CN111739635A - 一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 - Google Patents
一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 Download PDFInfo
- Publication number
- CN111739635A CN111739635A CN202010522445.1A CN202010522445A CN111739635A CN 111739635 A CN111739635 A CN 111739635A CN 202010522445 A CN202010522445 A CN 202010522445A CN 111739635 A CN111739635 A CN 111739635A
- Authority
- CN
- China
- Prior art keywords
- image
- nect
- generator
- model
- discriminator
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4046—Scaling the whole image or part thereof using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明公开了一种用于急性缺血性卒中的诊断辅助模型及图像处理方法,涉及医学图像处理技术领域,其技术方案要点是:该模型为生成对抗网络模型,包括为生成器G的第一三维卷积神经网络和为判别器D的第二三维卷积神经网络,生成器G用于完成图像到图像,判别器D用于判断输入图像真假。该模型能学习从普通计算机断层扫描(NECT)图像到T2加权液体衰减反转恢复(FLAIR)磁共振图像的转化关系,利用学习及训练好的该生成对抗网络模型,能使医生在诊断过卒中的过程中,仅需通过扫描脑部NECT图像,便可利用该模型生成FLAIR图像来辅助快速诊断卒中,提高急诊筛查卒中的效率,克服目前NECT图像敏感性不高且磁共振MRI图像难以及时获取的临床困境。
Description
技术领域
本发明涉及医学图像处理技术领域,具体为一种用于急性缺血性卒中的诊断辅助模型及图像处理方法。
背景技术
急性缺血性卒中(俗称“中风”)作为最常见的脑血管病之一,是全球疾病负担的重要组成部分,给患者、家庭及社会带来了沉重负担和巨大消耗。对急性缺血性卒中患者的脑评估既需要即时性,又需要敏感性。目前国内外的急诊临床实践中通常采用普通计算机断层扫描(Non-enhanced CT,NECT)作为一线评估方法。然而,NECT评估高度依赖急诊人员的个人经验,显示早期较小的缺血梗死灶的敏感性较差,易导致图像判读时间延长、误诊或漏诊的情况发生,从而严重影响对卒中患者的及时干预。
磁共振成像(Magnetic resonance imaging,MRI)在检测细小和早期脑缺血性变化方面具有优势,尤其是T2加权液体衰减反转恢复(Fluid-attenuation inversionrecovery,FLAIR)图像能显示症状发作后3-6小时的梗死灶,但是MRI普及率低、价格昂贵、图像采集速度较慢,在真实急诊环境下使用受限,仅作为少数严苛适应症下的补充检查方法。
上述困境长期困扰着国内外卒中医疗界,即卒中早期影像评估的主要矛盾是NECT迅速但不敏感,MRI敏感但缓慢。利用CT和MRI的优点并整合到急诊实践中,兼顾即时性和敏感性,将有助于提高卒中的诊疗效率,优化卒中干预流程,造福广大患者及家庭,减轻社会负担。因此,本发明旨在设计一种用于急性缺血性卒中的诊断辅助模型及图像处理方法,以解决上述问题。
发明内容
本发明的目的是提供一种用于急性缺血性卒中的诊断辅助模型及图像处理方法,能够使该生成对抗网络模型学习从NECT图像到FLAIR图像的转化关系,利用学习及训练好的该生成对抗网络模型,能够使医生在诊断卒中的过程中,只需要通过扫描脑部NECT图像,便可利用模型生成FLAIR图像来辅助快速诊断卒中,从而提高急诊筛查卒中的效率,克服现有技术中NECT图像敏感性不高且MRI图像难以及时获取的临床困境。
本发明的上述技术目的是通过以下技术方案得以实现的:一种用于急性缺血性卒中的诊断辅助模型,包括生成对抗网络模型,所述生成对抗网络模型包括第一三维卷积神经网络和第二三维卷积神经网络,所述第一三维卷积神经网络为用于完成图像到图像的转化的生成器G,所述第二三维卷积神经网络为用于判断输入图像真假的判别器D;所述生成器G包括用于下采样的第一三维卷积层、残缺块和用于上采样的三维转置卷积层,所述判别器D包括第二三维卷积层和输出层。
