CN114638776A - 脑卒中早期评估方法与系统及脑部区域分割方法 - Google Patents
脑卒中早期评估方法与系统及脑部区域分割方法 Download PDFInfo
- Publication number
- CN114638776A CN114638776A CN202011492893.8A CN202011492893A CN114638776A CN 114638776 A CN114638776 A CN 114638776A CN 202011492893 A CN202011492893 A CN 202011492893A CN 114638776 A CN114638776 A CN 114638776A
- Authority
- CN
- China
- Prior art keywords
- brain
- neural network
- loss function
- encoder
- image
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000011156 evaluation Methods 0.000 title claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 90
- 238000003709 image segmentation Methods 0.000 claims abstract description 69
- 208000006011 Stroke Diseases 0.000 claims abstract description 65
- 230000011218 segmentation Effects 0.000 claims abstract description 42
- 238000005192 partition Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000011157 brain segmentation Effects 0.000 abstract description 5
- 238000002591 computed tomography Methods 0.000 description 42
- 230000006870 function Effects 0.000 description 28
- 238000002059 diagnostic imaging Methods 0.000 description 22
- 210000003625 skull Anatomy 0.000 description 22
- 230000010412 perfusion Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000012952 Resampling Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013170 computed tomography imaging Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000003657 middle cerebral artery Anatomy 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002603 single-photon emission computed tomography Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 201000006474 Brain Ischemia Diseases 0.000 description 2
- 206010008120 Cerebral ischaemia Diseases 0.000 description 2
- 208000032382 Ischaemic stroke Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000002551 anterior cerebral artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 210000001627 cerebral artery Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 210000003388 posterior cerebral artery Anatomy 0.000 description 1
- 210000002637 putamen Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/10—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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- 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
- G06T2207/30008—Bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种脑卒中早期评估系统,用于脑卒中早期评估,其包括预处理模块,用于对获取的脑医学图像数据集进行预处理;脑分区模块,用于基于经预处理的脑医学图像数据集进行脑部区域分割,该脑分区模块包括图像分割神经网络,该图像分割神经网络由自编码器辅助进行训练;评分模块,用于基于脑分区模块获得的脑分区图像进行评分。本发明可提高脑分区图像的分割精度及脑卒中早期评估的准确性。
Description
技术领域
本发明涉及医学影像,尤其是涉及脑卒中早期评估方法与系统及脑部区域分割方法。
背景技术
