CN111598891A - 斑块稳定性的识别方法、装置、设备及存储介质 - Google Patents
斑块稳定性的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111598891A CN111598891A CN201910126889.0A CN201910126889A CN111598891A CN 111598891 A CN111598891 A CN 111598891A CN 201910126889 A CN201910126889 A CN 201910126889A CN 111598891 A CN111598891 A CN 111598891A
- Authority
- CN
- China
- Prior art keywords
- plaque
- image
- neural network
- vessel wall
- stability
- 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
Links
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06T2207/30—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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例公开了一种斑块稳定性的识别方法、装置、设备及存储介质。该方法包括:获取目标对象的血管壁的磁共振数据,并对磁共振数据进行重建,得到血管壁图像;基于预先训练的图像分割神经网络对血管壁图像进行分割,得到斑块的分割图像,其中,图像分割神经网络为U‑net++网络;基于预先训练的卷积神经网络对分割图像进行分析,识别斑块的稳定性。本发明实施例的技术方案,可以实现血管斑块稳定性的自动、客观识别,有利于提高血管斑块诊断的准确率和效率,降低医师的工作量,具有十分重要的临床应用意义。
Description
技术领域
本发明实施例涉及医学图像分析领域,尤其涉及一种斑块稳定性的识别方法、装置、设备及存储介质。
背景技术
基于磁共振血管壁成像技术可以抑制血管内的血流信号以及血管周围的脑脊液或是脂肪信号,清晰显示出血管壁内斑块的形态结构,有利于准确识别斑块的纤维帽、出血、钙化、脂质核、炎症等不稳定性的特征。
目前,通常是影像医师直接观察患者的磁共振血管壁影像,进行斑块稳定性的医学诊断。但是,医疗影像的专业性使得医师需要具有丰富经验,而且不同经验的医师对于相同的影像可能得出不同的诊断结果,直接影响医学诊断。另外,三维高分辨的磁共振血管壁成像的数据量巨大,每位检查者可达到500幅图像,需要医师花费大量时间才可以完成一名检查者的诊断,效率较低。
发明内容
本发明实施例提供了一种斑块稳定性的识别方法、装置、设备及存储介质,实现了血管斑块稳定性的自动、客观识别,有利于提高血管斑块诊断的准确率和效率,降低医师的工作量。
第一方面,本发明实施例提供了一种斑块稳定性的识别方法,可以包括:
获取目标对象的血管壁的磁共振数据,并对磁共振数据进行重建,得到血管壁图像;
基于预先训练的图像分割神经网络对血管壁图像进行分割,得到斑块的分割图像,其中,图像分割神经网络为U-net++网络;
基于预先训练的卷积神经网络对分割图像进行分析,识别斑块的稳定性。
可选的,所述斑块稳定性的识别方法,还可以包括:基于预设的随机梯度下降算法对图像分割神经网络进行训练,其中,图像分割神经网络中的损失函数是交叉熵损失函数,训练样本包括斑块样本和非斑块样本。
可选的,图像分割神经网络可以包括下采样算法模块、上采样算法模块和特征拼接算法模块;其中,特征拼接算法模块的卷积函数为空洞卷积。
可选的,所述斑块稳定性的识别方法,还可以包括:基于预设的随机梯度下降算法对卷积神经网络进行训练,其中,卷积神经网络中的损失函数是交叉熵损失函数,训练样本包括稳定斑块样本和风险斑块样本。
可选的,卷积神经网络可以包括卷积算法模块、池化算法模块和全连接层算法模块;其中,全连接层算法模块的输入参数可以是池化算法模块的输出结果的一维向量。
可选的,当磁共振数据是头颈血管壁数据时,斑块样本可以包括头颈动脉斑块样本。
可选的,在对磁共振数据进行重建,得到血管壁图像之后,所述方法还可以包括:基于预设的数据扩充算法对血管壁图像进行扩充,并将扩充后的图像作为血管壁图像。
第二方面,本发明实施例还提供了一种斑块稳定性的识别装置,可以包括:
图像获取模块,用于获取目标对象的血管壁的磁共振数据,并对磁共振数据进行重建,得到血管壁图像;
图像分割模块,用于基于预先训练的图像分割神经网络对血管壁图像进行分割,得到斑块的分割图像,其中,图像分割神经网络为U-net++网络;
斑块识别模块,用于基于预先训练的卷积神经网络对分割图像进行分析,识别斑块的稳定性。
