CN113344922A - 一种自动分割脑微出血点的方法 - Google Patents

一种自动分割脑微出血点的方法 Download PDF

Info

Publication number
CN113344922A
CN113344922A CN202110891515.5A CN202110891515A CN113344922A CN 113344922 A CN113344922 A CN 113344922A CN 202110891515 A CN202110891515 A CN 202110891515A CN 113344922 A CN113344922 A CN 113344922A
Authority
CN
China
Prior art keywords
bleeding
micro
candidate
points
microhemorrhage
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
CN202110891515.5A
Other languages
English (en)
Inventor
边钺岩
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.)
Nanjing Yuexi Medical Technology Co ltd
Original Assignee
Nanjing Yuexi Medical Technology 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 Nanjing Yuexi Medical Technology Co ltd filed Critical Nanjing Yuexi Medical Technology Co ltd
Priority to CN202110891515.5A priority Critical patent/CN113344922A/zh
Publication of CN113344922A publication Critical patent/CN113344922A/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
    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种自动分割脑微出血点的方法，其特征在于，包括如下5个步骤：第一步：数据预处理，包括读取SWI图像和QSM图像；进行脑实质提取，去除脑实质以外的组织；第二步：提取微出血候选框，包括通过自适应阈值，提取候选微出血点；对候选微出血点进行形态学处理；根据体积进行候选微出血点筛选；第三步：候选微出血分类识别，包括归一化微出血点；训练分类网络；将微出血候选框中的数据输入训练好的分类网络，进行分类；对微出血候选框中的微出血体积和个数进行统计。本发明利用SWI与QSM两种图像，有效利用了幅值图像与相位图像的信息。