脑卒中是目前导致死亡的主要疾病之一,其中急性缺血性卒中(Acute IschemicStroke)是由于各种原因导致的脑组织血液供应障碍,进而造成的一种脑功能损伤,是脑卒中的主要类型,约占全部卒中类型的60%到80%。对脑缺血患者在发病早期给予积极的治疗,能阻止脑缺血的进一步发展,可以减轻脑损害及避免大脑组织不可逆性坏死所可能引发的死亡。临床应用中脑卒中早期评估方法可以采用ASPECT(Alberta Stroke ProgramEarly CT Score)评分,其为医生提供量化的病情信息以帮助进一步制定有效的治疗方案。ASPECTS依据头颅CT影像数据或其他模态影像数据,将大脑中动脉供血的重要层面分成10个区域,包括位于核团层面的尾状核头(C)、豆状核(L)、内囊后肢(IC)、岛带(I)、M1(大脑中动脉前皮质区)、M2(大脑中动脉岛叶外侧皮质区)、M3(大脑中动脉后皮质区),以及位于核团以上层面(核团上层)的M4(M1上方的大脑中动脉皮层)、M5(M2上方的大脑中动脉皮层)和M6(M3上方的大脑中动脉皮层)。上述10个区域具有相同的权重,各占1分,总分为10分。总分中减去存在早期缺血性改变的区域数,所得的数值作为评分结果,为病情判断并治疗提供依据。
一种ASPECTS评分方法是基于医生肉眼进行判断,但由于不同影像设备、不同技术人员、不同病人状况等因素的存在,不能保证头颅CT影像数据的一致性,主观性带来的差异较大。另一种ASPECTS评分方法是基于模板配准,该方法通过将获取脑部CT图像和对应的ASPECT脑部分区模板图像进行配准,并将所述ASPECT脑部分区模板图像标记出的各个分区映射到与其配准的脑部CT图像中,获得所述脑部CT图像中的多个ASPECT脑部分区。基于模板配准的ASPECTS评分方法方法存在以下不足如:(1)配准算法在寻找两个相似区域时,如果源图像噪声较大,会导致匹配失准;(2)不同设备之间产生的图像数据分布差异大,基于模板的配准方法难以适用于不同设备来源的数据;(3)针对病例脑部结构跟标准的模板结构差异性大的病例,基于模板的配准算法难以达到准确的评分。
因此,需要一种脑卒中早期评估方法与系统及相应的脑部区域分割方法,能够减少医疗人员的依据经验判断所引入的主观差异及并能够提高准确度。
发明内容
在本发明的一个方面,提供一种基于医学图像的脑卒中早期评估系统,其包括:预处理模块,用于对获取的脑医学图像进行预处理;脑分区模块,用于对经过预处理的脑医学图像进行脑部区域分割,该脑分区模块包括图像分割神经网络,该图像分割神经网络由自编码器辅助进行训练;评分模块,用于基于脑分区模块获得的脑分区图像进行评分。
本发明的一个方面,脑卒中早期评估系统中图像分割神经网络包括Dense V-net神经网络、U-Net神经网络或V-Net神经网络。
本发明的一个方面,脑卒中早期评估系统中,自编码器包括变分自编码器。
本发明的一个方面,脑卒中早期评估系统中,自编码器连接至图像分割神经网络的降采样支路。
本发明的一个方面,脑卒中早期评估系统中,图像分割神经网络训练的损失函数包括KL散度损失函数和Dice系数损失函数,其中,KL散度损失函数对应自编码器的损失函数,Dice系数损失函数对应图像分割神经网络的损失函数。
在本发明的一个方面,提供一种基于医学图像的脑卒中早期评估方法,其包括:对获取的脑医学图像进行预处理;对经过预处理的脑医学图像进行脑部区域分割,该脑部区域分割使用图像分割神经网络,且该图像分割神经网络由自编码器辅助进行训练;基于脑分区模块获得的脑部分区图像进行评分。
本发明的一个方面,脑卒中早期评估方法中,图像分割神经网络包括Dense V-net神经网络、U-Net神经网络或V-Net神经网络。
本发明的一个方面,脑卒中早期评估方法中,自编码器包括变分自编码器。
本发明的一个方面,脑卒中早期评估方法中,自编码器连接至图像分割神经网络的降采样支路。
本发明的一个方面,脑卒中早期评估方法中,图像分割神经网络训练的损失函数包括KL散度损失函数和Dice系数损失函数,其中,KL散度损失函数对应于自编码器的损失函数,Dice系数损失函数对应于图像分割神经网络的损失函数。
本发明的一个方面,提供一种脑医学图像的脑部区域分割方法,其包括:对获取的脑医学图像进行预处理;使用图像分割神经网络对经过预处理的脑医学图像进行脑部区域分割,图像分割神经网络由自编码器辅助进行训练。
本发明的一个方面,脑部区域分割方法中,图像分割神经网络包括Dense V-net神经网络、U-Net神经网络或V-Net神经网络。
本发明的一个方面,脑部区域分割方法中,自编码器包括变分自编码器。
本发明的一个方面,脑部区域分割方法中,自编码器连接至图像分割神经网络的降采样支路。
本发明的一个方面,脑部区域分割方法中,图像分割神经网络训练的损失函数包括KL散度和Dice系数损失函数,其中,KL散度对应自编码器的损失函数,Dice系数损失函数对应图像分割神经网络的损失函数。
本发明的一方面,提供一种系统,包括用于执行前述脑卒中早期评估方法与脑部区域分割方法的处理器。
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前述脑卒中早期评估方法与脑部区域分割方法。
在本发明中,在训练时自编码器会引导图像分割神经网络学习到脑部区域的结构特征,因此优化了图像分割神经网络的参数。经过训练的图像分割神经网络300对经过预处理的图像经过分割,可以获得更高精度的脑区域分割图像。
应理解,提供上文的简要描述是为了以简化的形式介绍在具体实施方式中进一步描述的技术方案。这并不意味着上文的简要描述限定限定本发明所要求保护的关键或必要特征,本发明所要求保护的范围由权利要求唯一地限定。此外,所要求保护的发明不限于解决在上文中或在本公开的任一区段中所提及的任何缺点的实现。
通过下面参考附图进行的详细描述,本发明的这些以及其他的特征和方面会变得更加清楚。
附图说明
为了能够详细地理解本发明,可参考实施例得出上文所简要概述的本发明的更具体的描述,一些实施例在附图中示出,为了促进理解,已尽可能使用相同附图标记来标示各图所共有的相同要素。然而,应当注意,附图仅仅示出本发明的典型实施例,并且因此不应视为限制本发明的范围,因为本发明可允许其他等同的实施例,在附图中:
图1示意性地示出了根据本发明的实施例的CT成像系统。
图2示意性地示出了根据本发明的实施例的CT成像系统的框图。
图3示意性地示出了根据本发明的实施例的脑卒中早期评估系统的框图。
图4示意性地示出了根据本发明的实施例的脑卒中早期评估系统的预处理模块框图。
图5示意性地示出了根据本发明的实施例的脑卒中早期评估系统的脑分区模块的神经网络结构图。
图6示意性地示出了根据本发明的实施例的脑卒中早期评估方法的流程框图。
图7示意性地示出了根据本发明的实施例的脑卒中早期评估方法的预处理的流程框图。
图8示意性地示出了根据本发明的实施例的脑区域分割的示例图。
图9示意性地示出了根据本发明的实施例的脑区域分割的示例图。
图10示意性地示出了根据本发明的实施例的执行脑卒中早期评估方法的电子设备的示例。
