CN117152063A - 一种基于swi的脑微出血图像检测方法、装置及处理设备 - Google Patents
一种基于swi的脑微出血图像检测方法、装置及处理设备 Download PDFInfo
- Publication number
- CN117152063A CN117152063A CN202311008376.2A CN202311008376A CN117152063A CN 117152063 A CN117152063 A CN 117152063A CN 202311008376 A CN202311008376 A CN 202311008376A CN 117152063 A CN117152063 A CN 117152063A
- Authority
- CN
- China
- Prior art keywords
- image
- cmb
- swi
- segmentation
- detection
- 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 152
- 210000004556 brain Anatomy 0.000 title claims abstract description 75
- 238000012545 processing Methods 0.000 title claims abstract description 45
- 230000007570 microbleeding Effects 0.000 title abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 144
- 238000003384 imaging method Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 48
- 206010061216 Infarction Diseases 0.000 claims abstract description 10
- 230000007574 infarction Effects 0.000 claims abstract description 10
- 230000003902 lesion Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 208000032843 Hemorrhage Diseases 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 8
- 230000011157 brain segmentation Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 15
- 206010067277 Cerebral microhaemorrhage Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 206010020772 Hypertension Diseases 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000000740 bleeding effect Effects 0.000 description 4
- 230000002490 cerebral effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 206010003210 Arteriosclerosis Diseases 0.000 description 3
- 208000029812 Cerebral Small Vessel disease Diseases 0.000 description 3
- 208000005145 Cerebral amyloid angiopathy Diseases 0.000 description 3
- 208000011775 arteriosclerosis disease Diseases 0.000 description 3
- 210000004227 basal ganglia Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 201000007119 infective endocarditis Diseases 0.000 description 2
- 230000003950 pathogenic mechanism Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 200000000007 Arterial disease Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 241001484259 Lacuna Species 0.000 description 1
- 208000034800 Leukoencephalopathies Diseases 0.000 description 1
- 208000024556 Mendelian disease Diseases 0.000 description 1
- 206010057249 Phagocytosis Diseases 0.000 description 1
- 201000004810 Vascular dementia Diseases 0.000 description 1
