CN114419111A - 基于mri影像的原发性肝细胞癌病灶筛查和分割方法及系统 - Google Patents
基于mri影像的原发性肝细胞癌病灶筛查和分割方法及系统 Download PDFInfo
- Publication number
- CN114419111A CN114419111A CN202111423285.6A CN202111423285A CN114419111A CN 114419111 A CN114419111 A CN 114419111A CN 202111423285 A CN202111423285 A CN 202111423285A CN 114419111 A CN114419111 A CN 114419111A
- Authority
- CN
- China
- Prior art keywords
- liver
- hepatocellular carcinoma
- phase
- primary hepatocellular
- data
- 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
- 206010073071 hepatocellular carcinoma Diseases 0.000 title claims abstract description 91
- 231100000844 hepatocellular carcinoma Toxicity 0.000 title claims abstract description 88
- 238000012216 screening Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000004185 liver Anatomy 0.000 claims abstract description 90
- 230000003902 lesion Effects 0.000 claims abstract description 57
- 230000011218 segmentation Effects 0.000 claims abstract description 57
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 12
- 238000012805 post-processing Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 201000007270 liver cancer Diseases 0.000 abstract description 2
- 208000014018 liver neoplasm Diseases 0.000 abstract description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 82
- 238000001514 detection method Methods 0.000 description 16
- 238000003384 imaging method Methods 0.000 description 7
- 208000035126 Facies Diseases 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000003187 abdominal effect Effects 0.000 description 4
- 210000003240 portal vein Anatomy 0.000 description 4
- 206010027336 Menstruation delayed Diseases 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 210000005228 liver tissue Anatomy 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- SLYTULCOCGSBBJ-FCQHKQNSSA-I disodium;2-[[(2s)-2-[bis(carboxylatomethyl)amino]-3-(4-ethoxyphenyl)propyl]-[2-[bis(carboxylatomethyl)amino]ethyl]amino]acetate;gadolinium(3+) Chemical compound [Na+].[Na+].[Gd+3].CCOC1=CC=C(C[C@@H](CN(CCN(CC([O-])=O)CC([O-])=O)CC([O-])=O)N(CC([O-])=O)CC([O-])=O)C=C1 SLYTULCOCGSBBJ-FCQHKQNSSA-I 0.000 description 2
