CN111402219A - 陈旧性脑梗死检测方法和装置 - Google Patents
陈旧性脑梗死检测方法和装置 Download PDFInfo
- Publication number
- CN111402219A CN111402219A CN202010165043.0A CN202010165043A CN111402219A CN 111402219 A CN111402219 A CN 111402219A CN 202010165043 A CN202010165043 A CN 202010165043A CN 111402219 A CN111402219 A CN 111402219A
- Authority
- CN
- China
- Prior art keywords
- cerebral infarction
- old cerebral
- old
- brain
- detection model
- 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
- 206010008118 cerebral infarction Diseases 0.000 title claims abstract description 157
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 210000004556 brain Anatomy 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 11
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 9
- 208000026106 cerebrovascular disease Diseases 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010060965 Arterial stenosis Diseases 0.000 description 1
- 206010065559 Cerebral arteriosclerosis Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000002676 cerebral atherosclerosis Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 201000005851 intracranial arteriosclerosis Diseases 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000009251 neurologic dysfunction Effects 0.000 description 1
- 208000015015 neurological dysfunction Diseases 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 210000001154 skull base Anatomy 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012795 verification Methods 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种陈旧性脑梗死检测方法和装置,所述方法包括以下步骤:获取多个确诊的陈旧性脑梗死脑部CT图像;基于2.5D分割网络构建陈旧性脑梗死检测模型;通过陈旧性脑梗死脑部CT图像对陈旧性脑梗死检测模型进行训练;输入待检测脑部CT图像,通过训练后的陈旧性脑梗死检测模型对待检测脑部CT图像的每个体素点进行陈旧性脑梗死概率的预测,并根据预测结果实现陈旧性脑梗死的检出。本发明能够自动进行陈旧性脑梗死的检出,具有较高的效率和准确度。
Description
技术领域
本发明涉及影像处理分析技术领域,具体涉及一种陈旧性脑梗死检测方法和一种陈旧性脑梗死检测装置。
背景技术
脑梗死是由于脑动脉粥样硬化,血管内膜损伤使脑动脉管腔狭窄,进而因多种因素使局部血栓形成,使动脉狭窄加重或完全闭塞,导致脑组织缺血、缺氧、坏死,引起神经功能障碍的一种脑血管病。颅脑CT扫描是陈旧性脑梗死诊断的首要检查方法,但即便对于训练有素的专家来讲,通过颅脑CT进行脑出血诊断也很复杂耗时。
发明内容
本发明为解决上述技术问题,提供了一种陈旧性脑梗死检测方法和装置,能够自动进行陈旧性脑梗死的检出,具有较高的效率和准确度。
本发明采用的技术方案如下:
一种陈旧性脑梗死检测方法,包括以下步骤:获取多个确诊的陈旧性脑梗死脑部CT图像;基于2.5D分割网络构建陈旧性脑梗死检测模型;通过所述陈旧性脑梗死脑部CT图像对所述陈旧性脑梗死检测模型进行训练;输入待检测脑部CT图像,通过训练后的陈旧性脑梗死检测模型对所述待检测脑部CT图像的每个体素点进行陈旧性脑梗死概率的预测,并根据预测结果实现陈旧性脑梗死的检出。
在获取多个确诊的陈旧性脑梗死脑部CT图像后,还包括:对所述多个确诊的陈旧性脑梗死脑部CT图像进行标准化处理。
