CN114066843A - 一种ct脑图像分割及血肿测量方法 - Google Patents
一种ct脑图像分割及血肿测量方法 Download PDFInfo
- Publication number
- CN114066843A CN114066843A CN202111342038.3A CN202111342038A CN114066843A CN 114066843 A CN114066843 A CN 114066843A CN 202111342038 A CN202111342038 A CN 202111342038A CN 114066843 A CN114066843 A CN 114066843A
- Authority
- CN
- China
- Prior art keywords
- cerebral hemorrhage
- dimensional
- network
- segmentation
- image
- 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.)
- Granted
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 21
- 206010018852 Haematoma Diseases 0.000 title claims abstract description 15
- 238000003709 image segmentation Methods 0.000 title claims abstract description 6
- 238000000691 measurement method Methods 0.000 title claims abstract description 6
- 206010008111 Cerebral haemorrhage Diseases 0.000 claims abstract description 80
- 230000011218 segmentation Effects 0.000 claims abstract description 48
- 210000003625 skull Anatomy 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 208000008574 Intracranial Hemorrhages Diseases 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 11
- 238000002591 computed tomography Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 206010053942 Cerebral haematoma Diseases 0.000 description 1
- 241000037488 Coccoloba pubescens Species 0.000 description 1
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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 Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种CT脑图像分割及血肿测量方法,包括颅骨剥离、脑出血粗分割、脑出血细分割和脑出血体积测量,本发明采用基于深度学习两阶段的分割的方法,有着分割速度快、分割结果准确率更高的优势。使用新的脑出血血肿体积的测量方法,效率高、误差小。通过数据集使用不同层厚的脑图像,具有鲁棒性较好的特点。
Description
技术领域
本发明属于临床上脑出血血肿测量技术领域,特别涉及一种CT脑图像分割及血肿测量方法。
背景技术
计算机断层扫描(CT)图像因其可获得性广、成本低、获取迅速等优点使其成为评估脑出血患者血肿的最常用的神经成像手段。然而,基于人工的脑出血容积计量存在着主观性和不准确的问题。使用基于CT的平面测量术的半自动脑出血容积测量既耗时又充满大量的测量误差,特别是对于与脑室出血(IVH)或蛛网膜下腔出血相关的大血肿。ABC/2公式是临床实践和脑出血中常规使用的血肿量的估计方法。然而,对于大的、不规则的或大叶的血肿,这种方法的准确性会降低。
发明内容
为了克服以上技术问题,本发明的目的在于提供一种CT脑图像分割及血肿测量方法,具有测量速度快、准确率高、鲁棒性好、效率高的特点。
为了实现上述目的,本发明采用的技术方案是:
一种CT脑图像分割及血肿测量方法,包括以下步骤;
颅骨剥离:
对从医院采集的CT脑部图像(使用飞利浦Brilliance64获得,其曝光参数为120kVp,400-500mAs)进行预处理:首先将DICOM格式的图像转化为NIFTI格式的三维图像,并将其重采样为160*160*80大小作为输入矩阵。为了限制卷积神经网络输入的动态范围,对重采样之后的三维CT图像应用0到100Hu的阈值进行加窗,归一化是按照最小值中心化后,再按极差(最大值—最小值)缩放,将数据归一化到[0,1]之间;
将归一化之后大小为160*160*80的三维图像输入到颅骨分割网络中(如图1所示),颅骨分割网络是一种三维卷积神经网络,网络的输出是去除完颅骨之后的三维脑图像,之后将该三维图像重采样到原始空间(即将该三维图像重采样回其初始大小)就得到了最终的去除颅骨之后的三维图像,完成了颅骨剥离;
脑出血粗分割:
脑出血粗分割旨在得到脑出血的ROI(RegionofInterest,感兴趣区域),即脑出血的大体范围,同样的,将去除颅骨之后的图像和脑出血标签重采样为160*160*80大小作为输入矩阵,输入到脑出血粗分割网络,脑出血粗分割网络与颅骨剥离网络是相同的架构,输出是脑出血的大体区域,之后返回到原始空间得到脑出血ROI;
脑出血细分割:
脑出血细分割使用与颅骨分割相似的框架,脑出细血分割网络是一种二维卷积神经网络,不同的是在第四次下采样之后多添加了一个残差块用于调整特征图通道数(如图3所示)。除此之外,将粗分割得到的ROI区域以轴向位生成二维切片,得到了脑出血区域的二维切片,将每相邻的三张切片进行拼接形成一个3*512*512大小的伪彩色图像作为输入矩阵输入到脑出血细分割网络当中(如图4所示)。为了限制网络输入的动态范围,对脑出血二维切片应用30到130Hu的阈值进行加窗,最后输出的便是脑出血标签的二维切片,之后将所有二维切片在第三个维度上堆叠成三维图像,就得到了最后的三维脑出血标签;
脑出血体积测量:
将细分的得到的三维脑出血标签的分割体素(体积像素)的数量乘以x、y和z维度中每个体素之间的距离计算脑出血体积。
本发明的有益效果。
本发明采用基于深度学习两阶段的分割的方法,有着分割速度快、分割结果准确率更高(DICE=0.912)的优势。使用新的脑出血血肿体积的测量方法,效率高、误差小。数据集使用不同层厚的脑图像,鲁棒性较好。
附图说明:
图1是本发明的去颅骨卷积神经网络模型示意图。
图2是本发明的应用于去颅骨卷积神经网络的两个子模块示意图。
图3为本发明的脑出血细分割卷积神经网络示意图。
图4为本发明相邻的三张切片拼接示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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,都属于本发明保护的范围。
实施例:
将采集到的一张3DCT脑图像重采样为160*160*80大小,并使用0到100Hu的阈值进行加窗输入到颅骨分割网络中,得到去除颅骨之后的图像。之后将去除颅骨之后的图像与脑出血标签从重采样为160*160*80大小输入到脑出血粗分割网络得到脑出血ROI区域。将脑出血ROI区域用30到130Hu的阈值进行加窗并进行二维切片操作,将所有切片输入到脑出血细分割网路中便得到了最终的脑出血三维标签。之后根据三维脑出血标签计算脑出血体积。
一种新的基于深度学习的两阶段的脑出血分割的方法并用于计算脑出血血肿体积。两阶段的脑出血分割方法大体包括颅骨剥离,脑出血粗分割和脑出血细分割这三个步骤。
在用CT对头部扫描后,获取的图像包含脑实质、骨骼等组织,但由于骨骼的不规则性会对脑出血分割造成影响,所以在进行脑出血分割之前需要去除颅骨,以排除掉颅骨对脑出血分割的影响。但是现有的CT图像颅骨剥离方法存在着计算量大,鲁棒性差的问题。
本发明提出了一种新的基于深度学习的颅骨剥离的方法,该方法可以大大减少计算量,提高效率,并且具有良好的鲁棒性,可以适应不同层厚的CT三维脑图像。
如图1所示:为了使颅骨剥离网络获得良好的适应性,搜集的数据包括三种不同厚度的三维脑图像(0.625mm,1.25mm和5mm)。使用多种不同层厚的数据参与训练,从而提高模型的鲁棒性。为了减少计算量提高计算效率,我们在数据的预处理过程中,将原始数据重切片和重采样为160*160*80大小,相较于原始图像,这大大减小了模型的计算量。将经过预处理的脑图像输入到颅骨剥离网络,输出得到的是剥离掉颅骨的脑图像。
颅骨剥离网络是在U-Net框架的基础上改进而来的。该网络包括4层下采样和4层上采样,跟普通U-Net框架不同的是,我们的下采样与上采样是通过参差模块(Res-block)实现的,残差模块替代上采样和下采样中的标准卷积,这不仅能够解决网络深度带来的难以训练的问题并且还能够更好的融合上下文特征,从而更利于网络特征的提取。除此之外,我们还把注意力模块融合在网络的跳转连接中,进一步减少语义隔阂问题。网络的输入为经过重切片和重采样之后尺寸为160*160*80大小的三维图像,在每次下采样之后特征图就会缩小一倍,第四次下采样之后特征图变为10*10*5大小。之后通过四次上采样和拼接融合操作得到最后一张特征图。最后经过一个Softmax操作得到最终的输出结果。输出结果为160*160*80大小的去除完颅骨的三维脑实质图像。此外,还多次用到了1*1*1的卷积用于调整网络通道。
去颅骨之后的步骤便是脑出血粗分割。对于脑出血分割而言,3D网络模型可以更好的兼顾上下文信息,但是这是以较高的计算成本和巨大的GPU消耗为代价的,同时,相较于2D网络,它更难以训练。2D网络相较于3D网络更加高效和灵敏并且对算力的要求大大降低,但是在脑出血图像中,病变区域和病变切片只占数据的一小部分。例如,对于一个有24层头颅CT图像的患者,4层可能存在出血区。因此,正负样本的数量是极不平衡的,并且2D切片还会丢失掉上下文信息。基于此,我们创造性的提出了一种新的方法,我们将脑出血分割分为两个阶段,第一个阶段我们利用三维图像进行脑出血的粗分割,得到的是脑出血的ROI(RegionofInterest,感兴趣区域),之后我们对脑出血的ROI的2维切片输入到2维网络中进行细分割。
三维网络在上下文信息上拥有先天优越性,所以使用三维网络进行脑出血的粗分割,目的是通过粗分割定位到脑出血的大体位置。将剥离掉颅骨的脑图像输入到图1的网络中,最终得到三维脑出血区域,即ROI。到此为止,对脑出血的粗分割已经完成,通过三维网络的粗分割定位到了脑出血的位置。
将得到的三维脑出血ROI映射到原始空间,以轴向位将原始空间的ROI生成2维切片,这样就得到了脑出血区域即正样本的2维切片,只将这一部分输入到细分割网络即可,通过脑出血的粗分割避免脑出血细分割中正负样本不平衡的问题,并且会大大减少计算量。为了解决2维图像较于三维图像不能够很好的提取相邻切片的信息,将脑出血ROI区域中每相邻的三张二维图像进行拼接形成一个3*512*512大小的矩阵(通道为3)(如图4所示),把他们看做是一个整体,并且作为输入矩阵输入到我们的网络当中。
为了限制网络输入的动态范围,对原始灰度CT图像应用30到130Hu的阈值进行加窗。归一化是按照最小值中心化后,再按极差(最大值-最小值)缩放,将数据归一化到[0,1]之间。为了去除噪声,对手动分割的脑出血标签进行形态学闭合操作。2维的网络框架跟图2的三维网络框架相似,将所有3D卷积替换为2D卷积。如图3所示。
使用旋转、平移、翻转对训练数据进行数据增强,将数据增加三倍,以减少过拟合现象的发生并和提高模型的稳健性。除此之外,使用ADAM进行优化。ADAM是一种利用Nesterov动量的自适应低阶矩估计优化器。使用训练和验证数据以端到端模式对深度学习模型进行了训练,batchsize大小为2,learningrate为1e-3,并使用python3.7.0和GeForceGTX1080Ti8GB的GPU上实现。
另外,像素级的DICE系数(DC)被应用于最终的特征图以进行损失函数计算。DC是用于测量两个样本之间的空间重叠程度的统计量。它的范围从0(表示没有空间重叠)到1(表示完全空间重叠)。
其中A表示手工标签,B表示使用深度学习模型自动分割的标签。
最后将分割结果重建为三维图像,得到最终的脑出血分割结果。使用分割体素(体积像素)的数量乘以x、y和z维度中每个体素之间的距离计算脑出血血肿体积。
Claims (1)
1.一种CT脑图像分割及血肿测量方法,其特征在于,包括以下步骤;
颅骨剥离:
对从医院采集的CT脑部图像(使用飞利浦Brilliance 64获得,其曝光参数为120kVp,400-500mAs)进行预处理:首先将DICOM格式的图像转化为NIFTI格式的三维图像,并将其重采样为160*160*80大小作为输入矩阵。为了限制卷积神经网络输入的动态范围,对重采样之后的三维CT图像应用0到100Hu的阈值进行加窗,归一化是按照最小值中心化后,再按极差(最大值—最小值)缩放,将数据归一化到[0,1]之间;
将归一化之后大小为160*160*80的三维图像输入到颅骨分割网络中,颅骨分割网络是一种三维卷积神经网络,网络的输出便是去除完颅骨之后的三维脑图像,之后将该三维图像重采样到原始空间(即将该三维图像重采样回其初始大小)就得到了最终的去除颅骨之后的三维图像,完成了颅骨剥离;
脑出血粗分割:
脑出血粗分割旨在得到脑出血的ROI(Region of Interest,感兴趣区域),即脑出血的大体范围,同样的,将去除颅骨之后的图像和脑出血标签重采样为160*160*80大小作为输入矩阵,输入到脑出血粗分割网络,脑出血粗分割网络与颅骨剥离网络是相同的架构,输出是脑出血的大体区域,之后返回到原始空间得到脑出血ROI;
脑出血细分割:
脑出血细分割使用与颅骨分割相似的框架,脑出细血分割网络是一种二维卷积神经网络,不同的是在第四次下采样之后多添加了一个残差块用于调整特征图通道数,除此之外,将粗分割得到的ROI区域以轴向位生成二维切片,得到了脑出血区域的二维切片,将每相邻的三张切片进行拼接形成一个3*512*512大小的伪彩色图像作为输入矩阵输入到脑出血细分割网络当中,为了限制卷积神经网络输入的动态范围,对脑出血二维切片应用30到130Hu的阈值进行加窗,最后输出的便是脑出血标签的二维切片,之后将所有二维切片在第三个维度上堆叠成三维图像,就得到了最后的三维脑出血标签;
脑出血体积测量:
将细分的得到的三维脑出血标签的分割体素(体积像素)的数量乘以x、y和z维度中每个体素之间的距离计算脑出血体积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111342038.3A CN114066843B (zh) | 2021-11-12 | 2021-11-12 | 一种ct脑图像分割及血肿测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111342038.3A CN114066843B (zh) | 2021-11-12 | 2021-11-12 | 一种ct脑图像分割及血肿测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114066843A true CN114066843A (zh) | 2022-02-18 |
CN114066843B CN114066843B (zh) | 2023-08-25 |
Family
ID=80271969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111342038.3A Active CN114066843B (zh) | 2021-11-12 | 2021-11-12 | 一种ct脑图像分割及血肿测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066843B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953418A (zh) * | 2023-02-01 | 2023-04-11 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
CN116645336A (zh) * | 2023-05-10 | 2023-08-25 | 烟台大学 | 一种mri脑图像分割腺垂体方法 |
CN117292232A (zh) * | 2023-11-24 | 2023-12-26 | 烟台大学 | T1加权成像的多维空间特征获取方法、系统和设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110507659A (zh) * | 2019-09-02 | 2019-11-29 | 南通大学附属医院 | 前列腺素e1在制备治疗脑出血的药物中的应用 |
