CN114155232A - 颅内出血区域检测方法、装置、计算机设备及存储介质 - Google Patents

颅内出血区域检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN114155232A
CN114155232A CN202111491301.5A CN202111491301A CN114155232A CN 114155232 A CN114155232 A CN 114155232A CN 202111491301 A CN202111491301 A CN 202111491301A CN 114155232 A CN114155232 A CN 114155232A
Authority
CN
China
Prior art keywords
image data
layer
module
intracranial
area
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
CN202111491301.5A
Other languages
English (en)
Inventor
吴剑煌
陈铭林
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202111491301.5A priority Critical patent/CN114155232A/zh
Priority to PCT/CN2021/138657 priority patent/WO2023102995A1/zh
Publication of CN114155232A publication Critical patent/CN114155232A/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种颅内出血区域检测方法、装置、计算机设备及存储介质。该方法包括：获取颅内的电子计算机断层扫描影像数据，并将所述电子计算机断层扫描影像数据转换为三维影像数据；根据预设间隔和预设分辨率对所述三维影像数据进行采样，以得到多层平面影像数据；将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果；根据每层的所述预测结果确定颅内的三维出血区域数据。本发明实施例所提供的技术方案，可以更好的区分出血区域与正常组织，从而增强了颅内出血检测的性能，提高了颅内出血检测结果的准确率。

Description

颅内出血区域检测方法、装置、计算机设备及存储介质
技术领域
本发明实施例涉及医学检测技术领域，尤其涉及一种颅内出血区域检测方法、装置、计算机设备及存储介质。
背景技术
颅内出血是发生在脑组织或脑室内的一种颅内出血，常导致高致残率和死亡率。电子计算机断层扫描(Computed Tomography，CT)因其快速、方便、对新鲜出血敏感等优点，成为诊断颅内出血的首选。通过对CT图像的分析，可以直接检查出血部位，估计颅内出血量，在制定手术方案或治疗方案时具有独特的优势。
颅内出血区域分割是对每个体素进行判断是否属于出血区域，现有技术中使用Grad-CAM技术来获得颅内出血区域的显著图，然而这种方法获得的显著图过于粗糙，仅仅可以用来作为一种解释卷积神经网络的指导性工具。一种更准确的颅内出血分割方法是通过有监督训练全卷机网络获得，即通过基于U-Net的方法来分割多种类型的颅内出血。通过基于U-Net的方法，可以结合测试时增强和模型融合等方式来在三个面(冠状面、矢状面和水平面)上分别对颅内出血区域进行分割。
但是由于在颅内出血的分割中边界不确定，病理形态与出血相似，使得正确识别出血区域非常困难。虽然出血区域是CT上Hounsfield单位(HU)值较高的区域，但出血区域与脑组织之间的过度区域往往是模糊的，它们之间的边界甚至很难被专家所分辨。此外，HU值高的部位不仅仅是因为出血所导致，比如松果体钙化和侧脑室脉络丛钙化等也会在CT影像中呈现较高的HU值，这也使得分割出血区域变得十分困难，现有技术中所使用的方法也很难达到较高的准确率。
发明内容
本发明实施例提供一种颅内出血区域检测方法、装置、计算机设备及存储介质，以提高颅内出血检测结果的准确率。
第一方面，本发明实施例提供了一种颅内出血区域检测方法，该方法包括：
获取颅内的电子计算机断层扫描影像数据，并将所述电子计算机断层扫描影像数据转换为三维影像数据；
根据预设间隔和预设分辨率对所述三维影像数据进行采样，以得到多层平面影像数据；
将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果；
根据每层的所述预测结果确定颅内的三维出血区域数据。
第二方面，本发明实施例还提供了一种颅内出血区域检测装置，该装置包括：
影像数据获取模块，用于获取颅内的电子计算机断层扫描影像数据，并将所述电子计算机断层扫描影像数据转换为三维影像数据；
数据采样模块，用于根据预设间隔和预设分辨率对所述三维影像数据进行采样，以得到多层平面影像数据；
预测结果获得模块，用于将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果；
出血区域确定模块，用于根据每层的所述预测结果确定颅内的三维出血区域数据。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的颅内出血区域检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的颅内出血区域检测方法。
本发明实施例提供了一种颅内出血区域检测方法，首先获取颅内的电子计算机断层扫描影像数据，并将其转换为三维影像数据，然后根据预设间隔和预设分辨率对三维影像数据进行采样以得到多层平面影像数据，再将每层平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层平面影像数据中出血区域的预测结果，最后即可根据每层的预测结果确定颅内的三维出血区域数据。本发明实施例所提供的颅内出血区域检测方法，通过使用融合了空间特征的深度学习网络，可以区分出血区域与脑组织之间的模糊边界，通过使用融合了上下文全局特征的深度学习网络，可以更好的区分出血区域与正常组织，从而增强了颅内出血检测的性能，提高了颅内出血检测结果的准确率。
附图说明
图1为本发明实施例一提供的颅内出血区域检测方法的流程图；
图2为本发明实施例一提供的深度学习网络的示例性结构示意图；
图3为本发明实施例二提供的颅内出血区域检测装置的结构示意图；
图4为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的颅内出血区域检测方法的流程图。本实施例可适用于使用颅内CT扫描影像数据对颅内出血区域检测的情况，该方法可以由本发明实施例所提供的颅内出血区域检测装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：
S11、获取颅内的电子计算机断层扫描影像数据，并将所述电子计算机断层扫描影像数据转换为三维影像数据。
具体的，可以通过读取CT设备在完成扫描后所获得的MHD(Meta Header Data)格式的数据文件，来获取颅内的电子计算机断层扫描影像数据，然后将获得的电子计算机断层扫描影像数据转换为三维影像数据，以便于后续的处理。对于数据的三维转换方法可以是现有技术中的任意方法，在本实施例不作具体的限制。
S12、根据预设间隔和预设分辨率对所述三维影像数据进行采样，以得到多层平面影像数据。
具体的，在获得了三维影像数据之后，可以根据预设间隔和预设分辨率对三维影像数据进行采样，从而可以根据需要获得指定层数和指定点数的平面影像数据，而无需受到CT设备的精度限制。其中，预设间隔可以是10mm×1mm×1mm，预设分辨率可以是10×256×256。可选的，采样过程包括层内采样及层间采样，其中的层内采样可以采用双线性插值算法进行采样，而层间采样可以采用最近邻算法进行采样。在完成采样过程之后，还可以将获得的平面影像数据截断至0-90的范围内，并将数据归一化至-1到1之间，以便于后续的处理。
S13、将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果。
具体的，在获得多层平面影像数据之后，即可将每一层平面影像数据独立的通过融合空间特征和上下文特征的深度学习网络，从而通过该深度学习网络输出每层平面影像数据中更为精确的出血区域的预测结果。其中，深度学习网络可以是卷积神经网络。
可选的，所述深度学习网络包括空间模块、上下文模块以及注意力融合模块；所述空间模块用于提取所述平面影像数据中的空间特征，所述上下文模块用于捕获上下文特征，所述注意力融合模块用于对所述空间特征和所述上下文特征进行融合。
进一步可选的，所述空间模块包括多个卷积核大小为3×3的卷积层。具体的，空间模块不需要很大的感受野，但需要对特定的空间特征更为敏感。浅层卷积网络具有较少的卷积层，能够很好的还原更精细的空间特征。因此，在本实施例中，可以选用轻量的卷积神经网络作为空间模块来提取空间细节特征，所提取的空间细节特征可以更好的用于确定出血区域与正常组织之间的边界。该轻量的卷积神经网络具体即可以是由多个卷积核大小为3×3的卷积层组成，并且，每个卷积层可以带有批量归一化层和ReLU激活函数层，在相邻的卷积层之间还可以有一个最大池化层。
进一步可选的，所述上下文模块包括ResNet-18网络或EfficientNet网络。具体的，上下文模块用于区分出血区域和松果体钙化等解剖结构，但是它们在空间细节上具有相似的局部表现。而深度卷积网络在提取上下文信息方面具有很强的能力，因此，在本实施例中，可以使用ResNet-18网络或EfficientNet网络等作为上下文模块，并且可以在其中的每个卷积层之后添加批量归一化层。
进一步可选的，所述注意力融合模块为多层，且每层所述注意力融合模块接收上一层的输出或所述上下文模块输出的全局均值池化作为输入；所述对所述空间特征和所述上下文特征进行融合，包括：
f＝Concat(St-1，Ct-1，At-1)
Map＝softmax((reshape(Conv(f)))T*reshape(Conv(f)))
At＝Conv(reshape(reshape(Conv(f))*Map))
其中，St-1表示所述空间模块的输出，Ct-1表示所述上下文模块的输出，At-1表示当前层所述注意力融合模块的上一层所述注意力融合模块的输出，Concat表示特征融合，f表示第一特征图，Conv(f)表示将第一特征图f通过卷积层，()T表示矩阵转置，reshape()表示矩阵重组，softmax表示归一化指数函数，Map表示第二特征图，At表示当前层所述注意力融合模块的输出。
具体的，在提取出每个尺度上的空间特征和上下文特征后，可以采用注意力融合模块对其进行融合，以输出相应的预测特征图，则注意力融合模块可以采用上述公式进行融合。首先可以在通道维度上拼接St-1、Ct-1和At-1以形成第一特征图f，然后可以形成三条分支，并分别使用卷积核大小为3×3的卷积层以及ReLU激活函数层作用在第一特征图f上，以得到特征图f1、f2和f3。接着可以通过矩阵重组和矩阵转置将特征图f1和f2转换为相应的维度，并可通过矩阵乘法和softmax层获得第二特征图Map。第二特征图Map可以看成是全局注意力图，可以包括图像特征中任意两个位置之间的相关性，因此可以在第二特征图Map中捕捉到全局上下文信息，从而使用第二特征图Map可以引导第一特征图f去寻找空间细节的出血区域特征。然后特征图f3通过矩阵重组转换为相应的维度，再通过矩阵乘法和第二特征图Map结合，最后，可以使用卷积核大小为1×1的卷积层、批量归一化层及ReLU激活函数层作用在结合后的输出上，以得到当前层注意力融合模块的输出。其中，卷积核大小为1×1的卷积层用于匹配通道数量，以确保输出的通道数能够匹配下一层的注意力融合模块。
示例性的，本实施例中深度学习网络的结构可以如图2所示，空间模块包括五个卷积核大小为3×3的卷积层(Conv 3×3)。上下文模块包括一个卷积核大小为7×7的卷积层(Conv 7×7)和四个ResNet-18网络(Res-1、Res-2、Res-3和Res-4)，并分别对应接收空间模块各个卷积层的输出，同时每层的输出又是下一层的输入，并最终输出全局均值池化。注意力融合模块(AFM)的数量为五个，并对应接收空间模块和上下文模块的各层输出，最后一层注意力融合模块接收上下文模块输出的全局均值池化，并将输出逐层向上传递。最后，最上层的注意力融合模块的输出再依次通过卷积核大小为3×3和卷积核大小为1×1的卷积层(Conv 3×3和Conv 1×1)，即可获得最后的预测结果。其中，空间模块的五个卷积层从上到下的滤波器数量分别可以是64、64、128、256和512。
可选的，所述将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果，包括：通过所述深度学习网络输出所述平面影像数据中每个点的预测结果；将所述每个点的预测结果分别与预设阈值进行比较，并根据比较结果将所述平面影像数据二值化，以得到所述平面影像数据中出血区域的预测结果。
具体的，深度学习网络的输入可以是获得的平面影像数据，输出可以是该平面影像数据中每个点的预测结果，具体可以是每个点为出血点的概率。在获得深度学习网络输出的预测结果之后，可以将每个点对应的预测结果分别与预设阈值进行比较，具体即可以是预设概率阈值，当预测结果大于预设阈值时，即可将对应的点判定为出血点，并可将该点设置为1，当预测结果小于预设阈值时，则可以将对应的点判定为正常背景点，并可将该点设置为0。在完成了一层平面影像数据中所有点的判定之后，即可得到该平面影像数据中出血区域的预测结果。
S14、根据每层的所述预测结果确定颅内的三维出血区域数据。
具体的，在得到每层平面影像数据中出血区域的预测结果之后，可以将各层预测得到的出血区域层叠起来，即可根据同样的预设间隔重新形成三维出血区域数据。
在上述技术方案的基础上，可选的，在所述将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果之前，还包括：对所述深度学习网络进行训练，训练所使用的损失函数为Dice函数。具体的，在对深度学习网络进行训练的过程中，可以使用Dice函数作为损失函数，具体公式为
Figure BDA0003399467450000091
其中，￡Dice(p，y)表示损失函数，p表示深度学习网络的输出，y表示真实出血标注，||||2表示矩阵的2-范数，()T表示矩阵转置。由于颅内出血数据集存在类不平衡问题，即背景像素数量远大于出血像素数量，具体非出血的数量可以是出血数量的100多倍，如果使用交叉熵函数作为损失函数，则会使网络陷入局部最优解，使得网络总是预测为背景而没有任何出血像素。通过使用Dice函数作为损失函数，可以很好的解决这种类不平衡问题。
本发明实施例所提供的技术方案，首先获取颅内的电子计算机断层扫描影像数据，并将其转换为三维影像数据，然后根据预设间隔和预设分辨率对三维影像数据进行采样以得到多层平面影像数据，再将每层平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层平面影像数据中出血区域的预测结果，最后即可根据每层的预测结果确定颅内的三维出血区域数据。通过使用融合了空间特征的深度学习网络，可以区分出血区域与脑组织之间的模糊边界，通过使用融合了上下文全局特征的深度学习网络，可以更好的区分出血区域与正常组织，从而增强了颅内出血检测的性能，提高了颅内出血检测结果的准确率。
实施例二
图3为本发明实施例二提供的颅内出血区域检测装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中，用于执行本发明任意实施例所提供的颅内出血区域检测方法。如图3所示，该装置包括：
影像数据获取模块31，用于获取颅内的电子计算机断层扫描影像数据，并将所述电子计算机断层扫描影像数据转换为三维影像数据；
数据采样模块32，用于根据预设间隔和预设分辨率对所述三维影像数据进行采样，以得到多层平面影像数据；
预测结果获得模块33，用于将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果；
出血区域确定模块34，用于根据每层的所述预测结果确定颅内的三维出血区域数据。
本发明实施例所提供的技术方案，首先获取颅内的电子计算机断层扫描影像数据，并将其转换为三维影像数据，然后根据预设间隔和预设分辨率对三维影像数据进行采样以得到多层平面影像数据，再将每层平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层平面影像数据中出血区域的预测结果，最后即可根据每层的预测结果确定颅内的三维出血区域数据。通过使用融合了空间特征的深度学习网络，可以区分出血区域与脑组织之间的模糊边界，通过使用融合了上下文全局特征的深度学习网络，可以更好的区分出血区域与正常组织，从而增强了颅内出血检测的性能，提高了颅内出血检测结果的准确率。
在上述技术方案的基础上，可选的，所述深度学习网络包括空间模块、上下文模块以及注意力融合模块；所述空间模块用于提取所述平面影像数据中的空间特征，所述上下文模块用于捕获上下文特征，所述注意力融合模块用于对所述空间特征和所述上下文特征进行融合。
在上述技术方案的基础上，可选的，所述空间模块包括多个卷积核大小为3×3的卷积层。
在上述技术方案的基础上，可选的，所述上下文模块包括ResNet-18网络或EfficientNet网络。
在上述技术方案的基础上，可选的，所述注意力融合模块为多层，且每层所述注意力融合模块接收上一层的输出或所述上下文模块输出的全局均值池化作为输入；
注意力融合模块具体用于：
f＝Concat(St-1，Ct-1，At-1)
Map＝softmax((reshape(Conv(f)))T*reshape(Conv(f)))
At＝Conv(reshape(reshape(Conv(f))*Map))
其中，St-1表示所述空间模块的输出，Ct-1表示所述上下文模块的输出，At-1表示当前层所述注意力融合模块的上一层所述注意力融合模块的输出，Concat表示特征融合，f表示第一特征图，Conv(f)表示将第一特征图f通过卷积层，()T表示矩阵转置，reshape()表示矩阵重组，softmax表示归一化指数函数，Map表示第二特征图，At表示当前层所述注意力融合模块的输出。
在上述技术方案的基础上，可选的，该颅内出血区域检测装置，还包括：
训练模块，用于在所述将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果之前，对所述深度学习网络进行训练，训练所使用的损失函数为Dice函数。
在上述技术方案的基础上，可选的，预测结果获得模块33具体用于：
通过所述深度学习网络输出所述平面影像数据中每个点的预测结果；
将所述每个点的预测结果分别与预设阈值进行比较，并根据比较结果将所述平面影像数据二值化，以得到所述平面影像数据中出血区域的预测结果。
本发明实施例所提供的颅内出血区域检测装置可执行本发明任意实施例所提供的颅内出血区域检测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，在上述颅内出血区域检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图4为本发明实施例三提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图4显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图4所示，该计算机设备包括处理器41、存储器42、输入装置43及输出装置44；计算机设备中处理器41的数量可以是一个或多个，图4中以一个处理器41为例，计算机设备中的处理器41、存储器42、输入装置43及输出装置44可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器42作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的颅内出血区域检测方法对应的程序指令/模块(例如，颅内出血区域检测装置中的影像数据获取模块31、数据采样模块32、预测结果获得模块33及出血区域确定模块34)。处理器41通过运行存储在存储器42中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的颅内出血区域检测方法。
存储器42可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可用于获取颅内的电子计算机断层扫描影像数据，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置44包括显示屏等设备，可用于向用户展示最终颅内出血区域的预测结果。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种颅内出血区域检测方法，该方法包括：
获取颅内的电子计算机断层扫描影像数据，并将所述电子计算机断层扫描影像数据转换为三维影像数据；
根据预设间隔和预设分辨率对所述三维影像数据进行采样，以得到多层平面影像数据；
将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果；
根据每层的所述预测结果确定颅内的三维出血区域数据。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的颅内出血区域检测方法中的相关操作。
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外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。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种颅内出血区域检测方法，其特征在于，包括：
获取颅内的电子计算机断层扫描影像数据，并将所述电子计算机断层扫描影像数据转换为三维影像数据；
根据预设间隔和预设分辨率对所述三维影像数据进行采样，以得到多层平面影像数据；
将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果；
根据每层的所述预测结果确定颅内的三维出血区域数据。
2.根据权利要求1所述的颅内出血区域检测方法，其特征在于，所述深度学习网络包括空间模块、上下文模块以及注意力融合模块；所述空间模块用于提取所述平面影像数据中的空间特征，所述上下文模块用于捕获上下文特征，所述注意力融合模块用于对所述空间特征和所述上下文特征进行融合。
3.根据权利要求2所述的颅内出血区域检测方法，其特征在于，所述空间模块包括多个卷积核大小为3×3的卷积层。
4.根据权利要求2所述的颅内出血区域检测方法，其特征在于，所述上下文模块包括ResNet-18网络或EfficientNet网络。
5.根据权利要求2所述的颅内出血区域检测方法，其特征在于，所述注意力融合模块为多层，且每层所述注意力融合模块接收上一层的输出或所述上下文模块输出的全局均值池化作为输入；
所述对所述空间特征和所述上下文特征进行融合，包括：
f＝Concat(St-1，Ct-1，At-1)
Map＝softmax((reshape(Conv(f)))T*reshape(Conv(f)))
At＝Conv(reshape(reshape(Conv(f))*Map))
其中，St-1表示所述空间模块的输出，Ct-1表示所述上下文模块的输出，At-1表示当前层所述注意力融合模块的上一层所述注意力融合模块的输出，Concat表示特征融合，f表示第一特征图，Conv(f)表示将第一特征图f通过卷积层，()T表示矩阵转置，reshape()表示矩阵重组，softmax表示归一化指数函数，Map表示第二特征图，At表示当前层所述注意力融合模块的输出。
6.根据权利要求1所述的颅内出血区域检测方法，其特征在于，在所述将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果之前，还包括：
对所述深度学习网络进行训练，训练所使用的损失函数为Dice函数。
7.根据权利要求1所述的颅内出血区域检测方法，其特征在于，所述将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果，包括：
通过所述深度学习网络输出所述平面影像数据中每个点的预测结果；
将所述每个点的预测结果分别与预设阈值进行比较，并根据比较结果将所述平面影像数据二值化，以得到所述平面影像数据中出血区域的预测结果。
8.一种颅内出血区域检测装置，其特征在于，包括：
影像数据获取模块，用于获取颅内的电子计算机断层扫描影像数据，并将所述电子计算机断层扫描影像数据转换为三维影像数据；
数据采样模块，用于根据预设间隔和预设分辨率对所述三维影像数据进行采样，以得到多层平面影像数据；
预测结果获得模块，用于将每层所述平面影像数据分别输入训练后的融合空间特征和上下文特征的深度学习网络，以得到每层所述平面影像数据中出血区域的预测结果；
出血区域确定模块，用于根据每层的所述预测结果确定颅内的三维出血区域数据。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的颅内出血区域检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的颅内出血区域检测方法。
CN202111491301.5A 2021-12-08 2021-12-08 颅内出血区域检测方法、装置、计算机设备及存储介质 Pending CN114155232A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111491301.5A CN114155232A (zh) 2021-12-08 2021-12-08 颅内出血区域检测方法、装置、计算机设备及存储介质
PCT/CN2021/138657 WO2023102995A1 (zh) 2021-12-08 2021-12-16 颅内出血区域检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111491301.5A CN114155232A (zh) 2021-12-08 2021-12-08 颅内出血区域检测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN114155232A true CN114155232A (zh) 2022-03-08

Family

ID=80454015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111491301.5A Pending CN114155232A (zh) 2021-12-08 2021-12-08 颅内出血区域检测方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN114155232A (zh)
WO (1) WO2023102995A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943717A (zh) * 2022-05-31 2022-08-26 北京医准智能科技有限公司 一种乳腺病灶检测方法、装置、电子设备及可读存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118015012B (zh) * 2024-01-15 2024-10-18 宁波大学 一种脑部mri图像脑微出血自动分割方法
CN118154591B (zh) * 2024-05-09 2024-08-02 杭州脉流科技有限公司 颅内大血管闭塞点检测方法、装置、设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2260466A4 (en) * 2008-03-03 2012-03-21 Agency Science Tech & Res METHOD AND SYSTEM FOR SEGMENTING CT SCAN DATA
KR102166835B1 (ko) * 2019-10-28 2020-10-16 주식회사 루닛 신경망 학습 방법 및 그 장치
CN112070781B (zh) * 2020-08-13 2024-01-30 沈阳东软智能医疗科技研究院有限公司 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备
CN112614145B (zh) * 2020-12-31 2022-04-12 湘潭大学 一种基于深度学习的颅内出血ct图像分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943717A (zh) * 2022-05-31 2022-08-26 北京医准智能科技有限公司 一种乳腺病灶检测方法、装置、电子设备及可读存储介质
CN114943717B (zh) * 2022-05-31 2023-04-07 北京医准智能科技有限公司 一种乳腺病灶检测方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
WO2023102995A1 (zh) 2023-06-15

Similar Documents

Publication Publication Date Title
CN114155232A (zh) 颅内出血区域检测方法、装置、计算机设备及存储介质
CN105809175B (zh) 一种基于支持向量机算法的脑水肿分割方法及系统
CN109754007A (zh) 前列腺手术中外包膜智能检测和预警方法及系统
CN110838108A (zh) 基于医疗图像的预测模型构建方法、预测方法及装置
CN112132878B (zh) 基于卷积神经网络的端到端大脑核磁共振图像配准方法
Nazir et al. Machine Learning‐Based Lung Cancer Detection Using Multiview Image Registration and Fusion
CN113592769B (zh) 异常图像的检测、模型的训练方法、装置、设备及介质
CN112102259A (zh) 一种基于边界引导深度学习的图像分割算法
CN113724185B (zh) 用于图像分类的模型处理方法、装置及存储介质
JP2024143991A (ja) マルチタスク学習ネットワークにおける画像分割方法及びシステム
CN111860823A (zh) 神经网络训练、图像处理方法及装置、设备及存储介质
WO2021184195A1 (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
KR20220135349A (ko) 영상 표준화를 위한 비지도 학습 기반 단일 뉴럴 네트워크를 이용한 단층촬영영상 처리 방법 및 그 장치
CN117934477B (zh) 一种基于无监督学习的脑肿瘤图像检测方法
CN113379770B (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
CN114463320B (zh) 一种磁共振成像脑胶质瘤idh基因预测方法及系统
CN116503592A (zh) 目标分割模型训练方法及目标分割方法
CN115965785A (zh) 图像分割方法、装置、设备、程序产品及介质
CN116129184A (zh) 多期相病灶分类方法、装置、设备及可读存储介质
CN116958154A (zh) 图像分割方法和装置、存储介质及电子设备
CN115760797A (zh) 一种基于混合注意力网络对胰腺图像进行分类的方法
Xu et al. Correlation via synthesis: End-to-end image generation and radiogenomic learning based on generative adversarial network
Carmo et al. Extended 2d volumetric consensus hippocampus segmentation
Li et al. CAGAN: Classifier‐augmented generative adversarial networks for weakly‐supervised COVID‐19 lung lesion localisation
Zhao et al. Key techniques for classification of thorax diseases based on deep learning

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