第三方面,本发明实施例还提供了一种设备,该设备可以包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现本发明任意实施例所提供的斑块稳定性的识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明任意实施例所提供的斑块稳定性的识别方法。
本发明实施例的技术方案,根据获取到的血管壁的磁共振数据重建血管壁图像;基于预先训练的U-net++网络对血管壁图像进行自动分割,并基于预先训练的CNN网络对得到的斑块的分割图像进行斑块稳定性的自动识别。上述技术方案实现了血管斑块稳定性的自动、客观识别,有利于提高血管斑块诊断的准确率和效率,降低医师的工作量,具有十分重要的临床应用意义。
附图说明
图1是本发明实施例一中的一种斑块稳定性的识别方法的流程图;
图2是本发明实施例二中的一种斑块稳定性的识别方法的流程图;
图3是本发明实施例二中的U-net++网络结构的示意图;
图4是本发明实施例二中的U-net++网络结构中第一层网络界结构示意图;
图5a是本发明实施例二中的空洞卷积的工作示意图;
图5b是本发明实施例二中的普通卷积的工作示意图;
图6是本发明实施例三中的一种斑块稳定性的识别方法的流程图;
图7是本发明实施例三中的CNN网络结构的示意图;
图8是本发明实施例三中的各网络的训练工作的流程图;
图9是本发明实施例四中的一种斑块稳定性的识别装置的结构框图;
图10是本发明实施例五中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在介绍本发明实施例之前,先对本发明实施例的应用场景进行说明。磁共振血管壁成像技术是目前唯一能够清晰显示全身动脉粥样硬化斑块的无创成像技术。由于斑块存在于血管壁内,磁共振技术需要通过血管壁成像或者黑血成像的特殊技术,把管腔内的血流信号以及血管周围的脑脊液信号或脂肪信号彻底抑制,才能清晰显示出血管壁或者斑块的形态结构。磁共振血管壁成像技术不仅可以对颅内动脉、颈动脉和主动脉等全身血管斑块进行定量分析,还可以准确识别风险斑块的纤维帽、出血、钙化、脂质核、炎症等不稳定特征,是目前公认最好的斑块成像方法。
因此,基于磁共振血管壁成像技术可以对血管斑块,例如缺血性脑卒中相关血管的斑块进行全面、精确的影像评估;相应地,基于人工智能的手段自动化、智能化的快速识别斑块的稳定性,在临床诊断中具有重要的应用价值。
实施例一
图1是本发明实施例一中提供的一种斑块稳定性的识别方法的流程图。本实施例可适用于动脉血管斑块的稳定性识别的情况,尤其适合于头颈动脉斑块的稳定性识别的情况。该方法可以由本发明实施例提供的斑块稳定性的识别装置来执行,该装置可以由软件和/或硬件的方式实现。参见图1,本发明实施例的方法具体包括如下步骤:
S110、获取目标对象的血管壁的磁共振数据,并对磁共振数据进行重建,得到血管壁图像。
其中,基于血管壁的磁共振数据重建得到的血管壁图像,具有多对比度、高分辨率的特点,适合于体积极小的动脉斑块的识别。相对于在人工智能诊断方面常用的深度学习算法所需要的数据量而言,医学领域获取的血管壁图像的数据量还是过少,相对应地,血管壁图像上的斑块标注的数据量过少。在较小的数据量上进行训练,很容易出现过拟合的现象。
因此,可选的,在得到血管壁图像之后,可以基于预设的数据扩充算法对血管壁图像进行扩充,并将扩充后的图像作为血管壁图像。例如,可以对血管壁图像进行剪切、旋转、翻转等手段进行预处理,以实现数据量的扩充,增强深度学习模型的鲁棒性。
S120、基于预先训练的图像分割神经网络对血管壁图像进行分割,得到斑块的分割图像,其中,图像分割神经网络为U-net++网络。
其中,深度学习算法中的图像分割神经网络经常应用于图像分割领域,例如图像分割神经网络中的U卷积网络(U-Net)是特别适合于医学图像分割的网络。U-Net网络中具有编码解码路径,能够更好地提取底层特征以及高级抽象特征,有效解决了医学图像的数据量较小的难题。
而U-Net++网络是一个全卷积的神经网络,其将多个卷积神经层的卷积块进行不同的排列,无全连接层,在图像数据量很小的情况下,亦具有很好的分割效果。相较于U-Net网络,U-Net++网络具有更大的感受野,而且增加了中间解码层,每个解码层都实现了特征拼接,使得神经网络可以学习到更多的图像特征,提高了图像分割的准确性。
因此,可以基于预先训练的U-net++网络对血管壁图像进行分割。由于U-net++的网络结构是端到端的结构,输入数据可以是二维多对比的血管壁图像,输出数据是斑块的分割图像。
S130、基于预先训练的卷积神经网络对分割图像进行分析,识别斑块的稳定性。
其中,由于磁共振血管壁图像中的血管壁是薄薄的一层,特别是颅内血管壁的管径细小、形态卷绕、走向曲折,使用深度学习算法中的卷积神经网络(ConvolutionalNeural Networks,CNN)十分适合于血管壁特征的提取。因此,可以将经过U-Net++网络分割后的斑块图像输入至预先训练的CNN网络,识别出斑块的稳定性,即识别出斑块是稳定斑块还是风险斑块。血管壁中的风险斑块容易脱落引发血栓,需要引起高度重视。