图11示意性地示出了根据本发明的实施例的脑卒中早期评估系统的示例。
可以预期的是,本发明的一个实施例中的要素可有利地适用于其他实施例而无需赘述。
具体实施方式
以下将描述本发明的具体实施方式,需要指出的是,在这些实施方式的具体描述过程中,为了进行简明扼要的描述,本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是,在任意一种实施方式的实际实施过程中,正如在任意一个工程项目或者设计项目的过程中,为了实现开发者的具体目标,为了满足系统相关的或者商业相关的限制,常常会做出各种各样的具体决策,而这也会从一种实施方式到另一种实施方式之间发生改变。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本发明公开的内容相关的本领域的普通技术人员而言,在本发明揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本发明的内容不充分。
除非另作定义,权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件,并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,也不限于是直接的还是间接的连接。
本文中所描述的脑卒中早期评估系统与方法及脑部区域分割方法可以适用于各种医学成像模态,包括但不限于计算机断层扫描(CT)设备、磁共振成像(MRI)设备、正电子发射断层扫描(PET)设备、单光子发射计算机断层扫描(SPECT)设备、或其他任何合适的医学成像设备。脑卒中早期评估系统可以包括前述医学成像设备,也可以包括连接到医学成像设备的单独的计算机设备,还可以包括连接至互联网云端的计算机设备,该计算机设备通过互联网连接到医学成像设备或者存储医学图像的存储器或存储系统。脑卒中早期评估方法可以由前述医学成像设备、连接到医学成像设备的计算机设备,连接至互联网云端的计算机设备独立或者联合的实施。
示例性地,以下结合X射线计算机断层摄影(CT)设备描述本发明。本领域技术人员将理解,本发明还可以适用于其他适于脑卒中早期评估的医学成像设备。
图1示出根据本发明示例性实施例的脑卒中早期评估系统和方法所适用的CT成像设备100。图2是图1所示的示例CT成像设备100的示意性框图。
参见图1,CT成像设备100被示出为包括扫描机架11。扫描机架11具有X射线源11a,X射线源11a朝向扫描机架11的相对侧上的检测器组件或准直器12投射X射线束11b。
参见图2,检测器组件12包括多个检测器单元12a和数据采集系统(DAS)12b。多个检测器单元12a感测穿过对象10的经投射的X射线束11b。
DAS 12b根据检测器单元12a的感测,将收集到的信息转换为投影数据以供后续处理。在采集X射线投影数据的扫描期间,扫描机架11以及安装于其上的部件绕着旋转中心11c旋转。
扫描机架11的旋转和X射线源11a的操作由CT系统100的控制机构13控制。控制机构13包括向X射线源11a提供功率和定时信号的X射线控制器13a、以及控制扫描机架11的旋转速度和位置的扫描机架电机控制器13b。图像重建装置14从DAS 12b接收投影数据并且执行图像重建。重建的图像作为输入传输至计算机15,计算机15将图像存储在大容量存储装置16中。
计算机15还通过控制台17从操作员接收命令和扫描参数,控制台17具有某种形式的操作员界面,例如键盘、鼠标、语音激活控制器或任何其他合适的输入装置。相关联的显示器18允许操作员观察来自计算机15的重建图像和其他数据。操作者提供的命令和参数由计算机15使用,以向DAS 12b、X射线控制器13a和扫描机架电机控制器13b提供控制信号和信息。另外,计算机15操作患者台电机控制器19a,其控制患者台19以定位对象10和扫描机架11。特别地,患者台19使对象10全部或部分地移动通过图1的扫描机架开口11d。
图3示出根据本发明的实施例的脑卒中早期评估系统200的示例性框图。该脑卒中早期评估系统200包括预处理模块22、脑分区模块23、评分模块24。获取模块21用于获取脑医学图像数据集。预处理模块201用于对获取的脑医学图像数据集进行预处理。脑分区模块23对经过预处理的脑医学图像数据集进行脑区域分割,该脑分区模块包括图像分割神经网络,该图像分割神经网络由自编码器辅助进行训练。评分模块24用于基于所述脑分区模块23获得的脑分区图像进行评分。
可选地,脑卒中早期评估系统200还可以包括如图3中虚线框表示的数据获取模块21,该数据获取模块21可从脑医学图像来源获取脑医学图像数据集,其中脑医学图像来源可以包括医学图像扫描设备,如CT、MRI、PET、PET-CT、PET-MR、SPECT等。脑医学图像来源还可以包括用于存储脑医学图像的专用系统,如影像归档和通信系统(PACS)或者计算机云端存储系统。示例地,在脑卒中早期评估中,数据获取模块21获取CT脑部平扫图像数据或者CT灌注图像数据。在获取CT灌注图像数据的情形,在向患者脑部静脉快速团注对比剂后,对患者进行CT扫描,获取特定间隔的多个时间点的CT灌注图像数据。该等CT灌注图像数据形成CT脑医学图像数据集,优选地,该获取第一期CT灌注图像数据。本领域技术人员可以理解,脑卒中早期评估系统200可以直接从脑医学图像来源直接获取医学图像数据而无需该数据获取模块21。
图4示出根据本发明的实施例的脑卒中早期评估系统200的预处理模块22,该预处理模块22包括颅骨剔除模块22a、数据标准化模块22b、数据重采样模块22c。该预处理模块22对获取的脑医学图像数据集进行预处理,使得该脑医学图像数据集符合特定的要求,以便于将预处理后的脑医学图像数据集输入到脑分区模块中进行精确地脑区域分割。
颅骨剔除模块22a可以将脑医学图像数据集中的颅骨图像信息剔除,进而在后续的图像预处理和图像分割中,可以减小颅骨图像信息对非颅骨图像信息的影响。示例地,颅骨剔除模块22a选取前述获取的CT脑医学图像数据集中的最清晰的一期灌注图像数据,并采用模板匹配等方法将该期灌注图像数据的颅骨图像信息去除,同时将颅骨图像信息去除后的该期灌注图像数据作为蒙片,然后将脑医学图像数据集中的其他各期的灌注图像数据与蒙片进行点乘操作,进而得到颅骨图像信息剔除后的脑医学图像数据集。可选地,可进一步将脑医学图像数据集中HU值超出[0,120]范围的像素点重置为0,以此进一步优化颅骨剔除的结果。前述最清晰一期灌注图像数据的选择可以基于各期图像数据中各像素点的CT值,例如,将某一期灌注图像数据中全部像素点CT值总和最高、或者一定比例的像素点CT值总和最高、或者全部像素点的CT值均值最高时,选定将该期灌注图像数据作为最清晰一期灌注图像数据。本领域技术人员可以理解,颅骨剔除模块22a的执行可以通过预设的程序自动执行,而不需要人为干预。
数据标准化模块22b用于对获取的脑医学图像集进行标准化。示例地,数据标准化时首先计算出数据集中所有图像像素非零区域的均值和方差,再将脑医学图像数据集中的每个像素值减去整体脑医学图像数据集的均值,再除以整体脑医学图像数据集的方差。标准化用于将数据分布控制在均值为0和标准差为1的范围,有利于加速神经网络训练过程,降低神经网络模型陷入局部最优的可能性。
数据重采样模块22c用于对经数据标准化模块22b处理后的数据进行重采样,其用于将不同维度的数据都采样到同样的维度。
示例地,在脑分区模块23的图像分割神经网络训练阶段,预处理模块22还包括图4中用虚线框表示的标签数据生成模块22d以生成标签数据,该标签数据可以由人工对一定数量的脑医学图像数据进行手动标注。所属领域技术人员可以理解,在使用阶段,该标签数据生成模块22d可以省略。
图5示出根据本发明的实施例的脑分区模块23用于基于经过预处理的脑医学图像数据集进行脑区域分割,脑分区模块23包括图像分割神经网络300与自编码器400,图像分割神经网络300由自编码器400辅助进行训练。
如图5所示,示例地,脑分区模块23采用DenseV-net神经网络300作为图像分割神经网络,其包括降采样路径(或称为压缩路径、左侧路径)30a与上采样路径(或称为解压缩路径、右侧路径)30b。降采样分支30a包括三个阶段的卷积层,即降采样分支30a包括第一阶段卷积层31、第二阶段卷积层32、第三阶段卷积层33,各阶段卷积层的采用稠密块(DenseBlock)进行卷积运算。该稠密块包括串联的若干卷积层,每一个卷积层的输入由该层前面所有卷积层输出的特征图拼接在一起形成。第一阶段卷积层31的输出经过降采样后输入到第二阶段卷积层32,第二阶段卷积层32的输出经过降采样后输入到第三阶段卷积层33。在本实施例中,降采样采用池化操作(maxpool2×2),其可以采用最大池化操作或者其他合适的池化操作方式。上采样路径30b与降采样路径30a相对称,包括三个阶段的卷积层,亦即包括第四阶段卷积层34、第五阶段卷积层35与第六阶段卷积层36。第三阶段卷积层33的输出直接作为第四阶段卷积层34的输入,顺序经过卷积运算、上采样后输出;第二阶段卷积层35的输出直接作为第五阶段卷积层35的输入,顺序经过卷积运算、上采样后输出;第一阶段卷积层34的输出直接作为第六阶段卷积层46的输入,经过卷积运算后输出。上采样路径30b的三个阶段的卷积层34、35、46的输出经过求和后,经过softmax映射层得到模型预测的分割结果,实现对脑医学图像数据集的脑区域分割。可以理解,本实施方式中,脑分区模块23采用Dense V-net结构作为图像分割神经网络,在其他实施方式中,脑分区模块23可以采用与Dense V-net神经网络结构类似的U-Net神经网络或V-Net神经网络。
如图5所示,示例地,该自编码器400采用变分自编码器(VariationalAutoencoder,VAE),在其他实施方式中也可以采用其他种类的自编码器。自编码器400连接至图像分割神经网络300的降采样支路。本实施方式中,自编码器400连接至图像分割神经网络300降采样支路30a的第三阶段卷积层33,亦即将降采样支路30a的第三阶段卷积层33经降采样后输入自编码器400。在其他实施方式中,自编码器400也可以连接自降采样支路30a的第一阶段卷积层31或第二阶段卷积层32。自编码器400将接收的降采样图像数据经过均值向量与标准向量处理后,经过三级上采样层后输出特征图像。
在训练阶段,将前述经预处理模块22处理的脑医学图像数据集、标签数据用于图像分割神经网络300与自编码器400的训练。训练的损失函数包括基于KL散度(Kullback-Leibler divergence,也称相对熵、信息散度)损失函数和基于分割的Dice系数损失函数(Dice coefficient loss function)两部分,其中变分自编码器400采用KL散度损失函数和图像分割神经网络300采用Dice系数损失函数,每次迭代将两种损失求和作为脑分区模块23整体神经网络模型的损失,如以下公式所示:
yj_predict表示自编码器模型预测的恢复的图像的第j个像素数据,yj_true表示输入图像的第j个像素数据,n表示预测的ASPECT类别,TPi、FNi、FPi分别表示第i类分割结果中的真阳率、假阴率和假阳率。
可以理解,本发明实施示例的实施方式中,在训练阶段,图像分割神经网络300与自编码器400的训练是一种多任务并行学习,两个网络的训练结果之间存在相互影响。图像分割神经网络300的分割精度依赖于网络学习到的脑部结构特征,即若脑部结构特征能准确表示出脑部的结构细节信息,则图像分割神经网络300具有较高的图像分割精度,且能适用于不同扫描设备来源的图像数据,即具有较好的泛化性能。自编码器400通过第三阶段卷积层33经降采样后的特征层信息重建出原脑部图像,自编码器400可以学习得到脑部图像的结构信息。如前述训练中将两种损失求和作为整体神经网络模型的损失,通过合并损失函数,可以优化图像分割神经网络400的共享参数,此部分共享参数可以表达脑部结构信息。亦即,在训练过程中,图像分割神经网络300由自编码器400辅助进行训练,可以优化图像分割神经网络300的参数,提升图像分割的精度。
如图3所示,脑卒中早期评估系统200还包括评分模块24,该评分模块24基于脑分区模块23处理所获取的脑分区图像依照ASPECT评分规则对脑卒中的严重程度进行评分。
图6示出根据本发明的实施例的脑卒中早期评估方法600的示例框图,该脑卒中早期评估方法600包括预处理脑医学图像数据集的步骤62、脑区域分割的步骤63及ASPECT评分的步骤64。
可选地,脑卒中早期评估方法600还可以包括如图6中虚线框表示的获取脑医学图像数据集的步骤61。在该步骤61中,可从脑医学图像来源中获取脑医学图像数据集,其中脑医学图像来源可以包括医学图像扫描设备,如CT、MRI、PET、PET-CT、PET-MR、SPECT等。脑医学图像来源还可以包括用于存储脑医学图像的专用系统,如影像归档和通信系统(PACS)或者计算机云端存储系统。示例地,在步骤61获取的脑医学图像数据集包括CT脑部平扫数据或者CT灌注图像数据。在获取CT灌注图像数据的情形,在向患者脑部静脉快速团注对比剂后,对患者进行CT扫描,获取特定间隔的多个时间点的CT灌注图像数据,该等CT灌注图像数据形成CT脑医学图像数据集,优选地,该获取第一期CT灌注图像数据。本领域技术人员可以理解,脑卒中早期评估方法600可以直接从脑医学图像来源直接获取医学图像数据而无需获取脑医学图像数据集的步骤61。
