CN114419066B - 脑白质高信号分割方法、装置、设备及存储介质 - Google Patents

脑白质高信号分割方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114419066B
CN114419066B CN202210046350.6A CN202210046350A CN114419066B CN 114419066 B CN114419066 B CN 114419066B CN 202210046350 A CN202210046350 A CN 202210046350A CN 114419066 B CN114419066 B CN 114419066B
Authority
CN
China
Prior art keywords
magnetic resonance
image data
nuclear magnetic
resonance image
white matter
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.)
Active
Application number
CN202210046350.6A
Other languages
English (en)
Other versions
CN114419066A (zh
Inventor
王思伦
司晓玉
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 Yiwei Medical Technology Co Ltd
Original Assignee
Shenzhen Yiwei 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 Shenzhen Yiwei Medical Technology Co Ltd filed Critical Shenzhen Yiwei Medical Technology Co Ltd
Priority to CN202210046350.6A priority Critical patent/CN114419066B/zh
Publication of CN114419066A publication Critical patent/CN114419066A/zh
Application granted granted Critical
Publication of CN114419066B publication Critical patent/CN114419066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • G06T7/60—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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20—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
    • G06T2207/20112—Image segmentation details

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明实施例公开一种脑白质高信号分割方法、装置、设备及存储介质，该方法包括：获取目标的大脑核磁共振影像数据，并对所述核磁共振影像数据进行标准化处理，以得到目标数据；将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据；根据所述脑白质高信号标记数据确定所述脑白质高信号在大脑中所处位置和体积。采用该手段，通过对核磁共振影像数据进行标准化处理，可以提高模型进行分割处理的效率，以及可以实现对于不同MRI设备影像中的WMH进行自动、可靠的分割。

Description

脑白质高信号分割方法、装置、设备及存储介质
技术领域
本发明涉及医疗技术领域，尤其涉及一种脑白质高信号分割方法、装置、设备及存储介质。
背景技术
血管源性的脑白质高信号(white matter hyper intensities of presumedvascular origin,WMH)，也称为脑白质疏松症，白质病变或白质病，是指在磁共振T2流体衰减反转恢复序列(Fluid-attenuated Inversion Recovery,FLAIR)上，双侧侧脑室周围或皮质下白质存在多发的点状、斑片状或融合性高信号现象。脑白质高信号常见于老年人群体和患有小血管疾病或其它神经系统疾病的患者大脑中，并且与功能衰退，痴呆和死亡的风险增加相关。因此，精准分割WMH的位置是诊断神经性疾病的关键因素。
WMH的精准分割是定位的关键步骤。目前WMH的自动分割算法大多利用深度学习来实现。WMH的分割尽管已经成熟，但仍是一个活跃的研究领域，许多算法仍在开发中。Moeskops等人评估了同一小组在2016年开发的三路径-多尺度卷积神经网路(convolutional neural network,CNN)方案，该方案在老年人和患者的MRI扫描中分割正常组织和WMH。该方案使用T1加权、T2加权、FLAIR和T1加权反转恢复图像作为输入。Moeskops等人使用简单线性迭代聚类，根据像素的位置和强度对像素进行分组，并在每个FLAIR轴向切片中生成病变或非病变区域的候选图像。其通过一种单通道神经网络，提取输入的隐含特征，并将其分类为病变区或非病变区。
然而，由于WMH的形状、位置和强度各不相同，且来自不同MRI设备的WMH影像的成像差异，如何对不同MRI设备影像中的WMH进行自动、可靠的分割仍然是一个具有挑战性的问题。
发明内容
本发明实施例提供了一种脑白质高信号分割方法、装置、设备及存储介质，可以提高模型进行分割处理的效率，以及可以实现对于不同MRI设备影像中的WMH进行自动、可靠的分割。
第一方面，本发明实施例提供了一种脑白质高信号分割方法，包括：获取目标的大脑核磁共振影像数据，并对所述核磁共振影像数据进行标准化处理，以得到目标数据；将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据；根据所述脑白质高信号标记数据确定所述脑白质高信号在大脑中所处位置和体积。
作为一种可选的实现方式，所述将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据，包括：
将所述目标的标识信息、主治医生信息和所述目标数据均输入至所述预设脑白质高信号分割模型中的安全数据处理层进行处理，以得到加密的所述目标数据；
将加密的所述目标数据输入至所述预设脑白质高信号分割模型中的编码器中进行编码处理，以得到所述编码器的第N层的输出结果；