- 206010072731 White matter lesion Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007577 cortical microinfarct Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 210000002540 macrophage Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008782 phagocytosis Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000004885 white matter Anatomy 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—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
-
- 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
- G06T2207/10088—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
- G06T2207/30016—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
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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供了一种基于SWI的脑微出血图像检测方法、装置及处理设备,用于以SWI为基础,为更为高效且高精度的自动化识别需求提供了一套落地配套方案,由此可以满足对于CMB的识别需求还有后续的诊断需求。方法包括:获取T1模态影像和SWI影像;将T1模态影像和SWI影像输入预先配置的CMB检测模块,以结合T1模态影像和SWI影像进行CMB检测,并得到CMB检测结果;获取MR平扫影像;将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到全病灶分割结果,全病灶分割所涉及的病灶包括WMH、PVS、LA和梗死;结合CMB检测结果和全病灶分割结果,计算对应的影像学特征,影像学特征包括脑区分布、数量、形态和大小。
Description
技术领域
本申请涉及图像检测领域,具体涉及一种基于SWI的脑微出血图像检测方法、装置及处理设备。
背景技术
脑微出血(Cerebral Microbleeds,CMB)是脑小血管病的一种影像学表现,是指脑小血管的损害导致红细胞渗漏,被巨噬细胞吞噬后在血管周围局部形成含铁血黄素沉积。
对于CMB的检测,在实际操作中通常是基于磁敏感加权成像(SusceptibilityWeighted Imaging,SWI)序列来结合临床经验进行。
但是本申请发明人发现一个问题,目前CMB的临床诊断还是较大程度地依赖于人工,存在耗时耗力问题的同时,还容易出现漏检问题,显然需要研发高效且高精度的自动化识别方案才可以更好地满足实际需求。
发明内容
本申请提供了一种基于SWI的脑微出血图像检测方法、装置及处理设备,用于以SWI为基础,为更为高效且高精度的自动化识别需求提供了一套落地配套方案,由此可以满足对于CMB的识别需求还有后续的诊断需求。
第一方面,本申请提供了一种基于SWI的脑微出血图像检测方法,方法包括:
获取T1模态影像和SWI影像;
将T1模态影像和SWI影像输入预先配置的CMB检测模块,以结合T1模态影像和SWI影像进行CMB检测,并得到CMB检测结果;
获取MR平扫影像,其中,MR平扫影像包括T1、T2和FLAIR的多模态期相;
将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到全病灶分割结果,其中,全病灶分割所涉及的病灶包括WMH、PVS、LA和梗死;
结合CMB检测结果和全病灶分割结果,计算对应的影像学特征,其中,影像学特征包括脑区分布、数量、形态和大小。
结合本申请第一方面,在本申请第一方面第一种可能的实现方式中,CMB检测模块的处理内容包括:
将T1模态影像输入脑区分割网络,得到脑区分割结果;
将SWI影像输入CMB分割网络,得到CMB分割结果;
将T1模态影像和脑区分割结果,通过刚性配准算法配准到CMB分割结果的SWI图像空间,得到SWI模态的CMB分割结果及其脑区分割结果。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第二种可能的实现方式中,将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到全病灶分割结果,包括:
将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到初始全病灶分割结果;
将MR平扫影像和初始全病灶分割结果,通过刚性配准算法配准到SWI图像空间,得到SWI模态的全病灶分割结果。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第三种可能的实现方式中,将T1模态影像输入脑区分割网络,得到脑区分割结果之前,方法还包括:
对T1模态影像进行N4偏差长校正。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第四种可能的实现方式中,输入脑区分割网络和CMB分割网络,都采用U-Net框架,以编码器-解码器级联的形式,通过连续下采样模块学习图像的全局特征,利用上采样模块将学习到的语义特征解码到输入图像空间得到分割结果,利用跳接模块将将底层的位置信息与深层的语义信息相融合,得到更为准确的分割结果。
结合本申请第一方面,在本申请第一方面第五种可能的实现方式中,结合CMB检测结果和全病灶分割结果,计算对应的影像学特征之后,方法还包括:
将影像学特征输入预先配置的CMB病因检测模块,以基于影像学特征进行CMB病因检测,得到CMB病因检测结果。
结合本申请第一方面,在本申请第一方面第六种可能的实现方式中,CMB病因检测模块的处理内容包括:
采用有序结局变量列线图算法构建预设影像学特征与预设CMB病因之间的线性关系,其中,线性关系同时拟合多个二分逻辑模型,有:
Prob(y0)=βX+α0
Prob(y0+y1)=βX+α1
Prob(y0+y1+y2)=βX+α2
Prob(y0+y1+y2+y3)=βX+α3
………
其中,Prob表示概率,y表示病因,X表示特征,β表示构建的特征与病因之间的线性关系,α表示不同截距。
第二方面,本申请提供了一种基于SWI的脑微出血图像检测装置,装置包括:
获取单元,用于获取T1模态影像和SWI影像;
CMB检测单元,用于将T1模态影像和SWI影像输入预先配置的CMB检测模块,以结合T1模态影像和SWI影像进行CMB检测,并得到CMB检测结果;
获取单元,还用于获取MR平扫影像,其中,MR平扫影像包括T1、T2和FLAIR的多模态期相;
全病灶分割单元,用于将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到全病灶分割结果,其中,全病灶分割所涉及的病灶包括WMH、PVS、LA和梗死;
计算单元,用于结合CMB检测结果和全病灶分割结果,计算对应的影像学特征,其中,影像学特征包括脑区分布、数量、形态和大小。
结合本申请第二方面,在本申请第二方面第一种可能的实现方式中,CMB检测模块的处理内容包括:
将T1模态影像输入脑区分割网络,得到脑区分割结果;
将SWI影像输入CMB分割网络,得到CMB分割结果;
将T1模态影像和脑区分割结果,通过刚性配准算法配准到CMB分割结果的SWI图像空间,得到SWI模态的CMB分割结果及其脑区分割结果。
结合本申请第二方面第一种可能的实现方式,在本申请第二方面第二种可能的实现方式中,全病灶分割单元,具体用于:
将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到初始全病灶分割结果;
将MR平扫影像和初始全病灶分割结果,通过刚性配准算法配准到SWI图像空间,得到SWI模态的全病灶分割结果。
结合本申请第二方面第一种可能的实现方式,在本申请第二方面第三种可能的实现方式中,装置还包括校正单元,用于:
对T1模态影像进行N4偏差长校正。
结合本申请第二方面第一种可能的实现方式,在本申请第二方面第四种可能的实现方式中,输入脑区分割网络和CMB分割网络,都采用U-Net框架,以编码器-解码器级联的形式,通过连续下采样模块学习图像的全局特征,利用上采样模块将学习到的语义特征解码到输入图像空间得到分割结果,利用跳接模块将将底层的位置信息与深层的语义信息相融合,得到更为准确的分割结果。
结合本申请第二方面,在本申请第二方面第五种可能的实现方式中,装置还包括CMB病因检测单元,用于:
将影像学特征输入预先配置的CMB病因检测模块,以基于影像学特征进行CMB病因检测,得到CMB病因检测结果。
结合本申请第二方面,在本申请第二方面第六种可能的实现方式中,CMB病因检测模块的处理内容包括:
采用有序结局变量列线图算法构建预设影像学特征与预设CMB病因之间的线性关系,其中,线性关系同时拟合多个二分逻辑模型,有:
Prob(y0)=βX+α0
Prob(y0+y1)=βX+α1
Prob(y0+y1+y2)=βX+α2
Prob(y0+y1+y2+y3)=βX+α3
………
其中,Prob表示概率,y表示病因,X表示特征,β表示构建的特征与病因之间的线性关系,α表示不同截距。
第三方面,本申请提供了一种处理设备,包括处理器和存储器,存储器中存储有计算机程序,处理器调用存储器中的计算机程序时执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
第四方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质存储有多条指令,指令适于处理器进行加载,以执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。
从以上内容可得出,本申请具有以下的有益效果:
针对于CMB的识别,本申请一方面在获取T1模态影像和SWI影像后,将T1模态影像和SWI影像输入预先配置的CMB检测模块,以结合T1模态影像和SWI影像进行CMB检测,并得到CMB检测结果,另一方面获取MR平扫影像后,将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到全病灶分割结果,此时结合两个方面的CMB检测结果和全病灶分割结果,计来算对应的影像学特征,在这过程中,是以在SWI影像所进行的CMB检测的基础上,继续结合MR平扫影像的全病灶分割来为后续的CMB诊断工作提供更为精确的影像学特征,由此为更为高效且高精度的自动化识别需求提供了一套落地配套方案,由此可以满足对于CMB的识别需求还有后续的诊断需求。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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为本申请基于SWI的脑微出血图像检测方法的一种流程示意图;