图7示出了预处理脑医学图像数据集的步骤62,该步骤62包括剔除颅骨的步骤62a、标准化脑医学图像数据集的步骤62b、数据重采样的步骤62c。经过预处理的图像数据符合特定的要求,以便于进一步获取适合的脑部区域分割。
在步骤62a,剔除颅骨,可以将CT脑医学图像数据集中的颅骨图像信息剔除,进而在后续的图像预处理和图像分割中,可以减小颅骨图像信息对非颅骨图像信息的影响。示例地,在步骤62a,选取前述脑医学图像数据集中的最清晰的一期脑医学图像数据,并采用模板匹配方法等方法将该期脑医学图像数据的颅骨去除,同时将颅骨图像信息去除后的该期脑医学图像数据作为蒙片,然后将蒙片与其他各期的脑医学图像数据进行点乘操作,进而得到颅骨图像信息剔除后的多期脑医学图像数据集。可选地,可进一步将脑医学图像数据集中HU值超出[0,120]范围的像素点重置为0,以此进一步优化颅骨剔除的结果。前述最清晰一期脑医学图像数据的选择可以基于各期图像数据中各像素点的CT值,例如,将某一期脑医学图像数据中全部像素点CT值总和最高、或者一定比例的像素点CT值总和最高、或者全部像素点的CT值均值最高时,选定将该期CT脑医学图像数据作为最清晰一期脑医学图像数据。本领域技术人员可以理解,剔除颅骨的步骤可以通过预设的程序自动执行,而不需要人为干预。
在步骤62b,标准化脑医学图像数据集,示例地,首先计算出数据集中所有图像像素非零区域的均值和方差,再将脑医学图像数据集中的每个像素值减去整体脑医学图像数据集的均值,再除以整体脑医学图像数据集的方差。标准化用于将数据分布控制在均值为0和标准差为1的范围,有利于加速神经网络训练过程,降低神经网络模型陷入局部最优的可能性。
在步骤62c,进行数据重采样,其将用于对经数据标准化模块22b处理后的脑医学图像数据集进行重采样,以将不同维度的数据都采样到同样的维度。
示例的,在对脑区域分割步骤63所使用的神经网络进行训练阶段,预处理脑医学图像数据集的步骤62还可以包括在图7中以虚线框表示的生成标签数据的步骤62d以生成标签数据。标签数据可以由人工对一定数量的脑医学图像数据进行手动标注。所属领域技术人员可以理解,在使用阶段,该生成标签数据的步骤62d可以省略。
在步骤63中,脑区域分割使用如图5所示的图像分割神经网络300与自编码器400。在训练阶段,将前述预处理生成的脑医学图像数据集与标签数据用于图像分割神经网络300与自编码器400的训练。在实际使用阶段,训练好的图像分割神经网络300对经预处理的脑医学图像数据集进行图像分割。
在步骤64中,评分的步骤64基于脑区域分割步骤63所获取的脑分区图像依照ASPECT评分规则对脑卒中的严重程度进行评分。
可以理解,本发明中,训练过程中自编码器400会引导图像分割神经网络300学习到脑部区域的结构特征,因此优化了图像分割神经网络300的参数。在使用阶段,经过训练的图像分割神经网络300对经过预处理的图像经过分割,可以获得更高精度的脑区域分割图像,进而获得准确的脑卒中评分。
图8示出根据本发明的实施例的一种脑医学图像的脑部区域分割方法500,其包括对获取的脑医学图像进行预处理的步骤52、脑区域分割的步骤53。可选地,脑部区域分割方法500包括如图8中虚线框表示的获取脑医学图像的步骤51、该获取脑医学图像的步骤51与前述脑卒中早期评估方法600的获取脑医学图像数据集的步骤61相同。对获取的脑医学图像进行预处理的步骤52与前述脑卒中早期评估方法600的预处理脑医学图像数据集的步骤62相同。脑区域分割的步骤53使用图像分割神经网络对经过预处理的脑医学图像进行脑部区域分割,该图像分割神经网络由自编码器辅助进行训练。脑区域分割使用如图5所示的图像分割神经网络300与自编码器400。在训练阶段,将前述预处理生成的脑医学图像数据集与标签数据用于图像分割神经网络300与自编码器400的训练。在实际使用阶段,训练好的图像分割神经网络300对经预处理的脑医学图像数据集进行图像分割。
图9示出根据本发明的实施例的脑卒中早期评估方法600、脑医学图像的脑部区域分割方法500的脑部区域分割结果的示例图。
图10示出根据本发明的实施例的执行脑卒中早期评估方法的电子设备700的示例。电子设备700包括:一个或多个处理器71;存储装置72,用于存储一个或多个程序,当该一个或多个程序被一个或多个处理器71执行,使得一个或多个处理器71实现本文中描述的方法。处理器诸如例如,数字信号处理器(DSP)、微控制器、专用集成电路(ASIC)或微处理器。
图10所示的电子设备700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10所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:一个或者多个处理器71,存储装置72,连接不同系统组件(包括存储装置72和处理器71)的总线75。
总线75表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备700典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备700访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置72可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)72a和/或高速缓存存储器72c。电子设备700可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统72b可以用于读写不可移动的、非易失性磁介质(图10未显示,通常称为“硬盘驱动器”)。尽管图10中未示出,可以提供用于对可移动非易失性磁盘(例如″软盘″)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线75相连。存储装置72可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块72f的程序/实用工具72d,可以存储在例如存储装置72中,这样的程序模块72f包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块72f通常执行本发明所描述的任意实施例中的功能和/或方法。
电子设备700也可以与一个或多个外部设备76(例如键盘、指向设备、显示器77等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口73进行。并且,电子设备700还可以通过网络适配器74与一个或者多个网络(例如局域网(LAN)、广域网(WAN)和/或公共网络,例如因特网)通信。如图10所示,网络适配器74通过总线75与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器71通过运行存储在存储装置72中的程序,从而执行各种功能应用以及数据处理。
根据本发明的实施例,还提供一种计算机可读介质,其上具有指令,所述指令在被处理器执行时使得处理器执行本发明的方法的步骤。该计算机可读介质可以包括但不限于通过机器或设备制造或形成的物品的非瞬态的有形安排,其包括存储介质,诸如:硬盘;任何其他类型的盘,包括软盘、光盘、只读光盘存储器(CD-ROM)、可读写光盘存储器(CD-RW)以及磁光盘;半导体器件,诸如只读存储器(ROM)、诸如动态随机存取存储器(DRAM)和静态随机存取存储器(SRAM)之类的随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、闪存、电可擦除可编程只读存储器(EEPROM);相变存储器(PCM);磁卡或光卡;或适于存储电子指令的任何其他类型的介质。该计算机可读介质可以安装在CT设备中,也可以安装在远程操控CT设备的单独的控制设备或计算机中。
图11示出了根据本发明的实施例的示例性脑卒中早期评估系统800的框图。参考图11,脑卒中早期评估系统800可以包括用于进行成像扫描以生成医学图像的医学成像设备81、用于存储医学图像的存储设备82、以及通信地连接至存储设备82并且包括处理器85的医学成像工作站83或医学图像云平台分析系统84。处理器85可以用于执行发明的前述脑卒中早期评估方法。
医学成像设备81可以是cT设备、MRI设备、PET设备、SPECT设备、或其他任何合适的成像设备。存储设备82可以位于医学成像设备81内、医学成像设备81外部的服务器内、独立的医学影像存储系统(诸如,PACS)内和/或远程的云存储系统内。医学成像工作站83可以设置在医学成像设备81本地,亦即医学成像工作站83临近医学成像设备81设置,两者可以共同位于扫查室、影像科或同一医院内。而医学图像云平台分析系统84可以远离医学成像设备81定位,例如设置在与医学成像设备81通信的云端处。作为示例,在医疗机构利用医学成像设备81完成成像扫描之后,扫描得到的数据被存储在存储设备82内;医学成像工作站83可以直接读取扫描得到的数据,并且通过其处理器使用本发明的方法进行图像配准。作为另一个示例,医学图像云平台分析系统84可以通过远程通信读取存储设备82内的医学图像,以提供“软件即服务(SAAS)”。SAAS可以存在于医院与医院之间、医院与影像中心之间,也可以存在于医院与第三方在线诊疗服务商之间。
本发明中所描述的技术可至少部分地以硬件、软件、固件或其任何组合来实现。例如,可在一个或多个微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、或任何其他等效的集成或分立逻辑电路、以及体现在编程器(诸如,医师或患者编程器、刺激器、或其他设备)中的此类部件的任何组合内实现所述技术的各方面。术语“处理器”、“处理电路”、“控制器”或“控制模块”通常可以指任何上述逻辑电路(单独或与其他逻辑电路组合),或任何其他等效电路(并且单独或与其他数字或模拟电路组合)。
上面已经描述了本发明的一些示例性实施例。然而,应该理解的是,在不脱离本发明精神和范围的情况下,还可以对上述示例性实施例做出各种修改。例如,如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充,也可以实现合适的结果,那么相应地,这些修改后的其它实施方式也落入权利要求书的保护范围内。
Claims (17)
1.一种基于医学图像的脑卒中早期评估系统,其特征在于,包括:
预处理模块,用于对获取的脑医学图像进行预处理;
脑分区模块,用于对经过预处理的脑医学图像进行脑部区域分割,该脑分区模块包括图像分割神经网络,该图像分割神经网络由自编码器辅助进行训练;
评分模块,用于基于所述脑分区模块获得的脑分区图像进行评分。
2.如权利要求1所述的脑卒中早期评估系统,其特征在于:所述图像分割神经网络包括Dense V-net神经网络、U-Net神经网络或V-Net神经网络。
3.如权利要求2所述的脑卒中早期评估系统,其特征在于:所述自编码器包括变分自编码器。
4.如权利要求3所述的脑卒中早期评估系统,其特征在于:所述自编码器连接至图像分割神经网络的降采样支路。
5.如权利要求4所述的脑卒中早期评估系统,其特征在于:所述图像分割神经网络训练的损失函数包括KL散度损失函数和Dice系数损失函数,其中,KL散度损失函数对应自编码器的损失函数,Dice系数损失函数对应图像分割神经网络的损失函数。
6.一种基于医学图像的脑卒中早期评估方法,其特征在于,包括:
对获取的脑医学图像进行预处理;
对经过预处理的脑医学图像进行脑部区域分割,该脑部区域分割使用图像分割神经网络,且该图像分割神经网络由自编码器辅助进行训练;
基于所述脑分区模块获得的脑部分区图像进行评分。
7.如权利要求6所述的脑卒中早期评估方法,其特征在于:所述图像分割神经网络包括Dense V-net神经网络、U-Net神经网络或V-Net神经网络。
8.如权利要求7所述的脑卒中早期评估方法,其特征在于:所述自编码器包括变分自编码器。
9.如权利要求8所述的脑卒中早期评估方法,其特征在于:所述自编码器连接至图像分割神经网络的降采样支路。
10.如权利要求9所述的脑卒中早期评估方法,其特征在于:所述图像分割神经网络训练的损失函数包括KL散度损失函数和Dice系数损失函数,其中,KL散度损失函数对应于自编码器的损失函数,Dice系数损失函数对应于图像分割神经网络的损失函数。
11.一种脑医学图像的脑部区域分割方法,其特征在于,包括:
对获取的脑医学图像进行预处理;
使用图像分割神经网络对经过预处理的脑医学图像进行脑部区域分割,所述图像分割神经网络由自编码器辅助进行训练。
12.如权利要求11所述的脑医学图像的分区方法,其特征在于:所述图像分割神经网络包括Dense V-net神经网络、U-Net神经网络或V-Net神经网络。
13.如权利要求12所述的脑医学图像的分区方法,其特征在于:所述自编码器包括变分自编码器。
