CN115187566A - 基于mra影像的颅内动脉瘤检测方法及装置 - Google Patents
基于mra影像的颅内动脉瘤检测方法及装置 Download PDFInfo
- Publication number
- CN115187566A CN115187566A CN202210874516.3A CN202210874516A CN115187566A CN 115187566 A CN115187566 A CN 115187566A CN 202210874516 A CN202210874516 A CN 202210874516A CN 115187566 A CN115187566 A CN 115187566A
- Authority
- CN
- China
- Prior art keywords
- image
- aneurysm
- mra
- detected
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 201000008450 Intracranial aneurysm Diseases 0.000 title claims abstract description 18
- 206010002329 Aneurysm Diseases 0.000 claims abstract description 163
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 27
- 210000001367 artery Anatomy 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000013145 classification model Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 210000004204 blood vessel Anatomy 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims 2
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06T2207/20081—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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于MRA影像的颅内动脉瘤检测方法及装置，该方法包括：对MRA影像样本进行预处理；基于预处理后的MRA影像样本提取目标图像块；其中，目标图像块为包含动脉的图像块；基于目标图像块生成MIP图像；基于MIP图像和与MIP图像对应的目标图像块生成训练数据集；基于构建的动脉瘤检测模型和训练数据集，得到训练好的动脉瘤检测模型；基于训练好的动脉瘤检测模型和待测MRA影像，预测待测MRA影像是否含有动脉瘤。通过对MRA影像进行充分分解，以便动脉瘤检测模型可以更精确地识别及提取动脉瘤的特征，利用深度学习算法，结合人工读图的逻辑，对MRA影像中动脉瘤的检测具有较高的灵敏度和准确度，减少了假阳性结果的出现。
Description
技术领域
本发明涉及医学影像处理的技术领域，尤其涉及一种基于MRA影像的颅内动脉瘤检测方法及装置。
背景技术
磁共振血管成像(TOF-MRA)是一种对颅脑中的血流敏感的成像技术，与需要辐射暴露和注射造影剂的数字减影血管造影(DSA)和CT血管造影(CTA)不同，MRA可以让病人在没有辐射暴露和造影剂的情况下进行，因此，它在临床上被广泛应用于无症状患者的未破裂的颅内动脉瘤(UIAs)识别。在健康的成年人中，未破裂的颅内动脉瘤的患病率约为3.2％，但如果不及时治疗，UIA很有可能会破裂而后导致蛛网膜下腔出血,其死亡率高达40％，且预后较差、存活者的残疾率也较高。
筛查动脉瘤是一项具有挑战性和费时费力的任务，因而医护人员需要结合机器自动化分析的方式来提高效率和对病症判断的准确性。现有的大多数传统的机器学习算法很难处理原始形式的输入图像；为了获得良好的性能，通常需要提取计算出来的“图像特征”。例如，在动脉瘤检测问题中，经常使用曲率或Hessian矩阵衍生特征。但CNN可以将图像本身作为输入，并通过类似于人类视觉识别的处理方式自动学习到好的特征，从而达到更好的性能。因此，人们很自然地将CNN用于CAD，并使用简单的图像作为输入，通常大部分动脉瘤检测模型均以原始影像作为输入，通过卷积神经网络作为检测模型，来判断影像上哪块区域含有动脉瘤。但现有方法中，依靠纯粹的机器识别，缺乏与医学发展中积累的临床经验和人工读图的逻辑有效结合，并且以原始MRA影像作为输入,对动脉瘤判断的灵敏度较低，容易出现假阳性的结果。
发明内容
本发明的目的是提供一种基于MRA影像的颅内动脉瘤检测方法及装置，为解决现有技术中，依靠纯粹的机器识别，缺乏与医学发展中积累的临床经验和人工读图的逻辑有效结合，并且对MRA影像中动脉瘤判断的灵敏度较低，容易出现假阳性结果等问题。
为解决上述技术问题，根据一些实施例，本发明一方面提供了一种基于MRA影像的颅内动脉瘤检测方法，包括：对MRA影像样本进行预处理；基于预处理后的MRA影像样本提取目标图像块；其中，所述目标图像块为包含动脉的图像块；基于目标图像块生成MIP图像；基于所述MIP图像和与所述MIP图像对应的所述目标图像块生成训练数据集；基于构建的动脉瘤检测模型和所述训练数据集，得到训练好的动脉瘤检测模型；基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤。
进一步地，所述对MRA影像样本进行预处理，包括：人工标注所述MRA影像样本中的动脉瘤影像；基于所述动脉瘤影像生成动脉瘤的掩膜信息；将人工标注后的所述MRA影像样本和所述动脉瘤的掩膜信息分别转换为三维矩阵，得到MRA矩阵影像和动脉瘤的掩膜矩阵。
进一步地，所述基于预处理后的MRA影像样本提取目标图像块，包括：将MRA矩阵影像分成若干个预设图像块；对所述MRA矩阵影像进行血管分割，得到目标区域；其中，目标区域为包含动脉的区域；筛选出目标区域的多个预设图像块，得到目标图像块；基于目标图像块和动脉瘤的掩膜矩阵筛选出含有动脉瘤的图像块。
进一步地，所述基于预处理后的MRA影像样本提取目标图像块之后，包括：对所述含有动脉瘤的图像块进行数据增强；对所有的目标图像块进行打标签，以实现对目标图像块进行标记为是否含有动脉瘤的图像块；其中，含有动脉瘤的图像块标记的概率为1，未含有动脉瘤的图像块标记的概率为0。
进一步地，所述基于目标图像块生成MIP图像包括：将所述目标图像块从多个方向进行投影成像，生成与所述多个方向对应的多个MIP图像。
进一步地，所述构建的动脉瘤检测模型包括多个图像分类模型；所述基于构建的动脉瘤检测模型和训练数据集，得到训练好的动脉瘤检测模型，包括：多个图像分类模型一一对应从不同方向学习训练数据集中的多个MIP图像和与MIP图像对应的所述目标图像块，得到训练好的动脉瘤检测模型。
进一步地，所述图像分类模型包括卷积层、最大池化层、全连接层和输出层；选择除输出层以外的ReLU函数作为激活函数，归一化处理所述激活函数；通过Sigmoid函数将所述全连接层的输出转换为含有动脉瘤的概率；其中，初始化网络参数，根据输入的MIP图像进行计算，得到含有动脉瘤的预测概率；将含有动脉瘤的预测概率与已标记的是否含有动脉瘤的概率进行比较，并进行反向传播，更新网络参数，经过多次迭代计算，得到训练好的动脉瘤检测模型。
进一步地，所述基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤，包括：对待测MRA影像转换成三维矩阵的影像，得到待测MRA矩阵影像；将待测MRA矩阵影像分成若干个待测预设图像块；对所述待测MRA矩阵影像进行血管分割，得到待测目标区域；其中，待测目标区域为包含动脉的区域；筛选出待测目标区域的多个待测预设图像块；分别对每个待测预设图像块从多个方向进行投影成像，生成与所述多个方向对应的多个待测MIP图像；多个待测MIP图像按照所述多个方向中的不同方向一一对应输入多个图像分类模型，得到多个含有动脉瘤的概率；若所述多个含有动脉瘤的概率的平均值大于预设阈值，则判定所述待测MRA影像含有动脉瘤，并标记含有动脉瘤的所述待测预设图像块为待测目标图像块。
进一步地，基于MRA影像的颅内动脉瘤检测方法还包括：若多个待测目标图像块为相邻，则对多个相邻的待测目标图像块进行拼接。
本发明的另一个方面提出了一种基于MRA影像的颅内动脉瘤检测装置，包括：预处理模块，其用于对MRA影像样本进行预处理；提取模块，其用于基于预处理后的MRA影像样本提取目标图像块；其中，所述目标图像块为包含动脉的图像块；生成MIP图像模块，其用于基于目标图像块生成MIP图像；生成数据集模块，其用于基于所述MIP图像和与所述MIP图像对应的所述目标图像块生成训练数据集；训练模块，其用于基于构建的动脉瘤检测模型和所述训练数据集，得到训练好的动脉瘤检测模型；预测模块，其用于基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤。
本发明的上述技术方案至少具有如下有益的技术效果：
1、本发明实施例通过对MRA影像样本进行预处理，可以与医学发展中积累的临床经验和人工读图的逻辑有效结合到自动化分析中；并基于预处理后的MRA影像样本提取目标图像块，使MRA影像样本中含有动脉区域精细化，过滤掉MRA影像样本中不含动脉的区域，在不影响判断的情况下减小分析的成本。
2、本发明实施例通过对MRA影像进行充分分解，以便动脉瘤检测模型可以更精确地识别及提取动脉瘤的特征，利用深度学习算法，结合人工读图的逻辑，对MRA影像中动脉瘤的检测具有较高的灵敏度和准确度，减少了假阳性结果的出现。
3、本发明实施例结合了卷积神经网络、最大密度投影与动脉瘤多发位置的信息来模仿放射科医生的诊断逻辑，创建了由多个弱学习模型来构成一个强学习模型，能够在保持神经网络高灵敏度检测结果的同时减少假阳性结果的出现。
附图说明
为了更清楚地说明本发明实施例或传统技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于MRA影像的颅内动脉瘤检测方法流程示意图；
图2是本发明一个实施例中一个MRA影像样本图；
图3是本发明一个实施例中一个动脉瘤的掩膜信息图；
图4是本发明一个实施例中动脉瘤检测模型示意图；
图5是本发明一个实施例中图像分类模型结构示意图；
图6是本发明实施例提供的一种基于MRA影像的颅内动脉瘤检测装置的结构示意图。
具体实施方式
目前，现有方法或设备中，依靠纯粹的机器识别，缺乏与医学发展中积累的临床经验和人工读图的逻辑有效结合，并且对MRA影像中动脉瘤判断的灵敏度较低，容易出现假阳性结果等问题。
为解决上述问题，本发明一实施例提供了一种基于MRA影像的颅内动脉瘤检测方法，如图1所示，具体地包括以下步骤：
步骤S100，对MRA影像样本进行预处理；
步骤S200，基于预处理后的MRA影像样本提取目标图像块；其中，所述目标图像块为包含动脉的图像块；
步骤S300，基于目标图像块生成MIP图像；
步骤S400，基于所述MIP图像和与所述MIP图像对应的所述目标图像块生成训练数据集；
步骤S500，基于构建的动脉瘤检测模型和所述训练数据集，得到训练好的动脉瘤检测模型；
步骤S600，基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤。
在本发明的一个实施例中，如图1所示，本发明通过对MRA影像样本进行预处理，可以将医学发展中积累的临床经验和人工读图的逻辑有效结合到自动化分析中；并基于预处理后的MRA影像样本提取目标图像块，使MRA影像样本中含有动脉区域精细化，筛选掉MRA影像样本中不含动脉的区域，在不影响判断结果的情况下减小分析的成本；基于目标图像块生成MIP图像；基于所述MIP图像和与所述MIP图像对应的所述目标图像块生成训练数据集；将含有动脉的图像块提取成二维的MIP图像并生成训练数据集，通过学习训练得到训练好的动脉瘤检测模型，并基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤，通过对MRA影像进行充分分解，以便动脉瘤检测模型可以更精确地识别及提取动脉瘤的特征，利用深度学习算法，结合人工读图的逻辑，对MRA影像中动脉瘤的检测具有较高的灵敏度和准确度，减少了假阳性结果的出现。
在本发明的一个实施例中，步骤S100,所述对MRA影像样本进行预处理，包括：
步骤S110，人工标注所述MRA影像样本中的动脉瘤影像；
步骤S120，基于所述动脉瘤影像生成动脉瘤的掩膜信息；
步骤S130，将人工标注后的所述MRA影像样本和所述动脉瘤的掩膜信息分别转换为三维矩阵，得到MRA矩阵影像和动脉瘤的掩膜矩阵。
在该技术方案中，首先可以使用Mimics软件读取Dicom格式的MRA影像，如图2所示，然后对得到的MRA影像样本进行预处理，可以由临床医生专家组对MRA影像样本进行动脉瘤的标注，将MRA影像样本中确定的动脉瘤影像的位置及轮廓标注出来，其中，也可以以动脉瘤的重点区域，过渡区域，生长方向等特征进行区分标注；然后基于动脉瘤影像生成动脉瘤的掩膜信息(Mask)，如图3所示，用于后续的模型学习训练，方便以机器语言的方式准确识别动脉瘤的特征。
将所有人工标注好的MRA影像样本和动脉瘤的掩膜信息(Mask)转换为Nifti格式，再使用基于Python的Nibabel库将Nifti格式文件分别读取成三维矩阵，以备后续的图像处理使用。由于不同设备采集到的MRA影像可能具有不同的分辨率，因此，需要对所有得到的MRA矩阵影像和动脉瘤的掩膜矩阵的分辨率进行统一化处理，将MRA矩阵影像和动脉瘤的掩膜矩阵用三线性插值(Trilinear Interpolation)的方式重采样到第一预设尺寸的间距，可选地，第一预设尺寸的间距可以是0.4*0.4*0.4mm。
在本发明的一个实施例中，步骤S200，所述基于预处理后的MRA影像样本提取目标图像块，包括：
步骤S210，将MRA矩阵影像分成若干个预设图像块；
步骤S220，对所述MRA矩阵影像进行血管分割，得到目标区域；其中，目标区域为包含动脉的区域；
步骤S230，筛选出目标区域的多个预设图像块，得到目标图像块；
步骤S240，基于目标图像块和动脉瘤的掩膜矩阵筛选出含有动脉瘤的图像块。
在该技术方案中，将MRA矩阵影像分成若干个预设图像块；由于动脉瘤仅存在于动脉上，所以，只需要对含有动脉的区域，即目标区域进行研究分析，然后筛选出目标区域的多个预设图像块，得到目标图像块。最后，基于目标图像块和动脉瘤的掩膜矩阵筛选出含有动脉瘤的图像块。
其中，对MRA矩阵影像进行血管分割可以使用自适应阈值分割的方法，例如大津法；遍历MRA矩阵影像中所有的HU值，求出所有对应的方差，取最大方差对应的阈值；由于动脉的HU值跟别的组织是明显不一样的，会高一些，因此可以用大津法做一个初步的血管分割。
筛选出目标区域的多个预设图像块，得到目标图像块；可选地，以窗口尺寸为图像块尺寸的一半的方式对整个MRA矩阵影像进行平移滑窗操作，将整个MRA影像分成若干个第二预设尺寸的图像块；可选地，第二预设尺寸为16*16*16mm。
在本发明的一个实施例中，步骤S200，所述基于预处理后的MRA影像样本提取目标图像块之后，包括：
步骤S250，根据MRA影像样本所对应的动脉瘤的掩膜信息(Mask)，筛选出所有包含动脉瘤的图像块，并对含有动脉瘤的图像块进行数据增强。示例性实施例中，数据增强的方式包括：可以将含有动脉瘤的图像块分别沿着x、y和z轴做旋转、翻转等操作，以便后续提取MIP图像及学习训练步骤中能够以更多的角度和方向提取、学习动脉瘤的特征。
步骤S260，对所有的目标图像块进行打标签，以实现对目标图像块进行标记为是否含有动脉瘤的图像块；其中，含有动脉瘤的图像块标记的概率为1，未含有动脉瘤的图像块标记的概率为0。
在本发明的一个实施例中，步骤S300,所述基于目标图像块生成MIP图像包括：将所述目标图像块从多个方向进行投影成像，生成与所述多个方向对应的多个MIP图像。
示例性实施例中，分别从九个方向：x轴、y轴、z轴、x-y平面的对角线、y-z平面的对角线以及z-x平面的对角线，对目标图像块沿着射线对所遇到的最大强度值进行编码并投射成像，从而产生九个大小为16*16mm的二维MIP图像。
在上述技术方案中，即使过滤掉了不包含动脉的图像块，动脉瘤区域的占比在整MRA影像样本中还是很小。为了更多地学习到动脉瘤的特征信息，在步骤S400中，基于所述MIP图像和与所述MIP图像对应的所述目标图像块生成训练数据集具体地可以包括：分别以九个方向中的每个方向投射出的MIP图像与其对应的并已标记的是否含有动脉瘤的图像块按照正负样本1:1的比例生成训练数据集，用作后续的动脉瘤检测模型的训练。
在本发明的一个实施例中，所述构建的动脉瘤检测模型包括多个图像分类模型；步骤S500,所述基于构建的动脉瘤检测模型和训练数据集，得到训练好的动脉瘤检测模型，具体地可以包括：多个图像分类模型一一对应从不同方向学习训练数据集中的多个MIP图像和与MIP图像对应的所述目标图像块，得到训练好的动脉瘤检测模型。
在该技术方案中，采用KNN、逻辑回归、SVM、神经网络等对MIP图像中是否含有动脉瘤进行预测，并对预测的结果进行投票。优选地，以集成学习(Ensemble Learning)的方式搭建多个以卷积神经网络(CNN)为基础的图像分类模型，每个图像分类模型学习的是从不同方向生成的MIP图像以及其对应的标签。图像分类模型的输入是MIP图像的二维矩阵，输出值则是该MIP图像是否含有动脉瘤的概率。如图4所示，图像分类模型1-9分别从九个方向学习训练数据集中的多个MIP图像和与MIP图像对应的所述目标图像块，每个图像分类模型得到一个对应的MIP图像是否含有动脉瘤的概率。
在本发明的一个实施例中，如图5所示，所述图像分类模型包括卷积层、最大池化层、全连接层和输出层；由于生成的MIP图像尺寸较小，只需要搭建一个由两层卷积层、两层最大池化层与一个全连接层的神经网络作为图像分类模型。
选择除输出层以外的ReLU函数作为激活函数，归一化处理所述激活函数；
通过Sigmoid函数将所述全连接层的输出转换为含有动脉瘤的概率；该概率的数值在0到1的范围内。
其中，初始化网络参数，根据输入的MIP图像进行计算，得到含有动脉瘤的预测概率；将含有动脉瘤的预测概率与已标记的是否含有动脉瘤的概率进行比较，并进行反向传播，更新网络参数，经过多次迭代计算，得到训练好的动脉瘤检测模型，以实现可以输出准确的预测概率。
具体地，如图5所示，图5是本发明一个实施例中图像分类模型示意图，其中，InputMIP表示输入MIP图像；Convolutions表示卷积层；Max-Pooling表示最大池化层；Fully-Connected表示全连接层；Prediction表示输出层。动脉瘤检测模型接收的训练数据集通过构建好的神经网络一层层进行计算，输出计算结果，然后使用损失函数对计算结果和预计输出值(1或0)进行对比。其中，训练神经网络的关键是先求得其损失函数的梯度，才能沿梯度下降的方向一次次迭代，优化网络参数。为了提升计算效率，使用随机梯度下降(Stochastic Gradient Descent)，即每次训练迭代时，仅使用当前训练数据集中的部分随机样本来计算损失函数梯度。在搭建模型时选择了以集成学习为基础，通过训练多个弱学习模型，加上一定的结合策略(Soft Voting)，最终形成一个强学习模型。
在本发明的一个实施例中，步骤S600,所述基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤，具体地可以包括以下步骤：
步骤S610，对待测MRA影像转换成三维矩阵的影像，得到待测MRA矩阵影像；
步骤S620，将待测MRA矩阵影像分成若干个待测预设图像块；
步骤S630，对所述待测MRA矩阵影像进行血管分割，得到待测目标区域；其中，待测目标区域为包含动脉的区域；
步骤S640，筛选出待测目标区域的多个待测预设图像块；
步骤S650，分别对每个待测预设图像块从多个方向进行投影成像，生成与所述多个方向对应的多个待测MIP图像；
步骤S660，多个待测MIP图像按照所述多个方向中的不同方向一一对应输入多个图像分类模型，得到多个含有动脉瘤的概率；
步骤S670，若所述多个含有动脉瘤的概率的平均值大于预设阈值，则判定所述待测MRA影像含有动脉瘤，并标记含有动脉瘤的所述待测预设图像块为待测目标图像块。
在本发明的一个实施例中，如图4所示，将得到的多个待测MIP图像输入训练好的动脉瘤检测模型，即将多个待测MIP图像按照九个方向中的不同方向一一对应输入九个图像分类模型，得到九个含有动脉瘤的概率，若九个含有动脉瘤的概率的平均值大于预设阈值，动脉瘤检测模型中的投票器则判定所述待测MRA影像含有动脉瘤。
预设阈值的设定也可以反向参考是人工标注的MRA影像样本和动脉瘤的掩膜信息(Mask)，优选地，预设阈值为0.5，即多个含有动脉瘤的概率的平均值大于0.5，则判定所述待测MRA影像含有动脉瘤。本发明结合了卷积神经网络、最大密度投影与动脉瘤多发位置的信息来模仿放射科医生的诊断逻辑。创建了由多个学习模型来构成一个强学习模型，能在保持神经网络高灵敏度检测结果的同时减少假阳性结果的出现。
在本发明的一个实施例中，基于MRA影像的颅内动脉瘤检测方法还包括：
步骤S680，若多个待测目标图像块为相邻，则对多个相邻的待测目标图像块进行拼接。
在该技术方案中，为了辅助医护人员对待测MRA影像中动脉瘤的情况进行判断，在待测目标图像块上，即在被判断为含有动脉瘤的图像块上生成提醒标识，该提醒标识可以是红色方框，以对医护人员进行提醒。进一步地，若多个待测目标图像块为相邻，将多个红色方框进行拼接，以标记出完整的动脉瘤影像。
基于同一发明构思，本发明的另一个方面提出了一种基于MRA影像的颅内动脉瘤检测装置，用于执行上述的一种基于MRA影像的颅内动脉瘤检测方法，如图6所示，该装置包括：
预处理模块10，其用于对MRA影像样本进行预处理；
提取模块20，其用于基于预处理后的MRA影像样本提取目标图像块；其中，所述目标图像块为包含动脉的图像块；
生成MIP图像模块30，其用于基于目标图像块生成MIP图像；
生成数据集模块40，其用于基于所述MIP图像和与所述MIP图像对应的所述目标图像块生成训练数据集；
训练模块50，其用于基于构建的动脉瘤检测模型和所述训练数据集，得到训练好的动脉瘤检测模型；
预测模块60，其用于基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤。
其中，本发明实施例对于预处理模块10、提取模块20、生成MIP图像模块30、生成数据集模块40、训练模块50和预测模块60的具体形状结构不做限定，本领域技术人员可以根据其实现的功能作用对其进行任意设置，在此不再赘述；另外，本发明实施例中上述各模块所实现的操作步骤的具体实现过程以及实现效果与本发明实施例中步骤S100-步骤S600的具体实现过程以及实现效果相同，具体可参考上述陈述内容，在此不再赘述。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种基于MRA影像的颅内动脉瘤检测方法，其特征在于,包括：
对MRA影像样本进行预处理；
基于预处理后的MRA影像样本提取目标图像块；其中，所述目标图像块为包含动脉的图像块；
基于目标图像块生成MIP图像；
基于所述MIP图像和与所述MIP图像对应的所述目标图像块生成训练数据集；
基于构建的动脉瘤检测模型和所述训练数据集，得到训练好的动脉瘤检测模型；
基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤。
2.根据权利要求1所述的方法，其特征在于，所述对MRA影像样本进行预处理，包括：
人工标注所述MRA影像样本中的动脉瘤影像；
基于所述动脉瘤影像生成动脉瘤的掩膜信息；
将人工标注后的所述MRA影像样本和所述动脉瘤的掩膜信息分别转换为三维矩阵，得到MRA矩阵影像和动脉瘤的掩膜矩阵。
3.根据权利要求2所述的方法，其特征在于，所述基于预处理后的MRA影像样本提取目标图像块，包括：
将MRA矩阵影像分成若干个预设图像块；
对所述MRA矩阵影像进行血管分割，得到目标区域；其中，目标区域为包含动脉的区域；
筛选出目标区域的多个预设图像块，得到目标图像块；
基于目标图像块和动脉瘤的掩膜矩阵筛选出含有动脉瘤的图像块。
4.根据权利要求3所述的方法，其特征在于，所述基于预处理后的MRA影像样本提取目标图像块之后，包括：
对所述含有动脉瘤的图像块进行数据增强；
对所有的目标图像块进行打标签，以实现对目标图像块进行标记为是否含有动脉瘤的图像块；其中，含有动脉瘤的图像块标记的概率为1，未含有动脉瘤的图像块标记的概率为0。
5.根据权利要求4所述的方法，其特征在于，所述基于目标图像块生成MIP图像包括：
将所述目标图像块从多个方向进行投影成像，生成与所述多个方向对应的多个MIP图像。
6.根据权利要求5所述的方法，其特征在于，所述构建的动脉瘤检测模型包括多个图像分类模型；
所述基于构建的动脉瘤检测模型和训练数据集，得到训练好的动脉瘤检测模型，包括：
多个图像分类模型一一对应从不同方向学习训练数据集中的多个MIP图像和与MIP图像对应的所述目标图像块，得到训练好的动脉瘤检测模型。
7.根据权利要求6所述的方法，其特征在于，所述图像分类模型包括卷积层、最大池化层、全连接层和输出层；
选择除输出层以外的ReLU函数作为激活函数，归一化处理所述激活函数；
通过Sigmoid函数将所述全连接层的输出转换为含有动脉瘤的概率；其中，
初始化网络参数，根据输入的MIP图像进行计算，得到含有动脉瘤的预测概率；
将含有动脉瘤的预测概率与已标记的是否含有动脉瘤的概率进行比较，并进行反向传播，更新网络参数，经过多次迭代计算，得到训练好的动脉瘤检测模型。
8.根据权利要求7所述的方法，其特征在于，所述基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤，包括：
对待测MRA影像转换成三维矩阵的影像，得到待测MRA矩阵影像；
将待测MRA矩阵影像分成若干个待测预设图像块；
对所述待测MRA矩阵影像进行血管分割，得到待测目标区域；其中，待测目标区域为包含动脉的区域；
筛选出待测目标区域的多个待测预设图像块；
分别对每个待测预设图像块从多个方向进行投影成像，生成与所述多个方向对应的多个待测MIP图像；
多个待测MIP图像按照所述多个方向中的不同方向一一对应输入多个图像分类模型，得到多个含有动脉瘤的概率；
若所述多个含有动脉瘤的概率的平均值大于预设阈值，则判定所述待测MRA影像含有动脉瘤，并标记含有动脉瘤的所述待测预设图像块为待测目标图像块。
9.根据权利要求8所述的方法，其特征在于，还包括：
若多个待测目标图像块为相邻，则对多个相邻的待测目标图像块进行拼接。
10.一种基于MRA影像的颅内动脉瘤检测装置，其特征在于，包括：
预处理模块，其用于对MRA影像样本进行预处理；
提取模块，其用于基于预处理后的MRA影像样本提取目标图像块；其中，所述目标图像块为包含动脉的图像块；
生成MIP图像模块，其用于基于目标图像块生成MIP图像；
生成数据集模块，其用于基于所述MIP图像和与所述MIP图像对应的所述目标图像块生成训练数据集；
训练模块，其用于基于构建的动脉瘤检测模型和所述训练数据集，得到训练好的动脉瘤检测模型；
预测模块，其用于基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210874516.3A CN115187566A (zh) | 2022-07-25 | 2022-07-25 | 基于mra影像的颅内动脉瘤检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210874516.3A CN115187566A (zh) | 2022-07-25 | 2022-07-25 | 基于mra影像的颅内动脉瘤检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115187566A true CN115187566A (zh) | 2022-10-14 |
Family
ID=83521274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210874516.3A Pending CN115187566A (zh) | 2022-07-25 | 2022-07-25 | 基于mra影像的颅内动脉瘤检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115187566A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953393A (zh) * | 2023-03-10 | 2023-04-11 | 济南市人民医院 | 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质 |
| CN116823833A (zh) * | 2023-08-30 | 2023-09-29 | 山东科技大学 | 全方位mip图像颅内动脉瘤检测方法、系统及设备 |
-
2022
- 2022-07-25 CN CN202210874516.3A patent/CN115187566A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953393A (zh) * | 2023-03-10 | 2023-04-11 | 济南市人民医院 | 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质 |
| CN115953393B (zh) * | 2023-03-10 | 2023-05-16 | 济南市人民医院 | 基于多任务学习的颅内动脉瘤检测系统、设备及存储介质 |
| CN116823833A (zh) * | 2023-08-30 | 2023-09-29 | 山东科技大学 | 全方位mip图像颅内动脉瘤检测方法、系统及设备 |
