CN115082405B - 颅内病灶的检测模型的训练方法、检测方法、装置及设备 - Google Patents
颅内病灶的检测模型的训练方法、检测方法、装置及设备 Download PDFInfo
- Publication number
- CN115082405B CN115082405B CN202210714535.XA CN202210714535A CN115082405B CN 115082405 B CN115082405 B CN 115082405B CN 202210714535 A CN202210714535 A CN 202210714535A CN 115082405 B CN115082405 B CN 115082405B
- Authority
- CN
- China
- Prior art keywords
- image data
- processed
- module
- heat map
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 230000009466 transformation Effects 0.000 claims abstract description 40
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 16
- 206010018985 Haemorrhage intracranial Diseases 0.000 claims abstract description 14
- 208000008574 Intracranial Hemorrhages Diseases 0.000 claims abstract description 14
- 230000000740 bleeding effect Effects 0.000 claims abstract description 13
- 238000011176 pooling Methods 0.000 claims description 44
- 230000003902 lesion Effects 0.000 claims description 37
- 210000003484 anatomy Anatomy 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 206010008111 Cerebral haemorrhage Diseases 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 206010022840 Intraventricular haemorrhage Diseases 0.000 claims description 4
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 claims description 4
- 206010042364 Subdural haemorrhage Diseases 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 206010073681 Epidural haemorrhage Diseases 0.000 claims description 2
- 208000002667 Subdural Hematoma Diseases 0.000 claims description 2
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 abstract description 47
- 108091006623 SLC12A3 Proteins 0.000 abstract description 47
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000001154 acute effect Effects 0.000 description 4
- 230000002008 hemorrhagic effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 206010018852 Haematoma Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000000483 Central Nervous System Vascular Malformations Diseases 0.000 description 1
- 208000034710 Cerebral arteriovenous malformation Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 208000002263 Intracranial Arteriovenous Malformations Diseases 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 206010060860 Neurological symptom Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 206010047115 Vasculitis Diseases 0.000 description 1