从历史数据库中获取与所述编码器的第N层的输出结果相似度在预设阈值的多个目标的脑白质高信号标记数据，和/或，根据所述目标在预设时段内的历史生病数据、以及所述目标的年龄、身高、体重确定所述目标的综合评价值，并从历史数据库中获取与所述目标的综合评价值差值在预设范围内的多个目标的脑白质高信号标记数据；
将所述编码器的第N层的输出结果以及所述多个目标的脑白质高信号标记数据输入至预测引导层进行处理，以得到引导处理结果；
将所述引导处理结果输入至所述预设脑白质高信号分割模型中的解码器中进行解码处理，以得到所述脑白质高信号标记数据。
第二方面，本发明实施例提供了一种脑白质高信号分割装置，包括：处理模块，用于获取目标的大脑核磁共振影像数据，并对所述核磁共振影像数据进行标准化处理，以得到目标数据；分割模块，用于将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据；确定模块，用于根据所述脑白质高信号标记数据确定所述脑白质高信号在大脑中所处位置和体积。
第三方面，本发明实施例提供了一种脑白质高信号分割设备，包括：处理器和存储器；所述处理器和存储器相连，其中，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行第一方面任一项所述的脑白质高信号分割方法。
第四方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行第一方面任一项所述的脑白质高信号分割方法。
本申请实施例，通过对核磁共振影像数据进行标准化处理，得到目标数据，然后将目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据，以此确定脑白质高信号在大脑中所处位置。采用该手段，通过对核磁共振影像数据进行标准化处理，可以提高模型进行分割处理的效率，以及可以实现对于不同MRI设备影像中的WMH进行自动、可靠的分割。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种脑白质高信号分割方法的流程示意图；
图2是本发明实施例提供的另一种脑白质高信号分割方法的流程示意图；
图3是本发明实施例提供的又一种脑白质高信号分割方法的流程示意图；
图4是本发明实施例提供的一种脑白质高信号分割模型的训练方法的流程示意图；
图5是本发明实施例提供的一种脑白质高信号分割装置的结构示意图；
图6是本发明实施例提供的另一种脑白质高信号分割装置的结构示意图。
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。
应当理解，本申请的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本发明所描述的实施例可以与其它实施例相结合。
请参见图1，图1是本发明实施例提供的一种脑白质高信号分割方法的流程示意图；如图1所示，该方法包括步骤101-103，具体如下：
101、获取目标的大脑核磁共振影像数据，并对所述核磁共振影像数据进行标准化处理，以得到目标数据，其中，所述目标数据对应的尺寸为第一预设尺寸，或者，所述目标数据为所述核磁共振影像数据的预设区域对应的数据；
该大脑核磁共振影像数据可以为MRI图像，其还可以包括MRI T1 FLAIR序列扫描图像和MRI T2FLAIR序列扫描图像等。
具体地，可以采用脑提取算法(brain extraction tool,BET)将目标的核磁共振影像数据中的例如颅骨、眼睛边缘组织等剔除，进而得到大脑核磁共振影像数据。
由于MRI头部图像通常包含部分非脑组织，例如，颅骨、眼睛、皮肤、脂肪及肌肉组织等，不利于脑白质高信号分割的稳健性，因此在获取目标的大脑核磁共振影像数据时先在脑白质高信号分割前剔除非脑组织，去除了噪音，仅保留了对脑白质高信号分割有益的脑组织区域，有利于提高分割算法的性能，提升了脑白质高信号分割的精度和效率。
该标准化处理，可以理解为，进行预设处理，进而转换为预设规格或者格式的数据。该标准化处理，例如可以包括对大脑核磁共振影像数据进行尺寸的更改，图像灰度的处理，以及其他转变等。本方案对此不做具体限定。
该处理，是因为来自不同MRI设备的WMH影像的成像差异。采用该处理，可以在输入模型进行分割处理时减少模型的处理时间，以及实现模型对于不同MRI设备影像中的WMH进行自动、可靠的分割。
102、将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据；
该预设脑白质高信号分割模型，是训练好的脑白质高信号分割模型。
具体地，该模型框架为nnUNet(no-new-Net)。其中，nnUNet框架为一个自适应任何给定新数据集的框架。
该预设脑白质高信号分割模型可以对输入的核磁共振影像数据进行分割标记，预测脑白质高信号区域。
103、根据所述脑白质高信号标记数据确定所述脑白质高信号在大脑中所处位置和体积。
基于大脑核磁共振影像数据中的脑白质高信号标记数据进而确定大脑中的相应位置以及体积大小，以此方便医生对该区域进行切割。
进一步地，还可以包括：根据所述脑白质高信号标记数据对所述脑白质病变进行评级。
例如根据不同位置、不同体积大小等，确定脑白质病变的不同等级。具体地，体积越大，则病变等级越高等。本申请实施例，通过对核磁共振影像数据进行标准化处理，得到目标数据，然后将目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据，以此确定脑白质高信号在大脑中所处位置。采用该手段，通过对核磁共振影像数据进行标准化处理，可以提高模型进行分割处理的效率，以及可以实现对于不同MRI设备影像中的WMH进行自动、可靠的分割。
请参见图2，图2是本发明实施例提供的一种脑白质高信号分割方法的流程示意图；如图2所示，该方法包括步骤201-207，具体如下：
201、获取目标的大脑核磁共振影像数据；
该大脑核磁共振影像数据可以为MRI图像，其还可以包括MRI T1 FLAIR序列扫描图像和MRI T2FLAIR序列扫描图像等。
具体地，可以采用脑提取算法BET将目标的核磁共振影像数据中的例如颅骨、眼睛边缘组织等剔除，进而得到大脑核磁共振影像数据。
202、将所述核磁共振影像数据转换为预设格式；
该预设格式例如可以是将原始DICOM数据转化为nii格式。当然，还可以是其他格式，本方案对此不做具体限定。
通过转化为预设格式，可以实现对获取到的各种规格的核磁共振影像数据进行标准化处理，进而提高后续分割的效率。
203、对所述转换后的核磁共振影像数据进行归一化处理，以得到归一化后的核磁共振影像数据；
该归一化处理，例如可以是对MRI T2FLAIR序列扫描图像进行归一化处理，或者，是对大脑核磁共振影像数据的像素值进行归一化处理等，本方案对此不做具体限定。
