CN114119546A - 检测mri影像的方法及装置 - Google Patents

检测mri影像的方法及装置 Download PDF

Info

Publication number
CN114119546A
CN114119546A CN202111416870.3A CN202111416870A CN114119546A CN 114119546 A CN114119546 A CN 114119546A CN 202111416870 A CN202111416870 A CN 202111416870A CN 114119546 A CN114119546 A CN 114119546A
Authority
CN
China
Prior art keywords
mri
feature
prototype
image
feature map
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
CN202111416870.3A
Other languages
English (en)
Inventor
于朋鑫
王少康
陈宽
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision 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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202111416870.3A priority Critical patent/CN114119546A/zh
Publication of CN114119546A publication Critical patent/CN114119546A/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

提供一种检测MRI影像的方法及装置，所述方法由MRI影像检测模型执行，所述MRI影像检测模型是基于深度学习方法预先训练的得到的，所述MRI影像检测方法包括：获取待检测的MRI影像，所述待检测的MRI影像包括多个序列的MRI影像在不同尺度的特征图；对所述多个序列的MRI影像分别在每个尺度的特征图进行融合，得到第一融合特征图；根据所述第一融合特征图，识别所述MRI影像的病灶区域。本申请实施例中的方法能够提高CVST病灶区域的识别效率和准确率。

