像数据进行头动校正处理；
对所述磁共振图像数据进行偏置场校正处理；
对所述磁共振图像数据进行归一化处理。
作为上述方案的改进，所述白质高信号定位模型为RegLSM模型；则，所述对白质高信号进行定位，具体包括：
将所述磁共振图像配准到标准空间；
记录在配准过程中的变换矩阵；
利用所述变换矩阵将所述白质高信号分割结果配准到所述标准空间；
在所述标准空间中利用预设的模板信息统计白质高信号基本信息；其中，所述基本信息包括所述白质高信号的体积和位置信息。
作为上述方案的改进，所述对白质高信号进行定位后，还包括：
将定位得到的白质高信号按照体积大小进行排序，并输出检测报告；其中，所述白质高信号的体积由病灶总体素数乘以图像分辨率计算得出。
作为上述方案的改进，所述白质高信号分割模型的训练过程包括训练阶段和预测阶段；其中，
在训练阶段，将带有白质高信号标记的磁共振图像数据作为训练集，以对所述白质高信号分割模型进行训练；
在测试阶段，将待进行白质高信号分割的磁共振图像数据输入训练完成的所述白质高信号分割模型中，以预测所述磁共振图像数据的白质高信号。
为实现上述目的，本发明实施例还提供了一种白质高信号定位装置，包括：
预处理单元，用于获取磁共振图像数据，对所述磁共振图像数据进行预处理；
白质高信号分割单元，用于将经过预处理后的磁共振图像数据输入到预先训练好的白质高信号分割模型，以输出所述磁共振图像数据中的白质高信号分割结果；
白质高信号定位单元，用于将所述白质高信号分割结果和经过预处理后的所述磁共振图像数据输入到预设的白质高信号定位模型中，以对白质高信号进行定位。
与现有技术相比，本发明公开的白质高信号定位方法，首先，预处理单元对所述磁共振图像数据进行预处理，经过预处理操作后能减少数据中的噪声，提升最终白质高信号分割的精度；然后，白质高信号分割单元将磁共振图像数据输入到白质高信号分割模型，输出白质高信号分割结果，实现白质高信号的快速自动分割；最后，白质高信号定位单元将白质高信号分割结果和经过预处理后的磁共振图像数据输入到白质高信号定位模型中，对白质高信号进行定位。能够快速得到白质高信号的分割结果并得到白质高信号的定位分析结果，有效克服现有分割定位技术的低效率、低精度等问题，白质高信号的定位分析结果能快速的提供临床诊断过程中所需要的信息，有效的提高工作效率。
作为上述方案的改进，所述预处理单元具体用于：
对所述磁共振图像数据进行头动校正处理；
对所述磁共振图像数据进行偏置场校正处理；
对所述磁共振图像数据进行归一化处理。
作为上述方案的改进，所述白质高信号定位装置还包括：
检测报告输出单元，用于将定位得到的白质高信号按照体积大小进行排序，并输出检测报告；其中，所述白质高信号的体积由病灶总体素数乘以图像分辨率计算得出。
为实现上述目的，本发明实施例还提供一种白质高信号定位设备，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如上述实施例中所述的白质高信号定位方法。
为实现上述目的，本发明实施例还提供一种计算机可读存储介质，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如上述实施例中所述的白质高信号定位方法。
附图说明
图1是本发明实施例提供的一种白质高信号定位方法的流程图；
图2是本发明实施例提供的deep-medic分割模型的网络结构示意图；
图3是本发明实施例提供的检测报告模板示意图；
图4是本发明实施例提供的一种白质高信号定位装置的结构示意图；
图5是本发明实施例提供的一种白质高信号定位设备的结构示意图。
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是本发明实施例提供的一种白质高信号定位方法的流程图；所述白质高信号定位方法包括：
S1、获取磁共振图像数据，对所述磁共振图像数据进行预处理；
S2、将经过预处理后的磁共振图像数据输入到预先训练好的白质高信号分割模型，以输出所述磁共振图像数据中的白质高信号分割结果；
S3、将所述白质高信号分割结果和经过预处理后的所述磁共振图像数据输入到预设的白质高信号定位模型中，以对白质高信号进行定位。
具体的，在步骤S1中，获取被试者的磁共振图像数据和相关信息，相关信息指的是磁共振数据的序列描述信息、磁共振图像的体素体积和仿射矩阵等。对被试者的磁共振图像数据进行预处理，由于在磁共振图像获取的过程中，磁共振设备会产生噪声，同时被试者头部可能发生运动。因此需要对磁共振图像数据进行预处理，减少磁共振图像数据中的噪声。
优选的，所述对所述磁共振图像数据进行预处理，具体包括：
S11、对所述磁共振图像数据进行头动校正处理；
S12、对所述磁共振图像数据进行偏置场校正处理；
S13、对所述磁共振图像数据进行归一化处理。