通过采用上述技术方案,该用于卒中的诊断辅助模型的为基于三维卷积神经网络的生成对抗网络模型,且该生成对抗网络模型中的第一三维卷积神经网络作为生成器G,能够完成图像到图像的转化;该生成对抗网络模型中的第二三维卷积神经网络作为判别器D,能够判断输入第二三维卷积神经网络中的图像的真假;通过由两个用于下采样的第一三维卷积层、残缺块和用于上采样的三维转置卷积层构成的生成器G和判别器D,能够使该生成对抗网络模型学习从NECT图像到FLAIR图像的转化关系,利用学习及训练好的该生成对抗网络模型,能够使医生在诊断卒中的过程中,只需要通过扫描脑部NECT图像,便可利用模型生成FLAIR图像来辅助快速诊断卒中,从而提高急诊筛查卒中的效率,克服现有技术中NECT图像敏感性不高且MRI图像难以及时获取的临床困境。
本发明进一步设置为:所述判别器D采用PatchGAN架构。
通过采用上述技术方案,PatchGAN架构为马尔可夫判别器,通过采用PatchGAN架构的判别器D,在输入其中的原始图像的风格迁移中的超高分辨率和图片清晰化有良好的高分辨率与高细节的保持。
本发明进一步设置为:所述生成器G包括2个第一三维卷积层、6个残缺块和2个三维转置卷积层;所述判别器D由6个第二三维卷积层和1个输出层构成。
通过采用上述技术方案,通过2个第一三维卷积层、6个残缺块和2个三维转置卷积层构成生成器G,便于实现图像到图像的转化。
本发明进一步设置为:所述生成器G的网络中使用实例正则化层和ReLU层作为激活函数;所述判别器D的网络中不使用正则化层且使用LeakyRelu层作为激活函数。
通过采用上述技术方案,生成器G的网络中使用实例正则化层和ReLU层作为激活函数,且判别器D的网络中不使用正则化层且使用LeakyRelu层作为激活函数,便于确保生成对抗网络模型的精准度。
一种用于急性缺血性卒中诊断的图像处理方法,包括以下步骤:
S1、数据标准化,从医院采集的卒中患者的NECT图像和与NECT图像对应的FLAIR图像,并将采集的NECT图像和FLAIR图像进行数据处理,对采集的NECT图像和FLAIR图像进行数据标准化;
S2、模型创建,创建用于完成图像到图像的转化的生成器G和用于判断输入图像真假的判别器D,创建出生成对抗网络模型,所述生成器G和判别器D为两个不同的三维卷积神经网络;
S4、结果生成,在完成步骤S3中对生成对抗网络模型的训练后,将步骤S1中进行数据标准化后的卒中病人的NECT图像输入至生成对抗网络模型中的生成器G中,快速生成与NECT图像对应的FLAIR图像,合成辅助诊断的MRI图像。
本发明进一步设置为:步骤S2中所述的生成器G由2个用于下采样的第一三维卷积层、6个残缺块和2个用于上采样的三维转置卷积层构成。
本发明进一步设置为:步骤S2中所述的判别器D采用PatchGAN架构。
本发明进一步设置为:步骤S2中所述的判别器D的网络中不使用正则化层且使用LeakyRelu层作为激活函数,步骤S2中所述生成器G的网络中使用实例正则化层且使用ReLU层作为激活函数。
本发明进一步设置为:步骤S1中所述的数据标准化包括以下具体步骤:
A、将从医院采集卒中患者的NECT图像和与NECT图像对应的FLAIR图像进行格式转化;
B、采用spm8 clinical toolbox对步骤A中进行格式转化后的NECT图像和FLAIR图像进行配准,得到配准FLAIR图像数据和配准NECT图像;
C、将步骤B中的配准FLAIR图像数据和配准NECT图像进行去颅骨操作,得颅内FLAIR图像数据和颅内NECT图像数据,将颅内图像数据进行归一化处理后即得到处理后FLAIR图像数据和处理后NECT图像数据。
本发明进一步设置为:步骤S3中生成对抗网络模型1的对抗损失中增加梯度惩罚项,且梯度惩罚项的系数和L1损失的系数均为10;步骤S3中的模型训练的过程中,生成对抗网络模型中的判别器D每更新五次时,生成器G更新一次。
综上所述,本发明具有以下有益效果:第一三维卷积神经网络作为生成器G,能够完成图像到图像的转化;第二三维卷积神经网络作为判别器D,能够判断输入第二三维卷积神经网络中的图像的真假;通过由两个用于下采样的第一三维卷积层、残缺块和用于上采样的三维转置卷积层构成的生成器G和判别器D,能够使该生成对抗网络模型学习从NECT图像到FLAIR图像的转化关系,利用学习及训练好的该生成对抗网络模型,能够使医生在诊断卒中的过程中,只需要通过扫描脑部NECT图像,便可利用模型生成FLAIR图像来辅助快速诊断卒中,从而提高急诊筛查卒中的效率,克服现有技术中NECT图像敏感性不高且MRI图像难以及时获取的临床困境。
附图说明
图1是本发明实施例1中生成对抗网络模型的结构示意图;