其中,所述陈旧性脑梗死检测模型以U-Net作为骨干网络,其中,在进行训练或进行预测时,对空间位置上连续N层CT图像进行堆叠后输入所述陈旧性脑梗死检测模型,其中,N≥1。
所述陈旧性脑梗死检测模型包括残差模块和注意力模块。
利用交叉熵损失和加权损失对所述陈旧性脑梗死检测模型进行训练。
一种陈旧性脑梗死检测装置,包括:获取模块,所述获取模块用于获取多个确诊的陈旧性脑梗死脑部CT图像;建模模块,所述建模模块用于基于2.5D分割网络构建陈旧性脑梗死检测模型;训练模块,所述训练模块用于通过所述陈旧性脑梗死脑部CT图像对所述陈旧性脑梗死检测模型进行训练;检测模块,所述检测模块用于通过训练后的陈旧性脑梗死检测模型对输入的待检测脑部CT图像的每个体素点进行陈旧性脑梗死概率的预测,并根据预测结果实现陈旧性脑梗死的检出。
所述的陈旧性脑梗死检测装置还包括:处理模块,所述是处理模块用于对所述多个确诊的陈旧性脑梗死脑部CT图像进行标准化处理。
本发明的有益效果:
本发明基于2.5D分割网络构建陈旧性脑梗死检测模型,在对陈旧性脑梗死检测模型进行训练后,通过训练后的陈旧性脑梗死检测模型对待检测脑部CT图像的每个体素点进行陈旧性脑梗死概率的预测,由此,通过体素级别的分析,能够自动进行陈旧性脑梗死的检出,具有较高的效率和准确度。
附图说明
图1为本发明实施例的陈旧性脑梗死检测方法的流程图;
图2为本发明一个实施例的基于2.5D分割网络构建的陈旧性脑梗死检测模型的示意图;
图3为本发明实施例的陈旧性脑梗死检测装置的方框示意图。
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做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。
如图1所示,本发明实施例的陈旧性脑梗死检测方法包括以下步骤:
S1,获取多个确诊的陈旧性脑梗死脑部CT图像。
在本发明的一个实施例中,可选取CT诊断为陈旧性脑梗死的患者且其临床诊断与影像诊断相符合的病例,通过PACS(Picture Archiving and Communication Systems,影像归档和通信系统),例如可采用120kV的16或32排西门子、飞利浦等品牌的CT机获取患者脑部CT图像数据,数据格式符合医学数字影像和通讯(DICOM,Digital Imaging andCommunications in Medicine)标准,扫描层厚为5mm,检查方法为仰卧位,扫描范围为颅底至颅顶。获取到患者脑部CT图像后,可人为进行标注,所有陈旧性脑梗死病例的标注过程可包括两个阶段。第一阶段,由一名主治医师依据诊断报告标记出病灶的轮廓、类别及其所在的位置;第二阶段,由一名副主任医师在此基础之上进行审核,标记出漏标病灶、删除误标病灶,以及修正病灶的轮廓、类别和位置。经过高年资医生审核过的标注,可作为陈旧性脑梗死检出的金标准,用于下述模型的训练及结果评测。在本发明的一个实施例中,可将标注数据分为训练集和测试集,其中训练集用于下述模型的训练和最优参数选择,测试集用于评测本发明实施例的陈旧性脑梗死检测方法的性能。
在本发明的一个实施例中,在获取多个确诊的陈旧性脑梗死脑部CT图像后,还可对多个确诊的陈旧性脑梗死脑部CT图像进行标准化处理。具体地,可自动对上述5mm厚层的原始CT数据进行标准化,包括利用窗宽窗位进行灰度归一化、三维矫正变换等操作。
S2,基于2.5D分割网络构建陈旧性脑梗死检测模型。
本发明实施例的陈旧性脑梗死检测模型以U-Net作为骨干网络,在后续进行训练或进行预测时,对空间位置上连续N层CT图像进行堆叠后输入所述陈旧性脑梗死检测模型,其中,N≥1。在本发明的一个具体实施例中,N取3,也就是说,可将空间位置上连续的3层CT图像进行堆叠,作为2.5D分割模型的输入。
本发明实施例的陈旧性脑梗死检测模型包括残差模块和注意力模块,能够增强骨干网络的拟合能力并促进网络的局部和全局信息的建模。
S3,通过陈旧性脑梗死脑部CT图像对陈旧性脑梗死检测模型进行训练。
具体地,可将步骤S1获取的训练集输入步骤S2构建的陈旧性脑梗死检测模型,对陈旧性脑梗死检测模型进行训练。其中,训练所使用的损失函数,在交叉熵损失的基础上,还引入加权损失,保证模型可以更快速收敛和更有效地学习输入的训练样本。在本发明的一个具体实施例中,模型训练相关的超参数中学习率为0.001,模型迭代的epoch次数为100。
S4,输入待检测脑部CT图像,通过训练后的陈旧性脑梗死检测模型对待检测脑部CT图像的每个体素点进行陈旧性脑梗死概率的预测,并根据预测结果实现陈旧性脑梗死的检出。
在本发明的一个实施例中,基于2.5D分割网络构建的陈旧性脑梗死检测模型如图2所示。在脑部CT图像输入模型后,首先可通过3x3卷积,然后通过4个残差模块进行特征编码学习,再经过注意力模块强化上下文语义特征,之后通过4步上采样操作恢复原图像的分辨率。在上采样中,特征图可与编码过程中对应的特征图进行堆叠,再进行特征学习。最后,通过一个3x3卷积输出预测得陈旧性脑梗死概率。
由于陈旧性脑梗死检测模型是基于2.5D分割网络构建的,因此对于输入的一例待检测脑部CT图像,其可实现对每一个体素点的陈旧性脑梗死概率的预测。在本发明的一个实施例中,如果某一体素点的陈旧性脑梗死概率大于给定的阈值,例如大于0.5,则可判定该体素点为陈旧性脑梗死,反之该体素点正常。