示例性的，头动校正采用SPM软件中的reling模块进行预处理；偏置场校正采用N4bias field correction算法进行预处理。之后对磁共振数据进行归一化处理，归一化处理将数据缩放到相同的数量级，加快分割模型的训练速度，提高模型分割的准确度。在归一化处理中使用了python库nibabel和numpy。首先使用nibabel库读取Nifty格式的磁共振图像数据，nibabel将医学影像数据读取为numpy数组格式，对numpy数组进行为归一化操作后再利用nibabel存为Nifty格式的磁共振图像数据。
进一步的，对预处理后的磁共振图像数据进行增强处理，主要对数据进行旋转、平移、剪切和缩放操作。数据的增强处理能够有效提高分割模型精度，同时提高分割模型的泛化能力。
更进一步的，在对所述磁共振图像数据进行预处理过程中，还可以通过去颅骨算法对磁共振图像数据进行颅骨的去除，能够简化预处理流程，同时保证分割精度。
具体的，在步骤S2中，所述白质高信号分割模型采用改良的deep-medic模型。deep-medic分割模块通过两个子模块得到，分别为训练子模块和测试子模块。图2显示了deep-medic分割模型的网络结构，deep-medic模型采用3D卷积神经网络，能更好的利用磁共振图像中的空间信息。同时deep-medic模型采用双通道，可以有效的整合不同尺寸下的图像数据。此外，对deep-medic模型进行改良，采用soft-dice损失函数，可以有效的提高分割精度。
示例性的，所述白质高信号分割模型的训练过程包括训练阶段和预测阶段；其中，
在训练阶段，将带有白质高信号标记的磁共振图像数据作为训练集，以对所述白质高信号分割模型进行训练。使用python库nibabel读取经过预处理的磁共振图像数据，首先使用训练数据集对白质高信号分割模型进行训练并调参，最后选取出在测试数据集上分割性能表现最优秀的模型作为最终的分割模型，最优秀模型指在测试集上dice系数最高的模型，Dice系数（Dice Similarity Coefficient，DSC）通常用于量化图像分割方法的性能，其形式为：
在测试阶段，将待进行白质高信号分割的磁共振图像数据输入训练完成的所述白质高信号分割模型中，以预测所述磁共振图像数据的白质高信号。使用nibabel库读取需要进行白质高信号分割的磁共振图像数据，输入到在训练子模块中选出的分割模型进行白质高信号的分割，输出白质高信号的分割结果。最后使用nibabel库将核磁共振图像分割成包含白质高信号特征的图像保存为Nifty格式，在该图像中白质高信号标记为1，其他区域标记为0。
具体的，在步骤S3中，所述白质高信号定位模型为RegLSM模型，则，所述对白质高信号进行定位，具体包括：
S31、将所述磁共振图像数据配准到标准空间；
S32、记录在配准过程中的变换矩阵；
S33、利用所述变换矩阵将所述白质高信号分割结果配准到所述标准空间；
S34、在所述标准空间中利用预设的模板信息统计白质高信号基本信息；其中，所述基本信息包括所述白质高信号的体积和位置信息。进一步的，所述基本信息还包含脑部中不同脑区白质高信号的含量、占比以及白质高信号团块的体积和分布。
将deep-medic分割模型输出的白质高信号分割结果和磁共振图像数据同时输入RegLSM。RegLSM是一个用于病变症状映射的图像配准工具，它支持将CT和MRI（DWI，FLAIR或T2加权）脑影像配准到标准空间。在图像没有做任何变换的原始空间中，图像的维度、原点、体素大小等等等都是不同的，不同被试的图像之间不具有可比性，计算出来的任何特征都不能进行统计分析或是用于机器学习。所以必须对所有被试的图像进行配准标准化到同一个模板上，使得所有被试图像的维度、原点、体素大小均一致。程序接口输入病变掩模及其源图像，输出已配准的源图像和病变掩模。转换后的病变掩模可用于LSM分析，例如采用MRicron软件包中的NPM软件的单变量LSM，或最近的多变量LSM，如SVR-LSM。用户可以检查最后步骤或中间步骤的注册结果。这个工具的主要功能基于Elastix和SPM12。
在运行时，RegLSM首先将磁共振图像数据配准到标准空间，同时记录下配准过程中的变换矩阵，通过图像之间的缩放、旋转和剪切进行仿射配准，用共信息等评价参数来控制收敛过程，利用变换矩阵将分割出的白质高信号配准到标准空间，在标准空间中利用模板信息统计白质高信号的大小和位置分布的信息，以及各个脑区中白质高信号的分布。
优选的，所述标准空间为MNI152标准模板。示例性的，MNI系列模板是加拿大蒙特利尔神经研究所（Montreal Neurological Institute，MNI）于90年代表所建立的。他们通过扫描241个正常志愿者的大脑结构，按照Talairach大脑图谱的方式，使用标志性的大脑结构对每个受试者的大脑进行标定，得到每个大脑的AC-PC线和大脑的外部轮廓，从而每个大脑均与Talairach图谱有相对应的位置。然后对这241个大脑进行平均，得到一个平均脑。随后，他们又扫描了305个正常人的大脑，使用9个参数将这些大脑进行线性转换，使它们与241个大脑的平均脑进行对应。这305个对应好之后的大脑进行平均，得到平均之后的大脑3D图像。这个图像被命名为MNI305，成为了MNI系列模板中的第一个。目前使用更为广泛的是MNI152(ICBM152)模板，这个标准大脑模型来自152名年轻成人的高空间分辨率扫描结果。研究者将这些大脑通过仿射转换之后与MNI305进行对应，再将这些152个大脑进行平均，得到了更为清晰的标准模板。它也被脑成像国际联盟（International Consortium forBrain Mapping，ICBM）采用作为标准模板。