图2是本发明实施例2中数据标准化流程图;
图3是本发明实施例2中生成对抗网络模型的训练过程示意图;
图4是本发明实施例2中诊断过程示意图;
图5是本发明实施例2中的流程图。
图中:1、生成对抗网络模型;2、生成器G;3、判别器D;4、第一三维卷积层;5、残缺块;6、三维转置卷积层;7、第二三维卷积层;8、输出层。
具体实施方式
以下结合附图1-5对本发明作进一步详细说明。
实施例1:一种用于急性缺血性卒中的诊断辅助模型,如图1所示,包括生成对抗网络模型1,生成对抗网络模型1包括第一三维卷积神经网络和第二三维卷积神经网络,第一三维卷积神经网络为用于完成图像到图像的转化的生成器G2,第二三维卷积神经网络为用于判断输入图像真假的判别器D3。生成器G2包括两个用于下采样的第一三维卷积层4、残缺块5和用于上采样的三维转置卷积层6。判别器D3包括第二三维卷积层7和输出层8。
在本实施例中,该用于卒中的诊断辅助模型的为基于三维卷积神经网络的生成对抗网络模型1,且该生成对抗网络模型1中的第一三维卷积神经网络作为生成器G2,能够完成图像到图像的转化。该生成对抗网络模型1中的第二三维卷积神经网络作为判别器D3,能够判断输入第二三维卷积神经网络中的图像的真假。通过由两个用于下采样的第一三维卷积层4、残缺块5和用于上采样的三维转置卷积层6构成的生成器G2和由第二三维卷积层7和输出层8构成的判别器D3,能够使该生成对抗网络模型1学习从NECT图像到FLAIR图像的转化关系,利用学习及训练好的该生成对抗网络模型1,能够使医生在诊断卒中的过程中,只需要通过扫描脑部NECT图像,便可利用模型生成FLAIR图像来辅助快速诊断卒中,从而提高急诊筛查卒中的效率,克服现有技术中NECT图像敏感性不高且MRI图像难以及时获取的临床困境。
判别器D3采用PatchGAN架构。
在本实施例中,PatchGAN架构为马尔可夫判别器,通过采用PatchGAN架构的判别器D3,在输入其中的原始图像的风格迁移中的超高分辨率和图片清晰化有良好的高分辨率与高细节的保持。
第一三维卷积层4为2个,残缺块5为6个,三维转置卷积层6为2个。
在本实施例中,通过由2个第一维卷积层、6个残缺块5和2个三维转置卷积层6构成生成器G2,便于实现图像到图像的转化。
生成器G2的网络中使用实例正则化层且使用ReLU层作为激活函数。判别器D3的网络中不使用正则化层且使用LeakyRelu层作为激活函数。
在本实施例中,生成器G2的网络中使用实例正则化层且使用ReLU层作为激活函数,且判别器D3的网络中不使用正则化层且使用LeakyRelu层作为激活函数,便于确保生成对抗网络模型1的精准度。
实施例2:一种用于急性缺血性卒中诊断的图像处理方法,如图2至图5所示,包括以下步骤:
S1、数据标准化,从医院采集的卒中患者的NECT图像和与NECT图像对应的FLAIR图像,并将采集的NECT图像和FLAIR图像进行数据处理,对采集的NECT图像和FLAIR图像进行数据标准化。
S2、模型创建,创建用于完成图像到图像的转化的生成器G2和用于判断输入图像真假的判别器D3,创建出生成对抗网络模型1,生成器G2和判别器D3为两个不同的三维卷积神经网络。
S4、结果生成,在完成步骤S3中对生成对抗网络模型1的训练后,将步骤S1中进行数据标准化后的卒中病人的NECT图像输入至生成对抗网络模型1中的生成器G2中,快速生成与NECT图像对应的FLAIR图像,合成辅助诊断的MRI图像。
步骤S2中的生成器G2由2个用于下采样的第一三维卷积层4、6个残缺块5和2个用于上采样的三维转置卷积层6构成。判别器D3由6个第二三维卷积层7和一个输出层8构成。
步骤S2中的判别器D3采用PatchGAN架构。
步骤S2中的判别器D的网络中不使用正则化层且使用LeakyRelu层作为激活函数,步骤S2中生成器G的网络中使用实例正则化层且使用ReLU层作为激活函数。
步骤S1中的数据标准化包括以下具体步骤:
A、将从医院采集卒中患者的NECT图像和与NECT图像对应的FLAIR图像进行格式转化。
B、采用spm8 clinical toolbox对步骤A中进行格式转化后的NECT图像和FLAIR图像进行配准,得到配准FLAIR图像数据和配准NECT图像。
C、将步骤B中的配准FLAIR图像数据和配准NECT图像进行去颅骨操作,得颅内FLAIR图像数据和颅内NECT图像数据,将颅内图像数据进行归一化处理后即得到处理后FLAIR图像数据和处理后NECT图像数据。
步骤S3中生成对抗网络模型1的对抗损失中增加梯度惩罚项,且梯度惩罚项的系数和L1损失的系数均为10。步骤S3中的模型训练的过程中,生成对抗网络模型1中的判别器D3每更新五次时,生成器G2更新一次。