WO2020007277A1 (zh) * | 2018-07-05 | 2020-01-09 | 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 |
CN112651964A (zh) * | 2021-01-10 | 2021-04-13 | 烟台大学 | 一种基于深度学习的目标检测方法 |
-
2021
- 2021-11-12 CN CN202111342038.3A patent/CN114066843B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020007277A1 (zh) * | 2018-07-05 | 2020-01-09 | 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 |
CN110507659A (zh) * | 2019-09-02 | 2019-11-29 | 南通大学附属医院 | 前列腺素e1在制备治疗脑出血的药物中的应用 |
CN112651964A (zh) * | 2021-01-10 | 2021-04-13 | 烟台大学 | 一种基于深度学习的目标检测方法 |
Non-Patent Citations (1)
Title |
---|
杨泽富;战荫伟;杨荣骞;: "脑血肿CT图像分割的改进快速行进方法", 计算机工程与设计, no. 05 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953418A (zh) * | 2023-02-01 | 2023-04-11 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
CN116645336A (zh) * | 2023-05-10 | 2023-08-25 | 烟台大学 | 一种mri脑图像分割腺垂体方法 |
CN116645336B (zh) * | 2023-05-10 | 2024-05-07 | 烟台大学 | 一种mri脑图像分割腺垂体方法 |
CN117292232A (zh) * | 2023-11-24 | 2023-12-26 | 烟台大学 | T1加权成像的多维空间特征获取方法、系统和设备 |
CN117292232B (zh) * | 2023-11-24 | 2024-02-06 | 烟台大学 | T1加权成像的多维空间特征获取方法、系统和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114066843B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114066843B (zh) | 一种ct脑图像分割及血肿测量方法 | |
CN109636808B (zh) | 一种基于全卷积神经网络的肺叶分割方法 | |
CN109410219B (zh) | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
CN109063710A (zh) | 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法 | |
CN105719295B (zh) | 一种基于三维超体素的颅内出血区域分割方法及系统 | |
CN112258488A (zh) | 一种医疗影像病灶分割方法 | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
CN107909590B (zh) | 一种基于Snake改进算法的IVUS图像外膜边缘分割方法 | |
CN110751636A (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
Wei et al. | Learning-based 3D surface optimization from medical image reconstruction | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
CN107169975A (zh) | 超声图像的分析方法及装置 | |
CN116912270A (zh) | 一种基于改进的Unet网络的皮肤病图像分割方法及系统 | |
CN109919216B (zh) | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 | |
CN103700071A (zh) | 一种深度图上采样边缘增强方法 | |
CN111275722A (zh) | 肺段、肝段分割方法及系统 | |
CN114581474A (zh) | 一种基于宫颈癌ct影像的临床靶区自动勾画方法 | |
CN113269764A (zh) | 颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法 | |
CN112950612A (zh) | 一种基于卷积神经网络的脑肿瘤图像分割方法 | |
CN112950611A (zh) | 一种基于ct图像的肝脏血管分割方法 | |
CN117422628A (zh) | 一种心脏血管超声检查数据优化增强方法 | |
CN115760754A (zh) | 一种多模态mri图像听神经鞘瘤分割方法 | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
CN114723893A (zh) | 一种基于医疗影像的器官组织空间关系渲染方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |