CN112863648B - 脑肿瘤术后mri多模态输出系统及方法 - Google Patents

脑肿瘤术后mri多模态输出系统及方法 Download PDF

Info

Publication number
CN112863648B
CN112863648B CN202011638836.6A CN202011638836A CN112863648B CN 112863648 B CN112863648 B CN 112863648B CN 202011638836 A CN202011638836 A CN 202011638836A CN 112863648 B CN112863648 B CN 112863648B
Authority
CN
China
Prior art keywords
coding
image
input
dimensional
vector
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
CN202011638836.6A
Other languages
English (en)
Other versions
CN112863648A (zh
Inventor
月强
羊丹
许照敏
张思敏
万欣月
李爽
杨喜彪
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.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan University
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 West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202011638836.6A priority Critical patent/CN112863648B/zh
Publication of CN112863648A publication Critical patent/CN112863648A/zh
Application granted granted Critical
Publication of CN112863648B publication Critical patent/CN112863648B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Neurology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种脑肿瘤术后MRI多模态输出系统及方法，设计了可视化病灶模拟图及病灶图，便于解剖及病灶的对照。将放射科医师观察到的征象，以一种简单、标准、易于掌握的操作流程呈现。采用鼠标点击专利图的方式，避免了键盘人工录入的错误和对解剖结构的误读，实现影像报告术语规范化、操作界面简单化，对病灶的描述准确、规范。通过病灶描述结果与预设数据模块进行对比，完成描述结果输出。