工作原理:该用于卒中的诊断辅助模型的为基于三维卷积神经网络的生成对抗网络模型1,且该生成对抗网络模型1中的第一三维卷积神经网络作为生成器G2,能够完成图像到图像的转化。该生成对抗网络模型1中的第二三维卷积神经网络作为判别器D3,能够判断输入第二三维卷积神经网络中的图像的真假。通过由2个用于下采样的第一三维卷积层4、残缺块5和用于上采样的三维转置卷积层6构成的生成器G2和判别器D3,能够使该生成对抗网络模型1学习从NECT图像到FLAIR图像的转化关系,利用学习及训练好的该生成对抗网络模型1,能够使医生在诊断过卒中过程中,只需要通过扫描NECT图像,便可利用模型生成FLAIR图像来辅助快速诊断卒中,从而提高诊断效率,克服现有技术中MRI图像难以及时获取的临床困境。
与现有技术中传统NECT方法对比,利用该模型及该方法辅助检测急性缺血性卒中患者和病灶的能力明显提高,耗时缩短。影像技师和影像专科医师等急诊人员利用该模型及该方法检测卒中患者的敏感度为66%-92%,准确率为67%-87%,F1值(一种权衡准确率和精确率的综合指标)为79%-93%。与NECT方法相比,该模型及该方法检测卒中患者的敏感度、准确率、F1值分别提高了159%-1000%、124%-509%、80%-618%,检测卒中病灶的敏感度、精确率、F1值分别提高了278%-826%、55%-134%和218%-598%。同时,急诊人员利用该模型及该方法检测急性卒中患者的速度得以提高,耗时比传统NECT方法缩短了32%-56%。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (10)
1.一种用于急性缺血性卒中的诊断辅助模型,其特征是:包括生成对抗网络模型(1),所述生成对抗网络模型(1)包括第一三维卷积神经网络和第二三维卷积神经网络,所述第一三维卷积神经网络为用于完成图像到图像的转化的生成器G(2),所述第二三维卷积神经网络为用于判断输入图像真假的判别器D(3);所述生成器G(2)包括用于下采样的第一三维卷积层(4)、残缺块(5)和用于上采样的三维转置卷积层(6);所述判别器D(3)包括第二三维卷积层(7)和输出层(8)。
2.根据权利要求1所述的一种用于急性缺血性卒中的诊断辅助模型,其特征是:所述判别器D(3)采用PatchGAN架构。
3.根据权利要求1所述的一种用于急性缺血性卒中的诊断辅助模型,其特征是:所述生成器G(2)包括2个第一三维卷积层(4)、6个残缺块(5)和2个三维转置卷积层(6)。
4.根据权利要求1所述的一种用于急性缺血性卒中的诊断辅助模型,其特征是:所述生成器G(2)的网络中使用ReLU激活函数和实例正则化层;所述判别器D(3)的网络中使用LeakyRelu激活函数且不使用正则归层。
5.一种用于急性缺血性卒中诊断的图像处理方法,其特征是:包括以下步骤:
S1、数据标准化,从医院采集的卒中患者的NECT图像和与NECT图像对应的FLAIR图像,并将采集的NECT图像和FLAIR图像进行数据处理,对采集的NECT图像和FLAIR图像进行数据标准化;
S2、模型创建,创建用于完成图像到图像的转化的生成器G(2)和用于判断输入图像真假的判别器D(3),创建出生成对抗网络模型(1),所述生成器G(2)和判别器D(3)为两个不同的三维卷积神经网络;
S4、结果生成,在完成步骤S3中对生成对抗网络模型(1)的训练后,将步骤S1中进行数据标准化后的卒中病人的NECT图像输入至生成对抗网络模型(1)中的生成器G(2)中,快速生成与NECT图像对应的FLAIR图像,合成辅助诊断的MRI图像。
6.根据权利要求5所述的一种用于急性缺血性卒中诊断的图像处理方法,其特征是:步骤S2中所述的生成器G(2)由2个用于下采样的第一三维卷积层(4)、6个残缺块(5)和2个用于上采样的三维转置卷积层(6)构成;所述判别器D由6个第二三维卷积层(7)和1个输出层(8)构成。
7.根据权利要求5所述的一种用于急性缺血性卒中诊断的图像处理方法,其特征是:步骤S2中所述的判别器D(3)采用PatchGAN架构。
8.根据权利要求5所述的一种用于急性缺血性卒中诊断的图像处理方法,其特征是:步骤S2中所述的判别器D(3)的网络中不使用正则化层并使用LeakyRelu作为激活函数,步骤S2中所述生成器G(2)的网络中使用实例正则化层并使用ReLU作为激活函数。
9.根据权利要求5所述的一种用于急性缺血性卒中诊断的图像处理方法,其特征是:步骤S1中所述的数据标准化包括以下具体步骤:
A、将从医院采集卒中患者的NECT图像和与NECT图像对应的FLAIR图像进行格式转化;
B、采用spm8 clinical toolbox对步骤A中进行格式转化后的NECT图像和FLAIR图像进行配准,得到配准FLAIR图像数据和配准NECT图像;
