CN111667458B - 一种对平扫ct中的早急性脑梗死检测方法及装置 - Google Patents
一种对平扫ct中的早急性脑梗死检测方法及装置 Download PDFInfo
- Publication number
- CN111667458B CN111667458B CN202010360368.4A CN202010360368A CN111667458B CN 111667458 B CN111667458 B CN 111667458B CN 202010360368 A CN202010360368 A CN 202010360368A CN 111667458 B CN111667458 B CN 111667458B
- Authority
- CN
- China
- Prior art keywords
- input
- segmentation model
- image data
- cerebral infarction
- acute cerebral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- 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
-
- 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种对平扫CT中的早急性脑梗死检测方法及装置,方法包括:获取患者对应的头颅CT影像数据;在对应的CT影像数据上标注出早急性脑梗塞病灶的轮廓;架构分割模型,分割模型以U‑Net作为骨干网络,并采用3d的编码网络和2d的解码网络;利用训练数据训以3d的图像特征为输入,并将特征按照xy方向进行区域划分,对于每一个输入区域,计算特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异,训练得到分割模型;利用分割模型对待检测CT影像数据进行检测。可以自动进行早急性脑梗塞病灶检出、定位,可获得更精准的分割轮廓。可有益于影像科医生对于缺血性脑卒中病灶的检出、及时治疗。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种对平扫CT中的早急性脑梗死检测方法及装置。
背景技术
早急性脑梗塞是指脑血供突然中断后导致的脑组织坏死。通常主要是由于供应脑部血液的动脉出现粥样硬化和血栓形成,使管腔狭窄甚至闭塞,导致局灶性急性脑供血不足而发病;也有因异常物体(固体、液体、气体)沿血液循环进入脑动脉或供应脑血液循环的颈部动脉,造成血流阻断或血流量骤减而产生相应支配区域的脑组织软化、坏死。头颅磁共振扫描可以较为准确地诊断早急性脑梗死病灶,但是磁共振成本昂贵,并且扫描较慢。CT扫描是诊断早急性脑梗塞较方便、价廉的检查。它可明确脑组织坏死(即脑梗死)的部位、大小、脑水肿的程度等,对治疗有指导意义,但在发病24小时以内较难发现病灶。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的对平扫CT中的早急性脑梗死检测方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种对平扫CT中的早急性脑梗死检测方法,包括:根据核磁共振DWI序列诊断为早急性脑梗塞且患者临床诊断与影像诊断符合的病例获取患者对应的头颅CT影像数据;对照核磁共振DWI序列,在对应的CT影像数据上标注出早急性脑梗塞病灶的轮廓,得到标注数据;架构分割模型,其中,分割模型以U-Net作为骨干网络,并采用3d的编码网络和2d的解码网络;利用训练数据训以3d的图像特征为输入,并将特征按照xy方向进行区域划分,对于每一个输入区域,计算特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异,训练得到分割模型;获取待检测CT影像数据,利用分割模型对待检测CT影像数据进行检测。
其中,训练得到分割模型包括:在交叉熵损失的基础之上引入加权损失策略训练得到分割模型。
其中,获取待检测CT影像数据包括:对厚层原始CT数据进行标准化,将空间位置上连续的3层CT图像进行堆叠,作为分割模型的输入。
其中,对厚层原始CT数据进行标准化包括:利用窗宽窗位进行灰度归一化操作和三维矫正变换操作。
其中,计算特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异包括:通过将特征进行左右翻转,并将输入特征与翻转后的做差,将差异作为建模的网络输入。
本发明另一方面提供了一种对平扫CT中的早急性脑梗死检测装置,包括:获取模块,用于根据核磁共振DWI序列诊断为早急性脑梗塞且患者临床诊断与影像诊断符合的病例获取患者对应的头颅CT影像数据;标注模块,用于对照核磁共振DWI序列,在对应的CT影像数据上标注出早急性脑梗塞病灶的轮廓,得到标注数据;架构模块,用于架构分割模型,其中,分割模型以U-Net作为骨干网络,并采用3d的编码网络和2d的解码网络;建模模块,用于利用训练数据训以3d的图像特征为输入,并将特征按照xy方向进行区域划分,对于每一个输入区域,计算特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异,训练得到分割模型;检测模块,用于获取待检测CT影像数据,利用分割模型对待检测CT影像数据进行检测。
其中,建模模块通过如下方式训练得到分割模型:建模模块,具体用于在交叉熵损失的基础之上引入加权损失策略训练得到分割模型。
其中,检测模块通过如下方式获取待检测CT影像数据:检测模块,具体用于对厚层原始CT数据进行标准化,将空间位置上连续的3层CT图像进行堆叠,作为分割模型的输入。
其中,检测模块通过如下方式对厚层原始CT数据进行标准化:检测模块,具体用于利用窗宽窗位进行灰度归一化操作和三维矫正变换操作。
