CN112633348B - 一种检测脑动静脉畸形并判断其弥散性的方法和装置 - Google Patents

一种检测脑动静脉畸形并判断其弥散性的方法和装置 Download PDF

Info

Publication number
CN112633348B
CN112633348B CN202011501330.0A CN202011501330A CN112633348B CN 112633348 B CN112633348 B CN 112633348B CN 202011501330 A CN202011501330 A CN 202011501330A CN 112633348 B CN112633348 B CN 112633348B
Authority
CN
China
Prior art keywords
image
arteriovenous malformation
cerebral arteriovenous
malformation
focus
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
Application number
CN202011501330.0A
Other languages
English (en)
Other versions
CN112633348A (zh
Inventor
焦玉明
曹勇
张钧泽
吴振洲
赵琪
刘佳奇
严嘉欢
刘盼
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.)
Beijing Tiantan Hospital
Original Assignee
Beijing Tiantan Hospital
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 Beijing Tiantan Hospital filed Critical Beijing Tiantan Hospital
Priority to CN202011501330.0A priority Critical patent/CN112633348B/zh
Publication of CN112633348A publication Critical patent/CN112633348A/zh
Application granted granted Critical
Publication of CN112633348B publication Critical patent/CN112633348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种检测脑动静脉畸形并判断其弥散性的方法和装置。包括：获取待检测的脑动静脉畸形病灶区域的图像特征，所述图像特征包括灰度特征、形状特征、尺寸特征中的至少一种；将所述图像特征输入至脑动静脉畸形的弥散性分类模型，输出所述脑动静脉畸形的弥散性类型，其中，所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得。相较于人工判断脑动静脉畸形的弥散性类型，具有更高的准确性，并且判断速度快，可以有效降低临床医师的工作量。