14.如权利要求13所述的脑医学图像的分区方法,其特征在于:所述自编码器连接至图像分割神经网络的降采样支路。
15.如权利要求14所述的脑医学图像的分区方法,其特征在于:所述图像分割神经网络训练的损失函数包括KL散度损失函数和Dice系数损失函数,其中,KL散度对应自编码器的损失函数,Dice系数损失函数对应图像分割神经网络的损失函数。
16.一种系统,包括用于执行如权利要求5至权利要求15中任一项所述的方法的处理器。
17.一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如权利要求5至权利要求15所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011492893.8A CN114638776A (zh) | 2020-12-15 | 2020-12-15 | 脑卒中早期评估方法与系统及脑部区域分割方法 |
US17/550,406 US20220189032A1 (en) | 2020-12-15 | 2021-12-14 | Cerebral stroke early assessment method and system, and brain region segmentation method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011492893.8A CN114638776A (zh) | 2020-12-15 | 2020-12-15 | 脑卒中早期评估方法与系统及脑部区域分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638776A true CN114638776A (zh) | 2022-06-17 |
Family
ID=81942827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011492893.8A Pending CN114638776A (zh) | 2020-12-15 | 2020-12-15 | 脑卒中早期评估方法与系统及脑部区域分割方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220189032A1 (zh) |
CN (1) | CN114638776A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490840A (zh) * | 2019-07-11 | 2019-11-22 | 平安科技(深圳)有限公司 | 一种肾小球病理切片图像的细胞检测方法、装置及设备 |
US20200074637A1 (en) * | 2018-08-28 | 2020-03-05 | International Business Machines Corporation | 3d segmentation with exponential logarithmic loss for highly unbalanced object sizes |
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
US20200167930A1 (en) * | 2017-06-16 | 2020-05-28 | Ucl Business Ltd | A System and Computer-Implemented Method for Segmenting an Image |
WO2020111463A1 (ko) * | 2018-11-29 | 2020-06-04 | 주식회사 휴런 | Aspect 스코어 추정 시스템 및 방법 |
CN111815642A (zh) * | 2019-04-10 | 2020-10-23 | 辉达公司 | 使用神经网络识别图像分割质量 |
US20200349697A1 (en) * | 2019-05-02 | 2020-11-05 | Curacloud Corporation | Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10762398B2 (en) * | 2018-04-30 | 2020-09-01 | Elekta Ab | Modality-agnostic method for medical image representation |
US20200381096A1 (en) * | 2019-06-03 | 2020-12-03 | The Board Of Trustees Of The Leland Stanford Junior University | Methods of Predicting Disorder Progression for Control Arms Within an Experimental Trial |
WO2020262683A1 (ja) * | 2019-06-28 | 2020-12-30 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
-
2020
- 2020-12-15 CN CN202011492893.8A patent/CN114638776A/zh active Pending
-
2021
- 2021-12-14 US US17/550,406 patent/US20220189032A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200167930A1 (en) * | 2017-06-16 | 2020-05-28 | Ucl Business Ltd | A System and Computer-Implemented Method for Segmenting an Image |
US20200074637A1 (en) * | 2018-08-28 | 2020-03-05 | International Business Machines Corporation | 3d segmentation with exponential logarithmic loss for highly unbalanced object sizes |
