CN115063369A - 脑部图像检测方法、计算机设备和存储介质 - Google Patents
脑部图像检测方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115063369A CN115063369A CN202210704507.XA CN202210704507A CN115063369A CN 115063369 A CN115063369 A CN 115063369A CN 202210704507 A CN202210704507 A CN 202210704507A CN 115063369 A CN115063369 A CN 115063369A
- Authority
- CN
- China
- Prior art keywords
- image
- feature map
- image block
- feature
- region
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/40—Extraction of image or video 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种脑部图像检测方法、计算机设备和存储介质。所述方法包括:获取待检测对象的脑部图像;将所述脑部图像划分成多个图像块,并将各所述图像块输入至对应的图像块层级网络中进行特征提取,得到各所述图像块的特征图;对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图,所述各候选图像块的数量小于所述多个图像块的数量;将各所述候选图像块的特征图输入至神经网络模型中,得到所述脑部图像对应的目标区域和所述脑部图像的类别。采用本方法能够提高检测效率和检测准确度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种脑部图像检测方法、计算机设备和存储介质。
背景技术
脑萎缩是指由各种原因导致脑组织本身发生器质性病变而产生萎缩的一种现象,其病理表现为脑组织体积缩小,细胞数目减少,脑室和蛛网膜下腔扩大,当人体的大脑出现脑萎缩,那么会对人体的正常生活带来很多不必要的麻烦,因此对人体大脑是否出现脑萎缩的检测就显得格外重要。
相关技术中在检测脑萎缩时,一般是手动将人体脑部图像分成多个感兴趣区域,然后医生凭借经验在分好的感兴趣区域内手动标注病变区域,并在该标注的病变区域内提取特征,之后将提取的特征输入至训练好的分类器,得到病变区域的类别。
然而上述技术通过人工根据经验标注病变区域,存在检测效率低,且误检率高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测效率和准确率的脑部图像检测方法、装置、计算机设备和存储介质。
一种脑部图像检测方法,该方法包括:
获取待检测对象的脑部图像;
将脑部图像划分成多个图像块,并将各图像块输入至对应的图像块层级网络中进行特征提取,得到各图像块的特征图;
对各图像块的特征图进行第一权重筛选处理,从各图像块的特征图中确定各候选图像块的特征图,各候选图像块的数量小于多个图像块的数量;
将各候选图像块的特征图输入至神经网络模型中,得到脑部图像对应的目标区域和脑部图像的类别。
在其中一个实施例中,在上述对各图像块的特征图进行第一权重筛选处理,从各图像块的特征图中确定各候选图像块的特征图之后,该方法还包括:
将各候选图像块的特征图进行区域组合,得到各组合区域特征图;
将各组合区域特征图输入至对应的区域层级网络中进行特征提取,得到各组合区域特征图的区域级特征图。
在其中一个实施例中,该方法还包括:
将各区域级特征图进行第二权重筛选处理,从各区域级特征图中确定各候选区域的特征图;各候选区域的数量小于各组合区域的数量。
在其中一个实施例中,上述将各候选图像块的特征图输入至神经网络模型中,得到脑部图像对应的目标区域和脑部图像的类别,包括:
将各候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中,得到脑部图像对应的目标区域和脑部图像的类别。
在其中一个实施例中,上述第一权重筛选处理用于计算各图像块的特征图对应的权重,并根据各图像块的特征图和对应的权重,得到各候选图像块的特征图;各候图像块的特征图为各图像块的特征图中权重大于预设阈值的特征图。
在其中一个实施例中,上述第二权重筛选处理用于计算各区域级特征图对应的权重,并根据各区域级特征图和对应的权重,得到各候选区域的特征图;各候区域的特征图为各区域级特征图中权重大于预设阈值的区域级特征图。
在其中一个实施例中,上述将各候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中,得到脑部图像对应的目标区域和脑部图像的类别,包括:
将各候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中进行卷积处理,得到脑部图像对应的目标区域;
对脑部图像对应的目标区域进行分类操作,得到脑部图像的类别。
在其中一个实施例中,上述图像块层级网络、区域层级网络、个体层级网络的训练方法包括:
获取样本脑部图像,样本脑部图像已标注图像类别;
基于样本脑部图像对初始的图像块层级网络进行训练,得到图像块层级网络;
基于图像块层级网络和已标注图像类别对初始的区域层级网络进行训练,得到区域层级网络;
基于图像块层级网络、区域层级网络和已标注图像类别,对初始的个体层级网络进行训练,得到个体层级网络。
一种脑部图像检测装置,该装置包括:
获取模块,用于获取待检测对象的脑部图像;
提取模块,用于将所述脑部图像划分成多个图像块,并将各所述图像块输入至对应的图像块层级网络中进行特征提取,得到各所述图像块的特征图;
第一筛选处理模块,用于对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图,所述各候选图像块的数量小于所述多个图像块的数量;
确定模块,用于将各所述候选图像块的特征图输入至神经网络模型中,得到所述脑部图像对应的目标区域和所述脑部图像的类别。
一种计算机设备,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以下步骤:
获取待检测对象的脑部图像;
将脑部图像划分成多个图像块,并将各图像块输入至对应的图像块层级网络中进行特征提取,得到各图像块的特征图;
对各图像块的特征图进行第一权重筛选处理,从各图像块的特征图中确定各候选图像块的特征图,各候选图像块的数量小于多个图像块的数量;
将各候选图像块的特征图输入至神经网络模型中,得到脑部图像对应的目标区域和脑部图像的类别。
一种可读存储介质,其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以下步骤:
获取待检测对象的脑部图像;
将脑部图像划分成多个图像块,并将各图像块输入至对应的图像块层级网络中进行特征提取,得到各图像块的特征图;
对各图像块的特征图进行第一权重筛选处理,从各图像块的特征图中确定各候选图像块的特征图,各候选图像块的数量小于多个图像块的数量;
将各候选图像块的特征图输入至神经网络模型中,得到脑部图像对应的目标区域和脑部图像的类别。
上述脑部图像检测方法、装置、计算机设备和存储介质,通过获取待检测对象的脑部图像,将该脑部图像划分成多个图像块输入至对应的图像块层级网络中进行特征提取,得到各图像块的特征图,并对各图像块的特征图进行第一权重筛选处理,从各图像块的特征图中确定各候选图像块的特征图,最后将各候选图像块的特征图输入至神经网络模型中,得到脑部图像对应的目标区域和脑部图像的类别,其中,各候选图像块的数量小于多个图像块的数量。在该方法中,由于是通过神经网络来对脑部图像检测得到病变区域,而不是通过人工标注得到病变区域的,因此,该方法得到的检测结果更准确,对脑部图像的检测效率更高;另外,由于该方法在对脑部图像进行检测时,可以对脑部图像中的重要特征进行权重筛选,得到重要特征进行检测,因此可以减少网络模型的参数,使检测速度加快,从而可以进一步提高检测的效率。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中脑部图像检测方法的流程示意图;
图3为另一个实施例中脑部图像检测方法的流程示意图;
图4a为另一个实施例中脑部图像检测方法的流程示意图;
图4b为另一个实施例中脑部图像检测方法的流程示意图;
图5为另一个实施例中脑部图像检测方法的流程示意图;
图6为一个实施例中脑部图像检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
脑萎缩是指由各种原因导致脑组织本身发生器质性病变而产生萎缩的一种现象,其病理表现为脑组织体积缩小,细胞数目减少,脑室和蛛网膜下腔扩大,秉承可达数年至数十年,CT或MR检查可见皮层、小脑、脑干等的萎缩,为许多疾病如阿尔茨海默病(AD,Alzheimer disease)、轻度认知障碍(MCI,mild cognitive impairment)、帕金森病(PD,Parkinson's Disease)等的神经影像学表现之一。以阿尔茨海默症(AD)为例,它是最为常见的神经退行性疾病之一,因此对脑萎缩的检测就显得尤为重要。磁共振成像(MRI)因其无放射性、对脑结构成像质量高等特性,被越来越广泛地使用于AD及其相关病症的诊断,这也使得对计算机辅助检测(CAD,Computer AD)的需求变得迫切,AD的计算机辅助诊断可以根据MRI等医学影像有效筛查AD患者及其前期轻度认知障碍(MCI)阶段,大大降低医生的工作量,同时也可提高医生检测的准确度;此外,AD相关的关键区域的自动标注也非常重要:一方面,标注的区域由于与疾病高度相关,一些CAD方法可直接在标注区域内进行,大大减少了计算量;另一方面,疾病相关的关键区域的自动标注,为医生对疾病的诊断提供了有效参考,在临床应用中具有重大意义。目前CAD面临的主要问题是自动化程度不高、检测精度低、速度慢;CAD的处理通常要使用手工设计的特征提取器来提取特征,过程中会损失很多有用的信息,模型的学习能力受到很大的限制。传统的利用结构MRI影像的AD及其相关病症的计算机辅助诊断主要包含5个步骤,分别为:1)数据采集,2)预处理,3)图像分割,4)特征提取,5)训练分类器及评估其性能;数据采集是指通过成像设备采集医学图像的过程;预处理是指通过重采样、调整方向、去头骨、灰度校正等一系列操作,去除成像设备工作情况对图像质量的影响,为后续分析提供高质量影像;图像分割是指以目前的临床知识为先验,预先定义一些与AD相关的特征区域,如海马,颞叶,杏仁核,扣带回等,然后根据这些特征区域,手动分割MR影像为多个ROI(感兴趣区域),也有方法用模板图像配准的方法来定义ROI;特征提取是指通过对图像进行一系列操作(如稀疏自编码,小波变换,奇异值分解等),从每个划分出的ROI中提取若干特征,作为分类器训练和测试的样本。接下来,将输入样本按照一定比例划分为训练集和测试集,将训练数据集送入分类器进行训练,测试数据用于模型性能的评估(如精确度,鲁棒性,查准率,查全率等)。传统利用结构MRI影像的AD特征区域获取主要靠人工手动标注,主要由具有丰富临床经验的医生完成,速度慢,且耗费人力成本巨大;同时,由于AD的发病机制尚不明确,临床上对于其疾病相关的关键诊断区域尚无确凿结论,因此不同标注人员的标注结果存在误差,不利于疾病诊断;同时,AD患者的大脑病变区域存在个体差异性,进一步加大了手工标注的难度。近年来的研究提出利用图像配准的方法来定位病变区域,该方法对于萎缩或病变区域的定位取得了一定效果,但由于配准耗时长,精度有限,且独立于后续诊断过程,故会导致结合了配准的AD诊断及特征区域检测方法效果的次优表现。因此,本申请实施例提供一种脑部图像检测方法、装置、计算机设备和存储介质,旨在解决上述技术问题。
本申请实施例提供的脑部图像检测方法,可以应用于计算机设备,该计算机设备的内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种脑部图像检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例的执行主体可以是脑部图像检测装置,也可以是计算机设备,下述实施例以计算机设备为执行主体进行说明。
在一个实施例中,提供了一种脑部图像检测方法,本实施例涉及的是如何对脑部图像的特征图进行权重筛选,并将筛选后的特征图输入神经网络模型,得到脑部图像的目标区域和类别的具体过程。如图2所示,该方法可以包括以下步骤:
S202,获取待检测对象的脑部图像。
其中,待检测对象可以是儿童、老人、成人(非儿童且非老人)等,当然也可以是动物,不过本实施例中是以待检测对象为人类,且一般为老人进行说明的;待检测对象可以是脑部发育正常的人,也可以是脑部发育不正常的人,这里的待检测对象可以是一个,也可以是多个;另外,待检测对象的脑部图像可以是一维图像、二维图像、三维图像等,本实施例主要使用的是待检测对象的三维脑部图像。
具体的,计算机设备可以通过对MR(Magnetic Resonance,磁共振)设备、CT(Computed Tomography,电子计算机断层扫描)设备或者PET(Positron EmissionComputed Tomography,正电子发射型计算机断层显像)设备或者PET-CT设备或者PET-MR设备采集到的待检测对象的脑部数据进行图像重建和校正,从而得到待检测对象的脑部图像。或者,待检测对象的脑部图像也可以预先重建和校正好,存储在计算机设备中,当需要对其进行处理时,直接从计算机设备的存储器中读取脑部图像。又或者,计算机设备也可以从外部设备中获取脑部图像,比如,将待检测对象的脑部图像存储在云端,当需要进行处理操作时,计算机设备从云端获取该待检测对象的脑部图像。本实施例对获取待检测对象的脑部图像的获取方式不做限定。
S204,将脑部图像划分成多个图像块,并将各图像块输入至对应的图像块层级网络中进行特征提取,得到各图像块的特征图。
在本步骤中,在对脑部图像进行划分图像块之前,可选的,还可以对脑部图像进行预处理操作,例如:旋转、重采样、调整尺寸、去头骨、图像非均匀校正、直方图匹配、灰度归一化等,可以使所有脑部图像的尺寸均为一个相同值,例如三维图像256*256*256mm3等等,方向均为标准笛卡尔LPI坐标系,灰度范围均为(-1,1)区间内的标准图像。
其次,图像块层级网络可以是神经网络模型,包括深度学习模型、卷积神经网络模型等,当然也可以是其他网络模型;另外,图像块层级网络的数量可以和划分的图像块的数量相同,每个图像块层级网络的结构和参数均相同。在本实施例中,图像块层级子网络延续了DenseNet的网络设计,在传统的卷积神经网络中,如果网络层数为L,那么就会有L个连接,但是在DenseNet中,会有L(L+1)/2个网络连接,即每一层的输入由前面所有层的输出构成,整个网络的每个模块中卷积层输出的特征映射数量都很少(小于100),而不会像传统卷积神经网络中出现较大的宽度,这种连接方式使得特征和梯度的传递更加有效,网络也就更加容易训练,Densenet的主体部分由若干Dense block构成,每个Dense block的3*3*3卷积前面都包含了1*1*1的卷积操作,称为Bottleneck layer,其目的为压缩输入的特征映射数量,融合各通道特征的同时减少了计算量,Bottleneck layer的输出结果作为3*3*3卷积的输入,根据Densenet的网络结构设计,每层的输出要与前面所有层的输出按通道连接,作为下一层的输入,因此最后每个Denseblock的输出通道数也是巨大的,为减少内存占用,同时融合各输出通道的特征,每两个Denseblock的中间有一组1*1*1卷积操作,称为Transition layer(过渡层),以减少输出的特征映射数量。当然这里也对图像块层级网络进行了一些改进,具体包括两点:一是在每个DenseBlock后加上由空洞卷积模块组成的Dilation Block,以扩大卷积核的感受野;二是在Denseblock的3×3×3卷积后加入压缩-激活模块,以获得特征映射的不同通道的权重,同时为每个Denseblock增加由残差注意力模块构成的旁路,以获得特征映射的不同体素的权重。
当然这里的图像块层级网络还可以是三维的残差网络,例如ResNet,或者还可以是改良的三维稠密连接网络(例如DenseNet)结合特征加权模块(SEBlock)等等。
具体的,计算机设备在得到脑部图像之后,可以按照预设的图像块大小将脑部图像划分成多个图像块,然后将各个图像块分别输入至其对应的图像块层级网络中进行特征提取,每个图像块层级网络的输出就是对应的图像块的特征图。其中,这里预设的图像块大小可以根据实际情况而定,本实施例不限定其大小,当然,这里划分图像块时,可以将图像块划分成统一的大小,也可以是不同的大小,本实施例对此也不作具体限定。示例地,这里划分的图像块大小可以是48*48*48、64*64*64、128*128*128等等。
S206,对各图像块的特征图进行第一权重筛选处理,从各图像块的特征图中确定各候选图像块的特征图,各候选图像块的数量小于多个图像块的数量。
其中,第一权重筛选处理可以是采用图像块层级剪枝网络进行的剪枝处理,而剪枝处理指的是取消网络中不重要的分支之间的连接,保留重要分支之间的连接的处理手段,在本实施例中,重要的分支可以认为是各候选图像块对应的网络分支。另外,该图像块层级剪枝网络可以是神经网络模型,可以由一层全连接层构成,当然也可以是其他结构,本实施例对此不作具体限定;需要说明的是,狭义上的剪枝处理为一不可微操作,无法参与网络的优化过程,因此,实际操作中,剪枝处理由全连接层+压缩函数P(x)来近似完成,示例地,在进行剪枝处理(即权重筛选处理)时,假设全连接层由k个输入神经元和k个输出神经元构成,那么对于输入的k个特征图,其k个输出值中的每一个值x可以经压缩函数P(x)压缩为一个0-1之间的数,压缩函数P(x)的公式可以如下公式(1)所示:
在本步骤中,可选的,上述第一权重筛选处理用于计算各图像块的特征图对应的权重,并根据各图像块的特征图和对应的权重,得到各候选图像块的特征图,各候图像块的特征图为各图像块的特征图中权重大于预设阈值的特征图;也就是说,计算机设备可以利用公式(1)对各图像块的特征图进行权重计算,并将计算得到的各个权重和预设阈值进行对比,得到各个计算权重的对比结果,并将对比结果中计算权重大于预设阈值的目标计算权重取出来,这些目标权重对应的图像块的特征图就可以作为候选图像块的特征图,根据P(x)函数的性质,输入数字将被近似阈值化为0或1,相当于自适应地对各个图像块的特征图进行剪枝操作;另外,本步骤中的预设阈值可以根据实际情况而定,可以是0.5、0.7等等。其次,在本实施例中,可以对各图像块的特征图进行一次权重筛选处理,还可以进行两次权重筛选处理,当然还可以进行三次甚至更多次的权重筛选处理,本实施例对此不作具体限定。
具体的,计算机设备在得到各图像块的特征图之后,可以对各个图像块的特征图进行权重筛选处理,从各个图像块的特征图中筛选出至少一个重要的特征图,作为候选特征图,并将这些候选特征图都记为候选图像块的特征图,由于一般得到的候选图像块为多个,所以就可以得到多个候选图像块的特征图。
S208,将各候选图像块的特征图输入至神经网络模型中,得到脑部图像对应的目标区域和脑部图像的类别。
其中,神经网络模型可以是深度学习模型、卷积神经网络模型等,当然也可以是其他网络模型;目标区域指的是神经网络模型从各候选图像块中选出的至少一个候选图像块所在的区域,或者是将各候选图像块进行组合,再利用神经网络模型处理,从组合后的图像块区域中进行选取得到的区域;示例地,脑部图像的类别在这里可以包括阿尔茨海默病(AD)、轻度认知障碍(MCI)、帕金森病(PD)、正常(NC),其中,MCI又可以包括稳定型MCI(sMCI)和进展型MCI(pMCI)两类或者早期MCI(EMCI)和晚期MCI(LMCI)两类,脑部图像的类别在这里其实也可以是目标区域的类别,可选的,可以通过对脑部图像进行softmax分类操作处理得到类别。
需要说明的是,这里最终输出的可以是各个类别的预测指数,例如NC:5%,sMCI:7%,pMCI:20%,AD:68%,最后可以将预测指数最大的类别作为脑部图像对应的类别。
具体的,计算机设备可以将各个候选图像块的特征图输入至神经网络模型中,通过神经网络模型对各个特征图进行卷积等相关处理,从而在各个特征图中得到目标特征图,并将目标特征图对应的图像块所在的区域记为目标区域,以及对脑部图像进行分类操作处理等,得到脑部图像的类别。
上述脑部图像检测方法中,通过获取待检测对象的脑部图像,将该脑部图像划分成多个图像块输入至对应的图像块层级网络中进行特征提取,得到各图像块的特征图,并对各图像块的特征图进行第一权重筛选处理,从各图像块的特征图中确定各候选图像块的特征图,最后将各候选图像块的特征图输入至神经网络模型中,得到脑部图像对应的目标区域和脑部图像的类别,其中,各候选图像块的数量小于多个图像块的数量。在该方法中,由于是通过神经网络来对脑部图像检测得到病变区域,而不是通过人工标注得到病变区域的,因此,该方法得到的检测结果更准确,对脑部图像的检测效率更高;另外,由于该方法在对脑部图像进行检测时,可以对脑部图像中的重要特征进行权重筛选,得到重要特征进行检测,因此可以减少网络模型的参数,使检测速度加快,从而可以进一步提高检测的效率。
在另一个实施例中,提供了另一种脑部图像检测方法,本实施例涉及的是在对图像块的特征图进行第一权重筛选处理后,还可以对得到的各候选图像块的特征图进行区域组合,并进一步得到区域级特征图的具体过程。在上述实施例的基础上,在上述S206步骤之后,如图3所示,上述方法还可以包括以下步骤:
S302,将各候选图像块的特征图进行区域组合,得到各组合区域特征图。
其中,在进行区域组合时,可以是按照一定的规则对各候选图像块的特征图进行组合,例如规则可以是按照位置临近原则等等,示例地,每个候选图像块的特征图为1*1*1的特征图,可以是将2*2*2邻域内的8个候选图像块的特征图进行区域组合,即将8个候选图像块的特征图组合为1个特征图,也可以称为特征图组。
具体的,计算机设备在得到各候选图像块的特征图之后,可以将各候选图像块的特征图按照候选图像块的位置进行区域组合,这样就可以得到区域组合后的特征图,记为组合区域特征图,由于一般候选图像块比较多,所以区域组合后通常也是得到多个组合区域,所以这里可以是得到多个组合区域特征图(当然这里也可以是最后只得到一个组合区域特征图,不过本实施例使用的是多个组合区域特征图)。
S304,将各组合区域特征图输入至对应的区域层级网络中进行特征提取,得到各组合区域特征图的区域级特征图。
其中,这里的区域层级网络可以是神经网络模型,包括深度学习模型、卷积神经网络模型等,当然也可以是其他网络模型;另外,区域层级网络的数量可以和组合区域的数量相同。示例地,假设组合区域有5个,那么就有5个区域层级网络,每个区域层级网络的结构和参数均相同。另外,示例地,本实施例的区域层级网络可以由3层1×1×1卷积层构成,对于2*2*2邻域内相邻的8个图像块,每个图像块对应的区域层级子网络输出1*1*1的一组特征图,将8个图像块的特征图组合为一个特征图组,该特征图组即为该8个图像块所覆盖区域层次上的特征表示,将组合成的特征图组作为1*1*1卷积层的输入,同时将卷积层的输入输出之间加入跳层连接,使卷积层学习输入输出间的残差,增加了网络的学习能力。
具体的,计算机设备在得到各组合区域特征图之后,可以将各组合区域特征图输入至对应的区域层级网络中,在各自对应的区域层级网络中,可以对各组合区域特征进行进一步特征提取,然后就可以得到各组合区域特征图对应的特征图,可以记为各组合区域特征图的特征图,也可以称为各组合区域的区域级特征图。
本实施例提供的脑部图像检测方法,在对各图像块进行第一权重筛选之后,还可以对得到的各候选图像块的特征图进行区域组合,得到各组合区域特征图,并将各组合区域特征图输入至对应的区域层级网络中进行进一步特征提取,得到各组合区域的区域级特征图。在本实施例中,由于可以对候选图像块的特征图进行进一步特征提取,这样可以使得提取的特征更加全面和更加丰富,同时可以融合不同尺度上的特征,这样得到脑部图像的重要特征图会更加准确,从而在后续对脑部图像进行分类时,得到的分类结果会更加准确。
在另一个实施例中,提供了另一种脑部图像检测方法,本实施例涉及的是在得到各区域级特征图之后,还会对各区域级特征图进行第二权重筛选处理,得到候选区域的具体过程。在上述实施例的基础上,在上述S304步骤之后,上述方法还可以包括:
将各区域级特征图进行第二权重筛选处理,从各区域级特征图中确定各候选区域的特征图;各候选区域的数量小于各组合区域的数量。
其中,第二权重筛选处理可以是采用区域层级剪枝网络进行的剪枝处理,其结构可以与上述图像块层级剪枝网络的结构相似,这里的剪枝处理可以是与上述第一权重筛选处理里面的剪枝处理相同的处理,不过,在本实施例中,重要的分支可以认为是各组合区域对应的网络分支。另外,该区域层级剪枝网络可以是神经网络模型,可以由一层全连接层构成,当然也可以是其他结构,本实施例对此不作具体限定,其次,这里的剪枝处理也是和第一权重筛选处理相同,由全连接层+压缩函数P(x)来近似完成,压缩函数P(x)的公式也是上述公式(1)。
另外,在本步骤中,可选的,上述第二权重筛选处理用于计算各区域级特征图对应的权重,并根据各区域级特征图和对应的权重,得到各候选区域的特征图;各候区域的特征图为各区域级特征图中权重大于预设阈值的区域级特征图。也就是说,这里和第一权重筛选处理一样,计算机设备可以利用公式(1)对各区域级特征图进行权重计算,并将计算得到的各个权重和预设阈值进行对比,得到各个计算权重的对比结果,并将对比结果中计算权重大于预设阈值的目标计算权重取出来,这些目标权重对应的区域级特征图就可以作为候选区域的特征图,根据P(x)函数的性质,输入数字将被近似阈值化为0或1,相当于自适应地对各个区域级特征图进行剪枝操作;另外,本步骤中的预设阈值可以根据实际情况而定,可以是0.5、0.7等等。其次,在本实施例中,在对各区域级特征图进行二次权重筛选处理之后,还可以进行三次甚至更多次的权重筛选处理,本实施例对此不作具体限定。
除此之外,通常将各个组合区域经过权重筛选处理之后,得到的候选区域的数量是少于各组合区域的数量的,这里可以认为一个组合区域对应一个组合区域的特征图,也即是对应一个区域级特征图,一个候选区域对应一个候选区域的特征图。
具体的,计算机设备在得到各区域级特征图之后,可以对各区域级特征图进行权重筛选处理,从各个区域级特征图中筛选出至少一个重要的区域级特征图,作为候选区域的特征图,由于一般得到的候选区域为多个,因此可以得到多个候选区域的特征图。
本实施例提供的脑部图像检测方法,在得到各区域级特征图之后,还可以将各区域级特征图进行第二权重筛选处理,从各区域级特征图中确定各候选区域的特征图,其中得到的各候选区域的数量小于各组合区域的数量。在本实施例中,由于可以对进一步提取到的特征图再进一步筛选,这样提取到的特征会更加丰富,从而可以使得到的目标区域更加准确,进而可以使后续的分类结果更加准确;另外,由于进一步筛选的特征图数量较少,这样在后续对目标区域进行分类时,可以降低计算量,从而可以加快检测速度。
在另一个实施例中,提供了另一种脑部图像检测方法,本实施例涉及的是如何利用个体层级网络得到脑部图像的目标区域和类别的具体过程。在上述实施例的基础上,上述S208可以包括以下步骤:
将各候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中,得到脑部图像对应的目标区域和脑部图像的类别。
在本步骤中,个体层级网络可以是神经网络模型,包括深度学习模型、卷积神经网络模型等,当然也可以是其他网络模型;另外,这里的个体层级网络的数量可以是一个,当然也可以是多个,不过本实施例使用的是一个个体层级网络。
可选的,在具体对各候选区域的特征图进行处理时,可以采用图4a所示的方法步骤,如图4a所示,该步骤可以包括以下内容:
S402,将各候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中进行卷积处理,得到脑部图像对应的目标区域。
S404,对脑部图像对应的目标区域进行分类操作,得到脑部图像的类别。
在本实施例中,个体层级子网络可以由一层1×1×1卷积层构成,对于不同区域层次上的输出进行组合,得到整个个体层次上的特征表示,将个体层级的特征利用一层1*1*1卷积进行处理,并通过softmax操作,就可以得到最终对于疾病的诊断结果,也就是说,计算机设备可以对各候选区域的特征图进行特征拼接,然后将拼接后的特征图再输入至个体层级网络中进行卷积处理,得到一个最终的特征图,该最终特征图可以表征脑部图像最重要的特征,其对应的区域可以称为目标区域,之后对该目标区域进行分类操作,就可以得到目标区域的类别,也即是脑部图像的类别。
在本申请实施例中,若上述第一权重筛选处理是采用图像块层级剪枝网络进行的,以及上述第二权重筛选处理是采用区域层级剪枝网络进行的话,那么采用5类网络对脑部图像进行检测的过程可以参见图4b所示,将图像分块输入至图像块层级网络(也可以称为图像块层级子网络),得到的输出再输入至图像块层级剪枝网络,接着图像块层级剪枝网络得到的输出进行区域组合后再输入至区域层级网络(也可以称为区域层级子网络),区域层级网络得到的输出再输入至区域层级剪枝网络,区域层级剪枝网络的输出进行组合后输入至个体层级网络中(也可以称为个体层级子网络),最后得到的输出再进行softmax分类操作,得到预测结果。
需要说明的是,本申请实施例中涉及到的网络均可以是三维的深度全卷积神经网络,基于三维的深度全卷积神经网络允许/可以处理包含整个病变区域及其周围结构在内的所有信息,其考虑了不同层之间的相关性,自动获取数据多个抽象级别的表示,因此可以放大有用的特征,从而可以获取到与病变高度相关的图像区域,进而高效、准确地诊断脑萎缩。
本实施例提供的脑部图像检测方法,通过将各候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中,就可以得到脑部图像对应的目标区域和脑部图像的类别。在本实施例中,由于可以利用个体层级网络得到脑部图像的目标区域和类别,因此该方法可以同时完成对疾病关键区域的检测和疾病的分类任务,提升检测精度的同时还增加了模型的可解释性。
在另一个实施例中,提供了另一种脑部图像检测方法,本实施例涉及的是如何对图像块层级网络、区域层级网络、个体层级网络进行训练的具体过程。在上述实施例的基础上,如图5所示,该训练方法可以包括以下步骤:
S502,获取样本脑部图像,样本脑部图像已标注图像类别。
其中,这里的样本对应的个体可以是儿童、老人、成人等,不过一般都是老人,样本脑部图像的数量可以根据实际情况而定,例如可以是100-8000个等,本实施例对此不作具体限定。另外,这里的样本脑部图像可以是脑部发育正常的个体的脑部影像,也可以是出现脑萎缩现象,即脑部发育不正常的个体的脑部影像,不过每个样本在采集得到之后,也可以得到其对应的类别标签。
示例地,本实施例以使用MRI扫描设备获取扫描样本的脑结构影像为例,例如获得的是T1或T2加权图像,分别记录每个扫描样本对应的标签,例如阿尔兹海默症(AD)、轻度认知障碍(MCI)、以及正常样本(NC)等等。特别地,对于MCI样本,根据其在随访阶段多次扫描中的病理诊断变化(诊断结果始终为MCI,或后期扫描时对应诊断结果由MCI转为AD),将MCI样本进一步细分为稳定型MCI(sMCI)和进展型MCI(pMCI)两类。到目前为止,共有6792个脑影像样本,其中1152个样本为AD,2086个样本为sMCI,2043个样本为pMCI,1511个样本为NC,在实际使用过程中,可以从这些样本中随机抽取80%作为训练样本,其余20%作为测试样本,也就是说,本实施例会选取80%作为训练样本,其余的作为S202的测试样本,即待检测样本。
具体的,计算机设备可以通过对CT设备或者PET设备或者MR设备或者CT-PET、PET-MR设备采集到的样本脑部数据进行图像重建和校正,从而得到样本脑部图像。或者,样本脑部图像也可以预先重建和校正好,存储在计算机设备中,当需要对其进行处理时,直接从计算机设备的存储器中读取样本脑部图像。又或者,计算机设备也可以从外部设备中获取样本脑部图像,比如,将样本脑部图像存储在云端,当需要进行处理操作时,计算机设备从云端获取该样本脑部图像。本实施例对获取样本脑部图像的获取方式不做限定。另外,这里的样本脑部图像均已标注类别,该已标注的类别为样本对应的真实类别。
S504,基于样本脑部图像对初始的图像块层级网络进行训练,得到图像块层级网络。
其中,在获得样本脑部图像之后,可以先对样本脑部图像进行图像预处理,该图像预处理可以包括以下处理中的至少一种:旋转处理、重采样处理、非均匀场偏差场校正处理、去头骨处理等,图像预处理之后就可以使输入至网络的图像数据标准化,便于后续统一处理。
具体的,计算机设备在得到样本脑部图像之后,可以先将其划分成多个样本图像块,这里划分的图像块大小可以根据实际情况而定,例如,可以是48*48*48、64*64*64、128*128*128等等,划分好之后,可选的,可以将样本图像块输入至对应的初始的图像块层级网络,得到各样本图像块对应的预测类别,并根据上述已标注类别和预测类别,计算已标注类别和预测类别之间的损失,并将该损失作为损失函数的值,并利用该损失函数的值对各初始的图像块层级网络进行训练,最终得到训练好的各图像块层级网络。在这里,损失可以是预测类别和已标注类别之间的误差、方差、范数等;在训练图像块层级网络时,当所有图像块层级网络的损失函数的和值小于预设的阈值时,或者当损失函数的和值基本稳定时(即不再发生变化时),则可以确定所有的图像块层级网络已经训练好,否则还要继续训练,当训练好时可以固定所有图像块层级网络的参数,便于下一步训练区域层级网络使用。
S506,基于图像块层级网络和已标注图像类别对初始的区域层级网络进行训练,得到区域层级网络。
具体的,这里在训练区域层级网络时,可以将各图像块层级网络最后一层的输出组合,并输入至对应的区域层级网络中,得到预测类别,并根据上述已标注类别和预测类别,计算已标注类别和预测类别之间的损失,并将该损失作为损失函数的值,并利用该损失函数的值对各初始的区域层级网络进行训练,最终得到训练好的各区域层级网络,当训练好时可以固定所有区域层级网络的参数,便于下一步训练个体层级网络使用。
S508,基于图像块层级网络、区域层级网络和已标注图像类别,对初始的个体层级网络进行训练,得到个体层级网络。
具体的,这里在训练个体层级网络时,可以将各区域层级网络最后一层的输出组合,并输入至个体层级网络中,得到预测类别,并根据上述已标注类别和预测类别,计算已标注类别和预测类别之间的损失,并将该损失作为损失函数的值,并利用该损失函数的值对各初始的个体层级网络进行训练,最终得到训练好的个体层级网络,并固定个体层级网络的参数。
需要说明的是,若上述第一权重筛选处理是采用图像块层级剪枝网络进行的,以及上述第二权重筛选处理是采用区域层级剪枝网络进行的话,那么在将图像块层级网络、区域层级网络、个体层级网络训练好之后,可以将训练好的图像块层级网络、区域层级网络、个体层级网络,和图像块层级剪枝网络以及区域层级剪枝网络组合起来进行联合训练,联合训练时,也可以是采用最后一个网络输出的类别和已标注类别之间的损失进行训练,在联合训练完成之后,就可以得到最终的网络参数,当最终的训练收敛后,根据两个剪枝网络的全连接层参数,对权重近乎为0的网络分支进行手动剪枝(即取消该部分连接),从而减小了实际应用中的计算开销。
本实施例提供的脑部图像检测方法,通过获取样本脑部图像,样本脑部图像已标注图像类别;基于样本脑部图像对初始的图像块层级网络进行训练,得到图像块层级网络;基于图像块层级网络和已标注图像类别对初始的区域层级网络进行训练,得到区域层级网络;基于图像块层级网络、区域层级网络和已标注图像类别,对初始的个体层级网络进行训练,得到个体层级网络。在本实施例中,由于各个网络均是利用已标注类别的样本脑部图像进行训练得到的,因此得到的各个网络是比较准确的,进而在利用该准确的网络进行检测时,得到的目标区域和类别也是比较准确的。
应该理解的是,虽然图2、3、4a、5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、3、4a、5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种脑部图像检测装置,包括:获取模块10、提取模块11、第一筛选处理模块12和确定模块13,其中:
获取模块10,用于获取待检测对象的脑部图像;
提取模块11,用于将所述脑部图像划分成多个图像块,并将各所述图像块输入至对应的图像块层级网络中进行特征提取,得到各所述图像块的特征图;
第一筛选处理模块12,用于对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图,所述各候选图像块的数量小于所述多个图像块的数量;
确定模块13,用于将各所述候选图像块的特征图输入至神经网络模型中,得到所述脑部图像对应的目标区域和所述脑部图像的类别。
关于脑部图像检测装置的具体限定可以参见上文中对于脑部图像检测方法的限定,在此不再赘述。
在另一个实施例中,提供了另一种脑部图像检测装置,在上述实施例的基础上,上述装置还可以包括:组合确定模块,其中:
组合确定模块,用于将各所述候选图像块的特征图进行区域组合,得到各组合区域特征图;将各所述组合区域特征图输入至对应的区域层级网络中进行特征提取,得到各所述组合区域特征图的区域级特征图。
在另一个实施例中,提供了另一种脑部图像检测装置,在上述实施例的基础上,上述装置还可以包括:第二筛选处理模块,其中:
第二筛选处理模块,用于将各所述区域级特征图进行第二权重筛选处理,从各所述区域级特征图中确定各候选区域的特征图;所述各候选区域的数量小于所述各组合区域的数量。
在另一个实施例中,上述确定模块13还用于将各所述候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中,得到所述脑部图像对应的目标区域和所述脑部图像的类别。
在另一个实施例中,所述第一权重筛选处理用于计算各所述图像块的特征图对应的权重,并根据各所述图像块的特征图和对应的权重,得到各候选图像块的特征图;所述各候图像块的特征图为各所述图像块的特征图中权重大于预设阈值的特征图。
在另一个实施例中,所述第二权重筛选处理用于计算各所述区域级特征图对应的权重,并根据各所述区域级特征图和对应的权重,得到各候选区域的特征图;所述各候区域的特征图为各所述区域级特征图中权重大于预设阈值的区域级特征图。
在另一个实施例中,上述确定模块13还用于将各候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中进行卷积处理,得到所述脑部图像对应的目标区域;对所述脑部图像对应的目标区域进行分类操作,得到所述脑部图像的类别。
在另一个实施例中,提供了另一种脑部图像检测装置,在上述实施例的基础上,上述装置还可以包括:训练模块,其中,
训练模块,用于获取样本脑部图像,所述样本脑部图像已标注图像类别;基于所述样本脑部图像对初始的图像块层级网络进行训练,得到所述图像块层级网络;基于所述图像块层级网络和所述已标注图像类别对初始的区域层级网络进行训练,得到所述区域层级网络;基于所述图像块层级网络、所述区域层级网络和所述已标注图像类别,对初始的个体层级网络进行训练,得到所述个体层级网络。
关于脑部图像检测装置的具体限定可以参见上文中对于脑部图像检测方法的限定,在此不再赘述。
上述脑部图像检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测对象的脑部图像;
将所述脑部图像划分成多个图像块,并将各所述图像块输入至对应的图像块层级网络中进行特征提取,得到各所述图像块的特征图;
对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图,所述各候选图像块的数量小于所述多个图像块的数量;
将各所述候选图像块的特征图输入至神经网络模型中,得到所述脑部图像对应的目标区域和所述脑部图像的类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各所述候选图像块的特征图进行区域组合,得到各组合区域特征图;
将各所述组合区域特征图输入至对应的区域层级网络中进行特征提取,得到各所述组合区域特征图的区域级特征图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各所述区域级特征图进行第二权重筛选处理,从各所述区域级特征图中确定各候选区域的特征图;所述各候选区域的数量小于所述各组合区域的数量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各所述候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中,得到所述脑部图像对应的目标区域和所述脑部图像的类别。
在一个实施例中,所述第一权重筛选处理用于计算各所述图像块的特征图对应的权重,并根据各所述图像块的特征图和对应的权重,得到各候选图像块的特征图;所述各候图像块的特征图为各所述图像块的特征图中权重大于预设阈值的特征图。
在一个实施例中,所述第二权重筛选处理用于计算各所述区域级特征图对应的权重,并根据各所述区域级特征图和对应的权重,得到各候选区域的特征图;所述各候区域的特征图为各所述区域级特征图中权重大于预设阈值的区域级特征图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中进行卷积处理,得到所述脑部图像对应的目标区域;对所述脑部图像对应的目标区域进行分类操作,得到所述脑部图像的类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本脑部图像,所述样本脑部图像已标注图像类别;基于所述样本脑部图像对初始的图像块层级网络进行训练,得到所述图像块层级网络;基于所述图像块层级网络和所述已标注图像类别对初始的区域层级网络进行训练,得到所述区域层级网络;基于所述图像块层级网络、所述区域层级网络和所述已标注图像类别,对初始的个体层级网络进行训练,得到所述个体层级网络。
在一个实施例中,提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测对象的脑部图像;
将所述脑部图像划分成多个图像块,并将各所述图像块输入至对应的图像块层级网络中进行特征提取,得到各所述图像块的特征图;
对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图,所述各候选图像块的数量小于所述多个图像块的数量;
将各所述候选图像块的特征图输入至神经网络模型中,得到所述脑部图像对应的目标区域和所述脑部图像的类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各所述候选图像块的特征图进行区域组合,得到各组合区域特征图;将各所述组合区域特征图输入至对应的区域层级网络中进行特征提取,得到各所述组合区域特征图的区域级特征图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各所述区域级特征图进行第二权重筛选处理,从各所述区域级特征图中确定各候选区域的特征图;所述各候选区域的数量小于所述各组合区域的数量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各所述候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中,得到所述脑部图像对应的目标区域和所述脑部图像的类别。
在一个实施例中,所述第一权重筛选处理用于计算各所述图像块的特征图对应的权重,并根据各所述图像块的特征图和对应的权重,得到各候选图像块的特征图;所述各候图像块的特征图为各所述图像块的特征图中权重大于预设阈值的特征图。
在一个实施例中,所述第二权重筛选处理用于计算各所述区域级特征图对应的权重,并根据各所述区域级特征图和对应的权重,得到各候选区域的特征图;所述各候区域的特征图为各所述区域级特征图中权重大于预设阈值的区域级特征图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中进行卷积处理,得到所述脑部图像对应的目标区域;对所述脑部图像对应的目标区域进行分类操作,得到所述脑部图像的类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本脑部图像,所述样本脑部图像已标注图像类别;基于所述样本脑部图像对初始的图像块层级网络进行训练,得到所述图像块层级网络;基于所述图像块层级网络和所述已标注图像类别对初始的区域层级网络进行训练,得到所述区域层级网络;基于所述图像块层级网络、所述区域层级网络和所述已标注图像类别,对初始的个体层级网络进行训练,得到所述个体层级网络。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑部图像检测方法,其特征在于,所述方法包括:
获取待检测对象的脑部图像;
将所述脑部图像划分成多个图像块,并将各所述图像块输入至对应的图像块层级网络中进行特征提取,得到各所述图像块的特征图;
对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图;所述各候选图像块的数量小于所述多个图像块的数量,所述第一权重筛选处理用于计算各所述图像块的特征图对应的权重,并根据各所述图像块的特征图和对应的权重,得到各候选图像块的特征图;
将各所述候选图像块的特征图输入至神经网络模型中,得到所述脑部图像对应的目标区域和所述脑部图像的类别。
2.根据权利要求1所述的方法,其特征在于,在所述对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图之后,所述方法还包括:
将各所述候选图像块的特征图进行区域组合,得到各组合区域特征图;
将各所述组合区域特征图输入至对应的区域层级网络中进行特征提取,得到各所述组合区域特征图的区域级特征图;
对各所述区域级特征图进行第二权重筛选处理,从各所述区域级特征图中确定各候选区域的特征图;所述各候选区域的数量小于所述各组合区域的数量;
相应地,所述将各所述候选图像块的特征图输入至神经网络模型中,得到所述脑部图像对应的目标区域和所述脑部图像的类别,包括:
将各所述候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中,得到所述脑部图像对应的目标区域和所述脑部图像的类别。
3.根据权利要求1所述的方法,其特征在于,所述对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图,包括:
采用预设的第一剪枝网络对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图;所述第一剪枝网络包括全连接层以及预设的压缩函数;
所述采用预设的第一剪枝网络对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图,包括:
将各所述图像块的特征图输入至全连接层,获得各所述图像块的特征图对应的输出值,并采用所述压缩函数对各所述输出值分别进行压缩处理,获得各所述图像块的特征图对应的权重;
根据各所述图像块的特征图对应的权重,从各所述图像块的特征图中筛选得到各候选图像块的特征图。
4.根据权利要求2所述的方法,其特征在于,所述对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图,包括:
采用预设的第一剪枝网络对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图;
所述对各所述区域级特征图进行第二权重筛选处理,从各所述区域级特征图中确定各候选区域的特征图,包括:
采用预设的第二剪枝网络对各所述区域级特征图进行第二权重筛选处理,从各所述区域级特征图中确定各候选区域的特征图;
其中,所述第一剪枝网络和所述第二剪枝网络均为神经网络。
5.根据权利要求4所述的方法,其特征在于,所述第一剪枝网络包括全连接层以及预设的压缩函数;所述采用预设的第一剪枝网络对各所述图像块的特征图进行第一权重筛选处理,从各所述图像块的特征图中确定各候选图像块的特征图,包括:
将各所述图像块的特征图输入至全连接层,获得各所述图像块的特征图对应的输出值,并采用所述压缩函数对各所述输出值分别进行压缩处理,获得各所述图像块的特征图对应的权重;
根据各所述图像块的特征图对应的权重,从各所述图像块的特征图中筛选得到各候选图像块的特征图。
6.根据权利要求2所述的方法,其特征在于,所述各候图像块的特征图为各所述图像块的特征图中权重大于预设阈值的特征图;所述第二权重筛选处理用于计算各所述区域级特征图对应的权重,并根据各所述区域级特征图和对应的权重,得到各候选区域的特征图;所述各候区域的特征图为各所述区域级特征图中权重大于预设阈值的区域级特征图。
7.根据权利要求2所述的方法,其特征在于,所述将各所述候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中,得到所述脑部图像对应的目标区域和所述脑部图像的类别,包括:
将各候选区域的特征图进行特征拼接后输入至神经网络模型的个体层级网络中进行卷积处理,得到所述脑部图像对应的目标区域;
对所述脑部图像对应的目标区域进行分类操作,得到所述脑部图像的类别。
8.根据权利要求7所述的方法,其特征在于,所述图像块层级网络、所述区域层级网络、所述个体层级网络的训练方法包括:
获取样本脑部图像,所述样本脑部图像已标注图像类别;
基于所述样本脑部图像对初始的图像块层级网络进行训练,得到所述图像块层级网络;
基于所述图像块层级网络和所述已标注图像类别对初始的区域层级网络进行训练,得到所述区域层级网络;
基于所述图像块层级网络、所述区域层级网络和所述已标注图像类别,对初始的个体层级网络进行训练,得到所述个体层级网络。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210704507.XA CN115063369A (zh) | 2019-09-30 | 2019-09-30 | 脑部图像检测方法、计算机设备和存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910942334.3A CN110717905B (zh) | 2019-09-30 | 2019-09-30 | 脑部图像检测方法、计算机设备和存储介质 |
CN202210704507.XA CN115063369A (zh) | 2019-09-30 | 2019-09-30 | 脑部图像检测方法、计算机设备和存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910942334.3A Division CN110717905B (zh) | 2019-09-30 | 2019-09-30 | 脑部图像检测方法、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115063369A true CN115063369A (zh) | 2022-09-16 |
Family
ID=69212120
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910942334.3A Active CN110717905B (zh) | 2019-09-30 | 2019-09-30 | 脑部图像检测方法、计算机设备和存储介质 |
CN202210704507.XA Pending CN115063369A (zh) | 2019-09-30 | 2019-09-30 | 脑部图像检测方法、计算机设备和存储介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910942334.3A Active CN110717905B (zh) | 2019-09-30 | 2019-09-30 | 脑部图像检测方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN110717905B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488921B (zh) * | 2020-03-30 | 2023-06-16 | 中国科学院深圳先进技术研究院 | 一种全景数字病理图像智能分析系统及方法 |
CN112733672A (zh) * | 2020-12-31 | 2021-04-30 | 深圳一清创新科技有限公司 | 基于单目相机的三维目标检测方法、装置和计算机设备 |
CN112668701B (zh) * | 2020-12-31 | 2023-12-22 | 上海商汤智能科技有限公司 | 神经网络运行方法、装置、电子设备及存储介质 |
CN113112518B (zh) * | 2021-04-19 | 2024-03-26 | 深圳思谋信息科技有限公司 | 基于拼接图像的特征提取器生成方法、装置和计算机设备 |
CN113256592B (zh) * | 2021-06-07 | 2021-10-08 | 中国人民解放军总医院 | 图像特征提取模型的训练方法、系统及装置 |
CN115100509B (zh) * | 2022-07-15 | 2022-11-29 | 山东建筑大学 | 基于多分支块级注意力增强网络的图像识别方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
CN108109140A (zh) * | 2017-12-18 | 2018-06-01 | 复旦大学 | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 |
CN108121986B (zh) * | 2017-12-29 | 2019-12-17 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
CN109034245B (zh) * | 2018-07-27 | 2021-02-05 | 燕山大学 | 一种利用特征图融合的目标检测方法 |
CN109299733A (zh) * | 2018-09-12 | 2019-02-01 | 江南大学 | 利用紧凑型深度卷积神经网络进行图像识别的方法 |
CN109583369B (zh) * | 2018-11-29 | 2020-11-13 | 北京邮电大学 | 一种基于目标区域分割网络的目标识别方法及装置 |
CN109815868B (zh) * | 2019-01-15 | 2022-02-01 | 腾讯科技(深圳)有限公司 | 一种图像目标检测方法、装置及存储介质 |
CN109978002A (zh) * | 2019-02-25 | 2019-07-05 | 华中科技大学 | 基于深度学习的内窥镜图像胃肠道出血检测方法和系统 |
CN109934804A (zh) * | 2019-02-28 | 2019-06-25 | 北京科技大学 | 基于卷积神经网络的阿尔茨海默病变区域的检测方法 |
-
2019
- 2019-09-30 CN CN201910942334.3A patent/CN110717905B/zh active Active
- 2019-09-30 CN CN202210704507.XA patent/CN115063369A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN110717905A (zh) | 2020-01-21 |
CN110717905B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
CN111292314B (zh) | 冠脉分段方法、装置、图像处理系统和存储介质 | |
CN109308728B (zh) | 正电子发射型计算机断层扫描图像处理方法及装置 | |
US9361686B2 (en) | Method and apparatus for the assessment of medical images | |
CN110363760B (zh) | 用于识别医学图像的计算机系统 | |
CN110866909B (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
CN110223279B (zh) | 一种图像处理方法和装置、电子设备 | |
KR20130136519A (ko) | 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램 | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
CN110210543B (zh) | 图像分类系统、方法、设备和存储介质 | |
CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
CN113284149A (zh) | Covid-19胸部ct图像识别方法、装置及电子设备 | |
CN110619635A (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN110992439B (zh) | 纤维束追踪方法、计算机设备和存储介质 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN110490841B (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN114693671A (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN111160441B (zh) | 分类方法、计算机设备和存储介质 | |
KR20200116278A (ko) | 치과 영상으로부터 피검체의 성별 및 연령을 판정하는 방법 및 이를 이용한 장치 | |
CN115661152B (zh) | 基于模型预测的目标发展情况分析方法 | |
CN116580819A (zh) | 用于自动化地确定图像序列中的检查结果的方法和系统 |
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 |