CN111861989A - 一种脑中线检测方法、系统、终端及存储介质 - Google Patents
一种脑中线检测方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN111861989A CN111861989A CN202010523141.7A CN202010523141A CN111861989A CN 111861989 A CN111861989 A CN 111861989A CN 202010523141 A CN202010523141 A CN 202010523141A CN 111861989 A CN111861989 A CN 111861989A
- Authority
- CN
- China
- Prior art keywords
- brain
- midline
- image
- detection model
- network
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 102
- 238000012360 testing method Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000002372 labelling Methods 0.000 claims abstract description 26
- 206010069551 Brain midline shift Diseases 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000008447 perception Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002490 cerebral effect Effects 0.000 abstract 4
- 230000036544 posture Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 208000030886 Traumatic Brain injury Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009529 traumatic brain injury Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010059491 Intracranial haematoma Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 210000001154 skull base Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请所提供的一种脑中线检测方法、系统、终端及存储介质，所述方法包括：获取脑中线偏移患者的脑CT图像及对应的标注数据；将所述脑CT图像及对应的标注数据预处理后按预设比例分成训练集及测试集；将所述训练集分别输入至预设的姿态矫正网络、上下文感知特征优化网络、中线回归网络进行训练，得到初始脑中线检测模型；通过所述测试集对所述初始脑中线检测模型进行优化测试，得到脑中线检测模型；本申请可以自动化对不同偏移程度的脑中线进行检测，并可以用于后续的脑中线偏移的测量得到偏移脑中线的坐标，实现检测脑中线高效、准确检测。
Description
技术领域
本申请涉及医疗影像处理技术领域，尤其是涉及一种脑中线检测方法、系统、终端及存储介质。
背景技术
人脑是近似对称的，脑中线在健康受试者中是一条直线，并分割左右脑的。然而，各种病理条件，如创伤性脑损伤、中风和脑肿瘤，可能会破坏这种对称性，进而导致中线移位。大量研究表明，中线颅内结构的改变有助于诊断颅内病变；另外，中线移位对各种脑病理如急性颅内血肿患者的意识水平和创伤性脑损伤患者的愈后预测也有一定的价值。综上，早期发现有严重中线移位的患者将有助于患者的管理。
脑中线在CT上的成像在应用中较为广泛，然而中线移位的复杂性和定量化对于临床医师来说仍然是有挑战的，并且是成本较高的。因此，计算机辅助的脑中线自动检测及测量是可以帮助医生提高中线移位程度的评估的准确性和效率。然而现有的脑中线自动检测中，对不同脑CT影像未进行对齐矫正导致回归方法的先验无法保证，且缺乏对上下文信息的建模导致脑中线检测性能较差。
因此，亟需一种脑中线检测方法、系统、终端及存储介质，以解决相关技术中脑中线检测的先验无法保证及由于缺乏对上下文信息的建模导致脑中线检测性能较差的问题。
发明内容
针对现有技术的不足，本申请提供一种脑中线检测方法、系统、终端及存储介质，解决了现有技术中先验无法保证及由于缺乏对上下文信息的建模导致脑中线检测性能较差等问题。
为解决上述技术问题，第一方面，本申请提供一种脑中线检测方法，包括：