- SLYTULCOCGSBBJ-UHFFFAOYSA-I disodium;2-[[2-[bis(carboxylatomethyl)amino]-3-(4-ethoxyphenyl)propyl]-[2-[bis(carboxylatomethyl)amino]ethyl]amino]acetate;gadolinium(3+) Chemical compound [Na+].[Na+].[Gd+3].CCOC1=CC=C(CC(CN(CCN(CC([O-])=O)CC([O-])=O)CC([O-])=O)N(CC([O-])=O)CC([O-])=O)C=C1 SLYTULCOCGSBBJ-UHFFFAOYSA-I 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229940075342 gadoxetate disodium Drugs 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002054 transplantation Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于MRI影像的原发性肝细胞癌病灶筛查和分割方法及系统。本发明通过对肝脏多期相MRI数据的获取与预处理后，输入第一个预训练的多通道卷积神经网络进行肝脏分割，生成多期相MRI肝脏分割图像；然后将其输入第二个预训练的多通道卷积神经网络进行病灶筛查，获得含有原发性肝细胞癌病灶的多期相MRI肝脏分割图像；再将其输入第三个预训练的多通道卷积神经网络进行病灶分割，生成多期相MRI原发性肝细胞癌病灶分割结果；最后将病灶分割结果和肝脏多期相MRI数据进行可视化展示，并获得原发性肝细胞癌病灶统计信息。
Description
技术领域
本发明属于医学图像处理分割领域，具体涉及一种基于MRI影像的原发性肝细胞癌病灶筛查和分割方法及系统。
背景技术
肝脏占位性病变指的是人体肝脏区域产生的病变，在医学影像数据上表现为异常回声信号，呈现出不均匀的纹理密度。在一些医学影像中，肝脏病灶分割操作极具难度，肝脏病灶图像可能会被其它部分所覆盖，从而增加病灶分割的挑战性。近年来，医学成像技术得到了快速发展，已经作为一种重要的常规检查手段，在临床检查、诊断、手术方案规划中发挥着重要作用。医学成像技术的快速发展为病灶检测提供了不同于传统活组织切片的检测手段，医生能够从医学影像中观察活组织上是否存在病变特征区域，从而依据影像的判别结果来辅以诊断，传统医学影像技术与操作者的经验和技术具有较强的关联性，会受到操作者主观性的影响，而且劳动强度大、耗时效率低。
现有技术中，Takenaga T等关于基于MRI的自动肝局灶性病变检测与分类研究论文(Takenaga T,Hanaoka S,Nomura Y,et al.Multichannel three-dimensional fullyconvolutional residual network-based focal liver lesion detection andclassification in Gd-EOB-DTPA-enhanced MRI[J].International Journal ofComputer Assisted Radiology and Surgery，2021,12:1527–1536)显示，利用非增强期、动脉期、门静脉期、延迟期和肝脏特异期的增强T1加权MRI影像数据，得到的肝细胞癌病灶检测敏感性为56％，正确率为79％。Bousabarah K等关于非全自动肝细胞癌病灶检测与分割研究(Bousabarah K, Letzen B,Tefera J,et al.Automated detection anddelineation of hepatocellular carcinoma on multiphasic contrast-enhanced MRIusing deep learning[J].Abdominal Radiology, 2021,46(1):216-225)显示，通过动脉晚期、门静脉期和延迟期的增强T1加权MRI影像训练模型，得到的检测敏感性为75％，Dice系数为0.68。虽然这些模型对肝细胞癌病灶筛查起到一定的促进作用，但这些模型存在着一定的不足：(a)流程上，不包含自动筛查步骤，系统自动化程度低，导致医疗资源释放不充分。(b)现有研究提出的模型，病灶分割或分类的准确率和敏感性均不足以支持临床应用。
申请号为202110414395.X的现有专利，公开了“一种基于卷积神经网络的肝脏病灶分割方法”，其提出的模型针对肝脏占位性病变分割，其局限性在于不区分良性病变与恶性病变。肝细胞癌病变是肝脏占位性病变中的恶性病变，临床上有必要有需求进行单独检测和分割。
因此，急需一种快速完成肝细胞癌病灶检测与分割流程，解决医学影像视觉检查劳动密集且时间成本高的问题。本发明通过精确的辅助诊断方法取代放射性影像医师机械性的阅片任务通过采用肝脏多期相MRI数据，训练的卷积神经网络模型鲁棒性更高，获得更稳定可靠的检测结果，极大缩短前期医学影像处理的时间。
发明内容
本发明的目的是针对现有技术中存在的问题，提供一种基于MRI影像的原发性肝细胞癌病灶筛查和分割方法及系统。
本发明涉及一种基于MRI影像的原发性肝细胞癌病灶筛查和分割方法及系统。本发明通过对肝脏多期相MRI数据的获取与预处理后，输入第一个预训练的多通道卷积神经网络进行肝脏分割，生成多期相MRI肝脏分割图像；然后将其输入第二个预训练的多通道卷积神经网络进行病灶筛查，获得含有原发性肝细胞癌病灶的多期相MRI肝脏分割图像；再将其输入第三个预训练的多通道卷积神经网络进行病灶分割，生成多期相MRI原发性肝细胞癌病灶分割结果；最后将病灶分割结果和肝脏多期相MRI数据进行可视化展示，并获得原发性肝细胞癌病灶统计信息。
本发明的目的可以通过以下方案来实现：
本发明提供了一种基于MRI影像的原发性肝细胞癌病灶筛查和分割方法及系统，所述方法包括如下步骤：
S1、获取肝脏多期相MRI数据Ioriginal；
S2、对Ioriginal进行数据预处理得到统一标准的肝脏多期相MRI数据Ipreprocessed；
S3、将Ipreprocessed输入第一个预训练的多通道卷积神经网络N1进行肝脏分割，得到肝脏区域的多期相MRI数据Iliver；
S4、将Iliver输入第二个预训练的多通道卷积神经网络N2进行原发性肝细胞癌病灶筛查分类，得到含有原发性肝细胞癌病灶的多期相MRI数据Iliver,HCC和不含有该病灶的多期相MRI数据Iliver,noHCC；
S5、将Iliver,HCC输入第三个预训练的多通道卷积神经网络N3进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果RHCC；
S6、将Ipreprocessed和RHCC进行数据后处理，得到多期相MRI肝脏及原发性肝细胞癌病灶结合影像Icombine，以及原发性肝细胞癌病灶的统计信息。
作为本发明的一个实施方案，步骤S1所述肝脏多期相包括动脉期与门静脉期。动脉期中，肝细胞癌病变整体或部分高于背景肝实质的强化；门静脉期中，肝细胞癌病变周围呈现大部分或全部的光滑、均匀、边缘锐利的环形结构，即病灶周围较厚的纤维、受压的肝窦等组织成分--包膜。
作为本发明的一个实施方案，步骤S1所述肝脏多期相还包括非增强期、延迟期、肝脏特异期中的一种或多种。
作为本发明的一个实施方案，步骤S1所述MRI数据Ioriginal为经对比剂钆塞酸二钠增强的腹部肝脏磁共振成像数据。在前10秒内、25秒、55秒、5分钟后和10到20分钟进行T1加权成像，可分别获区肝脏非增强期、动脉期、门静脉期、延迟期和肝脏特异期的成像数据。T1加权影像是体现组织间密度差异的MRI影像，数据具体形式是由 DICOM格式保存的数据。
作为本发明的一个实施方案，步骤S2中所述的预处理为将不同期相MRI数据配准到指定期相的影像上，生成统一标准的多期相MRI数据。指定期相选择动脉期或门静脉期。统一标准的数据指，经过配准步骤后，其他期相中，肝组织的位置信息与制定期相的图像一致的数据。统一标准指数据整理、清洗、脱敏后保存的NIfTI图像。
作为本发明的一个实施方案，所述的预训练的多通道卷积神经网络N1、N2、N3包括CNN系列或U-Net系列。其中，CNN系列包括：k-CNN、FCN、DCNN或VGG-Net。 U-Net系列包括2DU-Net、2.5D U-Net、3D U-Net、Res-Unet或改进损失函数的U-Net。 N1、N2、N3互不相同。
作为本发明的一个实施方案，N1和N3选取U-Net系列；N2选取CNN系列。N1、 N2、N3可由对应系列中的任一模型实现指定效果。
作为本发明的一个实施方案，所述的预训练过程包括：
1)获取多期相MRI训练集、验证集数据和对应标签；
2)将每个期相MRI训练集数据作为一个通道输入网络；
3)计算训练集数据的网络输出结果与对应标签的损失函数值；
4)根据损失函数值调整网络模型中的参数值；
5)当全部训练集数据输入训练完成后，输入验证集数据和对应标签；
6)计算验证集数据的网络输出结果与对应标签的损失函数值；
7)根据损失函数结果调整网络模型的超参数值；
8)重复2)-7)，直至迭代次数达到设定值、损失函数值达到设定值或分割(分类)精度达到既定指标，结束训练。
三个模型均为此步骤，不同的地方在于训练集、验证集数据和对应标签。其中，N1的数据是统一标准的多期相MRI数据，标签是肝脏分割结果；N2的数据是肝脏区域的多期相MRI数据，标签是是否含有原发性肝细胞癌病灶；N3的数据是含有原发性肝细胞癌病灶的多期相MRI数据，标签是原发性肝细胞癌病灶多期相分割结果。
作为本发明的一个实施方案，步骤S6中所述的后处理包括将RHCC逆配准，还原为与各期相MRI数据Ioriginal匹配的空间中，并将结果以彩色半透明的方式叠加到Ioriginal上，得到肝脏多期相MRI及分割病灶的结合影像。通过结合影像可以大幅简化统计原发性肝细胞癌病灶个数、体积或其他信息的步骤和时间。其他信息指肿瘤基因型预测结果、病理分期预测结果、生存期预测结果、切除术后复发率预测结果或肝移植术后复发率预测结果等。
本发明还提供了一种基于MRI影像的原发性肝细胞癌病灶筛查和分割方法及系统，所述系统包括：
模块A1、获取肝脏多期相MRI数据Ioriginal；
模块A2、对Ioriginal进行数据预处理得到统一标准的肝脏多期相MRI数据Ipreprocessed；
模块A3、将Ipreprocessed输入第一个预训练的多通道卷积神经网络N1进行肝脏分割，得到肝脏区域的多期相MRI数据Iliver；
模块A4、将Iliver输入第二个预训练的多通道卷积神经网络N2进行原发性肝细胞癌病灶筛查，得到含有原发性肝细胞癌病灶的多期相MRI数据Iliver,HCC和不含有该病灶的多期相MRI数据Iliver,noHCC；
模块A5、将Iliver,HCC输入第三个预训练的多通道卷积神经网络N3进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果RHCC；
模块A6、将Ipreprocessed和RHCC进行数据后处理，得到多期相MRI肝脏及原发性肝细胞癌病灶结合影像Icombine，以及原发性肝细胞癌病灶的统计信息。
与现有技术相比，本发明具有如下有益效果：
(1)通过采用肝脏多期相MRI数据，训练的卷积神经网络模型鲁棒性更高，获得更稳定可靠的检测结果；
(2)通过采用卷积神经网络训练数据，学习和捕获不同层次的特征，通过寻找数据内部间的某种联系，构建预测模型进而实现将输入映射成输出(标签或预测值)，能获得检出率更高、假阳性更低的检测结果；
(3)通过采用本发明方法，获得满足临床需求的肝细胞癌病灶检测与分割结构化报告，极大缩短前期医学影像处理的时间，解决医学影像视觉检查劳动密集且时间成本高的问题。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的筛查和分割方法的流程图；
图2为多通道卷积神经网络U-Net模型示意图；
图3为多通道卷积神经网络VGG-Net模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。以下实例在本发明技术方案的前提下进行实施，提供了详细的实施方式和具体的操作过程，将有助于本领域的技术人员进一步理解本发明。需要指出的是，本发明的保护范围不限于下述实施例，在本发明的构思前提下做出的若干调整和改进，都属于本发明的保护范围。
本发明提供了一种原发性肝细胞癌病灶智能筛查和分割方法，如图1所示，包括：
步骤一、获取肝脏多期相MRI数据；
步骤二、肝脏多期相MRI数据预处理；
步骤三、多通道卷积神经网络多期相MRI肝脏分割；
步骤四、多通道卷积神经网络多期相MRI原发性肝细胞癌病灶筛查；
步骤五、多通道卷积神经网络多期相MRI原发性肝细胞癌病灶分割；
步骤六、肝脏与原发性肝细胞癌病灶多期相MRI数据后处理并获得病灶统计信息。
本发明还提供了一种原发性肝细胞癌病灶智能筛查和分割系统，如图1所示，包括：
步骤一、获取肝脏多期相MRI数据；
步骤二、肝脏多期相MRI数据预处理；
步骤三、多通道卷积神经网络多期相MRI肝脏分割；
步骤四、多通道卷积神经网络多期相MRI原发性肝细胞癌病灶筛查；
步骤五、多通道卷积神经网络多期相MRI原发性肝细胞癌病灶分割；
步骤六、肝脏与原发性肝细胞癌病灶多期相MRI数据后处理并获得病灶统计信息。
实施例1
本实施例提供了一种原发性肝细胞癌病灶智能筛查和分割方法，包括如下步骤：
S1、获取肝脏动脉期、门静脉期、非增强期、延迟期、肝脏特异期的MRI数据Ioriginal；数据来自经对比剂钆塞酸二钠增强的腹部肝脏磁共振成像数据。在前10秒内、25秒、 55秒、5分钟后和10到20分钟进行T1加权成像，可分别获区肝脏非增强期、动脉期、门静脉期、延迟期和肝脏特异期的成像数据。
S2、对Ioriginal进行数据，将不同期相MRI数据配准到指定期相的影像上，生成统一标准的多期相MRI数据得到统一标准的肝脏多期相MRI数据Ipreprocessed；指定期相选择动脉期或门静脉期。统一标准的数据指，经过配准步骤后，其他期相中，肝组织的位置信息与制定期相的图像一致的数据。
S3、将Ipreprocessed输入第一个预训练的多通道卷积神经网络N1进行肝脏分割，得到肝脏区域的多期相MRI数据Iliver；所述预训练具体为：1、获取多期相MRI训练集、验证集数据和对应标签；2、将每个期相MRI训练集数据作为一个通道输入网络；3、计算训练集数据的网络输出结果与对应标签的损失函数值；4、根据损失函数值调整网络模型中的参数值；5、当一部分训练集数据输入训练完成后，输入验证集数据和对应标签；6、计算验证集数据的网络输出结果与对应标签的损失函数值；7、根据损失函数结果调整网络模型的超参数值；重复2-7，直至迭代次数达到设定值、损失函数值达到设定值或分割(分类)精度达到既定指标，结束训练。。所述的预训练的多通道卷积神经网络N1为U-Net，如图2所示；三个模型均为此步骤，不同的地方在于训练集、验证集数据和对应标签。其中，N1的数据是统一标准的多期相MRI数据，标签是肝脏分割结果；N2的数据是肝脏区域的多期相MRI数据，标签是是否含有原发性肝细胞癌病灶； N3的数据是含有原发性肝细胞癌病灶的多期相MRI数据，标签是原发性肝细胞癌病灶多期相分割结果。
S4、将Iliver输入第二个预训练的多通道卷积神经网络N2进行原发性肝细胞癌病灶筛查，得到含有原发性肝细胞癌病灶的多期相MRI数据Iliver,HCC和不含有该病灶的多期相MRI数据Iliver,noHCC；所述的预训练的多通道卷积神经网络N2为VGG-Net，如图3 所示；
S5、将Iliver,HCC输入第三个预训练的多通道卷积神经网络N3进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果RHCC；所述的预训练的多通道卷积神经网络N3为U-Net，如图2所示；
S6、将Ipreprocessed和RHCC进行数据后处理：将RHCC逆配准，还原为与各期相MRI 数据Ioriginal匹配的空间中，并将结果以彩色半透明的方式叠加到Ioriginal上，得到肝脏多期相MRI及分割病灶结合影像；并统计原发性肝细胞癌病灶个数、体积或其他信息。得到多期相MRI肝脏及原发性肝细胞癌病灶结合影像Icombine。
实施例2
本实施例提供了一种原发性肝细胞癌病灶智能筛查和分割系统，包括如下步骤：
S1、获取肝脏动脉期、门静脉期、非增强期、延迟期、肝脏特异期的MRI数据Ioriginal；数据来自经对比剂钆塞酸二钠增强的腹部肝脏磁共振成像数据。在前10秒内、25秒、55秒、5分钟后和10到20分钟进行T1加权成像，可分别获区肝脏非增强期、动脉期、门静脉期、延迟期和肝脏特异期的成像数据。
S2、对Ioriginal进行数据，将不同期相MRI数据配准到指定期相的影像上，生成统一标准的多期相MRI数据得到统一标准的肝脏多期相MRI数据Ipreprocessed；指定期相选择动脉期或门静脉期。统一标准的数据指，经过配准步骤后，其他期相中，肝组织的位置信息与制定期相的图像一致的数据。
S3、将Ipreprocessed输入第一个预训练的多通道卷积神经网络N1进行肝脏分割，得到肝脏区域的多期相MRI数据Iliver；所述预训练具体为：1、获取多期相MRI训练集、验证集数据和对应标签；2、将每个期相MRI训练集数据作为一个通道输入网络；3、计算训练集数据的网络输出结果与对应标签的损失函数值；4、根据损失函数值调整网络模型中的参数值；5、当一部分训练集数据输入训练完成后，输入验证集数据和对应标签；6、计算验证集数据的网络输出结果与对应标签的损失函数值；7、根据损失函数结果调整网络模型的超参数值；重复2-7，直至迭代次数达到设定值、损失函数值达到设定值或分割(分类)精度达到既定指标，结束训练。。所述的预训练的多通道卷积神经网络N1为U-Net，如图2所示；三个模型均为此步骤，不同的地方在于训练集、验证集数据和对应标签。其中，N1的数据是统一标准的多期相MRI数据，标签是肝脏分割结果；N2的数据是肝脏区域的多期相MRI数据，标签是是否含有原发性肝细胞癌病灶； N3的数据是含有原发性肝细胞癌病灶的多期相MRI数据，标签是原发性肝细胞癌病灶多期相分割结果。
S4、将Iliver输入第二个预训练的多通道卷积神经网络N2进行原发性肝细胞癌病灶筛查，得到含有原发性肝细胞癌病灶的多期相MRI数据Iliver,HCC和不含有该病灶的多期相MRI数据Iliver,no HCC；所述的预训练的多通道卷积神经网络N2为VGG-Net，如图3 所示；
S5、将Iliver,HCC输入第三个预训练的多通道卷积神经网络N3进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果RHCC；所述的预训练的多通道卷积神经网络N3为U-Net，如图2所示；
S6、将Ipreprocessed和RHCC进行数据后处理：将RHCC逆配准，还原为与各期相MRI 数据Ioriginal匹配的空间中，并将结果以彩色半透明的方式叠加到Ioriginal上，得到肝脏多期相MRI及分割病灶结合影像；并统计原发性肝细胞癌病灶个数、体积或其他信息。得到多期相MRI肝脏及原发性肝细胞癌病灶结合影像Icombine。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (10)
1.一种基于MRI影像的原发性肝细胞癌病灶智能筛查和分割方法，其特征在于，所述方法包括如下步骤：
S1、获取肝脏多期相MRI数据Ioriginal；
S2、对Ioriginal进行数据预处理得到统一标准的肝脏多期相MRI数据Ipreprocessed；
S3、将Ipreprocessed输入第一个预训练的多通道卷积神经网络N1进行肝脏分割，得到肝脏区域的多期相MRI数据Iliver；
S4、将Iliver输入第二个预训练的多通道卷积神经网络N2进行原发性肝细胞癌病灶筛查，得到含有原发性肝细胞癌病灶的多期相MRI数据Iliver，HCC和不含有该病灶的多期相MRI数据Iliver，no HCC；
S5、将Iliver，HCC输入第三个预训练的多通道卷积神经网络N3进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果RHCC；
S6、将Ipreprocessed和RHCC进行数据后处理，得到多期相MRI肝脏及原发性肝细胞癌病灶结合影像Icombine。
2.根据权利要求1所述的原发性肝细胞癌病灶智能筛查和分割方法，其特征在于，步骤S1所述肝脏多期相包括动脉期与门静脉期。
3.根据权利要求1所述的原发性肝细胞癌病灶智能筛查和分割方法，其特征在于，步骤S1所述肝脏多期相还包括非增强期、延迟期、肝脏特异期中的一种或多种。
4.根据权利要求1所述的原发性肝细胞癌病灶智能筛查和分割方法，其特征在于，步骤S2中所述的预处理为将不同期相MRI数据配准到指定期相的影像上，生成统一标准的多期相MRI数据。
5.根据权利要求1所述的原发性肝细胞癌病灶智能筛查和分割方法，其特征在于，所述的预训练的多通道卷积神经网络N1、N2、N3包括CNN系列或U-Net系列。
6.根据权利要求5所述的原发性肝细胞癌病灶智能筛查和分割方法，其特征在于，所述N1和N3选取U-Net系列。
7.根据权利要求5所述的原发性肝细胞癌病灶智能筛查和分割方法，其特征在于，所述N2选取CNN系列。
8.根据权利要求1所述的原发性肝细胞癌病灶智能筛查和分割方法，其特征在于，所述的预训练过程包括：
1)获取多期相MRI训练集、验证集数据和对应标签；
2)将每个期相MRI训练集数据作为一个通道输入网络；
3)计算训练集数据的网络输出结果与对应标签的损失函数值；
4)根据损失函数值调整网络模型中的参数值；
5)当一部分训练集数据输入训练完成后，输入验证集数据和对应标签；
6)计算验证集数据的网络输出结果与对应标签的损失函数值；
7)根据损失函数结果调整网络模型的超参数值；
8)重复2)-7)，直至迭代次数达到设定值、损失函数值达到设定值或分割精度达到既定指标，结束训练。。
9.根据权利要求1所述的原发性肝细胞癌病灶智能筛查和分割方法，其特征在于，步骤S6中所述的后处理包括将RHCC逆配准，还原为与各期相MRI数据Ioriginal匹配的空间中，并将结果以彩色半透明的方式叠加到Ioriginal上，得到肝脏多期相MRI及分割病灶结合影像。
10.一种原发性肝细胞癌病灶智能筛查和分割系统，其特征在于，所述系统包括：
模块A1、获取肝脏多期相MRI数据Ioriginal；
模块A2、对Ioriginal进行数据预处理得到统一标准的肝脏多期相MRI数据Ipreprocessed；
模块A3、将Ipreprocessed输入第一个预训练的多通道卷积神经网络N1进行肝脏分割，得到肝脏区域的多期相MRI数据Iliver；
模块A4、将Iliver输入第二个预训练的多通道卷积神经网络N2进行原发性肝细胞癌病灶筛查，得到含有原发性肝细胞癌病灶的多期相MRI数据Iliver，HCC和不含有该病灶的多期相MRI数据Iliver，no HCC；
模块A5、将Iliver，HCC输入第三个预训练的多通道卷积神经网络N3进行原发性肝细胞癌病灶分割，得到原发性肝细胞癌病灶多期相分割结果RHCC；
模块A6、将Ipreprocessed和RHCC进行数据后处理，得到多期相MRI肝脏及原发性肝细胞癌病灶结合影像Icombine，以及原发性肝细胞癌病灶的统计信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111423285.6A CN114419111A (zh) | 2021-11-26 | 2021-11-26 | 基于mri影像的原发性肝细胞癌病灶筛查和分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111423285.6A CN114419111A (zh) | 2021-11-26 | 2021-11-26 | 基于mri影像的原发性肝细胞癌病灶筛查和分割方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419111A true CN114419111A (zh) | 2022-04-29 |
Family
ID=81264796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111423285.6A Pending CN114419111A (zh) | 2021-11-26 | 2021-11-26 | 基于mri影像的原发性肝细胞癌病灶筛查和分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419111A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115439473A (zh) * | 2022-11-04 | 2022-12-06 | 北京精诊医疗科技有限公司 | 一种基于交互分组注意机制的多期相占位分类方法 |
| CN115526843A (zh) * | 2022-09-14 | 2022-12-27 | 阿里巴巴（中国）有限公司 | 医学图像的处理方法和系统 |
| CN115564770A (zh) * | 2022-11-11 | 2023-01-03 | 北京精诊医疗科技有限公司 | 一种基于深度卷积网络模型的多期相占位分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652886A (zh) * | 2020-05-06 | 2020-09-11 | 哈尔滨工业大学 | 一种基于改进U-net网络的肝肿瘤分割方法 |
| WO2020190821A1 (en) * | 2019-03-15 | 2020-09-24 | Genentech, Inc. | Deep convolutional neural networks for tumor segmentation with positron emission tomography |
| CN113034518A (zh) * | 2021-04-16 | 2021-06-25 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于卷积神经网络的肝脏病灶分割方法 |
| CN113077417A (zh) * | 2021-03-16 | 2021-07-06 | 中国人民解放军总医院第一医学中心 | 用于肝细胞癌微血管侵犯预测的方法及系统 |
-
2021
- 2021-11-26 CN CN202111423285.6A patent/CN114419111A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020190821A1 (en) * | 2019-03-15 | 2020-09-24 | Genentech, Inc. | Deep convolutional neural networks for tumor segmentation with positron emission tomography |
| CN111652886A (zh) * | 2020-05-06 | 2020-09-11 | 哈尔滨工业大学 | 一种基于改进U-net网络的肝肿瘤分割方法 |
| CN113077417A (zh) * | 2021-03-16 | 2021-07-06 | 中国人民解放军总医院第一医学中心 | 用于肝细胞癌微血管侵犯预测的方法及系统 |
| CN113034518A (zh) * | 2021-04-16 | 2021-06-25 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于卷积神经网络的肝脏病灶分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 庞雨薇: ""基于双通道级联 U-Nets 的多期 CT 肝肿瘤分割方法研究"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, 15 March 2021 (2021-03-15) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115526843A (zh) * | 2022-09-14 | 2022-12-27 | 阿里巴巴（中国）有限公司 | 医学图像的处理方法和系统 |
| CN115439473A (zh) * | 2022-11-04 | 2022-12-06 | 北京精诊医疗科技有限公司 | 一种基于交互分组注意机制的多期相占位分类方法 |
| CN115439473B (zh) * | 2022-11-04 | 2023-04-07 | 北京精诊医疗科技有限公司 | 一种基于交互分组注意机制的多期相占位分类方法 |
| CN115564770A (zh) * | 2022-11-11 | 2023-01-03 | 北京精诊医疗科技有限公司 | 一种基于深度卷积网络模型的多期相占位分类方法 |
| CN115564770B (zh) * | 2022-11-11 | 2023-04-18 | 北京精诊医疗科技有限公司 | 一种基于深度卷积网络模型的多期相占位分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Attention unet++: A nested attention-aware u-net for liver ct image segmentation | |
| CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
| Yan et al. | Attention-guided deep neural network with multi-scale feature fusion for liver vessel segmentation | |
| Zhang et al. | Coarse-to-fine stacked fully convolutional nets for lymph node segmentation in ultrasound images | |
| CN114419111A (zh) | 基于mri影像的原发性肝细胞癌病灶筛查和分割方法及系统 | |
| Zheng et al. | Automatic liver tumor segmentation on dynamic contrast enhanced MRI using 4D information: deep learning model based on 3D convolution and convolutional LSTM | |
| Alksas et al. | A novel computer-aided diagnostic system for accurate detection and grading of liver tumors | |
| EP2620909B1 (en) | Method, system and computer readable medium for automatic segmentation of a medical image | |
| CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| Yang et al. | A deep learning segmentation approach in free‐breathing real‐time cardiac magnetic resonance imaging | |
| CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
| Chen et al. | Automated artery localization and vessel wall segmentation using tracklet refinement and polar conversion | |
| Tiago et al. | A data augmentation pipeline to generate synthetic labeled datasets of 3D echocardiography images using a GAN | |
| Li et al. | Preliminary study on artificial intelligence diagnosis of pulmonary embolism based on computer in-depth study | |
| Hill et al. | Emerging artificial intelligence applications in liver magnetic resonance imaging | |
| Berbís et al. | Clinical impact of artificial intelligence-based solutions on imaging of the pancreas and liver | |
| Wu et al. | Transformer-based 3D U-Net for pulmonary vessel segmentation and artery-vein separation from CT images | |
| Barra et al. | Deep learning model for automatic prostate segmentation on bicentric T2w images with and without endorectal coil | |
| Li et al. | Breast MRI Segmentation and Ki‐67 High‐and Low‐Expression Prediction Algorithm Based on Deep Learning | |
| WO2020056196A1 (en) | Fully automated personalized body composition profile | |
| Cau et al. | Applications of artificial intelligence-based models in vulnerable carotid plaque | |
| Daulatabad et al. | Integrating user-input into deep convolutional neural networks for thyroid nodule segmentation | |
| CN116092643A (zh) | 一种基于医疗影像的交互式半自动标注方法 | |
| Tian et al. | When liver disease diagnosis encounters deep learning: Analysis, challenges, and prospects | |
| Mani | Deep learning models for semantic multi-modal medical image segmentation |
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 |