C、将步骤B中的配准FLAIR图像数据和配准NECT图像进行去颅骨操作,得颅内FLAIR图像数据和颅内骨NECT图像数据,将颅内图像数据进行归一化处理后即得到处理后FLAIR图像数据和处理后NECT图像数据。
10.根据权利要求5所述的一种用于急性缺血性卒中诊断的图像处理方法,其特征是:步骤S3中生成对抗网络模型1的对抗损失中增加梯度惩罚项,且梯度惩罚项的系数和L1损失的系数均为10;步骤S3中的模型训练的过程中,生成对抗网络模型(1)中的判别器D(3)每更新五次时,生成器G(2)更新一次。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010522445.1A CN111739635A (zh) | 2020-06-10 | 2020-06-10 | 一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 |
PCT/CN2020/118667 WO2021248749A1 (zh) | 2020-06-10 | 2020-09-29 | 一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 |
US17/606,751 US20220148301A1 (en) | 2020-06-10 | 2020-09-29 | An Auxiliary Diagnostic Model and an Image Processing Method for Detecting Acute Ischemic Stroke |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010522445.1A CN111739635A (zh) | 2020-06-10 | 2020-06-10 | 一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111739635A true CN111739635A (zh) | 2020-10-02 |
Family
ID=72648594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010522445.1A Pending CN111739635A (zh) | 2020-06-10 | 2020-06-10 | 一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220148301A1 (zh) |
CN (1) | CN111739635A (zh) |
WO (1) | WO2021248749A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112599236A (zh) * | 2020-12-09 | 2021-04-02 | 东南大学 | 一种基于ct平扫图像辅助诊断急性缺血性脑卒中方法 |
WO2023070448A1 (zh) * | 2021-10-28 | 2023-05-04 | 京东方科技集团股份有限公司 | 视频处理方法、装置、电子设备和可读存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220108434A1 (en) * | 2020-10-07 | 2022-04-07 | National Technology & Engineering Solutions Of Sandia, Llc | Deep learning for defect detection in high-reliability components |
CN115512182B (zh) * | 2022-09-26 | 2023-07-04 | 中国人民解放军总医院第一医学中心 | 一种基于聚焦学习的ct血管造影智能成像方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
CN110580695A (zh) * | 2019-08-07 | 2019-12-17 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、系统及电子设备 |
CN110853111A (zh) * | 2019-11-05 | 2020-02-28 | 上海杏脉信息科技有限公司 | 医学影像处理系统、模型训练方法及训练装置 |
CN110993094A (zh) * | 2019-11-19 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10825219B2 (en) * | 2018-03-22 | 2020-11-03 | Northeastern University | Segmentation guided image generation with adversarial networks |
US11630995B2 (en) * | 2018-06-19 | 2023-04-18 | Siemens Healthcare Gmbh | Characterization of amount of training for an input to a machine-learned network |
CN110084863B (zh) * | 2019-04-25 | 2020-12-25 | 中山大学 | 一种基于生成对抗网络的多域图像转换方法与系统 |
US20220367007A1 (en) * | 2019-09-27 | 2022-11-17 | Uab Biomatter Designs | Method for generating functional protein sequences with generative adversarial networks |
CN111028306B (zh) * | 2019-11-06 | 2023-07-14 | 杭州电子科技大学 | 基于AR2 U-Net神经网络的快速磁共振成像方法 |
CN111243052A (zh) * | 2020-01-17 | 2020-06-05 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、计算机设备和存储介质 |
CN111260741B (zh) * | 2020-02-07 | 2022-05-10 | 北京理工大学 | 一种利用生成对抗网络的三维超声模拟方法及装置 |
US20220084173A1 (en) * | 2020-09-17 | 2022-03-17 | Arizona Board of Regents on behalf on Arizona State University | Systems, methods, and apparatuses for implementing fixed-point image-to-image translation using improved generative adversarial networks (gans) |
-
2020
- 2020-06-10 CN CN202010522445.1A patent/CN111739635A/zh active Pending
- 2020-09-29 US US17/606,751 patent/US20220148301A1/en active Pending
- 2020-09-29 WO PCT/CN2020/118667 patent/WO2021248749A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
CN110580695A (zh) * | 2019-08-07 | 2019-12-17 | 深圳先进技术研究院 | 一种多模态三维医学影像融合方法、系统及电子设备 |
CN110853111A (zh) * | 2019-11-05 | 2020-02-28 | 上海杏脉信息科技有限公司 | 医学影像处理系统、模型训练方法及训练装置 |
CN110993094A (zh) * | 2019-11-19 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
Non-Patent Citations (3)
Title |
---|
周兴宁等: "3.0T MRI功能成像BOLD-fMRI静息态ALFF测量值在鉴别脑胶质瘤与脑炎中的价值", 《第三军医大学学报》 * |
姚哲维等: "改进型循环生成对抗网络的血管内超声图像增强", 《计算机科学》 * |
张振显: "磁共振EPI-FLAIR、DWI序列联合扫描在超急性期脑卒中的应用价值", 《延安大学学报(医学科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112599236A (zh) * | 2020-12-09 | 2021-04-02 | 东南大学 | 一种基于ct平扫图像辅助诊断急性缺血性脑卒中方法 |
WO2023070448A1 (zh) * | 2021-10-28 | 2023-05-04 | 京东方科技集团股份有限公司 | 视频处理方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021248749A1 (zh) | 2021-12-16 |
US20220148301A1 (en) | 2022-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111739635A (zh) | 一种用于急性缺血性卒中的诊断辅助模型及图像处理方法 | |
KR101740464B1 (ko) | 뇌졸중 진단 및 예후 예측 방법 및 시스템 | |
CN104093354B (zh) | 用于评估医学图像的方法和设备 | |
KR102125127B1 (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
JP5699936B2 (ja) | 医用画像処理装置の作動方法、装置およびプログラム | |
CN110236543B (zh) | 基于深度学习的阿尔茨海默病多分类诊断系统 | |
CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
JP6746027B1 (ja) | 人工知能基盤のパーキンソン病診断装置及び方法 | |
CN110853111B (zh) | 医学影像处理系统、模型训练方法及训练装置 | |
CN111212600B (zh) | 帕金森病诊断装置 | |
CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
CN111445546A (zh) | 图像重建方法、装置、电子设备、存储介质 | |
Diao et al. | Weakly supervised framework for cancer region detection of hepatocellular carcinoma in whole-slide pathologic images based on multiscale attention convolutional neural network | |
Avants et al. | Spatiotemporal normalization for longitudinal analysis of gray matter atrophy in frontotemporal dementia | |
CN112767374A (zh) | 基于mri的阿尔茨海默症病灶区域语义分割算法 | |
CN116597950A (zh) | 一种医学图像分层方法 | |
Broadhouse et al. | Fronto-temporal functional disconnection precedes hippocampal atrophy in clinically confirmed multi-domain amnestic mild cognitive impairment | |
CN115147404A (zh) | 一种双重特征融合mra图像的颅内动脉瘤分割方法 | |
CN112052882B (zh) | 磁共振脑结构影像的分类模型构建、分类与可视化方法 | |
TWI780396B (zh) | 基於多特徵磁振造影與人工智慧之自殺意念的評估方法及評估系統 | |
CN112967295A (zh) | 一种基于残差网络和注意力机制的图像处理方法及系统 | |
TWM595486U (zh) | 基於多特徵磁振造影與人工智慧之自殺意念的評估系統 | |
Shi et al. | An unsupervised region of interest extraction model for tau PET images and its application in the diagnosis of Alzheimer's disease | |
Cui et al. | A multi-scale hybrid attention networks based on multi-view images for the diagnosis of Parkinson’s disease | |
Wiselin Jiji et al. | Diagnosis of Parkinson’s disease using svm classifier |
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 |