CN111640095B - 脑微出血的量化方法和计算机可读存储介质 - Google Patents
脑微出血的量化方法和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111640095B CN111640095B CN202010439814.0A CN202010439814A CN111640095B CN 111640095 B CN111640095 B CN 111640095B CN 202010439814 A CN202010439814 A CN 202010439814A CN 111640095 B CN111640095 B CN 111640095B
- Authority
- CN
- China
- Prior art keywords
- brain
- micro
- bleeding
- image
- region
- 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
- 238000011002 quantification Methods 0.000 title claims abstract description 123
- 206010067277 Cerebral microhaemorrhage Diseases 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 83
- 210000004556 brain Anatomy 0.000 claims abstract description 803
- 230000007570 microbleeding Effects 0.000 claims abstract description 523
- 230000005291 magnetic effect Effects 0.000 claims abstract description 156
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 138
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 230000000740 bleeding effect Effects 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 50
- 238000013507 mapping Methods 0.000 claims description 30
- 238000000926 separation method Methods 0.000 claims description 23
- 230000005415 magnetization Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 11
- 230000011157 brain segmentation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 230000002490 cerebral effect Effects 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013139 quantization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 4
- 210000000133 brain stem Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 3
- 210000001638 cerebellum Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000001103 thalamus Anatomy 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 210000001653 corpus striatum Anatomy 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 231100000216 vascular lesion Toxicity 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- 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
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种脑微出血的量化方法和计算机可读存储介质。该方法包括：将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。该方法中，脑区的微出血量化结果由计算机设备自动处理所得到，无需人为参与，大大提高了脑微出血量化过程的效率；并且，采用神经网络模型对脑部磁共振图像进行分割和检测，以得到脑区的微出血量化结果，也进一步提高了量化结果的准确性。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种脑微出血的量化方法和计算机可读存储介质。
背景技术
脑微出血(cerebral microbleeds，CMB)是一种微小型的脑血管病变后导致脑内血液中的铁血黄素的沉积的现象，其会损害相应脑部组织，进一步会引起认知功能障碍等。目前临床上一般通过微出血视觉评定量表的方法评估脑微出血的严重程度，最常见的视觉评定量表有微出血解剖评分量表(microbleed anatomical rating scale，MARS)和观察者微出血评分量表(brain observer microBleed scale，BOMBS)；通过对不同脑分区影像进行分析，按照微出血直径大小分为<5mm与5～10mm两大类进行计数，进而评估脑微出血的严重程度。
传统技术中，已有基于机器学习技术来检测脑微出血情况，通过对脑影像进行预处理、提取图像特征、训练分类器区分当前位置是否存在病灶等过程，来实现脑微出血位置的检测功能，医师在得到这些脑微出血检测结果后，仍需要人为按照评价量表进行分区计数。
因此，传统技术中得到微出血视觉评定量表的效率仍较低。
发明内容
基于此，有必要针对传统技术中确定脑微出血视觉评定量表的效率较低的问题，提供一种脑微出血的量化方法和计算机可读存储介质。
一种脑微出血的量化方法，该方法包括：
将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
在其中一个实施例中，根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果，包括：
针对每个脑微出血区域，基于脑微出血区域和灰度阈值，确定脑微出血区域中的微出血点；
针对每个微出血点，根据脑区分割结果和属于微出血点的各体素点位置，确定微出血点所归属的脑区；
根据微出血点所归属的脑区和属于微出血点的各体素点，确定脑区的微出血量化结果。
在其中一个实施例中，基于脑微出血区域和灰度阈值，确定脑微出血区域中的微出血点，包括：
提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域；
获取参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值的体素点作为候选微出血体素点；
根据候选微出血体素点确定出血点连通域，将出血点连通域中的各体素点确定为脑微出血区域中的微出血点。
在其中一个实施例中，根据脑区分割结果和属于微出血点的各体素点位置，确定微出血点所归属的脑区，包括：
根据脑区分割结果和属于微出血点的各体素点位置，确定各体素点所归属的脑区；
对各体素点所归属的脑区进行统计，将包含体素点数量最多的脑区确定为微出血点所归属的脑区。
在其中一个实施例中，根据微出血点所归属的脑区和属于微出血点的各体素点，确定脑区的微出血量化结果，包括：
计算与微出血点中各体素点所对应的出血点连通域的直径；
根据出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到脑区的微出血量化结果。
在其中一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像和T1图像；将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果，包括：
将SWI图像和T1图像进行图像配准，确定SWI图像与T1图像之间的映射关系；
将T1图像输入脑区分割模型中，得到T1图像的脑区分割结果；
根据T1图像的脑区分割结果、SWI图像与T1图像之间的映射关系，确定SWI图像的脑区分割结果。
在其中一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像；将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果，包括：
将SWI图像输入脑区分割模型中，得到SWI图像的脑区分割结果。
在其中一个实施例中，上述方法还包括：
将脑区分割结果、脑微出血区域以及脑区的微出血量化结果中的至少一个实时发送至对应用户的客户端，以供用户对受检对象的脑微出血状态进行评估；