获取脑中线偏移患者的脑CT图像及对应的标注数据；
将所述脑CT图像及对应的标注数据预处理后按预设比例分成训练集及测试集；
将所述训练集分别输入至预设的姿态矫正网络、上下文感知特征优化网络、中线回归网络进行训练，得到初始脑中线检测模型；
通过所述测试集对所述初始脑中线检测模型进行优化测试，得到脑中线检测模型。
可选的，所述获取脑中线偏移患者的脑CT图像及对应的标注数据，包括：
通过医院PACS系统获取脑中线偏移的患者脑CT图像；
根据医生对患者脑CT图像的标注结果，确定标注数据。
可选的，所述将所述脑CT图像及对应的标注数据预处理后按预设比例分成训练集及测试集，包括：
将所述脑CT图像及其标注数据进行灰度归一化及三维矫正变换预处理；
将预处理的脑CT图像及对应的标注数据按预设比例分成训练集及测试集。
可选的，所述将所述训练集分别输入至预设的姿态矫正网络、上下文感知特征优化网络、中线回归网络进行训练，得到初始脑中线检测模型，包括：
将脑CT图像输入至预设的姿态矫正网络形成标准姿态图像；
将所述标准姿态图像输入至预设的上下文感知特征优化网络，输出中线纵轴范围和中线区域分割概率图；
将所述中线区域分割概率图输入至预设的中线回归网络，输出中线坐标；
将所述中线纵轴范围通过预设阈值进行二值化，并与所述中线坐标做哈达玛积，输出最终的预测中线坐标。
可选的，所述通过所述测试集对所述初始脑中线检测模型进行优化测试，得到脑中线检测模型，包括：
构建连通性正则损失函数优化所述脑中线检测模型，得到优化后的脑中线检测模型；
通过测试集对优化脑中线检测模型进行测试，输出测试集的预测中线坐标；
根据所述测试集的预测中线坐标与对应的标注数据中线计算平均距离误差(LDE)、最大移位距离误差(MSDE)、对称位置的最大表面距离(HD)和对称位置的平均表面距离(ASD) 四个距离指标；
当优化后的脑中线检测模型的距离指标超过初始脑中线检测模型时，将优化后的脑中线检测模型作为脑中线检测模型。
第二方面，本申请还提供一种脑中线检测系统，包括：
获取单元，配置用于获取脑中线偏移患者的脑CT图像及对应的标注数据；
预处理单元，配置用于将所述脑CT图像及对应的标注数据预处理后按预设比例分成训练集及测试集；
模型训练单元，配置用于将所述训练集分别输入至预设的姿态矫正网络、上下文感知特征优化网络、中线回归网络进行训练，得到初始脑中线检测模型；
模型优化单元，配置用于通过所述测试集对所述初始脑中线检测模型进行优化测试，得到脑中线检测模型。
可选的，所述获取单元具体用于：
通过医院PACS系统获取脑中线偏移的患者脑CT图像；
根据医生对患者脑CT图像的标注结果，确定标注数据。
可选的，所述预处理单元具体用于：
将所述脑CT图像及其标注数据进行灰度归一化及三维矫正变换预处理；
将预处理的脑CT图像及对应的标注数据按预设比例分成训练集及测试集。
可选的，所述模型训练单元具体用于：
将脑CT图像输入至预设的姿态矫正网络形成标准姿态图像；
将所述标准姿态图像输入至预设的上下文感知特征优化网络，输出中线纵轴范围和中线区域分割概率图；
将所述中线区域分割概率图输入至预设的中线回归网络，输出中线坐标；
将所述中线纵轴范围通过预设阈值进行二值化，并与所述中线坐标做哈达玛积，输出最终的预测中线坐标。
可选的，所述模型优化单元具体用于：
构建连通性正则损失函数优化所述脑中线检测模型，得到优化后的脑中线检测模型；
通过测试集对优化脑中线检测模型进行测试，输出测试集的预测中线坐标；
根据所述测试集的预测中线坐标与对应的标注数据中线计算平均距离误差(LDE)、最大移位距离误差(MSDE)、对称位置的最大表面距离(HD)和对称位置的平均表面距离(ASD) 四个距离指标；
当优化后的脑中线检测模型的距离指标超过初始脑中线检测模型时，将优化后的脑中线检测模型作为脑中线检测模型。
第三方面，本申请提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，本申请提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
与现有技术相比，本申请具有如下有益效果：
1、本申请公开了一种基于上下文感知特征优化网络(CAR-Net)结合结构连通性先验的脑中线检测方法，可以自动化对不同偏移程度的脑中线进行检测，并可以用于后续的脑中线偏移的测量得到偏移脑中线的坐标，实现检测脑中线高效、准确检测。不仅有益于神经外科医生对脑中线偏移的临床诊断，并可以为其他脑部相关病理提供预测和预后评估。
2、本申请通过ResNet网络对不同姿态的脑影像进行矫正得到统一姿态的脑影像；通过上下文感知特征优化网络建模，提取更加具有判别力的上下文特征，从而提高中线检测的性能；通过结构连通性损失函数优化，可以实现中线的端到端优化，并能更好的保证中线的连通性和形态先验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种脑中线检测方法的流程图；