通过归一化处理，可以提高后续分割的效率，以及提高精度。
204、对所述归一化后的核磁共振影像数据进行傅里叶变换，以得到傅里叶变换后的核磁共振影像数据；
该傅里叶变换，可以是具有多种不同的变体形式，如连续傅立叶变换和离散傅立叶变换。通过对核磁共振影像数据进行傅里叶变换,修改频谱图像,然后进行傅里叶逆变换，返回到图像域。
通过傅里叶变换，可以实现图像增强、图像去噪，进一步还可以进行特征提取等。
205、将所述傅里叶变换后的核磁共振影像数据对应的尺寸转换为第一预设尺寸，以得到目标数据；
该标准化处理还包括将核磁共振影像数据的尺寸确定为预设尺寸。
优选的，该预设尺寸可以是以该图像数据中的某个区域为中心来确定的。例如，该某个区域是该图像数据中特征密集，或者进一步还可以为大概率是脑白质高信号所处的区域。例如，通过现有粗略估计手段得出该大致区域，通过对核磁共振影像数据尺寸进行修剪，得到预设尺寸的数据。
具体地，作为第一种实现方式，预设尺寸可通过如下步骤确定：
获取所述目标的大脑核磁共振影像数据中像素值高于预设阈值的多个像素点；
根据所述像素值高于预设阈值的多个像素点确定预设图形，其中，所述多个像素点均位于所述预设图形内；
根据所述预设图形的尺寸确定所述预设尺寸。
其中，上述预设图形可以是包含所述多个像素点在内的圆形，该圆形的半径或者直径、周长、面积等即为上述预设尺寸。
或者，该预设图形可以为正方形、长方形、多边形等等，本方案对此不做具体限定。
采用上述手段，基于像素值较高的像素点区域来确定预设尺寸，可以提高后续预设脑白质高信号分割模型的处理效率。
可替代的，作为第二种实现方式，预设尺寸还可通过如下步骤确定：
获取所述目标的大脑核磁共振影像数据中像素值高于预设阈值的多个像素点；
确定所述多个像素点的像素平均值；
以与所述像素平均值差值最小的像素点所在位置为中心确定圆形，所述多个像素点位于所述圆形内；
根据所述圆形的直径确定所述预设尺寸。
上述仅为一种示例，其还可以是其他方式，本方案对此不做具体限定。
采用上述手段，基于像素值较高的像素点区域来确定预设尺寸，可以提高后续预设脑白质高信号分割模型的处理效率。
作为一种实现方式，步骤205可包括：
根据所述目标在预设时段内的历史生病数据确定所述目标的历史身体信息；
根据所述目标的年龄、身高、体重以及所述目标的历史身体信息，生成所述目标的综合评价值；
根据预设数据库中多个历史目标的综合评价值与核磁共振影像数据对应的变换尺寸之间的关系，确定所述目标的综合评价值对应的所述第一预设尺寸。
具体地，通过获取该目标在例如从出生到至今的历史生病数据，来评估其历史身体信息。还可以是获取该目标及其父母、祖父母、外祖父母等的历史生病数据，或者身体状况信息等，其还可以是获取目标的基因信息等，进而依次评估其身体状况信息。
然后例如基于目标的年龄、身高、体重、工作性质以及所述目标的历史身体信息，生成所述目标的综合评价值等。该工作性质例如可以是每天工作xx小时，或者白班、夜班，以及脑力劳动、体力劳动等。进一步还可以包括其饮食信息、作息信息等，以此来综合评估其综合评价值。
上述仅为一种示例，其还可以是基于目标多年的体检数据等来评估其综合评价值。
基于该综合评价值，以及通过统计获取的其他多个目标的综合评价值与确定该预设尺寸之间的关系，进而来确定与该目标的综合评价值对应的尺寸大小。
该其他多个目标的综合评价值与确定该预设尺寸之间的关系，例如可以基于预设拟合处理得到的函数等。当然，还可以是其他手段，本方案对此不做具体限定。
该手段，通过基于目标的个人信息进行综合评估，并基于多个目标的历史信息得到的预设对应关系获取其对应的修剪尺寸。
其中，若所述傅里叶变换后的核磁共振影像数据中像素值大于第一预设阈值的像素点的个数大于第二预设阈值，则将所述傅里叶变换后的核磁共振影像数据对应的尺寸转换为第一预设尺寸。
也就是说，在核磁共振影像数据中像素值大于第一预设阈值的像素点的个数较多时，才将所述傅里叶变换后的核磁共振影像数据对应的尺寸转换为第一预设尺寸。采用该手段，可以有助于提高后续预设脑白质高信号分割模型的处理效率。
进一步地，如果大于第一预设阈值的像素点的个数较少时，则可将所述傅里叶变换后的核磁共振影像数据对应的尺寸转换为第二预设尺寸等。针对第二预设尺寸的确定，可以是基于特定算法确定的，还可以是一个预设值，本方案对此不做具体限定。
206、将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据；
通过基于上述预设尺寸进行修剪，进而将预设尺寸的该目标数据输入至预设脑白质高信号分割模型中。采用该手段，可以减少模型的数据处理量，有效提高模型处理效率。
其中，该预设脑白质高信号分割模型的框架可以为nnUNet。当然，还可以是其他架构，本方案对此不做具体限定。
其中，nnUNet为由编码过程和解码过程构成的U型对称结构，该模型包括编码器和解码器两个部分，每部分都包括四种分辨率的特征图。编码部分包含四个子模块，每个子模块包含两个卷积层，每个子模块通过最大池化层进行下采样；解码器部分利用反卷积进行上采样，并通过跳跃连接结构与编码器对应尺度上的特征图进行拼接。最后对最后一层的输出用softmax函数计算每个体素为前景、背景的概率。
基于该分割处理，可以得到脑白质高信号标记数据，基于此标记数据可确定该脑白质高信号所处区域。
207、根据所述脑白质高信号标记数据确定所述脑白质高信号在大脑中所处位置和体积。
基于核磁共振影像数据中的脑白质高信号标记数据来确定其在目标大脑中的位置以及体积大小，以便医生等进行手术等治疗。
进一步地，还可以包括：根据所述脑白质高信号标记数据对所述脑白质病变进行评级。
例如根据不同体积大小，确定脑白质病变的不同等级。体积越大，则病变等级越高等。
本申请实施例，通过对核磁共振影像数据转换为预设格式，然后进行归一化处理，以及傅里叶变换，还将变换后的核磁共振影像数据对应的尺寸转换为第一预设尺寸，以得到目标数据；然后将目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据，以此确定脑白质高信号在大脑中所处位置。采用该手段，通过对核磁共振影像数据进行标准化处理，可以提高模型进行分割处理时的效率，可以实现对于不同MRI设备影像中的WMH进行自动、可靠的分割。
请参见图3，图3是本发明实施例提供的一种脑白质高信号分割方法的流程示意图；如图3所示，该方法包括步骤301-309，具体如下：
301、获取目标的大脑核磁共振影像数据；
302、将所述目标的大脑核磁共振影像数据进行归一化处理，以得到归一化处理后的核磁共振影像数据；
针对该介绍可参阅前述实施例，在此不再赘述。
303、对所述归一化处理后的核磁共振影像数据进行多模态特征提取，以得到所述核磁共振影像数据的多模态特征，所述多模态特征包括图像特征和脑电信号特征；
该多模态特征提取可以是基于图像特征提取模型以及脑电信号提取模型分别进行处理的。