Description

一种自动分割脑微出血点的方法
技术领域
本发明涉及图像数据处理领域，具体涉及一种自动分割脑微出血点的方法。
背景技术
脑微出血 (Cerebral microbleeds, CMBs)是脑小血管损伤导致的血管局部含铁黄素沉积。CMBs通常在磁敏感加权成像 (susceptibility weighted imaging, SWI)序列上呈现点状、圆或椭圆形低信号影，直径在2-10毫米之间。主要分布于脑干、基底节区、双侧大脑皮层下。
在急性缺血性脑卒中的治疗中，CMBs具有重要的指导价值。研究发现，对于急性脑梗死患者，采用溶栓治疗或抗凝、抗聚集治疗时，有CMBs的患者发生出血转化的概率高于无CMBs的患者。因此明确缺血性脑卒中患者的CMBs情况有助于减小患者治疗后出血的风险。
人工方法视觉检查并统计微出血点数量，耗时长且效率低，存在一致性差异的问题。因此，本发明基于SWI图像特点，利用传统算法和深度学习相结合的方法进行CMBs检测。
现有CN 104414636 B 基于磁共振图像的脑微出血计算机辅助检测系统，提出一种基于磁共振图像中的脑实质区域的纹理特征、脑微出血灶先验分布概率模板和随机森林分类器的脑微出血计算机辅助检测方法。
现有CN 111640095 A 脑微出血的量化方法和计算机可读存储介质，提出了一种将获取的脑部磁共振图像输入脑区分割模型中，得到脑区分割结果；将所述脑部磁共振图像输入脑微出血检测模型中，得到脑微出血区域。根据脑区分割结果和脑微出血区域，确定脑区的微出血量化结果；该微出血量化结果用于表征脑区中微出血点的数量。
这些技术都是使用SWI作为微出血的识别序列，而磁敏感成像中，会同时得到相位图像和幅值图像。SWI主要利用的是其中的幅值图像，因为没有有效利用相位信息，导致一些颅脑内的钙化无法被有效识别，所以上述技术在识别准确性上是存在缺陷的。而QSM可以更多利用相位信息，解决这一问题。
发明内容
本发明提出了一种用SWI与QSM自动识别微出血点的方法，有效利用QSM含有的相位信息，补充SWI中权重较低的相位信息，解决钙化被误识别为微出血的问题。
为实现上述目的，本发明采用了如下技术方案：
一种自动分割脑微出血点的方法，其特征在于，包括如下5个步骤：
第一步：数据预处理，包括读取SWI图像和QSM图像；进行脑实质提取，去除脑实质以外的组织；
第二步：提取微出血候选框，包括通过自适应阈值，提取候选微出血点；对候选微出血点进行形态学处理；根据体积进行候选微出血点筛选；
第三步：候选微出血分类识别，包括归一化微出血点；训练分类网络；将微出血候选框中的数据输入训练好的分类网络，进行分类；对微出血候选框中的微出血体积和个数进行统计。
所述第一步还包括：
S1.1：读取SWI图像和QSM图像；对于已有SWI图像和QSM图像的序列直接进行读取；对于未存在SWI图像和QSM图像的序列，读取磁敏感成像的幅值图像与相位图像，通过通用磁敏感加权计算技术，计算出SWI图像和QSM图像；
S1.2：对SWI图像和QSM图像进行各向同性重采样，使其像素大小为0.5-1毫米。
S1.3：进行脑实质提取，去除脑实质以外的组织；使用分割算法分割脑实质，分割方法包括但不限于主动轮廓方法、深度学习分割网络。
所述第二步还包括：
S2.1：通过自适应阈值，提取SWI图像中的候选微出血点；通过对脑实质中的像素进行最大类间差法得到自适应的阈值，低于阈值并处于脑实质中的像素为候选出血点；
S2.2：对候选微出血点进行形态学处理；对微出血点进行形态学开操作处理，断开粘连，并消除极其微小的噪点；
S2.3：根据体积进行候选微出血点筛选；根据微出血的定义，其直径在2-10毫米之间，由球体积
Figure 321821DEST_PATH_IMAGE001
，
Figure 342867DEST_PATH_IMAGE002
为圆周率，约等于3.14，R为球的半径，可知微出血点的体积范围应该在
Figure 686255DEST_PATH_IMAGE003
-
Figure 501764DEST_PATH_IMAGE004
立方毫米之间。 筛除体积不在
Figure 445449DEST_PATH_IMAGE003
-
Figure 4606DEST_PATH_IMAGE004
立方毫米范围内的候选出血点，剩下的候选出血点为最终候选出血点；
S2.4：计算最终候选出血点的质心，以质心为中心，提取12毫米为边长的立方体为微出血点候选框。
