CN112348785B - 一种癫痫病灶定位方法及系统 - Google Patents
一种癫痫病灶定位方法及系统 Download PDFInfo
- Publication number
- CN112348785B CN112348785B CN202011186236.0A CN202011186236A CN112348785B CN 112348785 B CN112348785 B CN 112348785B CN 202011186236 A CN202011186236 A CN 202011186236A CN 112348785 B CN112348785 B CN 112348785B
- Authority
- CN
- China
- Prior art keywords
- tissue
- detected
- mask
- images
- tested
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/08—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
- G06T2207/10088—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种癫痫病灶定位方法及系统,首先对清晰显示脑区结构的图像的T1结构像进行分割得到待检测组织集并制作对应的掩膜,利用掩膜提取所有被试的梯度加权的MRI数据的组织区域,并估计DKI参数图,然后输入到神经网络中提取特征得到特征向量,进一步输入分类器进行分类,判断是否存在癫痫病灶。本发明基于神经组织表征敏感性和特异性更高的DKI参数图分析癫痫病灶准确率更高;利用分脑组织结构代替全脑进行参数图估计,减少了计算量;用迁移学习构建的神经网络来进行特征提取,解决了医学数据量小直接训练提取特征网络提取出的特征不全面的问题,本发明运用在常规MRI阴性癫痫当中,通过及时准确的病灶定位诊断可对病人的病情进行有效的控制。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种癫痫病灶定位方法及系统。
背景技术
癫痫俗称的“羊角风”或“羊癫风”,是大脑神经元突发性异常放电,导致短暂的大脑功能障碍的一种慢性疾病。据估计中国约有900万左右的癫痫患者,其中500~600万是活动性癫痫患者,同时每年新增加癫痫患者约40万,在中国癫痫已经成为神经科仅次于头痛的第二大常见病。在常规MRI检查中未能发现与癫痫发作直接相关的致病灶,称为常规MRI阴性癫痫(MRI—Negative Epilepsy),并认为是癫痫的一个亚型,可能处于癫痫发作起始点,其组织微观结构已经发生改变,具有自身的致痫网络;但由于病理改变较轻微,常规MRI无法捕捉这种改变。MRI阴性癲痫约占癫痫人群的30%,尤其在首发患者中可高达80%。由于癫痫疾病对病人的身体伤害和精神伤害都非常大,所以需要采取及时准确的诊断,这样可以对病人的病情进行有效的控制,其预后的效果也是非常明显。
近年来,计算机断层成像(Computer Tomography, CT)、脑电图(Electroencephalogram, EEG)、脑磁图(Magnetoencephalography, MEG)和磁共振成像(Magnetic Resonance Imaging, MRI)等影像学技术的发展,提高了对癫痫病的临床诊断水平,并促进了对其病生机制的研究。目前, 临床诊断癫痫的常用手段主要是基于磁共振成像进行人工观察诊断,不但需要耗费大量的时间精力,而且它完全取决于专家经验,该方法存在差异性,也容易出错。
发明内容
因此,本发明要解决现有技术中人工诊断癫痫病差异性大,容易出错的问题,从而提供一种癫痫病灶定位方法及系统,能够从数据中自动学习特征和模式,客观准确的对癫痫病灶进行定位诊断。
为达到上述目的,本发明提供如下技术方案:
第一方面,本发明实施例提供一种癫痫病灶定位方法,包括如下步骤:
对所有被试的T1结构像进行分割得到待检测组织集,并制作出待检测组织集的掩膜,所述T1结构像为清晰显示脑区结构的图像;
利用待检测组织集的掩膜提取所有被试的梯度加权的MRI数据的组织区域,并估计出组织区域的DKI参数图;
将DKI参数图输入到构建好的神经网络中提取特征,得到特征向量,并待检测组织集的各特征向量输入分类器中进行分类,判断是否存在癫痫病灶。
在一实施例中,所述对所有被试的T1结构像进行分割得到待检测组织集,并制作出待检测组织集的掩膜的步骤,包括:
将所有被试T1结构像由二维图像转为三维图像,并对三维图像进行预处理;
利用包含T1结构像和脑区分割图的数据集训练用于分割的卷积神经网络;
利用训练好的卷积神经网络对预处理后的三维图像进行分割;
将所有分割出的的各脑组织部位进行并运算,制作出初始的待检测组织集的掩膜,并进行膨胀处理,得到最终的待检测组织集的掩膜。
在一实施例中,对三维图像进行预处理的过程,包括:
将三维图像分别进行模板配准、进行大脑提取和不均匀性校正及强度归一化处理。
在一实施例中, 所述利用待检测组织集的掩膜提取所有被试的梯度加权的MRI数据的组织区域,并估计出组织区域的DKI参数图的步骤,包括:
将获取所有被试的二维梯度加权的MRI数据转化三维图像,并对三维图像进行配准;