上述两种特征仅为一种示例，其还可以是其他特征，本方案对此不做具体限定。
304、从预设数据库中获取与所述图像特征相似度大于预设阈值的历史核磁共振影像数据，并根据与所述图像特征相似度大于预设阈值的历史核磁共振影像数据分别对应的脑白质高信号区域确定所述目标的核磁共振影像数据对应的第一区域；
例如，预设数据库中存储有多个历史目标的核磁共振影像数据，以及其分别对应的脑白质高信号区域。基于该历史数据，从而获取与所述图像特征较为相似的历史目标的核磁共振影像数据，以及其分别对应的脑白质高信号区域，基于历史目标对应的脑白质高信号区域来粗略的确定该目标的第一区域。
其中，当有多个与所述图像特征较为相似的历史目标时，可以基于该多个历史目标分别与该目标的相似度以及脑白质高信号区域来确定该目标的第一区域。例如，根据不同相似度计算得到每个历史目标所对应的权重，然后基于脑白质高信号区域位置信息进行拟合处理以确定第一区域，或者还可以基于其他例如基于上述历史目标的脑白质高信号区域位置确定一个包含该各个区域的圆形，将该圆形确定为第一区域，或者以该圆形的中心为圆心，以预设长度为半径而确定的圆形作为第一区域等，本方案对此不做具体限定。
305、从所述预设数据库中获取与所述脑电信号特征相似度大于预设阈值的历史核磁共振影像数据，并根据与所述脑电信号特征相似度大于预设阈值的历史核磁共振影像数据分别对应的脑白质高信号区域确定所述目标的核磁共振影像数据对应的第二区域；
相似地，对于脑电信号特征的处理可参阅上述图像特征的处理方式，在此不再赘述。
306、将所述目标的核磁共振影像数据的图像特征与所述脑电信号特征进行融合，以得到融合后的核磁共振影像数据；
该融合例如可以是简单的叠加，或者按照预设权重进行叠加等，该预设权重可以是基于历史数据确定的等，本方案对此不做具体限定。
307、将所述融合后的核磁共振影像数据中对应所述目标的核磁共振影像数据的第一区域和所述第二区域确定为目标数据；
也就是说，通过上述处理，可以粗略确定脑白质高信号大概会出现的区域位置，这样将其他数据去除，仅将包含第一区域和第二区域的目标数据输入至分割模型中进行处理，这样有助于提高模型的处理效率。
308、将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据；
309、根据所述脑白质高信号标记数据确定所述脑白质高信号在大脑中所处位置和体积。
该介绍可参阅前述实施例，在此不再赘述。
本申请实施例，通过对核磁共振影像数据进行归一化处理，以及进行多模态特征提取，并基于提取的特征进而粗略确定脑白质高信号大概会出现的区域位置，以此确定目标数据；然后将目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据，以此确定脑白质高信号在大脑中所处位置。采用该手段，仅将包含第一区域和第二区域的目标数据输入至分割模型中进行处理，这样可以提高模型进行分割处理时的效率，可以实现对于不同MRI设备影像中的WMH进行自动、可靠的分割。
请参见图4，图4是本发明实施例提供的一种脑白质高信号分割模型的训练方法示意图；如图4所示，该训练方法可包括步骤401-405，具体如下：
401、对样本数据进行预处理，得到经过预处理的样本数据；
该样本数据可以是多份大脑核磁共振影像数据。
该预处理，例如可以是前述实施例中对核磁共振影像数据进行的标准化处理。具体地，其包括：
将核磁共振影像数据转换为预设格式；
对所述转换后的核磁共振影像数据进行归一化处理，以得到归一化后的核磁共振影像数据；
对所述归一化后的核磁共振影像数据进行傅里叶变换，以得到傅里叶变换后的核磁共振影像数据；
将所述傅里叶变换后的核磁共振影像数据对应的尺寸转换为第一预设尺寸。
针对该部分的介绍可参阅前述实施例，在此不再赘述。
402、获取对经过预处理的样本数据进行标注后的脑白质高信号标注结果；
对上述经过预处理后的样本数据还进行标注。具体地，对其中脑白质高信号区域进行预设标注。
为了区分样本数据图像中表征不同类别的像素，可以为图像中的每个像素生成一个类别标签，不同的类别标签可以用不同的标识进行区分，例如，，可以设置表征脑白质高信号的像素的类别标签为数字“1”，表征非脑白质高信号的像素的类别标签为数字“0”。
403、基于所述经过预处理的样本数据及对应的脑白质高信号标注结果构建样本数据集；
404、从所述样本数据集中确定训练集和验证集；
根据经过预处理的样本数据以及对应的脑白质高信号标注结果，将其中的一部分数据作为训练集，另一部分数据作为验证集。具体地，可以随机确定，本方案对此不做具体限定。
405、将所述训练集输入至脑白质高信号分割模型中，根据预设损失函数计算所述脑白质高信号分割模型的输出结果与所述标注结果之间的误差值，并根据所述误差值对所述脑白质高信号分割模型的参数进行调整，直到所述误差值小于预设阈值，得到所述预设脑白质高信号分割模型。
具体地，该预设损失函数为dice+交叉熵损失函数。
通过将训练集中的数据输入到脑白质高信号分割模型中，然后基于输出结果与标注结果之间的比对，确定误差值，基于该误差值对模型参数进行调整。通过多次训练与参数调整，最终得到在一定预设范围内的误差值，或者迭代次数达到预设值，则停止训练，进而得到训练好的所述预设脑白质高信号分割模型。
上述仅为一种示例，其还可以是根据图像和计算机性能，nnU-Net自适应从图像中随机提取320×320×16的图像块通过数据增强完成旋转、缩放、翻转等操作以提高样本的丰富性，随后输入初始化的3D U-Net网络得到每个位置为WMH概率值，并根据预设阈值对潜在WMH进行判定：当该位置的预测WMH概率大于该阈值时，则该位置被判定存在WMH，反之，该位置被判定为背景。得到分割结果后，与医生手动勾画的WMH对比，通过损失函数计算网络分割结果与医生标注结果之间的误差，并利用反向传播和随机梯度下降(SGD)算法最小化损失函数，优化网络权重。
采用上述手段，可获取到训练好的脑白质高信号分割模型。
基于前述实施例，本申请还提供一种预设脑白质高信号分割模型，该预设脑白质高信号分割模型包括编码器、解码器，其还包括安全数据处理层以及预测引导层，所述安全数据处理层位于所述编码器的第一层之前，所述预测引导层位于所述编码器的第N层之后，所述编码器、解码器均包括N层，N为不小于2的整数，其中，前述将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据，包括步骤B11-B15，具体如下：
B11、将所述目标的标识信息、主治医生信息和所述目标数据均输入至所述预设脑白质高信号分割模型中的安全数据处理层进行处理，以得到加密的所述目标数据；
其中，该目标的标识信息例如可以是编号，或者是姓名、证件号码等，相应地，该主治医生信息也可以是编号，或者是姓名、证件号码等。通过将上述信息和目标数据一起输入到模型的安全数据处理层进行处理，以便对该目标数据以及模型的输出结果加上标签或者加密等，例如仅主治医生可以有权查看，以防止信息泄露。或者，还可以对该模型的输出结果加上水印等，防止别人随意使用目标的隐私数据等。
B12、将加密的所述目标数据输入至所述预设脑白质高信号分割模型中的编码器中进行编码处理，以得到所述编码器的第N层的输出结果；
B13、从历史数据库中获取与所述编码器的第N层的输出结果相似度在预设阈值的多个目标的脑白质高信号标记数据，和/或，根据所述目标在预设时段内的历史生病数据、以及所述目标的年龄、身高、体重确定所述目标的综合评价值，并从历史数据库中获取与所述目标的综合评价值差值在预设范围内的多个目标的脑白质高信号标记数据；
B14、将所述编码器的第N层的输出结果以及所述多个目标的脑白质高信号标记数据输入至预测引导层进行处理，以得到引导处理结果；
该预测引导层可以基于历史数据，或者基于根据该目标相似的信息等来确定引导预测方向等，以便提高模型处理效率以及精准度。
上述仅以所述编码器的第N层的输出结果以及所述多个目标的脑白质高信号标记数据作为输入为例进行说明，其还可以是其他数据等，本方案对此不做具体限定。
B15、将所述引导处理结果输入至所述预设脑白质高信号分割模型中的解码器中进行解码处理，以得到所述脑白质高信号标记数据。
采用该模型，可以提高数据的安全性，且提高了模型处理效率以及精准度。
基于上述脑白质高信号分割方法实施例的描述，本发明实施例还公开了一种脑白质高信号分割装置，参考图5，图5是本发明实施例提供的一种脑白质高信号分割装置的结构示意图，所述脑白质高信号分割装置包括处理模块501、分割模块502以及确定模块503；其中：
处理模块501，用于获取目标的大脑核磁共振影像数据，并对所述核磁共振影像数据进行标准化处理，以得到目标数据；
分割模块502，用于将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据；
确定模块503，用于根据所述脑白质高信号标记数据确定所述脑白质高信号在大脑中所处位置和体积。
其中，所述处理模块501，用于：
将所述核磁共振影像数据转换为预设格式；
对所述转换后的核磁共振影像数据进行归一化处理，以得到归一化后的核磁共振影像数据；
对所述归一化后的核磁共振影像数据进行傅里叶变换，以得到傅里叶变换后的核磁共振影像数据；
将所述傅里叶变换后的核磁共振影像数据对应的尺寸转换为第一预设尺寸，以得到目标数据。
可选的，所述确定模块503还用于：
根据所述目标在预设时段内的历史生病数据确定所述目标的历史身体信息；
根据所述目标的年龄、身高、体重以及所述目标的历史身体信息，生成所述目标的综合评价值；
根据预设数据库中多个历史目标的综合评价值与核磁共振影像数据对应的变换尺寸之间的关系，确定所述目标的综合评价值对应的所述第一预设尺寸
其中，若所述傅里叶变换后的核磁共振影像数据中像素值大于第一预设阈值的像素点的个数大于第二预设阈值，则处理模块501用于将所述傅里叶变换后的核磁共振影像数据对应的尺寸转换为第一预设尺寸。
可选的，所述预设脑白质高信号分割模型是基于样本数据及对应的脑白质高信号标注结果进行脑白质高信号分割训练得到的，所述装置还包括训练模块，用于：
对所述样本数据进行预处理，得到经过预处理的样本数据；
获取对经过预处理的样本数据进行标注后的脑白质高信号标注结果；
基于所述经过预处理的样本数据及对应的脑白质高信号标注结果构建样本数据集；
从所述样本数据集中确定训练集和验证集；
将所述训练集输入至脑白质高信号分割模型中，根据预设损失函数计算所述脑白质高信号分割模型的输出结果与所述标注结果之间的误差值，并根据所述误差值对所述脑白质高信号分割模型的参数进行调整，直到所述误差值小于预设阈值，得到所述预设脑白质高信号分割模型。
本申请实施例，通过对核磁共振影像数据进行标准化处理，得到目标数据，然后将目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据，以此确定脑白质高信号在大脑中所处位置。采用该手段，通过对核磁共振影像数据进行标准化处理，可以在输入模型进行分割处理时减少模型的处理时间，可以实现对于不同MRI设备影像中的WMH进行自动、可靠的分割。
值得指出的是，其中，脑白质高信号分割装置的具体功能实现方式可以参见上述脑白质高信号分割方法的描述，这里不再进行赘述。脑白质高信号分割装置中的各个单元或模块可以分别或全部合并为一个或若干个另外的单元或模块来构成，或者其中的某个(些)单元或模块还可以再拆分为功能上更小的多个单元或模块来构成，这可以实现同样的操作，而不影响本发明的实施例的技术效果的实现。上述单元或模块是基于逻辑功能划分的，在实际应用中，一个单元(或模块)的功能也可以由多个单元(或模块)来实现，或者多个单元(或模块)的功能由一个单元(或模块)实现。
基于上述方法实施例以及装置实施例的描述，本发明实施例还提供一种脑白质高信号分割装置。
请参见图6，是本发明实施例提供的一种脑白质高信号分割装置的结构示意图。如图6所示的装置600(该装置600具体可以是一种计算机设备)包括存储器601、处理器602、通信接口603以及总线604。其中，存储器601、处理器602、通信接口603通过总线604实现彼此之间的通信连接。
存储器601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601可以存储程序，当存储器601中存储的程序被处理器602执行时，处理器602和通信接口603用于执行本申请实施例的脑白质高信号分割方法的各个步骤。
处理器602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)，图形处理器(graphics processing unit，GPU)或者一个或多个集成电路，用于执行相关程序，以实现本申请实施例的脑白质高信号分割装置中的单元所需执行的功能，或者执行本申请方法实施例的脑白质高信号分割方法。
处理器602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，本申请的脑白质高信号分割方法的各个步骤可以通过处理器602中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器602还可以是通用处理器、数字信号处理器(DigitalSignal Processing，DSP)、专用集成电路(ASIC)、现成可编程门阵列(Field ProgrammableGate 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601，处理器602读取存储器601中的信息，结合其硬件完成本申请实施例的脑白质高信号分割装置中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脑白质高信号分割方法。
通信接口603使用例如但不限于收发器一类的收发装置，来实现装置600与其他设备或通信网络之间的通信。例如，可以通过通信接口603获取数据。
总线604可包括在装置600各个部件(例如，存储器601、处理器602、通信接口603)之间传送信息的通路。
应注意，尽管图6所示的装置600仅仅示出了存储器、处理器、通信接口，但是在具体实现过程中，本领域的技术人员应当理解，装置600还包括实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当理解，装置600还可包括实现其他附加功能的硬件器件。此外，本领域的技术人员应当理解，装置600也可仅仅包括实现本申请实施例所必须的器件，而不必包括图6中所示的全部器件。
本申请实施例还提供了一种芯片系统，所述芯片系统应用于电子设备；所述芯片系统包括一个或多个接口电路，以及一个或多个处理器；所述接口电路和所述处理器通过线路互联；所述接口电路用于从所述电子设备的存储器接收信号，并向所述处理器发送所述信号，所述信号包括所述存储器中存储的计算机指令；当所述处理器执行所述计算机指令时，所述电子设备执行所述的脑白质高信号分割方法。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述任一个方法中的一个或多个步骤。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机或处理器上运行时，使得计算机或处理器执行上述任一个方法中的一个或多个步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应步骤过程的具体描述，在此不再赘述。
应理解，在本申请的描述中，除非另有说明，“/”表示前后关联的对象是一种“或”的关系，例如，A/B可以表示A或B；其中A，B可以是单数或者复数。并且，在本申请的描述中，除非另有说明，“多个”是指两个或多于两个。“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。另外，为了便于清楚描述本申请实施例的技术方案，在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。同时，在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory，ROM)，或随机存取存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。
以上所述，仅为本申请实施例的具体实施方式，但本申请实施例的保护范围并不局限于此，任何在本申请实施例揭露的技术范围内的变化或替换，都应涵盖在本申请实施例的保护范围之内。因此，本申请实施例的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种脑白质高信号分割方法，其特征在于，包括：
获取目标的大脑核磁共振影像数据，并对所述核磁共振影像数据进行标准化处理，以得到目标数据，其中，所述目标数据对应的尺寸为第一预设尺寸，或者，所述目标数据为所述核磁共振影像数据的预设区域对应的数据；
将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据；
根据所述脑白质高信号标记数据确定所述脑白质高信号在大脑中所处位置和体积；
所述对所述核磁共振影像数据进行标准化处理，以得到目标数据，包括：
将所述目标的大脑核磁共振影像数据进行归一化处理，以得到归一化处理后的核磁共振影像数据；
对所述归一化处理后的核磁共振影像数据进行多模态特征提取，以得到所述核磁共振影像数据的多模态特征，所述多模态特征包括图像特征和脑电信号特征；
从预设数据库中获取与所述图像特征相似度大于预设阈值的历史核磁共振影像数据，并根据与所述图像特征相似度大于预设阈值的历史核磁共振影像数据分别对应的脑白质高信号区域确定所述目标的核磁共振影像数据对应的第一区域；
从所述预设数据库中获取与所述脑电信号特征相似度大于预设阈值的历史核磁共振影像数据，并根据与所述脑电信号特征相似度大于预设阈值的历史核磁共振影像数据分别对应的脑白质高信号区域确定所述目标的核磁共振影像数据对应的第二区域；
将所述目标的核磁共振影像数据的图像特征与所述脑电信号特征进行融合，以得到融合后的核磁共振影像数据；
将所述融合后的核磁共振影像数据中对应所述目标的核磁共振影像数据的第一区域和所述第二区域确定为目标数据。
2.根据权利要求1所述的方法，其特征在于，所述对所述核磁共振影像数据进行标准化处理，以得到目标数据，包括：
将所述核磁共振影像数据转换为预设格式；
对所述转换后的核磁共振影像数据进行归一化处理，以得到归一化后的核磁共振影像数据；
对所述归一化后的核磁共振影像数据进行傅里叶变换，以得到傅里叶变换后的核磁共振影像数据；
将所述傅里叶变换后的核磁共振影像数据对应的尺寸转换为第一预设尺寸，以得到目标数据。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述目标在预设时段内的历史生病数据确定所述目标的历史身体信息；
根据所述目标的年龄、身高、体重以及所述目标的历史身体信息，生成所述目标的综合评价值；
根据预设数据库中多个历史目标的综合评价值与核磁共振影像数据对应的变换尺寸之间的关系，确定所述目标的综合评价值对应的所述第一预设尺寸。
4.根据权利要求2或3所述的方法，其特征在于，若所述傅里叶变换后的核磁共振影像数据中像素值大于第一预设阈值的像素点的个数大于第二预设阈值，则将所述傅里叶变换后的核磁共振影像数据对应的尺寸转换为第一预设尺寸。
5.根据权利要求1所述的方法，其特征在于，所述预设脑白质高信号分割模型是基于样本数据及对应的脑白质高信号标注结果进行脑白质高信号分割训练得到的，包括：
对所述样本数据进行预处理，得到经过预处理的样本数据；
获取对经过预处理的样本数据进行标注后的脑白质高信号标注结果；
基于所述经过预处理的样本数据及对应的脑白质高信号标注结果构建样本数据集；
从所述样本数据集中确定训练集和验证集；
将所述训练集输入至脑白质高信号分割模型中，根据预设损失函数计算所述脑白质高信号分割模型的输出结果与所述标注结果之间的误差值，并根据所述误差值对所述脑白质高信号分割模型的参数进行调整，直到所述误差值小于预设阈值，得到所述预设脑白质高信号分割模型。
6.一种脑白质高信号分割装置，其特征在于，包括：
处理模块，用于获取目标的大脑核磁共振影像数据，并对所述核磁共振影像数据进行标准化处理，以得到目标数据，其中，所述目标数据对应的尺寸为第一预设尺寸，或者，所述目标数据为所述核磁共振影像数据的预设区域对应的数据；
分割模块，用于将所述目标数据输入至预设脑白质高信号分割模型中进行分割处理，以得到脑白质高信号标记数据；
确定模块，用于根据所述脑白质高信号标记数据确定所述脑白质高信号在大脑中所处位置和体积；
所述处理模块还用于将所述目标的大脑核磁共振影像数据进行归一化处理，以得到归一化处理后的核磁共振影像数据；对所述归一化处理后的核磁共振影像数据进行多模态特征提取，以得到所述核磁共振影像数据的多模态特征，所述多模态特征包括图像特征和脑电信号特征；从预设数据库中获取与所述图像特征相似度大于预设阈值的历史核磁共振影像数据，并根据与所述图像特征相似度大于预设阈值的历史核磁共振影像数据分别对应的脑白质高信号区域确定所述目标的核磁共振影像数据对应的第一区域；从所述预设数据库中获取与所述脑电信号特征相似度大于预设阈值的历史核磁共振影像数据，并根据与所述脑电信号特征相似度大于预设阈值的历史核磁共振影像数据分别对应的脑白质高信号区域确定所述目标的核磁共振影像数据对应的第二区域；将所述目标的核磁共振影像数据的图像特征与所述脑电信号特征进行融合，以得到融合后的核磁共振影像数据；将所述融合后的核磁共振影像数据中对应所述目标的核磁共振影像数据的第一区域和所述第二区域确定为目标数据。
7.根据权利要求6所述的装置，其特征在于，所述处理模块，用于：
将所述核磁共振影像数据转换为预设格式；
对所述转换后的核磁共振影像数据进行归一化处理，以得到归一化后的核磁共振影像数据；
对所述归一化后的核磁共振影像数据进行傅里叶变换，以得到傅里叶变换后的核磁共振影像数据；
将所述傅里叶变换后的核磁共振影像数据对应的尺寸转换为第一预设尺寸，以得到目标数据。
8.一种脑白质高信号分割设备，其特征在于，包括：处理器和存储器；
所述处理器和存储器相连，其中，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行如权利要求1-5任一项所述的脑白质高信号分割方法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如权利要求1-5任一项所述的脑白质高信号分割方法。
CN202210046350.6A 2022-01-14 2022-01-14 脑白质高信号分割方法、装置、设备及存储介质 Active CN114419066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210046350.6A CN114419066B (zh) 2022-01-14 2022-01-14 脑白质高信号分割方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210046350.6A CN114419066B (zh) 2022-01-14 2022-01-14 脑白质高信号分割方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114419066A CN114419066A (zh) 2022-04-29
CN114419066B true CN114419066B (zh) 2022-12-13

Family

ID=81273222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210046350.6A Active CN114419066B (zh) 2022-01-14 2022-01-14 脑白质高信号分割方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114419066B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105261006A (zh) * 2015-09-11 2016-01-20 浙江工商大学 基于傅里叶变换的医学图像分割算法
GB201709672D0 (en) * 2017-06-16 2017-08-02 Ucl Business Plc A system and computer-implemented method for segmenting an image
CN109859215A (zh) * 2019-01-30 2019-06-07 北京慧脑云计算有限公司 一种基于Unet模型的脑白质高信号自动分割系统及其方法
CA3085617A1 (en) * 2017-12-14 2019-06-20 April KHADEMI Method and system for standardized processing of mr images
CN112508902A (zh) * 2020-11-30 2021-03-16 上海联影智能医疗科技有限公司 白质高信号分级方法、电子设备及存储介质
ES2813777A1 (es) * 2019-09-23 2021-03-24 Quibim S L Metodo y sistema para la segmentacion automatica de hiperintensidades de sustancia blanca en imagenes de resonancia magnetica cerebral

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101676789B1 (ko) * 2014-10-21 2016-11-16 삼성전자주식회사 자기 공명 영상 장치 및 자기 공명 영상을 처리하는 방법
CN111105421A (zh) * 2019-11-29 2020-05-05 上海联影智能医疗科技有限公司 一种脑白质高信号分割方法、装置、设备及存储介质
CN111862066B (zh) * 2020-07-28 2024-04-09 平安科技（深圳）有限公司 基于深度学习的脑瘤图像分割方法、装置、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105261006A (zh) * 2015-09-11 2016-01-20 浙江工商大学 基于傅里叶变换的医学图像分割算法
GB201709672D0 (en) * 2017-06-16 2017-08-02 Ucl Business Plc A system and computer-implemented method for segmenting an image
CA3085617A1 (en) * 2017-12-14 2019-06-20 April KHADEMI Method and system for standardized processing of mr images
CN109859215A (zh) * 2019-01-30 2019-06-07 北京慧脑云计算有限公司 一种基于Unet模型的脑白质高信号自动分割系统及其方法