或者，
以预设时间间隔为周期，对数据库中脑部磁共振图像对应的微出血量化结果进行统计，得到统计结果；该统计结果表征当前周期内脑微出血病例的微出血点数据分布；
将统计结果通过网页展示至用户的客户端；
或者，
以预设时间间隔为周期，对同一受测对象的脑部磁共振图像对应的微出血量化结果进行比对，得到比对结果；该比对结果表征受测对象在当前周期内脑微出血状态的变化情况；
将比对结果发送至用户的客户端。
在其中一个实施例中，上述方法还包括：
获取脑区的微出血查询指令；该微出血查询指令携带脑区标识；
根据脑区标识，获取与脑区标识对应的微出血点数量和脑微出血点区域；
根据脑微出血点数量，依次展示脑微出血点区域。
一种脑微出血的量化方法，包括：
将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
基于脑区分割结果，确定脑部磁共振图像中各个脑区的位置；
将包含脑区位置信息的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
在其中一个实施例中，基于脑区分割结果，确定脑部磁共振图像中各个脑区的位置，包括：
根据脑区分割结果、以及脑区分割结果与脑部磁共振图像之间体素点位置的对应关系，确定脑部磁共振图像中各个脑区的位置。
在其中一个实施例中，根据脑微出血区域，确定脑区的微出血量化结果，包括：
提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域；
获取参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值的体素点作为候选微出血体素点；
根据候选微出血体素点确定出血点连通域，计算该出血点连通域的直径；
根据出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到脑区的微出血量化结果。
在其中一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像和T1图像；将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果，包括：
将SWI图像和T1图像进行图像配准，确定SWI图像与T1图像之间的映射关系；
将T1图像输入脑区分割模型中，得到T1图像的脑区分割结果；
根据T1图像的脑区分割结果、SWI图像与T1图像之间的映射关系，确定SWI图像的脑区分割结果。
在其中一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像；将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果，包括：
将SWI图像输入脑区分割模型中，得到SWI图像的脑区分割结果。
在其中一个实施例中，上述方法还包括：
将脑区分割结果、脑微出血区域以及脑区的微出血量化结果中的至少一个实时发送至对应用户的客户端，以供用户对受检对象的脑微出血状态进行评估；
或者，
以预设时间间隔为周期，对数据库中脑部磁共振图像对应的微出血量化结果进行统计，得到统计结果；该统计结果表征当前周期内脑微出血病例的微出血点数据分布；
将统计结果通过网页展示至用户的客户端；
或者，
以预设时间间隔为周期，对同一受测对象的脑部磁共振图像对应的微出血量化结果进行比对，得到比对结果；该比对结果表征受测对象在当前周期内脑微出血状态的变化情况；
将比对结果发送至用户的客户端。
在其中一个实施例中，上述方法还包括：
获取脑区的微出血查询指令；该微出血查询指令携带脑区标识；
根据脑区标识，获取与脑区标识对应的微出血点数量和脑微出血点区域；
根据脑微出血点数量，依次展示脑微出血点区域。
一种脑微出血的量化装置，该装置包括：
第一脑区分割模块，用于将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
第一微出血检测模块，用于将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
第一微出血量化模块，用于根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
一种脑微出血的量化装置，该装置包括：
第二脑区分割模块，用于将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
确定模块，用于基于脑区分割结果，确定脑部磁共振图像中各个脑区的位置；
第二微出血检测模块，用于将包含脑区位置信息的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
第二微出血量化模块，用于根据脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
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以下步骤：
将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
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以下步骤：
将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
基于脑区分割结果，确定脑部磁共振图像中各个脑区的位置；
将包含脑区位置信息的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
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以下步骤：
将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
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以下步骤：
将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
基于脑区分割结果，确定脑部磁共振图像中各个脑区的位置；
将包含脑区位置信息的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
上述脑微出血的量化方法、装置、计算机设备和存储介质，能够将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。该方法中，脑区的微出血量化结果由计算机设备自动处理所得到，无需人为参与，大大提高了脑微出血量化过程的效率；并且，采用神经网络模型对脑部磁共振图像进行分割和检测，以得到脑区的微出血量化结果，也进一步提高了量化结果的准确性。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中脑微出血的量化方法的流程示意图；
图3为另一个实施例中脑微出血的量化方法的流程示意图；
图4为又一个实施例中脑微出血的量化方法的流程示意图；
图5为又一个实施例中脑微出血的量化方法的流程示意图；
图5a为一个实施例中微出血量化结果的示意图；
图6为又一个实施例中脑微出血的量化方法的流程示意图；
图7为又一个实施例中脑微出血的量化方法的流程示意图；
图8为又一个实施例中脑微出血的量化方法的流程示意图；
图9为一个实施例中脑微出血的量化装置的结构框图；
图10为另一个实施例中脑微出血的量化装置的结构框图。
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。
本申请实施例提供的脑微出血的量化方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选地，该计算机设备还可以包括通信接口、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。该计算机设备的通信接口用于与外部的终端通过网络连接通信。可选地，该计算机设备可以是个人计算机(personal computer，简称PC)，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑(portable android device，简称PAD)、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中，如图2所示，提供了一种脑微出血的量化方法，以该方法应用于图1中的计算机设备为例进行说明，本实施例涉及的是计算机设备对脑部磁共振图像进行分割、检测，以得到脑区的微出血量化结果的具体过程。该方法包括以下步骤：
S101，将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果。
其中，脑微出血CMB在磁共振常规平扫序列如T1、T2、T2Flair图像上几乎不可见，检测CMB的常用序列是梯度回波T2加权(gradient-recalled echo T2*-weighted,GRET2*)图像、磁化加权磁共振成像(susceptibility-weighted imaging,SWI)及定量磁敏感图(quantitative susceptibility mapping，QSM)序列，这些序列对顺磁性组织(如铁血黄素)高度敏感，因此可以在正常脑实质和静脉或血管损伤(如CMB)之间提供高对比度。因此，本实施例中获取的脑部磁共振图像可以包括GRE T2*序列图像、SWI序列图像及QSM序列图像等，又因T1图像观察解剖结构效果较好，则获取的脑部磁共振图像还可以包括T1图像辅助检测。
具体地，计算机设备可以将获取的脑部磁共振图像输入脑区分割模型中，得到各个脑区的分割结果。可选地，本实施例中的脑区分割结果可以包括皮层或灰白质交接区、皮层下白质、尾状核和豆状核、内囊和外囊、丘脑、脑干、小脑等区域的分割结果，且每个区域还可分为左脑与右脑部分。可选地，计算机设备可以将不同脑区的分割结果以不同颜色进行填充，以明显的区分出不同的脑区区域。可选地，计算机设备在将脑部磁共振图像输入脑区分割模型之前，还可以对其进行预处理，包括但不限于重采样、脑组织提取、图像非均匀矫正及灰度归一化等。
可选地，上述脑区分割模型可以为全卷积网络模型，包括但不限于U-Net、3D U-Net、V-Net等。可选地，该脑区分割模型的训练方式可以包括：获取大量(大于1000张)样本图像(包括出现脑微出血的磁共振图像和未出现脑微出血的磁共振图像)，并由专业医生对每个样本图像进行人工标注，标注出各个脑区的掩膜，作为金标准；然后将样本图像和对应的金标准划分为训练集和验证集，优选地，训练集和验证集的比例可以为8:2；需要说明的是，一般脑部磁共振图像包含几十至数百张切片图像，则专业医生需要对每张图像进行逐层标注。接下来，计算机设备采用训练集对脑区分割模型进行训练，对金标准和模型输出结果采用预设的损失函数计算损失，并根据该损失调整脑区分割模型的模型参数；可选地，该损失函数包括但不限于Dice Loss、Focal Loss、Dice Loss与Focal Loss的联合损失函数、Dice Loss和交叉熵的联合损失函数等，并可以将Dice系数或IOU(交并比)等重叠率作为模型的训练结束条件。然后，采用验证集对训练结束的脑区分割模型进行验证，其中，可以将验证集的输出结果和预设条件进行比较，判断该模型的计算性能是否达到预期，可选地，该预设条件可以为设置Dice系数大于等于0.9等；若验证集的输出结果满足预设条件，则可以将此时的脑区分割模型进行保存以供后续使用，若不满足预设条件，则继续对该模型进行训练。可选地，计算机设备也可以对样本图像进行如重采样、脑组织提取、图像非均匀矫正及灰度归一化等的预处理过程。
S102，将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域。
具体地，计算机设备可以再将上述脑部磁共振图像输入脑微出血检测模型中，对脑微出血点区域进行标记(如矩形框标记)，得到脑微出血区域。可选地，该脑微出血检测模型也可以为全卷积网络模型，包括但不限于R-CNN、Faster R-CNN等。
可选地，上述脑微出血检测模型的训练方式可以包括：获取大量的样本图像，其获取方式可以参见上述步骤的描述过程，需要说明的是，专业医生对该样本图像的标注为脑微出血点的区域位置。同样将样本图像和对应的金标准划分为训练集和验证集，由训练集对脑微出血检测模型进行训练、验证集对脑微出血检测模型进行验证，其中，训练过程采用的损失函数可以包括softmax loss与soomth L1 loss的联合损失函数，并将平均精度(average precision,AP)作为模型的训练结束条件，当验证集的输出结果平均精度满足预设条件时将脑微出血检测模型进行保存以供后续使用。
S103，根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
具体地，计算机设备由上述脑区分割结果可以得知每个体素点所归属的脑区，由脑微出血区域可以得知每个体素点是否属于微出血点，则根据该脑区分割结果和脑微出血点区域，可以确定每个脑区中是否包含微出血点、以及确定每个脑区中的微出血点数量。可选地，计算机设备可以将属于同一脑区且属于微出血点的体素点进行连通，得到的连通域的个数即该脑区微出血点的数量，进而得到各个脑区的微出血量化结果。可选地，计算机设备可以采用MARS量表或BOMBS量表形式记录各脑区的量化结果，并将得到的脑区的微出血量化结果保存至数据库中。
可选地，计算机设备得到脑区的微出血量化结果之后，还可以将上述脑区分割结果、脑微出血区域以及脑区的微出血量化结果中的至少一个发送至对应用户(如科室医生)的客户端，用户便可以根据需要查看某个结果，以供用户对受检对象的脑微出血状态进行评估；示例性的，用户可以通过BOMBS量表得知各脑区微出血点的数量分布情况。或者，计算机设备可以以预设时间间隔为周期，对数据库中脑部磁共振图像对应的微出血量化结果进行统计，统计当前周期内微出血病例的微出血点数据分布，如统计微出血点较多的脑区等，得到统计结果；并将该统计结果通过网页形式展示至对应用户的客户端上，以供用户对脑微出血的病例进行分析总结。或者，计算机设备还可以以预设时间间隔为周期，对同一受测对象的脑部磁共振图像对应的脑微出血量化结果进行比对，即比对某一个受测对象在一段时间内脑微出血状态的变化情况，如术前和术后的脑微出血状态的变化情况，并将对比结果发送至用户的客户端上进行查看。
本实施例提供的脑微出血的量化方法，计算机设备首先将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果，然后将该脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域，最后根据脑区分割结果和脑微出血区域，自动确定脑区的微出血量化结果。该方法中，脑区的微出血量化结果由计算机设备自动处理所得到，无需人为参与，大大提高了脑微出血量化过程的效率；并且，计算机设备采用神经网络模型对脑部磁共振图像进行分割和检测，以得到脑区的微出血量化结果，也进一步提高了量化结果的准确性。
在一个实施例中，涉及的是计算机设备根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果的具体过程。可选地，如图3所示，上述S103可以包括：
S201，针对每个脑微出血区域，基于脑微出血区域和灰度阈值，确定脑微出血区域中的微出血点。
具体地，脑微出血区域可以包括一个或多个，且每个脑微出血区域通常为由矩形框所标记的微出血点区域，其会包含一些不属于微出血点的体素点；另外，属于微出血点的体素点在脑部磁共振图像中的灰度值通常较低。那么针对每个脑微出血区域，计算机设备基于脑微出血区域和灰度阈值，可以将脑微出血区域中灰度值低于灰度阈值的体素点作为属于微出血点的体素点，并记录各体素点的位置，即得到对应的微出血点。可选地，对于一个脑微出血区域，其包含的微出血点也可以有多个。
S202，针对每个微出血点，根据脑区分割结果和属于微出血点的各体素点位置，确定微出血点所归属的脑区。
具体地，针对每个微出血点，计算机设备根据上述脑区分割结果，可以得到每个体素点所归属的脑区，那么再基于上述属于微出血点的各体素点位置，可以确定每个微出血点所归属的脑区。
可选地，计算机设备可以根据脑区分割结果和属于微出血点的各体素点位置确定该各体素点所归属的脑区，然后对该各体素点所归属的脑区进行统计，统计这些脑区中分别包含的体素点的数量，如假设属于微出血点的体素点有100个，其中有90个体素点所归属的脑区为脑干，10个体素点所归属的脑区为小脑，则将包含体素点数量最多的脑区(即脑干)确定为该微出血点所归属的脑区。
S203，根据微出血点所归属的脑区和属于微出血点的各体素点，确定脑区的微出血量化结果。
具体地，对于一个脑区，计算机设备根据该脑区中属于微出血点的各个体素点，可以统计出该脑区所包含的连通域个数，进而将连通域个数确定为该脑区的微出血量化结果。
本实施例提供的脑微出血的量化方法，计算机设备首先基于脑微出血区域和灰度阈值，确定脑微出血区域中的微出血点，由此确定得到的微出血点为脑微出血区域中实际的微出血体素点，可以避免脑微出血区域中一些无关体素点的干扰影响后续判断结果；然后根据脑区分割结果和属于微出血点的各体素点位置，确定该微出血点所归属的脑区；最后根据微出血点所归属的脑区和属于该微出血点的各体素点，确定该脑区的微出血量化结果。因本实施例中进行微出血量化的体素点都为实际的微出血体素点，其可以提高得到的微出血量化结果的准确性。
在一个实施例中，可能会存在脑微出血检测模型的不稳定性或计算机设备显存的处理能力欠佳等因素，导致得到的脑微出血区域边缘没有包含所有的微出血体素点，影响后续脑区微出血的量化精度。因此，如图4所示，可选地，上述S201可以包括：
S301，提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域。
具体地，计算机可以先提取上述脑微出血区域的中心点，其中，若上述脑部磁共振图像为二维图像，则将该中心点作为圆心，若上述脑部磁共振图像为三维图像，则将该中心点作为球心；并以预设阈值为直径，确定一个圆形(或球形)的参考微出血区域。可选地，由于临床上脑部微出血点直径通常在2-10mm之间，因此可以将该预设阈值设置为15mm，以确保参考微出血区域能够包含所有的微出血体素点。
S302，获取参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值的体素点作为候选微出血体素点。
具体地，对于上述参考微出血区域中的各体素点，计算机设备可以从脑部磁共振图像上获取对应的灰度值，将灰度值小于上述灰度阈值(如可以设置为80)的体素点作为候选微出血体素点。可选地，计算机设备还可以将各体素点的灰度值进行排序，如升序排序，并将灰度值在0-10％分位数间的体素点作为候选微出血体素点。
S303，根据候选微出血体素点确定出血点连通域，将出血点连通域中的各体素点确定为脑微出血区域中的微出血点。
具体地，对于上述候选微出血体素点，计算机设备可以将各体素点进行连通，确定出一个或多个出血点连通域，确定出血点连通域的过程中可以剔除离散点，将该出血点连通域中的各体素点作为上述脑微出血区域中的微出血点。
可选地，对于每个脑微出血区域，都可采用上述方法确定该区域中的微出血点。然后计算机设备还可以对各微出血点中的体素点进行坐标字典计数：假设一个脑部磁共振图像中有CMBNums个微出血点(CMBNums表示微出血点数量)，对于每个微出血点包含voxelNums[i]个体素点(voxelNums表示体素点数量)，各体素点坐标记为loc[i][j],i＝0,1,2,…,CMBNums,j＝0,1,…,voxelNums[i]，则微出血点与体素坐标字典可记为{
0：{loc[0][0],loc[0][1],…,loc[0][voxelNums[0]]}；
1：{loc[1][0],loc[1][1],…,loc[1][voxelNums[1]]}；
……
CMBNums:{loc[CMBNums][0],loc[CMBNums][1],…,loc[CMBNums][voxelNu ms[CMBNums]]}}
可选地，在得到微出血点与体素坐标字典的对应关系的基础上，计算机设备还可以对每个微出血点进行标记，以确定每个微出血点所归属的脑区：首先计算机设备将每个微出血点的计数标志设为0，对于第i(i<CMBNums)个微出血点，依次判断第j个(j<voxelNums[i])体素点所归属的脑区，直至将当前微出血点中的体素点判断完成，将包含体素点数量最多的脑区确定为该微出血点所归属的脑区；并将其计数标志置为1。然后对第i+1个微出血点进行相同步骤的判断，直至将所有微出血点判断完成。
本实施例提供的脑微出血的量化方法，计算机设备首先提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域，由此可以确保参考微出血区域中可以包含所有微出血体素点，避免因脑微出血检测模型的不稳定性或计算机设备显存的处理能力欠佳等因素带来的检测误差；然后获取该参考微出血区域中各体素点的灰度值，以确定候选微出血体素点；最后基于候选微出血体素点确定的出血点连通域，来确定脑微出血区域中的微出血点。本实施例通过参考微出血区域可大大提高所确定的属于微出血点的各体素点位置的准确性，进而提高微出血量化结果的准确性。
可选地，在上述实施例的基础上，本实施例涉及的是计算机设备根据微出血点所归属的脑区和属于微出血点的各体素点，确定脑区的微出血量化结果的具体过程，如图5所示，上述S203可以包括：
S401，计算与微出血点中各体素点所对应的出血点连通域的直径。
S402，根据出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到脑区的微出血量化结果。
具体地，与微出血点中各体素点所对应的出血点连通域可以为上述S303步骤所确定的连通域，然后计算机设备可以计算每个出血点连通域的直径，可选地，若出血点连通域为圆形(或球形)，则可以计算通过圆心(或球心)的任意直径长度；若出血点连通域为不规则形状，则可以计算通过中心的最长线的长度。通常，在临床上医生所使用的MARS量表或BOMBS量表，会区分直径<5mm的微出血数量和5-10mm的微出血数量，因此，本实施例中可以将直径阈值设置为5mm和10mm，将得到的出血点连通域的直径与两个直径阈值进行比较，便可以得知其属于<5mm的微出血点还是5-10mm的微出血点，进而确定各脑区的微出血量化结果。可选地，本实施例中的微出血量化结果示意图可以参见图5a所示。由此，可以将脑区的微出血量化结果进一步细分，更加贴合实际临床使用场景。
在一个实施例中，因磁共振T1图像观察解剖结构效果较好，因此临床上在判断脑微出血时除了扫描磁化加权磁共振SWI图像之外，也会同时扫描T1图像；可选地，如图6所示，上述S101可以包括：
S501，将SWI图像和T1图像进行图像配准，确定SWI图像与T1图像之间的映射关系。
具体地，SWI图像和T1图像为对同一受测对象的脑部进行扫描得到的图像，计算机设备可以将SWI图像和T1图像进行图像配准，如采用刚性配准等配准方法，以确定SWI图像与T1图像之间的映射关系。
S502，将T1图像输入脑区分割模型中，得到T1图像的脑区分割结果。
S503，根据T1图像的脑区分割结果、SWI图像与T1图像之间的映射关系，确定SWI图像的脑区分割结果。
具体地，因T1图像观察解剖结构效果较好，因此计算机设备可以只将T1图像输入脑区分割模型中，对T1图像进行各个脑区的分割，得到更加清晰明确的脑区分割结果。然后根据SWI图像与T1图像之间的映射关系，确定两个图像中各个体素点的位置关系，可以将T1图像的脑区分割结果映射至SWI图像，即确定SWI图像的脑区分割结果，该脑区分割结果包括皮层、灰白质、白质、豆状核与尾状核、内囊、外囊、丘脑、脑干、小脑等区域。
可选地，若所扫描的磁共振图像只包括SWI图像，则计算机设备可以直接将该SWI图像输入脑区分割模型中，得到该SWI图像对应的脑区分割结果。
本实施例中提供的脑微出血的量化方法，计算机设备同时获取SWI图像和T1图像，并将两个图像进行图像配准，以确定SWI图像和T1图像之间的映射关系；将T1图像输入脑区分割模型中，得到T1图像的脑区分割结果，再根据上述映射关系确定SWI图像的脑区分割结果。因T1图像的解剖结构较明确，则其得到的脑区分割结果准确性较高，进而也提高了SWI图像脑区分割结果的准确性。
在一个实施例中，计算机设备还可以获取用户输入的脑区的微出血查询指令，该微出血查询指令携带脑区标识；例如，用户可以在上述图5a的微出血量化结果中点击任一个脑区名称，计算机设备获取到对应的脑区标识后，可以获取该脑区的微出血点数量和脑微出血点区域，即该脑区中有几个微出血点且这几个微出血点分别在什么位置；然后根据微出血点数量依次展示每个脑微出血点区域。可选地，计算机设备可以用不同颜色展示该脑区的脑微出血点区域；用户也可以依次点击多个脑区名称，并依次用不同颜色展示各个脑区的微出血点区域。由此可使得用户直观的查看脑部磁共振图像中的出血点，提高了与用户的智能交互性。
为更好理解整个脑微出血的量化方法的处理过程，下面以一个完整实施例方式对该方法进行描述。如图7所示，该方法包括：
S601，将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
S602，将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
S603，提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域；
S604，获取参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值的体素点作为候选微出血体素点；
S605，根据候选微出血体素点确定出血点连通域，将出血点连通域中的各体素点确定为脑微出血区域中的微出血点；
S606，根据脑区分割结果和属于微出血点的各体素点位置，确定各体素点所归属的脑区；
S607，对各体素点所归属的脑区进行统计，将包含体素点数量最多的脑区确定为述微出血点所归属的脑区；
S608，计算与微出血点中各体素点所对应的出血点连通域的直径；
S609，根据出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到该脑区的微出血量化结果。
关于各步骤的实现过程可以参见上述实施例的描述，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，还提供一种脑微出血的量化方法，因脑区分割结果通常为黑白掩膜，且与脑部磁共振图像具有相同尺寸大小，则通过脑区分割结果可以对应映射出脑部磁共振图像中的各个脑区位置。因此与上述实施例的过程不同的是，本实施例中在得到脑区分割结果之后，先确定出脑部磁共振图像中各个脑区的位置，再输入脑微出血检测模型中进行检测，得到脑微出血区域，此时每个脑微出血区域所对应的脑区便是可以得知的。可选地，如图8所示，该方法包括：
S701，将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果。
具体地，计算机设备将脑部磁共振图像输入脑区分割模型中，得到脑区分割结果的过程可以参见上述实施例中S101的步骤，在此不再赘述。
S702，基于脑区分割结果，确定脑部磁共振图像中各个脑区的位置。
具体地，计算机设备基于上述脑区分割结果，可以确定每个脑区包含了哪些体素点，进而根据这些体素点的位置，确定各个脑区的位置。可选地，计算机设备可以根据脑区分割结果、以及脑区分割结果与脑部磁共振图像之间体素点位置的对应关系，确定脑部磁共振图像中各个脑区的位置。可选地，计算机设备还可以在脑部磁共振图像中将每个脑区的边界进行标注，以标注出各个脑区的位置。
S703，将包含脑区位置信息的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域。
S704，根据脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
具体地，计算机设备将包含脑区位置的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域。需要说明的是，因脑微出血区域通常由矩形框标记出来，而各个脑区的位置也是已知的，那么便可以确定每个脑微出血区域处于哪个脑区。对于某个脑微出血区域跨越两个或多个脑区的情况，计算机设备也可以先确定该脑微出血区域中各体素点所归属的脑区，将包含体素点数量最多脑区确定为该脑微出血区域所归属的脑区。
然后，计算机设备便可以根据得到的脑微出血区域，得知每个体素点是否属于微出血点、每个脑区中是否包含微出血点、以及确定每个脑区中的微出血点数量。可选地，计算机设备可以根据得到的脑微出血区域，提取该区域的中心点，并与预设阈值为直径，确定参考微出血区域；可选地，可以将该预设阈值设置为15mm，以确保参考微出血区域能够包含所有的微出血体素点。接下来，获取该参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值(如可以设置为80)的体素点作为候选微出血体素点；可选地，计算机设备可以将各体素点的灰度值进行排序，如升序排序，并将灰度值在0-10％分位数间的体素点作为候选微出血体素点。然后，根据候选微出血体素点确定出血点连通域，并计算出血点连通域的直径；将得到的出血点连通域的直径与预设的两个直径阈值(5mm和10mm)进行比较，便可以得知其属于<5mm的微出血点还是5-10mm的微出血点，进而确定各脑区的微出血量化结果。
本实施例提供的脑微出血的量化方法，计算机设备将脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；基于该脑区分割结果确定脑部磁共振图像中各个脑区的位置；然后将包含脑区位置信息的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域，此时可以得知每个脑微出血区域属于哪个脑区，则不需要对脑微出血区域所归属的脑区单独进行判断，提高了脑微出血的检测效率；最后根据得到的脑微出血区域便可以确定脑区的微出血量化结果。由此，本实施例提供的脑微出血的量化过程，可以进一步提高量化效率。
应该理解的是，虽然图2-图8的流程图中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2-图8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，如图9所示，提供了一种脑微出血的量化装置，包括：第一脑区分割模块11、第一微出血检测模块12和第一微出血量化模块13。
具体地，第一脑区分割模块11，用于将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果。
第一微出血检测模块12，用于将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域。
第一微出血量化模块13，用于根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
本实施例提供的脑微出血的量化装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，上述第一微出血量化模块13，具体用于针对每个脑微出血区域，基于脑微出血区域和灰度阈值，确定脑微出血区域中的微出血点；针对每个微出血点，根据脑区分割结果和属于微出血点的各体素点位置，确定微出血点所归属的脑区；根据微出血点所归属的脑区和属于微出血点的各体素点，确定脑区的微出血量化结果。
在一个实施例中，上述第一微出血量化模块13，具体用于提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域；获取参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值的体素点作为候选微出血体素点；根据候选微出血体素点确定出血点连通域，将出血点连通域中的各体素点确定为脑微出血区域中的微出血点。
在一个实施例中，上述第一微出血量化模块13，具体用于根据脑区分割结果和属于微出血点的各体素点位置，确定各体素点所归属的脑区；对各体素点所归属的脑区进行统计，将包含体素点数量最多的脑区确定为微出血点所归属的脑区。
在一个实施例中，上述第一微出血量化模块13，具体用于计算与微出血点中各体素点所对应的出血点连通域的直径；根据出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到脑区的微出血量化结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像和T1图像；上述第一脑区分割模块11，具体用于将SWI图像和T1图像进行图像配准，确定SWI图像与T1图像之间的映射关系；将T1图像输入脑区分割模型中，得到T1图像的脑区分割结果；根据T1图像的脑区分割结果、SWI图像与T1图像之间的映射关系，确定SWI图像的脑区分割结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像；第一脑区分割模块11，具体用于将SWI图像输入脑区分割模型中，得到SWI图像的脑区分割结果。
在一个实施例中，上述装置还包括第一统计模块，用于将脑区分割结果、脑微出血区域以及脑区的微出血量化结果中的至少一个实时发送至对应用户的客户端，以供用户对受检对象的脑微出血状态进行评估；或者，以预设时间间隔为周期，对数据库中脑部磁共振图像对应的微出血量化结果进行统计，得到统计结果；该统计结果表征当前周期内脑微出血病例的微出血点数据分布；将统计结果通过网页展示至用户的客户端；或者，以预设时间间隔为周期，对同一受测对象的脑部磁共振图像对应的微出血量化结果进行比对，得到比对结果；该比对结果表征受测对象在当前周期内脑微出血状态的变化情况；将比对结果发送至所述用户的客户端。
在一个实施例中，上述装置还包括第一交互模块，用于获取脑区的微出血查询指令；该微出血查询指令携带脑区标识；根据脑区标识，获取与脑区标识对应的微出血点数量和脑微出血点区域；根据脑微出血点数量，依次展示脑微出血点区域。
本实施例提供的脑微出血的量化装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，如图10所示，提供了一种脑微出血的量化装置，包括：第二脑区分割模块21、确定模块22、第二微出血检测模块23和第二微出血量化模块24。
具体地，第二脑区分割模块21，用于将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
确定模块22，用于基于脑区分割结果，确定脑部磁共振图像中各个脑区的位置；
第二微出血检测模块23，用于将包含脑区位置信息的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
第二微出血量化模块24，用于根据脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
本实施例提供的脑微出血的量化装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，确定模块22，具体用于根据脑区分割结果、以及脑区分割结果与脑部磁共振图像之间体素点位置的对应关系，确定脑部磁共振图像中各个脑区的位置。
在一个实施例中，第二微出血量化模块24，具体用于提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域；获取参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值的体素点作为候选微出血体素点；根据候选微出血体素点确定出血点连通域，计算该出血点连通域的直径；根据出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到脑区的微出血量化结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像和T1图像；第二脑区分割模块21，具体用于将SWI图像和T1图像进行图像配准，确定SWI图像与T1图像之间的映射关系；将T1图像输入脑区分割模型中，得到T1图像的脑区分割结果；根据T1图像的脑区分割结果、SWI图像与T1图像之间的映射关系，确定SWI图像的脑区分割结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像；第二脑区分割模块21，具体用于将SWI图像输入脑区分割模型中，得到SWI图像的脑区分割结果。
在一个实施例中，上述装置还包括第二统计模块，用于将脑区分割结果、脑微出血区域以及脑区的微出血量化结果中的至少一个实时发送至对应用户的客户端，以供用户对受检对象的脑微出血状态进行评估；或者，以预设时间间隔为周期，对数据库中脑部磁共振图像对应的微出血量化结果进行统计，得到统计结果；该统计结果表征当前周期内脑微出血病例的微出血点数据分布；将统计结果通过网页展示至用户的客户端；或者，以预设时间间隔为周期，对同一受测对象的脑部磁共振图像对应的微出血量化结果进行比对，得到比对结果；该比对结果表征受测对象在当前周期内脑微出血状态的变化情况；将比对结果发送至所述用户的客户端。
在一个实施例中，上述装置还包括第二交互模块，用于获取脑区的微出血查询指令；该微出血查询指令携带脑区标识；根据脑区标识，获取与脑区标识对应的微出血点数量和脑微出血点区域；根据脑微出血点数量，依次展示脑微出血点区域。
关于脑微出血的量化装置的具体限定可以参见上文中对于脑微出血的量化方法的限定，在此不再赘述。上述脑微出血的量化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，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1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、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种脑微出血的量化方法。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1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，提供了一种计算机设备，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以下步骤：
将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
针对每个脑微出血区域，基于脑微出血区域和灰度阈值，确定脑微出血区域中的微出血点；
针对每个微出血点，根据脑区分割结果和属于微出血点的各体素点位置，确定微出血点所归属的脑区；
根据微出血点所归属的脑区和属于微出血点的各体素点，确定脑区的微出血量化结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域；
获取参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值的体素点作为候选微出血体素点；
根据候选微出血体素点确定出血点连通域，将出血点连通域中的各体素点确定为脑微出血区域中的微出血点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据脑区分割结果和属于微出血点的各体素点位置，确定各体素点所归属的脑区；
对各体素点所归属的脑区进行统计，将包含体素点数量最多的脑区确定为微出血点所归属的脑区。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
计算与微出血点中各体素点所对应的出血点连通域的直径；
根据出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到脑区的微出血量化结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像和T1图像；处理器执行计算机程序时还实现以下步骤：
将SWI图像和T1图像进行图像配准，确定SWI图像与T1图像之间的映射关系；
将T1图像输入脑区分割模型中，得到T1图像的脑区分割结果；
根据T1图像的脑区分割结果、SWI图像与T1图像之间的映射关系，确定SWI图像的脑区分割结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像；处理器执行计算机程序时还实现以下步骤：
将SWI图像输入脑区分割模型中，得到SWI图像的脑区分割结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将脑区分割结果、脑微出血区域以及脑区的微出血量化结果中的至少一个实时发送至对应用户的客户端，以供用户对受检对象的脑微出血状态进行评估；
或者，
以预设时间间隔为周期，对数据库中脑部磁共振图像对应的微出血量化结果进行统计，得到统计结果；该统计结果表征当前周期内脑微出血病例的微出血点数据分布；
将统计结果通过网页展示至用户的客户端；
或者，
以预设时间间隔为周期，对同一受测对象的脑部磁共振图像对应的微出血量化结果进行比对，得到比对结果；该比对结果表征受测对象在当前周期内脑微出血状态的变化情况；
将比对结果发送至用户的客户端。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取脑区的微出血查询指令；该微出血查询指令携带脑区标识；
根据脑区标识，获取与脑区标识对应的微出血点数量和脑微出血点区域；
根据脑微出血点数量，依次展示脑微出血点区域。
在一个实施例中，还提供了一种计算机设备，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以下步骤：
将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
基于脑区分割结果，确定脑部磁共振图像中各个脑区的位置；
将包含脑区位置信息的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据脑区分割结果、以及脑区分割结果与脑部磁共振图像之间体素点位置的对应关系，确定脑部磁共振图像中各个脑区的位置。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域；
获取参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值的体素点作为候选微出血体素点；
根据候选微出血体素点确定出血点连通域，计算该出血点连通域的直径；
根据出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到脑区的微出血量化结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像和T1图像；处理器执行计算机程序时还实现以下步骤：
将SWI图像和T1图像进行图像配准，确定SWI图像与T1图像之间的映射关系；
将T1图像输入脑区分割模型中，得到T1图像的脑区分割结果；
根据T1图像的脑区分割结果、SWI图像与T1图像之间的映射关系，确定SWI图像的脑区分割结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像；处理器执行计算机程序时还实现以下步骤：
将SWI图像输入脑区分割模型中，得到SWI图像的脑区分割结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将脑区分割结果、脑微出血区域以及脑区的微出血量化结果中的至少一个实时发送至对应用户的客户端，以供用户对受检对象的脑微出血状态进行评估；
或者，
以预设时间间隔为周期，对数据库中脑部磁共振图像对应的微出血量化结果进行统计，得到统计结果；该统计结果表征当前周期内脑微出血病例的微出血点数据分布；
将统计结果通过网页展示至用户的客户端；
或者，
以预设时间间隔为周期，对同一受测对象的脑部磁共振图像对应的微出血量化结果进行比对，得到比对结果；该比对结果表征受测对象在当前周期内脑微出血状态的变化情况；
将比对结果发送至用户的客户端。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取脑区的微出血查询指令；该微出血查询指令携带脑区标识；
根据脑区标识，获取与脑区标识对应的微出血点数量和脑微出血点区域；
根据脑微出血点数量，依次展示脑微出血点区域。
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以下步骤：
将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
将脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对每个脑微出血区域，基于脑微出血区域和灰度阈值，确定脑微出血区域中的微出血点；
针对每个微出血点，根据脑区分割结果和属于微出血点的各体素点位置，确定微出血点所归属的脑区；
根据微出血点所归属的脑区和属于微出血点的各体素点，确定脑区的微出血量化结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域；
获取参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值的体素点作为候选微出血体素点；
根据候选微出血体素点确定出血点连通域，将出血点连通域中的各体素点确定为脑微出血区域中的微出血点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据脑区分割结果和属于微出血点的各体素点位置，确定各体素点所归属的脑区；
对各体素点所归属的脑区进行统计，将包含体素点数量最多的脑区确定为微出血点所归属的脑区。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
计算与微出血点中各体素点所对应的出血点连通域的直径；
根据出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到脑区的微出血量化结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像和T1图像；计算机程序被处理器执行时还实现以下步骤：
将SWI图像和T1图像进行图像配准，确定SWI图像与T1图像之间的映射关系；
将T1图像输入脑区分割模型中，得到T1图像的脑区分割结果；
根据T1图像的脑区分割结果、SWI图像与T1图像之间的映射关系，确定SWI图像的脑区分割结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像；计算机程序被处理器执行时还实现以下步骤：
将SWI图像输入脑区分割模型中，得到SWI图像的脑区分割结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将脑区分割结果、脑微出血区域以及脑区的微出血量化结果中的至少一个实时发送至对应用户的客户端，以供用户对受检对象的脑微出血状态进行评估；
或者，
以预设时间间隔为周期，对数据库中脑部磁共振图像对应的微出血量化结果进行统计，得到统计结果；该统计结果表征当前周期内脑微出血病例的微出血点数据分布；
将统计结果通过网页展示至用户的客户端；
或者，
以预设时间间隔为周期，对同一受测对象的脑部磁共振图像对应的微出血量化结果进行比对，得到比对结果；该比对结果表征受测对象在当前周期内脑微出血状态的变化情况；
将比对结果发送至用户的客户端。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取脑区的微出血查询指令；该微出血查询指令携带脑区标识；
根据脑区标识，获取与脑区标识对应的微出血点数量和脑微出血点区域；
根据脑微出血点数量，依次展示脑微出血点区域。
在一个实施例中，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，计算机程序被处理器执行时实现以下步骤：
将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；
基于脑区分割结果，确定脑部磁共振图像中各个脑区的位置；
将包含脑区位置信息的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据脑区分割结果、以及脑区分割结果与脑部磁共振图像之间体素点位置的对应关系，确定脑部磁共振图像中各个脑区的位置。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
提取脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域；
获取参考微出血区域中各体素点的灰度值，将灰度值小于灰度阈值的体素点作为候选微出血体素点；
根据候选微出血体素点确定出血点连通域，计算该出血点连通域的直径；
根据出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到脑区的微出血量化结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像和T1图像；计算机程序被处理器执行时还实现以下步骤：
将SWI图像和T1图像进行图像配准，确定SWI图像与T1图像之间的映射关系；
将T1图像输入脑区分割模型中，得到T1图像的脑区分割结果；
根据T1图像的脑区分割结果、SWI图像与T1图像之间的映射关系，确定SWI图像的脑区分割结果。
在一个实施例中，脑部磁共振图像包括磁化加权磁共振SWI图像；计算机程序被处理器执行时还实现以下步骤：
将SWI图像输入脑区分割模型中，得到SWI图像的脑区分割结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将脑区分割结果、脑微出血区域以及脑区的微出血量化结果中的至少一个实时发送至对应用户的客户端，以供用户对受检对象的脑微出血状态进行评估；
或者，
以预设时间间隔为周期，对数据库中脑部磁共振图像对应的微出血量化结果进行统计，得到统计结果；该统计结果表征当前周期内脑微出血病例的微出血点数据分布；
将统计结果通过网页展示至用户的客户端；
或者，
以预设时间间隔为周期，对同一受测对象的脑部磁共振图像对应的微出血量化结果进行比对，得到比对结果；该比对结果表征受测对象在当前周期内脑微出血状态的变化情况；
将比对结果发送至用户的客户端。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取脑区的微出血查询指令；该微出血查询指令携带脑区标识；
根据脑区标识，获取与脑区标识对应的微出血点数量和脑微出血点区域；
根据脑微出血点数量，依次展示脑微出血点区域。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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)
1.一种脑微出血的量化方法，其特征在于，所述方法包括：
将获取的脑部磁共振图像中的磁化加权磁共振SWI图像和磁共振T1图像进行图像配准，确定所述SWI图像与所述T1图像之间的映射关系；
将所述T1图像输入脑区分割模型中，得到所述T1图像的脑区分割结果；
根据所述T1图像的脑区分割结果、所述SWI图像与所述T1图像之间的映射关系，确定所述SWI图像的脑区分割结果；
将所述脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据所述脑区分割结果和所述脑微出血区域，确定脑区的微出血量化结果；所述微出血量化结果用于表征脑区中微出血点的数量；所述脑分割结果用于确定各体素点所归属的脑区；所述脑微出血区域用于确定属于微出血点的体素点。
2.根据权利要求1所述的方法，其特征在于，所述根据所述脑区分割结果和所述脑微出血区域，确定脑区的微出血量化结果，包括：
针对每个脑微出血区域，基于所述脑微出血区域和灰度阈值，确定所述脑微出血区域中的微出血点；
针对每个微出血点，根据所述脑区分割结果和属于所述微出血点的各体素点位置，确定所述微出血点所归属的脑区；
根据所述微出血点所归属的脑区和属于所述微出血点的各体素点，确定所述脑区的微出血量化结果。
3.根据权利要求2所述的方法，其特征在于，所述基于所述脑微出血区域和灰度阈值，确定所述脑微出血区域中的微出血点，包括：
提取所述脑微出血区域的中心点，并以预设阈值为直径，确定参考微出血区域；
获取所述参考微出血区域中各体素点的灰度值，将灰度值小于所述灰度阈值的体素点作为候选微出血体素点；
根据所述候选微出血体素点确定出血点连通域，将所述出血点连通域中的各体素点确定为所述脑微出血区域中的微出血点。
4.根据权利要求3所述的方法，其特征在于，所述根据所述脑区分割结果和属于所述微出血点的各体素点位置，确定所述微出血点所归属的脑区，包括：
根据所述脑区分割结果和属于所述微出血点的各体素点位置，确定各体素点所归属的脑区；
对所述各体素点所归属的脑区进行统计，将包含体素点数量最多的脑区确定为所述微出血点所归属的脑区。
5.根据权利要求3或4所述的方法，其特征在于，所述根据所述微出血点所归属的脑区和属于所述微出血点的各体素点，确定所述脑区的微出血量化结果，包括：
计算与所述微出血点中各体素点所对应的出血点连通域的直径；
根据所述出血点连通域的直径和直径阈值，确定不同直径阈值下微出血点的数量，得到所述脑区的微出血量化结果。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述脑区分割结果、所述脑微出血区域以及所述脑区的微出血量化结果中的至少一个实时发送至对应用户的客户端，以供用户对受检对象的脑微出血状态进行评估；
或者，
以预设时间间隔为周期，对数据库中脑部磁共振图像对应的微出血量化结果进行统计，得到统计结果；所述统计结果表征当前周期内脑微出血病例的微出血点数据分布；
将所述统计结果通过网页展示至所述用户的客户端；
或者，
以预设时间间隔为周期，对同一受测对象的脑部磁共振图像对应的微出血量化结果进行比对，得到比对结果；所述比对结果表征所述受测对象在当前周期内脑微出血状态的变化情况；
将所述比对结果发送至所述用户的客户端。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取脑区的微出血查询指令；所述微出血查询指令携带脑区标识；
根据所述脑区标识，获取与所述脑区标识对应的微出血点数量和脑微出血点区域；
根据所述脑微出血点数量，依次展示所述脑微出血点区域。
8.一种脑微出血的量化方法，其特征在于，所述方法包括：
将获取的脑部磁共振图像中的SWI图像和T1图像进行图像配准，确定所述SWI图像与所述T1图像之间的映射关系；
将所述T1图像输入脑区分割模型中，得到所述T1图像的脑区分割结果；
根据所述T1图像的脑区分割结果、所述SWI图像与所述T1图像之间的映射关系，确定所述SWI图像的脑区分割结果；
基于所述脑区分割结果，确定所述脑部磁共振图像中各个脑区的位置；
将包含脑区位置信息的脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
根据所述脑微出血区域，确定脑区的微出血量化结果；所述微出血量化结果用于表征脑区中微出血点的数量；所述脑分割结果用于确定各体素点所归属的脑区；所述脑微出血区域用于确定属于微出血点的体素点。
9.一种脑微出血的量化装置，其特征在于，所述装置包括：
第一脑区分割模块，用于将获取的脑部磁共振图像中的SWI图像和T1图像进行图像配准，确定所述SWI图像与所述T1图像之间的映射关系；将所述T1图像输入脑区分割模型中，得到所述T1图像的脑区分割结果；根据所述T1图像的脑区分割结果、所述SWI图像与所述T1图像之间的映射关系，确定所述SWI图像的脑区分割结果；
第一微出血检测模块，用于将所述脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域；
第一微出血量化模块，用于根据所述脑区分割结果和所述脑微出血区域，确定脑区的微出血量化结果；所述微出血量化结果用于表征脑区中微出血点的数量；所述脑分割结果用于确定各体素点所归属的脑区；所述脑微出血区域用于确定属于微出血点的体素点。
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1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010439814.0A CN111640095B (zh) | 2020-05-22 | 2020-05-22 | 脑微出血的量化方法和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010439814.0A CN111640095B (zh) | 2020-05-22 | 2020-05-22 | 脑微出血的量化方法和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111640095A CN111640095A (zh) | 2020-09-08 |
| CN111640095B true CN111640095B (zh) | 2024-03-22 |
Family
ID=72329117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010439814.0A Active CN111640095B (zh) | 2020-05-22 | 2020-05-22 | 脑微出血的量化方法和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111640095B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538464A (zh) * | 2021-07-22 | 2021-10-22 | 脑玺(苏州)智能科技有限公司 | 脑部影像分割模型训练方法、分割方法及装置 |
| CN113344922A (zh) * | 2021-08-04 | 2021-09-03 | 南京钺曦医疗科技有限公司 | 一种自动分割脑微出血点的方法 |
| CN114049938A (zh) * | 2021-11-22 | 2022-02-15 | 上海商汤智能科技有限公司 | 图像检测方法及相关装置、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012149401A1 (en) * | 2011-04-29 | 2012-11-01 | Magnetic Resonance Innovations, Inc. | Tissue similarity mapping |
| CN104414636A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于磁共振图像的脑微出血计算机辅助检测系统 |
| 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 |
| CN110956634A (zh) * | 2020-02-26 | 2020-04-03 | 南京慧脑云计算有限公司 | 一种基于深度学习的脑微出血自动检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110280460A1 (en) * | 2010-05-13 | 2011-11-17 | Loma Linda University | Iron quantification of brain microbleeds |
-
2020
- 2020-05-22 CN CN202010439814.0A patent/CN111640095B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012149401A1 (en) * | 2011-04-29 | 2012-11-01 | Magnetic Resonance Innovations, Inc. | Tissue similarity mapping |
| CN104414636A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于磁共振图像的脑微出血计算机辅助检测系统 |
| 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 |
| CN110956634A (zh) * | 2020-02-26 | 2020-04-03 | 南京慧脑云计算有限公司 | 一种基于深度学习的脑微出血自动检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 磁敏感加权成像在脑部钙化和脑微出血诊断中的应用价值;金美玉;金洪国;范艳芬;杨榕;寇雪莲;;温州医科大学学报;20180625(06);全文 * |
| 脑小血管病患者多模态磁共振成像特征及其与认知功能损伤的相关性分析;崔羽;冉娟娟;王益;顾平;;实用心脑肺血管病杂志;20200425(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111640095A (zh) | 2020-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111640095B (zh) | 脑微出血的量化方法和计算机可读存储介质 | |
| CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
| US20220222932A1 (en) | Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus | |
| CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
| EP3703007A2 (en) | Tumor tissue characterization using multi-parametric magnetic resonance imaging | |
| CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
| JP2006153742A (ja) | 病理診断支援装置、病理診断支援プログラム、病理診断支援方法、及び病理診断支援システム | |
| CN108846829B (zh) | 病变部位识别装置、计算机装置及可读存储介质 | |
| CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
| US10956795B2 (en) | Predicting recurrence in early stage non-small cell lung cancer (NSCLC) using spatial arrangement of clusters of tumor infiltrating lymphocytes and cancer nuclei | |
| CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| CN110956634A (zh) | 一种基于深度学习的脑微出血自动检测方法及系统 | |
| CN110930414A (zh) | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 | |
| CN111652300A (zh) | 脊柱曲度分类方法、计算机设备和存储介质 | |
| CN111583385A (zh) | 一种可变形数字人解剖学模型的个性化变形方法及系统 | |
| US9483705B2 (en) | Image processing device, image processing method, and image processing program | |
| CN112102230A (zh) | 超声切面识别方法、系统、计算机设备和存储介质 | |
| CN115170401A (zh) | 图像补全方法、装置、设备及存储介质 | |
| CN109087357B (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
| CN113192031B (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
| CN109214451A (zh) | 一种脑部异常的分类方法及设备 | |
| CN114283114A (zh) | 图像处理方法、装置、设备及存储介质 | |
| TWI768483B (zh) | 用於識別腦白質高信號之方法及裝置 | |
| CN109448008A (zh) | 一种结合生物特征的脑部mri图像分割方法 | |
| CN116958107A (zh) | 医学图像检测方法及相关装置、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 |