为了更好地理解上述各步骤的具体实现过程,以头颈血管壁为例,示例性的:采用32通道头线圈和8通道颈动脉线圈,利用3D SPACE序列采集T1、T2、T1增强的头颈血管壁的磁共振数据,分辨率为各向同性0.55mm,矩阵大小为384*384*256。具体序列参数如下所示:T1加权,TR/TE=850/10ms,ETL=48;T2加权,TR/TE=1800/168ms,ETL=48;T1增强序列的参数与T1加权一致。基于上述参数采集头颈血管壁的磁共振数据,并对获取到的磁共振数据进行重建,得到头颈血管壁图像。将头颈血管壁图像依次输入至预先训练的U-net++网络和CNN网络,实现斑块的稳定性识别。
可选的,在得到头颈血管壁图像之后,可以对头颈血管壁图像进行预处理,例如,可以采用剪切、旋转、翻转等手段对头颈血管壁图像进行数据量的扩充,扩充后的每幅图像的大小为512*512,即更适合于输入至神经网络中的图像大小。进而,扩充后的图像依次输入至预先训练的U-net++网络和CNN网络,实现斑块的稳定性识别。
本发明实施例的技术方案,根据获取到的血管壁的磁共振数据重建血管壁图像;基于预先训练的U-net++网络对血管壁图像进行自动分割,并基于预先训练的CNN网络对得到的斑块的分割图像进行斑块稳定性的自动识别。上述技术方案实现了血管斑块稳定性的自动、客观识别,有利于提高血管斑块诊断的准确率和效率,降低医师的工作量,具有十分重要的临床应用意义。
实施例二
图2是本发明实施例二中提供的一种斑块稳定性的识别方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中,可选的,所述斑块稳定性的识别方法具体还可以包括:基于预设的随机梯度下降算法对图像分割神经网络进行训练,其中,图像分割神经网络中的损失函数是交叉熵损失函数,训练样本包括斑块样本和非斑块样本。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
如图2所示,本实施例的方法具体可以包括如下步骤:
S210、获取目标对象的血管壁的磁共振数据,并对磁共振数据进行重建,得到血管壁图像。
S220、基于预设的随机梯度下降算法对图像分割神经网络进行训练,其中,图像分割神经网络中的损失函数是交叉熵损失函数,训练样本包括斑块样本和非斑块样本。
其中,随机梯度下降(Stochastic Gradient Descent,SGD)算法作为一种无模型优化算法,比较适用于控制变量较多、受控系统比较复杂、无法建立准确数学模型的最优化控制过程。具体的,SGD算法就是用来求解损失函数的系数的最优解,即损失函数的最小值或者能找到的最小值对应的系数。损失函数可以认为是模型的预测值和真实值之间的差距。
当基于SGD算法对U-net++网络进行训练时,可以在U-net++网络的特征图后面增加一个1x1的卷积核,该卷积可以使用如下sigmoid函数f(x)激活:
U-net++网络中的损失函数可以是交叉熵损失函数loss:
对特征图后面的每个l×1卷积分别计算交叉熵损失函数后进行求和运算,求和结果为此次前向传播的损失值。由专业的影像医师在重建的血管壁图像上进行斑块标注,确定出斑块区域,得到训练样本。然后在训练样本上进行训练,更新迭代优化参数,完成U-net++网络的训练工作。其中,训练样本包括斑块样本即已标注斑块的血管壁图像,以及,非斑块样本即无斑块的血管壁图像。可选的,当磁共振数据是头颈血管壁数据时,斑块样本包括头颈动脉斑块样本。
S230、基于预先训练的图像分割神经网络对血管壁图像进行分割,得到斑块的分割图像,其中,图像分割神经网络为U-net++网络。
S240、基于预先训练的卷积神经网络对分割图像进行分析,识别斑块的稳定性。
本发明实施例的技术方案,基于预设的SGD算法对U-net++网络进行训练,使得U-net++网络可以较好地分割斑块样本和非斑块样本,得到斑块的分割图像。
一种可选的技术方案,可选的,图像分割神经网络包括下采样算法模块、上采样算法模块和特征拼接算法模块;其中,特征拼接算法模块的卷积函数为空洞卷积。
其中,U-net++网络结构可以如图3所示,主要涉及下采样算法模块、上采样算法模块和特征拼接算法模块。下采样算法模块的目的在于提取抽象特征,其具体实现过程是:以如图4所示的下采样中的第一层网络结构为例,示例性的,输入至U-net++网络的血管壁图像的大小为512*512,对图像进行两次卷积和激活,以及最大池化,完成下采样。具体地,卷积的卷积核大小可以为(3,3),激活函数可以为relu函数池化核大小可以为(2,2),步长可以为2,池化后特征图的大小减半。另外,下采样各层网络结构与第一层网络结构一致,唯一的区别在于卷积核的个数各不相同,各层卷积核数分别可以为(64,128,256,512)。
上采样算法模块的目的在于把抽象的特征还原解码到未经过下采样处理的血管壁图像的大小,得到分割结果。上采样算法模块主要是通过转置卷积实现,示例性的,卷积核大小可以为(2,2),步长可以为2,则经过上采样处理后的血管壁图像的特征大小加倍,正好为未经过下采样处理的血管壁图像的大小。
特征拼接算法模块是将已处理过的特征图拼接到当前特征图后面,然后进行两次卷积和激活,示例性的,卷积核大小可以为(3,3),激活函数可以为relu函数,padding可以为same。至此,U-net++网络搭建完成。
值得注意的是,上述各个算法模块中的卷积可以是空洞卷积,例如,可以是卷积核大小为(3,3),rate=4的空洞卷积,如图5a所示。即在图像中每隔3个像素进行采样,然后将采样后的图像与卷积核kernel卷积。相较于如图5b所示的普通卷积,空洞卷积增大了感受野,更加适合于走向曲折的血管壁图像。
实施例三
图6是本发明实施例三中提供的一种斑块稳定性的识别方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中,可选的,上述斑块稳定性的识别方法,还可以包括:基于预设的随机梯度下降算法对卷积神经网络进行训练,其中,卷积神经网络中的损失函数是交叉熵损失函数,训练样本包括稳定斑块样本和风险斑块样本。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
如图6所示,本实施例的方法具体可以包括如下步骤:
S210、获取目标对象的血管壁的磁共振数据,并对磁共振数据进行重建,得到血管壁图像。
S220、基于预设的随机梯度下降算法对卷积神经网络进行训练,其中,卷积神经网络中的损失函数是交叉熵损失函数,训练样本包括稳定斑块样本和风险斑块样本。
其中,由专业的影像医师对斑块的分割图像进行标注,将斑块图像分为稳定斑块和风险斑块以作为训练样本。例如,可以对稳定斑块进行标注,风险斑块未进行标注;当然,反之亦可行。当基于SGD算法对CNN网络进行训练时,可以基于交叉熵计算损失函数,并在训练样本上进行训练。
S230、基于预先训练的图像分割神经网络对血管壁图像进行分割,得到斑块的分割图像,其中,图像分割神经网络为U-net++网络。
S240、基于预先训练的卷积神经网络对分割图像进行分析,识别斑块的稳定性。
本发明实施例的技术方案,基于预设的SGD算法CNN网络进行训练,使得CNN网络可以较好地识别斑块的稳定性,准确识别出稳定斑块和风险斑块。
一种可选的技术方案,可选的,卷积神经网络包括卷积算法模块、池化算法模块和全连接层算法模块;其中,全连接层算法模块的输入参数是池化算法模块的输出结果的一维向量。
其中,CNN网络结构可以如图7所示,主要涉及卷积池化算法模块10和全连接层算法模块20,且卷积池化算法模块10包括卷积算法模块和池化算法模块。具体地,上述网络结构可以认为有5个卷积池化块即卷积池化块101-105,以及,3个全连接层即全连接层201-203。上述各卷积池化块用于完成卷积操作和池化操作。
示例性的,每个卷积池化块中的卷积核数分别可以为64、128、256、512、512,卷积核大小可以为(3,3),步长可以为1,padding可以为same;每个卷积池化块中的池化采用最大池化,池化核大小可以为(2,2),步长可以为2;激活函数可以采用relu函数。卷积池化块101-102都可以依次进行两步卷积操作和一步池化操作,卷积池化块103-105都可以依次进行三步卷积操作和一步池化操作。
全连接层算法模块20的输入参数是池化算法模块的输出结果的一维向量。全连接层201-202的输出神经元个数均可以为4096,dropout可以为0.5,全连接层203的输出神经元个数可以为2,激活函数可以采用softmax函数,输出可以为0或1。其中,0表示稳定斑块,1表示风险斑块;当然,反之亦然可以。将斑块的分割图像输入至CNN网络,可以准确识别出斑块的稳定性,区分出稳定斑块或是风险斑块。
由上述各技术方案可知,可选的,本发明实施例的各网络的训练工作的流程可以如图8所示:获取血管壁的磁共振数据,并根据磁共振数据重建血管壁图像;对血管壁图像进行扩充处理,实现血管壁图像的预处理;基于下采样算法模块、上采样算法模块和特征拼接算法模块搭建U-net++网络,基于卷积池化算法模块和全连接层算法模块搭建CNN网络;根据已搭建的U-net++网络对血管壁图像进行训练,得到斑块图像的分割网络;根据已搭建的CNN网络对斑块的分割图像进行训练,得到斑块稳定性的识别网络。当各网络训练完成后,则可以在临床进行应用,实现斑块稳定性的自动、客观地识别。
实施例四
图9为本发明实施例四提供的斑块稳定性的识别装置的结构框图,该装置用于执行上述任意实施例所提供的斑块稳定性的识别方法。该装置与上述各实施例的斑块稳定性的识别方法属于同一个发明构思,在斑块稳定性的识别装置的实施例中未详尽描述的细节内容,可以参考上述斑块稳定性的识别方法的实施例。参见图9,该装置具体可包括:图像获取模块410、图像分割模块420和斑块识别模块430。
其中,图像获取模块410,用于获取目标对象的血管壁的磁共振数据,并对磁共振数据进行重建,得到血管壁图像;