| CN116823833B (zh) * | 2023-08-30 | 2023-11-10 | 山东科技大学 | 全方位mip图像颅内动脉瘤检测方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
| CN106056595A (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 | |
| CN111598875A (zh) | 甲状腺结节自动检测模型构建方法、系统及装置 | |
| CN115187566A (zh) | 基于mra影像的颅内动脉瘤检测方法及装置 | |
| CN113436166A (zh) | 基于磁共振血管造影数据的颅内动脉瘤检测方法及系统 | |
| CN111681219A (zh) | 基于深度学习的新冠肺炎ct图像分类方法、系统及设备 | |
| KR20200077852A (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
| CN113763340B (zh) | 基于多任务深度学习强直性脊柱炎的自动分级方法 | |
| US20230154006A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
| US20230005138A1 (en) | Lumbar spine annatomical annotation based on magnetic resonance images using artificial intelligence | |
| US20200129114A1 (en) | Automatic computerized joint segmentation and inflammation quantification in mri | |
| CN116188879B (zh) | 图像分类、图像分类模型训练方法、装置、设备及介质 | |
| CN115210755A (zh) | 解决训练数据中遗漏注释的类别不同损失函数 | |
| Kaya et al. | A CNN transfer learning‐based approach for segmentation and classification of brain stroke from noncontrast CT images | |
| CN111028940A (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
| CN113160256B (zh) | 一种多任务生成对抗模型的mr影像胎盘分割方法 | |
| CN117333667A (zh) | 一种脑部ct图像出血区域自动分割方法及系统 | |
| CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| CN118414631A (zh) | 选择用于注释的训练数据 | |
| CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| de Vente et al. | Automated COVID-19 grading with convolutional neural networks in computed tomography scans: A systematic comparison | |
| CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
| Babutain et al. | Deep learning-enabled detection of acute ischemic stroke using brain computed tomography images | |
| CN115035133A (zh) | 一种模型训练方法、图像分割方法及相关装置 | |
| Anima et al. | On the Automated unruptured Intracranial Aneurysm segmentation from TOF-MRA using Deep Learning Techniques. |
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 |