CN115018836A - 一种癫痫病灶自动分割与预测方法、系统及设备 - Google Patents

一种癫痫病灶自动分割与预测方法、系统及设备 Download PDF

Info

Publication number
CN115018836A
CN115018836A CN202210941267.5A CN202210941267A CN115018836A CN 115018836 A CN115018836 A CN 115018836A CN 202210941267 A CN202210941267 A CN 202210941267A CN 115018836 A CN115018836 A CN 115018836A
Authority
CN
China
Prior art keywords
image data
variance
focus
network model
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
Application number
CN202210941267.5A
Other languages
English (en)
Inventor
章毅
李林
何涛
蔡华伟
皮勇
赵祯
李芳兰
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202210941267.5A priority Critical patent/CN115018836A/zh
Publication of CN115018836A publication Critical patent/CN115018836A/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
    • G06T7/60—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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种癫痫病灶自动分割与预测方法、系统及设备，涉及图像处理技术领域中的癫痫病灶的分割，其目的在于解决现有技术中存在的癫痫病灶分割效率低、分割精度差以及无法预测病灶术后疗效预测的问题，其深度神经网络模型对原始图像数据以及原始图像数据翻转后的翻转图像数据分别单独进行下采样特征提取，深度神经网络模型对原始图像数据和翻转图像数据融合后的融合图像数据进行上采样特征提取；并根据分割出来的病灶计算出来的参数、方差后最终计算得出术后疗效预测值。该方案可针对癫痫分割，提高了分割的效率与精度，通过引入术后疗效预测值，预测出术后疗效预测值，对病人术后疗效能够及时进行预测、跟踪。

Description

一种癫痫病灶自动分割与预测方法、系统及设备
技术领域
本发明涉及图像处理技术领域，涉及一种癫痫病灶的分割，更具体的是涉及一种基于深度神经网络的癫痫病灶的自动分割。
背景技术
癫痫（Epilepsy）是一种脑部慢性非传染疾病，是大脑神经元的同步异常放电所导致的临床综合征，是慢性神经系统疾病之一，在一般人群中发病率约为1%。影响到全球大约5000万人，特点是反复发作。当癫痫发作时，身体某一部位或整个身体短暂非自主性抽搐（即部分性发作或全身性发作），有时伴有意识丧失和尿便失禁。癫痫发作由一组脑细胞异常放电造成。大脑的不同部位都可能成为异常放电的位点。发作从极短暂的意识丧失或肌肉反射到严重且持续性抽搐不等。发作的频率也可存在差异，从每年发作少于一次，到每天发作几次不等。癫痫发作的特点各不相同，取决于首次发生的紊乱在大脑中的部位以及这种紊乱的扩展程度。可能出现一些短暂性症状，比如意识或知觉丧失，以及运动、感觉（包括视觉、听觉和味觉）、情绪或其它认知功能方面的紊乱。癫痫患者往往有较多的身体问题（如与发作有关的骨折及擦伤）以及比例较高的心理疾患，包括焦虑和抑郁症。同样，与普通人群相比，癫痫可使患者过早死亡风险增加三倍，低收入和中等收入国家和农村地区的过早死亡率最高。
癫痫发作和癫痫一般按发作起源分为局灶性和全面性，也可按基础病因分为遗传性、结构性、代谢性、免疫性、感染性或不明原因。对于局灶性癫痫，颞叶癫痫（Mesialtemporal brain epilepsy， mTLE）是最常见的局灶性癫痫，癫痫发作通常始于称为海马体或周围区域的大脑结构，占所有颞叶癫痫发作的近80%，是成人中最常见的耐药性癫痫，大约三分之一的癫痫患者具有耐药性。颞叶内侧癫痫通常与MRI（磁共振成像）的变化或异常发现有关。最常见的发现之一是颞叶疤痕，这被称为海马硬化（硬化意味着硬化或疤痕），它可能看起来像一侧或两侧的海马体已经缩小或变小。当MRI异常时，癫痫发作通常不会因药物而停止；在这种情况下，手术切除引起癫痫发作的区域是许多人的最佳选择。癫痫手术的关键在于癫痫灶的定位，其准确性将影响后续的手术效果和预后。
目前对于癫痫的诊断，常采用如下三种手段：体格检查、影像学检查、病理学检查，其中，影像学检查是最为直接的定位癫痫灶的方法。在癫痫的影像学检查中，脑电图检查方式是最主流的方式，即使用专业设备获取病人的脑电图图像数据。若能够通过影像学上的方案，在结合机器学习的方法，通过对癫痫患者FDG PET图像分析从而定位癫痫灶，这将大大减少人工计算的耗费，提高癫痫病灶的分割效率与效果。
发明内容
本发明的目的在于：为了解决现有技术中存在的癫痫病灶分割效率低、分割精度差以及无法预测病灶术后疗效预测的问题，本发明提供一种癫痫病灶自动分割与预测方法、系统及设备。
本发明为了实现上述目的具体采用以下技术方案：
一种癫痫病灶自动分割与预测方法，包括：
步骤S1、采集并标注图像数据
采集原始图像数据，并对原始图像数据发生癫痫病灶的位置进行标注；
步骤S2、搭建深度神经网络模型
搭建深度神经网络模型，深度神经网络模型对原始图像数据以及原始图像数据翻转后的翻转图像数据分别单独进行下采样特征提取，深度神经网络模型对原始图像数据和翻转图像数据融合后的融合图像数据进行上采样特征提取；
步骤S3、训练深度神经网络模型
采用步骤S1中采集的原始图像数据对深度神经网络模型进行训练；
步骤S4、分割病灶
获取癫痫的实时图像数据，并将实时图像数据输入深度神经网络模型，分割出病灶；
步骤S5、计算术后疗效预测值
根据步骤S4分割出来的病灶，计算病灶的低代谢病灶体积HLV、病灶代谢减低量TLH；并基于低代谢病灶体积HLV的数据集、病灶代谢减低量TLH的数据集计算方差
Figure 453152DEST_PATH_IMAGE001
、方差
Figure 386604DEST_PATH_IMAGE002
、聚类内方差
Figure 494237DEST_PATH_IMAGE003
，基于方差
Figure 155026DEST_PATH_IMAGE004
、方差
Figure 546562DEST_PATH_IMAGE005
、聚类内方差
Figure 900183DEST_PATH_IMAGE003
计算术后疗效预测值
Figure 698374DEST_PATH_IMAGE006
。
在步骤S1中，采集的原始图像数据进行标注和预处理，具体为：
步骤S11，数据标注
分别对患者的患病部位及相关部位采集多张原始图像数据，将单次检查所得的原始图像数据为一组图像数据，再对每组图像数据发生癫痫病灶的区域进行标注；
步骤S12，图像预处理
对步骤S11采集的原始图像数据进行裁剪、勾画；
步骤S13，数据集划分
将经过预处理的原始图像数据按照5:1分为训练集和测试集。
在步骤S2中，搭建包括特征提取模块、特征融合模块以及特征判断模块的深度神经网络模型；
特征提取模块，包括一个输入层和多个卷积结构，每个卷积结构包括多个不同尺度的卷积层以及池化层；图像数据通过输入层输入卷积结构，卷积结构提取出图像数据中的图像特征；
特征融合模块，包括一个全局均值池化层，全局均值池化层在图像的通道维度上对特征提取模块提取出的图像特征进行融合；
特征判断模块，包括softmax二分类器，softmax二分类器用于判断特征融合模块融合后的特征是否代表原有信息。
步骤S3在训练深度神经网络模型时，对步骤S1中采集的原始图像数据进行包括旋转、剪裁、加噪声的数据增广处理。
在步骤S5中，对于低代谢病灶体积HLV的数据集，标记为
Figure 179165DEST_PATH_IMAGE007
，对于病灶代谢减低量TLH的数据集，则标记为
Figure 582465DEST_PATH_IMAGE008
，定义
Figure 106987DEST_PATH_IMAGE009
代表所有集合中的有限集，分别计算方差
Figure 189213DEST_PATH_IMAGE010
：
Figure 441071DEST_PATH_IMAGE011
、方差
Figure 26773DEST_PATH_IMAGE002
：
Figure 535246DEST_PATH_IMAGE012
和聚类内方差
Figure 308030DEST_PATH_IMAGE003
：
Figure 114312DEST_PATH_IMAGE013
，其中
Figure 492204DEST_PATH_IMAGE014
代表整体数据集，
Figure 358529DEST_PATH_IMAGE015
代表整体数据集的加权平均；
计算术后疗效预测值
Figure 688052DEST_PATH_IMAGE016
：
Figure 501287DEST_PATH_IMAGE017
；
其中
Figure 530423DEST_PATH_IMAGE018
代表TLH的数据集中的数据，即在计算和其他数据的相关性时，去掉数据自身。
一种癫痫病灶自动分割与预测系统，包括：
数据采集模块，用于采集原始图像数据，并对原始图像数据发生癫痫病灶的位置进行标注；
网络模型搭建模块，用于搭建深度神经网络模型，深度神经网络模型对原始图像数据以及原始图像数据翻转后的翻转图像数据分别单独进行下采样特征提取，深度神经网络模型对原始图像数据和翻转图像数据融合后的融合图像数据进行上采样特征提取；
网络模型训练模块，用于采用数据采集模块采集的原始图像数据对深度神经网络模型进行训练；
病灶分割模块，用于获取癫痫的实时图像数据，并将实时图像数据输入深度神经网络模型，分割出病灶；
疗效预测值生成模块，用于根据病灶分割模块分割出来的病灶，计算病灶的低代谢病灶体积HLV、病灶代谢减低量TLH；并基于低代谢病灶体积HLV的数据集、病灶代谢减低量TLH的数据集计算方差
Figure 380698DEST_PATH_IMAGE004
、方差
Figure 393653DEST_PATH_IMAGE019
、聚类内方差
Figure 587743DEST_PATH_IMAGE003
，基于方差
Figure 471386DEST_PATH_IMAGE004
、方差
Figure 945092DEST_PATH_IMAGE019
、聚类内方差
Figure 648606DEST_PATH_IMAGE003
计算术后疗效预测值
Figure 351114DEST_PATH_IMAGE006
。
优选地，网络模型搭建模块搭建包括特征提取模块、特征融合模块以及特征判断模块的深度神经网络模型；
特征提取模块，包括一个输入层和多个卷积结构，每个卷积结构包括多个不同尺度的卷积层以及池化层；图像数据通过输入层输入卷积结构，卷积结构提取出图像数据中的图像特征；
特征融合模块，包括一个全局均值池化层，全局均值池化层在图像的通道维度上对特征提取模块提取出的图像特征进行融合；
特征判断模块，包括softmax二分类器，softmax二分类器用于判断特征融合模块融合后的特征是否代表原有信息。
优选地，疗效预测值生成模块中，对于低代谢病灶体积HLV的数据集，标记为
Figure 886001DEST_PATH_IMAGE020
，对于病灶代谢减低量TLH的数据集，则标记为
Figure 107772DEST_PATH_IMAGE021
，定义
Figure 298582DEST_PATH_IMAGE009
代表所有集合中的有限集，分别计算方差
Figure 54049DEST_PATH_IMAGE010
：
Figure 397436DEST_PATH_IMAGE022
、方差
Figure 212946DEST_PATH_IMAGE005
：
Figure 156631DEST_PATH_IMAGE023
和聚类内方差
Figure 715788DEST_PATH_IMAGE003
：
Figure 943376DEST_PATH_IMAGE013
，其中
Figure 398628DEST_PATH_IMAGE014
代表整体数据集，
Figure 829609DEST_PATH_IMAGE015
代表整体数据集的加权平均；
计算术后疗效预测值
Figure 926878DEST_PATH_IMAGE006
：
Figure 510438DEST_PATH_IMAGE024
；
其中
Figure 402170DEST_PATH_IMAGE018
代表TLH的数据集中的数据，即在计算和其他数据的相关性时，去掉数据自身。
一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述的一种癫痫病灶自动分割与预测方法的步骤。
本发明的有益效果如下：
1、本发明中，可针对颞叶型癫痫分割和判定预后疗效，大大减少了人工的工作量，提高了癫痫病灶的效率与精度，避免了仅通过肉眼判定从而产生的误差对结果造成的巨大影响，对进一步开展癫痫诊断和医治具有重要的促进作用。
2、本发明中，使用的深度学习神经网络模型可以实现全自动分割和计算，且可以利用系统自身输出的数据集自更新训练集，能够提高分割系统的准确率和性能，分割精度更高，能够进行相应的语义分割便于后续判定，提高了医生临床检测判断的效率，方便了医生的临床诊断，对检测颞叶型癫痫具有重要的指导意义。
3、本发明中，通过引入术后疗效预测值，并可以直接计算、预测出术后疗效预测值，对病人术后疗效能够及时进行预测、跟踪，对临床检测以及自检是否病变具有重要的指导意义。
4、本发明中，下采样使用的是分别提取的方式，这样一来将同样的数据集进行翻转处理采样，达到了不用直接扩大数据集来加大输入数据集的复杂程度，提高了神经网络的精准度，在数据提取上能达到更为准确全面的效果；二来由于癫痫图的特异性，采用不同特征提取可以尽量避免由于图像相对差异过大或者不足导致采样对结果的影响；上采样时是平层连接之后再上采样，此时采用的是融合后提取，那么这样可以加强特征，如果出现成像效果不佳的情况，这样的融合提取可以仍然比对出差异达到良好的分割效果。
附图说明
图1是本发明的结构示意图。
具体实施方式
实施例1
本实施例提供一种癫痫病灶自动分割与预测方法，如图1所示，其包括以下步骤：
步骤S1、采集并标注图像数据
采集原始图像数据，并对原始图像数据发生癫痫病灶的位置进行标注。
在步骤S1中，采集的原始图像数据进行标注和预处理，具体为：
步骤S11，数据标注
分别对患者的患病部位及相关部位采集多张原始图像数据，将单次检查所得的原始图像数据为一组图像数据，再对每组图像数据发生癫痫病灶的区域进行标注，方便下一步进行网络模型的训练；
步骤S12，图像预处理
对步骤S11采集的原始图像数据进行裁剪、勾画；
步骤S13，数据集划分
将经过预处理的原始图像数据按照5:1分为训练集和测试集。
步骤S2、搭建深度神经网络模型
搭建深度神经网络模型，深度神经网络模型对原始图像数据以及原始图像数据翻转后的翻转图像数据分别单独进行下采样特征提取，深度神经网络模型对原始图像数据和翻转图像数据融合后的融合图像数据进行上采样特征提取。
该深度神经网络模型包括三个模块：特征提取模块、特征融合模块以及特征判断模块；
特征提取模块，包括一个输入层和多个卷积结构，每个卷积结构包括多个不同尺度的卷积层以及池化层；图像数据通过输入层输入卷积结构，卷积结构提取出图像数据中的图像特征；
特征融合模块，包括一个全局均值池化层，全局均值池化层在图像的通道维度上对特征提取模块提取出的图像特征进行融合；
特征判断模块，包括softmax二分类器，softmax二分类器用于判断特征融合模块融合后的特征是否代表原有信息。
针对原始图像数据，先将其标准化为244*244*160的三维矩阵，然后再进一步细分为160个244*244的图像后输入深度神经网络模型。
另外，由于本申请中的原始图像数据为脑部癫痫照片，该照片大多是左右对称结构，因而以图像中线为轴，将图像进行对称翻转，同样对其定义label，得到其信息，使用2*2最大池化操作，步长为2，放入多个卷积层和池化层，再得到相应的特征。
在网络下采样的时候，将原始图像和翻转图像的特征图进行拟合，同时还有原始图像和翻转图像的差异特征图也是作为信息使用。完成之后每一个卷积层之后使用ReLU激活函数，然后再进行批量归一化更新全局统计数据。
接下来是对网络的上采样，对这一层和上一层的信息进行拟合，再将上一层中关于差异特征图的信息与上采样进行结合，提高学习率和准确率，使得特征图并未改变大小，而是增加了厚度，能够提供给网络更抽象的图像特征和位置信息，提升分割的精度。
步骤S3、训练深度神经网络模型
采用步骤S1中采集的原始图像数据对深度神经网络模型进行训练。
步骤S3在训练深度神经网络模型时，对步骤S1中采集的原始图像数据进行包括旋转、剪裁、加噪声的数据增广处理，增强网络模型的效率，以获得比步骤S1中所得训练集更大的数据集并用于网络训练。
在对深度神经网络模型进行训练时，使用交叉熵函数作为性能函数。
使用敏感特异性损失函数，敏感代表的是召回率，也就是检测出病灶，证实为真阳的能力：用s1=TP/(TP+FN)表示，特异代表的就是检测出为真阴，也就是没病的能力：用s2=TN/(TN+FP)表示，其中TP 为真阳，TN为真阴，FP为假阳，FN为假阴。
具体的交叉熵函数为λs1+(1-λ)s2，调整λ的权重即可。
步骤S4、分割病灶
获取癫痫的实时图像数据，并将实时图像数据输入深度神经网络模型，分割出病灶；
步骤S5、计算术后疗效预测值
根据步骤S4分割出来的病灶，计算病灶的低代谢病灶体积HLV、病灶代谢减低量TLH。其中，低代谢病灶体积HLV反映了代谢减低病灶的范围，使用大脑总体积进行归一化处理；病灶代谢减低量TLH=（正常对照相应部位的SUV mean-病灶的SUV mean）×HLV，这个参数反映了病灶代谢减低的程度，使用大脑皮层总代谢量归一化。再基于低代谢病灶体积HLV的数据集、病灶代谢减低量TLH的数据集计算方差
Figure 320448DEST_PATH_IMAGE004
、方差
Figure 221408DEST_PATH_IMAGE019
、聚类内方差
Figure 892429DEST_PATH_IMAGE003
，基于方差
Figure 220642DEST_PATH_IMAGE004
、方差
Figure 360637DEST_PATH_IMAGE019
、聚类内方差
Figure 65288DEST_PATH_IMAGE003
计算术后疗效预测值
Figure 357860DEST_PATH_IMAGE006
。
在步骤S5中，对于低代谢病灶体积HLV的数据集，标记为
Figure 653712DEST_PATH_IMAGE025
，对于病灶代谢减低量TLH的数据集，则标记为
Figure 15423DEST_PATH_IMAGE026
，定义
Figure 304191DEST_PATH_IMAGE027
代表所有集合中的有限集，分别计算方差
Figure 700537DEST_PATH_IMAGE004
：
Figure 370553DEST_PATH_IMAGE028
、方差
Figure 235872DEST_PATH_IMAGE019
：
Figure 751167DEST_PATH_IMAGE029
和聚类内方差
Figure 267599DEST_PATH_IMAGE003
：
Figure 108516DEST_PATH_IMAGE030
，其中
Figure 959666DEST_PATH_IMAGE014
代表整体数据集，
Figure 544231DEST_PATH_IMAGE015
代表整体数据集的加权平均，对于不同数据有不同权重，不是完全的平均，将不同的HLV数据集放入TLH数据集进行计算；m和n均代表的是数据集中能够进行有效检验的数据个数。
计算术后疗效预测值
Figure 180749DEST_PATH_IMAGE016
：
Figure 192567DEST_PATH_IMAGE031
；
其中
Figure 766899DEST_PATH_IMAGE018
代表TLH的数据集中的数据，即在计算和其他数据的相关性时，去掉数据自身。
通过ICC计算之后得到的术后疗效预测值
Figure 155155DEST_PATH_IMAGE016
，设置相应的条件进行判断，对于一定量的影像数据集，通过归一化之后，得出的术后疗效预测值
Figure 380600DEST_PATH_IMAGE016
代表了患者手术疗效的好坏预测。那么在经过大量数据检验之后的术后疗效预测值
Figure 563320DEST_PATH_IMAGE016
，再结合起病年龄、患病时间、发作频率、症状学等临床特征等多种参数，就可以用于评估特定病人的术后疗效预测效果。因此可以采取对病人的术后影像图的数据进行实时跟踪计算，然后对其得到的参数进行数据处理、分析和评估，如果能够满足判断参数的变化情况，则可以认为预后效果好，如果不满足则可以根据相应的变化情况做出相应的预测。
实施例2
本实施例还提供一种癫痫病灶自动分割与预测系统，包括：
数据采集模块，用于采集原始图像数据，并对原始图像数据发生癫痫病灶的位置进行标注；
网络模型搭建模块，用于搭建深度神经网络模型，深度神经网络模型对原始图像数据以及原始图像数据翻转后的翻转图像数据分别单独进行下采样特征提取，深度神经网络模型对原始图像数据和翻转图像数据融合后的融合图像数据进行上采样特征提取；
网络模型训练模块，用于采用数据采集模块采集的原始图像数据对深度神经网络模型进行训练；
病灶分割模块，用于获取癫痫的实时图像数据，并将实时图像数据输入深度神经网络模型，分割出病灶；
疗效预测值生成模块，用于根据病灶分割模块分割出来的病灶，计算病灶的低代谢病灶体积HLV、病灶代谢减低量TLH；并基于低代谢病灶体积HLV的数据集、病灶代谢减低量TLH的数据集计算方差
Figure 343057DEST_PATH_IMAGE004
、方差
Figure 518692DEST_PATH_IMAGE019
、聚类内方差
Figure 598644DEST_PATH_IMAGE003
，基于方差
Figure 483423DEST_PATH_IMAGE004
、方差
Figure 16036DEST_PATH_IMAGE019
、聚类内方差
Figure 762406DEST_PATH_IMAGE003
计算术后疗效预测值
Figure 696864DEST_PATH_IMAGE006
。
优选地，网络模型搭建模块搭建包括特征提取模块、特征融合模块以及特征判断模块的深度神经网络模型；
特征提取模块，包括一个输入层和多个卷积结构，每个卷积结构包括多个不同尺度的卷积层以及池化层；图像数据通过输入层输入卷积结构，卷积结构提取出图像数据中的图像特征；
特征融合模块，包括一个全局均值池化层，全局均值池化层在图像的通道维度上对特征提取模块提取出的图像特征进行融合；
特征判断模块，包括softmax二分类器，softmax二分类器用于判断特征融合模块融合后的特征是否代表原有信息。
优选地，疗效预测值生成模块中，对于低代谢病灶体积HLV的数据集，标记为
Figure 486965DEST_PATH_IMAGE020
，对于病灶代谢减低量TLH的数据集，则标记为
Figure 772453DEST_PATH_IMAGE008
，定义
Figure 243886DEST_PATH_IMAGE032
代表所有集合中的有限集，分别计算方差
Figure 547697DEST_PATH_IMAGE010
：
Figure 508700DEST_PATH_IMAGE022
、方差
Figure 15904DEST_PATH_IMAGE005
：
Figure 87766DEST_PATH_IMAGE023
和聚类内方差
Figure 13128DEST_PATH_IMAGE003
：
Figure 145032DEST_PATH_IMAGE013
，其中
Figure 405112DEST_PATH_IMAGE014
代表整体数据集，
Figure 15085DEST_PATH_IMAGE015
代表整体数据集的加权平均；
计算术后疗效预测值
Figure 293488DEST_PATH_IMAGE006
：
Figure 330714DEST_PATH_IMAGE024
；
其中
Figure 78090DEST_PATH_IMAGE018
代表TLH的数据集中的数据，即在计算和其他数据的相关性时，去掉数据自身。
实施例3
本实施例提供一种计算机设备，其包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现实施例1所述的一种癫痫病灶自动分割与预测方法的步骤。
实施例4
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的一种癫痫病灶自动分割与预测方法的步骤。

Claims (9)

1.一种癫痫病灶自动分割与预测方法，其特征在于，包括：
步骤S1、采集并标注图像数据
采集原始图像数据，并对原始图像数据发生癫痫病灶的位置进行标注；
步骤S2、搭建深度神经网络模型
搭建深度神经网络模型，深度神经网络模型对原始图像数据以及原始图像数据翻转后的翻转图像数据分别单独进行下采样特征提取，深度神经网络模型对原始图像数据和翻转图像数据融合后的融合图像数据进行上采样特征提取；
步骤S3、训练深度神经网络模型
采用步骤S1中采集的原始图像数据对深度神经网络模型进行训练；
步骤S4、分割病灶
获取癫痫的实时图像数据，并将实时图像数据输入深度神经网络模型，分割出病灶；
步骤S5、计算术后疗效预测值
根据步骤S4分割出来的病灶，计算病灶的低代谢病灶体积HLV、病灶代谢减低量TLH；并基于低代谢病灶体积HLV的数据集、病灶代谢减低量TLH的数据集计算方差
Figure 189892DEST_PATH_IMAGE001
、方差
Figure 434929DEST_PATH_IMAGE002
、聚类内方差
Figure 745824DEST_PATH_IMAGE003
，基于方差
Figure 672192DEST_PATH_IMAGE001
、方差
Figure 14793DEST_PATH_IMAGE004
、聚类内方差
Figure 368414DEST_PATH_IMAGE003
计算术后疗效预测值
Figure 166606DEST_PATH_IMAGE005
。
2.如权利要求1所述的一种癫痫病灶自动分割与预测方法，其特征在于：
步骤S1中，采集的原始图像数据进行标注和预处理，具体为：
步骤S11，数据标注
分别对患者的患病部位及相关部位采集多张原始图像数据，将单次检查所得的原始图像数据为一组图像数据，再对每组图像数据发生癫痫病灶的区域进行标注；
步骤S12，图像预处理
对步骤S11采集的原始图像数据进行裁剪、勾画；
步骤S13，数据集划分
将经过预处理的原始图像数据按照5:1分为训练集和测试集。
3.如权利要求1所述的一种癫痫病灶自动分割与预测方法，其特征在于：
步骤S2中，搭建包括特征提取模块、特征融合模块以及特征判断模块的深度神经网络模型；
特征提取模块，包括一个输入层和多个卷积结构，每个卷积结构包括多个不同尺度的卷积层以及池化层；图像数据通过输入层输入卷积结构，卷积结构提取出图像数据中的图像特征；
特征融合模块，包括一个全局均值池化层，全局均值池化层在图像的通道维度上对特征提取模块提取出的图像特征进行融合；
特征判断模块，包括softmax二分类器，softmax二分类器用于判断特征融合模块融合后的特征是否代表原有信息。
4.如权利要求1所述的一种癫痫病灶自动分割与预测方法，其特征在于：
步骤S3在训练深度神经网络模型时，对步骤S1中采集的原始图像数据进行包括旋转、剪裁、加噪声的数据增广处理。
5.如权利要求1所述的一种癫痫病灶自动分割与预测方法，其特征在于：
步骤S5中，对于低代谢病灶体积HLV的数据集，标记为
Figure 896664DEST_PATH_IMAGE006
，对于病灶代谢减低量TLH的数据集，则标记为
Figure 96701DEST_PATH_IMAGE007
，定义
Figure 621224DEST_PATH_IMAGE008
代表所有集合中的有限集，分别计算方差
Figure 906711DEST_PATH_IMAGE009
：
Figure 174882DEST_PATH_IMAGE010
、方差
Figure 229425DEST_PATH_IMAGE011
：
Figure 190428DEST_PATH_IMAGE012
和聚类内方差
Figure 963212DEST_PATH_IMAGE003
：
Figure 769494DEST_PATH_IMAGE013
，其中
Figure 944123DEST_PATH_IMAGE014
代表整体数据集，
Figure 810448DEST_PATH_IMAGE015
代表整体数据集的加权平均；
计算术后疗效预测值
Figure 70528DEST_PATH_IMAGE005
：
Figure 680501DEST_PATH_IMAGE016
；
其中
Figure 712567DEST_PATH_IMAGE017
代表TLH的数据集中的数据，即在计算和其他数据的相关性时，去掉数据自身。
6.一种癫痫病灶自动分割与预测系统，其特征在于，包括：
数据采集模块，用于采集原始图像数据，并对原始图像数据发生癫痫病灶的位置进行标注；
网络模型搭建模块，用于搭建深度神经网络模型，深度神经网络模型对原始图像数据以及原始图像数据翻转后的翻转图像数据分别单独进行下采样特征提取，深度神经网络模型对原始图像数据和翻转图像数据融合后的融合图像数据进行上采样特征提取；
网络模型训练模块，用于采用数据采集模块采集的原始图像数据对深度神经网络模型进行训练；
病灶分割模块，用于获取癫痫的实时图像数据，并将实时图像数据输入深度神经网络模型，分割出病灶；
疗效预测值生成模块，用于根据病灶分割模块分割出来的病灶，计算病灶的低代谢病灶体积HLV、病灶代谢减低量TLH；并基于低代谢病灶体积HLV的数据集、病灶代谢减低量TLH的数据集计算方差
Figure 15372DEST_PATH_IMAGE001
、方差
Figure 497169DEST_PATH_IMAGE002
、聚类内方差
Figure 910833DEST_PATH_IMAGE003
，基于方差
Figure 794475DEST_PATH_IMAGE001
、方差
Figure 268182DEST_PATH_IMAGE002
、聚类内方差
Figure 237275DEST_PATH_IMAGE003
计算术后疗效预测值
Figure 189050DEST_PATH_IMAGE005
。
7.如权利要求6所述的一种癫痫病灶自动分割与预测系统，其特征在于：
网络模型搭建模块搭建包括特征提取模块、特征融合模块以及特征判断模块的深度神经网络模型；
特征提取模块，包括一个输入层和多个卷积结构，每个卷积结构包括多个不同尺度的卷积层以及池化层；图像数据通过输入层输入卷积结构，卷积结构提取出图像数据中的图像特征；
特征融合模块，包括一个全局均值池化层，全局均值池化层在图像的通道维度上对特征提取模块提取出的图像特征进行融合；
特征判断模块，包括softmax二分类器，softmax二分类器用于判断特征融合模块融合后的特征是否代表原有信息。
8.如权利要求6所述的一种癫痫病灶自动分割与预测系统，其特征在于：
疗效预测值生成模块中，对于低代谢病灶体积HLV的数据集，标记为
Figure 192779DEST_PATH_IMAGE006
，对于病灶代谢减低量TLH的数据集，则标记为
Figure 837386DEST_PATH_IMAGE018
，定义
Figure 293776DEST_PATH_IMAGE019
代表所有集合中的有限集，分别计算方差
Figure 49242DEST_PATH_IMAGE009
：
Figure 641897DEST_PATH_IMAGE020
、方差
Figure 457407DEST_PATH_IMAGE002
：
Figure 401092DEST_PATH_IMAGE021
和聚类内方差
Figure 960249DEST_PATH_IMAGE003
：
Figure 981645DEST_PATH_IMAGE013
，其中
Figure 295952DEST_PATH_IMAGE014
代表整体数据集，
Figure 792180DEST_PATH_IMAGE015
代表整体数据集的加权平均；
计算术后疗效预测值
Figure 138716DEST_PATH_IMAGE022
：
Figure 971543DEST_PATH_IMAGE023
；
其中
Figure 863276DEST_PATH_IMAGE017
代表TLH的数据集中的数据，即在计算和其他数据的相关性时，去掉数据自身。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的一种癫痫病灶自动分割与预测方法的步骤。
CN202210941267.5A 2022-08-08 2022-08-08 一种癫痫病灶自动分割与预测方法、系统及设备 Pending CN115018836A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210941267.5A CN115018836A (zh) 2022-08-08 2022-08-08 一种癫痫病灶自动分割与预测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210941267.5A CN115018836A (zh) 2022-08-08 2022-08-08 一种癫痫病灶自动分割与预测方法、系统及设备

Publications (1)

Publication Number Publication Date
CN115018836A true CN115018836A (zh) 2022-09-06

Family

ID=83065698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210941267.5A Pending CN115018836A (zh) 2022-08-08 2022-08-08 一种癫痫病灶自动分割与预测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN115018836A (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050283054A1 (en) * 2004-06-18 2005-12-22 Banner Health Evaluation of a treatment to decrease the risk of a progressive brain disorder or to slow brain aging
US20120321160A1 (en) * 2011-06-17 2012-12-20 Carroll Robert G Methods and apparatus for assessing activity of an organ and uses thereof
US20130085167A1 (en) * 2011-10-04 2013-04-04 Acorda Therapeutics, Inc. Methods for treating a stroke-related sensorimotor impairment using aminopyridines
CN103767724A (zh) * 2013-11-20 2014-05-07 北京大基康明医疗设备有限公司 闪烁分层摄影和射线测定系统及联合影像和射线测定系统
US9061153B1 (en) * 2011-04-20 2015-06-23 Metacure Limited Method of treating a patient
CN109949318A (zh) * 2019-03-07 2019-06-28 西安电子科技大学 基于多模态影像的全卷积神经网络癫痫病灶分割方法
CN111445946A (zh) * 2020-03-26 2020-07-24 北京易康医疗科技有限公司 一种利用pet/ct图像推算肺癌基因分型的演算方法
CN112348785A (zh) * 2020-10-29 2021-02-09 深圳大学 一种癫痫病灶定位方法及系统
CN112508953A (zh) * 2021-02-05 2021-03-16 四川大学 基于深度神经网络的脑膜瘤快速分割定性方法
CN112634273A (zh) * 2021-03-10 2021-04-09 四川大学 一种基于深度神经网络的脑转移瘤分割系统及其构建方法
CN113112476A (zh) * 2021-04-14 2021-07-13 中国人民解放军北部战区总医院 一种识别海马硬化所致颞叶癫痫的致痫灶和/或预测其病理分型的方法和系统
CN113177943A (zh) * 2021-06-29 2021-07-27 中南大学 一种脑卒中ct影像分割方法
CN113763406A (zh) * 2021-07-28 2021-12-07 华中师范大学 基于半监督学习的婴儿脑mri分割方法
CN114463456A (zh) * 2021-12-31 2022-05-10 深圳先进技术研究院 基于pet/mr成像系统的自动脑区分割方法及装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050283054A1 (en) * 2004-06-18 2005-12-22 Banner Health Evaluation of a treatment to decrease the risk of a progressive brain disorder or to slow brain aging
US9061153B1 (en) * 2011-04-20 2015-06-23 Metacure Limited Method of treating a patient
US20120321160A1 (en) * 2011-06-17 2012-12-20 Carroll Robert G Methods and apparatus for assessing activity of an organ and uses thereof
US20130085167A1 (en) * 2011-10-04 2013-04-04 Acorda Therapeutics, Inc. Methods for treating a stroke-related sensorimotor impairment using aminopyridines
CN103767724A (zh) * 2013-11-20 2014-05-07 北京大基康明医疗设备有限公司 闪烁分层摄影和射线测定系统及联合影像和射线测定系统
CN109949318A (zh) * 2019-03-07 2019-06-28 西安电子科技大学 基于多模态影像的全卷积神经网络癫痫病灶分割方法
CN111445946A (zh) * 2020-03-26 2020-07-24 北京易康医疗科技有限公司 一种利用pet/ct图像推算肺癌基因分型的演算方法
CN112348785A (zh) * 2020-10-29 2021-02-09 深圳大学 一种癫痫病灶定位方法及系统
CN112508953A (zh) * 2021-02-05 2021-03-16 四川大学 基于深度神经网络的脑膜瘤快速分割定性方法
CN112634273A (zh) * 2021-03-10 2021-04-09 四川大学 一种基于深度神经网络的脑转移瘤分割系统及其构建方法
CN113112476A (zh) * 2021-04-14 2021-07-13 中国人民解放军北部战区总医院 一种识别海马硬化所致颞叶癫痫的致痫灶和/或预测其病理分型的方法和系统
CN113177943A (zh) * 2021-06-29 2021-07-27 中南大学 一种脑卒中ct影像分割方法
CN113763406A (zh) * 2021-07-28 2021-12-07 华中师范大学 基于半监督学习的婴儿脑mri分割方法
CN114463456A (zh) * 2021-12-31 2022-05-10 深圳先进技术研究院 基于pet/mr成像系统的自动脑区分割方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CSABA JUHÁSZ 等: "Molecular Imaging of Brain Tumor-Associated Epilepsy", 《DIAGNOSTICS》 *
WEI HUANG 等: "Feature Pyramid Network With Level-Aware Attention for Meningioma Segmentation", 《IEEE TRANSACTIONS ON EMERGING TOPICS IN COMPUTATIONAL INTELLIGENCE 》 *
卢军: "PET-CT、核磁共振、视频脑电图在颞叶癫痫术前定位诊断中的价值探讨", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
孟祥海: "基于改进Unet的脑腹部多模态影像分割", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Similar Documents

Publication Publication Date Title
US8121375B2 (en) Methods and devices for producing the parameters of the brain tissues and assessing data of the suitability for thrombolysis of a patient
CN105726026A (zh) 基于脑网络与脑结构信息的轻度认知障碍疾病分类方法
CN105559802A (zh) 一种基于注意和情感信息融合的抑郁症诊断系统及方法
WO2023104173A1 (zh) 基于人脑功能磁共振影像的自闭症分类器构建方法及系统
CN112348785B (zh) 一种癫痫病灶定位方法及系统
Al-Adhaileh Diagnosis and classification of Alzheimer's disease by using a convolution neural network algorithm
CN110674773A (zh) 一种痴呆症的识别系统、装置及存储介质
CN115662576B (zh) 关联认知障碍病症的神经反馈训练范式的生成方法和系统
CN113362944B (zh) 一种基于机器学习的功能性消化不良和针刺疗效预测模型的评估方法
Minaee et al. Identifying mild traumatic brain injury patients from MR images using bag of visual words
CN113643809A (zh) 基于人体成分的2型糖尿病预测方法及系统
Tobin et al. Using a patient image archive to diagnose retinopathy
CN112767374A (zh) 基于mri的阿尔茨海默症病灶区域语义分割算法
CN115018836A (zh) 一种癫痫病灶自动分割与预测方法、系统及设备
CN110265118A (zh) 一种肺部影像诊断报告质量的评估方法和系统
CN115661101A (zh) 基于随机采样和深度学习的早产儿视网膜病变检测系统
CN114494191A (zh) 医用图像处理方法、设备及计算机存储介质
CN114402358A (zh) 一种阿尔兹海默症进展预测的核磁共振图像特征提取方法
Wang et al. SVFR: A novel slice-to-volume feature representation framework using deep neural networks and a clustering model for the diagnosis of Alzheimer's disease
LU504525B1 (en) Prediction method, electronic device and storage medium for metabolic associated fatty liver disease based on creatinine to cystatin c ratio
TWI821063B (zh) 視網膜自動分層模型之建立方法、視網膜分層量化系統、眼部照護裝置、視網膜分層厚度及視網膜分層面積的檢測方法及神經退化性疾病評估和預測方法
CN116705286B (zh) 基于代谢相关脂肪性肝病的预测方法、电子设备及存储介质
Li et al. Semi-supervised clustering for neuro-subtyping of autism spectrum disorder
CN114098714B (zh) 基于机器视觉建立冻结步态识别模型的方法
CN113077874B (zh) 基于红外热像的脊椎疾病康复智能辅助诊疗系统及方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220906