进一步的，对白质高信号进行定位后，还包括：
S4、将定位得到的白质高信号按照体积大小进行排序，并输出检测报告；其中，所述白质高信号的体积由病灶总体素数乘以图像分辨率计算得出。
将输出结果按照白质高信号病变体积大小排序，并给出病灶所在的脑区位置，白质高信号的体积大小由病灶总体素数乘以图像分辨率计算得出，病灶的数量由不同病灶间的体素连续性决定，白质高信号是否属于同一病灶以体素的面连接定义，一个检测报告的样例如图3所示，采用步骤S1~S3的方法，能够得出包括颅内具体各个位置处的白质高信号。
本发明实施例公开的白质高信号定位方法，具有以下有益效果：
（1）在分割过程中采用经过改良的deep-medic分割模型，实现白质高信号的快速自动分割，deep-medic分割模型为三维神经网络模型，能有效的利用数据中的空间信息，保证最终的分割精度；
（2）对磁共振图像数据进行预处理操作，减少数据中的噪声，提升最终白质高信号分割的精度，同时根据需求选择是否采用去颅骨操作，简化预处理流程，同时保证分割精度。
（3）对预处理后的磁共振数据进行增强处理，主要对数据进行旋转、平移、剪切和缩放操作。数据的增强处理能够有效提高分割模型精度，同时提高分割模型的泛化能力。
（4）不仅可以得到被试者白质高信号的自动分割结果，还可以对白质高信号进行定位，得到白质高信号在脑区中的空间分布信息。
（5）能够快速得到白质高信号的分割结果并得到白质高信号的定位分析结果，有效克服现有分割定位技术的低效率、低精度等问题。白质高信号的定位分析结果能快速的提供临床诊断过程中所需要的信息，有效的提高工作效率。
参见图4，图4是本发明实施例提供的一种白质高信号定位装置10的结构示意图；所述白质高信号定位装置10包括：
预处理单元11，用于获取磁共振图像数据，对所述磁共振图像数据进行预处理；
白质高信号分割单元12，用于将经过预处理后的磁共振图像数据输入到预先训练好的白质高信号分割模型，以输出所述磁共振图像数据中的白质高信号分割结果；
白质高信号定位单元13，用于将所述白质高信号分割结果和经过预处理后的所述磁共振图像数据输入到预设的白质高信号定位模型中，以对白质高信号进行定位；
检测报告输出单元14，用于将定位得到的白质高信号按照体积大小进行排序，并输出检测报告；其中，所述白质高信号的体积由病灶总体素数乘以图像分辨率计算得出。
具体的，获取被试者的磁共振图像数据和相关信息，相关信息指的是磁共振数据的序列描述信息、磁共振图像的体素体积和仿射矩阵等。对被试者的磁共振图像数据进行预处理，由于在磁共振图像获取的过程中，磁共振设备会产生噪声，同时被试者头部可能发生运动。因此所述预处理单元11需要对磁共振图像数据进行预处理，减少磁共振图像数据中的噪声。
优选的，所述预处理单元11，具体用于：对所述磁共振图像数据进行头动校正处理；对所述磁共振图像数据进行偏置场校正处理；对所述磁共振图像数据进行归一化处理。
示例性的，头动校正采用SPM软件中的reling模块进行预处理；偏置场校正采用N4bias field correction算法进行预处理。之后对磁共振数据进行归一化处理，归一化处理将数据缩放到相同的数量级，加快分割模型的训练速度，提高模型分割的准确度。在归一化处理中使用了python库nibabel和numpy。首先使用nibabel库读取Nifty格式的磁共振图像数据，nibabel将医学影像数据读取为numpy数组格式，对numpy数组进行为归一化操作后再利用nibabel存为Nifty格式的磁共振图像数据。
进一步的，对预处理后的磁共振图像数据进行增强处理，主要对数据进行旋转、平移、剪切和缩放操作。数据的增强处理能够有效提高分割模型精度，同时提高分割模型的泛化能力。
更进一步的，在对所述磁共振图像数据进行预处理过程中，还可以通过去颅骨算法对磁共振图像数据进行颅骨的去除，能够简化预处理流程，同时保证分割精度。
具体的，所述白质高信号分割模型采用改良的deep-medic模型。deep-medic分割模块通过两个子模块得到，分别为训练子模块和测试子模块。
示例性的，所述白质高信号分割模型的训练过程包括训练阶段和预测阶段；其中，
在训练阶段，将带有白质高信号标记的磁共振图像数据作为训练集，以对所述白质高信号分割模型进行训练。使用python库nibabel读取经过预处理的磁共振图像数据，首先使用训练数据集对白质高信号分割模型进行训练并调参，最后选取出在测试数据集上分割性能表现最优秀的模型作为最终的分割模型，最优秀模型指在测试集上dice系数最高的模型，Dice系数（Dice Similarity Coefficient，DSC）通常用于量化图像分割方法的性能，其形式为：