- 201000000034 arteriovenous malformations of the brain Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 201000007272 intracranial sinus thrombosis Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 208000018316 severe headache Diseases 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- G06T2207/20—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
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本说明书实施例公开了一种颅内病灶的检测模型的训练方法、检测方法、装置及设备。所述方法包括:获取待处理的NCCT影像数据;将所述待处理的NCCT影像数据输入颅内出血的检测模型中,获得所述待处理的NCCT影像数据对应的出血概率及所述待处理的NCCT影像数据对应的热图;基于所述待处理的NCCT影像数据与颅脑模板进行匹配获得的转换矩阵,将所述转换矩阵作用于所述待处理的NCCT影像数据对应的热图,获得所述待处理的NCCT影像数据的出血灶的位置,能够自动进行NCCT影像数据的出现检测,处理速度快、检测准确率高。
Description
技术领域
本说明书涉及医学影像及人工智能技术领域,尤其涉及一种颅内病灶的检测模型的训练方法、检测方法、装置及设备。
背景技术
颅内病灶是指脑部损伤导致脑部出现细胞坏死,能够被影像学检查所观察到。常见的颅内病灶包括梗死灶、出血灶、占位灶。其中,颅内出血是常见的出血灶,即颅骨内发生的出血,是一种严重的急性脑血管疾病。其病因包括外伤、高血压、脑动静脉畸形、硬脑膜动静脉瘘、血管炎、静脉窦血栓形成等。对于临床治疗来说,确定出血的位置和类型是治疗患者的关键步骤。通过计算机断层(CT)扫描和磁共振成像(MRI)扫描可以更直接、更准确地反映颅内出血的严重程度和演化趋势。同时又因为CT检测的费用要比MRI检测的费用少得多,所以大多数人患者会选择CT检测的方式。在CT图像中新鲜血肿通常显示为边界模糊的高亮度区域。通常情况下,血肿的形状为肾形,圆形或不规则形,并常常被低密度水肿包围。
当患者出现严重的头痛或意识丧失等急性神经系统症状时,训练有素的医学专家会检查患者颅脑的NCCT医学图像,以确定出血的位置和类型。这个过程很复杂,而且通常很耗时。根据颅脑CT正确判断急性颅内出血的类型,对后续临床治疗起着决定性的作用,这也是决定紧急手术干预和选择手术方法的关键。
因此,需要一种新的方法,能够自动进行NCCT图像中病灶的识别及定位,为临床治疗提供辅助手段。
发明内容
本说明书实施例提供一种颅内病灶的检测模型的训练方法、检测方法、装置及设备,用于解决以下技术问题:
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种颅内病灶的检测模型的训练方法,所述方法包括:
获取弱标签标注的待处理的影像数据集;
基于所述弱标签标注的待处理的影像数据集建立神经网络,以训练颅内病灶的检测模型,所述颅内病灶的检测模型包括编码模块、分类模块及热图生成模块;
其中,
所述编码模块是基于所述弱标签标注的待处理的影像数据集,经过第一子模块的卷积操作及池化操作、第二子模块的卷积操作及池化操作、第三子模块的卷积操作及池化操作、第四子模块的卷积操作与池化操作及第五子模块的卷积操作,获得的编码模块。
所述分类模块是对所述编码模块的输出进行池化操作及全连接,获得的分类模块;
所述热图生成模块是基于所述神经网络编码模块及所述分类模块,进行加权求和及缩放操作,获得的热图生成模块。
本说明书实施例还提供一种颅内病灶的检测方法,所述方法包括:
获取待处理的影像数据;
将所述待处理的影像数据输入颅内病灶的检测模型中,获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图;
基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置和/或所述待处理的影像数据的病灶体积。
本说明书实施例还提供一种颅内病灶的检测装置,包括:
获取模块,获取待处理的影像数据;
检测模块,将所述待处理的影像数据输入颅内病灶的检测模型中,获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图;
定位模块,基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置和/或所述待处理的影像数据的病灶体积。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据;
将所述待处理的影像数据输入颅内病灶的检测模型中,获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图;
基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置和/或所述待处理的影像数据的病灶体积。
本说明书实施例通过弱标签信息,用深度学习的方法训练模型,学习病灶特征,从而确定是否具有病灶,定位病灶区域,能够自动进行影像数据的病灶检测,处理速度快、检测准确率高。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种颅内病灶的检测模型的训练方法的示意图;
图2为本说明书实施例提供的一种颅内病灶的检测模型的系统结构的示意图;
图3为本说明书实施例提供的一种颅内病灶的检测方法的示意图;
图4为本说明书实施例提供的一种颅内病灶的检测方法的框架图;
图5为本说明书实施例提供一种颅内病灶的检测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