在本发明的一个实施例中,如果通过预测判定为陈旧性脑梗死的体素点相临近并构成一个或多个区域,则可判定该待检测脑部CT图像为陈旧性脑梗死患者的脑部CT图像,从而实现对该患者的陈旧性脑梗死检出。并且,通过上述判定为陈旧性脑梗死的各个体素点、正常的各个体素点的位置,能够识别出陈旧性脑梗死的分割边界,也即获取到陈旧性脑梗死的位置。通过为陈旧性脑梗死的体素点所构成的每个区域内体素点的数量和每个体素点的大小可计算出陈旧性脑梗死的大小。
为验证本发明实施例的效果,通过上述测试集来评估本发明实施例的陈旧性脑梗死检测方法,具体地,可使用Dice系数来度量医生标注金标准A和本发明实施例的模型的检测结果B,其具体形式为:
其中|A·B|为金标准A和本发明实施例的模型的检测结果B的重合体素个数,|A|为金标准体素个数,|B|为本发明实施例的模型预测的体素个数。
其次,可使用敏感性(sensitivity)和特异性(specificity)来评测本发明实施例的陈旧性脑梗死检测模型对于病人层面的指标。敏感性是指在金标准判断有病(阳性)人群中,检测出阳性的几率。特异性是指在金标准判断无病(阴性)人群中,检测出阴性的几率。除此之外,可使用召回率与精准率来衡量本发明实施例的陈旧性脑梗死检测模型对于病灶级别的检出能力,召回率是指医生金标准中的所有病灶被本发明实施例的陈旧性脑梗死检测模型检出的几率,精准率是指本发明实施例的陈旧性脑梗死检测模型预测为有病的病灶中确实为有病的几率。
本发明的验证过程采用Dice、病灶级别召回率、病灶级别精准率、敏感性以及特异性作为评测指标,对于陈旧性脑梗死病灶计算Dice系数,来评测模型的分割性能,实验结果如表1所示。
表1
Dice | 召回率 | 精准率 | 敏感性 | 特异性 |
0.56 | 0.61 | 0.71 | 0.90 | 0.91 |
本发明实施例的陈旧性脑梗死检测模型对于陈旧性脑梗死病灶的预测区域与医生的金标准之间的Dice系数为0.56;对于医生金标准中的所有病灶,模型预测的召回率为0.61、精准率为0.71;病人级别的敏感性为0.90、特异性为0.91。
综上所述,根据本发明实施例的陈旧性脑梗死检测方法,基于2.5D分割网络构建陈旧性脑梗死检测模型,在对陈旧性脑梗死检测模型进行训练后,通过训练后的陈旧性脑梗死检测模型对待检测脑部CT图像的每个体素点进行陈旧性脑梗死概率的预测,由此,通过体素级别的分析,能够自动进行陈旧性脑梗死的检出,具有较高的效率和准确度。
对应上述实施例的陈旧性脑梗死检测方法,本发明还提出一种陈旧性脑梗死检测装置。
如图3所示,本发明实施例的陈旧性脑梗死检测装置包括获取模块10、建模模块20、训练模块30和检测模块40。其中,获取模块10用于获取多个确诊的陈旧性脑梗死脑部CT图像;建模模块20用于基于2.5D分割网络构建陈旧性脑梗死检测模型;训练模块30用于通过陈旧性脑梗死脑部CT图像对陈旧性脑梗死检测模型进行训练;检测模块40用于通过训练后的陈旧性脑梗死检测模型对输入的待检测脑部CT图像的每个体素点进行陈旧性脑梗死概率的预测,并根据预测结果实现陈旧性脑梗死的检出。
在对确诊的陈旧性脑梗死脑部CT图像进行获取和标注后,分为训练集和测试集,然后输入获取模块10,以待后续调取使用。另外,本发明实施例的陈旧性脑梗死检测装置还可包括处理模块,是处理模块可对获取模块10获取的多个确诊的陈旧性脑梗死脑部CT图像进行标准化处理。具体地,处理模块可自动对上述5mm厚层的原始CT数据进行标准化,包括利用窗宽窗位进行灰度归一化、三维矫正变换等操作。
本发明实施例的陈旧性脑梗死检测模型以U-Net作为骨干网络,在通过训练模块30进行训练或通过检测模块40进行预测时,对空间位置上连续N层CT图像进行堆叠后输入所述陈旧性脑梗死检测模型,其中,N≥1。在本发明的一个具体实施例中,N取3,也就是说,可将空间位置上连续的3层CT图像进行堆叠,作为2.5D分割模型的输入。
本发明实施例的陈旧性脑梗死检测模型包括残差模块和注意力模块,能够增强骨干网络的拟合能力并促进网络的局部和全局信息的建模。
训练模块30可将获取模块10获取的训练集输入建模模块20所构建的陈旧性脑梗死检测模型,对陈旧性脑梗死检测模型进行训练。其中,训练所使用的损失函数,在交叉熵损失的基础上,还引入加权损失,保证模型可以更快速收敛和更有效地学习输入的训练样本。在本发明的一个具体实施例中,模型训练相关的超参数中学习率为0.001,模型迭代的epoch次数为100。
在本发明的一个实施例中,基于2.5D分割网络构建的陈旧性脑梗死检测模型如图2所示。在脑部CT图像输入模型后,首先可通过3x3卷积,然后通过4个残差模块进行特征编码学习,再经过注意力模块强化上下文语义特征,之后通过4步上采样操作恢复原图像的分辨率。在上采样中,特征图可与编码过程中对应的特征图进行堆叠,再进行特征学习。最后,通过一个3x3卷积输出预测得陈旧性脑梗死概率。
由于陈旧性脑梗死检测模型是基于2.5D分割网络构建的,因此对于输入的一例待检测脑部CT图像,其可实现对每一个体素点的陈旧性脑梗死概率的预测。在本发明的一个实施例中,如果某一体素点的陈旧性脑梗死概率大于给定的阈值,例如大于0.5,则可判定该体素点为陈旧性脑梗死,反之该体素点正常。
在本发明的一个实施例中,如果通过预测判定为陈旧性脑梗死的体素点相临近并构成一个或多个区域,则检测模块40可判定该待检测脑部CT图像为陈旧性脑梗死患者的脑部CT图像,从而实现对该患者的陈旧性脑梗死检出。并且,通过上述判定为陈旧性脑梗死的各个体素点、正常的各个体素点的位置,能够识别出陈旧性脑梗死的分割边界,也即获取到陈旧性脑梗死的位置。通过为陈旧性脑梗死的体素点所构成的每个区域内体素点的数量和每个体素点的大小可计算出为陈旧性脑梗死的大小。
根据本发明实施例的陈旧性脑梗死检测装置,基于2.5D分割网络构建陈旧性脑梗死检测模型,在对陈旧性脑梗死检测模型进行训练后,通过训练后的陈旧性脑梗死检测模型对待检测脑部CT图像的每个体素点进行陈旧性脑梗死概率的预测,由此,通过体素级别的分析,能够自动进行陈旧性脑梗死的检出,具有较高的效率和准确度。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种陈旧性脑梗死检测方法,其特征在于,包括以下步骤:
获取多个确诊的陈旧性脑梗死脑部CT图像;
基于2.5D分割网络构建陈旧性脑梗死检测模型;
通过所述陈旧性脑梗死脑部CT图像对所述陈旧性脑梗死检测模型进行训练;
输入待检测脑部CT图像,通过训练后的陈旧性脑梗死检测模型对所述待检测脑部CT图像的每个体素点进行陈旧性脑梗死概率的预测,并根据预测结果实现陈旧性脑梗死的检出。
2.根据权利要求1所述的陈旧性脑梗死检测方法,其特征在于,在获取多个确诊的陈旧性脑梗死脑部CT图像后,还包括:
对所述多个确诊的陈旧性脑梗死脑部CT图像进行标准化处理。
3.根据权利要求1或2所述的陈旧性脑梗死检测方法,其特征在于,其中,所述陈旧性脑梗死检测模型以U-Net作为骨干网络,其中,在进行训练或进行预测时,对空间位置上连续N层CT图像进行堆叠后输入所述陈旧性脑梗死检测模型,其中,N≥1。
4.根据权利要求3所述的陈旧性脑梗死检测方法,其特征在于,所述陈旧性脑梗死检测模型包括残差模块和注意力模块。
5.根据权利要求1所述的陈旧性脑梗死检测方法,其特征在于,利用交叉熵损失和加权损失对所述陈旧性脑梗死检测模型进行训练。
6.一种陈旧性脑梗死检测装置,其特征在于,包括:
获取模块,所述获取模块用于获取多个确诊的陈旧性脑梗死脑部CT图像;
建模模块,所述建模模块用于基于2.5D分割网络构建陈旧性脑梗死检测模型;
训练模块,所述训练模块用于通过所述陈旧性脑梗死脑部CT图像对所述陈旧性脑梗死检测模型进行训练;
检测模块,所述检测模块用于通过训练后的陈旧性脑梗死检测模型对输入的待检测脑部CT图像的每个体素点进行陈旧性脑梗死概率的预测,并根据预测结果实现陈旧性脑梗死的检出。
7.根据权利要求6所述的陈旧性脑梗死检测装置,其特征在于,还包括:
处理模块,所述是处理模块用于对所述多个确诊的陈旧性脑梗死脑部CT图像进行标准化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010165043.0A CN111402219A (zh) | 2020-03-11 | 2020-03-11 | 陈旧性脑梗死检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010165043.0A CN111402219A (zh) | 2020-03-11 | 2020-03-11 | 陈旧性脑梗死检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111402219A true CN111402219A (zh) | 2020-07-10 |
Family
ID=71430639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010165043.0A Pending CN111402219A (zh) | 2020-03-11 | 2020-03-11 | 陈旧性脑梗死检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402219A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139627A (zh) * | 2021-06-22 | 2021-07-20 | 北京小白世纪网络科技有限公司 | 纵隔肿物识别方法、系统及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260957A1 (en) * | 2017-03-08 | 2018-09-13 | Siemens Healthcare Gmbh | Automatic Liver Segmentation Using Adversarial Image-to-Image Network |
CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN110807764A (zh) * | 2019-09-20 | 2020-02-18 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于神经网络的肺癌筛查方法 |
-
2020
- 2020-03-11 CN CN202010165043.0A patent/CN111402219A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260957A1 (en) * | 2017-03-08 | 2018-09-13 | Siemens Healthcare Gmbh | Automatic Liver Segmentation Using Adversarial Image-to-Image Network |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN110807764A (zh) * | 2019-09-20 | 2020-02-18 | 成都智能迭迦科技合伙企业(有限合伙) | 一种基于神经网络的肺癌筛查方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139627A (zh) * | 2021-06-22 | 2021-07-20 | 北京小白世纪网络科技有限公司 | 纵隔肿物识别方法、系统及装置 |
CN113139627B (zh) * | 2021-06-22 | 2021-11-05 | 北京小白世纪网络科技有限公司 | 纵隔肿物识别方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10952613B2 (en) | Stroke diagnosis and prognosis prediction method and system | |
CN111488914B (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
CN115131300B (zh) | 一种基于深度学习的骨性关节炎智能三维诊断方法及系统 | |
CN111415361B (zh) | 基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置 | |
CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
CN111127467A (zh) | 图像量化方法、计算机设备和存储介质 | |
CN111402218A (zh) | 脑出血检测方法和装置 | |
CN111861989A (zh) | 一种脑中线检测方法、系统、终端及存储介质 | |
CN111445443B (zh) | 早急性脑梗死检测方法和装置 | |
CN111640107B (zh) | 一种致痫灶位置检测方法及装置 | |
CN112634231A (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
CN111402219A (zh) | 陈旧性脑梗死检测方法和装置 | |
CN116630324B (zh) | 一种基于深度学习的mri图像自动评估腺样体肥大的方法 | |
CN113130050B (zh) | 一种医学信息显示方法及显示系统 | |
CN115274094A (zh) | 肝癌影像学联合afp诊断模型构建方法、系统及装置 | |
CN112508942B (zh) | 一种获取bi-rads等级的方法和系统 | |
Hsu et al. | The application of artificial intelligence to support biliary atresia screening by ultrasound images: A study based on deep learning models | |
CN117078698B (zh) | 一种基于深度学习的外周血管影像辅助分割方法及系统 | |
CN116364221B (zh) | 一种用于阿尔茨海默症研究的脑影像数据处理方法和系统 | |
AU2021104206A4 (en) | Predicting covid-19 infected patients based on machine learning in healthcare model | |
Sangeetha et al. | Identification and Localization of COVID-19Abnormalities on Chest Radiographs using Computer Vision | |
US20230401697A1 (en) | Radiogenomics for cancer subtype feature visualization | |
Saiviroonporn et al. | Improvement in detecting and localizing intracranial hemorrhage lesions using the active learning concept and probabilistic CAM heatmap | |
Sun et al. | Reliable detection of lymph nodes in whole pelvic for radiotherapy | |
Jin et al. | Voxel-level forecast system for lesion development in patients with COVID-19 |
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: 20200710 |
|
RJ01 | Rejection of invention patent application after publication |