CN116071350A - 基于深度学习的大脑微出血识别方法、装置及存储介质 - Google Patents
基于深度学习的大脑微出血识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116071350A CN116071350A CN202310200581.2A CN202310200581A CN116071350A CN 116071350 A CN116071350 A CN 116071350A CN 202310200581 A CN202310200581 A CN 202310200581A CN 116071350 A CN116071350 A CN 116071350A
- Authority
- CN
- China
- Prior art keywords
- brain
- microhemorrhage
- dimensional
- deep learning
- input
- 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.)
- Granted
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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请实施例公开了一种基于深度学习的大脑微出血识别方法、装置及存储介质,其中基于深度学习的大脑微出血识别方法包括:从多回波序列中获取三维的SWI图像,将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者;基于所述大脑微出血候选者的坐标提取三维补丁;将所述三维补丁作为输入,利用三维深度残差网络,以所述大脑微出血候选者的坐标为中心,输出所述大脑微出血候选者为真实大脑微出血的相似度分数。通过将基础检测方法与新颖的三维深度残差网络架构结合起来,开发一个用于检测、识别和标记大脑微出血的全自动管道,以减少初始大脑微出血检测后的假阳性,并提高特异性。
Description
技术领域
本申请涉及医学图像处理技术领域,具体涉及一种基于深度学习的大脑微出血识别方法、装置及存储介质。
背景技术
大脑微出血(CMBs)是慢性脑出血的小病灶,由小血管结构畸形和血液制品沉积引起,在包括健康老人在内的多个人群中发病率较高。据观察,大脑微出血可能会增加未来颅内出血的风险,且其可作为脑淀粉样血管病和脑小血管疾病的生物标志物。此外,大脑微出血的存在可能增加缺血性中风、创伤性脑损伤和阿尔茨海默病的临床影响。事实上,直接的病理观察也显示,大脑微出血会给周围的脑组织带来损伤,从而导致功能障碍、痴呆和认知障碍。因此,准确区分大脑微出血与不同的可疑区域(即大脑微出血模拟物),如钙化、铁和静脉,对于正确诊断和适当治疗非常重要。
目前,电子计算机断层扫描(CT)和核磁共振成像(MRI)技术是用于大脑微出血识别的最可靠的检查方式。在临床实践中,由于CT扫描仪的电离辐射效应,MRI的现代进展通常优于CT成像,特别是使用梯度回波(GRE)和磁敏感性加权成像(SWI)。根据脑组织磁敏感性的理论,MRI有助于区分顺磁性出血和抗磁性钙化。因此,顺磁血液产物(即大脑微出血)在磁敏感性加权成像中的筛查高度敏感,产生具有低密度的小球状区域。尽管磁敏感性加权成像改善了大脑微出血的识别,但该方法仍需人工参与,神经放射科医生的检查仍然是耗时、容易出错、费力和主观的。而且,人工检测是劳动密集型的方法,很难复制;此外,很难排除血管、钙化、钙沉积、铁和其他信号空隙等模仿物,这可能导致误诊。因此,开发自动检测大脑微出血的技术是非常重要和必要的,不仅有望减少放射科医生或临床医生的工作量,还能提高辐射评估的效率和可靠性。
近年来,许多研究人员开发了计算机辅助的大脑微出血检测识别系统,但这也需要人工审查以去除假阳性(FPs),是一项耗时的工作。基于具有更深结构的卷积神经网络(CNN)的高级变体的研究也已经被开发出来用于大脑微出血的检测,与传统的机器学习技术和经典的卷积神经网络相比,其显示出更好的性能。如今,使用深度学习的自动检测识别技术在很大程度上被划分为使用一个或两个阶段的框架的方法。使用一个级联框架的方法,其灵敏度很高,假阳性率也很高。大多数最近的研究已经使用了一个可以降低假阳性率的两级框架。但以上针对大脑微出血的自动检测识别技术仍有较高的假阳性率和较低的特异性,这是因为这些方法很难识别小的焦油状病变,而且大脑微出血模拟物也易被识别为大脑微出血,因此,最终降低了它们的价值和广泛运用。
发明内容
本申请实施例的目的在于提供一种基于深度学习的大脑微出血识别方法、装置及存储介质,用以解决现有技术中的大脑微出血的自动检测识别技术仍有较高的假阳性率和较低的特异性的问题。
为实现上述目的,本申请实施例提供一种基于深度学习的大脑微出血识别方法,包括:从多回波序列中获取三维的SWI图像,将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者;
基于所述大脑微出血候选者的坐标提取三维补丁;
将所述三维补丁作为输入,利用三维深度残差网络,以所述大脑微出血候选者的坐标为中心,输出所述大脑微出血候选者为真实大脑微出血的相似度分数。
可选地,所述从多回波序列中获取三维的SWI图像包括:
应用自动校准直角坐标采样重建算法来恢复每个通道缺失的K空间线;
使用平方根和将每个单独通道的幅度图像结合起来,并使用脑提取工具对头骨进行剥离;
对每个线圈的第2至第4个回波的复合数据进行同调滤波;
将所述第2至第4个回波的高通滤波后的相位图像进行平均,产生一个平均相位图像,并通过将相位值缩放到0和1之间来构建一个负相位掩码;
通过所述第2至第4个回波的平均相位图像与所述相位掩码相乘来获取所述SWI图像。
可选地,所述将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者包括:
首先对整个输入的所述SWI图像体积逐片进行二维快速径向对称变换,然后,经过包括血管掩膜筛选、三维区域生长和/或二维几何特征提取的处理和过滤步骤,输出一组满足预定阈值的体素作为所述大脑微出血候选者。
可选地,在所述利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者之后,还包括:
通过交互式图形用户界面,向用户提出一系列围绕潜在大脑微出血的问题,基于获取的用户答复信息,标记出由所述初始检测算法识别的所述大脑微出血候选者中的假阳性并加以去除。
可选地,所述三维深度残差网络包括:
三个不同分辨率的12个三维残余块,由2×2×2最大集合层连接所述残余块之后,使用全局平均池化层来整合每个通道的全局信息,输出后由一系列全连接层进行二元分类,利用修正线性单元作为除最后一层外的所有层的激活函数,其中一个sigmoid函数用于生成范围从0到1的似然分数,所述三维深度残差网络的损失函数为二元交叉熵。
可选地,还包括:在训练过程中使用数据增强技术提高所述三维深度残差网络的通用性,所述数据增强技术包括:围绕轴向随机旋转输入补丁、将输入的补丁在轴向移动一个体素和/或翻转补丁。
为实现上述目的,本申请还提供一种基于深度学习的大脑微出血识别装置,包括:存储器;以及
与所述存储器连接的处理器,所述处理器被配置成:
从多回波序列中获取三维的SWI图像,将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者;
基于所述大脑微出血候选者的坐标提取三维补丁;
将所述三维补丁作为输入,利用三维深度残差网络,以所述大脑微出血候选者的坐标为中心,输出所述大脑微出血候选者为真实大脑微出血的相似度分数。
为实现上述目的,本申请还提供一种计算机存储介质,其上存储有计算机程序,其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
本申请实施例具有如下优点:
本申请实施例提供一种基于深度学习的大脑微出血识别方法,包括:从多回波序列中获取三维的SWI图像,将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者;基于所述大脑微出血候选者的坐标提取三维补丁;将所述三维补丁作为输入,利用三维深度残差网络,以所述大脑微出血候选者的坐标为中心,输出所述大脑微出血候选者为真实大脑微出血的相似度分数。
通过上述方法,通过将基础检测方法与新颖的三维深度残差网络架构结合起来,开发一个用于检测、识别和标记大脑微出血的全自动管道,以减少初始大脑微出血检测后的假阳性,并提高特异性。该管道使用三维SWI图像作为初始检测算法的输入,以确定潜在的大脑微出血候选者的位置。然后,这些候选者被传输给一个训练有素的三维深度残差网络,以去除确定的大脑微出血模拟物,并为包含在最终检测结果中的每个大脑微出血分配一个可能性分数。
附图说明
为了更清楚地说明本申请的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引申获得其它的实施附图。
图1为本申请实施例提供的一种基于深度学习的大脑微出血识别方法的流程图;
图2为本申请实施例提供的一种基于深度学习的大脑微出血识别方法的三维深度残差网络的数据管道和结构示意图;
图3a为本申请实施例提供的一种基于深度学习的大脑微出血识别方法得到的AUC分数和简单卷积神经网络模型得到的AUC分数的比较示意图;
图3b为本申请实施例提供的一种基于深度学习的大脑微出血识别方法的用不同的数据增强方案训练模型后得到的AUC分数示意图;
图4为本申请实施例提供的一种基于深度学习的大脑微出血识别装置的模块框图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
此外,下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本申请的目的是通过将已有的基础检测方法与新颖的三维深度残差神经网络架构结合起来,开发一个用于识别和标记大脑微出血的全自动管线,以减少初始大脑微出血检测后的假阳性,并提高特异性。该管线使用三维SWI图像作为初始检测算法的输入,以确定潜在的大脑微出血候选者的位置。然后,这些候选者被传递给一个训练有素的三维深度残差神经网络,以去除确定的大脑微出血模拟物,并为包含在最终检测结果中的每个大脑微出血分配一个相似度分数。
本申请一实施例提供一种基于深度学习的大脑微出血识别方法,参考图1,图1为本申请的一实施方式中提供的一种基于深度学习的大脑微出血识别方法的流程图,应当理解的是,该方法还可以包括未示出的附加框和/或可以省略所示出的框,本申请的范围在此方面不受限制。该方法包括以下步骤:
在步骤101处,从多回波序列中获取三维的SWI图像,将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者。
具体地,为了从多回波序列中获得SWI图像,进行以下步骤。
1、应用自动校准直角坐标采样重建(ARC)算法来恢复每个通道缺失的K空间线。
2、使用平方根和将每个单独通道的幅度图像结合起来,并使用FMRIB软件库(FSL)脑提取工具(BET)对头骨进行剥离。
3、对每个线圈的第2-4个回波的复合数据进行同调滤波,第2、3、4个回波的Hanning滤波器大小分别为72、88和104。
4、将2-4个回波的高通滤波后的相位图像进行平均,产生一个平均相位图像,并通过将相位值缩放到0和1之间来构建一个负相位掩码。
5、最终的复合SWI图像是通过将三个回波的平均幅度图像与相位掩码相乘四次来计算。使用相同的管道从单回波扫描中重建SWI图像,但没有多回波平均化,并根据经验选择96的过滤器大小。
在一些实施例中,所述将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者包括:
首先对整个输入的所述SWI图像体积逐片进行二维快速径向对称变换,然后,经过包括血管掩膜筛选、三维区域生长和/或二维几何特征提取的处理和过滤步骤,输出一组满足预定阈值的体素作为所述大脑微出血候选者。
具体地,本实施例利用已有的基于传统图像处理技术(例如YOLO(You Only LookOnce))的计算机辅助初始检测算法,首先对整个输入的SWI图像体积逐片进行二维快速径向对称变换。然后,候选者将经过一系列的处理和过滤,如血管掩膜筛选、三维区域生长和二维几何特征提取(面积、圆度、横切面数量、中心点移动距离)。最后,输出一组满足预定阈值的体素作为大脑微出血候选者。
在一些实施例中,在所述利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者之后,还包括:
通过交互式图形用户界面,向用户提出一系列围绕潜在大脑微出血的问题,基于获取的用户答复信息,标记出由所述初始检测算法识别的所述大脑微出血候选者中的假阳性并加以去除。
具体地,虽然这个初始检测算法已被证明可以检测到86%的大脑微出血,但许多结构模拟物或假阳性也被错误地识别为大脑微出血。为了达到更高的灵敏度,本申请通过降低该算法中的阈值来减少遗漏的大脑微出血数量,并随后应用交互式图形用户界面(GUI),向用户提出一系列围绕潜在大脑微出血的问题,以单独标记由初始检测算法识别的所有假阳性。
在步骤102处,基于所述大脑微出血候选者的坐标提取三维补丁。具体地,候选者的坐标被用来提取尺寸为16×16×8的三维补丁,作为深度神经网络的输入。
在步骤103处,将所述三维补丁作为输入,利用三维深度残差网络,以所述大脑微出血候选者的坐标为中心,输出所述大脑微出血候选者为真实大脑微出血的相似度分数。
在一些实施例中,所述三维深度残差网络包括:
三个不同分辨率的12个三维残余块,由2×2×2最大集合层连接所述残余块之后,使用全局平均池化层来整合每个通道的全局信息,输出后由一系列全连接层进行二元分类,利用修正线性单元作为除最后一层外的所有层的激活函数,其中一个sigmoid函数用于生成范围从0到1的似然分数,所述三维深度残差网络的损失函数为二元交叉熵。
具体地,本实施例提出的细化检测结果的网络是图2所示的基于补丁的三维深度残差网络。该网络以SWI图像的三维补丁为输入,以大脑微出血候选者识别步骤中发现的候选者的坐标为中心,输出该候选者为真实大脑微出血的相似度分数。该网络包含三个不同分辨率的12个三维残余块,由2×2×2最大集合层连接残余块之后,使用全局平均池化层来整合每个通道的全局信息,输出后由一系列全连接层进行二元分类。ReLU(全名RectifiedLinear Unit,修正线性单元)被用作除最后一层外的所有层的激活函数,其中一个sigmoid函数用于生成范围从0到1的似然分数。二元交叉熵被选为网络的损失函数。对于候选补丁的最终分类,本申请为大脑微出血/假阳性决策选择了相对较低的阈值0.1,作为对高探测灵敏度的权衡。该网络的总参数约为244,000。图2显示了大脑微出血候选标记器的数据管道和三维深度残差网络的详细结构。在图2中,在训练阶段对大脑微出血候选者进行人工标记,以获得该监督网络的输入和输出对。在测试阶段,所有候选者都被送入网络以减少假阳性。
在一些实施例中,上述卷积神经网络是用Keras2.1和Tensorflow1.3后端实现的。计算是用Nvidia Titan Xp GPU和12GB内存来加速的。Adam算法的学习率为1e-4,beta1=0.9,beta2=0.999,用于参数更新。该网络被训练了200,000次迭代,批次大小为16。在验证和测试集中,如果病人有多个扫描,只使用最近的一个扫描。由于本申请的数据集与现代深度学习任务相比相对较小,本申请通过在训练过程中实施以下数据增强技术来提高网络的通用性:(A)围绕轴向随机旋转输入补丁;(B)将输入的补丁在轴向移动一个体素;(C)翻转补丁。这大大扩展了训练集的容量。在训练过程中,通过将网络损失按大脑微出血与假阳性的比例加权计算,来考虑类别之间的不平衡。具有最低验证损失的模型被选为测试的模型。
图3a、图3b显示了在本申请的应用中使用基于三维补丁的深度残差网络与数据增强的好处。图3 a为简单卷积神经网络模型与本申请提出的三维深度残差模型的AUC分数(AUC值(area under curse)的定义/含义是ROC曲线下的面积,是一个指标。用中文表示,可以意译为ROC曲线下的面积;ROC曲线,即受试者工作特征曲线)比较,两者都是用相同的配置和数据增强训练的。图3b用不同的数据增强方案训练的三维深度残差模型的AUC分数。结合所有的扩增方案提供了最佳的性能。虽然随机旋转补丁的效果最明显,但所有增强技术的组合都明显优于单独应用每种技术。添加高斯噪声或随机常数补丁作为数据增强的形式并不影响网络性能。结果显示,三维深度残差网络成功地分类了90.1%的候选补丁,有94.7%的真实大脑微出血被网络正确识别,而与之前的方法相比,假阳性的数量减少了89.1%。该网络对测试病人的平均精确度为72%,大大高于现有的全部方法。
综上所述,1、本申请开发了一种完全集成的深度学习方法,用于高效的大脑微出血识别,贯穿于基于区域的YOLO用于大脑微出血候选者检测和三维卷积神经网络用于减少假阳性的组合。第一阶段,本申请对SWI的相邻切片进行平均,并对相位进行补充独立的图像,利用它们作为基于区域的YOLO方法的双通道输入。这些设置使YOLO能够学习到更可靠和更有代表性的层次特征,因此与只使用单通道图像相比,能够获得更好的检测性能。在同样的背景下,三维卷积神经网络阶段的输入是包括原始SWI和相位图像的小型三维补丁。
2、通过使用深度学习,本申请的模型能够学习和概括特征,而不是依赖传统的图像处理算法、傅里叶形状描述符或概率模型得出的特征向量。
3、通过共同利用成像信息来实现自动检测任务,本申请是一个有效而灵活的神经网络模型,专门为差异化检测任务量身定做。本申请所提出的模型可以很容易地适应于分割其他病变,本申请在真实数据上取得了极具竞争力的检测性能,证明了本申请在实际应用中的有效性。
4、本申请作为高精确度的自动算法,减少了人工误差,避免误诊,大大缩短诊断时间,提高了诊断准确度。将深度学习方法运用到针对MRI的大脑微出血诊断日常工作流程中,可以优化患者监测、早期诊断,改善患者治疗。
通过上述方法,通过将基础检测方法与新颖的三维深度残差网络架构结合起来,开发一个用于检测、识别和标记大脑微出血的全自动管道,以减少初始大脑微出血检测后的假阳性,并提高特异性。该管道使用三维SWI图像作为初始检测算法的输入,以确定潜在的大脑微出血候选者的位置。然后,这些候选者被传输给一个训练有素的三维深度残差网络,以去除确定的大脑微出血模拟物,并为包含在最终检测结果中的每个大脑微出血分配一个可能性分数。
图4为本申请实施例提供的一种基于深度学习的大脑微出血识别装置的模块框图。该装置包括:
存储器201;以及与所述存储器201连接的处理器202,所述处理器202被配置成:从多回波序列中获取三维的SWI图像,将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者;
基于所述大脑微出血候选者的坐标提取三维补丁;
将所述三维补丁作为输入,利用三维深度残差网络,以所述大脑微出血候选者的坐标为中心,输出所述大脑微出血候选者为真实大脑微出血的相似度分数。
在一些实施例中,所述处理器202还被配置成:所述从多回波序列中获取三维的SWI图像包括:
应用自动校准直角坐标采样重建算法来恢复每个通道缺失的K空间线;
使用平方根和将每个单独通道的幅度图像结合起来,并使用脑提取工具对头骨进行剥离;
对每个线圈的第2至第4个回波的复合数据进行同调滤波;
将所述第2至第4个回波的高通滤波后的相位图像进行平均,产生一个平均相位图像,并通过将相位值缩放到0和1之间来构建一个负相位掩码;
通过所述第2至第4个回波的平均相位图像与所述相位掩码相乘来获取所述SWI图像。
在一些实施例中,所述处理器202还被配置成:所述将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者包括:
首先对整个输入的所述SWI图像体积逐片进行二维快速径向对称变换,然后,经过包括血管掩膜筛选、三维区域生长和/或二维几何特征提取的处理和过滤步骤,输出一组满足预定阈值的体素作为所述大脑微出血候选者。
在一些实施例中,所述处理器202还被配置成:在所述利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者之后,还包括:
通过交互式图形用户界面,向用户提出一系列围绕潜在大脑微出血的问题,基于获取的用户答复信息,标记出由所述初始检测算法识别的所述大脑微出血候选者中的假阳性并加以去除。
在一些实施例中,所述处理器202还被配置成:所述三维深度残差网络包括:
三个不同分辨率的12个三维残余块,由2×2×2最大集合层连接所述残余块之后,使用全局平均池化层来整合每个通道的全局信息,输出后由一系列全连接层进行二元分类,利用修正线性单元作为除最后一层外的所有层的激活函数,其中一个sigmoid函数用于生成范围从0到1的似然分数,所述三维深度残差网络的损失函数为二元交叉熵。
在一些实施例中,所述处理器202还被配置成:还包括:
在训练过程中使用数据增强技术提高所述三维深度残差网络的通用性,所述数据增强技术包括:围绕轴向随机旋转输入补丁、将输入的补丁在轴向移动一个体素和/或翻转补丁。
具体实现方法参考前述方法实施例,此处不再赘述。
本申请可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
虽然,上文中已经用一般性说明及具体实施例对本申请作了详尽的描述,但在本申请基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本申请精神的基础上所做的这些修改或改进,均属于本申请要求保护的范围。
Claims (10)
1.一种基于深度学习的大脑微出血识别方法,其特征在于,包括:
从多回波序列中获取三维的SWI图像,将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者;
基于所述大脑微出血候选者的坐标提取三维补丁;
将所述三维补丁作为输入,利用三维深度残差网络,以所述大脑微出血候选者的坐标为中心,输出所述大脑微出血候选者为真实大脑微出血的相似度分数。
2.根据权利要求1所述的基于深度学习的大脑微出血识别方法,其特征在于,所述从多回波序列中获取三维的SWI图像包括:
应用自动校准直角坐标采样重建算法来恢复每个通道缺失的K空间线;
使用平方根和将每个单独通道的幅度图像结合起来,并使用脑提取工具对头骨进行剥离;
对每个线圈的第2至第4个回波的复合数据进行同调滤波;
将所述第2至第4个回波的高通滤波后的相位图像进行平均,产生一个平均相位图像,并通过将相位值缩放到0和1之间来构建一个负相位掩码;
通过所述第2至第4个回波的平均相位图像与所述相位掩码相乘来获取所述SWI图像。
3.根据权利要求1所述的基于深度学习的大脑微出血识别方法,其特征在于,所述将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者包括:
首先对整个输入的所述SWI图像体积逐片进行二维快速径向对称变换,然后,经过包括血管掩膜筛选、三维区域生长和/或二维几何特征提取的处理和过滤步骤,输出一组满足预定阈值的体素作为所述大脑微出血候选者。
4.根据权利要求1所述的基于深度学习的大脑微出血识别方法,其特征在于,在所述利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者之后,还包括:
通过交互式图形用户界面,向用户提出一系列围绕潜在大脑微出血的问题,基于获取的用户答复信息,标记出由所述初始检测算法识别的所述大脑微出血候选者中的假阳性并加以去除。
5.根据权利要求1所述的基于深度学习的大脑微出血识别方法,其特征在于,所述三维深度残差网络包括:
三个不同分辨率的12个三维残余块,由2×2×2最大集合层连接所述残余块之后,使用全局平均池化层来整合每个通道的全局信息,输出后由一系列全连接层进行二元分类,利用修正线性单元作为除最后一层外的所有层的激活函数,其中一个sigmoid函数用于生成范围从0到1的似然分数,所述三维深度残差网络的损失函数为二元交叉熵。
6.根据权利要求1所述的基于深度学习的大脑微出血识别方法,其特征在于,还包括:
在训练过程中使用数据增强技术提高所述三维深度残差网络的通用性,所述数据增强技术包括:围绕轴向随机旋转输入补丁、将输入的补丁在轴向移动一个体素和/或翻转补丁。
7.一种基于深度学习的大脑微出血识别装置,其特征在于,包括:
存储器;以及
与所述存储器连接的处理器,所述处理器被配置成:
从多回波序列中获取三维的SWI图像,将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者;
基于所述大脑微出血候选者的坐标提取三维补丁;
将所述三维补丁作为输入,利用三维深度残差网络,以所述大脑微出血候选者的坐标为中心,输出所述大脑微出血候选者为真实大脑微出血的相似度分数。
8.根据权利要求7所述的基于深度学习的大脑微出血识别装置,其特征在于,所述处理器还被配置成:
所述将所述SWI图像作为输入,利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者包括:
首先对整个输入的所述SWI图像体积逐片进行二维快速径向对称变换,然后,经过包括血管掩膜筛选、三维区域生长和/或二维几何特征提取的处理和过滤步骤,输出一组满足预定阈值的体素作为所述大脑微出血候选者。
9.根据权利要求7所述的基于深度学习的大脑微出血识别装置,其特征在于,所述处理器还被配置成:
所述三维深度残差网络包括:
三个不同分辨率的12个三维残余块,由2×2×2最大集合层连接所述残余块之后,使用全局平均池化层来整合每个通道的全局信息,输出后由一系列全连接层进行二元分类,利用修正线性单元作为除最后一层外的所有层的激活函数,其中一个sigmoid函数用于生成范围从0到1的似然分数,所述三维深度残差网络的损失函数为二元交叉熵。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被机器执行时实现如权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310200581.2A CN116071350B (zh) | 2023-03-06 | 2023-03-06 | 基于深度学习的大脑微出血识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310200581.2A CN116071350B (zh) | 2023-03-06 | 2023-03-06 | 基于深度学习的大脑微出血识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116071350A true CN116071350A (zh) | 2023-05-05 |
CN116071350B CN116071350B (zh) | 2023-07-04 |
Family
ID=86174985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310200581.2A Active CN116071350B (zh) | 2023-03-06 | 2023-03-06 | 基于深度学习的大脑微出血识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116071350B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245951A (zh) * | 2023-05-12 | 2023-06-09 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
CN113344922A (zh) * | 2021-08-04 | 2021-09-03 | 南京钺曦医疗科技有限公司 | 一种自动分割脑微出血点的方法 |
CN114037681A (zh) * | 2021-11-08 | 2022-02-11 | 沈阳东软智能医疗科技研究院有限公司 | 图像处理方法、装置、可读存储介质及电子设备 |
US20220230302A1 (en) * | 2019-06-24 | 2022-07-21 | Zhejiang University | Three-dimensional automatic location system for epileptogenic focus based on deep learning |
CN114972255A (zh) * | 2022-05-26 | 2022-08-30 | 深圳市铱硙医疗科技有限公司 | 脑微出血的图像检测方法、装置、计算机设备及存储介质 |
WO2022209574A1 (ja) * | 2021-03-31 | 2022-10-06 | 株式会社ニデック | 医療画像処理装置、医療画像処理プログラム、および医療画像処理方法 |
-
2023
- 2023-03-06 CN CN202310200581.2A patent/CN116071350B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
US20220230302A1 (en) * | 2019-06-24 | 2022-07-21 | Zhejiang University | Three-dimensional automatic location system for epileptogenic focus based on deep learning |
CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
WO2022209574A1 (ja) * | 2021-03-31 | 2022-10-06 | 株式会社ニデック | 医療画像処理装置、医療画像処理プログラム、および医療画像処理方法 |
CN113344922A (zh) * | 2021-08-04 | 2021-09-03 | 南京钺曦医疗科技有限公司 | 一种自动分割脑微出血点的方法 |
CN114037681A (zh) * | 2021-11-08 | 2022-02-11 | 沈阳东软智能医疗科技研究院有限公司 | 图像处理方法、装置、可读存储介质及电子设备 |
CN114972255A (zh) * | 2022-05-26 | 2022-08-30 | 深圳市铱硙医疗科技有限公司 | 脑微出血的图像检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
KE WU ET AL.: "Evaluation of an automated intracranial aneurysm detection and rupture analysis approach using cascade detection and classification networks", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》, vol. 102, pages 2 - 9 * |
陶永君: "磁敏感加权成像在脑微出血诊断中的应用价值", 《中国实用神经疾病杂志》, vol. 18, no. 08, pages 96 - 97 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245951A (zh) * | 2023-05-12 | 2023-06-09 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
CN116245951B (zh) * | 2023-05-12 | 2023-08-29 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
Also Published As
Publication number | Publication date |
---|---|