Description

检测MRI影像的方法及装置
技术领域
本申请涉及医疗设备技术领域，具体涉及一种检测MRI影像的方法及装置。
背景技术
静脉窦血栓(Cerebral Venous Sinus Thrombosis，CVST)是一种发病率逐年增高的罕见脑卒中，由于多种危险因素和非特异性临床表现，易被误诊和漏诊。因此，快速准确的诊断有助于对CVST进行针对性的临床干预。
磁共振影像(Magnetic Resonance Imaging，MRI)是目前最常用，也是最有效的一种识别CVST异常信号的方法。医生通过观察MRI影像，判断是否存在血栓以及血栓的发生位置。但是，现有的MRI影像检测方法中，大都采用单一序列扫描所得的MRI影像来进行诊断。由于不同序列扫描所得到的MRI影像所反映的侧重点有所区别，且所呈现的病灶区域较小且不明显，从而影响了医生对CVST病灶区域的识别效率和准确率。
发明内容
为了解决现有技术中存在的上述问题，本申请实施例提供了一种MRI影像的检测方法及装置，该方法及装置能够对多序列的MRI影像进行融合，增强病灶区域的信号特征，解决了单一序列的MRI影像带来的识别效率低和准确率低的问题。
根据本申请的第一方面，提供了一种检测MRI影像的方法，所述方法由MRI影像检测模型执行，所述MRI影像检测模型是基于深度学习方法预先训练的得到的，所述MRI影像检测方法包括：获取待检测的MRI影像，所述待检测的MRI影像包括多个序列的MRI影像在不同尺度的特征图；对所述多个序列的MRI影像分别在每个尺度的特征图进行融合，得到第一融合特征图；根据所述第一融合特征图，识别所述MRI影像的病灶区域。
在本申请的一个实施例中，所述对所述多个序列的MRI影像分别在每个尺度的特征图进行融合，得到第一融合特征图，包括：获取不同序列的MRI影像，分别构造所述不同序列MRI影像所对应的原型特征库，所述原型特征库对所述不同序列的MRI影像进行分类存储，所述原型特征库的尺寸为K，K为整数且K≥2；计算所述多个序列的MRI影像在不同尺度的特征图与所述原型特征库中的每个原型特征图之间的相似度，得到N个相似的原型特征图，N为整数且N≥1；重组所述N个原型特征图，得到对第一重组特征图；将所述第一融合特征图与所述第一重组特征图进合并，得到第二融合特征图。
在本申请的一个实施例中，所述获取不同序列的MRI影像，分别构造所述不同序列MRI影像所对应的原型特征库，包括：对所述原型特征库中的原型特征图进行相似度训练，每个原型特征图与其他原型特征图之间的相似度为Ri，其中R1>R2>……>RK，1≤i≤K，当R1>R2+相似性距离D时，所述原型特征库将降低所述原型特征图之间的相似度。
在本申请的一个实施例中，所述根据所述第一融合特征图，识别所述MRI影像的病灶区域，包括：对所述第一融合特征图中所述MRI影像的病灶区域的特征信号进行增强和优化，识别所述MRI影像的病灶区域。
根据本申请第二方面，提供了一种训练学习模型的方法，其特征在于，包括：确定训练样本图像，所述训练样本图像包括多序列的MRI影像；对所述训练样本图像进行数据标注，得到第一标注数据；对所述训练样本图像进行预处理，得到第一训练数据；基于所述第一标注数据和所述第一训练数据来训练所述学习模型，以生成针对所述不同序列的MRI影像识别出病灶区域的检测结果。
在本申请的一个实施例中，所述对所述训练样本图像进行预处理，包括：对所述训练样本图像进行图像配准、强度偏执校正、强度归一化、中心裁剪等处理。
根据本申请第三方面，提供了一种检测MRI影像的装置，包括：提取模块，用于获取待检测的MRI影像，所述待检测的MRI影像包括多个序列的MRI影像在不同尺度的特征图；融合模块，用于对所述多个序列的MRI影像分别在每个尺度的特征图进行融合，得到第一融合特征图；识别模块，根据所述第一融合特征图，识别所述MRI影像的病灶区域。
根据本申请第四方面，提供了一种训练学习模型的装置，其特征在于，包括：确定模块，用于确定训练样本图像，所述训练样本图像包括多序列的MRI影像；标注模块，用于对所述训练样本图像进行数据标注，得到第一标注数据；预处理模块，用于对所述训练样本图像进行预处理，得到第一训练数据；训练模块，用于基于所述第一标注数据和所述第一训练数据来训练所述学习模型，以生成针对所述不同序列的MRI影像识别出病灶区域的检测结果。
根据本申请第五方面，提供一种芯片，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，执行第一方面或第一方面的任一可能的实现方式中的方法。
可选地，作为一种实现方式，所述芯片还可以包括存储器，所述存储器中存储有指令，所述处理器用于执行所述存储器上存储的指令，当所述指令被执行时，所述处理器用于执行第一方面或第一方面的任一可能的实现方式中的方法。
第五方面，提供一种计算机可读存储介质，所述计算机可读介质存储用于设备执行的程序代码，所述程序代码包括用于执行第一方面或者第一方面的任一可能的实现方式中的方法的指令。
在本申请实施例中，使用深度学习方法，对多个序列的MRI影像在不同尺度的特征图进行融合，得到的融合特征图具备了不同序列之间互补的信息，从而能够更加容易地从MRI影像中识别出病灶区域，提高了识别效率和准确率。
附图说明
图1为适用于本申请实施例的一个应用场景的示例性框图。
图2为本申请一个实施例中的检测MRI影像的方法的示意性框图。
图3为本申请另一个实施例中的检测MRI影像的方法的示例性框图。
图4为本申请一个实施例中的特征融合模块的示例性框图。
图5为本申请一个实施例中的特征增强模块的示例性框图。
图6为本申请一个实施例中的训练学习模型的示意性框图。
图7为本申请另一个实施例中的训练学习模型的示例性框图。
图8为本申请一个实施例提供的检测MRI影像的装置的示意性框图。
图9为本申请一个实施例提供的训练学习模型的装置的示意性框图。
图10为本申请另一个实施例提供的检测MRI影像的装置的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
磁共振成像MRI
磁共振成像(Magnetic Resonance Imaging，MRI)通过对静磁场中的人体施加某种特定频率的射频脉冲，使人体中的氢质子受到激励而发生磁共振现象。停止脉冲后，质子在弛豫过程中产生MRI信号。通过对MRI信号的接收、空间编码和图像重建等处理过程，即产生MRI信号。简单来说，MRI的原理相当于是加一个磁场，让原子核和着磁场的节拍动起来(即共振)，当磁场停下来的时候，原子核恢复到常态，这个恢复的过程会以电磁波的形式释放能量，探头检测出这个能量，并用于成像，形成MRI影像(也可称为MRI)。
与辐射成像不同，在对比度成像中，对比度取决于所成像结构的衰减率。MRI中，对比度取决于所成像区域中的磁性和氢核数。通过运行具有不同权重的不同序列，可以选择要成像区域中的不同对比度。扫描序列是不同的射频脉冲在不同的梯度和时间上的不同组合，不同序列的MRI所反映的侧重点不尽相同。常见的扫描序列包括自旋回波(Sin Eho，SE)、反转恢复序列等，其中，SE序列包括例如T1序列、T2序列等，反转恢复序列包括短反转时间的反转恢复(Short TI Inversion Recovery，Stir)和液体抑制反转恢复序列(FluidAttenuated Inversion Recovery，Flair)。
SE序列中的T1序列也称为T1加权像(T1-weight imaging，T1WI)，所谓加权就是突出的意思。T1序列是根据T1值加权得到的MRI序列，可以认为是MRI的一种模态。T1序列采集的信号幅度主要反映各组织的T1弛豫(纵向弛豫)差别，T1序列用于观察解剖结构效果较好。
SE序列中T2序列也称为T2加权像(T2-weight imaging，T2WI)。T2序列是根据T2加权得到的MRI序列，可以认为是MRI的一种模态。T2T1序列采集的信号幅度主要反映各组织的T2弛豫(横向弛豫)差别，T2序列用于显示组织病变效果较好。
上述SE序列中的T1序列和T2序列具有结构简单，采集到图像信噪比高的特点。但是，SE序列存在一些缺点，例如对磁场敏感性低，采集时间长，采集图像容易产生伪影，难以进行动态增强等。
Flair序列也是MRI技术中的一种常用的序列技术，可以认为是一种MRI的一种模态。Flair序列可以有效抑制脑脊液的信号，从而可以避免脑脊液产生的部分容积效应所造成的病灶漏诊。Flair序列可以增强T1序列的对比度，选择性的抑制一定T1值的组织信号。但是，Flair序列也存在自身的缺点，例如相比于SE序列，信噪比降低，扫描时间长，采集到的信号中伪影较多等，这也在一定程度上影像了它的临床应用。
当然，本申请中所说的MRI扫描序列还包括其他序列，例如SE序列中的质子密度加权、自旋回波序列(Fast Spin Echo，FSE)、梯度回波序列(Gradient Echo PulseSequence，GRE)、平面回波成像(Echo planar imaging，EPI)等，本申请对MRI的扫描序列的具体类型不做限定。如前面所述，无论哪种序列扫描所成的MRI影像都存在一定的弊端。根据研究验证了，使用不同MRI序列在诊断静脉窦血栓的性能时，其灵敏度在34.4％-83.5％之间，也就是说，使用不同序列的MRI影像的诊断准确率是存在波动的，这也就影响了MRI影像检测的准确性。
静脉窦血栓CVST
静脉窦血栓(Cerebral Venous Sinus Thrombosis，CVST)是一种发病率逐年增高的罕见脑卒中。CVST的形成是由于多种病因引起的以脑静脉回流受阻、脑脊液吸收障碍为特征的特征类型脑血管病，约占所有脑卒中的比例为0.5％～1％。
CT(Computed Tomography)可作为检测CVST的一种影像学方法，但是头颅CT阳性率较低，特异性不强，20％～30％的CVST头颅CT正常，在单纯颅内增高患者该比例更可高达50％。
MRI是识别脑静脉和静脉窦血栓异常信号的有效方法，也是目前最常用的一线筛查方法。MRI可直接显示颅内静脉和静脉窦血栓，较CT更为敏感和准确。大多数情况下，MRI已可以对CVST进行准确诊断。但是，如前面所述，针对不同的MRI扫描序列，所得到检测结果的准确率是波动的。现有技术中，大多需要多个序列扫描出多个MRI影像，然后将不同序列的MRI影像进行对照比较，来实现对CVST更加准确地判断是否存在CVST以及血栓的发生的具体位置。显然，这样降低了医生的识别效率。另外，当出现以下情况时，医生需要更加仔细阅读MRI影像，以减少误诊。例如，一种是当存在静脉狭窄或血流缓慢时，正常的血流信号表征与血栓表征很相似，如果不仔细观察影像，很容易诊断为正常。另一种是急慢性血栓也容易被忽略而误诊为正常。
上述困难增加了阅读MRI影像所需要的时间，显著降低了医生(尤其是初级/脑静脉疾病经验较少的医生)的诊断效率和诊断准确率。此外，CVST是一种相对罕见的疾病很难高效的培养大量具有相关经验的医生。
为了解决上述存在的问题，本申请旨在提出一种基于多序列MRI影像进行CVST的检测方法，该检测方法可以通过检测模型实现。相比于单一序列的MRI影像诊断方式，本申请实施例通过对不同序列信息的提取和互补，将多序列MRI影像进行融合，增强了CVST病灶区域的信号的表征能力，获得病灶区域更加明显的MRI影像，从而提高了CVST的诊断效率和准确率。另外，本申请还提出一种深度学习模型，能够辅助医生进行CVST的诊断，进一步提高诊断诊断效率。
应当理解，该方法可以具体由本地的电子设备的处理器执行(例如本地的医疗设备或其他计算机设备)，也可以由云端的服务器执行，本地的电子设备通过与云端的服务器通信交互以获取病灶分析结果。本申请对该基于医学影像的病灶分析方法的具体应用硬件场景并不做严格限定。
在介绍了本申请的基本原理后，下面将参照附图来具体介绍本申请的各种非限制性实施例。
图1为适用于本申请实施例的一个应用场景图。
图1中的应用场景100可以包括用户110、MRI影像检测装置120及MRI影像检测结果130。其中，所述用户110例如可以是某患者，也可以是某患者的脑部MRI影像。所述MRI影像检测装置120可以为任何能够检测出MRI影像中病灶区域的装置或设备，例如，所述MRI影像检测装置120也可以为服务器，例如，所述MRI检测装置120可以为云端(或者，也可以称为云端服务器)，本申请实施例中对此并不限定。
在本申请一种可能的实现方式中，所述应用场景100中还可以包括MRI影像扫描机140，所述MRI影像扫描机140例如可以是核磁共振成像仪(或核磁成像仪)。此时用户110为某患者，用户110通过MRI影像扫描机140生成其脑部的MRI影像，随后，将生成的MRI影像输入到MRI影像检测装置120中进行检测，输出检测结果130，检测结果130可以看出MRI影像中对应的病灶区域。
图2为本申请一个实施例提供的检测MRI影像的方法200的示意性框图。该方法200可以由图1中的MRI检测装置120执行。例如，所述MRI检测装置120可以包括MRI检测模型，所述MRI检测模型可以是基于深度学习方法预先训练后得到的。
应理解，图2示出了方法200的步骤或操作，但这些步骤或操作仅是示例，本申请实施例还可以执行其他操作或者图2中方法200的各个操作的变形，或者，并不是所有步骤都需要执行，或者，这些步骤可以按照其他顺序执行。
可选地，执行方法200的MRI检测模型，该检测模型的网络主干例如可以基于Mask-RCNN的网络结构来实现，也可以采用其他形式的网络架构。本申请对采用的网络结构不做限定。
如图3所示的为本申请一实施例提供的MRI检测模型的示例图，该MRI检测的网络主干基于Mask-RCNN的网络结构。例如，MRI检测模型的左端可以包括特征提取阶段和特征融合阶段，该MRI检测模型的右端可以包括特征识别阶段，例如该特征识别阶段可以包括特征增强模块阶段和Mask-RCNN网络结构的后续阶段，如特征金字塔网络，区域建议网络，感兴趣区域对齐，感兴趣区域识别，非极大值抑制等。MRI检测模型最终输出检测结果，该检测结果例如可以是CVST可能的病灶区域及对应的概率。
下面结合图3中的MRI检测模型，对图2中所示的检测MRI影像的方法的流程进行更为详细的介绍。
S210，获取待检测的MRI影像。
其中，待检测的MRI影像包括多个序列的MRI影像在不同尺度的特征图。
多个序列的MRI影像是指基于多个序列扫描所得的MRI影像，例如，可以是P个序列扫描得到P个MRI影像，其中，P为大于等于两个的任意整数，例如P＝3，即获取三个序列扫描所得的MRI影像。
在计算机视觉领域，特征图(feature map)是为了完成某一特定任务需要的相关信息。例如，在诊断CVST时，通过对脑部进行扫描所得到的MRI影像可以是特征图。又如，在人脸检测中，与人脸相关的特征，如眼睛、鼻子、嘴巴等形成的图像就是特征图。特征图以关键点特征为主要识别点，例如关键点可以是突出特征的特殊点，如上述MRI影像中的CVST的病灶区域，又如，人脸识别中眼、鼻、口等。
尺度，作为一个示例，可以通过地图的比例尺来理解。如果以100米为单位进行观测(称为尺度A)，可以观测到一片草地，如果以5米为单位进行观测(称为尺度B)，则可以观测到草地附近多了一只羊，而这只羊在尺度A的情况下是看不见的。也就是说，在空间中，低尺度下可以看清细节，高尺度下细节会被平滑掉只剩下“宏观”的特征。
可以理解的是，特征在不同尺度下的表现是不同的，例如，在某个尺度下的特征，在更大的尺度下可能就不是了。因此，需要在对应的尺度下去提取特征。作为一个示例，由于CVST的病灶区域的尺寸是不固定的，其在不同的尺度下会具有不同的表现特征，因而，可以通过获取MRI影像在不同尺度下的特征图，获得CVST更具表征能力的特征信号，有利于更好地识别出病灶区域。
作为一个实施例，参照图3所示的MRI检测模型，多个序列例如可以三个序列，如可以是常用的T1序列、T2序列和Flair序列，当然，也可以包含其他的序列，本申请对序列的数量和类型不做具体限制。
为了获取到多个尺度的MRI影像的特征图，例如可以将特征图的获取过程分为多个阶段，每个阶段所获取到的特征图的尺度是不同的。例如，可以分为Q个阶段，Q为大于等于2的任意整数，如Q＝4，则可以获取到四种不同尺度的特征图。也就是说，每个序列在第i(1≤i≤Q)阶段生成特征图后，提取该特征图，同时将该特征图输入到第i+1阶段中继续执行特征图提取，从而获取到不同尺度的特征图。
参照图3，MRI检测模型是提取的三个序列所生成的MRI影像在四个不同尺度的特征图。作为一个示例，该模型的输入分别为T1序列、T2序列和Flair序列扫描生成的MRI影像。然后，对每个序列分为四个阶段执行特征图的提取。可选地，在第一阶段的特征提取中，可以只提取Flair序列生成的第一特征图，如图3中的特征图1，这是因为Flair序列生成的MRI影像效果较好，因而可以对其第一阶段的MRI影像进行保留。一般情况下，第一阶段对应的图像尺度较大，计算耗时也会比较大，通常会被舍弃。应理解，在第一阶段也可以提取所有序列所生成的特征图，当然，也可以将第一阶段的特征图都舍弃，本实施例给出的仅是一种示例。
第一阶段中，每个序列生成的第一特征图可以作为第二阶段的输入，以提取第二特征图，以此类推，分别提取三个序列对应的第三特征图和第四特征图(图3中未标出第一至第四特征图)。
S220，对多个序列的MRI影像分别在每个尺度的特征图进行融合，得到第一融合特征图。
具体地，如步骤S210中所述，每个序列在第i阶段生成第i特征图后，除了可以提取出该特征图外，还可以将该特征图输入到第i+1阶段中继续执行特征提取，从而实现不同尺度特征图的提取。将多个序列在每个阶段提取到的特征图(即第i特征图)进行特征融合，得到第一融合特征图。
作为一个实施例，参照图3的MRI检测模型，例如将T1序列、T2序列和Flair序列分别在第二阶段提取到的第二特征图输入到多序列特征融合模块323中进行特征融合，得到第二阶段特征融合图(即图3中的特征图2)，将三个序列在第三阶段提取到的第三特征图输入到特征融合模块323中，得到第三阶段融合特征图(即图3中的特征图3)，同理，得到第四阶段融合特征图(即图3中的特征图4)。
可选地，多序列的MRI影像在不同尺度的特征图的融合过程可以通过图4的方式实现。应理解，本实施例给出的只是一种特征的融合方式，还可以采用其他的融合方式替代，本实施例对具体的融合方式不做限定。
作为一个示例，参照图4，例如可以是对T1序列、T2序列和Flair序列在第i阶段提取到的第i特征图的融合过程。第i阶段提取到的三个序列的特征图分别为T1特征图411、T2特征图412、Flair特征图413。
首先，对T1特征图411、T2特征图412及Flair特征图413进行合并操作，合并操作例如可以是拼接操作，也可以是层叠操作，本实施例对合并的具体方式不做限定。通过合并得到融合特征图420。显然，融合特征图420中包含了T1序列、T2序列和Flair序列各自的特征，实现了三个序列之间的信息互补。
接着，对融合特征图420分别进行通道增强和空间增强，得到通道增强特征图431和空间增强特征图432。通道增强例如可以是对融合特征图420中的特征信息进行强化。可选地，通道增强过程可以将融合特征图420和融合特征图420经过如空间平均池化、全连接层和Sigmold处理后的特征图进行乘法计算。空间增强例如可以是对融合特征图420的位置信息进行强化。可选地，空间增强过程可以将融合特征图420和融合特征图420经过如特征最大池化、卷积层和Sigmold处理后的特征图进行乘法计算。
最后，将通道增强特征图431和空间增强特征图432进行加法计算，得到多序列信息融合特征图440(也称为原始多序列信息融合特征图)。所述加法计算例如可以是通过调用加法函数实现，如可以是对图像的像素值做加法运算。所得到的多序列信息融合特征图440，即第一融合特征图。显然，第一融合特征图实现了多序列的互补特征的强化及位置特征的强化，因而，更容易识别出CVST的病灶区域。
作为一个实施例，为了使所得的第一融合特征图能够更加凸显出MRI影像中正常区域对应特征与异常区域对应特征之间的区别，本实施例引入了原型特征寻址阶段，特征原型寻址可以由原型存储模块和原型寻址模块实现。例如，参照图3，在将第i特征图输入到信息融合模块323之前，增加原型存储器321和特征寻址模块322。
特征寻址依赖于原型存储，本实施例考虑到CVST的病灶表现特点，以及不同程度下的不同表现，构建了一个原型特征库。所述原型特征库例如可以保存在原型存储模块中。原型特征库用于对不同序列的MRI影像的特征图进行分类和保存。例如，可以对不同序列分别构建一个原型特征库。下面结合图3对原型寻址阶段进行相关介绍。
首先，获取不同序列的MRI影像分别构造不同序列MRI影像所对应的原型特征库，该原型特征库对MRI影像进行分类存储，假设原型特征库的尺寸为K，K为大于等于2的整数。可选地，原型特征库例如可以通过MRI影像中特征的外观、位置、强度等对其进行分类。所述原型特征库的尺寸例如可以是原型特征库中原型特征图(也称为原型)的个数。特征原型库可以是在MRI检测模型的外部构建，如可以根据不同患者、不同部位扫描所得的MRI影像构建。原型特征库也可以是特征图提取阶段中构建的，例如，使用提取到的特征图进行构建，本申请对原型特征库的构建方式不做限定。
为了使得原型特征库中每个原型更具代表性，需要通过对原型特征库进行训练，已得到更具表达能力的原型。
具体地，例如可以通过相似性训练模型来实现原型库中各原型之间的分离。例如，可以对每个序列生成的MRI影像构建一个原型特征库，原型特征库中的训练样本可以包含正常人的正常MRI影像，也可以包含CVST患者的异常MRI影像。假设原型库中一个原型A与其余原型之间的相似性程度为Ri，i为1≤i≤K的整数。原型A与其余原型之间的相似程度由大到小的排序为R1>R2>……>RK。换句话说，R1为原型A与其余原型中最相似的一个原型B之间的相似程度，R2为原型A与其余原型中第二相似的一个原型C之间的相似程度，以此类推。可选地，当满足公式R1>R2+相似性距离D时，该原型特征库的训练模型会受到惩罚。这样，经过多次训练后，该原型特征库的训练模型将学会以降低原型之间的相似性来避免惩罚，从而实现原型之间的分离。原型特征库的训练模型最终会得到一个每个原型之间具有合适的相似性距离，即各具代表性的原型特征库。
相似性程度Ri和相似性距离D是衡量个体之间的相似程度的两个主要因素。相似性距离(Distance)衡量个体在空间上存在的距离，距离越远说明个体间的差异越大。相似性程度(Similarity)与距离度相反，相似性程度的值越小，说明个体之间相似度越小，差异越大。本实施例对相似程度和相似性距离的计算方法不做限定。相似程度例如可以通过皮尔逊相关系数(Pearson Correlation Coefficient)、Cosine相似度(Cosine Similarity)等算法进行计算。相似性距离例如可以通过欧几里得距离(Euclidean Distance)、曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)等算法计算。
假设，空间中两个个体X和Y之间都包含了M个维度的特征，X＝(x1，x2，x3，…，xm)，Y＝(y1，y2，y3，…，ym)。首先，计算X和Y之间的相似性距离D(X，Y)，例如采用欧几里得距离算法，则
Figure BDA0003375609080000131
Figure BDA0003375609080000132
计算X和Y之间的相似性程度R(X，Y)，如采用皮尔逊相关系数的计算方法，皮尔逊相关系数的取值一般在在[-1，+1]之间，绝对值越大，说明相关性越强。X与Y之间的相似性程度为：
Figure BDA0003375609080000141
根据前面所述的计算方法，计算出每个序列所对应的原型特征库中每个原型之间的相似性，然后通过公式R1>R2+相似性距离D，来训练出最为合适的原型特征库。该原型特征库是一个可学习的参数，例如可以通过网络的迭代优化来不断更新，以实现达到最优的原型特征库。
作为一个实施例，原型寻址模块基于原型特征库计算出步骤S210中提取到的MRI影像的特征图与原型特征库中每个原型之间的相似度，并从中选出N个相似的原型特征图，N为整数且N≥1。
具体地，原型寻址模块在接收到不同序列的MRI影像在不同尺度的特征图时，会将该特征图与原型特征库中的每个原型进行比较，计算其之间的相似性程度，例如可以采用前述介绍的皮尔逊相关系数等方法计算，如相似性程度的范围是[-1，1]，也可以是[0，1]。例如，通过设置阈值的方法，在原型特征库K个原型中，挑选出满足阈值条件的N个原型。
作为一个实施例，可以将选出来的N个原型的特征图进行重组，得到第一重组特征图。
下面参照图3，对特征寻址阶段进行举例说明。特征原型寻址模块322在接收到特征提取阶段310采集到的三个序列在每个阶段中生成的特征图，如T1第i特征图，T2第i特征图和Flair第i特征图时，会调用原型存储器321中对应序列的原型特征库，以T1序列为例，特征原型寻址模块322将T1第i特征图与T1对应的原型特征库中的每个原型进行比较，计算出相似性程度Ri，若Ri大于设置的阈值，则该原型被挑选出来，得到T1第i特征图的相似原型。同理，可以得到T2第i特征图和Flair第i特征图的相似原型。特征原型寻址模块322将各序列所挑选出来的相似原型进行重组，分别得到T1重组特征图、T2重组特征图和Flair重组特征图。
原型寻址模块基于原型特征库对获取到的MRI影像的特征进行有针对性的增强，更加凸显出正常区域对应特征与异常区域对应特征之间的区别。原型寻址模块的输出为多个序列的相似原型经过重组的特征图，其对正常和异常特征更加具有区分度征。但是，重组会导致异常位置的信息被抹除，这对于后期异常区域定位，即对病灶区的识别很不利的。因此，作为一个实施例，原型寻址模块可以将第一重组特征图和第一融合特征图进行合并，得到第二融合特征图。
参照图4的特征融合过程，第一融合特征图可以是原始多序列信息融合特征图440，第一重组特征图可以包括T1重组特征图451、T2重组特征图452和Flair重组特征图453，对第一融合特征图和第一重组特征图进行合并，得到多序列信息融合特征图460(即第二融合特征图)。多序列信息融合特征图460基于三个序列的原型进行了特征强化，又通过重组特征图加强了正常特征和异常特征的区分度，使得更利于对CVST的病灶区域进行识别。
S230，根据第一融合特征图，识别MRI影像的病灶区域。
作为一个实施例，可以对第一融合特征图中MRI影像的病灶区域的特征信号进行增强和优化后，识别MRI影像的病灶区域。可选地，图5为特征增强的一种实现方式，特征增强500例如可以通过特征增强模块来实现，如图3中的多尺度特征增强模块331。下面结合图5对特征增强500的具体实现方式进行介绍。
如图5所示，特征增强模块的输入为第一融合特征图，参照图3，第一融合特征图可以是特征图1至特征图4，特征图1至特征图4是三个序列不同尺度的融合特征图，例如可以是第i阶段的特征融合图。首先，对第i阶段融合特征图进行采样操作，采样例如可以包括上采样和下采样，如二倍、四倍、八倍的上采样和/或下采样。上采样可以是对图像的放大，下采样可以是对图像的缩小，通过采样使得第i阶段的融合特征图符合显示区域的大小，从而得到更高质量的图像。
对采样得到的图像进行合并操作后，进行卷积计算。卷积是为了将合并后的图像还原到原始输入的融合特征图的尺度大小。也就是说，特征增强模块会对不同尺度的输入特征图分别进行增强，但不改变原始特征图的尺寸，最终输出的仍然为原始尺度的特征图，但相对于原始尺度的特征图，经过特征增强后的MRI影像中CVST的病灶区域会更加明显。
如图3所示，多尺度特征增强模块331输出为特征图331，该第一特征增强图可以经过Mask-RCNN的后续阶段，如目标检测阶段。目标检测阶段可细分为两个子任务，即目标检测与识别。“检测”是视觉感知得第一步，它尽可能搜索出图像中每一个感兴趣区域，并用矩形框的形式标示出来。“识别”类似于对图像分类，用于判断每一个感兴趣区域中的目标主体的类别。目标检测阶段生成关于MRI影像的检测结果。目标检测阶段例如可以包括特征金字塔网络332、区域建议网络333、感兴趣区域对齐334、感兴趣区域识别335以及非极大值抑制336，输出为MRI影像的检测结果337。
特征金字塔网络(Feature Pyramid Networks，FPN)332，其输入例如为特征图331，FPN在不增加原有计算量情况下，可以大幅度提升第一特征增强图中小尺度特征图的检测性能。
区域建议网络(region proposal network，RPN)333可以负责产生候选区域。例如，RPN 333的输入可以是任意形状的图像，如特征图331经过FPN 332处理后输出的特征图332。RPN 333的输出可以是一个框形的目标建议区域和目标置信度，如在特征图332上通过候选框的方式对特征进行标注。候选框如可以是以方框、圆、椭圆、不规则多边形等勾勒出来的框，该候选框如可以通过坐标等数据表示。也就是说，RPN 333输出的特征图333可以包含候选框。
在图像处理过程中，如果对图像的某一个特定区域感兴趣，该区域被称为感兴趣区域(Region of Interest，ROI)。例如，可以通过Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI，在设定好ROI后，就可以对该区域进行下一步操作，例如可以包括感兴趣区域对齐334和感兴趣区域识别335。例如可以通过相关程序实现ROI的对齐和识别。ROI识别335的输出的特征图335中包含感兴趣区域，设定感兴趣区域后，可以减少了一些冗余特征的影响，可以减少图像的处理时间，增加图像精度。
非极大值抑制(non maximum suppression，NMS)336可以用来抑制冗余的感兴趣区域，抑制的过程是一个迭代-遍历-消除的过程。例如可以将所有感兴趣区域的得分排序，选中最高分及其对应的ROI。然后，遍历其余的ROI，如果和当前最高分的ROI的重叠面积大于一定阈值，就将框删除。再从未处理的框中继续选一个得分最高的，重复上述过程。最终选出得分最高的ROI及对应的得分。作为一个示例，NMS336可以输出MRI影像特征图中CVST可能的病灶区域及其对应的概率，即NMS336输出为MRI影像的检测结果337。显然，这样能够表现病灶区域及对应概率的MRI影像对于医生来说，是更容易做出识别和诊断的，从而提高了CVST的识别效率和诊断准确率。
作为一个实施例，本申请还提出一种训练学习模型的方法。该方法训练出来的深度学习模型通过大量样本数据的学习，可以实现准确的MRI影像的检测，从而可以帮助经验较少的医生能够更准确的对CVST患者进行诊断。
图6为本申请一实施例提供的训练学习模型的方法的流程示意图。图7为本申请一实施例提供的训练学习模型的实现场景。下面结合图7对图6的方法进行详细的介绍。
S610，确定训练样本图像，该训练样本图像包括多序列的MRI影像。
训练用的样本图像可以包含多个序列的MRI影像，例如可以包括不同患者的MRI影像，如正常或非正常的MRI影像。该训练样本可以尽可能包含多种不同的序列扫描生成的MRI影像，以保证训练样本的完整性。
以图7所示的训练模型为例，其训练样本图像例如可以为训练用多序列MRI影像710。本申请对训练样本图像的来源不做具体限定，例如可以通过磁共振仪器生成的MRI影像，也可以是对磁共振仪器以生成MRI影像进行处理后的图像，如可以是多序列MRI影像的融合。
S620，对训练样本图像进行数据标注，得到第一标注数据。
具体地，对训练的样本图像进行数据标注，数据标注的方式例如可以是手工标注，如对样本图像通过标注块的方式标注出病灶区域，所标注的病灶区域块是第一标注数据的一种，第一标注数据例如可以是图7中的标注数据720。
数据标注例如可以通过计算机实现，本实施例对训练样本图像的标注方式及实现方式不做具体限定，只要能够对所需要的特征信息进行标注即可。
S630，对训练样本图像进行预处理，得到第一训练数据。
可选地，预处理过程可以由图7中的预处理730实现。训练样本图像的预处理，可以包括图像配准，强度偏置校正，强度归一化，中心裁剪等处理过程。
由于不同序列扫描出的MRI影像在空间位置上的角度、方向等是不一致的，这样会影响该学习模型的训练。通过图像配准过程，将不同序列形成的MRI影像的角度、方向等尽量调整为一致，即位置上进行匹配，有利于后面对病灶区域的位置定位。
扫描设备，如磁共振仪器，扫描生成的图像的像素就会存在偏差。例如，对于同一患者的同一序列扫描得到的MRI影像其病灶区域的像素点坐标会有所差距。又如，由于设备因素，可能会使扫描得到的MRI影像的像素点坐标出现异常，因此，可以通过强度化偏置校正，将训练样本图像的像素点的值调整的正常范围内。
强度归一化可以将所有训练样本图像的强度值缩放到一定范围内。例如，可以将多序列的MRI影像的像素强度整体调整到[-1，1]或者[0，1]的范围，使强度范围达到一致，更利于图像的识别。
中心剪裁可以是对训练样本图像进行裁剪，例如以去掉背景等冗余信息，保留能够表现特征信号的图像信息。
经过上述预处理后，所得到第一训练数据，该第一训练数据例如可以体现出MRI影像的特征信号。
S640，基于第一标注数据和第一训练数据来训练该学习模型，生成根据不同序列的MRI影像识别出病灶区域的检测结果。
将步骤S620的得到的第一标注数据和步骤S630得到的第一训练数据一起输入到学习模型中进行训练。学习模型例如可以是图7中的深度学习模型740来实现。将标注数据720和预处理730输出的第一训练数据输入到深度学习模型740中进行训练。深度学习模型740会将第一标注数据和第一训练数据进行一一匹配的训练，直到最终生成准确的检测结果为止。
该学习模型可以完成对MRI影像的自动检测，并输出检测结果。例如，参照图7中该学习模型输入为测试用多序列MRI影像750时，会输出检测结果760。显然，训练样本图像的数量越大，该学习模型所得到的诊断结果就会越准确。换句话说，该学习模型是一个不断更新的过程，随着输入第一标注数据和第一训练数据的不断更新，该学习模型会不断提高其诊断的准确度。显然，该学习模型能够辅助医生更快更准确的对CVST患者进行鉴别诊断。
图8是本申请一实施例提供的检测MRI影像的装置的示意性框图。应理解，图8示出的检测MRI影像的装置800仅是示例，本申请实施例的装置800还可包括其他模块或单元。
应理解，装置800能够执行图2的方法中的各个步骤，为了避免重复，此处不再详述。
在本申请一种可能的实现方式中，所述装置800可以包括：
提取模块810，用于获取待检测的MRI影像，所述待检测的MRI影像包括多个序列的MRI影像在不同尺度的特征图；
融合模块820，用于对所述多个序列的MRI影像分别在每个尺度的特征图进行融合，得到第一融合特征图；
识别模块830，用于根据所述第一融合特征图，识别所述MRI影像的病灶区域。
可选地，MRI影像的检测装置800还包括：存储模块，用于获取不同序列的MRI影像，分别构造所述不同序列MRI影像所对应的原型特征库，所述原型特征库对所述不同序列的MRI影像进行分类存储，所述原型特征库的尺寸为K，K为整数且K≥2；
寻址模块，用于计算所述多个序列的MRI影像在不同尺度的特征图与所述原型特征库中的每个原型特征图之间的相似度，得到N个相似的原型特征图，N为整数且N≥1；
重组模块，用于重组所述N个原型特征图，得到第一重组特征图；
所述融合模块820，还用于将所述第一融合特征图与所述第一重组特征图进合并，得到第二融合特征图。
可选地，所述存储模块还包括：对所述原型特征库中的原型特征图进行相似度训练，每个原型特征图与其他原型特征图之间的相似度为Ri，其中R1>R2>……>RK，1≤i≤K，当R1>R2+相似性距离D时，所述原型特征库将降低所述原型特征图之间的相似度。
可选地，所述MRI影像检测装置800还包括：特征增强模块，用于对所述第一融合特征图中所述MRI影像的病灶区域的特征信号进行增强和优化，识别所述MRI影像的病灶区域。
应理解，这里的检测MRI影像的装置800以功能模块的形式体现。这里的术语“模块”可以通过软件和/或硬件形式实现，对此不作具体限定。例如，“模块”可以是实现上述功能的软件程序、硬件电路或二者结合。所述硬件电路可能包括应用特有集成电路(application specific integrated circuit，ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。
作为一个示例，本申请实施例提供的检测MRI影像的装置800可以是处理器或芯片，以用于执行本申请实施例所述的方法。
图9是本申请一实施例提供的训练学习模型的装置900的示意性框图。应理解，装置900能够执行图6的方法中的各个步骤，为了避免重复，此处不再详述。图9所示的装置900可以包括：
确定模块910，用于确定训练样本图像，所述训练样本图像包括多序列的MRI影像；
标注模块920，用于对所述训练样本图像进行数据标注，得到第一标注数据；
预处理模块930，用于对所述训练样本图像进行预处理，得到第一训练数据；
训练模块940，用于基于所述第一标注数据和所述第一训练数据来训练所述学习模型，以生成针对所述不同序列的MRI影像识别出病灶区域的检测结果。
可选地，训练学习模型的装置900还包括：对所述训练样本图像进行图像配准、强度偏执校正、强度归一化、中心裁剪等处理。
图10是本申请一实施例提供的检测MRI影像的装置1000的示意性框图。图10所示的装置1000可以包括存储器1010、处理器1020、通信接口1030以及总线10404。其中，存储器1010、处理器1020、通信接口1030通过总线1040实现彼此之间的通信连接。
存储器1010可以是只读存储器(read only memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，RAM)。存储器1010可以存储程序，当存储器1010中存储的程序被处理器1020执行时，处理器1020用于执行本申请实施例的检测MRI影像的方法的各个步骤，例如，可以执行图2及图6所示实施例的各个步骤。
处理器1020可以采用通用的中央处理器(central processing unit，CPU)，微处理器，应用专用集成电路(application specific integrated circuit，ASIC)，或者一个或多个集成电路，用于执行相关程序，以实现本申请方法实施例的测量骨密度的方法。
处理器1020还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本申请实施例的测量骨密度的方法的各个步骤可以通过处理器1020的集成逻辑电路或者软件形式的指令完成。
上述处理器1020通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1010，处理器1020读取存储器1010中的信息，结合其硬件完成本申请实施例中测量骨密度的装置包括的单元所需执行的功能，或者，执行本申请方法实施例的MRI影像的检测的方法，例如，可以执行图2及图3所示实施例的各个步骤/功能。
通信接口1030可以使用但不限于收发器一类的收发装置，来实现装置1000与其他设备或通信网络之间的通信。
总线1040可以包括在装置1000各个部件(例如，存储器1010、处理器1020、通信接口1030)之间传送信息的通路。
应理解，本申请实施例所示的装置1000可以是处理器或芯片，以用于执行本申请实施例所述的方法。
应理解，本申请实施例中的处理器可以为中央处理单元(central processingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。

Claims (14)

1.一种检测MRI影像的方法，所述方法由MRI影像检测模型执行，所述MRI影像检测模型是基于深度学习方法预先训练得到的，所述MRI影像检测方法包括：
获取待检测的MRI影像，所述待检测的MRI影像包括多个序列的MRI影像在不同尺度的特征图；
对所述多个序列的MRI影像分别在每个尺度的特征图进行融合，得到第一融合特征图；
根据所述第一融合特征图，识别所述MRI影像的病灶区域。
2.根据权利要求1所述的方法，其特征在于，所述对所述多个序列的MRI影像分别在每个尺度的特征图进行融合，得到第一融合特征图，包括：
获取不同序列的MRI影像，分别构造所述不同序列MRI影像所对应的原型特征库，所述原型特征库对所述不同序列的MRI影像进行分类存储，所述原型特征库的尺寸为K，K为整数且K≥2；
计算所述多个序列的MRI影像在不同尺度的特征图与所述原型特征库中的每个原型特征图之间的相似度，得到N个相似的原型特征图，N为整数且N≥1；
重组所述N个原型特征图，得到对第一重组特征图；
将所述第一融合特征图与所述第一重组特征图进合并，得到第二融合特征图。
3.根据权利要求2所述的方法，其特征在于，所述获取不同序列的MRI影像，分别构造所述不同序列MRI影像所对应的原型特征库，包括：
对所述原型特征库中的原型特征图进行相似度训练，每个原型特征图与其他原型特征图之间的相似度为Ri，其中R1>R2>……>RK，1≤i≤K，当R1>R2+相似性距离D时，所述原型特征库将降低所述原型特征图之间的相似度。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一融合特征图，识别所述MRI影像的病灶区域，包括：
对所述第一融合特征图中所述MRI影像的病灶区域的特征信号进行增强和优化，识别所述MRI影像的病灶区域。
5.一种训练学习模型的方法，其特征在于，包括：
确定训练样本图像，所述训练样本图像包括多序列的MRI影像；
对所述训练样本图像进行数据标注，得到第一标注数据；
对所述训练样本图像进行预处理，得到第一训练数据；
基于所述第一标注数据和所述第一训练数据来训练所述学习模型，以生成针对所述不同序列的MRI影像识别出病灶区域的检测结果。
6.根据权利要求5所述的方法，其特征在于，所述对所述训练样本图像进行预处理，包括：
对所述训练样本图像进行图像配准、强度偏执校正、强度归一化、中心裁剪等处理。
7.一种检测MRI影像的装置，其特征在于，包括：
提取模块，用于获取待检测的MRI影像，所述待检测的MRI影像包括多个序列的MRI影像在不同尺度的特征图；
融合模块，用于对所述多个序列的MRI影像分别在每个尺度的特征图进行融合，得到第一融合特征图；
识别模块，根据所述第一融合特征图，识别所述MRI影像的病灶区域。
8.根据权利要求7所述的装置，其特征在于，还包括：
存储模块，用于获取不同序列的MRI影像，分别构造所述不同序列MRI影像所对应的原型特征库，所述原型特征库对所述不同序列的MRI影像进行分类存储，所述原型特征库的尺寸为K，K为整数且K≥2；
寻址模块，用于计算所述多个序列的MRI影像在不同尺度的特征图与所述原型特征库中的每个原型特征图之间的相似度，得到N个相似的原型特征图，N为整数且N≥1；
重组模块，用于重组所述N个原型特征图，得到对第一重组特征图；
所述融合模块，还用于将所述第一融合特征图与所述第一重组特征图进合并，得到第二融合特征图。
9.根据权利要求8所述的装置，其特征在于，包括：
对所述原型特征库中的原型特征图进行相似度训练，每个原型特征图与其他原型特征图之间的相似度为Ri，其中R1>R2>……>RK，1≤i≤K，当R1>R2+相似性距离D时，所述原型特征库将降低所述原型特征图之间的相似度。
10.根据权利要求7所述的方法，其特征在于，还包括：
特征增强模块，用于对所述第一融合特征图中所述MRI影像的病灶区域的特征信号进行增强和优化，识别所述MRI影像的病灶区域。
11.一种训练学习模型的装置，其特征在于，包括：
确定模块，用于确定训练样本图像，所述训练样本图像包括多序列的MRI影像；
标注模块，用于对所述训练样本图像进行数据标注，得到第一标注数据；
预处理模块，用于对所述训练样本图像进行预处理，得到第一训练数据；
训练模块，用于基于所述第一标注数据和所述第一训练数据来训练所述学习模型，以生成针对所述不同序列的MRI影像识别出病灶区域的检测结果。
12.根据权利要求11所述的方法，其特征在于，包括：
对所述训练样本图像进行图像配准、强度偏执校正、强度归一化、中心裁剪等处理。
13.一种检测MRI影像的装置，其特征在于，包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于调用所述程序指令来执行权利要求1至6中任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，当所述程序指令由处理器运行时，实现权利要求1至6中任一项所述的方法。
CN202111416870.3A 2021-11-25 2021-11-25 检测mri影像的方法及装置 Pending CN114119546A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111416870.3A CN114119546A (zh) 2021-11-25 2021-11-25 检测mri影像的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111416870.3A CN114119546A (zh) 2021-11-25 2021-11-25 检测mri影像的方法及装置

Publications (1)

Publication Number Publication Date
CN114119546A true CN114119546A (zh) 2022-03-01

Family

ID=80373368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111416870.3A Pending CN114119546A (zh) 2021-11-25 2021-11-25 检测mri影像的方法及装置

Country Status (1)

Country Link
CN (1) CN114119546A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820591A (zh) * 2022-06-06 2022-07-29 北京医准智能科技有限公司 图像处理方法、装置、电子设备及介质
CN115631370A (zh) * 2022-10-09 2023-01-20 北京医准智能科技有限公司 一种基于卷积神经网络的mri序列类别的识别方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016145355A1 (en) * 2015-03-11 2016-09-15 Ohio State Innovation Foundation Methods and devices for optimizing magnetic resonance imaging protocols
CN108446730A (zh) * 2018-03-16 2018-08-24 北京推想科技有限公司 一种基于深度学习的ct肺结节检测方法
DE102018118469A1 (de) * 2017-08-04 2019-02-07 Bernhard Sander Verfahren und vorrichtung zur visualisierung von nmr-signalen
WO2019120249A1 (zh) * 2017-12-22 2019-06-27 北京汉世医疗科技有限公司 一种基于全新核磁共振回波机制的磁共振成像方法
CN111598864A (zh) * 2020-05-14 2020-08-28 北京工业大学 一种基于多模态影像贡献度融合的肝细胞癌分化评估方法
CN111598821A (zh) * 2020-05-14 2020-08-28 山东凯鑫宏业生物科技有限公司 应用于医疗的基于图像多尺度分解mri图像融合方法及mri设备
CN112116562A (zh) * 2020-08-26 2020-12-22 重庆市中迪医疗信息科技股份有限公司 基于肺部影像数据检测病灶的方法、装置、设备及介质
AU2021101379A4 (en) * 2021-03-17 2021-05-13 Bhatele, Kirti Raj Mr A system and method for classifying glioma using fused mri sequence
CN112907581A (zh) * 2021-03-26 2021-06-04 山西三友和智慧信息技术股份有限公司 一种基于深度学习的mri多类脊髓肿瘤分割方法
CN113674330A (zh) * 2021-07-12 2021-11-19 华南理工大学 一种基于生成对抗网络的伪ct影像生成系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016145355A1 (en) * 2015-03-11 2016-09-15 Ohio State Innovation Foundation Methods and devices for optimizing magnetic resonance imaging protocols
DE102018118469A1 (de) * 2017-08-04 2019-02-07 Bernhard Sander Verfahren und vorrichtung zur visualisierung von nmr-signalen
WO2019120249A1 (zh) * 2017-12-22 2019-06-27 北京汉世医疗科技有限公司 一种基于全新核磁共振回波机制的磁共振成像方法
CN108446730A (zh) * 2018-03-16 2018-08-24 北京推想科技有限公司 一种基于深度学习的ct肺结节检测方法
CN111598864A (zh) * 2020-05-14 2020-08-28 北京工业大学 一种基于多模态影像贡献度融合的肝细胞癌分化评估方法
CN111598821A (zh) * 2020-05-14 2020-08-28 山东凯鑫宏业生物科技有限公司 应用于医疗的基于图像多尺度分解mri图像融合方法及mri设备
CN112116562A (zh) * 2020-08-26 2020-12-22 重庆市中迪医疗信息科技股份有限公司 基于肺部影像数据检测病灶的方法、装置、设备及介质
AU2021101379A4 (en) * 2021-03-17 2021-05-13 Bhatele, Kirti Raj Mr A system and method for classifying glioma using fused mri sequence
CN112907581A (zh) * 2021-03-26 2021-06-04 山西三友和智慧信息技术股份有限公司 一种基于深度学习的mri多类脊髓肿瘤分割方法
CN113674330A (zh) * 2021-07-12 2021-11-19 华南理工大学 一种基于生成对抗网络的伪ct影像生成系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张物华;李锵;关欣;: "基于多尺度卷积神经网络的X光图像中肺炎病灶检测", 激光与光电子学进展, no. 08, 23 September 2019 (2019-09-23) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820591A (zh) * 2022-06-06 2022-07-29 北京医准智能科技有限公司 图像处理方法、装置、电子设备及介质
CN114820591B (zh) * 2022-06-06 2023-02-21 北京医准智能科技有限公司 图像处理方法、装置、电子设备及介质
CN115631370A (zh) * 2022-10-09 2023-01-20 北京医准智能科技有限公司 一种基于卷积神经网络的mri序列类别的识别方法及装置

Similar Documents

Publication Publication Date Title
Kumar et al. U-segnet: fully convolutional neural network based automated brain tissue segmentation tool
Zhao et al. A novel U-Net approach to segment the cardiac chamber in magnetic resonance images with ghost artifacts
JP2018192264A (ja) 医用画像処理装置
Lavdas et al. Fully automatic, multiorgan segmentation in normal whole body magnetic resonance imaging (MRI), using classification forests (CF s), convolutional neural networks (CNN s), and a multi‐atlas (MA) approach
CN103249358B (zh) 医用图像处理装置
CN111932492B (zh) 一种医学图像处理方法、装置及计算机可读存储介质
CN114119546A (zh) 检测mri影像的方法及装置
CN110910335B (zh) 一种图像处理方法、图像处理设备及计算机可读存储介质
CN111537931B (zh) 快速磁共振多参数成像方法和装置
CN109949288A (zh) 肿瘤类型确定系统、方法及存储介质
Zhang et al. THAN: task-driven hierarchical attention network for the diagnosis of mild cognitive impairment and Alzheimer’s disease
Yao et al. GeminiNet: combine fully convolution network with structure of receptive fields for object detection
CN116862930B (zh) 适用于多模态的脑血管分割方法、装置、设备和存储介质
CN112734740A (zh) 训练目标检测模型的方法、目标检测的方法及其装置
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study
US20230115927A1 (en) Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection
Garcia-Cabrera et al. Semi-supervised learning of cardiac MRI using image registration
CN112102327A (zh) 一种图像处理方法、装置及计算机可读存储介质
US11481902B2 (en) Device and method for detecting cerebral microbleeds using magnetic resonance images
Hou et al. Hybrid attention densely connected ensemble framework for lesion segmentation from magnetic resonance images
CN114821049A (zh) 分割图像的方法、装置、设备及存储介质
Huang et al. Synthetic‐to‐real domain adaptation with deep learning for fitting the intravoxel incoherent motion model of diffusion‐weighted imaging
CN116205929A (zh) 一种超声融合成像方法及设备、存储介质
CN114612373A (zh) 一种图像识别方法及服务器
KR20200041772A (ko) 암 영역 상태 평가 장치 및 방법

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