其中,建模模块通过如下方式计算特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异:建模模块,具体用于通过将特征进行左右翻转,并将输入特征与翻转后的做差,将差异作为建模的网络输入。
由此可见,通过本发明提供的对平扫CT中的早急性脑梗死检测方法及装置,通过利用脑部影像的对称性,对左右侧大脑半球进行特征比对,来促进对细微差异的捕捉,以深度学习中的卷积分割网络为基础,对非增强CT上的早急性脑梗塞病灶进行精细化的检出和轮廓勾勒,可以自动进行早急性脑梗塞病灶检出、定位,相对于传统的早急性脑梗塞诊断流程,可获得更精准的分割轮廓。可有益于影像科医生对于缺血性脑卒中病灶的检出、及时治疗。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的对平扫CT中的早急性脑梗死检测方法的流程图;
图2为本发明实施例提供的层内对称性和层间对称性可视化示意图;
图3为本发明实施例提供的混合维度分割网络示意图;
图4为本发明实施例提供的对称相似度模块示意图;
图5为本发明实施例提供的对平扫CT中的早急性脑梗死检测装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的对平扫CT中的早急性脑梗死检测方法的流程图,参见图1,本发明实施例提供的对平扫CT中的早急性脑梗死检测方法,包括:
S1,根据核磁共振DWI序列诊断为早急性脑梗塞且患者临床诊断与影像诊断符合的病例获取患者对应的头颅CT影像数据。
具体地,本发明筛选了核磁共振DWI序列诊断为早急性脑梗塞且患者临床诊断与影像诊断符合的病例,通过医院PACS系统获取患者对应的头颅CT(西门子、飞利浦、GE,16/32排,120kV)影像数据,数据格式符合医学数字影像和通讯(Digital Imaging andCommunications in Medicine,DICOM)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。
S2,对照核磁共振DWI序列,在对应的CT影像数据上标注出早急性脑梗塞病灶的轮廓,得到标注数据。
具体地,对照DWI序列,在对应的CT序列上标注出早急性脑梗塞病灶的轮廓。所有病例的标注过程包括两部分。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,作为早急性脑梗塞自动检出的金标准,用于结果评测和模型学习。
作为本发明实施例的一个可选实施方式,获取患者对应的头颅CT影像数据包括:对厚层原始CT数据进行标准化,将空间位置上连续的3层CT图像进行堆叠,作为分割模型的输入。其中,对厚层原始CT数据进行标准化包括:利用窗宽窗位进行灰度归一化操作和三维矫正变换操作。由此,本发明可以自动对厚层原始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。所有标注数据分为训练集和测试集,其中训练集用于模型训练和最优参数选择,测试数据用于评测方法的性能。
S3,架构分割模型,其中,分割模型以U-Net作为骨干网络,并采用3d的编码网络和2d的解码网络。
具体地,本发明提出的模型基于全卷积深度分割网络,可对输入的影像数据进行体素级别分析。模型设计方面,分割模型以U-Net作为骨干网络,与传统U-Net的结构不同,本发明采用3d的编码网络和2d的解码网络。
S4,利用训练数据训以3d的图像特征为输入,并将特征按照xy方向进行区域划分,对于每一个输入区域,计算特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异,训练得到分割模型。
具体地,分割模型的3d编码网络可以保留输入图像的三维信息,并引入对称相似度模块,建模层内的区域对称和层间的区域对称。引入层间的区域对称的目的是,平扫的头颅CT病人可能会矢状位有歪斜,跨层建模可以增加对称相似度模块的上下文区域,即层间对称性(见图2)。结构见图3混合维度分割网络。对称相似度模块,以3d的图像特征为输入,并将特征按照xy方向进行区域划分,对于每一个输入区域,该模块计算其在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异,从而增强网络对输入区域中病灶的判别能力,结构参照图4。
作为本发明实施例的一个可选实施方式,训练得到分割模型包括:在交叉熵损失的基础之上引入加权损失策略训练得到分割模型。具体地,模型训练方面,在交叉熵损失的基础之上引入加权损失策略,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。模型训练相关的超参数通过验证集进行调整最后选取的学习率为0.0001、模型迭代的epoch次数为100。
作为本发明实施例的一个可选实施方式,计算特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异包括:通过将特征进行左右翻转,并将输入特征与翻转后的做差,将差异作为建模的网络输入。对称相似度建模可以通过将特征进行左右翻转,并将输入特征与翻转后的做差,通过将差异作为网络输入进行病灶特征的学习。
S5,获取待检测CT影像数据,利用分割模型对待检测CT影像数据进行检测。
具体地,可以利用分割模型对待检测CT影像数据进行检测。
作为本发明实施例的一个可选实施方式,获取待检测CT影像数据包括:对厚层原始CT数据进行标准化,将空间位置上连续的3层CT图像进行堆叠,作为分割模型的输入。其中,对厚层原始CT数据进行标准化包括:利用窗宽窗位进行灰度归一化操作和三维矫正变换操作。
由此可见,通过本发明提供的对平扫CT中的早急性脑梗死检测方法,通过利用脑部影像的对称性,对左右侧大脑半球进行特征比对,来促进对细微差异的捕捉,以3d的图像特征为输入,并将特征按照xy方向进行区域划分,对于每一个输入区域,计算其在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异,从而增强网络对输入区域中病灶的判别能力。以颅脑CT图像作为输入,通过一系列图像标准化流程,来进行分割网络的构建,以完成对早急性脑梗塞病灶进行检出和对应区域勾勒,可以自动进行早急性脑梗塞病灶检出、定位,相对于传统的早急性脑梗塞诊断流程,可获得更精准的分割轮廓。可有益于影像科医生对于缺血性脑卒中病灶的检出、及时治疗。