图2为本申请CMB检测模块的处理内容的一种场景示意图;
图3为本申请U-Net的一种网络架构示意图;
图4为本申请计算影像学特征的一种场景示意图;
图5为本申请CMB检测的一种场景示意图;
图6为本申请线性关系的一种场景示意图;
图7为本申请基于SWI的脑微出血图像检测装置的一种结构示意图;
图8为本申请处理设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号,并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤,已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序,只要能达到相同或者相类似的技术效果即可。
本申请中所出现的模块的划分,是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个系统中,或一些特征可以忽略,或不执行,另外,所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块之间的间接耦合或通信连接可以是电性或其他类似的形式,本申请中均不作限定。并且,作为分离部件说明的模块或子模块可以是也可以不是物理上的分离,可以是也可以不是物理模块,或者可以分布到多个电路模块中,可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
在介绍本申请提供的基于SWI的脑微出血图像检测方法之前,首先介绍本申请所涉及的背景内容。
本申请提供的基于SWI的脑微出血图像检测方法、装置以及计算机可读存储介质,可应用于处理设备,用于以SWI为基础,为更为高效且高精度的自动化识别需求提供了一套落地配套方案,由此可以满足对于CMB的识别需求还有后续的诊断需求。
本申请提及的基于SWI的脑微出血图像检测方法,其执行主体可以为基于SWI的脑微出血图像检测装置,或者集成了该基于SWI的脑微出血图像检测装置的服务器、物理主机或者用户设备(User Equipment,UE)等不同类型的处理设备。其中,基于SWI的脑微出血图像检测装置可以采用硬件或者软件的方式实现,UE具体可以为智能手机、平板电脑、笔记本电脑、台式电脑或者个人数字助理(Personal Digital Assistant,PDA)等终端设备,处理设备可以通过设备集群的方式设置。
应当理解,本申请主要是为了临床上的CMB的图像检测需求所配置的,因此,应用本申请基于SWI的脑微出血图像检测方法的处理设备,通常为临床上的相关设备,当然,也不排除在实验室等场景也可以涉及到对于CMB的图像检测需求,因此也是可以应用本申请所提供的基于SWI的脑微出血图像检测方法来满足其对于CMB的图像检测需求的。
下面,开始介绍本申请提供的基于SWI的脑微出血图像检测方法。
首先,参阅图1,图1示出了本申请基于SWI的脑微出血图像检测方法的一种流程示意图,本申请提供的基于SWI的脑微出血图像检测方法,具体可包括如下步骤S101至步骤S104:
步骤S101,获取T1模态影像和SWI影像;
对于CMB的图像检测,本申请配置了两个方面的设置,以此在后面进行数据的融合处理,达到更好的CMB图像检测效果。
此处对于T1模态影像和SWI影像的获取,对应的第一个方面,该第一个方面是为了做出初始的CMB检测,为后面更高精度的CMB检测提供一个数据参考。
可以理解,T1模态影像和SWI影像,是在临床上检测CMB等病症可以涉及到的影像数据,其具体采集来源所涉及到的检测设备考虑到并不是本申请所涉及的重点,因此对其不加以赘述。
此处步骤S101一般为现成数据的调取处理,当然,在具体操作中也可以是数据的实时采集处理,随实际情况/需要调整即可。
步骤S102,将T1模态影像和SWI影像输入预先配置的CMB检测模块,以结合T1模态影像和SWI影像进行CMB检测,并得到CMB检测结果;
对于CMB图像检测的第一方面,本申请预先配置了一CMB检测模块,其可以用CMB检测模型、CMB检测规则或者CMB检测策略等来理解,其以T1模态影像和SWI影像两者为基础,来进行CMB的前期检测。
其中,CMB检测模块的检测结果的具体表现形式,显然是较为灵活的,可以达到描述所检测出来的CMB的效果即可。
举例而言,CMB检测模块的检测结果可以用mask图来体现。
步骤S103,获取MR平扫影像,其中,MR平扫影像包括T1、T2和FLAIR的多模态期相;
在本申请CMB图像检测的第二方面,本申请则是基于MR平扫影像来展开,该MR平扫影像也可以用多模态影像来理解,其涉及T1、T2和FLAIR的多模态期相。
对于该MR平扫影像,与前面类似的,其具体采集来源所涉及到的检测设备考虑到并不是本申请所涉及的重点,因此对其不加以赘述。
其中,需要理解的是,前面步骤S101获取的T1模态影像还可以是此处MR平扫影像中的T1模态的影像,即,是通过MR平扫处理得到的其中一种影像,当然,在具体应用中,步骤S101与此处步骤S103对于TI模态的影像的获取,也可以是相互独立的,随实际需求进行调整即可。
同样的,此处步骤S103一般为现成数据的调取处理,当然,在具体操作中也可以是数据的实时采集处理,随实际情况/需要调整即可。
步骤S104,将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到全病灶分割结果,其中,全病灶分割所涉及的病灶包括WMH、PVS、LA和梗死;
对于CMB图像检测的第二方面,本申请预先配置了一全病灶分割模块,其可以用全病灶分割检测模型、全病灶分割规则或者全病灶分割策略等来理解,其以MR平扫影像为基础,来识别病灶的图像区域并进行分割。
其中,全病灶分割模块的结果的具体表现形式,显然是较为灵活的,可以达到描述所检测出来的CMB的效果即可。
举例而言,全病灶分割模块的全病灶分割结果可以用mask图来体现。
步骤S105,结合CMB检测结果和全病灶分割结果,计算对应的影像学特征,其中,影像学特征包括脑区分布、数量、形态和大小。
而在获得了两个方面的处理结果,即CMB检测结果和全病灶分割结果后,则可以以两者作为数据来源进行CMB其影像学特征的计算处理,而在计算过程中,容易理解,可以相互借鉴另一方面的内容,以此可以更为精确地捕捉CMB相关的影像学特征。
其中,应当理解的是,此处所涉及的影像学特征,并不是只有CMB的影像学特征,如前面第二方面所识别到的病灶,本申请认为也可能是与CMB相关的,或者说,也可以将相关病灶的检测也是纳入CMB检测的范畴,因为此处所计算的影像学特征,本质上是为了CMB的诊断工作所服务的,因此此处所要提供的是对后续相关的CMB诊断工作可以提供数据参考的影像学特征。
并且,在具体操作中,对于影像学特征的计算处理,还可以涉及到脑观察者微出血量表(Brain Observer Microbleed Rating Scale,BOMBS)或者微出血解剖评分量表(Microbleed Anatomical Rating Scale,MARS)等结果表现形式的应用,以此规范化、标准化此处的影像学特征计算结果。
从图1所示实施例可看出,针对于CMB的识别,本申请一方面在获取T1模态影像和SWI影像后,将T1模态影像和SWI影像输入预先配置的CMB检测模块,以结合T1模态影像和SWI影像进行CMB检测,并得到CMB检测结果,另一方面获取MR平扫影像后,将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到全病灶分割结果,此时结合两个方面的CMB检测结果和全病灶分割结果,计来算对应的影像学特征,在这过程中,是以在SWI影像所进行的CMB检测的基础上,继续结合MR平扫影像的全病灶分割来为后续的CMB诊断工作提供更为精确的影像学特征,由此为更为高效且高精度的自动化识别需求提供了一套落地配套方案,由此可以满足对于CMB的识别需求还有后续的诊断需求。
继续对上述图1所示实施例的各个步骤及其在实际应用中可能的实现方式进行详细阐述。
作为一种示例性的实现方式,上面步骤S102所执行的CMB检测处理,即CMB检测模块的处理内容,具体可以包括:
将T1模态影像输入脑区分割网络,得到脑区分割结果;
将SWI影像输入CMB分割网络,得到CMB分割结果;
将T1模态影像和脑区分割结果,通过刚性配准算法配准到CMB分割结果的SWI图像空间,得到SWI模态的CMB分割结果及其脑区分割结果。
可以看到,此处涉及到本申请专门为CMB检测所配置的两个网络,即脑区分割网络和CMB分割网络,其分别用来对步骤S101所获取的T1模态影像(T1模态)和SWI影像进行分割处理,并在后面通过配准来完成SWI模态的统一。
此时值得注意的是,此处的CMB检测结果,是同样SWI模态的CMB分割结果和脑区分割结果,具体提供了两种数据参考。与前面同样的,两个网络的分割结果的具体表现形式较为灵活的,且可以用mask图来体现。
具体的,对于此处实施例的处理,还可以参考图2示出的本申请CMB检测模块的处理内容的一种场景示意图来进行更为形象的理解。
其中,从图2还可以看到的是,将T1模态影像输入脑区分割网络,得到脑区分割结果之前,本申请方法还可以包括有以下步骤:
对T1模态影像进行N4偏差长校正。
可以理解,N4偏差场校正也可以较为N4偏置场校正,其本身是为一种较为成熟的数据预处理手段,在此处则可以用来提高T1模态影像的数据质量,让其影像内容更趋于理想化形态,让影像特征更为准确化、清晰化,从而可以促进脑区分割精度还有分割效率。
与此同时,对于脑区分割网络和CMB分割网络,显然可以用任意类型的神经网络,例如U-Net或者V-Net4等神经网络。
以U-Net为例,为了实现CMB的位置、大小等影像学特征的提取,本申请采用了两个分割网络去实现脑区和CMB的分割,分割算法使用了U-Net网络,即,输入脑区分割网络和CMB分割网络,都采用了U-Net框架。
参阅图3示出的本申请U-Net的一种网络架构示意图,U-Net网络的网络架构,以编码器-解码器级联的形式,通过连续下采样模块学习图像的全局特征,利用上采样模块将学习到的语义特征解码到输入图像空间得到分割结果,利用跳接模块将将底层的位置信息与深层的语义信息相融合,得到更为准确的分割结果。
其中,U-Net由基本的卷积层(convolution)、BN层(batch normalization)、ReLU激活函数层、softmax层构成,该网络框架可以高效且精确地学习在CMB图像检测方面所涉及的图像特征,很好地实现自动分割脑区和识别CMB的目标。
此外,对于上面步骤S104所执行的全病灶分割检测处理,即全病灶分割模块的处理内容,作为又一种示例性的实现方式,具体可以包括:
将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到初始全病灶分割结果;
将MR平扫影像和初始全病灶分割结果,通过刚性配准算法配准到SWI图像空间,得到SWI模态的全病灶分割结果。
可以看到,此处涉及到本申请专门为全病灶分割所配置的全病灶分割模块,其用来对步骤S103所获取的MR平扫影像进行全病灶的分割处理,并在后面通过配准来完成SWI模态的统一。
此时值得注意的是,此处的全病灶分割结果,同样涉及到了SWI模态的配准,即随MR平扫影像(MR平扫模态)配准到SWI图像空间,与前面的CMB检测模块的处理内容相对应上,方便后续统一基于SWI模态进行数据的融合处理。
与前面同样的,全病灶分割结果的具体表现形式较为灵活的,且可以用mask图来体现。
而在上述两个方面(两个示例性实现方式)的分割处理后,则可以根据SWI模态的CMB分割结果及其脑区分割结果,还有SWI模态的全病灶分割模块,来计算CMB、WMH、PVS、LA和梗死等病灶的影像学特征(包括分布、数量、形态和大小等特征)。
具体的,对于此处内容,还可以结合图4示出的本申请计算影像学特征的一种场景示意图来进行理解。
并且,从图4最后可以看到,在计算了影像学特征后,则可以将图像识别出来的CMB及其相关的影像学特征(伴生影像标志物)进行输出,完成一次CMB图像检测。
此外,如前面所言,本申请对于CMB相关影像学特征的图像检测工作,是可以为后续的CMB诊断工作所服务的,在该情况下,本申请在自动化完成CMB相关影像学特征的图像检测工作后,还可以基于所计算出来的影像学特征,来进行CMB相关病因的计算工作。
可以理解,其具体的诊断思路,可以有:
首先评估CMB是脑叶CMB、深部CMB还是混合型;
如果局限在脑叶,考虑致病机制是脑淀粉样血管病(Cerebral AmyloidAngiopathy,CAA),CAA的出血标志物有脑叶出血或者皮层表面铁沉积,CAA的非出血标志物包括后部脑白质高信号(White Matter Hyperintensity,WMH)、半卵圆中心的血管周围间隙(Perivascular Space,PVS)和皮层微梗死;
如果局限在深部的基底节区,考虑致病机制是动脉硬化,最常见的原因是高血压,动脉硬化的出血标志物是深部脑出血,动脉硬化的非出血标志物是深部腔隙、基底节区的WMH和基底节区的PVS;
如果是混合型,则上述病因都可能出现,同时还有遗传性脑小血管病的可能性,比如常染色体显性遗传病合并皮质下梗死和白质脑病(Cerebral Autosomal DominantArteriopathy with Wubcortical Infarcts and Leukoencephalopathy,CADASIL)等。
对此,步骤S105结合CMB检测结果和全病灶分割结果,计算对应的影像学特征之后,本申请方法还可以包括:
将影像学特征输入预先配置的CMB病因检测模块,以基于影像学特征进行CMB病因检测,得到CMB病因检测结果。
可以看到,此处涉及到本申请继续预先配置的CMB病因检测模块,其可以用CMB病因检测模型、CMB病因检测规则或者CMB病因检测策略等来理解,其以影像学特征为基础,来进行CMB的病因检测。
其中,CMB病因检测模块的检测结果的具体表现形式,显然是较为灵活的,可以达到描述所检测出来的CMB病因的效果即可。
其中,在通过统计、量化、拟合等数据加工手段来进行CMB病因的预测过程中,还可以涉及到临床信息(例如年龄、性别、病史等)的应用,而不仅依赖于前面所计算得到的影像学特征。
对此,针对于以上CMB图像检测和CMB病因检测的内容,还可以参考图5示出的本申请CMB检测的一种场景示意图来更为形象的理解,其中,多模态影像特征提取模块显然针对的是步骤S105的影像学特征的处理,其包含了前面涉及的全病灶分割模块。
对于此处实施例中病因预测的内容,即,CMB病因检测涉及的病因,在实际操作中,具体可以包括脑淀粉样血管病、高血压、烟雾病、遗传性脑小血管病、感染性心内膜炎、危重症和创伤等病因。
可以看到,临床中常见的CMB病因主要分为两种:CAA和高血压(Hypertension,HTN),而本申请基于前面所获取到的高精度的影像学特征,除了分析CAA和高血压所致脑微出血的鉴别,进一步地还可以纳入其他相对少见的病因分析,比如遗传性脑小血管病、感染性心内膜炎等,有助于捕捉到比较少见或者容易忽略掉的病因,从而促使更佳的CMB诊断工作。
而对于CMB病因检测模块的处理内容,具体则可以包括以下内容:
采用有序结局变量列线图算法构建预设影像学特征与预设CMB病因之间的线性关系,其中,线性关系同时拟合多个二分逻辑模型,有:
Prob(y0)=βX+α0
Prob(y0+y1)=βX+α1
Prob(y0+y1+y2)=βX+α2
Prob(y0+y1+y2+y3)=βX+α3
………
其中,Prob表示概率,y表示病因,X表示特征,β表示构建的特征与病因之间的线性关系,α表示不同截距。
通过该同时拟合类别y0、类别y0+y1、类别y0+y1+y2、…的线性关系(概率预测模型),可以穷尽CMB所有病因类别的可能性,如此据模型拟合的自变量线性组合画出有序结局变量列线图,方便计算和呈现CMB各种病因的概率,进而可以更好地辅助CMB的诊断工作。
此外,还可以结合图6示出的本申请线性关系的一种场景示意图,来对此处的CMB病因的线性关系(概率预测模型)进行更为形象的理解。
而基线性关系(概率预测模型)所得到的病因预测结果(概率形式),则可以得到每组特征对应的概率得分,来达到精确量化的效果。
举例而言,得到所有组特征对应的概率得分后,可以将所有得分相加,最后得到的总分即为对应所有病因可能性的概率。
此外,对于该线性关系(概率预测模型)所涉及的输入特征(除了前面所计算得到的影像学特征,还可以包括相关的临床信息),本申请还可以涉及到特征的筛选处理,以便确定具体工作中采纳的特征。
举例而言,本申请为了分析采纳的初始特征与CMB病因的相关性,可以采用LASSO特征选择算法来筛选出有效特征,筛选出来的特征与CMB的病因具有较高的相关性,以此构建的线性关系(概率预测模型)更具有实用性。
当然,在具体操作中,也可以采用LASSO特征选择算法以外的特征提取算法来从采纳的初始特征中确定出更有针对性的特征,随实际需要配置即可。
以上是本申请提供的基于SWI的脑微出血图像检测方法的介绍,为便于更好的实施本申请提供的基于SWI的脑微出血图像检测方法,本申请还从功能模块角度提供了一种基于SWI的脑微出血图像检测装置。
参阅图7,图7为本申请基于SWI的脑微出血图像检测装置的一种结构示意图,在本申请中,基于SWI的脑微出血图像检测装置700具体可包括如下结构:
获取单元701,用于获取T1模态影像和SWI影像;
CMB检测单元702,用于将T1模态影像和SWI影像输入预先配置的CMB检测模块,以结合T1模态影像和SWI影像进行CMB检测,并得到CMB检测结果;
获取单元701,还用于获取MR平扫影像,其中,MR平扫影像包括T1、T2和FLAIR的多模态期相;
全病灶分割单元703,用于将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到全病灶分割结果,其中,全病灶分割所涉及的病灶包括WMH、PVS、LA和梗死;
计算单元704,用于结合CMB检测结果和全病灶分割结果,计算对应的影像学特征,其中,影像学特征包括脑区分布、数量、形态和大小。
在一种示例性的实现方式中,CMB检测模块的处理内容包括:
将T1模态影像输入脑区分割网络,得到脑区分割结果;
将SWI影像输入CMB分割网络,得到CMB分割结果;
将T1模态影像和脑区分割结果,通过刚性配准算法配准到CMB分割结果的SWI图像空间,得到SWI模态的CMB分割结果及其脑区分割结果。
在又一种示例性的实现方式中,全病灶分割单元703,具体用于:
将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到初始全病灶分割结果;
将MR平扫影像和初始全病灶分割结果,通过刚性配准算法配准到SWI图像空间,得到SWI模态的全病灶分割结果。
在又一种示例性的实现方式中,装置还包括校正单元705,用于:
对T1模态影像进行N4偏差长校正。
在又一种示例性的实现方式中,输入脑区分割网络和CMB分割网络,都采用U-Net框架,以编码器-解码器级联的形式,通过连续下采样模块学习图像的全局特征,利用上采样模块将学习到的语义特征解码到输入图像空间得到分割结果,利用跳接模块将将底层的位置信息与深层的语义信息相融合,得到更为准确的分割结果。
在又一种示例性的实现方式中,装置还包括CMB病因检测单元706,用于:
将影像学特征输入预先配置的CMB病因检测模块,以基于影像学特征进行CMB病因检测,得到CMB病因检测结果。
在又一种示例性的实现方式中,CMB病因检测模块的处理内容包括:
采用有序结局变量列线图算法构建预设影像学特征与预设CMB病因之间的线性关系,其中,线性关系同时拟合多个二分逻辑模型,有:
Prob(y0)=βX+α0
Prob(y0+y1)=βX+α1
Prob(y0+y1+y2)=βX+α2
Prob(y0+y1+y2+y3)=βX+α3
………
其中,Prob表示概率,y表示病因,X表示特征,β表示构建的特征与病因之间的线性关系,α表示不同截距。
本申请还从硬件结构角度提供了一种处理设备,参阅图8,图8示出了本申请处理设备的一种结构示意图,具体的,本申请处理设备可包括处理器801、存储器802以及输入输出设备803,处理器801用于执行存储器802中存储的计算机程序时实现如图1对应实施例中基于SWI的脑微出血图像检测方法的各步骤;或者,处理器801用于执行存储器802中存储的计算机程序时实现如图7对应实施例中各单元的功能,存储器802用于存储处理器801执行上述图1对应实施例中基于SWI的脑微出血图像检测方法所需的计算机程序。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器802中,并由处理器801执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
处理设备可包括,但不仅限于处理器801、存储器802、输入输出设备803。本领域技术人员可以理解,示意仅仅是处理设备的示例,并不构成对处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如处理设备还可以包括网络接入设备、总线等,处理器801、存储器802、输入输出设备803等通过总线相连。
处理器801可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是处理设备的控制中心,利用各种接口和线路连接整个设备的各个部分。
存储器802可用于存储计算机程序和/或模块,处理器801通过运行或执行存储在存储器802内的计算机程序和/或模块,以及调用存储在存储器802内的数据,实现计算机装置的各种功能。存储器802可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据处理设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器801用于执行存储器802中存储的计算机程序时,具体可实现以下功能:
将T1模态影像和SWI影像输入预先配置的CMB检测模块,以结合T1模态影像和SWI影像进行CMB检测,并得到CMB检测结果;
获取MR平扫影像,其中,MR平扫影像包括T1、T2和FLAIR的多模态期相;