Description

脑肿瘤术后MRI多模态输出系统及方法
技术领域
本申请涉及MRI影像获取及判读领域，尤其是涉及一种脑肿瘤术后MRI多模态输出系统及方法。
背景技术
胶质瘤是脑内常见肿瘤，目前治疗方式主要是手术切除，由于呈浸润性生长，边界不清，难以彻底切除病灶，术后复发率高。常需要化疗、放疗，甚至再次手术。核磁共振成像(Magnetic resonance imaging，MRI)对软组织分辨率高，且无辐射，在术后随访中起着至关重要的作用。MRI平扫及增强扫描对肿瘤复发的判断主要依据是否出现新的强化区域，判读肿瘤治疗后假性进展、放射性损伤、肿瘤残留难以鉴别。影像表现是放射损伤、肿瘤残留脑胶质瘤复发和放射性脑损伤的处理原则及治疗方法截然不同。临床应用中主要根据临床病史、影像特点及经验进行判断，主观性大，结果欠准确，且放射科医师对胶质瘤影像判读的理解程度不同，评估的准确性有差异，并且很难准确传达给临床医师。对报告的书写缺乏规范、标准的方式，报告内容和术语亦存在差异。为了解决现有问题，本专利提供一种脑肿瘤术后MRI多模态随访半自动生成系统，该系统在报告的形式上提供人机互动的解剖定位，病灶信号的准确描述，保障报告信息规范、统一；采用鼠标点击专利图的方式，避免了键盘人工录入的错误和对解剖结构的误读，实现影像报告术语规范化、操作界面简单化，以此减轻放射医生工作负荷，同时减少人工打字工作的时间付出；并可在报告中可视化病灶及解剖结构，使图文并存，更准确、形象地提供影像判读信息。
目前，胶质瘤确诊的金标准是组织病理学检查。2016年WHO根据胶质瘤的组织病理学特点将胶质瘤分为Ⅰ～Ⅳ级。其中Ⅰ、Ⅱ级归类为低级别胶质瘤(Low grade glioma，LGG)，临床常见的病理类型包括毛细胞型星形细胞瘤(WHOⅠ级)、弥漫性星形细胞瘤(WHOⅡ级)、少突胶质细胞瘤(WHOⅡ级)、少突星形细胞瘤(WHO Ⅱ级)等，Ⅲ、Ⅳ级则归类为高级别胶质瘤(High grade glioma，HGG)，包括间变性星形细胞瘤、间变性少突胶质细胞瘤、间变性少突星形细胞瘤(WHO低Ⅲ级)、胶质母细胞瘤(WHOⅣ级)等。LGG的细胞核呈非典型性，一般不出现核分裂像，细胞密度低，排列较规则，肿瘤细胞主要沿着血管周围间隙和白质纤维束生长，侵袭性低，基本不破坏血脑屏障，肿瘤周围水肿较轻，MIB-1增殖指数小于5％。HGG的细胞密度高，核异型增生显著，核分裂活跃，呈明显浸润性生长，肿瘤周围水肿明显，WHOⅢ级胶质瘤的MIB-1增殖指数为5％～10％，WHOⅣ级胶质瘤MIB-1增殖指数大于10％，并伴有“肾小球丛”状血管增生和(或)肿瘤中心大片状的坏死30-35。2016年发布的新版WHO中枢神经系统肿瘤分类指南对胶质瘤分类标准进行了修订，首次在组织学分类基础上加入了分子学特征，并指出胶质瘤组织学分型和分子分型共同影响着胶质瘤患者的预后和治疗策略，但指南同时指出，组织病理学分级仍然是目前胶质瘤的分类基础。HGG胶质瘤术后容易复发，但是LGG胶质瘤其基因型不同，也有同的复发风险。
发明内容
本发明设计了可视化病灶模式图及病灶图，便于解剖及病灶的对照。将放射科医师观察到的征象，以一种简单、标准、易于掌握的操作流程呈现。对病灶的描述准确、规范。通过病灶描述结果与预设数据模块进行对比，完成描述结果输出。具体如下：
脑肿瘤术后MRI多模态输出系统,包括临床信息知识库单元、解剖模式图单元、神经网络单元、影像特征标准化描述单元和报告生成单元。
优选的，脑肿瘤术后MRI多模态输出系统，还包括影像对比单元(包括健康脑区解析数据库单元及病灶区脑纤维束解析单元)。
1.临床信息知识库模块：
提供选择知识题库和手动输入单元，选择知识库单元提供临床常见录入选项，手动输入单元作为补充内容。首先在知识题库中选择常见录入内容进行勾选，如无法满足需求，则可选择手动输入单元，进行补充。
1)结构化报告使用范围：脑胶质瘤术后MRI复查。
2)肿瘤类型和突变：预设可选择模块(如：弥漫性星形细胞瘤，IDH突变型；弥漫性星形细胞瘤，IDH野生型；弥漫性星形细胞瘤，NOS；间变性星形细胞瘤，IDH突变型；间变性星形细胞瘤，IDH野生型；胶质母细胞瘤，IDH野生型等)。
3)手术史：完全切除；部分切除；活检术后。
4)放射治疗史：放射治疗及疗程______次；最近一次疗程时间______；没有放射治疗。
5)相关药物：化药物名称______，化疗流程______次，最近一次疗程时间______；没有药物治疗。
2.神经网络单元：
将临床信息知识库单元的选项和数值化输入内容进行编码，通过历史病例中的临床信息评判结果及其相应的疾病名称构成的数据集训练一个8层的BP神经网络模型，将知识题库和手动输入单元的勾选及输入结果的编码输入训练好的神经网络模型，输出患者部位的疾病名称，提供辅助功能。其工作方式如下：
1)对临床信息知识题库和潜在疾病名称进行编码。本专利采用独热 (one-hot)码和实际数值相结合的方式对选择知识题库的选项、数值化手动单元(长度、面积、体积等)和医师输入结果(疾病名称)进行混合编码，生成一个多维编码向量。向量的维度是选择知识题库中所有选项的总数量、数值化手动输入单元的数量以及潜在结果疾病名称表中疾病的数量之和。
对于选择知识题库，本专利采用独热码对其选项进行编码。假设题库中的一个选择题有n个固定顺序的选项[s0，s1，s2，...，sn-1]，当医生选择了第i个选项时，令si＝1且sj＝0，(j≠i)生成一个n维向量；对于数值化手动输入单元，本申请采用直接用实际数值编码的形式，将其在标准单位下的实际输入数值作为其编码；对于潜在疾病名称，本专利采用独热码对其进行编码。假设在固定顺序的潜在结果疾病名称表中有m项疾病名称，可表示为[k0，k1，k，...，km-1]。在历史病例中，当疾病名称为表中第p项时，生成一个一一对应的m维向量，其对应方式为kp＝1且kq＝0，(q≠p)。
将三种编码向量按临床信息题库中的顺序依次合并，组成一个有序的N维编码向量。其中，前N-m维为临床信息样本编码，后m维为样本标签。
2)按步骤1中编码方式对历史病例进行编码。对大量的历史病例临床知识题库评判结果及其相应的疾病名称信息按照步骤1的编码方式进行编码，生成一个临床病例数据集。按照8.5:1.5的比例将数据集划分为训练集和测试集两个集合。