所述第三步还包括：
S3.1：训练分类网络，首先，标记训练数据中的微出血点，并计算每个出血点的质心，以12毫米为边长，提取相应的SWI图像和QSM图像的三维数据，作为正样本；
S3.2：然后以同样大小的选框，随机提取脑实质内非出血点的SWI图像和QSM图像三维数据，作为负样本；将SWI和QSM三维数据正负样本与对应样本标签输入网络框架，训练得出微出血分类网络模型。
S3.3：输入为SWI与QSM图像候选块，其基本结构为：顺序连接的大小为3×3×3的3D卷积核，Batch Norm层和Relu激活函数，连接另一个3×3×3的3D卷积核，Batch Norm层，Relu激活函数，将输入与最后一个Relu激活函数前的输出进行拼接；
S3.4：将微出血候选框中的数据输入训练好的分类网络，进行分类；对微出血候选框中的微出血体积和个数进行统计；统计一共有多少个被分类为微出血的候选框，作为最终的微出血点个数；以被分类为微出血的候选框中心点为种子点，进行区域生长，对得到的区域进行体积换算，得到每个微出血点的体积。
所述微出血分类网络模型整个网络为顺序连接3个基本结构与大小为2×2×2的平均池化层，最终连接1个4096单元的全连接层与1个1024单元的全连接层，其中3个基本结构的区别为卷积层包含卷积核的数量，分别为16、32与64个。
一种自动分割脑微出血点的装置，其特征在于，包括：
模块1，用于数据预处理，包括读取SWI图像和QSM图像；进行脑实质提取，去除脑实质以外的组织；
模块2，用于提取微出血候选框，包括通过自适应阈值，提取候选微出血点；对候选微出血点进行形态学处理；根据体积进行候选微出血点筛选；
模块3，用于候选微出血分类识别，包括归一化微出血点；训练分类网络；将微出血候选框中的数据输入训练好的分类网络，进行分类；对微出血候选框中的微出血体积和个数进行统计。
一种自动分割脑微出血点的存储和处理的装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现自动分割脑微出血点的方法。
所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现自动分割脑微出血点的方法。
与现有技术相比，本发明的有益效果是：
本发明利用SWI与QSM两种图像，有效利用了幅值图像与相位图像的信息；并且由于SWI与QSM图像都是由幅值图像与相位图像通过不同的计算方式生成的，所以存在对应关系，不需要进行配准。本发明将两种图像结合利用的方法，可以有效区分颅脑钙化和微出血点。本发明使用SWI和QSM进行微出血点识别，而不是只是用SWI，充分利用了相位信息；本发明使用了体积筛选微出血点候选点。
附图说明
图1为本发明技术方案总体实现框架图；
图2为本发明微出血分类网络模型架构图。
具体实施方式
下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示，一种自动分割脑微出血点的方法，其特征在于，包括如下5个步骤：
第一步：数据预处理，包括读取SWI图像和QSM图像；进行脑实质提取，去除脑实质以外的组织；
第二步：提取微出血候选框，包括通过自适应阈值，提取候选微出血点；对候选微出血点进行形态学处理；根据体积进行候选微出血点筛选；
第三步：候选微出血分类识别，包括归一化微出血点；训练分类网络；将微出血候选框中的数据输入训练好的分类网络，进行分类；对微出血候选框中的微出血体积和个数进行统计。
所述第一步还包括：
S1.1：读取SWI图像和QSM图像；对于已有SWI图像和QSM图像的序列直接进行读取；对于未存在SWI图像和QSM图像的序列，读取磁敏感成像的幅值图像与相位图像，通过通用磁敏感加权计算技术，计算出SWI图像和QSM图像；
S1.2：对SWI图像和QSM图像进行各向同性重采样，使其像素大小为0.5-1毫米。
S1.3：进行脑实质提取，去除脑实质以外的组织；使用分割算法分割脑实质，分割方法包括但不限于主动轮廓方法、深度学习分割网络。
所述第二步还包括：
S2.1：通过自适应阈值，提取SWI图像中的候选微出血点；通过对脑实质中的像素进行最大类间差法得到自适应的阈值，低于阈值并处于脑实质中的像素为候选出血点；
S2.2：对候选微出血点进行形态学处理；对微出血点进行形态学开操作处理，断开粘连，并消除极其微小的噪点；