在测试阶段，将待进行白质高信号分割的磁共振图像数据输入训练完成的所述白质高信号分割模型中，以预测所述磁共振图像数据的白质高信号。使用nibabel库读取需要进行白质高信号分割的磁共振图像数据，输入到在训练子模块中选出的分割模型进行白质高信号的分割，输出白质高信号的分割结果。最后使用nibabel库将核磁共振图像分割成包含白质高信号特征的图像保存为Nifty格式，在该图像中白质高信号标记为1，其他区域标记为0。
具体的，所述白质高信号定位模型为RegLSM模型，则，所述对白质高信号进行定位，具体包括：将所述磁共振图像配准到标准空间；记录在配准过程中的变换矩阵；利用所述变换矩阵将所述白质高信号分割结果配准到所述标准空间；在所述标准空间中利用预设的模板信息统计白质高信号基本信息；其中，所述基本信息包括所述白质高信号的体积和位置信息。
在运行时，RegLSM首先将磁共振图像配准到标准空间，同时记录下配准过程中的变换矩阵，通过图像之间的缩放、旋转和剪切进行仿射配准，用共信息等评价参数来控制收敛过程，利用变换矩阵将分割出的白质高信号配准到标准空间，在标准空间中利用模板信息统计白质高信号的大小和位置分布的信息，以及各个脑区中白质高信号的分布。优选的，所述标准空间为MNI152标准模板。
具体的，所述检测报告输出单元14将输出结果按照白质高信号病变体积大小排序，并给出病灶所在的脑区位置，白质高信号的体积大小由病灶总体素数乘以图像分辨率计算得出，病灶的数量由不同病灶间的体素连续性决定，白质高信号是否属于同一病灶以体素的面连接定义。
具体的所述白质高信号定位装置10的工作过程请参考上述实施例所述的白质高信号定位方法的工作过程，在此不再赘述。
本发明实施例公开的白质高信号定位装置10，具有以下有益效果：
（1）在分割过程中采用经过改良的deep-medic分割模型，实现白质高信号的快速自动分割，deep-medic分割模型为三维神经网络模型，能有效的利用数据中的空间信息，保证最终的分割精度；
（2）对磁共振图像数据进行预处理操作，减少数据中的噪声，提升最终白质高信号分割的精度，同时根据需求选择是否采用去颅骨操作，简化预处理流程，同时保证分割精度。
（3）对预处理后的磁共振数据进行增强处理，主要对数据进行旋转、平移、剪切和缩放操作。数据的增强处理能够有效提高分割模型精度，同时提高分割模型的泛化能力。
（4）不仅可以得到被试者白质高信号的自动分割结果，还可以对白质高信号进行定位，得到白质高信号在脑区中的空间分布信息。
（5）能够快速得到白质高信号的分割结果并得到白质高信号的定位分析结果，有效克服现有分割定位技术的低效率、低精度等问题。白质高信号的定位分析结果能快速的提供临床诊断过程中所需要的信息，有效的提高工作效率。
参见图5，图5是本发明实施例提供的一种白质高信号定位设备20的结构示意图；该实施例的白质高信号定位设备20包括：处理器21、存储器22以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述各个白质高信号定位方法实施例中的步骤，例如图1所示的步骤S1。或者，所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如预处理单元11。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器22中，并由所述处理器21执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述白质高信号定位设备20中的执行过程。例如，所述计算机程序可以被分割成预处理单元11、白质高信号分割单元12、白质高信号定位单元13和检测报告输出单元14，各模块具体功能请参考上述实施例所述的白质高信号定位装置10的工作过程，在此不再赘述。
所述白质高信号定位设备20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述白质高信号定位设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是白质高信号定位设备20的示例，并不构成对白质高信号定位设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述白质高信号定位设备20还可以包括输入输出设备、网络接入设备、总线等。