Description

一种检测脑动静脉畸形并判断其弥散性的方法和装置
技术领域
本公开涉及医学图像检测技术领域，尤其涉及一种检测脑动静脉畸形并判断其弥散性的方法和装置。
背景技术
脑动静脉畸形(arteriovenous malformation，AVM)是一种先天性脑血管疾病，在病变部位，脑动脉和脑静脉之间缺乏毛细血管，导致动脉与静脉直接相通，形成动静脉之间的短路，导致一系列脑血流动力学的紊乱。临床上常表现为反复的颅内出血、部分性或全身性癫痫发作、短暂性脑缺血发作和进行性神经功能障碍。脑动静脉畸形表现为紧凑型和弥散型两种：紧凑型表现为病灶中间有较少的脑组织，边界清晰；弥散型表现为动静脉畸形血管之间夹杂有较多的脑组织，边界不清晰。目前，脑动静脉畸形手术预后的考虑因素包括脑动静脉畸形的弥散性、畸形团的大小、畸形团的位置以及深静脉引流。其中，弥散性是预测动静脉畸形自然出血的重要因素，弥散性判断与预后直接相关，在目前所有的预测评级中，弥散性是非常重要的评估因素之一。
相关技术中，对脑动静脉畸形的弥散性类型判断为人工判读，判断方法包括通过患者术前医学影像，判断畸形血管的走行及紧密程度：如血管走行弥散、血管巢稀疏、边界模糊、则考虑为弥散型脑动静脉畸形；如畸形血管走形紧凑、血管团边界清晰、中间无脑组织夹杂，则考虑为紧凑型脑动静脉畸形。人工判读存在一定缺陷，判断结果的主观性强，耗时耗力，并且不同级别的治疗中心、不同经验和素质的医生判读结果存在差异。
发明内容
为克服相关技术中存在的问题，本公开提供一种检测脑动静脉畸形并判断其弥散性的方法和装置。
根据本公开实施例的第一方面，提供一种检测脑动静脉畸形并判断其弥散性的方法，包括：
获取待检测的脑动静脉畸形病灶区域的图像特征，所述图像特征包括灰度特征、形状特征、尺寸特征中的至少一种；
将所述图像特征输入至脑动静脉畸形的弥散性分类模型，输出所述脑动静脉畸形的弥散性类型，其中，所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得。
在一种可能的实现方式中，所述获取待检测的脑动静脉畸形病灶区域的图像特征，包括：
获取待检测的脑动静脉畸形病灶区域的图像；
从所述图像中提取所述脑动静脉畸形病灶区域的图像特征。
在一种可能的实现方式中，在所述从所述图像中提取所述脑动静脉畸形病灶区域的图像特征之后，还包括：
从所述图像特征中获取两两图像特征之间的相关度；
筛选出其中与其它图像特征的相关度大于第一预设阈值的图像特征。
在一种可能的实现方式中，在所述从所述图像中提取所述脑动静脉畸形病灶区域的图像特征之后，还包括：
从所述图像特征中获取两两图像特征之间的相关度；
将相关度大于第二预设阈值的两图像特征分别与所述待检测的脑动静脉畸形病灶区域的图像做比较，筛选出其中与所述图像相关度较高的图像特征。
在一种可能的实现方式中，所述获取待检测的脑动静脉畸形病灶区域的图像特征，包括：
获取待检测的脑动静脉畸形的图像；
将所述图像输入至畸形团病灶分割模型，输出所述脑动静脉畸形病灶区域图像，所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得；
根据所述脑动静脉畸形病灶区域图像，提取图像特征。
在一种可能的实现方式中，所述脑动静脉畸形分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得，包括：
获取脑动静脉畸形病灶区域的图像特征的样本集合，所述样本集合包括多个标注有脑动静脉畸形的弥散性类型的脑动静脉畸形病灶区域的图像特征；
构建脑动静脉畸形的弥散性分类模型，所述脑动静脉畸形的弥散性分类模型中设置有训练参数；
分别将所述脑动静脉畸形病灶区域的图像特征输入至所述脑动静脉畸形的弥散性分类模型，生成预测结果；
基于所述预测结果与标注的所述图像特征的脑动静脉畸形的弥散性类型之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
在一种可能的实现方式中，所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得，包括：
获取脑动静脉畸形的图像的样本集合，所述样本集合中包括多个标注有病灶区域的脑动静脉畸形的图像；
构建畸形团病灶分割模型，所述畸形团病灶分割模型设置有训练参数；
分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型，生成预测结果；
基于所述预测结果与所述脑动静脉畸形的图像标注的病灶区域之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
在一种可能的实现方式中，所述获取脑动静脉畸形的图像的样本集合，包括：
获取脑动静脉畸形的三维图像；
按照预设切割方向将所述三维图像中切割成多个子图像；
在所述多个子图像中标注脑动静脉畸形的病灶区域，得到脑动静脉畸形的图像的样本集合。
在一种可能的实现方式中，所述按照预设切割方向将所述三维图像中切割成多个子图像，包括：
按照预设方向从所述三维图像中提取多个原始子图像；
分别将所述原始子图像的尺寸缩小至预设尺寸，得到多个子图像。
在一种可能的实现方式中，所述在所述多个子图像中标注脑动静脉畸形的病灶区域，得到脑动静脉畸形的图像的样本集合，包括：
在所述多个子图像中标注脑动静脉畸形的病灶区域；
对标注后的所述子图像进行几何变换，得到所述子图像的几何变换图像；
将所述子图像及其几何变换图像作为脑动静脉畸形的图像的样本集合。
在一种可能的实现方式中，所述畸形团病灶分割模型包括U-Net网络结构模型，所述分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型，生成预测结果包括：
利用U-Net网络中的编码器对输入的脑动静脉畸形的图像进行多次下采样，分别提取采样后的图像特征；
利用U-Net网络中的解码器将所述图像特征与编码器中同一尺寸的图像特征相拼接，并进行上采样；
通过激活函数对拼接后的图像特征进行分类，得到分类结果。
根据本公开的第二方面，提供了一种检测脑动静脉畸形的装置，包括：
获取模块，用于获取待检测的脑动静脉畸形病灶区域的图像特征，所述图像特征包括灰度特征、形状特征、尺寸特征中的至少一种；
检测模块，将所述图像特征输入至脑动静脉畸形的弥散性分类模型，输出所述脑动静脉畸形的弥散性类型，其中，所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得。
在一种可能的实现方式中，所述获取模块包括：
第一获取子模块，用于获取待检测的脑动静脉畸形病灶区域的图像；
提取子模块，用于从所述图像中提取所述脑动静脉畸形病灶区域的图像特征。
在一种可能的实现方式中，所述获取模块还包括：
第二获取子模块，用于从所述图像特征中获取两两图像特征之间的相关度；
筛选子模块，用于筛选出其中与其它图像特征的相关度大于第一预设阈值的图像特征。
在一种可能的实现方式中，，所述获取模块还包括：
第二获取子模块，用于从所述图像特征中获取两两图像特征之间的相关度；
将相关度大于第二预设阈值的两图像特征分别与所述待检测的脑动静脉畸形病灶区域的图像做比较，筛选出其中与所述图像相关度较高的图像特征。
在一种可能的实现方式中，所述获取模块包括：
第三获取子模块，用于获取待检测的脑动静脉畸形的图像；
分割子模块，用于将所述图像输入至畸形团病灶分割模型，输出所述脑动静脉畸形病灶区域图像，所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得；
提取子模块，用于根据所述脑动静脉畸形病灶区域图像，提取图像特征。
在一种可能的实现方式中，所述检测模块包括：
第四获取子模块，用于获取脑动静脉畸形病灶区域的图像特征的样本集合，所述样本集合包括多个标注有脑动静脉畸形的弥散性类型的脑动静脉畸形病灶区域的图像特征；
第一构建子模块，用于构建脑动静脉畸形的弥散性分类模型，所述脑动静脉畸形的弥散性分类模型中设置有训练参数；
第一生成子模块，用于分别将所述脑动静脉畸形病灶区域的图像特征输入至所述脑动静脉畸形的弥散性分类模型，生成预测结果；