3)建立神经网络模型，对模型进行训练和测试。本专利设计了一个由8层神经元组成的BP神经网络模型，从输入层到输出层的神经元数量分别为：N-m (输入层)，128，256,512,1024,1024,512,512，m(输出层)。每层神经元(除输出层外)经过仿射计算后分别进行批归一化(Batch Nomalization)计算和 ReLU6非线性映射。在第4-7层的仿射计算后增加失活概率为0.5的随机失活 (Dropout)以防止神经网络过拟合。采用Softmax输出层和交叉熵损失函数。优化器使用随机梯度下降(SGD)优化器，设置初始学习率为0.01并使用学习率余弦函数衰减策略。
每次从训练集中随机采样32个未训练样本数据输入神经网络进行模型训练，训练时只输入样本编码向量的前N-m维数据，得到m维的模型预测输出。将模型预测输出进行独热编码，具体编码方式为：将其最大的项置1，其它项置0。将独热编码后的模型预测输出与相应样本编码向量中的后m维样本标签数据计算交叉熵损失，并用SGD优化器更新模型参数。待将所有训练集的数据训练完一遍后，更新学习率，并将验证集的样本数据输入模型得到预测向量，预测时只输入样本编码向量的前N-m维数据，得到m维独热编码形式的模型预测输出，将模型预测输出与相应样本编码向量的后m维样本标签进行对比，若二者相同，则预测正确；否则，预测错误。
反复将训练集数据和测试集数据输入神经网络模型进行迭代训练和测试，保存测试准确率最大时的模型及参数。测试准确率的计算方式为在测试集上预测正确的样本总数除以测试集样本总数。
4)根据医师在知识题库中对病例的评判结果生成临床信息编码，输入保存的模型，输出预测疾病名称。当医师每次根据病例的临床特征填写完临床信息题库时，按照医师评判情况按步骤1对题库信息按顺序生成N-m维编码向量，将编码向量输入步骤3中保存的神经网络模型，模型输出m维预测结果的编码。按照模型预测结果的编码，假设其中第z(0≤z≤m-1)项为最大值项，则对照潜在结果疾病名称表选择第z个结果的疾病名称作为建议疾病名称。
3.解剖模式图模块：
设计了可视化颅内断层解剖图，解剖图包括右侧额叶、左侧额叶、中脑、右侧顶叶、左侧顶叶、小脑蚓部、右侧颞叶、左侧颞叶、脑桥、右侧枕叶、左侧枕叶、右侧小脑、左侧小脑、右基底节、左基底节、右侧外囊、左侧外囊、右侧丘脑和左侧丘脑等，操作简单，易于掌握，输出规范，即使刚刚进入临床的初学者也比较容易掌握。
可以在平面图展示可点图式解剖结构，内容包括：(图1-5)
1)胼胝体层面断层解剖(图1)
2)基底节区层面断层解剖(图2)
3)脑干层面解剖图(图3)
4)中脑层面解剖(图4)
5)小脑层面断层解剖(图5)
4.影像特征标准化描述模块
人机交互界面提供预设指示部和输入部，所述预设指示部为用户提供预设的指示信息，用户根据患者的MRI影像和人机交互界面提供的预设的指示信息在输入部输入评估MRI影像的参数。所述参数可以是预先设置的字段型参数，其可根据用户的先前操作而与对应输入部一起显示在人机交互界面上以供用户以单选或多选的形式直观地选择输入，也可以是由用户以填空的形式输入的数值型参数，其对应的输入部可根据用户的先前操作显示在人机交互界面上以供用户填写输入。用户输入的参数可通过系统附加的存储模块或独立存在的存储模块存储为计算机可读的数据。依据该专利预设内容，医师可在影像模块中进行简单点击操作，调取数据库中标准字段，生成标准化报告内容。
a)形态学影像预处理图像将取得的3个序列或参数图谱定义为3个模态，组成结构模态组：T1加权成像(T1-Weighted Imaging，T1WI)、T2加权成像(T2-Weighted Imaging，T2WI)、对比增强T1加权成像(Contrast Enhanced T1-Weighted Imaging，T1-CE)；磁共振T1加权成像(T1WI)、T2加权成像(T2WI)、液体衰减反转恢复(Fluid Attenuated InversionRecovery，FLAIR)等序列能清晰、直观地呈现胶质瘤的位置、大小、边界、形态及内部的坏死、出血、囊变等形态学特征。注射钆对比剂之后的对比增强T1WI(T1-CE) 序列评价肿瘤破坏血脑屏障(Blood Brain Barrier，BBB)的情况，间接反映出肿瘤的实性部分和边界，以及对周围组织的侵犯情况。弥漫性星形细胞瘤一般多位于白质区，内部MR信号多均匀，T1WI呈低信号，T2WI呈稍高信号，少见坏死。含有少突胶质细胞成分的低级别胶质瘤位置多靠近脑表面，内部钙化成分较为常见。LGG由于生长缓慢，对周围组织压迫及侵犯作用轻微，肿瘤边界比较清楚，周围通常不伴有或伴有轻微的水肿带，注射对比剂后多无强化效应。HGG生长迅速，肿瘤内部常可见坏死、囊变及出血，肿瘤对周围组织以侵犯为主，病变的边界多不清楚，常可见到肿瘤沿白质纤维束的走行方向呈浸润性生长，病变周边常见到片状的水肿带。注射对比剂后，肿瘤多呈不均匀强化，典型的GBM呈厚薄不一的“花环状”强化。由此可见，不同级别胶质瘤在MR常规序列上的表现存在差异。瘤周水肿区最大直径、病变对比剂强化和皮质受累等特征可以用于胶质瘤分级。而胶质瘤术后改变，类似部分术前征象，但是在随访中，依据多个信号及大小的变化，临床信息的整合，可以给予一定的提示肿瘤是否复发。
如下征象：
1)T1WI:低，稍低，等，稍高，高，混杂等
2)T2WI:低，稍低，等，稍高，高，混杂
3)FLAIR:低，稍低，等，稍高，高，混杂
4)强化程度：不强化，轻度强化，中等强化，明显强化；
5)强化形态：花环状，结节状，斑片状，不均匀强化，均匀强化
b)病灶轴位最大截面：
1)测量序列：T1-CE，T2WI，T1WI，FLAIR
2)最大面长径[]cm，垂直经[]cm
c)功能影像：
