CN113768528A - 一种ct影像脑出血辅助定位系统 - Google Patents

一种ct影像脑出血辅助定位系统 Download PDF

Info

Publication number
CN113768528A
CN113768528A CN202111129682.2A CN202111129682A CN113768528A CN 113768528 A CN113768528 A CN 113768528A CN 202111129682 A CN202111129682 A CN 202111129682A CN 113768528 A CN113768528 A CN 113768528A
Authority
CN
China
Prior art keywords
image
images
fault
brain
sequence
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
CN202111129682.2A
Other languages
English (en)
Inventor
骆汉宾
张佳乐
谭毅华
闫培
郑自鹏
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202111129682.2A priority Critical patent/CN113768528A/zh
Publication of CN113768528A publication Critical patent/CN113768528A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the 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
    • G06T2207/10—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开一种CT影像脑出血辅助定位系统，属于图像定位领域。包括：数据获取模块，用于获取多张原始CT图像，标记出CT图像所属颅脑断层，得到训练集；训练模块，用于利用训练集对CT断层分类网络进行训练；第一定位模块，用于获取待定位个体的全部CT图像，输入至训练好的CT断层分类网络，得到颅脑断层预测类别，按序表示为CT图像的颅脑断层分类序列；第三定位模块，用于利用脑区划分映射图对CT图像的断层分类序列中的每一层进行层内脑区划分，将发生脑出血所在的脑区部位输出，实现出血区域定位。本发明利用残差神经网络搭建CT断层分类模型，通过映射关系对层内脑区划分，从而对脑出血区域进行大致定位，起到辅助诊断作用，将CT报告等待时间缩短。

Description

一种CT影像脑出血辅助定位系统
技术领域
本发明属于医学图像定位技术领域，更具体地，涉及一种CT影像脑出血辅助定位系统。
背景技术
脑出血是一种原发性非外伤性脑实质出血，根据出血部分可将脑出血分为基底节出血、丘脑出血、脑叶出血、脑干出血、小脑出血和脑室出血等7类。不同部位的脑出血所采取的治疗手段不同。由于出血压力高的部位向压力低的部位流动会导致脑出血扩散，在一定程度上会影响脑部相关区域的正常运行。需尽快采取有效的措施，如应用脱水器等防止脑水肿，必要时进行外科手术清除血肿治疗。目前临床上多采用CT来筛查脑出血，其具有无创新、高密度分辨力、可利用造影剂增强扫描等优点，从而提高组织关系清晰的图像。但CT对于软组织的分辨率较差，患者等待CT报告的时间较长，并不适用于脑出血相关的急性病。同时，除特殊情况(如急诊)要求外，常规CT报告中并不包含对脑出血出血量的计算，需临床医生利用多田公式粗略计算。
随着机器学习技术在医学图像处理领域的发展，不同的研究者们利用该技术建立不同疾病的图像辅助分析工具，利用计算机强大的运算能力来对图像进行深度分析，辅助医生从图像中快速获取知识。上海联影智能医疗科技有限公司提出一种脑出血分析方法，其主要思想为：将待分析图像输入卷积神经网络进行特征提取，将特征图输入至感兴趣区域提取网络，得到包含出血区域的检测框，将检测框特征图输入分类网络和检测框回归网络，分别得到出血区的分类结果和出血区的位置。
然而，该方法存在以下缺点：该方法未能考虑到不同的颅脑断层对出血区域的区别；该方法得到的出血区只有检测框，并没有得到像素级的出血形状；出血量的大小对患者的病情有着至关重要的影响，但该方法未能计算出出血量的结果。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种CT影像脑出血辅助定位系统，其目的在于利用深度残差神经网络搭建颅脑CT断层分类的模型，再通过映射关系对层内的脑区进行划分，从而对脑出血的区域进行大致的定位，起到辅助诊断的作用，可将CT报告等待时间“缩短”至20分钟内，同时增加了CT报告上不涉及的格外信息(如出血量的精确计算值)，有助于提高脑出血患者的CT图像诊疗效率。
为实现上述目的，按照本发明的一个方面，提供了一种CT影像脑出血辅助定位系统，该系统包括：
数据获取模块，用于获取多张原始CT图像，并标记出每张CT图像所属的颅脑断层，得到训练集；
训练模块，用于利用所述训练集对颅脑CT断层分类网络进行训练；
第一定位模块，用于获取待定位个体的全部CT图像，输入至训练好的颅脑CT断层分类网络，得到每张CT图像所属的颅脑断层预测类别，按序表示为CT图像的颅脑断层分类序列；
第三定位模块，用于利用CT图谱的颅脑断层内的脑区划分映射图，对CT图像的颅脑断层分类序列中的每一层进行层内脑区划分，并将发生脑出血所在的脑区部位输出，实现出血区域的定位。
优选地，该系统还包括：
训练分类网络的预处理模块，用于对所述多张原始的脑部CT图像分别进行图像增强，采用的图像增强方法包括：灰度值在0.8-0.85范围内的随机抖动、0.5-0.9范围内的对比度抖动、添加随机高斯噪声、泊松噪声、椒盐噪声，及随机亮斑叠加。
有益效果：本发明通过对脑部CT图像进行灰度值在0.8-0.85范围内的随机抖动和0.5-0.9范围内的对比度抖动，使得脑部CT图像的灰度值范围与真实情况更为吻合，从而确保残差分类网络模型的预测效果；本发明通过对脑部CT图像进行模拟实际情况所添加的随机高斯噪声、泊松噪声、椒盐噪声，从而模拟图像在拍摄过程中由于各种环境因素所产生的随机噪声；本发明通过对脑部CT图像进行随机亮斑叠加，从而模拟CT图像拍摄中由于CT片子反光所导致高光情况。
优选地，所述训练模块采用残差网络作为分类网络结构，使用交叉熵损失作为损失函数，使用Adam作为优化算法。
有益效果：本发明利用残差网络实现对颅脑断层的粗分类，一方面由于残差模块中的跳层连接方式使得梯度信息可以在多个神经网络层之间有效传播，缓解了深度神经网络中增加深度带来的梯度消失的问题；另一方面，由于跳层连接可以解决网络深度带来的梯度消失问题，因此可以通过增加相当的深度来提高准确率。
优选地，所述第一定位模块参考CT图谱，将颅脑CT断层分类类别设为12类，每一张CT的分类输出结果为12类断层中的一类。
有益效果：根据《CT与MRI断层解剖学图谱》中关于颅脑CT断层的分类，按序将颅脑CT分为12个断层，对分类网络而言即表示为12个输出类型；12类断层足以清晰地表示不同断层之间的区别，同时不会因类别数量过多而降低分类准确率。
优选地，该系统还包括：
第二定位模块，用于根据真实颅脑断层序列的特征，对所述颅脑断层分类序列依次进行：
1)序列去噪，去除分类置信度低于阈值的噪点；
2)序列递增化，对分类序列进行非严格递增化处理，使得整个序列的单调性呈现出非严格递增的趋势；
3)序列连续化，若序列前后元素序列号之差为2，通过序列调整，使其逐渐退化为序列前后元素序列号之差小于2。
有益效果：本发明经过以上序列去噪、序列递增化、序列连续化操作之后，得到的分类序列将满足限制条件a，b，优化后的分类序列更具有实际意义。
由于利用真实序列的限制条件及CT图像的先验信息，具体为，a.序列非严格递增性,即颅脑断层的分类序列可容许为非严格递增；b.序列连续性，即根据实际情况，实际的CT图像应具有类似断层模板一样的连续性，在序列中的表现为后一元素减去当前元素的值不能大于1；c.分类的置信度，分类结果应一并输出分类的当前层和相邻层的三个置信度，用于后续进行优化分类序列。从而优化了粗分类序列的顺序和排列方式，尽可能降低了分类网络错分对定位结果产生的影响，使得优化序列满足实际的空间上的排序，更接近真实的颅脑CT断层分类结果。
优选地，所述第三定位模块，层内脑区划分，参考CT图谱将划分为8种脑区，包括：额叶、顶叶、枕叶、颞叶、小脑、中脑、脑桥和延髓。
有益效果：在定位到颅脑断层之后，对于每一个断层，需要对分类后的图像进行脑区划分。利用匹配的方法找到颅骨区域的中心线，修正中心线的倾斜角，将其处于竖直的状态。经过以上的对齐操作之后，将CT图像的每个像素位置进行划分，即可在分类后的断层CT图像上得到不同的脑区划分域。当分割网络将脑出血区域分割出来之后，可以得到分割区域的像素坐标范围，将这个像素坐标范围对应到脑区划分域中，便可以输出脑出血所发生的脑区信息。
优选地，该系统还包括：
出血量预估模块，用于获取CT图像内每个像素对应的实际面积Spixel、颅脑CT图像相邻切片间的固定间距h；对于分割后的颅脑CT图像，先计算第i张图像中检测出的病灶区域所包含的像素个数ni，通过像素个数求出实际面积的大小Si＝Spixel×ni；将相邻图片内的出血形状视为“台柱”，利用图像的出血量面积计算相邻CT切片间的出血体积
Figure BDA0003280068540000051
最终将所有出血体积相加，得到该病人的出血量
Figure BDA0003280068540000052
其中，k表示一个患者全部CT图像的数量。
有益效果：目前临床医生使用多田公式对患者脑出血量进行大致计算，结果往往与实际情况相差较大。但放射科计算脑出血效率低，且非必要不计算。本发明通过上述步骤，将相邻层间的出血量转化为固定高度的“台柱”体积，利用“台柱”体积计算公式求得出血量。由于对每张二值图像只需要进行一次遍历求像素数的过程，而且计算的精度在像素级别上，因此可快速实现脑出血量的计算，计算精度与放射科精度接近。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
针对目前医院CT报告等待时间较长(2h)问题，本发明通过残差分类网络实现颅脑CT断层分类，在此基础上对分类序列进行优化，最后在优化序列的每一层实现层内脑区定位等功能；由于卷积神经网络在图像识别上的速度和精度优势，分类网络对一张CT图像(尺寸为512*512像素)的处理时间约为1秒，因此仅在网络模型的推理过程中，对一个患者的全部CT图像的诊断时间在1分钟以内，加上对病人CT图像的拍摄采集时间，程序的输入、输出时间等，可将患者拿到CT片子后就诊时长缩短为10分钟以内，且定位精度与放射科判断精度较为一致。
附图说明
图1为本发明提供的提供了一种CT影像脑出血辅助诊断定位系统的使用过程示意图。
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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种CT影像脑出血辅助诊断定位系统，利用深度残差神经网络搭建颅脑CT断层分类模型，再通过映射关系对层内的脑区进行划分，从而对脑出血的区域进行大致的定位，起到辅助诊断的作用。医生在诊断脑出血患者的过程中，可利用手机或桌面端软件导入CT图像，通过训练好的神经网络模型和脑区划分模型实现出血病灶脑区定位等功能，从而帮助医生快速深入了解患者脑出血细节，提高诊断水平。同时，手机或桌面端软件所具备的随时可操作性等有点可有效弥补CT报告等待时间长、CT信息解读滞后等问题。
本发明提供了一种CT影像脑出血辅助诊断定位系统，其包括：
数据获取模块，用于获取多张原始CT图像，并标记出CT图像所属的颅脑断层。
图像预处理模块：为了提升网络模型在测试过程中的速度，在使用阶段，需要对二次拍摄的CT图像进行预处理，包括：图像中心裁剪、图像压缩、图像灰度化等。
图像增强模块：为了增加颅脑CT断层分类模型中训练集的大小并增强模型在实际应用中的泛化能力，在训练阶段对训练集的原始CT图像需要进行必要的数据增强，采用的数据增强方法包括：包括：灰度值在0.8-0.85范围内的随机抖动、0.5-0.9范围内的对比度抖动(模拟拍摄中可能会产生的抖动模糊)、添加随机高斯噪声、泊松噪声、椒盐噪声(模拟拍摄中的噪声干扰)，及随机亮斑叠加(用于模拟拍摄中的反光)。
该模型主要由颅脑CT断层粗分类模型(利用残差网络搭建)、颅脑CT断层分类序列优化、断层内分区模块三部分构成。
采用的分类网络结构为残差网络，具体为ResNeXt101，相比于ResNet，该网络在医学图像的分割问题上有显著的效果，预测效果有更大的提升。
该网络由一系列残差块构成，单个残差块可以表示为：xl+1＝xl+F(xl,Wl)。残差块分成两部分：直接映射部分xl和残差部分F(xl,Wl)，残差部分一般由两个或者三个卷积操作构成；损失反向传递：损失函数为交叉熵损失，计算预测类别向量与标记类别之间的损失，并将损失反向传播用于更新网络权重参数。使用Adam作为优化算法，Batch_size设置为2，学习率设置为0.001。网络输出：对于单张CT图像，输出为预测类别；对于一个病人的CT图像序列，输出为分类序列。
模型训练模块：定义颅脑CT断层粗分类模型采用近路连接，通过反向传播进行端到端学习和随机梯度下降训练。
第一定位模块，用于获取待定位个体的全部CT图像，输入至训练好的颅脑CT断层分类网络，得到每张CT图像所属的颅脑断层预测类别，按序表示为CT图像的颅脑断层分类序列；
进一步地，所述颅脑CT断层粗分类利用深度残差神经网络对患者CT图像集进行分类，分类为按序的标准模板的12类断层图像，即获得粗分类结果。
第二定位模块，用于根据真实颅脑断层序列的特征，对所述颅脑断层分类序列依次进行：
1)序列去噪，去除分类置信度低于阈值的噪点；
2)序列递增化，对分类序列进行非严格递增化处理，使得整个序列的单调性呈现出非严格递增的趋势；
3)序列连续化，若序列前后元素序列号之差为2，通过序列调整，使其逐渐退化为序列前后元素序列号之差小于2。
颅脑CT断层分类序列优化这一步的主要目的是利用一些先验信息(网络分类结果的置信度)和限制条件，在图像级别的粗分类基础上对分类的序列进行优化，从而解决相邻颅脑CT断层图像之间差距过小和不同人的颅脑CT图像之间差异过大的问题。
第三定位模块，用于对CT图像的颅脑断层分类序列中的每一层进行层内脑区划分处理，利用CT图谱的颅脑断层内的脑区划分映射图对每一层CT图像进行脑区划分，并将发生脑出血所在的脑区部位输出，实现出血区域的定位。
断层内分区模块对优化后的轮CT断层分类序列进行层内的区域划分：将分类后的图像和对应的模板进行匹配，将分割后的脑出血区域定位至划分结果的某个或某几个脑区，得到具有定位信息的诊断结果。
参考CT图谱将划分为8种脑区，包括：额叶、顶叶、枕叶、颞叶、小脑、中脑、脑桥和延髓。
CT影像脑出血辅助诊断系统进一步设置为：诊室医生手机端或桌面端，设封装好的辅助诊断程序。所述手机端系统形式可以为微信小程序。
手机端或桌面端作为医疗智能诊断服务的前端交互部分，负责与用户形成界面交互，收集模型服务所需的输入信息，如：病人基本的信息，病人的CT影像资料，以及既往病史，病人的主诉文本，提交给医疗智能诊断服务，经过后端服务处理，转化为能够最终被医疗智能诊断模型所使用的输入参数，并随即启动模型的推断动作，生成模型输出结果，再返回此结果给小程序前端界面展示给用户。
该系统还包括：
文本信息输入模块，支持手动选择或填写病人临床信息、主诉等信息。
图像输入模块，支持应由医生在良好光照条件下对CT图像进行稳定且精度较高的拍摄或者直接导入患者CT图像桌面文件，将其传输至目标检测模块。
目标检测模块进行分割定位处理，然后将检测出多张CT图像的定位结果导入诊断分析模块。其包含的疾病特征信息来自于单个患者不同时期(如有)的CT图像集。
诊断分析模块根据同一患者不同时期的CT图像所包括的定位信息(如有)输出患者本次出血定位信息、是/否发生扩散等结论，将上述辅助诊断信息返回手机端或桌面端，并由显示模块将上述所有结论显示在手机端。其影像数据库是由多位专业神经外科医生进行知识输入后结构化形成。
出血量预估模块，用于获取CT图像内每个像素对应的实际面积Spixel、颅脑CT图像相邻切片间的固定间距h(这两个为先验知识)；对于分割后的颅脑CT图像，先计算第i张图像中检测出的病灶区域所包含的像素个数ni，通过像素个数求出实际面积的大小Si＝Spixel×ni；将相邻图片内的出血形状视为“台柱”，利用图像的出血量面积计算相邻CT切片间的出血体积
Figure BDA0003280068540000091
最终将所有出血体积相加，得到该病人的出血量
Figure BDA0003280068540000092
医生手机端或桌面端启动该小程序进行脑出血CT图像信息检测，导入多张患者CT图像；CT图像预处理完成，消除CT图像数据中的冗余信息，并将图像尺寸压缩和中心裁剪和训练模型时输入图片大小一致的尺寸后进行灰度化和图像增强。手机端或桌面端启动后根据交互输入患者基础信息、临床资料及主诉等的内容，根据设计好的模型输出患者脑出血病灶位置、是/否出现出血扩散等信息。
界面应包含可输入或选择患者个人信息、病史资料及主诉内容版块；界面还应包含可直接拍摄或从本地文件调取患者CT图像版块。
根据小程序页面交互式的区域选择，可手动放大脑部CT不同出血病灶位置进行进一步观察。
如图1所示，本发明所述一种CT影像脑出血辅助诊断系统的使用过程包括：CT图像拍摄及输入、CT图像处理、文本信息输入、核心模块训练及应用、诊断结论输出过程。以脑部基底节出血患者诊疗为例，CT图像拍摄及输入、CT图像处理、文本信息输入、核心模块训练及应用、诊断结论输出的过程为：
首先，利用微信小程序窗口拍摄CT图像原图，并进行初步处理，主要包括：图像中心裁剪、图像压缩、图像灰度化等。
接下来，将以上预处理之后的图像放入训练好的深度残差网络中，实现断层分类：利用深度残差网络对患者CT图像集进行分类，分类为按序排列的12类断层图像，获得颅脑CT断层粗分类序列。
下一步，为了实现更加合理的断层分类序列，在粗分类序列的基础上，借助先验信息和限制条件，需要对分类序列进行优化，从而解决相邻颅脑CT断层图像之间差距过小和不同人的颅脑CT图像之间差异过大的问题。处理过程分别为：序列去噪、序列非严格递增化、序列连续化。
最后，对优化后的颅脑断层分类序列进行层内脑区划分处理，利用CT图谱的颅脑断层内的脑区划分映射图对每一层CT图像进行脑区划分；并将发生脑出血所在的脑区部位输出，实现出血区域的定位功能，得到具有定位信息的诊断结果。
在系统中神经网络模型的构建过程中，特别是CT图像标注时，可以实时进行人工干预，具体为邀请专家医生参与共同完成所属工作，提高模型的正确率和指导价值。在实际应用中，本发明可以同时对脑出血这一疾病进行深层次的信息挖掘，形成更加完善的诊断结论，使得医生可在短时间内获得CT图像的全部医疗信息。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种CT影像脑出血辅助定位系统，其特征在于，该系统包括：
数据获取模块，用于获取多张原始CT图像，并标记出每张CT图像所属的颅脑断层，得到训练集；
训练模块，用于利用所述训练集对颅脑CT断层分类网络进行训练；
第一定位模块，用于获取待定位个体的全部CT图像，输入至训练好的颅脑CT断层分类网络，得到每张CT图像所属的颅脑断层预测类别，按序表示为CT图像的颅脑断层分类序列；
第三定位模块，用于利用CT图谱的颅脑断层内的脑区划分映射图，对CT图像的颅脑断层分类序列中的每一层进行层内脑区划分，并将发生脑出血所在的脑区部位输出，实现出血区域的定位。
2.根据权利要求1所述的系统，其特征在于，该系统还包括：
训练分类网络的预处理模块，用于对所述多张原始的脑部CT图像分别进行图像增强，采用的图像增强方法包括：灰度值在0.8-0.85范围内的随机抖动、0.5-0.9范围内的对比度抖动、添加随机高斯噪声、泊松噪声、椒盐噪声，及随机亮斑叠加。
3.根据权利要求1所述的系统，其特征在于，所述训练模块采用残差网络作为分类网络结构，使用交叉熵损失作为损失函数，使用Adam作为优化算法。
4.根据权利要求1所述的系统，其特征在于，所述第一定位模块参考CT图谱，将颅脑CT断层分类类别设为12类，每一张CT的分类输出结果为12类断层中的一类。
5.根据权利要求1所述的系统，其特征在于，该系统还包括：
第二定位模块，用于根据真实颅脑断层序列的特征，对所述颅脑断层分类序列依次进行：
1)序列去噪，去除分类置信度低于阈值的噪点；
2)序列递增化，对分类序列进行非严格递增化处理，使得整个序列的单调性呈现出非严格递增的趋势；
3)序列连续化，若序列前后元素序列号之差为2，通过序列调整，使其逐渐退化为序列前后元素序列号之差小于2。
6.如权利要求1所述的系统，其特征在于，所述第三定位模块，层内脑区划分，参考CT图谱将划分为8种脑区，包括：额叶、顶叶、枕叶、颞叶、小脑、中脑、脑桥和延髓。
7.如权利要求1至6任一项所述的系统，其特征在于，该系统还包括：
出血量预估模块，用于获取CT图像内每个像素对应的实际面积Spixel、颅脑CT图像相邻切片间的固定间距h；对于分割后的颅脑CT图像，先计算第i张图像中检测出的病灶区域所包含的像素个数ni，通过像素个数求出实际面积的大小Si＝Spixel×ni；将相邻图片内的出血形状视为“台柱”，利用图像的出血量面积计算相邻CT切片间的出血体积
Figure FDA0003280068530000021
最终将所有出血体积相加，得到该病人的出血量
Figure FDA0003280068530000022
其中，k表示一个患者全部CT图像的数量。
CN202111129682.2A 2021-09-26 2021-09-26 一种ct影像脑出血辅助定位系统 Pending CN113768528A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111129682.2A CN113768528A (zh) 2021-09-26 2021-09-26 一种ct影像脑出血辅助定位系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111129682.2A CN113768528A (zh) 2021-09-26 2021-09-26 一种ct影像脑出血辅助定位系统