第一调整子模块，用于基于所述预测结果与标注的所述图像特征的脑动静脉畸形的弥散性类型之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
在一种可能的实现方式中，所述分割子模块包括：
第五获取子模块，用于获取脑动静脉畸形的图像的样本集合，所述样本集合中包括多个标注有病灶区域的脑动静脉畸形的图像；
第二构建子模块，用于构建畸形团病灶分割模型，所述畸形团病灶分割模型设置有训练参数；
第二生成子模块，分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型，生成预测结果；
第二调整子模块，用于基于所述预测结果与所述脑动静脉畸形的图像标注的病灶区域之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
在一种可能的实现方式中，所述第五获取子模块包括：
获取单元，用于获取脑动静脉畸形的三维图像；
切割单元，用于按照预设切割方向将所述三维图像中切割成多个子图像；
标注单元，用于在所述多个子图像中标注脑动静脉畸形的病灶区域，得到脑动静脉畸形的图像的样本集合。
在一种可能的实现方式中，所述获取单元包括：
提取子单元，用于按照预设方向从所述三维图像中提取多个原始子图像；
调整子单元，用于分别将所述原始子图像的尺寸缩小至预设尺寸，得到多个子图像。
在一种可能的实现方式中，所述标注单元包括：
标注子单元，用于在所述多个子图像中标注脑动静脉畸形的病灶区域；
变换子单元，用于对标注后的所述子图像进行几何变换，得到所述子图像的几何变换图像；
作为子单元，将所述子图像及其几何变换图像作为脑动静脉畸形的图像的样本集合。
在一种可能的实现方式中，所述畸形团病灶分割模型包括U-Net网络结构模型，所述第二生成子模块包括：
利用U-Net网络中的编码器对输入的脑动静脉畸形的图像进行多次下采样，分别提取采样后的图像特征；
利用U-Net网络中的解码器将所述图像特征与编码器中同一尺寸的图像特征相拼接，并进行上采样；
通过激活函数对拼接后的图像特征进行分类，得到分类结果。
根据本公开的第三方面，提供一种检测脑动静脉畸形的装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行本公开任一实施例所述的方法。
根据本公开第四方面，提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行根据本公开任一实施例所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：本公开利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系去训练脑动静脉畸形的弥散性分类模型，相较于人工判断脑动静脉畸形的弥散性类型，具有更高的准确性，并且判断速度快，可以有效降低临床医师的工作量。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种检测脑动静脉畸形并判断其弥散性的方法的流程图。
图2是根据一示例性实施例示出的一种基于U-Net网络结构进行模型训练示意图。
图3是根据一示例性实施例示出的一种基于畸形团病灶分割模型和人工标注的结果接收者操作特征(ROC)曲线。
图4是根据一示例性实施例示出的一种脑动静脉畸形的弥散性分类模型通过逻辑回归的预测置信度评分示意图。
图5是根据一示例性实施例示出的一种检测脑动静脉畸形并判断其弥散性的装置的框图。
图6是根据一示例性实施例示出的一种检测脑动静脉畸形并判断其弥散性的装置的框图。
图7是根据一示例性实施例示出的一种检测脑动静脉畸形并判断其弥散性的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
为了方便本领域技术人员理解本公开实施例提供的技术方案，下面先对技术方案实现的技术环境进行说明。
在对脑动静脉畸形的弥散性类型进行人工判读时，常常依据患者的脑血管造影图像DSA(Digital subtraction angiography，数字减影血管造影)，DSA图像是通过数字化的方法，将不需要的组织影响删除掉，只保留血管的影像。因此，人工判读时仅看到显示畸形团的血管，无法对脑组织成像，并且DSA图像的血管之间存在重叠，使得人工对边界的判断有失准确。相关技术中，有对DSA图像的畸形团处的灰度值进行计算的方法，但所应用方法技术繁琐，硬件要求高，过程复杂，应用价值较低。
基于类似于上文所述的实际技术需求，本公开提供了一种检测脑动静脉畸形的方法和装置。
下面结合附图1对本公开所述的一种检测脑动静脉畸形并判断其弥散性的方法进行详细的说明。图1是根据一示例性实施例示出的一种检测脑动静脉畸形并判断其弥散性的的方法的流程图。虽然本公开提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本公开实施例提供的执行顺序。
具体的，本公开提供的一种检测脑动静脉畸形的方法，所述方法可以应用于终端或服务器，包括：
步骤S101，获取待检测的脑动静脉畸形病灶区域的图像特征，所述图像特征包括灰度特征、形状特征、尺寸特征中的至少一种；
步骤S102，将所述图像特征输入至脑动静脉畸形的弥散性分类模型，输出所述脑动静脉畸形的弥散性类型，其中，所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得。
本公开实施例中，所述图像特征可以包括图像的灰度特征、形状特征、尺寸特征等。所述灰度特征可以包括：一阶统计特征(First Order Features)、灰度共生矩阵特征(Gray Level Co-occurrence Matrix Features，GLCM)、相邻灰度差分矩阵(NeigbouringGray Tone Difference Matrix Features，NGTDM)、灰度相关矩阵(Gray LevelDependence Matrix Features，GLDM)等，所述一阶统计特征用于描述病灶区域的体素亮度分布；所述灰度共生矩阵特征用于描述病灶区域的二阶联合概率函数；所述相邻灰度差分矩阵用于量化距离δ内相邻灰度值与其平均灰度值之间的差异；所述灰度相关矩阵用于量化图像中的灰度相关性，其中，灰度相关性被定义为距离δ内依赖于中心体素的连接体素的数量。所述形状特征用于描述病灶区域三维大小和形状，所述形状特征独立于感兴趣区域的灰度强度分布。所述尺寸特征可以包括：灰度大小区域矩阵特征(Gray Level Size ZoneMatrix Features，GLSZM)、灰度游程长度矩阵特征(Gray Level Run Length MatrixFeatures，GLRLM)，所述灰度大小区域矩阵特征用于量化病灶区域图像的灰度区域。灰度区域定义为具有相同灰度强度的连接体素的数量；所述灰度游程长度矩阵特征用于量化具有相同灰度值的连续像素的灰度运行，其定义为以像素数为单位的连续像素的长度。需要说明的是，所述图像特征的描述方式不限于上述举例，例如，病灶区域的方向梯度直方图也可以作为所述图像特征，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。
本公开实施例中，获取待检测的脑动静脉畸形病灶区域的图像特征可以包括获取待检测的脑动静脉畸形的图像，通过人工标注或利用畸形团病灶分割模型将病灶区域分割出来，并对分割后的病灶区域的图像采用特征提取的算法，将所述图像特征提取出来。所述特征提取的算法可以包括上述灰度特征、形状特征和尺寸特征的方法，需要说明的是，所述图像特征的提取算法也不限于上述举例，例如，尺度不变特征变换(Scale-invariantfeature transform，SIFT)、方向梯度直方图(Histogram Of Gradient，HOG)和加速稳健特征(Speeded Up Robust Features，SURF)等，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。
本公开实施例中，所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得。所述脑动静脉畸形的弥散性分类模型是一种预先训练的机器学习模型，其中，机器学习的方法可以包括：逻辑回归、支持向量机、决策树、K近邻分类(k-nearest neighbor classification，knn)、随机森林、自适应提升树(Adaptive Boosting)、梯度提升决策树(Gradient BoostingDecision Tree，GBDT)和极端梯度提升(extreme gradient boosting，xgboost)中的至少一种。在一个示例中，为了防止随机数据集的影响，本公开采用十折交叉验证的方法，将数据集分成十份，轮流将其中的九份作为训练数据，一份作为测试数据进行训练。
本公开利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系去训练脑动静脉畸形的弥散性分类模型，相较于人工判断脑动静脉畸形的弥散性类型，具有更高的准确性，并且判断速度快，可以有效降低临床医师的工作量，提高临床诊疗水平。
在一种可能的实现方式中，所述步骤S101，获取待检测的脑动静脉畸形病灶区域的图像特征，包括：
步骤S103，获取待检测的脑动静脉畸形病灶区域的图像；
步骤S104，从所述图像中提取所述脑动静脉畸形病灶区域的图像特征。
本公开实施例中，可以包括获取待检测的脑动静脉畸形的图像，通过人工标注或利用畸形团病灶分割模型将病灶区域分割出来，本申请不做限制。所述从所述图像中提取所述脑动静脉畸形病灶区域的图像特征可以包括通过利用影响组学(Radiomics)的特征提取工具，如Pyradiomics、Artificial Intelligent Kit(A.K.)、3D Slicer等，实现脑动静脉畸形病灶区域的图像特征的提取。
本公开利用影像组学中的特征提取工具，能够从图像的感兴趣区内快速的提取大量的特征信息。
在一种可能的实现方式中，在步骤S104，从所述图像中提取所述脑动静脉畸形病灶区域的图像特征，之后还包括：
步骤S105，从所述图像特征中获取两两图像特征之间的相关度；
步骤S106，筛选出其中与其它图像特征的相关度大于第一预设阈值的图像特征。
本公开实施例中，所述相关度包括两个图像特征之间的相互关系的百分比，可以通过皮尔逊相关系数进行表征。从所述图像特征中获取两两图像特征之间的皮尔逊相关系数，筛选出其中与其它图像特征的皮尔逊相关系数大于第一预设阈值的图像特征。在一个示例中，所述第一预设阈值可以包括0.25。通过本公开实施例，可以过滤掉一些非核心的图像特征，减少数据的冗余度。需要说明的是，所述相关度的表征方式不限于上述举例，例如，秩相关系数(Spearman)、肯德尔等级相关系数(Kendall's tau-b)也可以作为所述相关度的表征，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。
在一种可能的实现方式中，在步骤S104，从所述图像中提取所述脑动静脉畸形病灶区域的图像特征，之后还包括：
步骤S107，从所述图像特征中获取两两图像特征之间的相关度；
步骤S108，将相关度大于第二预设阈值的两图像特征分别与所述待检测的脑动静脉畸形病灶区域的图像做比较，筛选出其中与所述图像相关度较高的图像特征。
本公开实施例中，所述从所述图像特征中获取两两图像特征之间的相关度的方法与上述实施例相同，本公开不再赘述。本公开实施例中，相关度大于第二预设阈值的两图像特征，用于表征两图像特征高度相关，可以将所述第二预设阈值设置包括：皮尔逊相关系数0.97。从两个高度相关的图像特征中，筛选出其中与病灶区域的图像相关度较高的一个，去除与病灶区域的图像相关度较低的一个，以减少数据的冗余度。
在一种可能的实现方式中，在步骤S101中，所述获取待检测的脑动静脉畸形病灶区域的图像特征，包括：
步骤S110，获取待检测的脑动静脉畸形的图像；
步骤S111，将所述图像输入至畸形团病灶分割模型，输出所述脑动静脉畸形病灶区域图像，所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得；
步骤S112，根据所述脑动静脉畸形病灶区域图像，提取图像特征。
本公开实施例中，所述待检测的脑动静脉畸形的图像可以包括通过医学设备拍摄到的患者的磁共振血管造影(MRA，Magnetic Resonance Angiography)图像，或者CT血管造影术(CT angiography)图像，将所述图像输入畸形团病灶分割模型，输出病灶区域的图像。本方案应用MRA图像、CT血管造影术(CT angiography)图像，无需传统DSA图像，可以有效减少行DSA引起的电离辐射。在一个示例中，所述输出病灶区域的图像可以包括分割好的病灶区域的图像，即除病灶区域以外，其它区域空白或统一设置相同值，在另一个示例中，所述输出病灶区域的图像可以包括病灶区域图像的掩模，即病灶区域的像素值为1，其它区域的像素值为0。所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得，其中所述畸形团病灶分割模型可以包括机器学习模型，所述机器学习模型包括但不限于利用无监督的预训练网络、卷积神经网络、循环神经网络和递归神经网络的算法，对带有脑动静脉畸形的图像样本进行训练。本公开实施例中，根据所述畸形团病灶分割模型输出的脑动静脉畸形病灶区域图像，提取图像特征具体方式与上述实施例中图像特征的提取方式相同，在这里不再赘述。
采用预先训练的畸形团病灶分割模型从待检测的脑动静脉畸形的图像中分割出脑动静脉畸形病灶区域图像。相较于人工分割脑动静脉畸形的病灶区域的方法，具有分割准确度高的有益效果。
在一种可能的实现方式中，所述步骤S102中，所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得，包括：
步骤S113，获取脑动静脉畸形病灶区域的图像特征的样本集合，所述样本集合包括多个标注有脑动静脉畸形的弥散性类型的脑动静脉畸形病灶区域的图像特征；
步骤S114，构建脑动静脉畸形的弥散性分类模型，所述脑动静脉畸形的弥散性分类模型中设置有训练参数；
步骤S115，分别将所述脑动静脉畸形病灶区域的图像特征输入至所述脑动静脉畸形的弥散性分类模型，生成预测结果；
步骤S116，基于所述预测结果与标注的所述图像特征的脑动静脉畸形的弥散性类型之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
本公开实施例中，所述脑动静脉畸形病灶区域的图像特征的种类和获取方式已在上述实施例中进行了阐述。本公开实施例中对样本集合进行弥散性类型标注，所述脑动静脉畸形的弥散性类型可以包括紧凑型和弥散型两种。在一个示例中，为了防止随机数据集的影响，本公开采用十折交叉验证的方法，将数据集分成十份，轮流将其中的九份作为所述样本集合，一份作为测试样本进行训练。所述脑动静脉畸形的弥散性分类模型的方法可以包括逻辑回归、支持向量机、决策树、K近邻分类(k-nearest neighbor classification，knn)、随机森林、自适应提升树(Adaptive Boosting)、梯度提升决策树(GradientBoosting Decision Tree，GBDT)和极端梯度提升(extreme gradient boosting，xgboost)中的至少一种。将所述脑动静脉畸形病灶区域的图像特征输入至所述脑动静脉畸形的弥散性分类模型，生成预测结果；基于所述预测结果与标注的所述图像特征的脑动静脉畸形的弥散性类型之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
在一种可能的实现方式中，所述步骤S111中，所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得，可以包括：
步骤S117，获取脑动静脉畸形的图像的样本集合，所述样本集合中包括多个标注有病灶区域的脑动静脉畸形的图像；
步骤S118，构建畸形团病灶分割模型，所述畸形团病灶分割模型设置有训练参数；
步骤S119，分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型，生成预测结果；
步骤S120，基于所述预测结果与所述脑动静脉畸形的图像标注的病灶区域之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
本公开实施例中，所述脑动静脉畸形的图像的样本集合可以包括：通过医学设备拍摄到的患者的磁共振血管造影(MRA，Magnetic Resonance Angiography)图像，或者CT血管造影术(CT angiography)图像。在一个示例中，每个图像样本都标记出病灶区域，用来训练畸形团病灶分割模型。标记样本按照8:1:1的比例随机分为训练集、验证集和测试集。其中训练集和验证集用于训练畸形团分割模型，测试集用于测试该模型的性能。在另一个示例中，可以先用已有的头骨分割模型找到头骨轮廓，然后按照头骨轮廓边缘进行裁剪，将图像进行去均值化，即像素值进行的范围规范化到(0，1)。
本公开实施例中，所述畸形团病灶分割模型可以包括全卷积网络模型(FullyConvolutional Networks，FCN)和U-Net网络模型。当使用FCN网络对畸形团病灶分割模型进行训练时，可以包括对样本集合中的样本图形进行多次卷积和池化，以提取图像特征，并减小图像的尺寸。再对得到的图像进行多次交替转置卷积和特征融合，所述特征融合包括将转置卷积后的图像特征与同尺寸的图像特征每个像素点的相加，最后对得到的图像的每个像素点利用softmax函数进行分类。分类结果可以包括属于病灶区域、不属于病灶区域。当使用U-Net网络模型对畸形团病灶分割模型进行训练时，可以包括：利用U-Net网络中的收缩网络多次下采样以提取样本图形中的特征，每一次下采样图像尺寸变成原来的1/2，特征数量变成原来的2倍。利用U-Net网络中的扩张网络进行上采样，每一次上采样，图片大小变成原来的2倍，特征数量变成原来的1/2，在上采样的过程中，特征融合的方式包括将每一次的输出特征与收缩网络同尺寸的特征进行合并。
本公开实施例中，将所述脑动静脉畸形的图像输入上述模型中，生成预测结果，所述预测结果可以包括脑动静脉畸形的图形中的每个像素属于病灶区域和不属于病灶区域。基于所述预测结果与所述脑动静脉畸形的图像标注的病灶区域之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。本公开实施例中使用的网络模型，可以利用少量的样本数据获得训练结果。
在一种可能的实现方式中，步骤S117，获取脑动静脉畸形的图像的样本集合，包括：
步骤S121，获取脑动静脉畸形的三维图像；
步骤S122，按照预设切割方向将所述三维图像中切割成多个子图像；
步骤S123，在所述多个子图像中标注脑动静脉畸形的病灶区域，得到脑动静脉畸形的图像的样本集合。
本公开实施例中，所述三维图像可以包括通过医学设备拍摄到的患者的磁共振血管造影(MRA，Magnetic Resonance Angiography)三维图像，或者CT血管造影术(CTangiography)三维图像。所述预设切割方向可以包括水平方向、垂直方向以及对角线方向等。在一个示例中，对所述三维图像在水平方向，步长为1，每5层切割一次，得到多个片层的子图像。在一个示例中，可以对切割后的图像标注其中的病灶区域。在另一个示例中，可以对三维图像预先标注好病灶区域，然后再进行切割。在一个示例中，对于每个切割后的图像，带有脑动静脉畸形病灶区域的设置为正样本、不带脑动静脉畸形病灶区域的设置为负样本，为了控制每类数据项的均衡性，我们使用所有的正样本，并随机选择相同数量的负样本，对分割标签进行同样的操作。
本公开实施例，对于不太清晰或比较小的畸形团病灶，使用切割的方式获取图像样本集合能够减少背景和前景的不均衡性，即在切割后有病灶的图像中，病灶区域与非病灶区域的比值要比三维图像中的比值要大。并且切割后，图像样本数量得到有效的扩充。
在一种可能的实现方式中，所述步骤S122，按照预设切割方向将所述三维图像中切割成多个子图像，包括：
步骤S124，按照预设方向从所述三维图像中提取多个原始子图像；
步骤S125，分别将所述原始子图像的尺寸缩小至预设尺寸，得到多个子图像。
本公开实施例中，对切割后的图像进行压缩处理，可以降低数据的处理量，解决GPU内存限制的问题。在一个示例中，所述按照预设方向从所述三维图像中提取多个原始子图像，包括对所述三维图像在水平方向进行切割得到多个片层的子图像，并在其冠状位，矢状位方向将尺寸缩放为256x256，最终输入模型的训练样本的尺寸为5*256x256。
在一种可能的实现方式中，所述步骤S123，在所述多个子图像中标注脑动静脉畸形的病灶区域，得到脑动静脉畸形的图像的样本集合，包括：
步骤S126，在所述多个子图像中标注脑动静脉畸形的病灶区域；
步骤S127，对标注后的所述子图像进行几何变换，得到所述子图像的几何变换图像；
步骤S128，将所述子图像及其几何变换图像作为脑动静脉畸形的图像的样本集合。
本公开实施例中，所述几何变换可以包括平移变换、镜像变换、缩放以及旋转变换。在训练过程中，对所述子图像进行上述变换，可以丰富数据样本，增强模型对数据质量的鲁棒性。
图2是根据一示例性实施例示出的一种基于U-Net网络结构进行模型训练示意图。参考图2所示，其中，201下采样Max pooling(1*2*2)；202表示上采样Up Sampling(1*2*2)；203表示卷积Conv(1*1*1)+GN；204表示复制与合并；205表示卷积Conv(3*3*3)+GN+ReLU；206表示Conv(3*3*3)+GN+SE；207表示Leaky ReLU；x,n表示通道个数，k表示SE-Res-Block(挤压激励残差块)的个数，N表示类的个数。所述畸形团病灶分割模型包括U-Net网络结构模型，所述步骤S119，分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型，生成预测结果包括：
步骤S129，利用U-Net网络中的编码器对输入的脑动静脉畸形的图像进行多次下采样，分别提取采样后的图像特征；
步骤S130，利用U-Net网络中的解码器将所述图像特征与编码器中同一尺寸的图像特征相拼接，并进行上采样；
步骤S131，通过激活函数对拼接后的图像特征进行分类，得到分类结果。
本公开实施例中，训练的畸形团病灶分割模型对图像的像素或体素进行分类，可以将畸形团区域的标签设置为1，非畸形团区域的标签设置为0。U-Net网络网络结构是一个端到端的过程，输入可以包括一个包含有脑动静脉畸形的图像，输出可以包括与输入大小相同的脑动静脉畸形的掩模。假设输入的脑动静脉畸形的图像尺寸为5x256x256，输出的掩模的尺寸为5x256x256，其值为0和1，1所在的位置即为病灶区域的位置。所述U-Net网络包括编码器和解码器两部分，编码器和解码器部分分别进行4次下采样和4次上采样。编码器和解码器每部分主要由4个SE-Res-Block(挤压激励残差块)组成，每个SE-Res-Block含有两个Squeeze-and-Excitation Layer(SE Layer，挤压层)的Residual Block(残差快)结构。SE Layer设置在残差上，增加通道的注意力，另当残差通道变化或尺寸变化时，在短连接(shortcut)上增加一层1x1x1的卷积适应变化。在encode部分，每个SE-Res-Block之后使用maxpooling进行一次下采样，特征层通道逐渐增加，模型表示能力提高。在编码器到解码器的过渡阶段，使用1个SE-Res-Block结构，该结构包含1个SE的Res结构，对特征进行融合，提高网络表达能力。在解码器部分，由步长为2的转置卷积进行上采样，还原特征层分辨率，每次解码器与编码器对应部分的特征层跳联融合不同深度的特征。最后，使用一个1x1x1的卷积核进行卷积操作提取特征，再通过softmax激活函数得到每个像素的二分类，即畸形团的分割结果。对分割输出进行训练，使用加权交叉熵损失的，背景与前景的权值比为1:10，最后，我们将预测的图像块进行合并，通过投票的方式决定重合部分的像素类别，最终输出和。总训练总的轮次为40，每个轮次包含4033个训练步骤。在训练过程中，我们采用NVIDIATesla P100 GPU和Intel i7 10750H CPU加速计算。对训练好的模型在测试集验证其性能：将测试样本输入训练好的畸形团分割模型中，对AVM区域进行分割得到其对应的掩模。测试集的dice值(戴斯相似性系数)为0.775，dice值可以衡量预测结果与标签的相似程度。
图3是根据一示例性实施例示出的一种基于畸形团病灶分割模型和人工标注的结果接收者操作特征(ROC)曲线。ROC空间将伪阳性率(FPR)定义为X轴，真阳性率(TPR)定义为Y轴。给定一个二元分类模型和它的阈值，就能从所有样本的(阳性/阴性)真实值和预测值计算出一个(X＝FPR,Y＝TPR)座标点。从(0,0)到(1,1)的对角线将ROC空间划分为左上/右下两个区域，在这条线的以上的点代表了一个好的分类结果(胜过随机分类)，而在这条线以下的点代表了差的分类结果(劣于随机分类)。完美的预测是一个在左上角的点，在ROC空间座标(0,1)点，X＝0代表着没有伪阳性，Y＝1代表着没有伪阴性(所有的阳性都是真阳性)；也就是说，不管分类器输出结果是阳性或阴性，都是100％正确。一个随机的预测会得到位于从(0,0)到(1,1)对角线(也叫无识别率线)上的一个点。参考图3所示，基于分割结果的AUC为0.95，优于人工标注的结果训练的模型。
图4是根据一示例性实施例示出的一种脑动静脉畸形的弥散性分类模型通过逻辑回归的预测置信度评分示意图。参考图4所示，展示了5张有病变的MRA图像，通过逻辑回归的预测置信度评分，可以在一定程度上反映离散度的高低。例如(a)离散度的置信度为0.83，我们可以看到右半脑病变边缘分散不清，这与主观判断相一致。图像的离散度从左到右逐渐减小，最后一幅置信分数最小的图像边缘清晰，形态紧凑，也被模型正确地识别为非离散。
图5是根据一示例性实施例示出的一种检测脑动静脉畸形并判断其弥散性的的装置框图。参照图5，该装置包括：
获取模块501，用于获取待检测的脑动静脉畸形病灶区域的图像特征，所述图像特征包括灰度特征、形状特征、尺寸特征中的至少一种；
检测模块502，将所述图像特征输入至脑动静脉畸形的弥散性分类模型，输出所述脑动静脉畸形的弥散性类型，其中，所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得。
在一种可能的实现方式中，所述获取模块包括：
第一获取子模块，用于获取待检测的脑动静脉畸形病灶区域的图像；
提取子模块，用于从所述图像中提取所述脑动静脉畸形病灶区域的图像特征。
在一种可能的实现方式中，所述获取模块还包括：
第二获取子模块，用于从所述图像特征中获取两两图像特征之间的相关度；
筛选子模块，用于筛选出其中与其它图像特征的相关度大于第一预设阈值的图像特征。
在一种可能的实现方式中，，所述获取模块还包括：
第二获取子模块，用于从所述图像特征中获取两两图像特征之间的相关度；
将相关度大于第二预设阈值的两图像特征分别与所述待检测的脑动静脉畸形病灶区域的图像做比较，筛选出其中与所述图像相关度较高的图像特征。
在一种可能的实现方式中，所述获取模块包括：
第三获取子模块，用于获取待检测的脑动静脉畸形的图像；
分割子模块，用于将所述图像输入至畸形团病灶分割模型，输出所述脑动静脉畸形病灶区域图像，所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得；
提取子模块，用于根据所述脑动静脉畸形病灶区域图像，提取图像特征。
在一种可能的实现方式中，所述检测模块包括：
第四获取子模块，用于获取脑动静脉畸形病灶区域的图像特征的样本集合，所述样本集合包括多个标注有脑动静脉畸形的弥散性类型的脑动静脉畸形病灶区域的图像特征；
第一构建子模块，用于构建脑动静脉畸形的弥散性分类模型，所述脑动静脉畸形的弥散性分类模型中设置有训练参数；
第一生成子模块，用于分别将所述脑动静脉畸形病灶区域的图像特征输入至所述脑动静脉畸形的弥散性分类模型，生成预测结果；
第一调整子模块，用于基于所述预测结果与标注的所述图像特征的脑动静脉畸形的弥散性类型之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
在一种可能的实现方式中，所述分割子模块包括：
第五获取子模块，用于获取脑动静脉畸形的图像的样本集合，所述样本集合中包括多个标注有病灶区域的脑动静脉畸形的图像；
第二构建子模块，用于构建畸形团病灶分割模型，所述畸形团病灶分割模型设置有训练参数；
第二生成子模块，分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型，生成预测结果；
第二调整子模块，用于基于所述预测结果与所述脑动静脉畸形的图像标注的病灶区域之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
在一种可能的实现方式中，所述第五获取子模块包括：
获取单元，用于获取脑动静脉畸形的三维图像；
切割单元，用于按照预设切割方向将所述三维图像中切割成多个子图像；
标注单元，用于在所述多个子图像中标注脑动静脉畸形的病灶区域，得到脑动静脉畸形的图像的样本集合。
在一种可能的实现方式中，所述获取单元包括：
提取子单元，用于按照预设方向从所述三维图像中提取多个原始子图像；
调整子单元，用于分别将所述原始子图像的尺寸缩小至预设尺寸，得到多个子图像。
在一种可能的实现方式中，所述标注单元包括：
标注子单元，用于在所述多个子图像中标注脑动静脉畸形的病灶区域；
变换子单元，用于对标注后的所述子图像进行几何变换，得到所述子图像的几何变换图像；
作为子单元，将所述子图像及其几何变换图像作为脑动静脉畸形的图像的样本集合。
在一种可能的实现方式中，所述畸形团病灶分割模型包括U-Net网络结构模型，所述第二生成子模块包括：
利用U-Net网络中的编码器对输入的脑动静脉畸形的图像进行多次下采样，分别提取采样后的图像特征；
利用U-Net网络中的解码器将所述图像特征与编码器中同一尺寸的图像特征相拼接，并进行上采样；
通过激活函数对拼接后的图像特征进行分类，得到分类结果。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种检测脑动静脉畸形并判断其弥散性的装置600的框图。例如，装置600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件806，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。
处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备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。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到装置600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，4G或5G，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图7是根据一示例性实施例示出的一种检测脑动静脉畸形并判断其弥散性的装置700的框图。例如，装置700可以被提供为一服务器。参照图7，装置700包括处理组件722，其进一步包括一个或多个处理器，以及由存储器732所代表的存储器资源，用于存储可由处理组件722的执行的指令，例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件722被配置为执行指令，以执行上述方法。
装置700还可以包括一个电源组件726被配置为执行装置700的电源管理，一个有线或无线网络接口750被配置为将装置700连接到网络，和一个输入输出(I/O)接口758。装置700可以操作基于存储在存储器732的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器732，上述指令可由装置700的处理组件722执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (20)

1.一种检测脑动静脉畸形并判断其弥散性的方法，其特征在于，包括：
获取待检测的脑动静脉畸形病灶区域的图像特征，所述图像特征包括灰度特征、形状特征、尺寸特征中的至少一种；
所述获取待检测的脑动静脉畸形病灶区域的图像特征，包括：
获取待检测的脑动静脉畸形的图像；
将所述图像输入至畸形团病灶分割模型，输出所述脑动静脉畸形病灶区域图像，所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得；
所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得，包括：
获取脑动静脉畸形的图像的样本集合，所述样本集合中包括多个标注有病灶区域的脑动静脉畸形的图像；
所述获取脑动静脉畸形的图像的样本集合，包括：
获取脑动静脉畸形的三维图像；
按照预设切割方向将所述三维图像中切割成多个子图像；
在所述多个子图像中标注脑动静脉畸形的病灶区域，得到脑动静脉畸形的图像的样本集合；
将所述图像特征输入至脑动静脉畸形的弥散性分类模型，输出所述脑动静脉畸形的弥散性类型，其中，所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得；
所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得，包括：
获取脑动静脉畸形病灶区域的图像特征的样本集合，所述样本集合包括多个标注有脑动静脉畸形的弥散性类型的脑动静脉畸形病灶区域的图像特征；
构建脑动静脉畸形的弥散性分类模型，所述脑动静脉畸形的弥散性分类模型中设置有训练参数；
分别将所述脑动静脉畸形病灶区域的图像特征输入至所述脑动静脉畸形的弥散性分类模型，生成预测结果；
基于所述预测结果与标注的所述图像特征的脑动静脉畸形的弥散性类型之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
2.根据权利要求1所述的方法，其特征在于，所述获取待检测的脑动静脉畸形病灶区域的图像特征，包括：
获取待检测的脑动静脉畸形病灶区域的图像；
从所述图像中提取所述脑动静脉畸形病灶区域的图像特征。
3.根据权利要求2所述的方法，其特征在于，在所述从所述图像中提取所述脑动静脉畸形病灶区域的图像特征之后，还包括：
从所述图像特征中获取两两图像特征之间的相关度；
筛选出其中与其它图像特征的相关度大于第一预设阈值的图像特征。
4.根据权利要求2所述的方法，其特征在于，在所述从所述图像中提取所述脑动静脉畸形病灶区域的图像特征之后，还包括：
从所述图像特征中获取两两图像特征之间的相关度；
将相关度大于第二预设阈值的两图像特征分别与所述待检测的脑动静脉畸形病灶区域的图像做比较，筛选出所述相关度大于第二预设阈值的两图像特征中与所述图像相关度较高的图像特征。
5.根据权利要求1所述的方法，其特征在于，所述获取待检测的脑动静脉畸形病灶区域的图像特征，包括：
根据所述脑动静脉畸形病灶区域图像，提取图像特征。
6.根据权利要求1所述的方法，其特征在于，所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得，包括：
构建畸形团病灶分割模型，所述畸形团病灶分割模型设置有训练参数；
分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型，生成预测结果；
基于所述预测结果与所述脑动静脉畸形的图像标注的病灶区域之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
7.根据权利要求1所述的方法，所述按照预设切割方向将所述三维图像中切割成多个子图像，包括：
按照预设方向从所述三维图像中提取多个原始子图像；
分别将所述原始子图像的尺寸缩小至预设尺寸，得到多个子图像。
8.根据权利要求1所述的方法，其特征在于，所述在所述多个子图像中标注脑动静脉畸形的病灶区域，得到脑动静脉畸形的图像的样本集合，包括：
在所述多个子图像中标注脑动静脉畸形的病灶区域；
对标注后的所述子图像进行几何变换，得到所述子图像的几何变换图像；
将所述子图像及其几何变换图像作为脑动静脉畸形的图像的样本集合。
9.根据权利要求1或6所述的方法，其特征在于，所述畸形团病灶分割模型包括U-Net网络结构模型，所述分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型，生成预测结果包括：
利用U-Net网络中的编码器对输入的脑动静脉畸形的图像进行多次下采样，分别提取采样后的图像特征；
利用U-Net网络中的解码器将所述图像特征与编码器中同一尺寸的图像特征相拼接，并进行上采样；
通过激活函数对拼接后的图像特征进行分类，得到分类结果。
10.一种检测脑动静脉畸形并判断其弥散性的装置，其特征在于，包括：
获取模块，用于获取待检测的脑动静脉畸形病灶区域的图像特征，所述图像特征包括灰度特征、形状特征、尺寸特征中的至少一种；
所述获取模块包括：
第三获取子模块，用于获取待检测的脑动静脉畸形的图像；
分割子模块，用于将所述图像输入至畸形团病灶分割模型，输出所述脑动静脉畸形病灶区域图像，所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得；
所述分割子模块包括：
第五获取子模块，用于获取脑动静脉畸形的图像的样本集合，所述样本集合中包括多个标注有病灶区域的脑动静脉畸形的图像；
所述第五获取子模块包括：
获取单元，用于获取脑动静脉畸形的三维图像；
切割单元，用于按照预设切割方向将所述三维图像中切割成多个子图像；
标注单元，用于在所述多个子图像中标注脑动静脉畸形的病灶区域，得到脑动静脉畸形的图像的样本集合；
检测模块，将所述图像特征输入至脑动静脉畸形的弥散性分类模型，输出所述脑动静脉畸形的弥散性类型，其中，所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得；
所述检测模块包括：
第四获取子模块，用于获取脑动静脉畸形病灶区域的图像特征的样本集合，所述样本集合包括多个标注有脑动静脉畸形的弥散性类型的脑动静脉畸形病灶区域的图像特征；
第一构建子模块，用于构建脑动静脉畸形的弥散性分类模型，所述脑动静脉畸形的弥散性分类模型中设置有训练参数；
第一生成子模块，用于分别将所述脑动静脉畸形病灶区域的图像特征输入至所述脑动静脉畸形的弥散性分类模型，生成预测结果；
第一调整子模块，用于基于所述预测结果与标注的所述图像特征的脑动静脉畸形的弥散性类型之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
11.根据权利要求10所述的装置，其特征在于，所述获取模块包括：
第一获取子模块，用于获取待检测的脑动静脉畸形病灶区域的图像；
提取子模块，用于从所述图像中提取所述脑动静脉畸形病灶区域的图像特征。
12.根据权利要求11所述的装置，其特征在于，所述获取模块还包括：
第二获取子模块，用于从所述图像特征中获取两两图像特征之间的相关度；
筛选子模块，用于筛选出其中与其它图像特征的相关度大于第一预设阈值的图像特征。
13.根据权利要求11所述的装置，其特征在于，所述获取模块还包括：
第二获取子模块，用于从所述图像特征中获取两两图像特征之间的相关度；
将相关度大于第二预设阈值的两图像特征分别与所述待检测的脑动静脉畸形病灶区域的图像做比较，筛选出所述相关度大于第二预设阈值的两图像特征中与所述图像相关度较高的图像特征。
14.根据权利要求10所述的装置，其特征在于，所述获取模块包括：
提取子模块，用于根据所述脑动静脉畸形病灶区域图像，提取图像特征。
15.根据权利要求10所述的装置，其特征在于，所述分割子模块包括：
第二构建子模块，用于构建畸形团病灶分割模型，所述畸形团病灶分割模型设置有训练参数；
第二生成子模块，分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型，生成预测结果；
第二调整子模块，用于基于所述预测结果与所述脑动静脉畸形的图像标注的病灶区域之间的差异，对所述训练参数进行迭代调整，直至所述差异满足预设要求。
16.根据权利要求10所述的装置，其特征在于，所述获取单元包括：
提取子单元，用于按照预设方向从所述三维图像中提取多个原始子图像；
调整子单元，用于分别将所述原始子图像的尺寸缩小至预设尺寸，得到多个子图像。
17.根据权利要求10所述的装置，其特征在于，所述标注单元包括：
标注子单元，用于在所述多个子图像中标注脑动静脉畸形的病灶区域；
变换子单元，用于对标注后的所述子图像进行几何变换，得到所述子图像的几何变换图像；
作为子单元，将所述子图像及其几何变换图像作为脑动静脉畸形的图像的样本集合。
18.根据权利要求15所述的装置，其特征在于，所述畸形团病灶分割模型包括U-Net网络结构模型，所述第二生成子模块包括：
利用U-Net网络中的编码器对输入的脑动静脉畸形的图像进行多次下采样，分别提取采样后的图像特征；
利用U-Net网络中的解码器将所述图像特征与编码器中同一尺寸的图像特征相拼接，并进行上采样；
通过激活函数对拼接后的图像特征进行分类，得到分类结果。
19.一种检测脑动静脉畸形的装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1-9中任一项所述的方法。
20.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行根据权利要求的1-9中任一项所述方法。
CN202011501330.0A 2020-12-17 2020-12-17 一种检测脑动静脉畸形并判断其弥散性的方法和装置 Active CN112633348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011501330.0A CN112633348B (zh) 2020-12-17 2020-12-17 一种检测脑动静脉畸形并判断其弥散性的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011501330.0A CN112633348B (zh) 2020-12-17 2020-12-17 一种检测脑动静脉畸形并判断其弥散性的方法和装置

Publications (2)

Publication Number Publication Date
CN112633348A CN112633348A (zh) 2021-04-09
CN112633348B true CN112633348B (zh) 2022-03-15

Family

ID=75317075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011501330.0A Active CN112633348B (zh) 2020-12-17 2020-12-17 一种检测脑动静脉畸形并判断其弥散性的方法和装置

Country Status (1)

Country Link
CN (1) CN112633348B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222124B (zh) * 2021-06-28 2023-04-18 重庆理工大学 用于图像语义分割的SAUNet++网络与图像语义分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778005A (zh) * 2016-12-27 2017-05-31 中南民族大学 基于多参数mri的前列腺癌计算机辅助检测方法及系统
CN107464250A (zh) * 2017-07-03 2017-12-12 深圳市第二人民医院 基于三维mri图像的乳腺肿瘤自动分割方法
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
WO2020111463A1 (ko) * 2018-11-29 2020-06-04 주식회사 휴런 Aspect 스코어 추정 시스템 및 방법
CN111242174A (zh) * 2019-12-31 2020-06-05 浙江大学 一种基于影像组学的肝癌图像特征提取与病理分类方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447960A (zh) * 2018-10-18 2019-03-08 神州数码医疗科技股份有限公司 一种对象识别方法和装置
CN113711271A (zh) * 2019-03-15 2021-11-26 豪夫迈·罗氏有限公司 用于通过正电子发射断层摄影进行肿瘤分割的深度卷积神经网络
CN110706225B (zh) * 2019-10-14 2020-09-04 山东省肿瘤防治研究院（山东省肿瘤医院） 基于人工智能的肿瘤识别系统
CN111325739B (zh) * 2020-02-28 2020-12-29 推想医疗科技股份有限公司 肺部病灶检测的方法及装置，和图像检测模型的训练方法
CN112084930A (zh) * 2020-09-04 2020-12-15 厦门大学 一种全视野数字病理切片的病灶区域分类方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778005A (zh) * 2016-12-27 2017-05-31 中南民族大学 基于多参数mri的前列腺癌计算机辅助检测方法及系统
CN107464250A (zh) * 2017-07-03 2017-12-12 深圳市第二人民医院 基于三维mri图像的乳腺肿瘤自动分割方法
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
WO2020111463A1 (ko) * 2018-11-29 2020-06-04 주식회사 휴런 Aspect 스코어 추정 시스템 및 방법
CN111242174A (zh) * 2019-12-31 2020-06-05 浙江大学 一种基于影像组学的肝癌图像特征提取与病理分类方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于特征工程和深度学习的乳腺癌前哨淋巴结转移预测方法研究;罗彭婷;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20200215(第(2020)02期);E060-153 *
基于超声图像的甲状腺疾病智能诊断;张雅奎;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20190115(第(2019)01期);E060-30,正文1.2节，1.3节，3.2.3节，3.3.1节，3.3.2节，4.4.1节，4.4.2节，4.3.3节，4.6节， *
张雅奎.基于超声图像的甲状腺疾病智能诊断.《中国优秀硕士学位论文全文数据库医药卫生科技辑》.2019,(第(2019)01期),E060-30. *

Also Published As

Publication number Publication date
CN112633348A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN111062952B (zh) 肺部图像分割设备、方法及存储介质
CN110111313B (zh) 基于深度学习的医学图像检测方法及相关设备
Elangovan et al. Glaucoma assessment from color fundus images using convolutional neural network
Raj et al. Fundus image quality assessment: survey, challenges, and future scope
US20200005460A1 (en) Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium
CN109389129B (zh) 一种图像处理方法、电子设备及存储介质
JP7026826B2 (ja) 画像処理方法、電子機器および記憶媒体
CN111445478B (zh) 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法
JP5830295B2 (ja) 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
KR102332088B1 (ko) 세부 업샘플링 인코더-디코더 네트워크를 이용한 대장 내시경 이미지에서의 폴립 바운더리 인식을 통한 폴립 세그먼테이션 장치 및 그 방법
KR20230059799A (ko) 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델
CN114820584B (zh) 肺部病灶定位装置
CN112330624A (zh) 医学图像处理方法和装置
CN111325266A (zh) 乳腺钼靶图像中微钙化簇的检测方法、装置和电子设备
CN113349810A (zh) 脑出血病灶识别及血肿扩大预测方法及装置
CN112633348B (zh) 一种检测脑动静脉畸形并判断其弥散性的方法和装置
Xu et al. A deep retinal image quality assessment network with salient structure priors
Joshi et al. Graph deep network for optic disc and optic cup segmentation for glaucoma disease using retinal imaging
CN113705595A (zh) 异常细胞转移程度的预测方法、装置和存储介质
CN115331146A (zh) 一种基于数据增强与特征融合的微小目标自适应检测方法
CN115115826A (zh) 特征选择、提取方法及装置、异常检测模型及其构建方法
CN114445679A (zh) 模型训练方法及相关装置、设备和存储介质
Yuan et al. RM-IQA: A new no-reference image quality assessment framework based on range mapping method
Sahu et al. Segmentation of encephalon tumor by applying soft computing methodologies from magnetic resonance images
CN113408596B (zh) 病理图像的处理方法、装置、电子设备及可读存储介质

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