所述处理器21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21是所述白质高信号定位设备20的控制中心，利用各种接口和线路连接整个白质高信号定位设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，实现所述白质高信号定位设备20的各种功能。所述存储器22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22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，所述白质高信号定位设备20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21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。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
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 (9)
1.一种白质高信号定位方法，其特征在于，包括：
获取磁共振图像数据，对所述磁共振图像数据进行预处理；
将经过预处理后的磁共振图像数据输入到预先训练好的白质高信号分割模型，以输出所述磁共振图像数据中的白质高信号分割结果；
将所述白质高信号分割结果和经过预处理后的所述磁共振图像数据输入到预设的白质高信号定位模型中，以对白质高信号进行定位；
其中，所述白质高信号定位模型为RegLSM模型；则，所述对白质高信号进行定位，具体包括：
将所述磁共振图像数据配准到标准空间；
记录在配准过程中的变换矩阵；
利用所述变换矩阵将所述白质高信号分割结果配准到所述标准空间；
在所述标准空间中利用预设的模板信息统计白质高信号基本信息；其中，所述基本信息包括所述白质高信号的体积和位置信息。
2.如权利要求1所述的白质高信号定位方法，其特征在于，所述对所述磁共振图像数据进行预处理，具体包括：
对所述磁共振图像数据进行头动校正处理；
对所述磁共振图像数据进行偏置场校正处理；
对所述磁共振图像数据进行归一化处理。
3.如权利要求1所述的白质高信号定位方法，其特征在于，所述对白质高信号进行定位后，还包括：
将定位得到的白质高信号按照体积大小进行排序，并输出检测报告；其中，所述白质高信号的体积由病灶总体素数乘以图像分辨率计算得出。
4.如权利要求1所述的白质高信号定位方法，其特征在于，所述白质高信号分割模型的训练过程包括训练阶段和预测阶段；其中，
在训练阶段，将带有白质高信号标记的磁共振图像数据作为训练集，以对所述白质高信号分割模型进行训练；
在测试阶段，将待进行白质高信号分割的磁共振图像数据输入训练完成的所述白质高信号分割模型中，以预测所述磁共振图像数据的白质高信号。
5.一种白质高信号定位装置，其特征在于，包括：
预处理单元，用于获取磁共振图像数据，对所述磁共振图像数据进行预处理；
白质高信号分割单元，用于将经过预处理后的磁共振图像数据输入到预先训练好的白质高信号分割模型，以输出所述磁共振图像数据中的白质高信号分割结果；
白质高信号定位单元，用于将所述白质高信号分割结果和经过预处理后的所述磁共振图像数据输入到预设的白质高信号定位模型中，以对白质高信号进行定位；
其中，所述白质高信号定位模型为RegLSM模型；则，所述对白质高信号进行定位，具体包括：
将所述磁共振图像数据配准到标准空间；
记录在配准过程中的变换矩阵；
利用所述变换矩阵将所述白质高信号分割结果配准到所述标准空间；
在所述标准空间中利用预设的模板信息统计白质高信号基本信息；其中，所述基本信息包括所述白质高信号的体积和位置信息。
6.如权利要求5所述的白质高信号定位装置，其特征在于，所述预处理单元具体用于：
对所述磁共振图像数据进行头动校正处理；
对所述磁共振图像数据进行偏置场校正处理；
对所述磁共振图像数据进行归一化处理。
7.如权利要求5所述的白质高信号定位装置，其特征在于，所述白质高信号定位装置还包括：
检测报告输出单元，用于将定位得到的白质高信号按照体积大小进行排序，并输出检测报告；其中，所述白质高信号的体积由病灶总体素数乘以图像分辨率计算得出。
8.一种白质高信号定位设备，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，所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的白质高信号定位方法。
9.一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，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如权利要求1至4中任意一项所述的白质高信号定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911126341.2A CN111080572B (zh) | 2019-11-18 | 2019-11-18 | 白质高信号定位方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911126341.2A CN111080572B (zh) | 2019-11-18 | 2019-11-18 | 白质高信号定位方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080572A CN111080572A (zh) | 2020-04-28 |