S2.3：根据体积进行候选微出血点筛选；根据微出血的定义，其直径在2-10毫米之间，由球体积
Figure 252702DEST_PATH_IMAGE001
，
Figure 973534DEST_PATH_IMAGE002
为圆周率，约等于3.14，R为球的半径，可知微出血点的体积范围应该在
Figure 404515DEST_PATH_IMAGE003
-
Figure 501784DEST_PATH_IMAGE004
立方毫米之间。 筛除体积不在
Figure 85343DEST_PATH_IMAGE003
-
Figure 977076DEST_PATH_IMAGE004
立方毫米范围内的候选出血点，剩下的候选出血点为最终候选出血点；
S2.4：计算最终候选出血点的质心，以质心为中心，提取12毫米为边长的立方体为微出血点候选框。
所述第三步还包括：
S3.1：训练分类网络，首先，标记训练数据中的微出血点，并计算每个出血点的质心，以12毫米为边长，提取相应的SWI图像和QSM图像的三维数据，作为正样本；
S3.2：然后以同样大小的选框，随机提取脑实质内非出血点的SWI图像和QSM图像三维数据，作为负样本；将SWI和QSM三维数据正负样本与对应样本标签输入网络框架，训练得出微出血分类网络模型，其网络框架如图2所示。
S3.3：输入为SWI与QSM图像候选块，其基本结构为：顺序连接的大小为3×3×3的3D卷积核，Batch Norm层和Relu激活函数，连接另一个3×3×3的3D卷积核，Batch Norm层，Relu激活函数，将输入与最后一个Relu激活函数前的输出进行拼接；
S3.4：将微出血候选框中的数据输入训练好的分类网络，进行分类；对微出血候选框中的微出血体积和个数进行统计；统计一共有多少个被分类为微出血的候选框，作为最终的微出血点个数；以被分类为微出血的候选框中心点为种子点，进行区域生长，对得到的区域进行体积换算，得到每个微出血点的体积。
所述微出血分类网络模型整个网络为顺序连接3个基本结构与大小为2×2×2的平均池化层，最终连接1个4096单元的全连接层与1个1024单元的全连接层，其中3个基本结构的区别为卷积层包含卷积核的数量，分别为16、32与64个。
一种自动分割脑微出血点的装置，其特征在于：包括：
模块1，用于数据预处理，包括读取SWI图像和QSM图像；进行脑实质提取，去除脑实质以外的组织；
模块2，用于提取微出血候选框，包括通过自适应阈值，提取候选微出血点；对候选微出血点进行形态学处理；根据体积进行候选微出血点筛选；
模块3，用于候选微出血分类识别，包括归一化微出血点；训练分类网络；将微出血候选框中的数据输入训练好的分类网络，进行分类；对微出血候选框中的微出血体积和个数进行统计。
一种自动分割脑微出血点的存储和处理的装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现自动分割脑微出血点的方法。
所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现自动分割脑微出血点的方法。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为发明的优选例，并不用来限制本发明，在不脱离本发明新型精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种自动分割脑微出血点的方法，其特征在于，包括如下5个步骤：第一步：数据预处理，包括读取SWI图像和QSM图像；进行脑实质提取，去除脑实质以外的组织；第二步：提取微出血候选框，包括通过自适应阈值，提取候选微出血点；对候选微出血点进行形态学处理；根据体积进行候选微出血点筛选；第三步：候选微出血分类识别，包括归一化微出血点；训练分类网络；将微出血候选框中的数据输入训练好的分类网络，进行分类；对微出血候选框中的微出血体积和个数进行统计；所述第一步还包括：
S1.1：读取SWI图像和QSM图像；对于已有SWI图像和QSM图像的序列直接进行读取；对于未存在SWI图像和QSM图像的序列，读取磁敏感成像的幅值图像与相位图像，通过通用磁敏感加权计算技术，计算出SWI图像和QSM图像；
S1.2：对SWI图像和QSM图像进行各向同性重采样，使其像素大小为0.5-1毫米；
S1.3：进行脑实质提取，去除脑实质以外的组织；使用分割算法分割脑实质，分割方法包括但不限于主动轮廓方法、深度学习分割网络；所述第二步还包括：
S2.1：通过自适应阈值，提取SWI图像中的候选微出血点；通过对脑实质中的像素进行最大类间差法得到自适应的阈值，低于阈值并处于脑实质中的像素为候选出血点；
S2.2：对候选微出血点进行形态学处理；对微出血点进行形态学开操作处理，断开粘连，并消除极其微小的噪点；
S2.3：根据体积进行候选微出血点筛选；根据微出血的定义，其直径在2-10毫米之间，由球体积
Figure 651377DEST_PATH_IMAGE001
，
Figure 443753DEST_PATH_IMAGE002
为圆周率，约等于3.14，R为球的半径，可知微出血点的体积范围应该在
Figure 768424DEST_PATH_IMAGE003
-
Figure 89684DEST_PATH_IMAGE004
立方毫米之间； 筛除体积不在
Figure 968647DEST_PATH_IMAGE003
-
Figure 299134DEST_PATH_IMAGE004
立方毫米范围内的候选出血点，剩下的候选出血点为最终候选出血点；
S2.4：计算最终候选出血点的质心，以质心为中心，提取12毫米为边长的立方体为微出血点候选框。
2.根据权利要求1所述的自动分割脑微出血点的方法，其特征在于：所述第三步还包括：
S3.1：训练分类网络，首先，标记训练数据中的微出血点，并计算每个出血点的质心，a以12毫米为边长，提取相应的SWI图像和QSM图像的三维数据，作为正样本；
S3.2：然后以同样大小的选框，随机提取脑实质内非出血点的SWI图像和QSM图像三维数据，作为负样本；将SWI和QSM三维数据正负样本与对应样本标签输入网络框架，训练得出微出血分类网络模型；
S3.3：输入为SWI与QSM图像候选块，其基本结构为：顺序连接的大小为3×3×3的3D卷积核，Batch Norm层和Relu激活函数，连接另一个3×3×3的3D卷积核，Batch Norm层，Relu激活函数，将输入与最后一个Relu激活函数前的输出进行拼接；
S3.4：将微出血候选框中的数据输入训练好的分类网络，进行分类；对微出血候选框中的微出血体积和个数进行统计；统计一共有多少个被分类为微出血的候选框，作为最终的微出血点个数；以被分类为微出血的候选框中心点为种子点，进行区域生长，对得到的区域进行体积换算，得到每个微出血点的体积。
3.根据权利要求2所述的自动分割脑微出血点的方法，其特征在于：所述微出血分类网络模型整个网络为顺序连接3个基本结构与大小为2×2×2的平均池化层，最终连接1个4096单元的全连接层与1个1024单元的全连接层，其中3个基本结构的区别为卷积层包含卷积核的数量，分别为16、32与64个。
4.一种自动分割脑微出血点的存储和处理的装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1-3所述的自动分割脑微出血点的方法。
5.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-3所述的自动分割脑微出血点的方法。
6.一种自动分割脑微出血点的装置，其特征在于，包括：
模块1，用于数据预处理，包括读取SWI图像和QSM图像；进行脑实质提取，去除脑实质以外的组织；
模块2，用于提取微出血候选框，包括通过自适应阈值，提取候选微出血点；对候选微出血点进行形态学处理；根据体积进行候选微出血点筛选；
模块3，用于候选微出血分类识别，包括归一化微出血点；训练分类网络；将微出血候选框中的数据输入训练好的分类网络，进行分类；对微出血候选框中的微出血体积和个数进行统计。
CN202110891515.5A 2021-08-04 2021-08-04 一种自动分割脑微出血点的方法 Pending CN113344922A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110891515.5A CN113344922A (zh) 2021-08-04 2021-08-04 一种自动分割脑微出血点的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110891515.5A CN113344922A (zh) 2021-08-04 2021-08-04 一种自动分割脑微出血点的方法