利用最终的待检测组织集的掩膜提取配准后的三维图像的组织区域;
利用峰度估计算法估计出各被试的组织区域的DKI参数图。
在一实施例中,基于包含病灶图像和正常图像的参数图进行迁移学习来构建神经网络模型,用来提取识别病灶图像和正常图像的特征。
在一实施例中,所述分类器为支持向量机。
第二方面,本发明实施例提供一种癫痫病灶定位系统,包括:
待检测组织集的掩膜制作模块,用于对所有被试的T1结构像进行分割得到待检测组织集,并制作出待检测组织集的掩膜,所述T1结构像为清晰显示脑区结构的图像;
待测组织集DKI参数图估计模块,用于利用待检测组织集的掩膜提取对所有被试的梯度加权的MRI数据的组织区域,并估计出组织区域的DKI参数图;
待测组织集特征提取及分类模块,用于将DKI参数图输入到构建好的神经网络中提取特征,得到特征向量,并待检测组织集的各特征向量输入分类器中进行分类,判断是否存在癫痫病灶。
第三方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行本发明实施例第一方面的癫痫病灶定位方法。
第四方面,本发明实施例提供一种计算机设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行本发明实施例第一方面的癫痫病灶定位方法。
本发明技术方案,具有如下优点:
1、本发明提供的癫痫病灶定位方法及系统,对清晰显示脑区结构的图像的T1结构像进行分割得到待检测组织集,并制作对应的掩膜,利用掩膜提取所有被试的梯度加权的MRI数据的组织区域,并估计DKI参数图,将DKI参数图输入到神经网络中提取特征得到特征向量,进一步输入分类器进行分类,判断是否存在癫痫病灶。DKI参数图可以潜在地提高异常神经组织表征的敏感性和特异性,本发明实施例基于神经组织表征敏感性和特异性更高的DKI参数图分析癫痫病灶准确率更高。
2、本发明提供的癫痫病灶定位方法及系统,利用分脑组织结构代替全脑进行参数图估计,减少了计算量,节约了运行时间。
3、本发明提供的癫痫病灶定位方法及系统,用迁移学习构建的神经网络来进行特征提取,解决了医学数据量小直接训练提取特征网络提取出的特征不全面的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1本发明实施例中提供的癫痫病灶定位方法的一个具体示例的工作流程图;
图2为本发明实施例中提供的癫痫病灶定位系统的一个具体示例的模块组成图;
图3为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种癫痫病灶定位方法,运用在常规MRI阴性癫痫当中,通过及时准确的病灶定位诊断可对病人的病情进行有效的控制。如图1所示,包括如下步骤:
步骤S1:对所有被试的T1结构像进行分割得到待检测组织集,并制作出待检测组织集的掩膜,所述T1结构像为清晰显示脑区结构的图像。
本发明实施例中实现上述步骤S1的过程为:
步骤S11:将所有被试T1结构像由二维图像转为三维图像;实际应用中可以用dcm2niigui软件将所有被试T1结构像格式由Dicom转换成3D nifty。
步骤S12:对三维图像进行预处理,例如是将三维图像分别进行模板配准、进行大脑提取和不均匀性校正及强度归一化处理,仅作为举例,并不以此为限,实际应用中可以根据具体的图像质量要求进行相应的预处理;
步骤S13:利用包含T1结构像和脑区分割图的数据集训练用于分割的卷积神经网络,例如是EADC-ADNI HarP数据集对训练好的分割卷积神经网络进行微调。
步骤S14:利用训练好的卷积神经网络对预处理后的三维图像进行分割;
步骤S15:将所有分割出的的各脑组织部位进行并运算,制作出初始的待检测组织集的掩膜。
步骤S16:考虑到各脑组织区域之间的参数图计算可能存在一定的关联性,对掩膜进行膨胀处理,得到最终的待检测组织集的掩膜。
在具体实施例中可以将分割后的脑组织名称进行编号,待检测组织集中存储各个脑组织对应的编号,待检测组织集为{A,B,C,D,E,G,H,I,J,K,L,M,N,O,P,Q,R,S,T,U,V,W,X,Y,Z,a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q,r,s,t}
步骤S2:利用待检测组织集的掩膜提取所有被试的梯度加权的MRI数据的组织区域,并估计出组织区域的DKI参数图。
与传统的影像学技术相比,弥散参数图成像(DKI)显示出对微结构变化的敏感性更高。此外,参数图系数提供了有关脑白质(WM)和灰质(GM)的微观结构完整性的信息,并且可以处理评估交叉纤维的情况。因此,DKI参数图可以潜在地提高异常神经组织表征的敏感性和特异性。DKI参数图对常规磁共振阴性癫痫患者进行定侧定位更有帮助,测得代谢异常的范围往往比MRI 结构性病变范围大,时间上也优先于结构变化,因此是基于DKI参数图分析癫痫病灶是较为准确的方法。
本发明实施例中实现上述步骤S2的过程为:
步骤S21:将获取所有被试的二维梯度加权的MRI数据转化三维图像,并对三维图像进行配准。在具体实施例中用dcm2niigui软件将梯度加权的MRI数据的数据格式由Dicom转换成3D nifty;配准过程为根据各被试B0到经过配准后的T1像的仿射矩阵对各被试B0、B1000、B2000的3D nifty进行仿射变换及插值,其中试B0、B1000、B2000为扫描脑区图像是的扫描参数,仅作为举例,不以此为限。
步骤S22:利用最终的待检测组织集的掩膜提取配准后的三维图像的组织区域。
步骤S23:利用峰度估计算法估计出各被试的组织区域的DKI参数图。
实际应用中,可以采用三组不同的扫描参数(例如B0、 B1000、B2000)和梯度方向的MRI数据在分割组织后,采用峰度估计算法估计出各被试的组织区域的DKI参数图。
步骤S3:将DKI参数图输入到构建好的神经网络中提取特征,得到特征向量,并待检测组织集的各特征向量输入分类器中进行分类,判断是否存在癫痫病灶。
本发明实施例是基于包含病灶图像和正常图像的参数图进行迁移学习来构建神经网络模型,用来提取识别病灶图像和正常图像的特征,然后将待检测组织的DKI参数图输入到构建好的神经网络中提取特征,得到特征向量,并待检测组织集的各特征向量输入支持向量机(仅作为举例,不以此为限)中进行分类,判断是否存在癫痫病灶,以达到定位致痫灶的效果。
本发明实施例提的癫痫病灶定位方法,首先对清晰显示脑区结构的图像的T1结构像进行分割得到待检测组织集,并制作对应的掩膜,利用掩膜提取所有被试的梯度加权的MRI数据的组织区域,并估计出组织区域的DKI参数图,DKI参数图可以潜在地提高异常神经组织表征的敏感性和特异性,基于DKI参数图分析癫痫病灶准确率更高,利用分脑组织结构代替全脑进行参数图估计,有效地减少了计算量,节约了运行时间,用迁移学习构建的神经网络来进行特征提取,解决了医学数据量小直接训练提取特征网络,提取出的特征不全面的问题。本发明实施例提供的方法可以较好地运用在常规MRI阴性癫痫当中,通过及时准确的病灶定位诊断可以对病人的病情进行有效的控制。
实施例2
本发明实施例提供一种癫痫病灶定位系统,如图2所示,包括:
待检测组织集的掩膜制作模块1,用于对所有被试的T1结构像进行分割得到待检测组织集,并制作出待检测组织集的掩膜,所述T1结构像为清晰显示脑区结构的图像;此模块执行实施例1中的步骤S1所描述的方法,在此不再赘述。
待测组织集DKI参数图估计模块2,用于利用待检测组织集的掩膜提取对所有被试的梯度加权的MRI数据的组织区域,并估计出组织区域的DKI参数图;此模块执行实施例1中的步骤S2所描述的方法,在此不再赘述。
待测组织集特征提取及分类模块3,用于将DKI参数图输入到构建好的神经网络中提取特征,得到特征向量,并待检测组织集的各特征向量输入分类器中进行分类,判断是否存在癫痫病灶。此模块执行实施例1中的步骤S3所描述的方法,在此不再赘述。
本发明实施例提供的癫痫病灶定位系统,对清晰显示脑区结构的图像的T1结构像进行分割得到待检测组织集,并制作对应的掩膜,利用掩膜提取所有被试的梯度加权的MRI数据的组织区域,并估计出组织区域的DKI参数图,DKI参数图可以潜在地提高异常神经组织表征的敏感性和特异性,基于DKI参数图分析癫痫病灶准确率更高,利用分脑组织结构代替全脑进行参数图估计,有效地减少了计算量,节约了运行时间,用迁移学习构建的神经网络来进行特征提取,解决了医学数据量小直接训练提取特征网络,提取出的特征不全面的问题。本发明实施例提供的系统,可以较好地运用在常规MRI阴性癫痫当中,通过及时准确的病灶定位诊断可以对病人的病情进行有效的控制。
实施例3
本发明实施例提供一种计算机设备,如图3所示,该设备可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图3以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例1中的癫痫病灶定位方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、企业内网、移动通信网及其组合。
一个或者多个模块存储在存储器52中,当被处理器51执行时,执行实施例1中的癫痫病灶定位方法。上述计算机设备具体细节可以对应参阅实施例1中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,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的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (6)
1.一种癫痫病灶定位方法,其特征在于,包括如下步骤:
对所有被试的T1结构像进行分割得到待检测组织集,并制作出待检测组织集的掩膜,所述T1结构像为清晰显示脑区结构的图像,包括:
将所有被试T1结构像由二维图像转为三维图像,并对三维图像进行分别进行模板配准、进行大脑提取和不均匀性校正及强度归一化处理;
利用包含T1结构像和脑区分割图的数据集训练用于分割的卷积神经网络;
利用训练好的卷积神经网络对预处理后的三维图像进行分割;
将所有分割出的各脑组织部位进行并运算,制作出初始的待检测组织集的掩膜,并进行膨胀处理,得到最终的待检测组织集的掩膜;
利用待检测组织集的掩膜提取所有被试的梯度加权的MRI数据的组织区域,并估计出组织区域的DKI参数图,包括:
将获取所有被试的二维梯度加权的MRI数据转化三维图像,并对三维图像进行配准;
利用最终的待检测组织集的掩膜提取配准后的三维图像的组织区域;
利用峰度估计算法估计出各被试的组织区域的DKI参数图;
将DKI参数图输入到构建好的神经网络中提取特征,得到特征向量,并待检测组织集的各特征向量输入分类器中进行分类,判断是否存在癫痫病灶。
2.根据权利要求1所述的癫痫病灶定位方法,其特征在于,基于包含病灶图像和正常图像的参数图进行迁移学习来构建神经网络模型,用来提取识别病灶图像和正常图像的特征。
3.根据权利要求1所述的癫痫病灶定位方法,其特征在于,所述分类器为支持向量机。
4.一种癫痫病灶定位系统,其特征在于,包括:
待检测组织集的掩膜制作模块,用于对所有被试的T1结构像进行分割得到待检测组织集,并制作出待检测组织集的掩膜,所述T1结构像为清晰显示脑区结构的图像,包括:
将所有被试T1结构像由二维图像转为三维图像,并对三维图像进行分别进行模板配准、进行大脑提取和不均匀性校正及强度归一化处理;
利用包含T1结构像和脑区分割图的数据集训练用于分割的卷积神经网络;
利用训练好的卷积神经网络对预处理后的三维图像进行分割;
将所有分割出的各脑组织部位进行并运算,制作出初始的待检测组织集的掩膜,并进行膨胀处理,得到最终的待检测组织集的掩膜;
待测组织集DKI参数图估计模块,用于利用待检测组织集的掩膜提取对所有被试的梯度加权的MRI数据的组织区域,并估计出组织区域的DKI参数图,包括:
将获取所有被试的二维梯度加权的MRI数据转化三维图像,并对三维图像进行配准;
利用最终的待检测组织集的掩膜提取配准后的三维图像的组织区域;
利用峰度估计算法估计出各被试的组织区域的DKI参数图;
待测组织集特征提取及分类模块,用于将DKI参数图输入到构建好的神经网络中提取特征,得到特征向量,并待检测组织集的各特征向量输入分类器中进行分类,判断是否存在癫痫病灶。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-3任一项所述的癫痫病灶定位方法。
6.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-3任一项所述的癫痫病灶定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186236.0A CN112348785B (zh) | 2020-10-29 | 2020-10-29 | 一种癫痫病灶定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186236.0A CN112348785B (zh) | 2020-10-29 | 2020-10-29 | 一种癫痫病灶定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348785A CN112348785A (zh) | 2021-02-09 |
CN112348785B true CN112348785B (zh) | 2023-09-29 |
Family
ID=74356555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011186236.0A Active CN112348785B (zh) | 2020-10-29 | 2020-10-29 | 一种癫痫病灶定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348785B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223014B (zh) * | 2021-05-08 | 2023-04-28 | 中国科学院自动化研究所 | 基于数据增强的脑部图像分析系统、方法及设备 |
WO2022241710A1 (zh) * | 2021-05-20 | 2022-11-24 | 中国科学院深圳先进技术研究院 | 一种癫痫发作区定位系统、设备及介质 |
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 |
CN115018836A (zh) * | 2022-08-08 | 2022-09-06 | 四川大学 | 一种癫痫病灶自动分割与预测方法、系统及设备 |
CN116205909B (zh) * | 2023-04-27 | 2023-07-07 | 首都医科大学附属北京友谊医院 | 一种用于预测帕金森病认知障碍的装置和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109965895A (zh) * | 2019-03-28 | 2019-07-05 | 济南国科医工科技发展有限公司 | 一种基于脑影像融合特征的癫痫灶定位方法 |
CN111640107A (zh) * | 2020-06-02 | 2020-09-08 | 无锡北邮感知技术产业研究院有限公司 | 一种致痫灶位置检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015161156A1 (en) * | 2014-04-18 | 2015-10-22 | The General Hospital Corporaton | System and method for correcting intrinsic heterogeneity in magnetic resonance imaging |
-
2020
- 2020-10-29 CN CN202011186236.0A patent/CN112348785B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109965895A (zh) * | 2019-03-28 | 2019-07-05 | 济南国科医工科技发展有限公司 | 一种基于脑影像融合特征的癫痫灶定位方法 |
CN111640107A (zh) * | 2020-06-02 | 2020-09-08 | 无锡北邮感知技术产业研究院有限公司 | 一种致痫灶位置检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
磁共振成像在肺结节检出和诊断中的研究进展;严琴琴;单飞;施裕新;;肿瘤影像学(06);第60-66页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112348785A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
CN107369160B (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
Liu et al. | Towards clinical diagnosis: Automated stroke lesion segmentation on multi-spectral MR image using convolutional neural network | |
CN110390351B (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
CN111488914B (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
Mendrik et al. | MRBrainS challenge: online evaluation framework for brain image segmentation in 3T MRI scans | |
EP2481349B1 (en) | Method, device, and program for processing images obtained from asl mri | |
Coupé et al. | LesionBrain: an online tool for white matter lesion segmentation | |
CN112164082A (zh) | 基于3d卷积神经网络分割多模态mr脑部图像方法 | |
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
Klein et al. | Early diagnosis of dementia based on intersubject whole-brain dissimilarities | |
US10832410B2 (en) | Computer system, method, and program for diagnosing subject | |
CN111861989A (zh) | 一种脑中线检测方法、系统、终端及存储介质 | |
Khademi et al. | Whole volume brain extraction for multi-centre, multi-disease FLAIR MRI datasets | |
Liu et al. | Robust cortical thickness morphometry of neonatal brain and systematic evaluation using multi-site MRI datasets | |
CN115311193A (zh) | 一种基于双重注意力机制的异常脑图像分割方法及系统 | |
Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
WO2019044078A1 (ja) | 脳画像正規化装置、方法およびプログラム | |
CN112200810A (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
CN111339993A (zh) | 一种x射线图像金属检测方法和系统 | |
Kim et al. | Learning to compare longitudinal images | |
CN112837807B (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
CN111951228B (zh) | 一种融合梯度激活映射和深度学习模型的癫痫灶定位系统 |
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 |