图5示出了本发明实施例提供的对平扫CT中的早急性脑梗死检测装置的结构示意图,该对平扫CT中的早急性脑梗死检测装置应用上述方法,以下仅对对平扫CT中的早急性脑梗死检测装置的结构进行简单说明,其他未尽事宜,请参照上述对平扫CT中的早急性脑梗死检测方法中的相关描述,参见图5,本发明实施例提供的对平扫CT中的早急性脑梗死检测装置,包括:
获取模块,用于根据核磁共振DWI序列诊断为早急性脑梗塞且患者临床诊断与影像诊断符合的病例获取患者对应的头颅CT影像数据;
标注模块,用于对照核磁共振DWI序列,在对应的CT影像数据上标注出早急性脑梗塞病灶的轮廓,得到标注数据;
架构模块,用于架构分割模型,其中,分割模型以U-Net作为骨干网络,并采用3d的编码网络和2d的解码网络;
建模模块,用于利用训练数据训以3d的图像特征为输入,并将特征按照xy方向进行区域划分,对于每一个输入区域,计算特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异,训练得到分割模型;
检测模块,用于获取待检测CT影像数据,利用分割模型对待检测CT影像数据进行检测。
作为本发明实施例的一个可选实施方式,建模模块通过如下方式训练得到分割模型:建模模块,具体用于在交叉熵损失的基础之上引入加权损失策略训练得到分割模型。
作为本发明实施例的一个可选实施方式,检测模块通过如下方式获取待检测CT影像数据:检测模块,具体用于对厚层原始CT数据进行标准化,将空间位置上连续的3层CT图像进行堆叠,作为分割模型的输入。
作为本发明实施例的一个可选实施方式,检测模块通过如下方式对厚层原始CT数据进行标准化:检测模块,具体用于利用窗宽窗位进行灰度归一化操作和三维矫正变换操作。
作为本发明实施例的一个可选实施方式,建模模块通过如下方式计算特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异:建模模块,具体用于通过将特征进行左右翻转,并将输入特征与翻转后的做差,将差异作为建模的网络输入。
由此可见,通过本发明提供的对平扫CT中的早急性脑梗死检测装置,通过利用脑部影像的对称性,对左右侧大脑半球进行特征比对,来促进对细微差异的捕捉,以3d的图像特征为输入,并将特征按照xy方向进行区域划分,对于每一个输入区域,计算其在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异,从而增强网络对输入区域中病灶的判别能力。以颅脑CT图像作为输入,通过一系列图像标准化流程,来进行分割网络的构建,以完成对早急性脑梗塞病灶进行检出和对应区域勾勒,可以自动进行早急性脑梗塞病灶检出、定位,相对于传统的早急性脑梗塞诊断流程,可获得更精准的分割轮廓。可有益于影像科医生对于缺血性脑卒中病灶的检出、及时治疗。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种对平扫CT中的早急性脑梗死检测方法,其特征在于,包括:
根据核磁共振DWI序列诊断为早急性脑梗塞且患者临床诊断与影像诊断符合的病例获取患者对应的头颅CT影像数据;
对照所述核磁共振DWI序列,在对应的CT影像数据上标注出早急性脑梗塞病灶的轮廓,得到标注数据;
架构分割模型,其中,所述分割模型以U-Net作为骨干网络,并采用3d的编码网络和2d的解码网络;
利用训练数据训以3d的图像特征为输入,并将特征按照xy方向进行区域划分,对于每一个输入区域,计算所述特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异,训练得到所述分割模型;
获取待检测CT影像数据,利用所述分割模型对所述待检测CT影像数据进行检测。
2.根据权利要求1所述的方法,其特征在于,所述训练得到所述分割模型包括:
在交叉熵损失的基础之上引入加权损失策略训练得到所述分割模型。
3.根据权利要求1所述的方法,其特征在于,获取待检测CT影像数据包括:
对厚层原始CT数据进行标准化,将空间位置上连续的3层CT图像进行堆叠,作为分割模型的输入。
4.根据权利要求3所述的方法,其特征在于,所述对厚层原始CT数据进行标准化包括:
利用窗宽窗位进行灰度归一化操作和三维矫正变换操作。
5.根据权利要求1所述的方法,其特征在于,所述计算所述特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异包括:
通过将所述特征进行左右翻转,并将输入特征与翻转后的做差,将差异作为建模的网络输入。
6.一种对平扫CT中的早急性脑梗死检测装置,其特征在于,包括:
获取模块,用于根据核磁共振DWI序列诊断为早急性脑梗塞且患者临床诊断与影像诊断符合的病例获取患者对应的头颅CT影像数据;
标注模块,用于对照所述核磁共振DWI序列,在对应的CT影像数据上标注出早急性脑梗塞病灶的轮廓,得到标注数据;
架构模块,用于架构分割模型,其中,所述分割模型以U-Net作为骨干网络,并采用3d的编码网络和2d的解码网络;
建模模块,用于利用训练数据训以3d的图像特征为输入,并将特征按照xy方向进行区域划分,对于每一个输入区域,计算所述特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异,训练得到所述分割模型;
检测模块,用于获取待检测CT影像数据,利用所述分割模型对所述待检测CT影像数据进行检测。
7.根据权利要求6所述的装置,其特征在于,所述建模模块通过如下方式训练得到所述分割模型:
所述建模模块,具体用于在交叉熵损失的基础之上引入加权损失策略训练得到所述分割模型。
8.根据权利要求6所述的装置,其特征在于,所述检测模块通过如下方式获取待检测CT影像数据:
所述检测模块,具体用于对厚层原始CT数据进行标准化,将空间位置上连续的3层CT图像进行堆叠,作为分割模型的输入。