| CN111080572B true CN111080572B (zh) | 2023-08-01 |
Family
ID=70311229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911126341.2A Active CN111080572B (zh) | 2019-11-18 | 2019-11-18 | 白质高信号定位方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080572B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700859A (zh) * | 2020-12-15 | 2021-04-23 | 贵州小宝健康科技有限公司 | 一种基于医学影像的医疗诊断辅助方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805859A (zh) * | 2018-04-20 | 2018-11-13 | 深圳博脑医疗科技有限公司 | 一种图像检测方法、图像检测装置及终端设备 |
| CN108961259A (zh) * | 2017-05-25 | 2018-12-07 | 复旦大学 | 基于静息态功能磁共振的大脑功能区对侧定位方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009097612A1 (en) * | 2008-01-31 | 2009-08-06 | The Johns Hopkins University | Automated image analysis for magnetic resonance imaging |
| US20100129005A1 (en) * | 2008-11-26 | 2010-05-27 | General Electric Company | System and method for automated scan planning using symmetry detection and image registration |
| US8483464B2 (en) * | 2009-10-07 | 2013-07-09 | Siemens Aktiengesellschaft | System and method for detecting and correcting registration misalignment of MR perfusion images |
| US9888876B2 (en) * | 2012-03-21 | 2018-02-13 | The Johns Hopkins University | Method of analyzing multi-sequence MRI data for analysing brain abnormalities in a subject |
| ITRM20130186A1 (it) * | 2013-03-28 | 2014-09-29 | Innomed Srl | Metodo di localizzazione di elettrodi per il monitoraggio di segnali bioelettrici provenienti dal cervello in pazienti affetti da patologie neurodegenerative |
| CN109480841A (zh) * | 2017-09-13 | 2019-03-19 | 复旦大学 | 基于功能磁共振成像的异常脑区精准定位与矫正方法 |
| CN109859215B (zh) * | 2019-01-30 | 2021-11-02 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 |
| CN110415219B (zh) * | 2019-07-04 | 2022-04-05 | 杭州深睿博联科技有限公司 | 基于深度分割网络的医学图像处理方法及装置、设备、存储介质 |
-
2019
- 2019-11-18 CN CN201911126341.2A patent/CN111080572B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961259A (zh) * | 2017-05-25 | 2018-12-07 | 复旦大学 | 基于静息态功能磁共振的大脑功能区对侧定位方法 |
| CN108805859A (zh) * | 2018-04-20 | 2018-11-13 | 深圳博脑医疗科技有限公司 | 一种图像检测方法、图像检测装置及终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080572A (zh) | 2020-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110934606B (zh) | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 | |
| US20240078722A1 (en) | System and method for forming a super-resolution biomarker map image | |
| Rorden et al. | Stereotaxic display of brain lesions | |
| US8811708B2 (en) | Quantification of medical image data | |
| US9275456B2 (en) | Image search engine | |
| Unay et al. | Robustness of local binary patterns in brain MR image analysis | |
| Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
| US20210374452A1 (en) | Method and device for image processing, and elecrtonic equipment | |
| CN111292324B (zh) | 一种针对臂丛神经超声图像的多目标识别方法及系统 | |
| EP2948925A1 (en) | Medical image processing | |
| CN110956634A (zh) | 一种基于深度学习的脑微出血自动检测方法及系统 | |
| Tian et al. | Improving in vivo human cerebral cortical surface reconstruction using data-driven super-resolution | |
| CN111080572B (zh) | 白质高信号定位方法、装置、设备和存储介质 | |
| CN114881914A (zh) | 基于医学影像确定三维功能肝段的系统及方法 | |
| CN114066798B (zh) | 一种基于深度学习的脑肿瘤核磁共振影像数据合成方法 | |
| CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 | |
| Pal et al. | A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation | |
| US20240169544A1 (en) | Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information | |
| Luong et al. | A computer-aided detection to intracranial hemorrhage by using deep learning: a case study | |
| Zhong et al. | PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation | |
| Zhang et al. | A Nested attention guided UNet++ architecture for white matter hyperintensity segmentation | |
| CN107610105B (zh) | 定位roi的方法、装置、设备及机器可读存储介质 | |
| Oh et al. | Developing and evaluating deep learning algorithms for object detection: key points for achieving superior model performance | |
| CN115148341B (zh) | 一种基于体位识别的ai结构勾画方法及系统 | |
| JP6738003B1 (ja) | Ｍｒｉ画像に基づく解剖学的部位の抽出装置，方法，プログラム |
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 |