颅内病灶,例如颅内出血、颅内缺血等,在现有技术中,采用人工方法进行颅内病灶诊断时,在临床实践中经常出现延迟或漏诊的情况。以颅内出血为例,因为即使对有经验的放射科医生来说,根据CT图像正确诊断急性脑出血亚型并进行颅内出血区域定位也是非常具有挑战性的。同时由于放射科医生的工作量增加,超负荷的工作引起的疲劳可能会导致误诊或漏诊。因此,现有技术中,也出现了一些通过机器方法进行颅内出血判断的方法,例如基于人工构造的特征(如梯度,图像亮度等),采用聚类和阈值等简单分割算法,识别出血灶,该种方式在复杂的情况下,如出血区域与脑组织重叠或出血的边缘模糊时,效果并不好。还有一种方法是,基于人工勾勒的梗死灶,采用监督学习的方式,做出血灶分割。但是现有的方法存在如下问题:对于一些出血边缘不清晰的出血灶,人工勾勒难度很大,存在标签不精确的问题;全监督方式,对于小的出血灶,往往分割效果不佳;3D勾勒非常耗时。
基于此,本说明书实施例提供一种新的颅内病灶的检测方法。
图1为本说明书实施例提供的一种颅内病灶的检测模型的训练方法的示意图。如图1所示,本说明书提供的颅内病灶的检测模型的训练方法具体包括:
步骤S101:获取弱标签标注的待处理的影像数据集。
在本说明书实施例中,待处理的影像数据集为基于分割标注成本高的病灶的影像数据,具体的,可以为NCCT影像数据,亦可以为其他类型的影像数据。影像数据的具体类型并不构成对本申请的限定。为了便于说明,本说明书实施例中,以颅内病灶为出血灶,待处理的影像数据集为NCCT影像数据为例予以说明。
在本说明书实施例中,待处理的NCCT影像数据为单帧NCCT影像数据,或者待处理的NCCT影像数据为一个序列的NCCT影像数据,待处理的NCCT影像数据集为多个样本数据的NCCT影像数据组成的集合。需要特别说明的是,待处理的NCCT影像数据为单帧NCCT影像数据与待处理的NCCT影像数据为一个序列的NCCT影像数据的区别仅在于,一个序列的NCCT影像数据比单帧影像数据多一个时间维度。
在本说明书实施例中,待处理的NCCT影像数据进行预处理,以便待处理的NCCT影像数据具有统一的格式,以进行后续神经网络编码模块的训练。具体地,预处理包括:转化待处理的NCCT影像数据对应的图片格式、调整图像大小、进行数据增强中的一种或几种,数据增强可以采用对数据进行均值方差的方法实现。
需要说明的是,在本说明书实施例中弱标签标注的待处理的NCCT影像数据集为将多个样本的待处理的NCCT影像数据进行预处理后,进行弱标签标注获得的数据集,或者是将多个样本的待处理的NCCT影像数据进行弱标签标注后,再进行预处理获得的数据集。
在本说明书实施例中,所述弱标签为长度为6的列表,所述弱标签包括是否有颅内出血及是否存在某种出血亚型,所述出血亚型包括蛛网膜下腔出血、脑室内出血、硬膜下出血、脑实质性出血和硬膜外出血。具体到具体实施例中,列表第一个元素,0代表不存在颅内出血,1代表存在颅内出血;列表第二个元素,0代表不存在蛛网膜下腔出血,1代表存在蛛网膜下腔出血;列表第三个元素,0代表不存在脑室内出血,1代表存在脑室内出血;列表第四个元素,0代表不存在硬膜下出血,1代表存在硬膜下出血;列表第五个元素,0代表不存在脑实质性出血,1代表存在脑实质性出血;列表第六个元素,0代表不存在硬膜外出血,1代表存在硬膜外出血。
步骤S103:基于所述弱标签标注的待处理的影像数据集建立神经网络,以训练颅内出血的检测模型,所述颅内出血的检测模型包括编码模块、分类模块及热图生成模块。
在本说明书实施例中,所述编码模块是基于所述弱标签标注的待处理的影像数据集,经过第一子模块的卷积操作及池化操作、第二子模块的卷积操作及池化操作、第三子模块的卷积操作及池化操作、第四子模块的卷积操作与池化操作及第五子模块的卷积操作,获得的编码模块。
所述分类模块是对所述编码模块的输出进行池化操作及全连接,获得的分类模块;
所述热图生成模块是基于所述神经网络编码模块及所述分类模块,进行加权求和及缩放操作,获得的热图生成模块。
在本说明书实施例中,所述第一子模块的卷积操作采用7×7的卷积核,所述第一子模块的卷积操作的步长为2,所述第一子模块的池化操作的步长为2;
所述第二子模块、所述第三子模块及所述第四子模块的卷积操作均有1个1×1的卷积核、1个3×3的卷积层和1个1×1的卷积层组成,所述第二子模块、所述第三子模块和所述第四子模块的卷积操作的步长为2,所述第二子模块、所述第三子模块和所述第四子模块的池化操作的步长为2;
所述第五子模块的卷积操作由1个1×1的卷积核、1个3×3的卷积层组成,所述第五子模块的卷积操作的步长为2。
在本说明书实施例中,所述第一子模块的卷积操作为数据标准化操作或Relu激活操作,所述第一子模块的池化操作为最大池化或平均池化,所述第一子模块的池化操作优选为平均池化;
所述第二子模块、所述第三子模块、所述第四子模块的池化操作为平均池化。
需要特别说明的是,神经网络中的每个神经元节点接受上一层神经元的输出值作为本神经元的输入值,并将输入值传递给下一层,输入层神经元节点会将输入属性值直接传递给下一层(隐层或输出层)。在多层神经网络中,上层节点的输出和下层节点的输入之间具有一个函数关系,这个函数称为激活函数。Relu激活操作是利用Relu函数将神经网络中的一部分神经元的输出为0,造成了网络的稀疏性,并且减少了参数的相互依存关系,缓解了过拟合问题的发生,Relu函数是一个取最大值的函数。当然,Relu函数亦可以采用其他的激活函数实现同样的效果。数据标准化操作(Normalization操作)是调整数据分布的一种操作方法,从而实现神经网络的优化。
在本说明书实施例中,所述第一模块的卷积核的个数为64个,所述第二模块的卷积核的个数为128,所述第三模块的卷积核的个数为256,所述第四模块的卷积核的个数为512,所述第五模块的卷积核的个数为1024。
在本说明书实施例中,所述分类模块是对所述编码模块的输出进行池化操作及全连接,获得的分类模块,具体包括:
将所述编码模块输出的特征图进行平均池化操作,获得特征向量;
将所述特征向量进行全连接,获得颅内病灶的概率值,从而获得所述分类模块。
在本说明书实施例中,所述热图生成模块是基于所述编码模块及所述分类模块,进行加权求和及缩放操作,获得的热图生成模块,具体包括:
将所述编码模块输出的特征图与所述分类模块的全连接层的权重结果,进行矩阵加权求和,生成热图;
将所述热图进行缩放操作,以便所述热图的尺寸与所述待处理的影像数据集的尺寸相同,获得所述热图生成模块。
在本说明书实施例中,分类模块的全连接层是权重是基于分类模块获得的特征向量,进行权重提取获取的。
为了进一步理解本说明书实施例提供的颅内病灶的检测模型的训练方法,下面将结合具体的实施例予以说明。为了便于理解,本说明书以单帧NCCT影像数据作为输入,单帧NCCT影像数据的输入为256×256的图像,予以说明。图2为本说明书实施例提供的一种颅内病灶的检测模型的系统结构的示意图。如图2所示,本说明书实施例提供的颅内病灶的检测模型包括编码模块、分类模块及热图生成模块。以输入为256×256的图像(单张NCCT影像数据)作为输入,在编码器模块,经过第一子模块的卷积和池化操作,生成64张大小为64×64的特征图;该64张64×64的特征图经过第二子模块的卷积和池化操作,生成128张大小为32×32的特征图;该128张大小为32×32的特征图经过第三子模块的卷积和池化操作,生成256张大小为16×16的特征图;该256张大小为16×16的特征图经过第四子模块的卷积和池化操作,生成512张大小为8×8的特征图;该512张大小为8×8的特征图经过第五子模块的卷积操作,生成1024张大小为8×8的特征图,生成的1024张大小为8×8的特征图从编码模块输出至分类模块。
在分类模块中,1024张大小为8×8的特征图通过平均池化操作,对1024个通道中的8×8的特征图取平均值,输出一个长度为1024的特征向量,进一步将该长度为1024的特征向量进行全连接,获得颅内病灶的概率值。
在热图生成模块中,基于分类模块获得的长度为1024的特征向量进行权重提取,获得全连接层的权重结果,即[W1,W2,......,W1024],随后将全连接层的权重结果与分类模块输出的1024张大小为8×8的特征图进行矩阵加权求和,从而生成一张8×8的热图。由于8×8的热图与输入的256×256的图像的尺寸不一致,因此进一步将8×8的热图进行缩放操作,以便所述热图的尺寸与所述待处理的NCCT影像数据集的尺寸相同,获得颅内病灶的检测模型,即8×8的热图经过缩放操作后,成为一张256×256的热图进行输出。
上述内容详细介绍了一种颅内病灶的检测模型的训练方法,与之相应的,本说明书还提供一种基于颅内病灶的检测模型的应用方法,即一种颅内病灶的检测方法。图3为本说明书实施例提供的一种颅内病灶的检测方法的示意图。如图3所示,该检测方法包括如下步骤:
步骤S301:获取待处理的影像数据。
以颅内病灶为颅内出血为例,在本说明书实施例中,待处理的NCCT影像数据为单帧的NCCT影像数据或者一个序列的NCCT影像数据。需要特别说明的是,当待处理的NCCT影像数据为一个序列的NCCT影像数据时,在后续处理过程中,在单帧NCCT影像数据处理方法的基础上,额外增加一个时间维度。
在本说明书的一个实施例中,进一步,将待处理的NCCT影像数据进行预处理,使得待处理的NCCT影像数据具有固定的、统一格式,以便后续输入颅内病灶的检测模型中。
步骤S303:将所述待处理的影像数据输入颅内病灶的检测模型中,获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图。
继续延续前例,在本说明书实施例中,将待处理的NCCT影像数据作为输入,输入颅内病灶的检测模型中,该颅内病灶的检测模型会输出待处理的NCCT影像数据对应病灶的概率及所述待处理的影像数据对应的热图。颅内病灶的检测模型,在本说明书的上述描述中已经详细说明,在此不再赘述。
步骤S305:基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置和/或所述待处理的影像数据的病灶体积。
在本说明书实施例中,所述基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置,具体包括:
将所述待处理的影像数据与所述颅脑模板进行配准,获得所述待处理的影像数据的转换矩阵;
将所述转换矩阵作用于所述待处理的影像数据对应的热图,将所述待处理的影像数据对应的热图与所述颅脑模板进行对齐,获得转化后的热图;
基于所述转化后的热图中的预设高信号,根据所述颅脑模板上的解剖结构的位置,获得所述待处理的影像数据的病灶位置,所述预设高信号为大于预设阈值的信号。
由于待处理的影像数据对应的热图上的高信号位置为病灶位置,因此转化后的热图中保留了病灶位置,进一步根据颅脑模板上的解剖结构的位置,即可获得待处理的影像数据的病灶位置。
在本说明书实施例中,预设阈值的大小可以根据待处理的影像数据的类型及病灶的类型而定,预设阈值的大小并不对本申请构成限定。在本说明书的一个实施例中,病灶为出血灶,预设阈值的大小为0.5。
在本说明书实施例中,所述基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置,具体包括:
将所述待处理的影像数据与所述颅脑模板进行配准,获得所述待处理的影像数据的转换矩阵;
将所述转换矩阵作用于所述颅脑模板的解剖结构掩膜图像上,获得所述待处理的影像数据对应的解剖结构图像;
基于所述待处理的影像数据对应的解剖结构图像及所述待处理的影像数据对应的热图,确定所述待处理的影像数据的病灶位置。
在本说明书实施例中,所述方法进一步包括:
基于所述待处理影像数据的病灶位置,确定所述待处理影像数据的病灶体积。
继续延续前例,需要特别说明的是,当待处理的NCCT影像数据为一个序列的NCCT影像数据时,通过对基于单帧的待处理的NCCT影像数据对应的出血概率和热图进行组合,能够获得序列的NCCT影像数据对应的3D热图。也可以修改编码模块与分类模块的2D卷积层/池化层为3D卷积层/池化层,通过相同的操作流程,直接生成3D热图。
为了进一步理解本说明书实施例提供的颅内病灶的检测方法,下面将结合具体的框架图予以说明。图4为本说明书实施例提供的一种颅内病灶的检测方法的框架图。如图4所示,待处理的影像数据经过预处理后,输入颅内病灶血的检测模型,进而判断是否存在颅内病灶,进而实现热图辅助定位。
采用本说明书实施例提供的方法,能够自动进行影像数据的颅内病灶检测,处理速度快、检测准确率高。
上述内容详细介绍了一种颅内病灶的检测方法,与之相应的,本说明书还提供一种颅内病灶的检测装置。图5为本说明书实施例提供一种颅内病灶的检测装置的示意图。如图5所示,该检测装置包括:
获取模块501,获取待处理的影像数据;
检测模块503,基将所述待处理的影像数据输入颅内病灶的检测模型中,获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图;
定位模块505,基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置和/或所述待处理的影像数据的病灶体积。
在本说明书实施例中,所述基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置,具体包括:
将所述待处理的影像数据与所述颅脑模板进行配准,获得所述待处理的影像数据的转换矩阵;
将所述转换矩阵作用于所述待处理的影像数据对应的热图,将所述待处理的影像数据对应的热图与所述颅脑模板进行对齐,获得转化后的热图;
基于所述转化后的热图中的预设高信号,根据所述颅脑模板上的解剖结构的位置,获得所述待处理的影像数据的病灶位置,所述预设高信号为大于预设阈值的信号。
在本说明书实施例中,所述基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置,具体包括:
将所述待处理的影像数据与所述颅脑模板进行配准,获得所述待处理的影像数据的转换矩阵;
将所述转换矩阵作用于所述颅脑模板的解剖结构掩膜图像上,获得所述待处理的影像数据对应的解剖结构图像;
基于所述待处理的影像数据对应的解剖结构图像及所述待处理的影像数据对应的热图,确定所述待处理的影像数据的病灶位置。
在本说明书实施例中,所述装置进一步包括:
基于所述待处理影像数据的病灶位置,确定所述待处理影像数据的病灶体积。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据;
将所述待处理的影像数据输入颅内病灶的检测模型中,获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图;
基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置和/或所述待处理的影像数据的病灶体积。
在本说明书实施例中,所述基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置,具体包括:
将所述待处理的影像数据与所述颅脑模板进行配准,获得所述待处理的影像数据的转换矩阵;
将所述转换矩阵作用于所述待处理的影像数据对应的热图,将所述待处理的影像数据对应的热图与所述颅脑模板进行对齐,获得转化后的热图;
基于所述转化后的热图中的预设高信号,根据所述颅脑模板上的解剖结构的位置,获得所述待处理的影像数据的病灶位置,所述预设高信号为大于预设阈值的信号。
在本说明书实施例中,所述基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵,将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上,获得所述待处理的影像数据的病灶位置,具体包括:
将所述待处理的影像数据与所述颅脑模板进行配准,获得所述待处理的影像数据的转换矩阵;
将所述转换矩阵作用于所述颅脑模板的解剖结构掩膜图像上,获得所述待处理的影像数据对应的解剖结构图像;
基于所述待处理的影像数据对应的解剖结构图像及所述待处理的影像数据对应的热图,确定所述待处理的影像数据的病灶位置。
在本说明书实施例中,所述方法进一步包括:
基于所述待处理影像数据的病灶位置,确定所述待处理影像数据的病灶体积。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据优化设备的处理器以产生一个机器,使得通过计算机或其他可编程数据优化设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据优化设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据优化设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种颅内病灶的检测模型的训练方法,其特征在于,所述方法包括:
获取弱标签标注的待处理的影像数据集,所述颅内病灶为颅内出血,所述弱标签为长度为6的列表,所述弱标签包括是否有颅内出血及是否存在某种出血亚型,所述出血亚型包括蛛网膜下腔出血、脑室内出血、硬膜下出血、脑实质性出血和硬膜外出血;
基于所述弱标签标注的待处理的影像数据集建立神经网络,以训练颅内病灶的检测模型,所述颅内病灶的检测模型用于获得待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图,将所述待处理的影像数据与颅脑模板进行配准,获得所述待处理的影像数据的转换矩阵;
将所述转换矩阵作用于所述待处理的影像数据对应的热图,将所述待处理的影像数据对应的热图与所述颅脑模板进行对齐,获得转化后的热图;基于所述转化后的热图中的预设高信号,根据所述颅脑模板上的解剖结构的位置,获得所述待处理的影像数据的病灶位置,所述预设高信号为大于预设阈值的信号;或者
将所述转换矩阵作用于所述颅脑模板的解剖结构掩膜图像上,获得所述待处理的影像数据对应的解剖结构图像;基于所述待处理的影像数据对应的解剖结构图像及所述待处理的影像数据对应的热图,确定所述待处理的影像数据的病灶位置;
其中,
所述颅内病灶的检测模型包括编码模块、分类模块及热图生成模块;
所述编码模块是基于所述弱标签标注的待处理的影像数据集,经过第一子模块的卷积操作及池化操作、第二子模块的卷积操作及池化操作、第三子模块的卷积操作及池化操作、第四子模块的卷积操作与池化操作及第五子模块的卷积操作,获得的编码模块,所述第一子模块的卷积操作采用7×7的卷积核,所述第一子模块的卷积操作的步长为2,所述第一子模块的池化操作的步长为2;
所述第二子模块、所述第三子模块及所述第四子模块的卷积操作均有1个1×1的卷积核、1个3×3的卷积层和1个1×1的卷积层组成,所述第二子模块、所述第三子模块和所述第四子模块的卷积操作的步长为2,所述第二子模块、所述第三子模块和所述第四子模块的池化操作的步长为2;
所述第五子模块的卷积操作由1个1×1的卷积核、1个3×3的卷积层组成,所述第五子模块的卷积操作的步长为2;
所述分类模块是对所述编码模块的输出进行池化操作及全连接,获得的分类模块;
所述热图生成模块是基于所述神经网络编码模块及所述分类模块,进行加权求和及缩放操作,获得的热图生成模块。
2.如权利要求1所述的方法,其特征在于,所述第一子模块的卷积操作为数据标准化操作或Relu激活操作,所述第一子模块的池化操作为最大池化或平均池化,所述第一子模块的池化操作为平均池化;
所述第二子模块、所述第三子模块、所述第四子模块的池化操作为平均池化。
3.如权利要求1所述的方法,其特征在于,所述第一子模块的卷积核的个数为64个,所述第二子模块的卷积核的个数为128,所述第三子模块的卷积核的个数为256,所述第四子模块的卷积核的个数为512,所述第五子模块的卷积核的个数为1024。
4.如权利要求1所述的方法,其特征在于,所述分类模块是对所述编码模块的输出进行池化操作及全连接,获得的分类模块,具体包括:
将所述编码模块输出的特征图进行平均池化操作,获得特征向量;
将所述特征向量进行全连接,获得颅内病灶的概率值,从而获得所述分类模块。
5.如权利要求1所述的方法,其特征在于,所述热图生成模块是基于所述编码模块及所述分类模块,进行加权求和及缩放操作,获得的热图生成模块,具体包括:
将所述编码模块输出的特征图与所述分类模块的全连接层的权重结果,进行矩阵加权求和,生成热图;
将所述热图进行缩放操作,以便所述热图的尺寸与所述待处理的影像数据集的尺寸相同,获得所述热图生成模块。
6.一种颅内病灶的检测方法,其特征在于,所述方法包括:
获取待处理的影像数据;
将所述待处理的影像数据输入权利要求1~5任一项所述的颅内病灶的检测模型中,获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图;
将所述待处理的影像数据与颅脑模板进行配准,获得所述待处理的影像数据的转换矩阵;
将所述转换矩阵作用于所述待处理的影像数据对应的热图,将所述待处理的影像数据对应的热图与所述颅脑模板进行对齐,获得转化后的热图;基于所述转化后的热图中的预设高信号,根据所述颅脑模板上的解剖结构的位置,获得所述待处理的影像数据的病灶位置,所述预设高信号为大于预设阈值的信号;或者
将所述转换矩阵作用于所述颅脑模板的解剖结构掩膜图像上,获得所述待处理的影像数据对应的解剖结构图像;基于所述待处理的影像数据对应的解剖结构图像及所述待处理的影像数据对应的热图,确定所述待处理的影像数据的病灶位置。
7.如权利要求6所述的方法,其特征在于,所述方法进一步包括:
基于所述待处理影像数据的病灶位置,确定所述待处理影像数据的病灶体积。
8.一种颅内病灶的检测装置,其特征在于,所述装置包括:
获取模块,获取待处理的影像数据;
检测模块,将所述待处理的影像数据输入权利要求1~5任一项所述的颅内病灶的检测模型中,获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图;
定位模块,将所述待处理的影像数据与颅脑模板进行配准,获得所述待处理的影像数据的转换矩阵;
将所述转换矩阵作用于所述待处理的影像数据对应的热图,将所述待处理的影像数据对应的热图与所述颅脑模板进行对齐,获得转化后的热图;基于所述转化后的热图中的预设高信号,根据所述颅脑模板上的解剖结构的位置,获得所述待处理的影像数据的病灶位置,所述预设高信号为大于预设阈值的信号;或者
将所述转换矩阵作用于所述颅脑模板的解剖结构掩膜图像上,获得所述待处理的影像数据对应的解剖结构图像;基于所述待处理的影像数据对应的解剖结构图像及所述待处理的影像数据对应的热图,确定所述待处理的影像数据的病灶位置。
9.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据;
将所述待处理的影像数据输入权利要求1~5任一项所述的颅内病灶的检测模型中,获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图;
将所述待处理的影像数据与颅脑模板进行配准,获得所述待处理的影像数据的转换矩阵;
将所述转换矩阵作用于所述待处理的影像数据对应的热图,将所述待处理的影像数据对应的热图与所述颅脑模板进行对齐,获得转化后的热图;基于所述转化后的热图中的预设高信号,根据所述颅脑模板上的解剖结构的位置,获得所述待处理的影像数据的病灶位置,所述预设高信号为大于预设阈值的信号;或者
将所述转换矩阵作用于所述颅脑模板的解剖结构掩膜图像上,获得所述待处理的影像数据对应的解剖结构图像;基于所述待处理的影像数据对应的解剖结构图像及所述待处理的影像数据对应的热图,确定所述待处理的影像数据的病灶位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714535.XA CN115082405B (zh) | 2022-06-22 | 2022-06-22 | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714535.XA CN115082405B (zh) | 2022-06-22 | 2022-06-22 | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082405A CN115082405A (zh) | 2022-09-20 |