9.根据权利要求8所述的装置,其特征在于,所述检测模块通过如下方式对厚层原始CT数据进行标准化:
所述检测模块,具体用于利用窗宽窗位进行灰度归一化操作和三维矫正变换操作。
10.根据权利要求6所述的装置,其特征在于,所述建模模块通过如下方式计算所述特征在上下层面的临近区域和对侧区域的相似度,并利用相似度建模输入区域的特征差异:
所述建模模块,具体用于通过将所述特征进行左右翻转,并将输入特征与翻转后的做差,将差异作为建模的网络输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360368.4A CN111667458B (zh) | 2020-04-30 | 2020-04-30 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360368.4A CN111667458B (zh) | 2020-04-30 | 2020-04-30 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667458A CN111667458A (zh) | 2020-09-15 |
CN111667458B true CN111667458B (zh) | 2023-09-01 |
Family
ID=72383021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010360368.4A Active CN111667458B (zh) | 2020-04-30 | 2020-04-30 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667458B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150449B (zh) * | 2020-09-29 | 2022-11-25 | 太原理工大学 | 一种脑卒中病灶分割方法和系统 |
CN112419340B (zh) * | 2020-12-09 | 2024-06-28 | 东软医疗系统股份有限公司 | 脑脊液分割模型的生成方法、应用方法及装置 |
CN112754511A (zh) * | 2021-01-20 | 2021-05-07 | 武汉大学 | 一种基于深度学习的ct影像颅内血栓检测及性质分类方法 |
CN113077479A (zh) * | 2021-03-25 | 2021-07-06 | 深圳市铱硙医疗科技有限公司 | 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质 |
CN113052831B (zh) * | 2021-04-14 | 2024-04-23 | 清华大学 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
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 |
CN113628216A (zh) * | 2021-08-11 | 2021-11-09 | 北京百度网讯科技有限公司 | 模型训练方法、图像分割方法、装置及相关产品 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447052A (zh) * | 2018-03-15 | 2018-08-24 | 深圳市唯特视科技有限公司 | 一种基于神经网络的对称性脑肿瘤分割方法 |
CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技(深圳)有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
CN109410216A (zh) * | 2018-09-14 | 2019-03-01 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109754361A (zh) * | 2017-11-02 | 2019-05-14 | 西门子保健有限责任公司 | 3d各向异性的混合网络:将来自2d图像的卷积特征传递到3d各向异性体积 |
CN110111296A (zh) * | 2019-01-30 | 2019-08-09 | 北京慧脑云计算有限公司 | 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 |
CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
CN110189342A (zh) * | 2019-06-27 | 2019-08-30 | 中国科学技术大学 | 脑胶质瘤区域自动分割方法 |
CN110533668A (zh) * | 2019-07-30 | 2019-12-03 | 北京理工大学 | 基于统计约束损失函数的脑梗塞病灶自动分割方法 |
WO2020026223A1 (en) * | 2018-07-29 | 2020-02-06 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of visual objects in medical images |
WO2020077202A1 (en) * | 2018-10-12 | 2020-04-16 | The Medical College Of Wisconsin, Inc. | Medical image segmentation using deep learning models trained with random dropout and/or standardized inputs |