CN116071350B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10939874B2 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
Chen et al. | 3D intracranial artery segmentation using a convolutional autoencoder | |
CN109190690B (zh) | 基于机器学习的swi图像的脑微出血点检测识别方法 | |
WO2018001099A1 (zh) | 一种血管提取方法与系统 | |
Tsehay et al. | Biopsy-guided learning with deep convolutional neural networks for Prostate Cancer detection on multiparametric MRI | |
EP3443533B1 (en) | Method and apparatus for generating quantitative data for biliary tree structures | |
Fazlollahi et al. | Efficient machine learning framework for computer-aided detection of cerebral microbleeds using the radon transform | |
US8638999B2 (en) | Methods for generating a reconstructed tree structure from medical image data | |
Maiora et al. | Abdominal CTA image analisys through active learning and decision random forests: Aplication to AAA segmentation | |
WO2019113712A1 (en) | Method and system for standardized processing of mr images | |
CN116071350B (zh) | 基于深度学习的大脑微出血识别方法、装置及存储介质 | |
Pedoia et al. | Glial brain tumor detection by using symmetry analysis | |
Vukadinovic et al. | Segmentation of the outer vessel wall of the common carotid artery in CTA | |
Jerman et al. | Computer-aided detection and quantification of intracranial aneurysms | |
Yang et al. | Geodesic active contours with adaptive configuration for cerebral vessel and aneurysm segmentation | |
Khan et al. | A novel algorithm for the detection of cerebral aneurysm using sub-band morphological operation | |
CN112419282B (zh) | 脑部医学影像中动脉瘤的自动检测方法及系统 | |
Carmo et al. | Extended 2D consensus hippocampus segmentation | |
Wang et al. | Automated segmentation of breast arterial calcifications from digital mammography | |
Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
WO2020118296A1 (en) | Systems and methods for quantifying vessel features in ultrasound doppler images | |
Carmo et al. | Extended 2d volumetric consensus hippocampus segmentation | |
Almi'ani et al. | A modified region growing based algorithm to vessel segmentation in magnetic resonance angiography | |
Mahalaxmi et al. | A Comparison and Survey on Brain Tumour Detection Techniques Using MRI Images | |
Sari et al. | Review of Brain MRI Image Segmentation Based on Deep Learning Method |
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 |