图像分割模块420,用于基于预先训练的图像分割神经网络对血管壁图像进行分割,得到斑块的分割图像,其中,图像分割神经网络为U-net++网络;
斑块识别模块430,用于基于预先训练的卷积神经网络对分割图像进行分析,识别斑块的稳定性。
可选的,上述斑块稳定性的识别装置,还可以包括:
图像分割训练模块,用于基于预设的随机梯度下降算法对图像分割神经网络进行训练,其中,图像分割神经网络中的损失函数是交叉熵损失函数,训练样本包括斑块样本和非斑块样本。
可选的,图像分割训练模块中的图像分割神经网络可以包括下采样算法模块、上采样算法模块和特征拼接算法模块;其中,特征拼接算法模块的卷积函数为空洞卷积。
可选的,上述斑块稳定性的识别装置,还可以包括:
斑块识别训练模块,用于基于预设的随机梯度下降算法对卷积神经网络进行训练,其中,卷积神经网络中的损失函数是交叉熵损失函数,训练样本包括稳定斑块样本和风险斑块样本。
可选的,斑块识别训练模块中的卷积神经网络包括卷积算法模块、池化算法模块和全连接层算法模块;其中,全连接层算法模块的输入参数是池化算法模块的输出结果的一维向量。
可选的,当磁共振数据是头颈血管壁数据时,图像分割训练模块中的斑块样本可以包括头颈动脉斑块样本。
可选的,在上述装置的基础上,该装置还可包括:
图像扩充模块,用于基于预设的数据扩充算法对血管壁图像进行扩充,并将扩充后的图像作为血管壁图像。
本发明实施例四提供的斑块稳定性的识别装置,通过图像获取模块重建血管壁图像;通过图像分割模块得到斑块的分割图像;通过斑块识别模块实现斑块稳定性的自动识别。上述装置实现了血管斑块稳定性的自动、客观识别,有利于提高血管斑块诊断的准确率和效率,降低医师的工作量,具有十分重要的临床应用意义。
本发明实施例所提供的斑块稳定性的识别装置可执行本发明任意实施例所提供的斑块稳定性的识别方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述斑块稳定性的识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例五
图10为本发明实施例五提供的一种设备的结构示意图,如图10所示,该设备包括存储器510、处理器520、输入装置530和输出装置540。设备中的处理器520的数量可以是一个或多个,图10中以一个处理器520为例;设备中的存储器510、处理器520、输入装置530和输出装置540可以通过总线或其它方式连接,图10中以通过总线550连接为例。
存储器510作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的斑块稳定性的识别方法对应的程序指令/模块(例如,斑块稳定性的识别装置中的图像获取模块410、图像分割模块420和斑块识别模块430)。处理器520通过运行存储在存储器510中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的斑块稳定性的识别方法。
存储器510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;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器510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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器510可进一步包括相对于处理器520远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息,以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
实施例六
本发明实施例六提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种斑块稳定性的识别方法,该方法可以包括:
获取目标对象的血管壁的磁共振数据,并对磁共振数据进行重建,得到血管壁图像;
基于预先训练的图像分割神经网络对血管壁图像进行分割,得到斑块的分割图像,其中,图像分割神经网络为U-net++网络;
基于预先训练的卷积神经网络对分割图像进行分析,识别斑块的稳定性。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的斑块稳定性的识别方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。依据这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种斑块稳定性的识别方法,其特征在于,包括:
获取目标对象的血管壁的磁共振数据,并对所述磁共振数据进行重建,得到血管壁图像;
基于预先训练的图像分割神经网络对所述血管壁图像进行分割,得到斑块的分割图像,其中,所述图像分割神经网络为U-net++网络;
基于预先训练的卷积神经网络对所述分割图像进行分析,识别所述斑块的稳定性。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于预设的随机梯度下降算法对所述图像分割神经网络进行训练,其中,所述图像分割神经网络中的损失函数是交叉熵损失函数,训练样本包括斑块样本和非斑块样本。
3.根据权利要求2所述的方法,其特征在于,所述图像分割神经网络包括下采样算法模块、上采样算法模块和特征拼接算法模块;其中,所述特征拼接算法模块的卷积函数为空洞卷积。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于预设的随机梯度下降算法对所述卷积神经网络进行训练,其中,所述卷积神经网络中的损失函数是交叉熵损失函数,训练样本包括稳定斑块样本和风险斑块样本。
5.根据权利要求4所述的方法,其特征在于,所述卷积神经网络包括卷积算法模块、池化算法模块和全连接层算法模块;其中,所述全连接层算法模块的输入参数是所述池化算法模块的输出结果的一维向量。
6.根据权利要求2所述的方法,其特征在于,当所述磁共振数据是头颈血管壁数据时,所述斑块样本包括头颈动脉斑块样本。
7.根据权利要求1所述的方法,其特征在于,在对所述磁共振数据进行重建,得到血管壁图像之后,所述方法还包括:
基于预设的数据扩充算法对所述血管壁图像进行扩充,并将扩充后的图像作为所述血管壁图像。
8.一种斑块稳定性的识别装置,其特征在于,包括:
图像获取模块,用于获取目标对象的血管壁的磁共振数据,并对所述磁共振数据进行重建,得到血管壁图像;
图像分割模块,用于基于预先训练的图像分割神经网络对所述血管壁图像进行分割,得到斑块的分割图像,所述图像分割神经网络为U-net++网络;
斑块识别模块,用于基于预先训练的卷积神经网络对所述分割图像进行分析,识别所述斑块的稳定性。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的斑块稳定性的识别方法。
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如权利要求1-7中任一所述的斑块稳定性的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910126889.0A CN111598891B (zh) | 2019-02-20 | 2019-02-20 | 斑块稳定性的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910126889.0A CN111598891B (zh) | 2019-02-20 | 2019-02-20 | 斑块稳定性的识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598891A true CN111598891A (zh) | 2020-08-28 |
CN111598891B CN111598891B (zh) | 2023-08-08 |
Family
ID=72192067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910126889.0A Active CN111598891B (zh) | 2019-02-20 | 2019-02-20 | 斑块稳定性的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598891B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693622A (zh) * | 2022-03-22 | 2022-07-01 | 电子科技大学 | 一种基于人工智能的斑块侵蚀自动检测系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080101674A1 (en) * | 2006-10-25 | 2008-05-01 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures and pathologies |
US20130046168A1 (en) * | 2011-08-17 | 2013-02-21 | Lei Sui | Method and system of characterization of carotid plaque |
CN104794708A (zh) * | 2015-04-10 | 2015-07-22 | 浙江工业大学 | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 |
CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
CN107871318A (zh) * | 2017-11-16 | 2018-04-03 | 吉林大学 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
CN108229381A (zh) * | 2017-12-29 | 2018-06-29 | 湖南视觉伟业智能科技有限公司 | 人脸图像生成方法、装置、存储介质和计算机设备 |
CN108492272A (zh) * | 2018-03-26 | 2018-09-04 | 西安交通大学 | 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统 |
CN108542390A (zh) * | 2018-03-07 | 2018-09-18 | 清华大学 | 基于多对比度磁共振影像的血管斑块成分识别方法 |
CN108932720A (zh) * | 2018-07-24 | 2018-12-04 | 深圳先进技术研究院 | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 |
CN109087708A (zh) * | 2018-09-20 | 2018-12-25 | 深圳先进技术研究院 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
CN109285158A (zh) * | 2018-07-24 | 2019-01-29 | 深圳先进技术研究院 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
CN109300107A (zh) * | 2018-07-24 | 2019-02-01 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
CN109345538A (zh) * | 2018-08-30 | 2019-02-15 | 华南理工大学 | 一种基于卷积神经网络的视网膜血管分割方法 |
-
2019
- 2019-02-20 CN CN201910126889.0A patent/CN111598891B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080101674A1 (en) * | 2006-10-25 | 2008-05-01 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures and pathologies |
US20130046168A1 (en) * | 2011-08-17 | 2013-02-21 | Lei Sui | Method and system of characterization of carotid plaque |
CN104794708A (zh) * | 2015-04-10 | 2015-07-22 | 浙江工业大学 | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 |
CN107240102A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 |
CN107220980A (zh) * | 2017-05-25 | 2017-09-29 | 重庆理工大学 | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 |
CN107871318A (zh) * | 2017-11-16 | 2018-04-03 | 吉林大学 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
CN108229381A (zh) * | 2017-12-29 | 2018-06-29 | 湖南视觉伟业智能科技有限公司 | 人脸图像生成方法、装置、存储介质和计算机设备 |
CN108542390A (zh) * | 2018-03-07 | 2018-09-18 | 清华大学 | 基于多对比度磁共振影像的血管斑块成分识别方法 |
CN108492272A (zh) * | 2018-03-26 | 2018-09-04 | 西安交通大学 | 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统 |
CN108932720A (zh) * | 2018-07-24 | 2018-12-04 | 深圳先进技术研究院 | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 |
CN109285158A (zh) * | 2018-07-24 | 2019-01-29 | 深圳先进技术研究院 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
CN109300107A (zh) * | 2018-07-24 | 2019-02-01 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
CN109345538A (zh) * | 2018-08-30 | 2019-02-15 | 华南理工大学 | 一种基于卷积神经网络的视网膜血管分割方法 |
CN109087708A (zh) * | 2018-09-20 | 2018-12-25 | 深圳先进技术研究院 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
张娜: "MRI检测易损斑块的优势与不足", 磁共振成像, no. 6, pages 415 - 421 * |
赵媛;孙夏;AARON FENSTER;丁明跃;: "一种基于深度学习的颈动脉斑块超声图像识别方法", 中国医疗器械信息, no. 09, pages 9 - 11 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693622A (zh) * | 2022-03-22 | 2022-07-01 | 电子科技大学 | 一种基于人工智能的斑块侵蚀自动检测系统 |
CN114693622B (zh) * | 2022-03-22 | 2023-04-07 | 电子科技大学 | 一种基于人工智能的斑块侵蚀自动检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111598891B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11748879B2 (en) | Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network | |
CN110689543A (zh) | 基于注意机制的改进卷积神经网络脑肿瘤图像分割方法 | |
CN111368849B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111951280B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN110009656B (zh) | 目标对象的确定方法、装置、存储介质及电子装置 | |
CN113436185B (zh) | 肝脏静脉血管三维结构特征定量分析方法、装置、计算机设备和存储介质 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN111369562A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN116309571B (zh) | 一种基于半监督学习的三维脑血管分割方法和装置 | |
CN117495876B (zh) | 基于深度学习的冠状动脉图像分割方法及系统 | |
CN114708465B (zh) | 图像分类方法、装置、电子设备与存储介质 | |
CN112070752A (zh) | 一种医学图像的心耳分割方法、装置及存储介质 | |
CN113793345A (zh) | 一种基于改进注意力模块的医疗影像分割方法及装置 | |
CN111968137A (zh) | 头部ct图像分割方法、装置、电子设备及存储介质 | |
Lu et al. | A novel 3D medical image super-resolution method based on densely connected network | |
CN113313728B (zh) | 一种颅内动脉分割方法及系统 | |
CN111598891B (zh) | 斑块稳定性的识别方法、装置、设备及存储介质 | |
CN111931841A (zh) | 基于深度学习的树状处理方法、终端、芯片及存储介质 | |
CN116522070A (zh) | 一种机械零部件无监督智能故障诊断方法及系统 | |
CN112950734B (zh) | 冠脉重建方法、装置、电子设备和存储介质 | |
CN111369564B (zh) | 一种图像处理的方法、模型训练的方法及装置 | |
CN111626972B (zh) | Ct图像重构方法、模型训练方法及设备 | |
Arega et al. | Using Polynomial Loss and Uncertainty Information for Robust Left Atrial and Scar Quantification and Segmentation | |
CN110766651A (zh) | 颈动脉斑块的性质判别方法、训练方法及超声设备 |
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 |