CN111047589A (zh) * | 2019-12-30 | 2020-04-21 | 北京航空航天大学 | 一种注意力增强的脑肿瘤辅助智能检测识别方法 |
CN111047591A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 基于深度学习的病灶体积测量方法、系统、终端及存储介质 |
CN111080654A (zh) * | 2019-11-18 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 图像的病变区域分割方法、装置及服务器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11170508B2 (en) * | 2018-01-03 | 2021-11-09 | Ramot At Tel-Aviv University Ltd. | Systems and methods for the segmentation of multi-modal image data |
US10733788B2 (en) * | 2018-03-15 | 2020-08-04 | Siemens Healthcare Gmbh | Deep reinforcement learning for recursive segmentation |
-
2020
- 2020-04-30 CN CN202010360368.4A patent/CN111667458B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754361A (zh) * | 2017-11-02 | 2019-05-14 | 西门子保健有限责任公司 | 3d各向异性的混合网络:将来自2d图像的卷积特征传递到3d各向异性体积 |
CN108447052A (zh) * | 2018-03-15 | 2018-08-24 | 深圳市唯特视科技有限公司 | 一种基于神经网络的对称性脑肿瘤分割方法 |
CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技(深圳)有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
WO2020026223A1 (en) * | 2018-07-29 | 2020-02-06 | Zebra Medical Vision Ltd. | Systems and methods for automated detection of visual objects in medical images |
CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
CN109410216A (zh) * | 2018-09-14 | 2019-03-01 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
WO2020077202A1 (en) * | 2018-10-12 | 2020-04-16 | The Medical College Of Wisconsin, Inc. | Medical image segmentation using deep learning models trained with random dropout and/or standardized inputs |
CN110111296A (zh) * | 2019-01-30 | 2019-08-09 | 北京慧脑云计算有限公司 | 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 |
CN110120033A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 |
CN110189342A (zh) * | 2019-06-27 | 2019-08-30 | 中国科学技术大学 | 脑胶质瘤区域自动分割方法 |
CN110533668A (zh) * | 2019-07-30 | 2019-12-03 | 北京理工大学 | 基于统计约束损失函数的脑梗塞病灶自动分割方法 |
CN111080654A (zh) * | 2019-11-18 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 图像的病变区域分割方法、装置及服务器 |
CN111047589A (zh) * | 2019-12-30 | 2020-04-21 | 北京航空航天大学 | 一种注意力增强的脑肿瘤辅助智能检测识别方法 |
CN111047591A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 基于深度学习的病灶体积测量方法、系统、终端及存储介质 |
Non-Patent Citations (1)
Title |
---|
Saqib Qamar et al.Hybrid_loss_guided_densely_connected_convolutional_neural_network_for_Ischemic_Stroke_Lesion_segmentation. 2019 IEEE 5th International Conference for Convergence in Technology (I2CT).2020,1-5. * |
Also Published As
Publication number | Publication date |
---|---|
CN111667458A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667458B (zh) | 一种对平扫ct中的早急性脑梗死检测方法及装置 | |