ES2813777A1 (es) * 2019-09-23 2021-03-24 Quibim S L Metodo y sistema para la segmentacion automatica de hiperintensidades de sustancia blanca en imagenes de resonancia magnetica cerebral
CN112508902A (zh) * 2020-11-30 2021-03-16 上海联影智能医疗科技有限公司 白质高信号分级方法、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Brain Tissue Segmentation Using NeuroNet With Different Pre-processing Techniques;Fakrul Islam Tushar等;《2019 Joint 8th International Conference on Informatics, Electronics & Vision (ICIEV) and 2019 3rd International Conference on Imaging, Vision & Pattern Recognition (icIVPR)》;20191107;第223-227页 *
融合注意力和Inception模块的脑白质病变端到端分割;赵欣等;《光学学报》;20210510;第41卷(第09期);第61-70页 *

Also Published As

Publication number Publication date
CN114419066A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
Ullah et al. A hybrid image enhancement based brain MRI images classification technique
Lu et al. Deep spine: automated lumbar vertebral segmentation, disc-level designation, and spinal stenosis grading using deep learning
US11049243B2 (en) Target detection in latent space
Mendrik et al. MRBrainS challenge: online evaluation framework for brain image segmentation in 3T MRI scans
US11017896B2 (en) Radiomic features of prostate bi-parametric magnetic resonance imaging (BPMRI) associate with decipher score
US10540570B2 (en) Predicting prostate cancer recurrence in pre-treatment prostate magnetic resonance imaging (MRI) with combined tumor induced organ distension and tumor radiomics
Ganiler et al. A subtraction pipeline for automatic detection of new appearing multiple sclerosis lesions in longitudinal studies
Fan et al. Unsupervised cerebrovascular segmentation of TOF-MRA images based on deep neural network and hidden Markov random field model
Pourreza et al. Brain tumor segmentation in MRI scans using deeply-supervised neural networks
Wang et al. Automated detection of focal cortical dysplasia using a deep convolutional neural network
Chesebro et al. Automated detection of cerebral microbleeds on T2*-weighted MRI
Ulaş et al. Dissimilarity‐based detection of schizophrenia
JP6945493B2 (ja) 医用画像処理装置、方法およびプログラム
CN112233132A (zh) 一种基于无监督学习的脑磁共振图像分割方法及装置
CN116309615A (zh) 一种多模态mri脑肿瘤图像分割方法
Valverde et al. Assessing the accuracy and reproducibility of PARIETAL: a deep learning brain extraction algorithm
CN113160256B (zh) 一种多任务生成对抗模型的mr影像胎盘分割方法
CN114419066B (zh) 脑白质高信号分割方法、装置、设备及存储介质
Yao et al. Brain hematoma segmentation using active learning and an active contour model
Amiri et al. An automated MR image segmentation system using multi-layer perceptron neural network
CN110634119B (zh) 分割磁敏感加权图像中静脉血管的方法、装置和计算设备
CN113421274B (zh) 一种基于ct影像的胃癌智能分期方法
CN115690409A (zh) 一种基于SEResU-Net模型的MRI脑肿瘤图像分割方法及系统
WO2019232688A1 (zh) 分割磁敏感加权图像中静脉血管的方法、装置和计算设备
Zhang et al. SFCN: Symmetric feature comparison network for detecting ischemic stroke lesions on CT images

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