CN115082405B true CN115082405B (zh) | 2024-05-14 |
Family
ID=83252585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210714535.XA Active CN115082405B (zh) | 2022-06-22 | 2022-06-22 | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082405B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128940B (zh) * | 2023-01-13 | 2023-08-15 | 北京医准智能科技有限公司 | 一种肋骨骨折检出假阳性的抑制方法、装置及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2240039C1 (ru) * | 2003-04-15 | 2004-11-20 | Кировская государственная медицинская академия | Способ выбора места трепанации черепа |
CN110276344A (zh) * | 2019-06-04 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 一种图像分割的方法、图像识别的方法以及相关装置 |
CN110490262A (zh) * | 2019-08-22 | 2019-11-22 | 京东方科技集团股份有限公司 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
CN111127428A (zh) * | 2019-12-24 | 2020-05-08 | 强联智创(北京)科技有限公司 | 一种基于颅脑影像数据的目标区域的提取方法及系统 |
CN111325739A (zh) * | 2020-02-28 | 2020-06-23 | 北京推想科技有限公司 | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 |
CN112734726A (zh) * | 2020-09-29 | 2021-04-30 | 首都医科大学附属北京天坛医院 | 一种血管造影的分型方法、装置以及设备 |
CN113409456A (zh) * | 2021-08-19 | 2021-09-17 | 江苏集萃苏科思科技有限公司 | 颅脑穿刺术前三维模型的建模方法、系统、装置、介质 |
WO2022105623A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种基于迁移学习的颅内血管病灶识别方法 |
WO2022121156A1 (zh) * | 2020-12-10 | 2022-06-16 | 平安科技(深圳)有限公司 | 图像中目标物检测方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10824916B2 (en) * | 2018-09-10 | 2020-11-03 | Sri International | Weakly supervised learning for classifying images |
-
2022
- 2022-06-22 CN CN202210714535.XA patent/CN115082405B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2240039C1 (ru) * | 2003-04-15 | 2004-11-20 | Кировская государственная медицинская академия | Способ выбора места трепанации черепа |
CN110276344A (zh) * | 2019-06-04 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 一种图像分割的方法、图像识别的方法以及相关装置 |
CN110490262A (zh) * | 2019-08-22 | 2019-11-22 | 京东方科技集团股份有限公司 | 图像处理模型生成方法、图像处理方法、装置及电子设备 |
CN111127428A (zh) * | 2019-12-24 | 2020-05-08 | 强联智创(北京)科技有限公司 | 一种基于颅脑影像数据的目标区域的提取方法及系统 |
CN111325739A (zh) * | 2020-02-28 | 2020-06-23 | 北京推想科技有限公司 | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 |
CN112734726A (zh) * | 2020-09-29 | 2021-04-30 | 首都医科大学附属北京天坛医院 | 一种血管造影的分型方法、装置以及设备 |
WO2022105623A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种基于迁移学习的颅内血管病灶识别方法 |
WO2022121156A1 (zh) * | 2020-12-10 | 2022-06-16 | 平安科技(深圳)有限公司 | 图像中目标物检测方法、装置、电子设备及可读存储介质 |
CN113409456A (zh) * | 2021-08-19 | 2021-09-17 | 江苏集萃苏科思科技有限公司 | 颅脑穿刺术前三维模型的建模方法、系统、装置、介质 |
Non-Patent Citations (3)
Title |
---|
Dalenda Bouzidi等.BrainSeg3D to Detect Multiple Sclerosis Lesions Using Magnetic Resonance Imaging. IEEE Xplore.2020,全文. * |
张丽 ; 闫鑫 ; 李敏 ; 姜丽丽 ; 徐虹霞 ; 张光 ; .基于深度判别性特征学习的医学影像分析方法.中国实用医药.2020,(第10期),全文. * |
陈效 等.弱标注CT图像中肝脏病灶分类算法研究.《中国优秀硕士学位论文全文数据库 医药卫生科技辑》.2020,第三章. * |
Also Published As
Publication number | Publication date |
---|---|
CN115082405A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111313B (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
Chetoui et al. | Explainable end-to-end deep learning for diabetic retinopathy detection across multiple datasets | |
CN111476793B (zh) | 动态增强磁共振成像处理方法、系统、存储介质、终端 | |
WO2021179491A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN109671066B (zh) | 一种基于头颅ct影像的脑梗死判断的方法及系统 | |
CN111325266B (zh) | 乳腺钼靶图像中微钙化簇的检测方法、装置和电子设备 | |
CN114581628B (zh) | 大脑皮层表面重建方法和可读存储介质 | |
Rachmatullah et al. | Convolutional neural network for semantic segmentation of fetal echocardiography based on four-chamber view | |
CN115082405B (zh) | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 | |
Cao et al. | Supervised contrastive pre-training formammographic triage screening models | |
Bhattacharya et al. | PY-Net: Rethinking segmentation frameworks with dense pyramidal operations for optic disc and cup segmentation from retinal fundus images | |
CN116030247B (zh) | 一种医学图像样本生成方法、装置、存储介质及电子设备 | |
CN116664513A (zh) | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 | |
CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
Qin et al. | Joint dense residual and recurrent attention network for DCE-MRI breast tumor segmentation | |
Banerjee et al. | Segmentation of intracranial aneurysm remnant in MRA using dual-attention atrous net | |
CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 | |
Raina et al. | Slim u-net: Efficient anatomical feature preserving u-net architecture for ultrasound image segmentation | |
Babutain et al. | Deep Learning-enabled Detection of Acute Ischemic Stroke using Brain Computed Tomography Images | |
Raghu et al. | Brain tumor detection based on mri image segmentation using u-net | |
CN116229218B (zh) | 一种模型训练、图像配准方法及装置 | |
Zeeshan Aslam et al. | AML‐Net: Attention‐based multi‐scale lightweight model for brain tumour segmentation in internet of medical things | |
CN117115444B (zh) | 一种多任务图像分割方法、系统、计算机设备和存储介质 | |
CN117649565B (zh) | 一种模型训练方法、训练装置及医学影像分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |