CN114092446A - 基于自监督学习与M-Net的颅内出血参数获取方法及装置 - Google Patents
基于自监督学习与M-Net的颅内出血参数获取方法及装置 Download PDFInfo
- Publication number
- CN114092446A CN114092446A CN202111394800.2A CN202111394800A CN114092446A CN 114092446 A CN114092446 A CN 114092446A CN 202111394800 A CN202111394800 A CN 202111394800A CN 114092446 A CN114092446 A CN 114092446A
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- model
- hemorrhage
- acquiring
- 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
Links
- 206010018985 Haemorrhage intracranial Diseases 0.000 title claims abstract description 64
- 208000008574 Intracranial Hemorrhages Diseases 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 30
- 210000004556 brain Anatomy 0.000 claims abstract description 178
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 113
- 230000000740 bleeding effect Effects 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 239000003550 marker Substances 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000007917 intracranial administration Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 201000008450 Intracranial aneurysm Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000009443 Vascular Malformations Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004289 cerebral ventricle Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009251 neurologic dysfunction Effects 0.000 description 1
- 208000015015 neurological dysfunction Diseases 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 208000019553 vascular disease Diseases 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
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- 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
- 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
- G06T2207/30—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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开是关于一种基于自监督学习与M‑Net的颅内出血参数获取方法及装置,包括:获取脑部CT序列图像,并对脑部CT序列图像进行预处理,其中,预处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,脑部CT标记图像为对颅内出血区域进行标记;将脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型;基于脑部CT标记图像数据对第一模型的模型参数进行修改,获取第二模型;将待测试脑部CT图像输入第二模型中,获取颅内出血区域分割图像,并基于分割图像获取待测试脑部CT图像的出血参数,出血参数包括出血区域和出血面积。本申请采用自监督学习和深度学习相结合的方法,实现脑部出血特征的快速鉴别和出血面积的精准计算。
Description
技术领域
本公开涉及医学影像领域,尤其涉及一种基于自监督学习与M-Net的颅内出血参数获取方法及装置。
背景技术
颅内出血是一种非外伤作用下的、脑实质内血管破裂且血液直接进入脑实质或脑室等部位的脑部血管疾病,具有发病率高、死亡率高、致残率高等特点。其诱发因素有很多,如高血压、动脉硬化、高血糖、脑动脉瘤、血管畸形等。世界卫生组织数据指出,全世界每10万人中,就有12~15人患有颅内出血。在我国,随着老龄化进程的不断加深,颅内出血已经成为一种常见的急性脑血管病。据调查,我国颅内出血患者占全部脑中风患者的30%,其中超过30%的存活者遗留有严重的神经功能障碍。这不仅严重威胁患者身心健康,而且给患者家庭、社会和国家带来了沉重的经济负担。及时确诊和合理有效的救治可以显著改善患者的疾病进程和预后,而能够准确、快速的识别出血的部位以及血量的大小对于颅内出血的诊断、治疗和评估是至关重要的。因此,如何准确、快速的识别出血的部位和血量大小具有重要的临床应用价值。
目前识别颅内出血部位的首选方法是头颅CT检查。该方法以其检查快速、便捷准确的优势,在颅内出血的检查、诊断和预后判断方面发挥着越来越重要的作用。但是目前根据CT影像判断颅内出血部位和出血量,不仅需要临床医生阅读和分析大量的CT图像数据,从而耗费医生工作者的大量时间和精力,而且不同经验水平的临床医生的诊断结果可能不同,进而导致可能的误诊或者是漏诊。
发明内容
为克服相关技术中存在的问题,本公开提供一种基于自监督学习与M-Net的颅内出血参数获取方法及装置。
根据本公开实施例的第一方面,提供基于自监督学习与M-Net的颅内出血参数获取方法,包括:
获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,其中,预处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,所述脑部CT标记图像为对颅内出血区域进行标记;
将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型;
基于所述脑部CT标记图像数据对所述第一模型的模型参数进行修改,获取第二模型;
将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,并基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积。
在一些实施例中,所述获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,包括:
对获取的所述脑部CT序列图像的出血区域进行标记;
对所述脑部CT序列图像进行水平翻转和垂直翻转,使训练数据翻倍;
获取所述脑部CT序列图像出血区域的最大值和最小值,基于所述出血区域的最大值和最小值获取出血区域的窗宽和窗位;
对所述出血区域的值进行归一化处理。
在一些实施例中,将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型,具体包括:
对所述脑部CT未标记图像进行卷积和最大池化操作提取多种图像特征;
对所述多种图像特征进行反卷积和上采样获取输出图像;
基于所述多种图像特征和所述输出图像,使得所述自监督学习网络模型学习脑部CT图像的特征信息,获取第一模型。
在一些实施例中,基于所述脑部CT标记图像对所述第一模型的模型参数进行修改,获取第二模型,具体包括:
获取所述脑部CT标记图像数据的颅内出血区域特征信息,基于所述颅内出血区域特征信息对所述第一模型的模型参数进行修改,获取所述第二模型。
在一些实施例中,所述将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,具体包括:
基于所述第二模型,对所述待检测的脑部CT序列图像进行卷积、最大池化、多尺度特征融合和上采样操作获取颅内出血区域的分割图像。
在一些实施例中,所述基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积,包括:
获取所述分割图像中包含标记的出血像素点,基于所述出血像素点判断所述待测试脑部CT图像的出血区域;
基于所述出血像素点和其余部分像素点,确定所述待测试脑部CT图像的出血区域面积。
根据本公开实施例的第二方面,提供一种基于自监督学习与M-Net的颅内出血参数获取装置,包括:
预处理模块,用于获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,其中,预处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,所述脑部CT标记图像为对颅内出血区域进行标记;
自学习模块,用于将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型;
修改模块,基于所述脑部CT标记图像对所述第一模型的模型参数进行修改,获取第二模型;
计算模块,将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,并基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积。
根据本公开实施例的第三方面,提供一种电子设备,包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述指令、所述程序、所述代码集或所述指令集由所述处理器加载并执行以实现如第一方面任一所述的基于自监督学习与M-Net的颅内出血参数获取方法。
根据本公开实施例的第四方面,提供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移动终端的处理器执行时,使得移动终端能够执行如第一方面任一项所述的基于自监督学习与M-Net的颅内出血参数获取方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,当所述计算机程序产品中的指令由移动终端的处理器执行时,使得移动终端能够执行如第一方面任一项所述的基于自监督学习与M-Net的颅内出血参数获取方法。
本公开的实施例提供的技术方案可以包括以下有益效果:本申请采用自监督学习和深度学习相结合的方法,以大量的未标记图像和少量的标记图像作为模型输入,实现了脑部CT序列图像的多种特征提取和出血区域特征的快速鉴别,同时以像素点为单位进行出血区域面积的计算,进而实现了出血面积的精准计算。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于自监督学习与M-Net的颅内出血参数获取方法的流程图。
图2是根据一示例性实施例示出的一种基于自监督学习与M-Net的颅内出血参数获取装置的框图。
图3是根据一示例性实施例示出的电子设备的内部结构图。
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发明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、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种基于自监督学习与M-Net的颅内出血参数获取方法的流程图,如图1所示,包括以下步骤:
在步骤S101中,获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,其中,预处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,所述脑部CT标记图像为对颅内出血区域进行标记。
具体的,为了能够获取识别脑部CT序列图像中的出血区域,首先需要对脑部CT序列图像进行预处理,处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,脑部CT标记图像为对颅内出血区域进行标记,未标记的CT图像为脑部CT未标记图像。
在一些实施例中,所述获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,包括:
对获取的所述脑部CT序列图像的出血区域进行标记;
对所述脑部CT序列图像进行水平翻转和垂直翻转,使训练数据翻倍;
获取所述脑部CT序列图像出血区域的最大值和最小值,基于所述出血区域的最大值和最小值获取出血区域的窗宽和窗位;
对所述出血区域的值进行归一化处理。
具体的,获取的脑部CT序列图像,通过由多位资深放射科工作人员对脑部CT序列图像中的出血区域进行标记,只有对同一张脑部CT图像进行出血标记的个数在预设个数及以上时才被标记为出血区域。同时对脑部CT序列图像进行水平翻转和垂直翻转,使训练数据翻倍。并通过公式(1)计算获取标记出血区域的脑部CT图像的窗宽和床位:
其中,n为数据集样本中第n个样本,ICH_max和ICH_min分别为出血区域CT值的最大值和最小值。
通过公式(2)对出血区域的值进行归一化处理:
其中,Xi和X′i分别为CT图像上第i个点所对应的CT值和归一化之后的值,ICH_max和ICH_min分别为出血区域CT值的最大值和最小值。
在步骤S102中,将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型。
具体的,基于深度学习模型设计的自监督学习网络,包含特征提取和图像重建两个模块,利用未标记的脑部CT图像作为网络输入进行预训练,输出为重建图像,通过大量未标记的脑部CT图像训练后第一模型。
在一些实施例中,将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型,具体包括:
对所述脑部CT未标记图像进行卷积和最大池化操作提取多种图像特征;
对所述多种图像特征进行反卷积和上采样获取输出图像;
基于所述多种图像特征和所述输出图像,使得所述自监督学习网络模型学习脑部CT图像的特征信息,获取第一模型。
具体的,通过自监督学习网络模型中的特征提取模块对未标记的脑部CT图像进行卷积和最大池化等操作来获取多种图像特征,通过自监督学习网络模型中的图像重建模块对特征提取模块获取的图像特征执行反卷积和上采样操作,将图像特征变为输出图像。通过上述操作使得自监督学习网络能够学习到脑部CT图像的多种特征信息,获取第一模型。且为了提升第一模型的准确性,通过公式(3)方均误差作为评价输出图像与未标记的脑部CT图像之间的差异,其表达式如下:
其中,M为预训练样本总数,m为预训练样本中第m个样本,ym为预训练样本中第m个样本的真实值,y′m为自监督学习网络对第m个样本的重建值。
在步骤S103中,基于所述脑部CT标记图像对所述第一模型的模型参数进行修改,获取第二模型。
具体的,由于步骤S102中训练的模型采用的训练数据都是未标记的脑部CT图像,因此为了能够使训练出来的模型能够识别脑部CT图像出血区域,可以通过少量的脑部CT标记图像的图像数据对第一模型的模型参数进行修改,使修改后的第二模型能够识别出脑部CT图像中的出血区域。且为了提升第二模型的准确性,通过公式(4)加权损失函数对自监督学习的训练和微调过程进行评估,其表达式如下:
其中,M为预训练样本总数,N为标训练样本总数,m为预训练样本中第m个样本,n为预训练样本中第n个样本,ym为预训练样本中第m个样本的真实值,yn为标记训练样本中第n个样本的真实值,y′m为自监督学习网络对第m个样本的重建值,y′n为自监督学习网络对第n个样本的重建值。
在步骤S104中,将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,并基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积。
具体的,通过将待测试脑部CT图像输入所述第二模型中,可以获取颅内出血区域分割图像,由于待测试的脑部CT图像是多张脑部CT序列图像,因此可以获取多个颅内出血区域分割图像,待测试的脑部CT图像是存在一定序列,因此通过出血区域分割图像可以去获取颅内出血位置。且通过分割图像可以计算测试脑部CT图像对应的颅内出血面积。
在一些实施例中,所述将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,具体包括:
基于所述第二模型,对所述待检测的脑部CT序列图像进行卷积、最大池化、多尺度特征融合和上采样操作获取颅内出血区域的分割图像。
具体的,第二模型包括M-Net(图像分割网络),具体包括:左腿路径、编码路径、解码路径和右腿路径。其中,在左腿路径中,采用大小为2×2的最大池化层依次对输入的待测试脑部CT图像进行下采样,每次下采样的结果依次作为相应编码层的输入。所述的左腿路径实际上是在编码路径上构建了一个多尺度输入,并将图像的多尺度信息集成到相应的编码层和解码层中,不仅拓宽了编码层和解码层的网络宽度,同时避免了网络参数的大幅增长。
在编码路径中,每个编码层的待测试脑部CT图像在经过两层卷积处理之后(卷积核大小为3×3,激活函数为ReLU),分别进行Dropout正则化(失活比例为0.4)和批归一化处理,以减少过拟合;最后,上一编码层的输入在进行最大池化(2×2)处理后的输出和左腿路径中对应下一层的输出进行融合之后作为下一编码层的输入。
在
解码路径中,每个解码层内部均采用和编码层内部类似的操作;每个解码层中间则选用上采样层来替代最大池化层,以实现输入尺寸加倍,并逐层恢复出和编码路径中首个编码层中与待测试脑部CT图像尺寸大小相一致的分割图像。类似地,从编码路径的某一编码层输出的特征映射,通过融合连接到解码路径中对应解码层的特征映射,这使得网络具有足够的宽度和信息来输出分割图像。
在右腿路径中,对解码路径中各个解码层的输出进行逐层的上采样,使得最终输出的分割图像达到编码路径中首个编码层中待测试脑部CT图像的尺寸大小。
在一些实施例中,所述基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积,包括:
获取所述分割图像中包含标记的出血像素点,基于所述出血像素点判断所述待测试脑部CT图像的出血区域;
基于所述出血像素点和其余部分像素点,确定所述待测试脑部CT图像的出血区域面积。
具体为,检测上述得到的分割图像中是否含有标记的像素点(即出血的像素点),来判断待测试的脑部CT序列中每张CT图像中是否存在出血,进而得到出血的位置。同时将得到待测试的脑部CT图像的分割图像进行二值化处理,即:分割图像的出血区域像素点值设为1、其余部分像素点值设为0,最后计算所有标记为1的像素点的数目即为该出血区域的面积。本方案还可以依据该待测试脑部CT序列图像的层厚、包含出血区域的CT图像的数目和每张CT图像中出血区域的面积这三个要素通过公式(5)对该出血量进行计算,计算公式如下:
其中,τ为该待测试脑部CT图像的层厚,t为该CT图像中包含出血区域的CT图像的数目,S出血为每张CT图像中出血区域的面积。
图2是根据一示例性实施例示出的一种基于自监督学习与M-Net的颅内出血参数获取装置框图。参照图2,该装置包括预处理模块201、自学习模块202、修改模块203和计算模块204。
预处理模块201,用于获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,其中,预处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,所述脑部CT标记图像为对颅内出血区域进行标记;
自学习模块202,用于将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型;
修改模块203,基于所述脑部CT标记图像对所述第一模型的模型参数进行修改,获取第二模型;
计算模块204,将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,并基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积。
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。
在一个实施例中,提供了一种电子设备,该电子设备可以是终端,其内部结构图可以如图3所示。该电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该计算机程序被处理器执行时以实现一种基于自监督学习与M-Net的颅内出血参数获取方法,步骤包括:获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,其中,预处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,所述脑部CT标记图像为对颅内出血区域进行标记;将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型;基于所述脑部CT标记图像对所述第一模型的模型参数进行修改,获取第二模型;将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,并基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积。
本申请还提供了一种非临时性计算机可读存储介质,当存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行以实现如以下步骤:获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,其中,预处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,所述脑部CT标记图像为对颅内出血区域进行标记;将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型;基于所述脑部CT标记图像对所述第一模型的模型参数进行修改,获取第二模型;将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,并基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以为的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
本申请还提供了一种计算机程序产品,当计算机程序产品中的指令由移动终端的处理器执行时,使得移动终端能够执行如以下步骤:获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,其中,预处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,所述脑部CT标记图像为对颅内出血区域进行标记;将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型;基于所述脑部CT标记图像对所述第一模型的模型参数进行修改,获取第二模型;将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,并基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明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,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明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。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于自监督学习与M-Net的颅内出血参数获取方法,其特征在于,包括:
获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,其中,预处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,所述脑部CT标记图像为对颅内出血区域进行标记;
将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型;
基于所述脑部CT标记图像对所述第一模型的模型参数进行修改,获取第二模型;
将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,并基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积。
2.根据权利要求1所述的基于自监督学习与M-Net的颅内出血参数获取方法,其特征在于,所述获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,包括:
对获取的所述脑部CT序列图像的出血区域进行标记;
对所述脑部CT序列图像进行水平翻转和垂直翻转,使训练数据翻倍;
获取所述脑部CT序列图像出血区域的最大值和最小值,基于所述出血区域的最大值和最小值获取出血区域的窗宽和窗位;
对所述出血区域的值进行归一化处理。
3.根据权利要求1所述的基于自监督学习与M-Net的颅内出血参数获取方法,其特征在于,将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型,具体包括:
对所述脑部CT未标记图像进行卷积和最大池化操作提取多种图像特征;
对所述多种图像特征进行反卷积和上采样获取输出图像;
基于所述多种图像特征和所述输出图像,使得所述自监督学习网络模型学习脑部CT图像的特征信息,获取第一模型。
4.根据权利要求1所述的基于自监督学习与M-Net的颅内出血参数获取方法,其特征在于,基于所述脑部CT标记图像数据对所述第一模型的模型参数进行修改,获取第二模型,具体包括:
获取所述脑部CT标记图像数据的颅内出血区域特征信息,基于所述颅内出血区域特征信息对所述第一模型的模型参数进行修改,获取所述第二模型。
5.根据权利要求1所述的基于自监督学习与M-Net的颅内出血参数获取方法,其特征在于,所述将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,具体包括:
基于所述第二模型,对所述待检测的脑部CT序列图像进行卷积、最大池化、多尺度特征融合和上采样操作获取颅内出血区域的分割图像。
6.根据权利要求1所述的基于自监督学习与M-Net的颅内出血参数获取方法,其特征在于,所述基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积,包括:
获取所述分割图像中包含标记的出血像素点,基于所述出血像素点判断所述待测试脑部CT图像的出血区域;
基于所述出血像素点和其余部分像素点,确定所述待测试脑部CT图像的出血区域面积。
7.一种基于自监督学习与M-Net的颅内出血参数获取装置,其特征在于,包括:
预处理模块,用于获取脑部CT序列图像,并对所述脑部CT序列图像进行预处理,其中,预处理后的脑部CT序列图像至少包括脑部CT标记图像和脑部CT未标记图像,所述脑部CT标记图像为对颅内出血区域进行标记;
自学习模块,用于将所述脑部CT未标记图像输入自监督学习网络模型中进行预训练,获取第一模型;
修改模块,基于所述脑部CT标记图像对所述第一模型的模型参数进行修改,获取第二模型;
计算模块,将待测试脑部CT图像输入所述第二模型中,获取颅内出血区域分割图像,并基于所述分割图像获取待测试脑部CT图像的出血参数,所述出血参数包括出血区域和出血面积。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述指令、所述程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1-6任一所述的基于自监督学习与M-Net的颅内出血参数获取方法。
9.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行如权利要求1-6中任一项所述的基于自监督学习与M-Net的颅内出血参数获取方法。
10.一种计算机程序产品,其特征在于,当所述计算机程序产品中的指令由移动终端的处理器执行时,使得移动终端能够执行如权利要求1-6中任一项所述的基于自监督学习与M-Net的颅内出血参数获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111394800.2A CN114092446A (zh) | 2021-11-23 | 2021-11-23 | 基于自监督学习与M-Net的颅内出血参数获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111394800.2A CN114092446A (zh) | 2021-11-23 | 2021-11-23 | 基于自监督学习与M-Net的颅内出血参数获取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092446A true CN114092446A (zh) | 2022-02-25 |
Family