MRI具有较高的软组织分辨率，其多序列、多模态检查可为胶质瘤的定位、定性乃至定量诊断提供大量有益的信息。近年来，随着多种磁共振新技术的兴起和在临床的逐渐普及，大大提高了MRI在诊断、鉴别诊断、以及治疗后随访的临床应用价值。MR灌注(MRPerfusion，MRP)，包括动态磁敏感增强(Dynamic Susceptibility Contrast，DSC)灌注、动态对比剂增强 (Dynamic Contrast Enhancement)灌注、动脉自旋标记(Arterail SpinLabelling，ASL)等，可以了解肿瘤血流动力学和血管通透性信息，较真实的反映了肿瘤血供情况。磁共振波谱(Magnetic Resonance Spectroscopy， MRS)和化学交换饱和传递(Chemical Exchange Saturation Transfer，CEST) 可以提供肿瘤代谢信息，如：Cho峰的改变，反映细胞膜更新的情况，间接反映了肿瘤的代谢情况，NAA峰代表神经元的变化情况，其减低，直接反映了神经元的损伤情况，Lac峰的出现，反映了脑组织出现无氧代谢；近年来随着MRS绝对定量方法(相对于计算代谢物比值的相对定量方法而言)的应用，使得无创性测定肿瘤内各种代谢物浓度成为可能。MR弥散相关技术，包括常规弥散加权成像(Diffusion Weighted Imaging，DWI)、弥散张量成像(Diffusion Tensor Imaging，DTI)、弥散峰度成像(Diffusion Kurtosis Imaging，DKI)等，可以提供肿瘤内部水分子弥散、脑白质纤维束走行等信息。功能性磁共振成像(functional Magnetic Resonance Imaging，fMRI) 能够提供肿瘤对脑功能区侵犯的信息。磁敏感加权成像(Susceptibility WeightedImaging，SWI)能提供肿瘤内出血、钙化、静脉引流的信息。所有这些MRI检查方法为胶质瘤的检查提供了全方位、多维度的随访依据。如下：
1)DWI:低，稍低，等，稍高，高，混杂
2)ADC:低，稍低，等，稍高，高，混杂
3)DTI：纤维束推挤，纤维束受侵；
4)SWI：未见异常，低信号；
5)相位图：未见异常，高信号，高信号为主伴低信号
6)MRS：Cho＝，NAA，Cr＝，NAA/Cho＝，NAA/Cr＝，Lac，Lip(注：勾选 MRS选项，请截图MRS图)
7)PWI：1)CBV高，低，等；2)CBF高，低，等；3)MTT延长，缩短，未见异常；4)TTP延长，缩短，未见异常。
d)其他：侧脑室受压狭窄；中线结构移位。
1)其他手工输入区：_____________
5.影像对比模块
影像对比模块，包括多个模块预设于计算机内：图像采集处理单元、临床信息知识库单元、解剖模式图单元、构建结构化影像描述单元、影像对比单元和报告生成单元，其中，影像对比单元分别与解剖模式图单元、构建结构化影像描述单元相连，用于逻辑分析患者病灶，对患者病灶分析，输出结果。
临床信息知识库单元：提供选择知识题库和手动输入单元，选择知识库单元提供临床常见录入选项，手动输入单元作为补充内容。首先在知识题库中选择常见录入内容进行勾选，如无法满足需求，则可选择手动输入单元，进行补充。此模块提供患者目前治疗、此阶段与影像相关的内容，以便于与以下影像模块进行参考。
解剖模式图单元：预先设计解剖模式，勾勒出清新的解剖结构，将每一解剖结构，进行分区、分块，包括大部分颅内解剖结构。实现鼠标点击识别，并与解剖专业词汇进行关联，输出与解剖部位相对应的解剖词汇。解剖位置被保持在作为解剖位置信息的医学图像数据中。例如，解剖位置信息可以作为数据库保留在存储单元中。例如，在解剖位置信息与唯一识别医学图像的ID等相关联的状态下，以XML或文本格式存储。或者，解剖位置信息可以被保持在解剖位置信息与医学图像数据集成为DICOM中的补充信息中。此模块以提供目前患者术后异常信号的标准位置信息。
构建标准化影像信号描述单元：此单元模块要求1)术后首次MRI检查，定为基线，基线可以是首次MRI或最近术后MRI，此项分类为“A”类。以后MRI 检查均设置为N+1次，将N+1次检查与前次检查(N次)影像特征进行对比，输出两次对比结果。具体如下：
优选的，计算机内置影像对比模块：计算机接收输入端是否为术后随访，如果是脑内肿瘤术后随访，则进入此模块。术后首次MRI检查，首次检查通常发生在初次MRI或术后的初次MRI；定为基线，基线可以是首次MRI或最近术后MRI，此项分级为“A”。计算机自动判断病人做影像检查的次数，如果是首次检查，则也评分为A，建议继续随访，此次检查结果作为研究的基准，如果是第N(N>1) 次检查，计算机会自动将本次的检查结果与前一次检查结果比较，若影像数据有不同，则输出不同结果，则输出B型；计算机自动判读病灶结构(指结构影像改变，如大小，信号等)、功能影像改变，则判读B-x-x，0代表没有变化，1代表变化。如病灶结构没有变，病灶功能影像变化，则输出B-0-1。将输出结果分类，判读这能快捷识别病灶类别改变。
数据比对单元原则，分别与解剖模式图单元、构建结构化影像描述单元和报告生成单元相连，用于对逻辑内容输出、整理，选择性结构化输出。数据比对单元提取医学影像信息和人工输入信息，与数据库中的预设信息比较，判断判读影像的变化，分类输出。
数据比对单元，分别与解剖模式图单元、构建结构化影像描述单元和报告生成单元相连，用于对逻辑内容输出、整理，选择性结构化输出。
6.报告生成模块
此部分输出内容有，典型病灶图及影像模式图；临床信息内容；病灶位置结构名词；影像对比模块；标准化报告内容。在计算机内部人工设定预定的解剖结构、病灶形态、病灶信号术语和输出结果等，以避免人为输入错误和非标准用词，输出影像表现的模式图及典型影像图。并逐层、逐次规范输出病灶的解剖结构、病灶影像特征，以规范的书写方式通过人机交互输出标准格式报告内容。
附图标记说明：1、右侧额叶，2、左侧颞叶，3、左侧顶叶，4、右侧顶叶，5、左侧额叶，6、右侧岛叶，7、左侧岛叶，8、右侧颞叶，9、右侧枕叶，10、左侧枕叶，11、右尾状核，12、左尾状核，13、右内囊前肢，14、左内囊前肢，15、右内囊后肢，16、左内囊后肢，17、右侧丘脑，18、左侧丘脑，19、右屏状核， 20、左屏状核，21、中脑，22、小脑蚓部，23、扣回带，24、嘴部，25、体膝， 26、体部，27、压部，28、鞍区，29、顶盖，30、侧脑室，31、室间孔，32、第三脑室，33、导水管，34、第四脑室，35、桥脑，36、延髓，37、右小脑半球， 38，左小脑半球。
附图说明
图1半卵圆中心层面解剖；
图2基底节区层面解剖；
图3脑干层面解剖；
图4中脑矢状位解剖；
图5小脑层面解剖；
图6病灶示意图；
图7病灶MRI成像图；
图8检查报告示意图。
具体实施方式
实施例一：
1、建立临床信息知识库模块：
本结构化报告的使用范围是脑胶质瘤术后，第一步，确定肿瘤类型和突变类型，例如，肿瘤名称：弥漫性星形细胞瘤；基因类型：IDH突变型(选中)； IDH野生型；NOS。第二步，确认手术史：完全切除(选中)，部分切除，没有手术。第三步，确认放射治疗史：放射治疗14疗程，最近一次疗程时间：20200727；没有放射治疗。第四步，确认相关药物治疗史：化疗6疗程；化药物名称：TMZ；最近一次疗程时间：20200727；没有药物治疗。
2、解剖模式图模块
显示解剖模式图模块图1。操作人员手动点击左侧额叶术区，表示手术区位于该区域，如图6。在影像图中截取典型层面图，如图7。
3、影像特征标准描述模块：
1.形态学影像：
T1WI:低，稍低(选中)，等，稍高，高，混杂
T2WI:低，稍低，等，稍高(选中)，高，混杂
FLAIR:低，稍低，等，稍高，高(选中)，混杂。与前次比较：缩小，不变，
增大：小于25％(选中)，大小25％。
强化程度：不强化，轻度强化，中等强化(选中)，明显强化；与前次比较：
与前次比较：缩小，不变，增大：小于25％(选中)，大小25％。
强化形态：花环状，结节状(选中)，斑片状，不均匀强化，均匀强化
2.病灶轴位最大截面：
1)测量序列：T1-CE(选中)，T2WI，T1WI，FLAIR
2)最大面长径[2.2]cm，垂直经[1.5]cm
最大病灶长径计算
对于每个病灶区域，设分割出的病灶区域的体素集合为P，病灶边缘体素集合为 M＝{m1，m2，m3，...，mn}，其中mi∈R3。迭代地进行如下步骤：
(1)在M中任取两点mi(x1，y1，z1)，mj(x2，y2，z2)∈M，i，j＝1～n且i≠j构成线段mimj：
Figure BDA0002879375820000111
(2)MRI图像的纵向切面可表示为z＝n，n∈Z。假设z1≤z2，取n∈[z1，z2]时线段mimj和MRI图像的纵向切面的交点集合U。
(3)判断
Figure BDA0002879375820000113
是否成立，若是，则进行步骤(4)；否则进行步骤(5)。
(4)计算线段mimj的长度|mimj|：
Figure BDA0002879375820000112
其中，Δi表示切面图的分辨率，Δj表示层厚。
(5)判断集合M中的所有点对组合是否迭代处理完，若是，进行步骤(6)；否则返回步骤(1)。
(6)计算得到最大的线段长度Lmax＝max(|mimj|)，Lmax即为最大病灶长。
短径计算
设p，q＝argmaxi，j(|mimj|)，则mp(xp，yp，zp)，mq(xq，yq，zq)为最大病灶长所在线段的两端点，则线段mpmq的中点mc的坐标可表示为：
Figure BDA0002879375820000121
直线mpmq的方向向量为
Figure BDA0002879375820000122
则短径所在平面为
Figure BDA0002879375820000123
取该平面所在的体素点与集合P中体素的交集S，令P←S，S内的病灶边缘体素集合为M，按照最大病灶长计算方式即可求得病灶短径Lmin。
3.功能影像：
DWI:低，稍低，等，稍高(选中)，高，混杂
ADC:低，稍低(选中)，等，稍高，高，混杂
DTI：纤维束推挤，纤维束受侵(选中)；
SWI：未见异常，低信号(选中)；
相位图：未见异常，高信号，高信号为主伴低信号(选中)
MRS：Cho＝6，NAA＝3，Cr＝4，NAA/Cho＝1/2，NAA/Cr＝3/4，Lac，Lip(注：勾选MRS选项，请截图MRS图)
PWI：1)CBV高(选中)，低，等；2)CBF高(选中)，低，等；3)MTT延长，缩短，未见异常；4)TTP延长，缩短，未见异常。
4.其他：侧脑室受压狭窄；中线结构移位。
5.其他手工输入区：______________
4、影像对比模块
将医师解读图像后的影像信号征象，病灶的大小等征象，自动与输入计算机模块内的标准进行对比。对于胶质瘤手术全切，依据MRI基线表现，随访对比征象的改变及临床治疗。
数据比对单元原则，分别与临床信息知识库单元、解剖模式图模块、影像特征标准化描述模块、影像对比模块和报告生成单元相连，用于对逻辑内容输出、整理，选择性结构化输出。数据比对单元提取医学影像信息和人工输入信息，与数据库中的预设信息比较，判断输出结果。
优先地，检测MRI历史历次检查，第N(N>1)次检查，术后第三次MRI检查，自动跳过A基线(A基线：首次MRI或最近术后MRI)。
此例关键信息：
普通影像结构信息：FLAIR:高信号，与前次比较：增大：小于25％。强化程度：中等强化，与前次比较：增大小于25％。分类，1类。
功能影像信息：DTI纤维束受侵，SWI低信号，相位图高信号为主伴低信号，MRS： NAA/Cho＝1/2，NAA/Cr＝3/4，PWI：1)CBV高(选中)，2)CBF高(选中)。分类0类。
综合分类：B-1-0
将此关键信息结果，在报告中分类输出。
如下生成模块：
5、报告生成模块：
影像表现：
(一)手术术区：左侧额叶
图6，图7
(二)普通磁共振：
T1WI:呈稍低信号；T2WI:呈稍高；FLAIR:呈高信号，与前次比较：缩小，不变，增大：小于25％。
强化程度：中等强化；强化形态：结节状；与前次比较：增大：小于25％。
病灶轴位最大截面：
1)测量序列：T1-CE
2)最大面长径[2.2]cm，垂直经[1.5]cm
结构分类：1类
(三)功能影像：
DWI:呈稍高信号；ADC:稍低信号；DTI：纤维束受侵；
SWI：低信号；相位图：高信号为主伴低信号
MRS：Cho＝6，NAA＝3，Cr＝4，NAA/Cho＝1/2，NAA/Cr＝3/4，见Lac峰，见Lip 峰
PWI：1)CBV高；2)CBF高 (四)其他：中线结构移位。
功能分类：0类。
印象建议
左侧额叶病灶术后，建议临床干预，并复诊。
最终生成报告如图8。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (6)

1.一种脑肿瘤术后MRI多模态输出系统，其特征在于，包括影像处理装置、临床信息知识库模块、神经网络单元、解剖模式图模块、影像特征标准化描述模块、报告生成模块；
所述影像处理装置包括主磁体、图像采集或扫描系统、脉冲控制器、用于傅里叶变换的一个或多个阵列处理器、将数据从阵列处理器获取并形成一幅图像的一个或多个图像处理器、存储原始资料以及脉冲序列参数的存储器、一个或多个功率分配式体系机构，用以分配并滤过交流电和直流电，3套梯度线圈、射频发射器及信号接收器、模拟转换器、RF屏蔽、RF放大器、患者运输系统、有扩展功能的一台小型计算机和用户界面使用的操作员控制台，主磁体选用永久磁体、阻抗磁体或超导磁体，梯度线圈改变主磁体场强，产生梯度场，用作选层和信息的空间定位，梯度回波脉冲序列具有能够变化的反转角度；射频发射器与MR信号接收器为射频系统，由线圈组成，射频发射器是为了产生不同的脉冲序列，以激发体内氢原子核，产生MR信号；RF屏蔽由扫描房间墙内、窗内的金属屏蔽以及沿扫描房间门框的密封条组成；程序员预先对扫描参数、脉冲序列和图像处理功能进行程序化，以使射频和梯度脉冲的顺序和时间根据“系统用户”设定的参数和选项而设定，当“系统用户”选择了视场角度、图像对比度、层厚和矩阵这些参数，系统会自动选择适当的梯度脉冲强度、持续时间，并自动定时；
所述临床信息知识库模块包括选择知识题库和手动输入单元，选择知识库单元提供临床常见录入选项，手动输入单元作为补充内容；
所述解剖模式图模块包括预先设计的解剖模式，分区、分块的解剖结构；所述解剖结构能够实现鼠标点击识别，并与解剖专业词汇进行关联，输出与解剖部位相对应的解剖词汇；解剖位置信息与医学图像数据集成为DICOM中的补充信息；
所述神经网络单元采用独热码和实际数值相结合的方式对选择知识题库的选项、数值化手动单元和医师输入结果进行混合编码，能够生成一个多维编码向量；多维编码向量的维度是选择知识题库中所有选项的总数量、数值化手动输入单元的数量以及潜在结果疾病名称表中疾病的数量之和；
所述影像特征标准化描述模块包括形态学影像、病灶轴位最大截面和功能影像；
所述报告生成模块的输出内容包括典型病灶图及影像模式图、临床信息内容、病灶位置结构名词、影像对比模块、标准化报告内容，通过人机交互输出标准格式报告内容。
2.根据权利要求1所述的一种脑肿瘤术后MRI多模态输出系统，其特征在于，所述影像特征标准化描述模块包括人机交互界面提供预设指示部和输入部，所述预设指示部为用户提供预设的指示信息，用户根据患者的MRI影像和人机交互界面提供的预设的指示信息在输入部输入评估MRI影像的参数；所述评估MRI影像的参数是预先设置的字段型参数，其根据用户的先前操作而与对应输入部一起显示在人机交互界面上，以供用户以单选或多选的形式直观地选择输入，其对应的输入部根据用户的先前操作显示在人机交互界面上以供用户填写输入。
3.根据权利要求1-2任一项所述的一种脑肿瘤术后MRI多模态输出系统，其特征在于，所述神经网络单元的工作方式如下：
步骤1)：对临床信息知识题库和医师输入结果进行编码，采用独热码和实际数值相结合的方式对选择知识题库的选项、数值化手动单元和医师输入结果进行混合编码，生成一个多维编码向量；对于选择知识题库，采用独热码对其选项进行编码；假设题库中的一个选择题有n个固定顺序的选项[s0,s1,s2,…,sn-1]，当医生选择了第i个选项时，令si＝1且sj＝0,j≠i，生成一个n维向量；对于数值化手动输入单元，采用直接用实际数值编码的形式，将其在标准单位下的实际输入数值作为其编码；对于医师输入结果，采用独热码对其进行编码；假设在固定顺序的潜在结果疾病名称表中有m项疾病名称，表示为[k0,k1,k,…,km-1]；当医师判读为第p种结果时，生成一个一一对应的m维向量，其对应方式为kp＝1且kq＝0,q≠p；将三种编码向量按临床信息题库中的顺序依次合并，组成一个有序的N维编码向量；其中，前N-m维为临床信息样本编码，后m维为样本标签；
步骤2)：按步骤1)中编码方式对历史病例进行编码；对大量的历史病例临床知识题库和结果的相应信息按照步骤1)的编码方式进行编码，生成一个临床病例数据集；按照比例将数据集划分为训练集和测试集两个集合；
步骤3)：建立一个由8层神经元组成的前馈神经网络模型，从输入层到输出层的神经元数量分别为：N-m，128，256,512,1024,1024,512,512，m；除输出层外，每层神经元经过仿射计算后分别进行批归一化计算和ReLU6非线性映射；在第4-7层的仿射计算后增加失活概率为0.5的随机失活以防止神经网络过拟合；采用交叉熵损失函数和Softmax输出层；优化器使用随机梯度下降优化器，设置初始学习率为0.01并使用学习率余弦函数衰减策略；每次从训练集中随机采样32个未训练样本数据输入神经网络进行模型训练，训练时只输入样本编码向量的前N-m维数据，得到m维的模型预测输出；将模型预测输出进行独热编码，具体编码方式为：将其最大的项置1，其它项置0；将独热编码后的模型预测输出与相应样本编码向量中的后m维样本标签数据计算交叉熵损失，并用SGD优化器更新模型参数；待将所有训练集的数据训练完一遍后，更新学习率，并将验证集的样本数据输入模型得到预测向量，预测时只输入样本编码向量的前N-m维数据，得到m维独热编码形式的模型预测输出，将模型预测输出与相应样本编码向量的后m维样本标签进行对比，若二者相同，则预测正确；否则，预测错误；反复将训练集数据和测试集数据输入神经网络模型进行迭代训练和测试，保存测试准确率最大时的模型及参数；测试准确率的计算方式为在测试集上预测正确的样本总数除以测试集样本总数；
步骤4)：根据医师在知识题库中对病例的评判结果生成临床信息编码，输入保存的模型，输出预测疾病名称；当医师每次根据病例的临床特征填写完临床信息题库时，按照医师填写情况按步骤1)对题库信息按顺序生成编码，将编码输入步骤3)中保存的神经网络模型，模型输出预测结果的编码；按照模型预测编码，假设其中第z项为最大值项，则对照潜在结果疾病名称表选择第z个结果的疾病名称作为建议结果疾病名称。
4.一种脑肿瘤术后MRI多模态输出方法，其特征在于，通过临床信息知识库单元提供选择知识题库和手动输入，选择知识库单元提供临床常见录入选项，手动输入单元作为补充内容；首先在知识题库中选择常见录入内容进行勾选，如无法满足需求，则选择手动输入单元，进行补充；根据选择知识题库与手动输入单元的勾选和填写结果，利用神经网络单元对患者症状进行特征提取和分析处理，预测出初步的建议，以辅助医师进行判读；解剖模式图模块通过平面图展示点图式解剖结构；影像特征标准化描述模块通过人机交互界面提供预设指示部和输入部，所述预设指示部为用户提供预设的指示信息，用户根据患者的MRI影像和人机交互界面提供的预设的指示信息在输入部输入评估MRI影像的参数；报告生成模块输出内容有，典型病灶图及影像模式图，临床信息内容，病灶位置结构名词，标准化报告内容；在计算机内部人工设定预定的解剖结构、病灶形态、病灶信号术语和输出结果，以避免人为输入错误和非标准用词；并逐层、逐次规范输出病灶的解剖结构、病灶影像特征，以规范的书写方式通过人机交互输出标准格式报告内容；所述神经网络单元采用独热码和实际数值相结合的方式对选择知识题库的选项、数值化手动单元和医师输入结果进行混合编码，能够生成一个多维编码向量；多维编码向量的维度是选择知识题库中所有选项的总数量、数值化手动输入单元的数量以及潜在结果疾病名称表中疾病的数量之和。
5.根据权利要求4所述的一种脑肿瘤术后MRI多模态输出方法，其特征在于，所述神经网络单元的工作方式如下：
步骤1)：对临床信息知识题库和医师输入结果进行编码，采用独热码和实际数值相结合的方式对选择知识题库的选项、数值化手动单元和医师输入结果进行混合编码，生成一个多维编码向量；对于选择知识题库，采用独热码对其选项进行编码；假设题库中的一个选择题有n个固定顺序的选项[s0,s1,s2,…,sn-1]，当医生选择了第i个选项时，令si＝1且sj＝0,j≠i，生成一个n维向量；对于数值化手动输入单元，采用直接用实际数值编码的形式，将其在标准单位下的实际输入数值作为其编码；对于医师输入结果，采用独热码对其进行编码；假设在固定顺序的潜在结果疾病名称表中有m项疾病名称，表示为[k0,k1,k,…,km-1]；当医师判读为第p种结果时，生成一个一一对应的m维向量，其对应方式为kp＝1且kq＝0,q≠p；将三种编码向量按临床信息题库中的顺序依次合并，组成一个有序的N维编码向量；其中，前N-m维为临床信息样本编码，后m维为样本标签；
步骤2)：按步骤1)中编码方式对历史病例进行编码；对大量的历史病例临床知识题库和结果的相应信息按照步骤1)的编码方式进行编码，生成一个临床病例数据集；按照比例将数据集划分为训练集和测试集两个集合；
步骤3)：建立一个由8层神经元组成的前馈神经网络模型，从输入层到输出层的神经元数量分别为：N-m，128，256,512,1024,1024,512,512，m；除输出层外，每层神经元经过仿射计算后分别进行批归一化计算和ReLU6非线性映射；在第4-7层的仿射计算后增加失活概率为0.5的随机失活以防止神经网络过拟合；采用交叉熵损失函数和Softmax输出层；优化器使用随机梯度下降优化器，设置初始学习率为0.01并使用学习率余弦函数衰减策略；每次从训练集中随机采样32个未训练样本数据输入神经网络进行模型训练，训练时只输入样本编码向量的前N-m维数据，得到m维的模型预测输出；将模型预测输出进行独热编码，具体编码方式为：将其最大的项置1，其它项置0；将独热编码后的模型预测输出与相应样本编码向量中的后m维样本标签数据计算交叉熵损失，并用SGD优化器更新模型参数；待将所有训练集的数据训练完一遍后，更新学习率，并将验证集的样本数据输入模型得到预测向量，预测时只输入样本编码向量的前N-m维数据，得到m维独热编码形式的模型预测输出，将模型预测输出与相应样本编码向量的后m维样本标签进行对比，若二者相同，则预测正确；否则，预测错误；反复将训练集数据和测试集数据输入神经网络模型进行迭代训练和测试，保存测试准确率最大时的模型及参数；测试准确率的计算方式为在测试集上预测正确的样本总数除以测试集样本总数；
步骤4)：根据医师在知识题库中对病例的评判结果生成临床信息编码，输入保存的模型，输出预测疾病名称；当医师每次根据病例的临床特征填写完临床信息题库时，按照医师填写情况按步骤1)对题库信息按顺序生成编码，将编码输入步骤3)中保存的神经网络模型，模型输出预测结果的编码；按照模型预测编码，假设其中第z项为最大值项，则对照潜在结果疾病名称表选择第z个结果的疾病名称作为建议结果疾病名称。
6.根据权利要求4所述的一种脑肿瘤术后MRI多模态输出方法，其特征在于，解剖模式图模块包括病灶轴位最大截面信息，最大病灶短径计算方法：设p,q＝argmaxi,j(|mimj|)，则mp(xp,yp,zp),mq(xq,yq,zq)为最大病灶长所在线段的两端点，则线段mpmq的中点mc的坐标表示为：
Figure FDA0003735813630000061
直线mpmq的方向向量为
Figure FDA0003735813630000062
则短径所在平面为
Figure FDA0003735813630000063
取该平面所在的体素点与集合P中体素的交集S，令P←S，S内的病灶边缘体素集合为M，(1)在M中任取两点mi(x1，y1，z1)，mj(x2，y2，z2)∈M，i，j＝1～n且i≠j构成线段mimj：
Figure FDA0003735813630000064
(2)MRI图像的纵向切面表示为z＝n，n∈Z；假设z1≤z2，取n∈[z1，z2]时线段mimj和MRI图像的纵向切面的交点集合U；
(3)判断
Figure FDA0003735813630000066
是否成立，若是，则进行步骤(4)；否则进行步骤(5)；
(4)计算线段mimj的长度|mimj|：
Figure FDA0003735813630000065
其中，Δi表示切面图的分辨率，Δj表示层厚；
(5)判断集合M中的所有点对组合是否迭代处理完，若是，进行步骤(6)；否则返回步骤(1)；
(6)计算得到最大的线段长度Lmin＝max(|mimj|)，Lmin即为最大病灶短径。
CN202011638836.6A 2020-12-31 2020-12-31 脑肿瘤术后mri多模态输出系统及方法 Active CN112863648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011638836.6A CN112863648B (zh) 2020-12-31 2020-12-31 脑肿瘤术后mri多模态输出系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011638836.6A CN112863648B (zh) 2020-12-31 2020-12-31 脑肿瘤术后mri多模态输出系统及方法

Publications (2)

Publication Number Publication Date
CN112863648A CN112863648A (zh) 2021-05-28
CN112863648B true CN112863648B (zh) 2022-08-26

Family

ID=76000549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011638836.6A Active CN112863648B (zh) 2020-12-31 2020-12-31 脑肿瘤术后mri多模态输出系统及方法

Country Status (1)

Country Link
CN (1) CN112863648B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506634B (zh) * 2021-07-15 2024-04-09 南京易爱医疗设备有限公司 脑部仿真系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103383442A (zh) * 2012-05-02 2013-11-06 通用电气公司 用于mri扫描仪的结构rf线圈组装件
CN105468900A (zh) * 2015-11-20 2016-04-06 邹远强 一种基于知识库的智能病历录入平台
CN107463786A (zh) * 2017-08-17 2017-12-12 王卫鹏 基于结构化报告模板的医学影像知识库建立方法
CN107569230A (zh) * 2017-08-29 2018-01-12 上海联影医疗科技有限公司 一种医疗系统中用于固定物体的装置
CN108027410A (zh) * 2015-09-25 2018-05-11 皇家飞利浦有限公司 用于磁共振图像引导的治疗的射频天线组件
CN108376558A (zh) * 2018-01-24 2018-08-07 复旦大学 一种多模态核磁共振影像病历报告自动生成方法
CN108573490A (zh) * 2018-04-25 2018-09-25 王成彦 一种针对肿瘤影像数据的智能读片系统
CN108665949A (zh) * 2018-04-03 2018-10-16 首都医科大学附属北京同仁医院 一种结构化提取和展示眼眶mri影像数据的系统
CN109741806A (zh) * 2019-01-07 2019-05-10 北京推想科技有限公司 一种医学影像诊断报告辅助生成方法及其装置
CN111223085A (zh) * 2020-01-09 2020-06-02 北京安德医智科技有限公司 一种基于神经网络的头部医疗影像辅助判读报告生成方法
CN111476774A (zh) * 2020-04-07 2020-07-31 广州柏视医疗科技有限公司 基于新型冠状病毒肺炎ct检测的智能征象识别装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8504392B2 (en) * 2010-11-11 2013-08-06 The Board Of Trustees Of The Leland Stanford Junior University Automatic coding of patient outcomes
TWI557585B (zh) * 2012-05-03 2016-11-11 林宗諭 智慧型病歷系統、病歷記錄裝置與相關的電腦程式產品
CN106296699A (zh) * 2016-08-16 2017-01-04 电子科技大学 基于深度神经网络和多模态mri图像的脑肿瘤分割方法
CN109846513B (zh) * 2018-12-18 2022-11-25 深圳迈瑞生物医疗电子股份有限公司 超声成像方法、系统和图像测量方法、处理系统及介质
US10811135B2 (en) * 2018-12-27 2020-10-20 General Electric Company Systems and methods to determine disease progression from artificial intelligence detection output

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103383442A (zh) * 2012-05-02 2013-11-06 通用电气公司 用于mri扫描仪的结构rf线圈组装件
CN108027410A (zh) * 2015-09-25 2018-05-11 皇家飞利浦有限公司 用于磁共振图像引导的治疗的射频天线组件
CN105468900A (zh) * 2015-11-20 2016-04-06 邹远强 一种基于知识库的智能病历录入平台
CN107463786A (zh) * 2017-08-17 2017-12-12 王卫鹏 基于结构化报告模板的医学影像知识库建立方法
CN107569230A (zh) * 2017-08-29 2018-01-12 上海联影医疗科技有限公司 一种医疗系统中用于固定物体的装置
CN108376558A (zh) * 2018-01-24 2018-08-07 复旦大学 一种多模态核磁共振影像病历报告自动生成方法
CN108665949A (zh) * 2018-04-03 2018-10-16 首都医科大学附属北京同仁医院 一种结构化提取和展示眼眶mri影像数据的系统
CN108573490A (zh) * 2018-04-25 2018-09-25 王成彦 一种针对肿瘤影像数据的智能读片系统
CN109741806A (zh) * 2019-01-07 2019-05-10 北京推想科技有限公司 一种医学影像诊断报告辅助生成方法及其装置
CN111223085A (zh) * 2020-01-09 2020-06-02 北京安德医智科技有限公司 一种基于神经网络的头部医疗影像辅助判读报告生成方法
CN111476774A (zh) * 2020-04-07 2020-07-31 广州柏视医疗科技有限公司 基于新型冠状病毒肺炎ct检测的智能征象识别装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄艳群等.基于Skip-gram词嵌入算法的结构化患者特征表示方法研究.《北京生物医学工程》.2019,第38卷(第06期),第568-574+604页. *

Also Published As

Publication number Publication date
CN112863648A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
JP7140348B2 (ja) 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置
CN112735569B (zh) 脑肿瘤多模态mri术前胶质瘤手术区结果输出系统及方法
Windisch et al. Implementation of model explainability for a basic brain tumor detection using convolutional neural networks on MRI slices
US9424644B2 (en) Methods and systems for evaluating bone lesions
JP6195329B1 (ja) 脳活動解析装置、脳活動解析方法、プログラムおよびバイオマーカー装置
US7606405B2 (en) Dynamic tumor diagnostic and treatment system
Menze et al. Analyzing magnetic resonance imaging data from glioma patients using deep learning
US20110160546A1 (en) System and method for volumetric analysis of medical images
CN113077887B (zh) 大脑白质病变自动化定量分析系统与判读方法
Huang et al. Deep learning for brain metastasis detection and segmentation in longitudinal MRI data
Arvesen Automatic classification of Alzheimer's disease from structural MRI
WO2006119340A2 (en) Dynamic tumor diagnostic and treatment system
CN112863648B (zh) 脑肿瘤术后mri多模态输出系统及方法
Becker et al. Comparison of diffusion signal models for fiber tractography in eloquent glioma surgery–determination of accuracy under awake craniotomy conditions
Rasool et al. Glioma brain tumor segmentation using deep learning: A review
Bauer et al. Reconstruction of white matter tracts via repeated deterministic streamline tracking–initial experience
Al-Qazzaz Deep learning-based brain tumour image segmentation and its extension to stroke lesion segmentation
Yi et al. Computer-aided diagnosis of prostate cancer based on deep neural networks from multi-parametric magnetic resonance imaging
Simpson et al. Predictive value of delta-radiomics texture features in 0.35 tesla magnetic resonance setup images acquired during stereotactic ablative radiotherapy of pancreatic cancer
CN112599216B (zh) 脑肿瘤mri多模态标准化报告输出系统及方法
Baldo et al. Lesion studies
CN112863649B (zh) 玻璃体内肿瘤影像结果输出系统及方法
WO2020205931A1 (en) Method for detecting radiological progression in cancer surveillance
de Carvalho Classification of Dementias Based on Brain Radiomics Features
PANDIAN et al. IMPACT OF ARTIFICIAL INTELLIGENCE IN MEDICAL IMAGING.

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