KR101740464B1 (ko) | 뇌졸중 진단 및 예후 예측 방법 및 시스템 | |
Echegaray et al. | Core samples for radiomics features that are insensitive to tumor segmentation: method and pilot study using CT images of hepatocellular carcinoma | |
JP2021183113A (ja) | 人工知能基盤の脳卒中診断装置及び方法 | |
CN104414685A (zh) | 超声波诊断装置、超声波图像处理方法 | |
CN102247144A (zh) | 基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法 | |
US11969265B2 (en) | Neural network classification of osteolysis and synovitis near metal implants | |
Diniz et al. | Deep learning strategies for ultrasound in pregnancy | |
CN111445443B (zh) | 早急性脑梗死检测方法和装置 | |
Wang et al. | Automatic real-time CNN-based neonatal brain ventricles segmentation | |
Liu et al. | Patch-based augmentation of Expectation–Maximization for brain MRI tissue segmentation at arbitrary age after premature birth | |
Rokham et al. | Addressing inaccurate nosology in mental health: A multilabel data cleansing approach for detecting label noise from structural magnetic resonance imaging data in mood and psychosis disorders | |
Liu et al. | Robust cortical thickness morphometry of neonatal brain and systematic evaluation using multi-site MRI datasets | |
Deepika et al. | Defending Against Child Death: Deep learning‐based diagnosis method for abnormal identification of fetus ultrasound Images | |
Li et al. | Attention-based and micro designed EfficientNetB2 for diagnosis of Alzheimer’s disease | |
Yang et al. | Exploring sMRI biomarkers for diagnosis of autism spectrum disorders based on multi class activation mapping models | |
Li et al. | Medical image identification methods: a review | |
Reddy et al. | Anatomical landmark detection using deep appearance-context network | |
Reddy et al. | A deep learning based approach for classification of abdominal organs using ultrasound images | |
Das et al. | Corpus callosum atrophy in detection of mild and moderate Alzheimer’s disease using brain magnetic resonance image processing and machine learning techniques | |
Fatema et al. | Development of an automated optimal distance feature-based decision system for diagnosing knee osteoarthritis using segmented X-ray images | |
Eswaran et al. | Applying Machine Learning for Medical Image Processing | |
CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
Xin et al. | Transformer guided self-adaptive network for multi-scale skin lesion image segmentation | |
Palraj et al. | Predicting the abnormality of brain and compute the cognitive power of human using deep learning techniques using functional magnetic resonance images |
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 |