图2为本申请实施例所提供的一种脑中线检测方法的网络模型示意图；
图3为本申请实施例所提供的基于上下文感知特征优化结合连通性先验的脑中线检测可视化效果图；
图4为本申请另一实施例所提供的一种脑中线检测系统的结构示意图；
图5为本申请实施例所提供的一种终端系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种脑中线检测方法的流程图，该方法100包括：
S101：获取脑中线偏移患者的脑CT图像及对应的标注数据；
S102：将所述脑CT图像及对应的标注数据预处理后按预设比例分成训练集及测试集；
S103：将所述训练集分别输入至预设的姿态矫正网络、上下文感知特征优化网络、中线回归网络进行训练，得到初始脑中线检测模型；
S104：通过所述测试集对所述初始脑中线检测模型进行优化测试，得到脑中线检测模型。
基于上述实施例，作为可选的实施例，所述S101获取脑中线偏移患者的脑CT图像及对应的标注数据，包括：
通过医院PACS系统获取脑中线偏移的患者脑CT图像；
根据医生对患者脑CT图像的标注结果，确定标注数据。
具体的，通过医院PACS系统获取不同程度脑中线偏移患者的脑CT(西门子、飞利浦、 GE，16/32排，120kV)影像数据，CT影像数据格式符合医学数字影像和通讯(DigitalImaging and Communications 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，每个患者共选择了10个脑面积最大的CT切片。
脑中线偏移的标注过程包括两个部分，第一阶段，由一名主治医师根据诊断报告标记偏移脑中线的位置；第二阶段，由一名副主任医生在之前标注的基础上进行审核，标记出有异议的病例，并进行讨论矫正，作为脑中线检测的金标准，用于模型训练和评测。
基于上述实施例，作为可选的实施例，所述S102将所述脑CT图像及对应的标注数据预处理后按预设比例分成训练集及测试集，包括：
将所述脑CT图像及其标注数据进行灰度归一化及三维矫正变换预处理；
将预处理的脑CT图像及对应的标注数据按预设比例分成训练集及测试集。
具体的，脑CT图像及其标注数据按照特定比例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。
基于上述实施例，作为可选的实施例，所述S103将所述训练集分别输入至预设的姿态矫正网络、上下文感知特征优化网络、中线回归网络进行训练，得到初始脑中线检测模型，包括：
将脑CT图像输入至预设的姿态矫正网络形成标准姿态图像；
将所述标准姿态图像输入至预设的上下文感知特征优化网络，输出中线纵轴范围和中线区域分割概率图；
将所述中线区域分割概率图输入至预设的中线回归网络，输出中线坐标；
将所述中线纵轴范围通过预设阈值进行二值化，并与所述中线坐标做哈达玛积，输出最终的预测中线坐标。
具体的，脑中线检测模型包括三个主要的部分，(a)姿态矫正、(b)中线定位和(c)中线回归：
(a)姿态矫正阶段：以往的基于回归的深度学习方法都基于以下的假设，即对于每个纵轴坐标，中线像素最多有一个水平坐标。然而在实际的临床应用中，在某些极端的脑CT图像姿势下，以上假设不会一直成立。然而，在标准姿态下，中线可以满足上述假设。因此，本申请通过姿态矫正网络来将图像与标准位姿对齐。对于标准姿态图像的生成，由于有中线的金标准，可以通过中线找到偏角和相对于图像中心的位移，从而通过一个旋转和平移变换得到标准姿态图像，从而形成了图像和目标图像对。姿态矫正网络的构建使用轻量级预训练的ResNet-18作为主干网络，并最小化平方损失函数，姿态矫正网络的输出是刚体变换的一组参数，分别代表水平、垂直位移和旋转角。
(b)中线定位阶段：以矫正后的标准姿态图像为输入，通过上下文感知特征优化网络 (CAR-Net)可以得到中线区域的中线的纵轴范围和中线区域分割概率图。由于中线检测任务中中线的非偏移部分是容易处理的，然而要准确地定位形变较大的中线的偏移部分是很困难的。因此，基于U-Net生成的特征金字塔表示，附加了一个上下文感知的特征优化模块，可以对每个尺度特征进行局部优化，并局部优化的各尺度特征进行自适应选取，以探索更具判别力的上下文特征，并获得更大的感受野，从而能更好的处理形变较大的中线偏移。具体来说，如图2所示，首先通过应用几个基本的卷积块来优化UNet产生的各个尺度特征图，以获得局部优化的特征表示；然后，采用Squeeze-and-Excitation模块作为自适应特征选取模块，它可以通过通道注意力机制选取更有信息量的局部特征表示，以提取特定尺度下更具判别力的上下文特征；最后，通过双线性插值上采样、级联和一个基本卷积块对不同层次的代表性特征进行集成，形成上下文感知的优化特征表示。
(c)中线回归阶段：利用回归分支预测中线的坐标，其中回归分支包括Soft-argmax 模块、三个残差模块、全连接层组成的优化模块。