Publications (1)

Publication Number Publication Date
CN113344922A true CN113344922A (zh) 2021-09-03

Family

ID=77480620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110891515.5A Pending CN113344922A (zh) 2021-08-04 2021-08-04 一种自动分割脑微出血点的方法

Country Status (1)

Country Link
CN (1) CN113344922A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071350A (zh) * 2023-03-06 2023-05-05 同心智医科技(北京)有限公司 基于深度学习的大脑微出血识别方法、装置及存储介质
CN116245951A (zh) * 2023-05-12 2023-06-09 南昌大学第二附属医院 脑组织出血定位分类和出血量化方法、设备、介质和程序

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110044524A1 (en) * 2008-04-28 2011-02-24 Cornell University Tool for accurate quantification in molecular mri
CN104414636A (zh) * 2013-08-23 2015-03-18 北京大学 基于磁共振图像的脑微出血计算机辅助检测系统
CN108898583A (zh) * 2018-06-12 2018-11-27 沈阳东软医疗系统有限公司 微出血点的检测方法及装置
CN109190690A (zh) * 2018-08-17 2019-01-11 东北大学 基于机器学习的swi图像的脑微出血点检测识别方法
CN111640095A (zh) * 2020-05-22 2020-09-08 上海联影智能医疗科技有限公司 脑微出血的量化方法和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110044524A1 (en) * 2008-04-28 2011-02-24 Cornell University Tool for accurate quantification in molecular mri
CN104414636A (zh) * 2013-08-23 2015-03-18 北京大学 基于磁共振图像的脑微出血计算机辅助检测系统
CN108898583A (zh) * 2018-06-12 2018-11-27 沈阳东软医疗系统有限公司 微出血点的检测方法及装置
CN109190690A (zh) * 2018-08-17 2019-01-11 东北大学 基于机器学习的swi图像的脑微出血点检测识别方法
CN111640095A (zh) * 2020-05-22 2020-09-08 上海联影智能医疗科技有限公司 脑微出血的量化方法和计算机可读存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HAO C.等: "Automatic detection of cerebral microbleeds via deep learning based 3D feature representation", 《2015 IEEE 12TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI)》 *
QI D.等: "Automatic Detection of Cerebral Microbleeds From MR Images via 3D Convolutional Neural Networks", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
张弘 等: "《数字图像处理与分析》", 31 December 2019, 北京：机械工业出版社 *
方圆圆: "《人脸识别与美颜算法实战 基于Python、机器学习与深度学》", 30 April 2020, 北京：机械工业出版社 *
杨立新 等: "基本图像变换与操作", 《现代情报技术与应用》 *
韦增才 等: "磁共振敏感加权成像在脑外伤中的应用", 《影像研究与医学应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071350A (zh) * 2023-03-06 2023-05-05 同心智医科技(北京)有限公司 基于深度学习的大脑微出血识别方法、装置及存储介质
CN116071350B (zh) * 2023-03-06 2023-07-04 同心智医科技(北京)有限公司 基于深度学习的大脑微出血识别方法、装置及存储介质
CN116245951A (zh) * 2023-05-12 2023-06-09 南昌大学第二附属医院 脑组织出血定位分类和出血量化方法、设备、介质和程序
CN116245951B (zh) * 2023-05-12 2023-08-29 南昌大学第二附属医院 脑组织出血定位分类和出血量化方法、设备、介质和程序

Similar Documents

Publication Publication Date Title
CN109190690B (zh) 基于机器学习的swi图像的脑微出血点检测识别方法
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
CN106296653B (zh) 基于半监督学习的脑部ct图像出血区域分割方法及系统
Ahirwar Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI
Zhu et al. Detection of the optic disc in images of the retina using the Hough transform
CN109389585B (zh) 一种基于全卷积神经网络的脑组织提取方法
Yu et al. Hybrid dermoscopy image classification framework based on deep convolutional neural network and Fisher vector
RU2654199C1 (ru) Сегментация тканей человека на компьютерном изображении
CN113344922A (zh) 一种自动分割脑微出血点的方法
CN112150477B (zh) 脑影像动脉全自动分割方法及装置
Hermawati et al. Combination of aggregated channel features (ACF) detector and faster R-CNN to improve object detection performance in fetal ultrasound images
Paul et al. RETRACTED ARTICLE: Computer aided diagnosis of brain tumor using novel classification techniques
CN112991363A (zh) 脑肿瘤图像分割方法、装置、电子设备及存储介质
CN109191422B (zh) 基于常规ct图像的缺血性脑卒中早期检测系统和方法
CN110232390A (zh) 一种变化光照下图像特征提取方法
CN113380401A (zh) 基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质
CN112419282A (zh) 脑部医学影像中动脉瘤的自动检测方法及系统
Patel et al. Medical image enhancement using histogram processing and feature extraction for cancer classification
Mehmood et al. A non-uniform quantization scheme for visualization of CT images
CN116958705A (zh) 基于图神经网络的医学影像归类系统
Guo et al. Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation
Sharma et al. Review paper on brain tumor detection using pattern recognition techniques
CN113269756A (zh) 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置
Dachraoui et al. Computerized image segmentation of multiple sclerosis lesions using fuzzy level set model
Vidhya et al. YOLOv5s-CAM: A deep learning model for automated detection and classification for types of intracranial hematoma in CT images

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