WO2020111463A1 (ko) * | 2018-11-29 | 2020-06-04 | 주식회사 휴런 | Aspect 스코어 추정 시스템 및 방법 |
CN111815642A (zh) * | 2019-04-10 | 2020-10-23 | 辉达公司 | 使用神经网络识别图像分割质量 |
US20200349697A1 (en) * | 2019-05-02 | 2020-11-05 | Curacloud Corporation | Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network |
CN110490840A (zh) * | 2019-07-11 | 2019-11-22 | 平安科技(深圳)有限公司 | 一种肾小球病理切片图像的细胞检测方法、装置及设备 |
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20220189032A1 (en) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tesche et al. | Coronary CT angiography–derived fractional flow reserve: machine learning algorithm versus computational fluid dynamics modeling | |
Zhang et al. | Context-guided fully convolutional networks for joint craniomaxillofacial bone segmentation and landmark digitization | |
Betancur et al. | Deep learning for prediction of obstructive disease from fast myocardial perfusion SPECT: a multicenter study | |
US10910094B2 (en) | Computer-based diagnostic system | |
US11751832B2 (en) | CTA large vessel occlusion model | |
US20180089840A1 (en) | Automatic Medical Image Retrieval | |
US20180315505A1 (en) | Optimization of clinical decision making | |
US10758125B2 (en) | Enhanced personalized evaluation of coronary artery disease using an integration of multiple medical imaging techniques | |
US20190117179A1 (en) | Systems And Methods For Deciding Management Strategy in Acute Ischemic Strokes Using Rotational Angiography | |
CN114073536A (zh) | 灌注成像系统及方法 | |
Hachaj et al. | CAD system for automatic analysis of CT perfusion maps | |
Guan et al. | Separability of acute cerebral infarction lesions in CT based radiomics: toward artificial intelligence-assisted diagnosis | |
Bommu | Advancements in Healthcare Information Technology: A Comprehensive Review | |
US20220012883A1 (en) | Learning method for generating multiphase collateral image and multiphase collateral image generating method using maching learning | |
Winder et al. | Automatic arterial input function selection in CT and MR perfusion datasets using deep convolutional neural networks | |
JP2003199715A (ja) | 画像関連データ処理方法 | |
Rueckel et al. | Reduction of missed thoracic findings in emergency whole-body computed tomography using artificial intelligence assistance | |
JP7479805B2 (ja) | 医用情報処理装置、医用情報処理方法、医用情報処理プログラムおよび医用情報処理システム | |
CA3034814C (en) | System and method for using imaging quality metric ranking | |
Nechyporenko et al. | Deep learning based image segmentation for detection of odontogenic maxillary sinusitis | |
JP5061150B2 (ja) | データ処理方法、画像データ処理装置、及びコンピュータプログラム | |
CN114638776A (zh) | 脑卒中早期评估方法与系统及脑部区域分割方法 | |
CN116309346A (zh) | 医学图像的检测方法、装置、设备、存储介质及程序产品 | |
JP2021509977A (ja) | 医用画像評価のためのディープラーニングの応用 | |
CN111971751A (zh) | 用于评估动态数据的系统和方法 |
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 |