基于上述实施例，作为可选的实施例，所述S104通过所述测试集对所述初始脑中线检测模型进行优化测试，得到脑中线检测模型，包括：
构建连通性正则损失函数优化所述脑中线检测模型，得到优化后的脑中线检测模型；
通过测试集对优化脑中线检测模型进行测试，输出测试集的预测中线坐标；
根据所述测试集的预测中线坐标与对应的标注数据中线计算平均距离误差(LDE)、最大移位距离误差(MSDE)、对称位置的最大表面距离(HD)和对称位置的平均表面距离(ASD) 四个距离指标；
当优化后的脑中线检测模型的距离指标超过初始脑中线检测模型时，将优化后的脑中线检测模型作为脑中线检测模型。
需要说明的是，对于中线坐标的监督，以往的基于回归的方法只使用均方误差损失 (MSE)，而忽略了脑中线的一个重要结构先验：脑中线是一条具有连通性的曲线。这些算法直接设计深度学习模型去预测坐标，预测的坐标之间相互独立，没有考虑坐标之间的连通性先验，可能会导致预测中线的不连通。基于上述观察，我们提出了的连通性正则损失函数(CRL)，该损失函数利用脑中线的结构连通性先验，能够保持预测中线和金标准中线的形态保持一致。
具体来说，首先给出中线连通性的定义：对于中线坐标X＝(x1，x2，...，xn)T，如果对于每一个i＝2，3，...，n,|xi-xi-1|≤δ都成立，则我们称中线坐标X满足δ-连通性。接下来，我们记ΔX＝(0，Δx1，Δx1，...，Δxn)T,其中Δxi＝xi-xi-1，i＝2，3，...，n。
显然，Δx和x之间的推导如下：
连通性正则损失函数公式如下，其中X是预测的中线坐标，Φ是转换矩阵，δ是阈值间隔。该损失函数可以有效地惩罚相邻坐标之间的不连续，以保证预测的中线坐标满足连通性先验。
在模型训练方面，中线纵轴范围使用二元交叉熵函数，中线区域分割使用加权交叉熵函数，中线坐标回归使用L1损失函数和连通性正则损失函数。重要的网络的超参数如下：学习率为1e-3，迭代次数epoch为200，使用Adam优化器进行参数更新。
本申请使用四个中线检测任务的标准评价指标来评测不同方法所检测的中线：平均距离误差(LDE)、最大移位距离误差(MSDE)、对称位置的最大表面距离(HD)和对称位置的平均表面距离(ASD)，四个指标分别定义如下：
其中X和Y分别是预测的中线坐标和金标准中线坐标，N是中线坐标的长度。
其中，A和B分别表示预测的中线和金标准中线，S(A)表示A中点的集合，d(v，S(A))表示v到S(A)的最短欧式距离。
通过预测中线和金标准中线计算LED，MSDE，HD和ASD四个距离指标，评测中线检测的性能。定量的实验结果如下表所示。该方法可以很好地不同偏移的脑中线，在平均距离误差指标(LDE和ASD)和最大距离误差指标(MSDE和HD)上都有不错的表现。使用连通性正则损失函数可以使模型的性能进一步提升。
图3展示了四个基于上下文感知特征优化结合连通性先验的脑中线检测可视化效果图，第一行是模型的预测，第二行是金标准中线，可以看出本申请提出的方法可以很好的处理各种偏移程度的中线，在临床诊断中具有较大的应用价值。
| 模型 | 结构连通性损失函数 | LDE | MSDE | HD | ASD |
| CAR-Net | 不使用 | 1.08(1.02) | 3.24(2.99) | 2.84(2.76) | 1.06(0.89) |
| CAR-Net | 使用 | 1.08(1.00) | 3.07(2.65) | 2.70(2.44) | 1.07(0.89) |
请参考图4，图4为本申请实施例所提供的一种脑中线检测系统的结构示意图，该系统400，包括：
获取单元401，配置用于获取脑中线偏移患者的脑CT图像及对应的标注数据；
预处理单元402，配置用于将所述脑CT图像及对应的标注数据预处理后按预设比例分成训练集及测试集；
模型训练单元403，配置用于将所述训练集分别输入至预设的姿态矫正网络、上下文感知特征优化网络、中线回归网络进行训练，得到初始脑中线检测模型；
模型优化单元404，配置用于通过所述测试集对所述初始脑中线检测模型进行优化测试，得到脑中线检测模型。
基于上述实施例，作为可选的实施例，所述获取单元401具体用于：
通过医院PACS系统获取脑中线偏移的患者脑CT图像；
根据医生对患者脑CT图像的标注结果，确定标注数据。
基于上述实施例，作为可选的实施例，所述预处理单元402具体用于：
将所述脑CT图像及其标注数据进行灰度归一化及三维矫正变换预处理；
将预处理的脑CT图像及对应的标注数据按预设比例分成训练集及测试集。
基于上述实施例，作为可选的实施例，所述模型训练单元403具体用于：
将脑CT图像输入至预设的姿态矫正网络形成标准姿态图像；
将所述标准姿态图像输入至预设的上下文感知特征优化网络，输出中线纵轴范围和中线区域分割概率图；
将所述中线区域分割概率图输入至预设的中线回归网络，输出中线坐标；
将所述中线纵轴范围通过预设阈值进行二值化，并与所述中线坐标做哈达玛积，输出最终的预测中线坐标。
基于上述实施例，作为可选的实施例，所述模型优化单元404具体用于：
构建连通性正则损失函数优化所述脑中线检测模型，得到优化后的脑中线检测模型；
通过测试集对优化脑中线检测模型进行测试，输出测试集的预测中线坐标；
根据所述测试集的预测中线坐标与对应的标注数据中线计算平均距离误差(LDE)、最大移位距离误差(MSDE)、对称位置的最大表面距离(HD)和对称位置的平均表面距离(ASD) 四个距离指标；
当优化后的脑中线检测模型的距离指标超过初始脑中线检测模型时，将优化后的脑中线检测模型作为脑中线检测模型。
请参考图5，图5为本申请实施例所提供的一种终端系统500的结构示意图，该终端系统500可以用于执行本发明实施例提供的脑中线检测方法。
其中，该终端系统500可以包括：处理器501、存储器502及通信单元503。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器502可以用于存储处理器501的执行指令，存储器502可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器502 中的执行指令由处理器501执行时，使得终端系统500能够执行以下上述方法实施例中的部分或全部步骤。
处理器501为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器501可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元503，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本申请还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
本申请公开了一种基于上下文感知特征优化网络(CAR-Net)结合结构连通性先验的脑中线检测方法，可以自动化对不同偏移程度的脑中线进行检测，并可以用于后续的脑中线偏移的测量得到偏移脑中线的坐标，实现检测脑中线高效、准确检测。不仅有益于神经外科医生对脑中线偏移的临床诊断，并可以为其他脑部相关病理提供预测和预后评估。本申请通过ResNet网络对不同姿态的脑影像进行矫正得到统一姿态的脑影像；通过上下文感知特征优化网络建模，提取更加具有判别力的上下文特征，从而提高中线检测的性能；通过结构连通性损失函数优化，可以实现中线的端到端优化，并能更好的保证中线的连通性和形态先验。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (12)
1.一种脑中线检测方法，其特征在于，包括：
获取脑中线偏移患者的脑CT图像及对应的标注数据；
将所述脑CT图像及对应的标注数据预处理后按预设比例分成训练集及测试集；
将所述训练集分别输入至预设的姿态矫正网络、上下文感知特征优化网络、中线回归网络进行训练，得到初始脑中线检测模型；
通过所述测试集对所述初始脑中线检测模型进行优化测试，得到脑中线检测模型
2.根据权利要求1所述的脑中线检测方法，其特征在于，所述获取脑中线偏移患者的脑CT图像及对应的标注数据，包括：
通过医院PACS系统获取脑中线偏移的患者脑CT图像；
根据医生对患者脑CT图像的标注结果，确定标注数据。
3.根据权利要求1所述的脑中线检测方法，其特征在于，所述将所述脑CT图像及对应的标注数据预处理后按预设比例分成训练集及测试集，包括：
将所述脑CT图像及其标注数据进行灰度归一化及三维矫正变换预处理；
将预处理的脑CT图像及对应的标注数据按预设比例分成训练集及测试集。
4.根据权利要求1所述的脑中线检测方法，其特征在于，所述将所述训练集分别输入至预设的姿态矫正网络、上下文感知特征优化网络、中线回归网络进行训练，得到初始脑中线检测模型，包括：
将脑CT图像输入至预设的姿态矫正网络形成标准姿态图像；
将所述标准姿态图像输入至预设的上下文感知特征优化网络，输出中线纵轴范围和中线区域分割概率图；
将所述中线区域分割概率图输入至预设的中线回归网络，输出中线坐标；
将所述中线纵轴范围通过预设阈值进行二值化，并与所述中线坐标做哈达玛积，输出最终的预测中线坐标。
5.根据权利要求1所述的脑中线检测方法，其特征在于，所述通过所述测试集对所述初始脑中线检测模型进行优化测试，得到脑中线检测模型，包括：
构建连通性正则损失函数优化所述脑中线检测模型，得到优化后的脑中线检测模型；
通过测试集对优化脑中线检测模型进行测试，输出测试集的预测中线坐标；
根据所述测试集的预测中线坐标与对应的标注数据中线计算平均距离误差(LDE)、最大移位距离误差(MSDE)、对称位置的最大表面距离(HD)和对称位置的平均表面距离(ASD)四个距离指标；
当优化后的脑中线检测模型的距离指标超过初始脑中线检测模型时，将优化后的脑中线检测模型作为脑中线检测模型。
6.一种脑中线检测系统，其特征在于，包括：
获取单元，配置用于获取脑中线偏移患者的脑CT图像及对应的标注数据；
预处理单元，配置用于将所述脑CT图像及对应的标注数据预处理后按预设比例分成训练集及测试集；
模型训练单元，配置用于将所述训练集分别输入至预设的姿态矫正网络、上下文感知特征优化网络、中线回归网络进行训练，得到初始脑中线检测模型；
模型优化单元，配置用于通过所述测试集对所述初始脑中线检测模型进行优化测试，得到脑中线检测模型。
7.根据权利要求6所述的脑中线检测系统，其特征在于，所述获取单元具体用于：
通过医院PACS系统获取脑中线偏移的患者脑CT图像；
根据医生对患者脑CT图像的标注结果，确定标注数据。
8.根据权利要求6所述的脑中线检测系统，其特征在于，所述预处理单元具体用于：
将所述脑CT图像及其标注数据进行灰度归一化及三维矫正变换预处理；
将预处理的脑CT图像及对应的标注数据按预设比例分成训练集及测试集。
9.根据权利要求6所述的脑中线检测系统，其特征在于，所述模型训练单元具体用于：
将脑CT图像输入至预设的姿态矫正网络形成标准姿态图像；
将所述标准姿态图像输入至预设的上下文感知特征优化网络，输出中线纵轴范围和中线区域分割概率图；
将所述中线区域分割概率图输入至预设的中线回归网络，输出中线坐标；
将所述中线纵轴范围通过预设阈值进行二值化，并与所述中线坐标做哈达玛积，输出最终的预测中线坐标。
10.根据权利要求6所述的脑中线检测系统，其特征在于，所述模型优化单元具体用于：
构建连通性正则损失函数优化所述脑中线检测模型，得到优化后的脑中线检测模型；
通过测试集对优化脑中线检测模型进行测试，输出测试集的预测中线坐标；
根据所述测试集的预测中线坐标与对应的标注数据中线计算平均距离误差(LDE)、最大移位距离误差(MSDE)、对称位置的最大表面距离(HD)和对称位置的平均表面距离(ASD)四个距离指标；
当优化后的脑中线检测模型的距离指标超过初始脑中线检测模型时，将优化后的脑中线检测模型作为脑中线检测模型。
11.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-5任一项所述的方法。
12.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010523141.7A CN111861989A (zh) | 2020-06-10 | 2020-06-10 | 一种脑中线检测方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010523141.7A CN111861989A (zh) | 2020-06-10 | 2020-06-10 | 一种脑中线检测方法、系统、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111861989A true CN111861989A (zh) | 2020-10-30 |
Family
ID=72987163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010523141.7A Pending CN111861989A (zh) | 2020-06-10 | 2020-06-10 | 一种脑中线检测方法、系统、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861989A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113469954A (zh) * | 2021-06-15 | 2021-10-01 | 北京深睿博联科技有限责任公司 | 一种肺结节良恶性评价方法及装置 |
| CN114419031A (zh) * | 2022-03-14 | 2022-04-29 | 深圳科亚医疗科技有限公司 | 一种脑中线的自动定位方法及其装置 |
| CN115294104A (zh) * | 2022-09-28 | 2022-11-04 | 杭州健培科技有限公司 | 基于三维脑部ct图像的脑中线预测模型、方法及装置 |
| CN115690189A (zh) * | 2022-11-07 | 2023-02-03 | 北京安德医智科技有限公司 | 脑中线偏移量的检测方法、装置、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100074499A1 (en) * | 2008-09-19 | 2010-03-25 | Siemens Corporate Research, Inc | Method and System for Segmentation of Brain Structures in 3D Magnetic Resonance Images |
| US20120184840A1 (en) * | 2009-04-07 | 2012-07-19 | Kayvan Najarian | Automated Measurement of Brain Injury Indices Using Brain CT Images, Injury Data, and Machine Learning |
| US20160110160A1 (en) * | 2014-10-16 | 2016-04-21 | Siemens Medical Solutions Usa, Inc. | Context-sensitive identification of regions of interest in a medical image |
| CN110047068A (zh) * | 2019-04-19 | 2019-07-23 | 山东大学 | 基于金字塔场景分析网络的mri脑肿瘤分割方法及系统 |
| CN110223352A (zh) * | 2019-06-14 | 2019-09-10 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的医学图像扫描自动定位方法 |
| CN110443808A (zh) * | 2019-07-04 | 2019-11-12 | 杭州深睿博联科技有限公司 | 用于脑中线检测的医疗图像处理方法及装置、设备、存储介质 |
| CN110766701A (zh) * | 2019-10-31 | 2020-02-07 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
-
2020
- 2020-06-10 CN CN202010523141.7A patent/CN111861989A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100074499A1 (en) * | 2008-09-19 | 2010-03-25 | Siemens Corporate Research, Inc | Method and System for Segmentation of Brain Structures in 3D Magnetic Resonance Images |
| US20120184840A1 (en) * | 2009-04-07 | 2012-07-19 | Kayvan Najarian | Automated Measurement of Brain Injury Indices Using Brain CT Images, Injury Data, and Machine Learning |
| US20160110160A1 (en) * | 2014-10-16 | 2016-04-21 | Siemens Medical Solutions Usa, Inc. | Context-sensitive identification of regions of interest in a medical image |
| CN110047068A (zh) * | 2019-04-19 | 2019-07-23 | 山东大学 | 基于金字塔场景分析网络的mri脑肿瘤分割方法及系统 |
| CN110223352A (zh) * | 2019-06-14 | 2019-09-10 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的医学图像扫描自动定位方法 |
| CN110443808A (zh) * | 2019-07-04 | 2019-11-12 | 杭州深睿博联科技有限公司 | 用于脑中线检测的医疗图像处理方法及装置、设备、存储介质 |
| CN110766701A (zh) * | 2019-10-31 | 2020-02-07 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 梁礼明;刘博文;杨海龙;石霏;陈新建;: "基于多特征融合的有监督视网膜血管提取", 计算机学报, no. 11, pages 148 - 162 * |
| 贾文娟;王水花;张煜东;: "基于影像的病脑检测方法综述", 计算机工程与应用, no. 11, pages 26 - 34 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113469954A (zh) * | 2021-06-15 | 2021-10-01 | 北京深睿博联科技有限责任公司 | 一种肺结节良恶性评价方法及装置 |
| CN113469954B (zh) * | 2021-06-15 | 2024-04-09 | 北京深睿博联科技有限责任公司 | 一种肺结节良恶性评价方法及装置 |
| CN114419031A (zh) * | 2022-03-14 | 2022-04-29 | 深圳科亚医疗科技有限公司 | 一种脑中线的自动定位方法及其装置 |
| CN115294104A (zh) * | 2022-09-28 | 2022-11-04 | 杭州健培科技有限公司 | 基于三维脑部ct图像的脑中线预测模型、方法及装置 |
| CN115294104B (zh) * | 2022-09-28 | 2023-01-10 | 杭州健培科技有限公司 | 基于三维脑部ct图像的脑中线预测模型、方法及装置 |
| CN115690189A (zh) * | 2022-11-07 | 2023-02-03 | 北京安德医智科技有限公司 | 脑中线偏移量的检测方法、装置、设备及介质 |
| CN115690189B (zh) * | 2022-11-07 | 2023-05-09 | 北京安德医智科技有限公司 | 脑中线偏移量的检测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111861989A (zh) | 一种脑中线检测方法、系统、终端及存储介质 | |
| KR101740464B1 (ko) | 뇌졸중 진단 및 예후 예측 방법 및 시스템 | |
| WO2018120942A1 (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
| US9510756B2 (en) | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images | |
| CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
| CN110415219B (zh) | 基于深度分割网络的医学图像处理方法及装置、设备、存储介质 | |
| US20230005251A1 (en) | Diagnostic assistance apparatus and model generation apparatus | |
| CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
| CN112274164B (zh) | 脊柱侧弯预测方法、装置、电子设备和存储介质 | |
| JP5837604B2 (ja) | 幾何学的特徴の自動算出方法、非一時的なコンピュータ可読媒体および画像解釈システム | |
| CN111415361B (zh) | 基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置 | |
| CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
| WO2023020366A1 (zh) | 一种医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
| US20200410674A1 (en) | Neural Network Classification of Osteolysis and Synovitis Near Metal Implants | |
| CN115423754A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
| CN111681205B (zh) | 图像分析方法、计算机设备和存储介质 | |
| US20210020304A1 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
| CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
| CN115954101A (zh) | 一种基于ai舌诊图像处理的健康度管理系统及管理方法 | |
| CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
| WO2020215485A1 (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
| CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
| CN111445443B (zh) | 早急性脑梗死检测方法和装置 | |
| CN110570425B (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
| CN111402218A (zh) | 脑出血检测方法和装置 |
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 |