Publications (1)

Publication Number Publication Date
CN113768528A true CN113768528A (zh) 2021-12-10

Family

ID=78853535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111129682.2A Pending CN113768528A (zh) 2021-09-26 2021-09-26 一种ct影像脑出血辅助定位系统

Country Status (1)

Country Link
CN (1) CN113768528A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549532A (zh) * 2022-04-27 2022-05-27 珠海市人民医院 一种基于医学图像处理的脑缺血辅助分析方法及系统
CN115187600A (zh) * 2022-09-13 2022-10-14 杭州涿溪脑与智能研究所 一种基于神经网络的脑部出血体积计算方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003299A (zh) * 2018-07-05 2018-12-14 北京推想科技有限公司 一种基于深度学习的计算脑出血量的方法
CN110827236A (zh) * 2019-09-25 2020-02-21 平安科技（深圳）有限公司 基于神经网络的脑组织分层方法、装置、计算机设备
CN111539956A (zh) * 2020-07-07 2020-08-14 南京安科医疗科技有限公司 基于脑部辅助图像的脑出血自动检测方法及电子介质
CN111832644A (zh) * 2020-07-08 2020-10-27 北京工业大学 一种基于序列级别的脑部医疗影像报告生成方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003299A (zh) * 2018-07-05 2018-12-14 北京推想科技有限公司 一种基于深度学习的计算脑出血量的方法
CN110827236A (zh) * 2019-09-25 2020-02-21 平安科技（深圳）有限公司 基于神经网络的脑组织分层方法、装置、计算机设备
CN111539956A (zh) * 2020-07-07 2020-08-14 南京安科医疗科技有限公司 基于脑部辅助图像的脑出血自动检测方法及电子介质
CN111832644A (zh) * 2020-07-08 2020-10-27 北京工业大学 一种基于序列级别的脑部医疗影像报告生成方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JI YOUNG LEE: "Detection and classification of intracranial haemorrhage on CT images using a novel deep‑learning algorithm", 《SCIENTIFIC REPORTS》, pages 2 - 6 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549532A (zh) * 2022-04-27 2022-05-27 珠海市人民医院 一种基于医学图像处理的脑缺血辅助分析方法及系统
CN114549532B (zh) * 2022-04-27 2022-07-08 珠海市人民医院 一种基于医学图像处理的脑缺血辅助分析方法及系统
CN115187600A (zh) * 2022-09-13 2022-10-14 杭州涿溪脑与智能研究所 一种基于神经网络的脑部出血体积计算方法

Similar Documents

Publication Publication Date Title
Mazziotta et al. A four-dimensional probabilistic atlas of the human brain
US10997475B2 (en) COPD classification with machine-trained abnormality detection
US7567696B2 (en) System and method for detecting the aortic valve using a model-based segmentation technique
CN105431089B (zh) 根据肝脏扫描确定肝功能的系统和方法
CN102231963B (zh) 重新参数化的牛眼图
CN110599499B (zh) 基于多路卷积神经网络的mri图像心脏结构分割方法
EP2538839B1 (en) Method of analyzing a medical image
CN113781439B (zh) 超声视频病灶分割方法及装置
CN109712163B (zh) 冠脉提取方法、装置、图像处理工作站和可读存储介质
CN105678762B (zh) 一种基于图像信息的缺血性脑卒中治疗监测系统
US11468570B2 (en) Method and system for acquiring status of strain and stress of a vessel wall
CN109934812A (zh) 图像处理方法、装置、服务器及存储介质
CN113768528A (zh) 一种ct影像脑出血辅助定位系统
CN111080584A (zh) 医学图像的质控方法、计算机设备和可读存储介质
CN110858399B (zh) 用于提供虚拟断层扫描中风后续检查图像的方法和装置
CN104463840A (zh) 基于pet/ct影像的发热待查计算机辅助诊断方法
CN112086197A (zh) 基于超声医学的乳腺结节检测方法及系统
CN109255354B (zh) 面向医用ct的计算机图像处理方法和装置
CN101082983A (zh) 基于感兴趣区域的自适应医学序列图像插值方法
CN109498046A (zh) 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法
US20230277151A1 (en) System and Methods of Prediction of Ischemic Brain Tissue Fate from Multi-Phase CT-Angiography in Patients with Acute Ischemic Stroke using Machine Learning
CN114093522A (zh) 利用人工智能诊断冠状病毒疾病covid-19的方法和系统
CN109256205B (zh) 用于利用本地和远程分析学进行的临床决策支持的方法和系统
CN111951272A (zh) 脑部影像的分割方法、装置、计算机设备和可读存储介质
CN110033861A (zh) 适用于octa图像的血管及黄斑无血管区定量分析方法及系统

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