ID=80303448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111394800.2A Pending CN114092446A (zh) | 2021-11-23 | 2021-11-23 | 基于自监督学习与M-Net的颅内出血参数获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092446A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402218A (zh) * | 2020-03-11 | 2020-07-10 | 北京深睿博联科技有限责任公司 | 脑出血检测方法和装置 |
CN112686898A (zh) * | 2021-03-15 | 2021-04-20 | 四川大学 | 一种基于自监督学习的放疗靶区自动分割方法 |
CN113298830A (zh) * | 2021-06-22 | 2021-08-24 | 西南大学 | 一种基于自监督的急性颅内ich区域图像分割方法 |
-
2021
- 2021-11-23 CN CN202111394800.2A patent/CN114092446A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402218A (zh) * | 2020-03-11 | 2020-07-10 | 北京深睿博联科技有限责任公司 | 脑出血检测方法和装置 |
CN112686898A (zh) * | 2021-03-15 | 2021-04-20 | 四川大学 | 一种基于自监督学习的放疗靶区自动分割方法 |
CN113298830A (zh) * | 2021-06-22 | 2021-08-24 | 西南大学 | 一种基于自监督的急性颅内ich区域图像分割方法 |
Non-Patent Citations (4)
Title |
---|
RAGHAV MEHTA: "M-net: A Convolutional Neural Network for deep brain structure segmentation", 2017 IEEE 14TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2017), 19 June 2017 (2017-06-19), pages 437 - 440 * |
RAGHAV MEHTA: "M-NET: A CONVOLUTIONAL NEURAL NETWORK FOR DEEP BRAIN STRUCTURE SEGMENTATION", pages 437 - 440 * |
张天麒: "基于U-Net的颅内出血识别算法", pages 92 - 98 * |
赵斌: "医学影像技术学", 31 August 2006, 人民军医出版社, pages: 274 - 275 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
---|---|---|
CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
CN110309849A (zh) | 血管图像处理方法、装置、设备及存储介质 | |
CN114092446A (zh) | 基于自监督学习与M-Net的颅内出血参数获取方法及装置 | |
US20240055126A1 (en) | Medical Image Segmentation Using Deep Learning Models Trained with Random Dropout and/or Standardized Inputs | |
CN113436166A (zh) | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 | |
CN111754520B (zh) | 一种基于深度学习的脑血肿分割方法及系统 | |
CN110110808B (zh) | 一种对图像进行目标标注的方法、装置及计算机记录介质 | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
CN111079901A (zh) | 基于小样本学习的急性脑卒中病变分割方法 | |
CN111415361A (zh) | 基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置 | |
CN114549462A (zh) | 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质 | |
CN115311193A (zh) | 一种基于双重注意力机制的异常脑图像分割方法及系统 | |
CN113539402A (zh) | 多模态影像自动勾画模型迁移方法 | |
CN116977338A (zh) | 基于视觉语义联合的染色体病例级异常提示系统 | |
CN113160261B (zh) | 一种用于oct图像角膜层分割的边界增强卷积神经网络 | |
CN115375706A (zh) | 图像分割模型训练方法、装置、设备及存储介质 | |
CN114998582A (zh) | 一种冠脉血管的分割方法、装置及存储介质 | |
CN112242193B (zh) | 一种基于深度学习的自动血管穿刺方法 | |
CN113384261A (zh) | 一种基于深度学习的椎体压缩性骨折多模态智能诊断系统 | |
CN113379770A (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN113130050A (zh) | 一种医学信息显示方法及显示系统 | |
CN111951228A (zh) | 一种融合梯度激活映射和深度学习模型的癫痫灶定位系统 | |
CN114119637B (zh) | 基于多尺度融合和拆分注意力的脑白质高信号分割方法 | |
CN116051467B (zh) | 基于多任务学习的膀胱癌肌层侵犯预测方法及相关装置 | |
CN114463351B (zh) | 一种脑部影像数据处理方法与系统 |
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 |