CN112508902A - 白质高信号分级方法、电子设备及存储介质 - Google Patents

白质高信号分级方法、电子设备及存储介质 Download PDF

Info

Publication number
CN112508902A
CN112508902A CN202011379787.9A CN202011379787A CN112508902A CN 112508902 A CN112508902 A CN 112508902A CN 202011379787 A CN202011379787 A CN 202011379787A CN 112508902 A CN112508902 A CN 112508902A
Authority
CN
China
Prior art keywords
white matter
high signal
matter high
target
brain
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
Application number
CN202011379787.9A
Other languages
English (en)
Inventor
周雅琪
石峰
沈宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202011379787.9A priority Critical patent/CN112508902A/zh
Publication of CN112508902A publication Critical patent/CN112508902A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Abstract

本发明提供一种白质高信号分级方法、装置、电子设备及存储介质，该方法包括：获取目标脑图像；基于预先训练的白质高信号分割模型对所述目标脑图像进行处理，得到所述目标脑图像的白质高信号分割结果；基于预先训练的脑分区模型对所述目标脑图像进行处理，得到所述目标脑图像的脑分区结果；根据所述白质高信号分割结果和脑分区结果，获取所述目标脑图像的白质高信号分级结果。本发明可以自动实现白质高信号的准确分级。

Description

白质高信号分级方法、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种白质高信号分级方法、电子设备及存储介质。
背景技术
血管源性的白质高信号(white matter hyperintensities of presumedvascular origin,WMH)，也称为脑白质疏松症，白质病变或白质病，是指在磁共振T2流体衰减反转恢复序列(Fluid～attenuated Inversion Reconvery,FLAIR)上，双侧侧脑室周围或皮质下白质存在多发的点状、斑片状或融合性高信号现象。白质高信号常见于老年人群体和患有小血管疾病或其它神经系统疾病的患者大脑中，并且与功能衰退，痴呆和死亡的风险增加相关。
临床上，一般通过视觉评定量表的方法评估白质高信号，至今已提出约20种评价方法，如Fazekas量表、Scheltens量表、ARWMC量表、Awad量表、Zimmerman量表、Erkinjuntti量表、Herholz量表、Davis量表等。以Fazekas量表为例，专业医师将MRI扫描的深部区域和侧脑室区域分别评定为四种可能等级，分别为0分、1分、2分和3分，每种等级取决于病变的大小、位置和形状，最终将两个区域分数相加形成0～6分的等级。然而，由于MRI图像常包含十层至上百层，每一层都需要专业医师视觉评估，因此对白质高信号进行视觉评级是极其耗时的。同时由于白质高信号结构的多样性，即使是经验丰富的医生也很难准确评价，因此视觉评估白质高信号还容易受评价者自身及评价者之间可变性的影响，一致性较低。
其次，不同量表评价方法侧重点不同，如Fazekas评分对深部脑白质区域与脑室周围区域评价，Scheltens量表还会对脑干、小脑、基底节区(包含丘脑)灰质等区域进行评价。由于量表众多，专业医师仅能掌握其中1～2种量表评价方法，很难采用不同量表对数据进行评价。
此外，在对白质高信号进行分级之前，需要预先从图像中分割出白质高信号。虽然过去数十年中有众多研究人员对白质高信号分割问题进行了研究，如无监督学习方法、基于手工设计特征的监督学习方法及近年来性能优异深度学习方法等，但这些研究一般仅实现白质高信号的分割功能，不实现脑分区功能。在得到这些白质高信号分割结果后，医师需按白质高信号分级评分量表对多个脑区分别进行评价。由于现有分级方法缺失脑分区功能，需要医师较好的掌握脑部解剖知识才能完成评价，否则，很难评价准确。
发明内容
为解决上述现有技术中存在的问题，本发明的目的在于提供一种白质高信号分级方法、电子设备及存储介质，以自动实现白质高信号的准确分级。
为了实现上述目的，本发明提供一种白质高信号分级方法，包括：
获取目标脑图像；
基于预先训练的白质高信号分割模型对所述目标脑图像进行处理，得到所述目标脑图像的白质高信号分割结果；
基于预先训练的脑分区模型对所述目标脑图像进行处理，得到所述目标脑图像的脑分区结果；
根据所述目标脑图像的白质高信号分割结果和脑分区结果，获取所述目标脑图像的白质高信号分级结果。
在本发明一个优选实施例中，所述目标脑图像包括若干切片，所述根据所述目标脑图像的白质高信号分割结果和脑分区结果，获取所述目标脑图像的白质高信号分级结果，包括：
根据所述脑分区结果，从所述若干切片中确定目标切片，并在所述目标切片中确定目标区域；
根据所述目标区域的脑分区结果和所述白质高信号分割结果，获取所述目标脑图像的目标特征集合；
利用预先训练的机器学习模型对所述目标特征集合进行处理，得到所述目标脑图像的白质高信号分级结果。
在本发明一个优选实施例中，所述根据所述目标区域的脑分区结果和所述白质高信号分割结果，获取所述目标脑图像的目标特征集合，包括：
将所述目标区域的脑分区结果和所述白质高信号分割结果逐像素相乘，得到所述目标区域中不同脑分区的白质高信号存在信息，并将得到的信息加入所述目标脑图像的目标特征集合。
在本发明一个优选实施例中，所述根据所述目标区域的脑分区结果和所述白质高信号分割结果，获取所述目标脑图像的目标特征集合，还包括：
根据所述目标区域中不同脑分区的白质高信号存在信息，获取所述目标区域中存在的白质高信号的体积、面积、形状和/或长短径，并将获得的所述体积、面积、形状和/或长短径加入所述目标特征集合；和/或
根据所述目标区域的图像亮度信息，获取所述目标区域中存在的白质高信号的亮度信息，并将获得的亮度信息加入所述目标特征集合。
在本发明一个优选实施例中，所述根据所述白质高信号分割结果和脑分区结果，获取所述目标脑图像的白质高信号分级结果包括，包括：
利用预先训练的神经网络对所述白质高信号分割结果和脑分区结果进行处理，得到所述目标脑图像的白质高信号分级结果。
在本发明一个优选实施例中，所述脑分区模型的训练过程如下：
获取第二样本数据集，所述第二样本数据集包含若干第二样本图像以及与所述第二样本图像对应的脑分区标注结果；
将所述第二样本数据集划分为第二训练集和第二验证集；
将所述第二训练集中各第二样本图像输入预先建立的脑分区模型，并基于所述脑分区模型输出的脑分区结果与对应的所述脑分区标注结果计算第二损失函数值，而后基于所述第二损失函数值对所述脑分区模型的模型权重进行调整，直至所述第二损失值收敛或小于第二预定阈值；
基于所述第二验证集对当前所述脑分区模型进行验证，当验证通过时，训练结束。
在本发明一个优选实施例中，所述机器学习模型的训练过程如下：
获取第三样本数据集，所述第三样本数据集包含若干第三样本图像以及与所述第三样本图像对应的白质高信号分级标注结果；
获取所述第三样本图像的目标特征集合；
将所述第三样本数据集划分为第三训练集和第三验证集；
将所述第三训练集中各第三样本图像的目标特征集合输入预先建立的机器学习模型，并基于所述机器学习模型输出的白质高信号分级结果与对应的所述白质高信号分级标注结果计算第三损失函数值，而后基于所述第三损失函数值对所述机器学习模型的模型权重进行调整，直至所述第三损失值收敛或小于第三预定阈值；
基于所述第三验证集对当前所述机器学习模型进行验证，当验证通过时，训练结束。
在本发明一个优选实施例中，所述神经网络的训练过程如下：
获取第四样本数据集，所述第四样本数据集包含若干第四样本图像以及与所述第四样本图像对应的白质高信号分级标注结果；
将所述第四样本数据集划分为第四训练集和第四验证集；
将所述第四训练集中各第四样本图像的脑分区结果和白质高信号分割结果输入预先建立的神经网络，并基于所述神经网络输出的白质高信号分级结果与对应的所述白质高信号分级标注结果计算第四损失函数值，而后基于所述第四损失函数值对所述神经网络的模型权重进行调整，直至所述第四损失值收敛或小于第四预定阈值；
基于所述第四验证集对当前所述神经网络进行验证，当验证通过时，训练结束。
为了实现上述目的，本发明还提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述白质高信号分级方法的步骤。
为了实现上述目的，本发明还提供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前述白质高信号分级方法的步骤。
通过采用上述技术方案，本发明具有如下有益效果：
本发明首先基于预先训练的白质高信号分割模型对所述目标脑图像进行处理，能够快速高效得到所述目标脑图像的白质高信号分割结果；而后基于预先训练的脑分区模型对所述目标脑图像进行处理，能够快速高效得到所述目标脑图像的脑分区结果；最后根据所述白质高信号分割结果和脑分区结果获取所述目标脑图像的白质高信号分级结果，从而能够自动实现白质高信号的准确分级。与现有技术相比，本发明无需医师参与，提高了白质高信号分级的准确性和效率。
附图说明
图1为本发明实施例1的白质高信号分级方法的流程图；
图2为本发明实施例3的白质高信号分级装置的结构框图；
图3为本发明实施例4的白质高信号分级装置的结构框图；
图4为本发明实施例5的电子设备的硬件架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
实施例1
本实施例提供一种白质高信号分级方法，如图1所示，该方法具体包括以下步骤：
S1，训练预设的白质高信号分割模型，该模型用于获取目标脑图像的白质高信号分割结果。
本实施例通过如下步骤对白质高信号分割模型进行训练：
S11，获取第一样本数据集，所述第一样本数据集包含若干第一样本图像以及与所述第一样本图像对应的白质高信号标签标注结果。具体地，获取第一样本数据集的过程如下：
S111，获取第一样本图像，第一样本图像可以包括但不限于患者头部的CT(计算机断层扫描)图像和MRI(磁共振成像)图像，其中，MRI图像可以包括FLAIR、T1序列扫描图像。获取的目标脑图像可以由外部源输入，也可以通过相应设备直接进行采集。
S112，对所述第一样本图像进行预处理，所述预处理包括重采样、脑组织提取、场非均匀矫正、以及灰度归一化处理中的任意一种或多种。
在本实施例中，重采样是指在对图像按所需的像元位置或像元间距进行重新采样，以构成几何变换后的新图像。
由于MRI脑图像通常包含部分非脑组织，例如，颅骨、眼睛、皮肤、脂肪及肌肉组织等，不利于白质高信号分割的稳健性，本申请实施例通过在白质高信号分割前剔除了非脑组织，去除了噪音，仅保留了对白质高信号分割有益的区域(脑组织区域)，有利于提高分割算法的性能，提升了白质高信号分割的精度和效率。例如，可以采用脑提取算法(brainextraction tool，BET)进行剔除，实际应用中还可以采用其他可能的算法来实现，本实施例不以此为限。
场非均匀矫正是指为了消除图像中的场偏移，对图像进行场非均匀性矫正，以使得同一个图像中绝对灰度具有相同的物理意义，提升白质高信号分割的准确性。优选地，可以采用N3场矫正算法对所述图像进行场非均匀性矫正。需要指出的是，实际应用中还可以采用其他场矫正算法来对图像进行场非均匀性矫正，本实施例不以此为限。
灰度归一化处理是指对图像按比例缩放，使其落入一个小的特定区间，从而能够提升白质高信号分割模型的收敛速度，同时提升该模型的精度。
S113，对经过预处理的第一样本图像进行标注。具体地，一般脑部图像可以包含几十至数百张切片(slices)，所述白质高信号标签标注结果可以包括每一张切片对应的白质高信号标签标注结果。
本实施例中，为了区分图像中的不同像素，可以为图像中的每个像素标注一个白质高信号标签，在实际应用中，不同的标签可以用不同的标识进行区分。例如，可以设置表征白质高信号的像素的标签为数字“1”，表征非白质高信号的像素的标签为数字“0”。
S114，基于所述经过预处理的第一样本图像及其对应的白质高信号标签标注结果构建第一样本数据集。
为了获取更多训练数据，可以对上述步骤S111～S114重复多次，优选地，重复次数大于1000。这样能够获取更多样本数据，提升质高信号分割模型的精度。
S12，将所述第一样本数据集随机划分为第一训练集和第二验证集。
例如，可以从所述第一样本数据集中选取占比为M的数据作为第一训练集，将所述第一样本数据集中其余的数据作为第一验证集，例如，在M为0.8时，即将第一样本数据集中80％的数据作为第一训练集，剩下的20％的数据作为第一验证集。
S13，将第一训练集中各第一本图像依次输入预先建立的白质高信号分割模型，而后基于所述白质高信号分割模型输出的白质高信号分割结果与对应的白质高信号标签标注结果，计算第一损失函数值，并基于所述计算第一损失函数值对所述白质高信号分割模型的模型权重进行调整，直至所述第一损失函数值收敛或小于第一预定阈值。
具体地，所述白质高信号分割模型可以采用基于全卷积网络的网络结构，此类结构可以包括：例如，针对2D图像的U～Net、针对3D图像的3D U～Net、V～Net等医学图像分割领域常用的全卷积网络分割模型，还可以是其他能够取得较好分割效果的全卷积网络分割模型，本实施例不以此为限。所述第一损失函数可以包括但不限于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中的一种或多种。
S14，基于所述第一验证集对当前的白质高信号分割模型进行验证，当验证通过时，训练过程结束，当验证未通过时，重复上述白质高信号分割模型训练过程，直至验证通过。
例如，在验证时，首先将第一验证集中的第一样本图像输入当前的白质高信号分割模型进行处理，得到当前的白质高信号分割模型对第一验证集数据的白质高信号分割结果，而后计算第一验证集数据的白质高信号分割结果与对应白质高信号标签标注结果的重叠率，并判断所述重叠率是否满足第一预设训练终止条件，若满足，表示验证通过。其中，所述重叠率的评价指标可以包括但不限于Dice系数、IoU。
在本实施例中，所述第一预设训练终止条件可以通过大量样本图像进行白质高信号分割测试确定，或根据实际应用需要进行设定。例如，所述第一预设训练终止条件可以包括Dice系数大于等于预设Dice系数，具体地，例如，预设Dice系数为0.9或根据实际需要确定的其他值。在一个实施例中，所述第一预设训练终止条件还可以包括IoU大于等于预设IoU值。
通过上述步骤训练得到白质高信号分割模型方便实现白质高信号分割且速度快。
S2，训练预设的脑分区模型，该模型用于获取目标脑图像的脑分区结果。本实施例通过如下步骤对脑分区模型进行训练：
S21，获取第二样本数据集，所述第二样本数据集包含若干第二样本图像以及与所述第二样本图像对应的脑分区标注结果。
其中，第二样本图像可以包括但不限于患者头部的CT(计算机断层扫描)图像和MRI(磁共振成像)图像，其中，MRI图像可以包括FLAIR、T1序列扫描图像。获取的目标脑图像可以由外部源输入，也可以通过相应设备直接进行采集。
优选地，第二样本图像与第一样本图像相同，提高样本图像利用率。
本实施例获取第二样本数据集的过程可参考前述步骤S111～S114，在此不再赘述。其中，在第二样本图像中标注脑分区标注结果时，例如可以标注表征侧脑室的像素的脑分区类别标签为“1”，表征白质的像素的脑分区类别标签为“2”，表征灰质的像素的脑分区类别标签为“3”。当然，根据需要还可以进一步划分子区域，如基底节区域，幕下区域(包括小脑、中脑、脑桥、延髓)等。
S22，将所述第二样本数据集随机划分为第二训练集和第二验证集。
例如，可以从所述第二样本数据集中选取占比为M的数据作为第二训练集，将所述第二样本数据集中其余的数据作为第二验证集，例如，在M为0.8时，即将第二样本数据集中80％的数据作为第二训练集，剩下的20％的数据作为第二验证集。
S23，将第二训练集输入预先建立的脑分区模型，而后基于所述脑分区模型输出的脑分区结果与对应的脑分区标注结果计算第二损失函数值，并基于所述第二损失函数值对所述脑分区模型的模型权重进行调整，直至所述第二损失函数值收敛或小于预定阈值。
具体地，所述脑分区模型可以采用基于全卷积网络的网络结构，此类结构可以包括：例如，针对2D图像的U～Net、针对3D图像的3D U～Net、V～Net等医学图像分割领域常用的全卷积网络分割模型，还可以是其他能够取得较好分割效果的全卷积网络分割模型，本实施例不以此为限。所述第二损失函数可以包括但不限于Dice Loss、Focal Loss、DiceLoss与Focal Loss的联合损失函数、Dice Loss和交叉熵的联合损失函数中的一种或多种。
S24，基于所述第二验证集对当前的脑分区模型进行验证，当验证通过时，训练过程结束，当验证未通过时，重复上述脑分区模型训练过程，直至验证通过。
具体地，在验证时，首先将第二验证集中的第二样本图像输入当前的脑分区模型进行处理，得到当前的脑分区模型对第二验证集数据的白质高信号分割结果，而后计算第二验证集数据的白质高信号分割结果与对应的白质高信号标签标注结果的重叠率，并判断所述重叠率是否满足预设的第二训练终止条件，若满足，表示验证通过。其中，所述重叠率的评价指标可以包括但不限于Dice系数、IoU。
在本实施例中，所述第二训练终止条件可以通过大量样本图像进行白质高信号分割测试确定，或根据实际应用需要进行设定。例如，所述第二训练终止条件可以包括Dice系数大于等于预设Dice系数，具体地，例如，预设Dice系数为0.9或根据实际需要确定的其他值。在一个实施例中，所述第二训练终止条件还可以包括IoU大于等于预设IoU值。
本实施例训练得到的脑分区模型方便实现脑组织分割且速度快。
S3，获取待分级的目标脑图像。
例如，目标脑图像可以包括但不限于患者头部的CT(计算机断层扫描)图像和MRI(磁共振成像)图像，其中，MRI图像可以包括FLAIR、T1序列扫描图像。获取的目标脑图像可以由外部源输入，也可以通过相应设备直接进行采集。
S4，对所述目标脑图像进行预处理，所述预处理过程参考前述步骤S112，在此不再赘述。
S5，基于预先训练的白质高信号分割模型对所述目标脑图像进行处理，得到所述目标脑图像的白质高信号分割结果。具体地，将预处理后的目标脑图像输入所述白质高信号分割模型，即可快速得到其对应的白质高信号分割结果。在本实施例中，目标脑图像的白质高信号分割结果包括目标脑图像中每个像素的白质高类别标签。
S6，基于预先训练的脑分区模型对所述目标脑图像进行处理，得到所述目标脑图像的脑分区结果。具体地，将预处理后的目标脑图像输入所述脑分区模型，即可快速得到其对应的脑分区结果。在本实施例中，目标脑图像的脑分区结果包括目标脑图像中每个像素的脑分区类别标签。
S7，根据所述白质高信号分割结果和脑分区结果进行分级处理，得到所述目标脑图像的白质高信号分级结果。
应该理解，结合所述白质高信号分割结果和脑分区结果，可以得到目标脑图像中目标脑分区上白质高信号存在的情况，进而便于实现白质高信号自动分级。
在本实施例中，可以根据各类白质高信号视觉评分量表，如Fazekas量表、Scheltens量表、ARWMC量表、Awad量表、Zimmerman量表、Erkinjuntti量表、Herholz量表、Davis量表等进行白质高信号分级。
示例性而非限定性地，后续将以根据Fazekas量表进行分级为例，对分级处理过程进行详细说明。此处对Fazekas量表进行简单说明，Fazekas量表评分为0～6分，分别对侧脑室旁白质损伤(Periventricular hyperintensity,PWML)和深部脑白质损伤(Deep white～matter hyperintensity,DWML)进行评分，再通过分数相加计算总评分。PWML评分标准如下：0分，无病灶；1分，帽状或铅笔样薄层病变；2分，光滑晕圈样病变；3分，脑室旁高信号不规则并延伸到深部白质。DWML评分标准如下：0分，无病灶；1分，点状病变；2分，病变早期融合；3分，病变广泛融合。
在本实施例中，根据所述白质高信号分割结果和脑分区结果进行分级处理的具体过程如下：
S71，根据所述目标脑图像的脑分区结果，确定若干用于白质高信号分级的目标切片。
具体地，脑图像一般包括几十～数百切片，在根据评分量表进行分级时，一般无需对所有切片进行。以前述Fazekas量表为例，其仅对侧脑室旁白质和深部脑白质进行评分，其中，侧脑室旁白质高信号评分针对的是侧脑室层面，深部脑白质高信号评分针对的是侧脑室及侧脑室以上的半卵圆中心层面，对于其它部分脑区则可以忽略。
为符合临床中专业医师采用Fazekas分级的习惯，同时减小计算量，本实施例在获取到目标脑图像的脑分区结果后，根据需要目标切片进行选择，其中对于侧脑室旁白质高信号评分需要的目标切片可定义为侧脑室所在层面L1,L2,…,Ln,H1,H2,...,Hm，其中L1定义为最低的切片(靠近颅底)，对应侧脑室前角最早出现的层面，Hm定义为最高的切片(远离颅底)，其下一层面将无侧脑室结构。由于不同人侧脑室切片数目不一致，示例性而非限定性地，一种可行的方式采用固定数量Num1的切片用于后续分析。优选地，Num1可选为6，其中选择3个L层面，3个H层面，L层面可选择为L1,L2,L3，H层面可选择为Hm～2,Hm～1,Hm。对于深部脑白质信号评分需要的目标切片可定义为S1,S2,…,Sk，其中S1定义为侧脑屋顶水平上方的第一个切片即Hm上方的第一个切片，同理可采用固定数量Num2的切片用于后续分析，优选地，Num2可选为3，即S1,S2,S3。
S72，得到目标切片后，在所述目标切片中确定目标区域。
应该理解，在根据评分量表进行分级时，一般仅需关注需要的目标区域即可，而无需考虑目标切片中的所有区域。例如，在根据Fazekas量表进行分级时，对侧脑室旁脑白质的定义是侧脑室旁一定范围Dis内。本实施例中Dis可由用户定义，优选地Dis可选择为10mm。在选取需要的侧脑室区域时可利用模板技术、形态学方法将这些区域选出。示例性而非限定性的，如针对侧脑室区域PerArea进行膨胀得到DilArea，DilArea与PerArea之间的区域作为感兴趣的侧脑室旁区域。
S73，根据所述目标区域和所述白质高信号分割结果，获取所述目标脑图像的目标特征集合。例如，将所述目标区域的脑分区结果和所述白质高信号分割结果逐像素相乘，便可得到所述目标区域中不同脑分区的白质高信号存在信息，所得到的信息即可加入目标特征集合。而后，还可进一步计算得到更多的特征，示例性而非限定性地，可以根据所述目标区域中不同脑分区的白质高信号存在信息，获取所述目标区域中存在的白质高信号的体积、面积、形状和/或长短径，并将获得的所述体积、面积、形状和/或长短径加入所述目标特征集合。此外，还可以根据所述目标区域的图像亮度信息，获取所述目标区域中白质高信号的亮度信息，并将获得的亮度信息加入所述目标特征集合。具体地，当目标区域中某像素点存在白质高信号时，将该像素点的图像亮度作为该像素点上的白质高信号的亮度。
S74，利用预先训练的机器学习模型对所述目标脑图像的目标特征集合进行处理，得到所述目标脑图像的白质高信号分级结果。
在本实施列中，可以根据评分量表构建并训练机器学习模型，所述机器学习模型的训练过程如下：
S741，获取第三样本数据集，所述第三样本数据集包含若干第三样本图像以及与所述第三样本图像对应的白质高信号分级标注结果。
其中，第三样本图像可以包括但不限于患者头部的CT(计算机断层扫描)图像和MRI(磁共振成像)图像，其中，MRI图像可以包括FLAIR、T1序列扫描图像。获取的目标脑图像可以由外部源输入，也可以通过相应设备直接进行采集。
优选地，第三样本图像与第一、第二样本图像相同，提高样本图像利用率。
本实施例获取第三样本数据集的过程可参考前述步骤S111～S114，在此不再赘述。其中，在对第三样本图像进行标注时，可根据评分量表进行标注。例如，当需要按Fazekas量表进分级时，则对侧脑室旁白质和深部脑白质分别进行分级标注，得到相应的白质高信号分级标注结果(即白质高信号评分结果)。
S742，获取第三样本数据集中各第三样本图像的目标特征集合。
其中，获取第三样本图像的目标特征集合的过程参考前述步骤S71-S73，在此不再赘述。
S743，将所述第三样本数据集随机划分为第三训练集和第三验证集。
例如，可以从所述第三样本数据集中选取占比为M的数据作为第三训练集，将所述第三样本数据集中其余的数据作为第三验证集，例如，在M为0.8时，即将第三样本数据集中80％的数据作为第三训练集，剩下的20％的数据作为第三验证集。
S744，将第三训练集中各第三样本图像的目标特征集合输入预先建立的机器学习模型，而后基于所述机器学习模型输出的白质高信号分级结果与对应的白质高信号分级标注结果计算第三损失函数值，并基于所述第三损失函数值对所述机器学习模型的模型权重进行调整，直至所述第三损失函数值收敛或小于第三预定阈值。
具体地，所述机器学习模型依据评分量表的评分方式建立，当按Fazekas量表进分级时，所述机器学习模型包括侧脑室旁白质高信号评分模块和深部脑白质高信号评分模块，分别用于进行侧脑室旁白质高信号评分和深部脑白质高信号评分。将侧脑室旁白质高信号评分和深部脑白质高信号评分相加，即可得到输入脑图像的白质高信号分级结果。
示例性而非限定性地，侧脑室旁白质高信号评分模块和深部脑白质高信号评分模块均可采用如逻辑回归、SVM、AdaBoost、决策树、随机森林等实现，其输入为前面得到的各种特征，输出为相应的评分。
S745，基于所述第三验证集对当前的机器学习模型进行验证，当验证通过时，训练过程结束，当验证未通过时，重复上述机器学习模型训练过程，直至验证通过。
S8，对目标脑图像的白质高信号分割结果、脑分区结果和/或白质高信号分级结果进行显示，以便用户查看。优选地，本实施例还可以包括对上述步骤中的一些中间结果进行显示。例如，当根据Fazekas量表进行分级时，本步骤还包括对目标脑图像的侧脑室旁白质高信号评分和深部脑白质高信号评分进行显示，便于用户了解中间结果。
本实施例根据白质高信号分割结果和脑分区结果进行白质高信号分级处理，能够自动实现白质高信号的准确分级。与现有技术相比，本发明无需医师参与，提高了白质高信号分级的准确性和效率。此外，本实施例可根据不同白质高信号评分量表进行分级，因而可以得到不同白质高信号量表对应的分级结果。
实施例2
在本实施例中，前述步骤S7的实现过程如下：利用预先训练的神经网络对目标脑图像的白质高信号分割结果和脑分区结果进行处理，得到所述目标脑图像的白质高信号分级结果。
示例性而非限定性地，本实施例的神经网络可采用如VggNet、GoogleNet、ResNet等网络结构，其输入为目标脑图像的白质高信号分割结果和脑分区结果，输出为白质高信号分级预测结果。
在本实施列中，可以根据评分量表构建并训练神经网络，所述神经网络的训练过程如下：
S71'，获取第四样本数据集，所述第四样本数据集包含若干第四样本图像以及与所述第四样本图像对应的白质高信号分级标注结果。
其中，第四样本图像可以包括但不限于患者头部的CT(计算机断层扫描)图像和MRI(磁共振成像)图像，其中，MRI图像可以包括FLAIR、T1序列扫描图像。获取的目标脑图像可以由外部源输入，也可以通过相应设备直接进行采集。
在对第四样本图像进行分级标注结果标注时，可根据评分量表进行标注。例如，当需要按Fazekas量表进分级时，则对侧脑室旁白质和深部脑白质分别进行评分后，将两者评分之和作为相应的白质高信号分级标注结果。
优选地，第四样本图像可与第一～三样本图像相同，以提高样本数据集的利用率。
S72'，将所述第四样本数据集随机划分为第四训练集和第四验证集。
例如，可以从所述第四样本数据集中选取占比为M的数据作为第四训练集，将所述第四样本数据集中其余的数据作为第四验证集，例如，在M为0.8时，即将第四样本数据集中80％的数据作为第四训练集，剩下的20％的数据作为第四验证集。
S73'，将第四训练集中各第四样本图像对应的白质高信号分割结果和脑分区结果输入预先建立的神经网络，而后基于所述神经网络输出的白质高信号分级结果与对应的白质高信号分级标注结果计算第四损失函数值，并基于所述第四损失函数值对所述神经网络的模型权重进行调整，直至所述第四损失函数值收敛或小于预定阈值。其中，第四样本图像对应的白质高信号分割结果和脑分区结果可以采用前述白质高信号分割模型和脑分区模型对第四样本图像进行处理得到。
S74'，基于所述第四验证集对当前的神经网络进行验证，当验证通过时，训练过程结束，当验证未通过时，重复上述神经网络训练过程，直至验证通过。
可见，本实施例与实施例1的不同之处在于，实施例1的步骤S7采用基于特征的机器学习方法实现，而本实施例提供了另一种可选的方式——采用神经网络的强大学习能力自动实现白质高信号自动分级，无需获取输入图像的目标特征集合，效率更高。
实施例3
本实施例提供一种白质高信号分级装置，如图2所示，该装置1具体包括：
图像获取模块11，用于获取目标脑图像；
白质高信号分割模块12，用于基于预先训练的白质高信号分割模型对所述目标脑图像进行处理，得到所述目标脑图像的白质高信号分割结果；
脑分区模块13，用于基于预先训练的脑分区模型对所述目标脑图像进行处理，得到所述目标脑图像的脑分区结果；
分级模块14，用于根据所述白质高信号分割结果和脑分区结果，获取所述目标脑图像的白质高信号分级结果。
在本实施例中，所述目标脑图像包括若干切片，所述分级模块14包括：
切片确定单元，用于根据所述脑分区结果，从所述若干切片中确定目标切片；
区域确定单元，用于在所述目标切片中确定目标区域；
特征获取单元，用于根据所述目标区域的脑分区结果和所述白质高信号分割结果，获取所述目标脑图像的目标特征集合；
分级单元，用于利用预先训练的机器学习模型对所述目标特征集合进行处理，得到所述目标脑图像的白质高信号分级结果。
在本实施例中，所述特征获取单元用于将所述目标区域的脑分区结果和所述白质高信号分割结果逐像素相乘，得到所述目标区域中不同脑分区的白质高信号存在信息，并将得到的信息加入所述目标脑图像的目标特征集合。进一步地，还可以根据所述目标区域中不同脑分区的白质高信号存在信息，获取所述目标区域中白质高信号的体积、面积、形状和/或长短径，并将获得的所述体积、面积、形状和/或长短径加入所述目标特征集合。此外，还可以根据所述目标区域的图像亮度信息，获取所述目标区域中白质高信号的亮度信息，并将获得的亮度信息加入所述目标特征集合。
在本实施例中，所述装置还包括白质高信号分割模型训练模块15，所述白质高信号分割模型训练模块具体用于：
获取第一样本数据集，所述第一样本数据集包含若干第一样本图像以及与所述第一样本图像对应的白质高信号标签标注结果；
将所述第一样本数据集划分为第一训练集和第一验证集；
将所述第一训练集中的各第一样本图像输入预先建立的白质高信号分割模型，并基于所述白质高信号分割模型输出的白质高信号分割结果与对应的所述白质高信号标签标注结果计算第一损失函数值，而后基于所述第一损失函数值对所述白质高信号分割模型的模型权重进行调整，直至所述第一损失值收敛或小于第一预定阈值；
基于所述第一验证集对当前所述白质高信号分割模型进行验证，当验证通过时，训练结束。
在本实施例中，所述装置还包括脑分区模型训练模块16，所述脑分区模型训练模块具体用于：
获取第二样本数据集，所述第二样本数据集包含若干第二样本图像以及与所述第二样本图像对应的脑分区标注结果；
将所述第二样本数据集划分为第二训练集和第二验证集；
将所述第二训练集中各第二样本图像输入预先建立的脑分区模型，并基于所述脑分区模型输出的脑分区结果与对应的所述脑分区标注结果计算第二损失函数值，而后基于所述第二损失函数值对所述脑分区模型的模型权重进行调整，直至所述第二损失值收敛或小于第二预定阈值；
基于所述第二验证集对当前所述脑分区模型进行验证，当验证通过时，训练结束。
在本实施例中，所述装置还包括机器学习模型训练模块17，所述机器学习模型训练模块具体用于：
获取第三样本数据集，所述第三样本数据集包含若干第三样本图像以及与所述第三样本图像对应的白质高信号分级标注结果；
获取所述第三样本图像的目标特征集合；
将所述第三样本数据集划分为第三训练集和第三验证集；
将所述第三训练集中各第三样本图像的目标特征集合输入预先建立的机器学习模型，并基于所述机器学习模型输出的白质高信号分级结果与对应的所述白质高信号分级标注结果计算第三损失函数值，而后基于所述第三损失函数值对所述机器学习模型的模型权重进行调整，直至所述第三损失值收敛或小于第三预定阈值；
基于所述第三验证集对当前所述机器学习模型进行验证，当验证通过时，训练结束。
在本实施例中，所述装置还包括：
显示模块18，对所述白质高信号分割结果、脑分区结果和/或白质高信号分级结果进行显示。
本实施例根据白质高信号分割结果和脑分区结果进行白质高信号分级处理，能够自动实现白质高信号的准确分级。与现有技术相比，本发明无需医师参与，提高了白质高信号分级的准确性和效率。此外，本实施例可根据不同白质高信号评分量表进行分级，因而可以得到不同白质高信号量表对应的分级结果。
实施例4
在本实施例中，如图3所示，采用神经网络训练模块17'代替实施例3中的机器学习模型训练模块17，所述神经网络训练模块具体用于：
获取第四样本数据集，所述第四样本数据集包含若干第四样本图像以及与所述第四样本图像对应的白质高信号分级标注结果；
将所述第四样本数据集划分为第四训练集和第四验证集；
将所述第四训练集中各第四样本图像的脑分区结果和白质高信号分割结果输入预先建立的神经网络，并基于所述神经网络输出的白质高信号分级结果与对应的所述白质高信号分级标注结果计算第四损失函数值，而后基于所述第四损失函数值对所述神经网络的模型权重进行调整，直至所述第四损失值收敛或小于第四预定阈值；
基于所述第四验证集对当前所述神经网络进行验证，当验证通过时，训练结束。
本实施例与实施例3的区别在于，所述分级模块14用于利用神经网络训练模块17'预先训练的神经网络对所述白质高信号分割结果和脑分区结果进行处理，得到所述目标脑图像的白质高信号分级结果。
本实施例与实施例3的不同之处在于，实施例3的分级模块采用基于特征的机器学习方法实现，而本实施例提供了另一种可选的方式——采用神经网络的强大学习能力自动实现白质高信号自动分级，效率更高。
实施例5
本实施例提供一种电子设备，电子设备可以通过计算设备的形式表现(例如可以为服务器设备)，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行计算机程序时可以实现实施例1或2提供的白质高信号分级方法。
图4示出了本实施例的硬件结构示意图，如图4所示，电子设备9具体包括：
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93，其中：
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1或2提供的白质高信号分级方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备9使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1或2的白质高信号分级方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1或2的白质高信号分级方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种白质高信号分级方法，其特征在于，包括：
获取目标脑图像；
基于预先训练的白质高信号分割模型对所述目标脑图像进行处理，得到所述目标脑图像的白质高信号分割结果；
基于预先训练的脑分区模型对所述目标脑图像进行处理，得到所述目标脑图像的脑分区结果；
根据所述目标脑图像的白质高信号分割结果和脑分区结果，获取所述目标脑图像的白质高信号分级结果。
2.根据权利要求1所述的白质高信号分级方法，其特征在于，所述目标脑图像包括若干切片，所述根据所述目标脑图像的白质高信号分割结果和脑分区结果，获取所述目标脑图像的白质高信号分级结果，包括：
根据所述脑分区结果，从所述若干切片中确定目标切片，并在所述目标切片中确定目标区域；
根据所述目标区域的脑分区结果和所述白质高信号分割结果，获取所述目标脑图像的目标特征集合；
利用预先训练的机器学习模型对所述目标特征集合进行处理，得到所述目标脑图像的白质高信号分级结果。
3.根据权利要求2所述的白质高信号分级方法，其特征在于，所述根据所述目标区域的脑分区结果和所述白质高信号分割结果，获取所述目标脑图像的目标特征集合，包括：
将所述目标区域的脑分区结果和所述白质高信号分割结果逐像素相乘，得到所述目标区域中不同脑分区的白质高信号存在信息，并将得到的信息加入所述目标脑图像的目标特征集合。
4.根据权利要求3所述的白质高信号分级方法，其特征在于，所述根据所述目标区域的脑分区结果和所述白质高信号分割结果，获取所述目标脑图像的目标特征集合，还包括：
根据所述目标区域中不同脑分区的白质高信号存在信息，获取所述目标区域中白质高信号的体积、面积、形状和/或长短径，并将获得的所述体积、面积、形状和/或长短径加入所述目标特征集合；和/或
根据所述目标区域的图像亮度信息，获取所述目标区域中白质高信号的亮度信息，并将获得的亮度信息加入所述目标特征集合。
5.根据权利要求1所述的白质高信号分级方法，其特征在于，所述根据所述白质高信号分割结果和脑分区结果，获取所述目标脑图像的白质高信号分级结果包括，包括：
利用预先训练的神经网络对所述白质高信号分割结果和脑分区结果进行处理，得到所述目标脑图像的白质高信号分级结果。
6.根据权利要求1所述的白质高信号分级方法，其特征在于，所述脑分区模型的训练过程如下：
获取第二样本数据集，所述第二样本数据集包含若干第二样本图像以及与所述第二样本图像对应的脑分区标注结果；
将所述第二样本数据集划分为第二训练集和第二验证集；
将所述第二训练集中各第二样本图像输入预先建立的脑分区模型，并基于所述脑分区模型输出的脑分区结果与对应的所述脑分区标注结果计算第二损失函数值，而后基于所述第二损失函数值对所述脑分区模型的模型权重进行调整，直至所述第二损失值收敛或小于第二预定阈值；
基于所述第二验证集对当前所述脑分区模型进行验证，当验证通过时，训练结束。
7.根据权利要求2所述的白质高信号分级方法，其特征在于，所述机器学习模型的训练过程如下：
获取第三样本数据集，所述第三样本数据集包含若干第三样本图像以及与所述第三样本图像对应的白质高信号分级标注结果；
获取所述第三样本图像的目标特征集合；
将所述第三样本数据集划分为第三训练集和第三验证集；
将所述第三训练集中各第三样本图像的目标特征集合输入预先建立的机器学习模型，并基于所述机器学习模型输出的白质高信号分级结果与对应的所述白质高信号分级标注结果计算第三损失函数值，而后基于所述第三损失函数值对所述机器学习模型的模型权重进行调整，直至所述第三损失值收敛或小于第三预定阈值；
基于所述第三验证集对当前所述机器学习模型进行验证，当验证通过时，训练结束。
8.根据权利要求5所述的白质高信号分级方法，其特征在于，所述神经网络的训练过程如下：
获取第四样本数据集，所述第四样本数据集包含若干第四样本图像以及与所述第四样本图像对应的白质高信号分级标注结果；
将所述第四样本数据集划分为第四训练集和第四验证集；
将所述第四训练集中各第四样本图像的脑分区结果和白质高信号分割结果输入预先建立的神经网络，并基于所述神经网络输出的白质高信号分级结果与对应的所述白质高信号分级标注结果计算第四损失函数值，而后基于所述第四损失函数值对所述神经网络的模型权重进行调整，直至所述第四损失值收敛或小于第四预定阈值；
基于所述第四验证集对当前所述神经网络进行验证，当验证通过时，训练结束。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述方法的步骤。
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如权利要求1至8中任一项所述方法的步骤。
CN202011379787.9A 2020-11-30 2020-11-30 白质高信号分级方法、电子设备及存储介质 Pending CN112508902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011379787.9A CN112508902A (zh) 2020-11-30 2020-11-30 白质高信号分级方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011379787.9A CN112508902A (zh) 2020-11-30 2020-11-30 白质高信号分级方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112508902A true CN112508902A (zh) 2021-03-16

Family

ID=74969636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011379787.9A Pending CN112508902A (zh) 2020-11-30 2020-11-30 白质高信号分级方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112508902A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
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
CN114419066A (zh) * 2022-01-14 2022-04-29 深圳市铱硙医疗科技有限公司 脑白质高信号分割方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120093381A1 (en) * 2010-06-25 2012-04-19 Institute Of Automation, Chinese Academy Of Sciences Method and system for brain tumor segmentation in multi-parameter 3d mr images via robust statistic information propagation
CN110136840A (zh) * 2019-05-17 2019-08-16 山东管理学院 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质
US20200074214A1 (en) * 2018-08-29 2020-03-05 Oregon Health & Science University Systems and methods for the identification of perivascular spaces in magnetic resonance imaging (mri)
CN111105421A (zh) * 2019-11-29 2020-05-05 上海联影智能医疗科技有限公司 一种脑白质高信号分割方法、装置、设备及存储介质
CN111445451A (zh) * 2020-03-20 2020-07-24 上海联影智能医疗科技有限公司 脑图像处理方法、系统、计算机设备和存储介质
CN111681230A (zh) * 2020-06-10 2020-09-18 华中科技大学同济医学院附属同济医院 脑白质高信号评分系统及其评分方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120093381A1 (en) * 2010-06-25 2012-04-19 Institute Of Automation, Chinese Academy Of Sciences Method and system for brain tumor segmentation in multi-parameter 3d mr images via robust statistic information propagation
US20200074214A1 (en) * 2018-08-29 2020-03-05 Oregon Health & Science University Systems and methods for the identification of perivascular spaces in magnetic resonance imaging (mri)
CN110136840A (zh) * 2019-05-17 2019-08-16 山东管理学院 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质
CN111105421A (zh) * 2019-11-29 2020-05-05 上海联影智能医疗科技有限公司 一种脑白质高信号分割方法、装置、设备及存储介质
CN111445451A (zh) * 2020-03-20 2020-07-24 上海联影智能医疗科技有限公司 脑图像处理方法、系统、计算机设备和存储介质
CN111681230A (zh) * 2020-06-10 2020-09-18 华中科技大学同济医学院附属同济医院 脑白质高信号评分系统及其评分方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
I.ISA 等: "Classification and grading of white matter hyperintensity severity by using automated detection", 《IEEE》, 8 February 2018 (2018-02-08) *
周天绮;朱超挺;石峰;: "影像组学在肺肿瘤良恶性分类预测中的应用研究", 中国医疗器械杂志, no. 02, 30 March 2020 (2020-03-30) *
王瑞: "多模态MRI脑肿瘤图像分割方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, vol. 2019, no. 01, 15 January 2019 (2019-01-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN114419066A (zh) * 2022-01-14 2022-04-29 深圳市铱硙医疗科技有限公司 脑白质高信号分割方法、装置、设备及存储介质
CN114419066B (zh) * 2022-01-14 2022-12-13 深圳市铱硙医疗科技有限公司 脑白质高信号分割方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US10573000B2 (en) System and method for medical image management
US11615879B2 (en) System and method for automated labeling and annotating unstructured medical datasets
CN109447183B (zh) 预测模型训练方法、装置、设备以及介质
US9767380B2 (en) Image comparison tool tolerant to deformable image matching
CN106340021B (zh) 血管提取方法
US10997466B2 (en) Method and system for image segmentation and identification
US9629598B2 (en) System and method for auto-contouring in adaptive radiotherapy
Li et al. Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound 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
CN103514597A (zh) 图像处理装置
EP4071765A1 (en) Method and system for drawing brain functional atlas
Nurmaini et al. Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation
KR102458324B1 (ko) 학습 모델을 이용한 데이터 처리 방법
CN112508902A (zh) 白质高信号分级方法、电子设备及存储介质
CN113159040A (zh) 医学图像分割模型的生成方法及装置、系统
KR102639558B1 (ko) 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법
da Cruz et al. Enabling autonomous medical image data annotation: A human-in-the-loop reinforcement learning approach
Souza et al. End-to-end bone age assessment with residual learning
AU2019204365C1 (en) Method and System for Image Segmentation and Identification
CN116228731A (zh) 一种多对比学习冠状动脉高危斑块检测方法、系统及终端
EP3381010B1 (en) Process for processing medical images of a face for recognition of facial dysmorphisms
KR20220133834A (ko) 학습 모델을 이용한 데이터 처리 방법
CN111951219B (zh) 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备
CN115206478A (zh) 医学报告生成方法以及装置、电子设备、可读存储介质
CN114565617A (zh) 基于剪枝U-Net++的乳腺肿块图像分割方法及系统

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