将MR平扫影像输入预先配置的全病灶分割模块,以基于MR平扫影像进行全病灶分割,并得到全病灶分割结果,其中,全病灶分割所涉及的病灶包括WMH、PVS、LA和梗死;
结合CMB检测结果和全病灶分割结果,计算对应的影像学特征,其中,影像学特征包括脑区分布、数量、形态和大小。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的基于SWI的脑微出血图像检测装置、处理设备及其相应单元的具体工作过程,可以参考如图1对应实施例中基于SWI的脑微出血图像检测方法的说明,具体在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1对应实施例中基于SWI的脑微出血图像检测方法的步骤,具体操作可参考如图1对应实施例中基于SWI的脑微出血图像检测方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(Read Only Memory,ROM)、随机存取记忆体(Random Access Memory,RAM)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1对应实施例中基于SWI的脑微出血图像检测方法的步骤,因此,可以实现本申请如图1对应实施例中基于SWI的脑微出血图像检测方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请提供的基于SWI的脑微出血图像检测方法、装置、处理设备以及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于SWI的脑微出血图像检测方法,其特征在于,所述方法包括:
获取T1模态影像和SWI影像;
将所述T1模态影像和所述SWI影像输入预先配置的CMB检测模块,以结合所述T1模态影像和所述SWI影像进行CMB检测,并得到CMB检测结果;
获取MR平扫影像,其中,所述MR平扫影像包括T1、T2和FLAIR的多模态期相;
将所述MR平扫影像输入预先配置的全病灶分割模块,以基于所述MR平扫影像进行全病灶分割,并得到全病灶分割结果,其中,所述全病灶分割所涉及的病灶包括WMH、PVS、LA和梗死;
结合所述CMB检测结果和所述全病灶分割结果,计算对应的影像学特征,其中,所述影像学特征包括脑区分布、数量、形态和大小。
2.根据权利要求1所述的方法,其特征在于,所述CMB检测模块的处理内容包括:
将所述T1模态影像输入脑区分割网络,得到脑区分割结果;
将所述SWI影像输入CMB分割网络,得到CMB分割结果;
将所述T1模态影像和所述脑区分割结果,通过刚性配准算法配准到所述CMB分割结果的SWI图像空间,得到SWI模态的CMB分割结果及其脑区分割结果。
3.根据权利要求2所述的方法,其特征在于,所述将所述MR平扫影像输入预先配置的全病灶分割模块,以基于所述MR平扫影像进行全病灶分割,并得到全病灶分割结果,包括:
所述将所述MR平扫影像输入预先配置的全病灶分割模块,以基于所述MR平扫影像进行全病灶分割,并得到初始全病灶分割结果;
将所述MR平扫影像和所述初始全病灶分割结果,通过所述刚性配准算法配准到所述SWI图像空间,得到所述SWI模态的全病灶分割结果。
4.根据权利要求2所述的方法,其特征在于,所述将所述T1模态影像输入脑区分割网络,得到脑区分割结果之前,所述方法还包括:
对所述T1模态影像进行N4偏差长校正。
5.根据权利要求2所述的方法,其特征在于,所述输入脑区分割网络和所述CMB分割网络,都采用U-Net框架,以编码器-解码器级联的形式,通过连续下采样模块学习图像的全局特征,利用上采样模块将学习到的语义特征解码到输入图像空间得到分割结果,利用跳接模块将将底层的位置信息与深层的语义信息相融合,得到更为准确的分割结果。
6.根据权利要求1所述的方法,其特征在于,所述结合所述CMB检测结果和所述全病灶分割结果,计算对应的影像学特征之后,所述方法还包括:
将所述影像学特征输入预先配置的CMB病因检测模块,以基于所述影像学特征进行CMB病因检测,得到CMB病因检测结果。
7.根据权利要求1所述的方法,其特征在于,所述CMB病因检测模块的处理内容包括:
采用有序结局变量列线图算法构建预设影像学特征与预设CMB病因之间的线性关系,其中,所述线性关系同时拟合多个二分逻辑模型,有:
Prob(y0)=βX+α0
Prob(y0+y1)=βX+α1
Prob(y0+y1+y2)=βX+α2
Prob(y0+y1+y2+y3)=βX+α3
………
其中,Prob表示概率,y表示病因,X表示特征,β表示构建的特征与病因之间的线性关系,α表示不同截距。
8.一种基于SWI的脑微出血图像检测装置,其特征在于,所述装置包括:
获取单元,用于获取T1模态影像和SWI影像;
CMB检测单元,用于将所述T1模态影像和所述SWI影像输入预先配置的CMB检测模块,以结合所述T1模态影像和所述SWI影像进行CMB检测,并得到CMB检测结果;
所述获取单元,还用于获取MR平扫影像,其中,所述MR平扫影像包括T1、T2和FLAIR的多模态期相;
全病灶分割单元,用于将所述MR平扫影像输入预先配置的全病灶分割模块,以基于所述MR平扫影像进行全病灶分割,并得到全病灶分割结果,其中,所述全病灶分割所涉及的病灶包括WMH、PVS、LA和梗死;
计算单元,用于结合所述CMB检测结果和所述全病灶分割结果,计算对应的影像学特征,其中,所述影像学特征包括脑区分布、数量、形态和大小。
9.一种处理设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311008376.2A CN117152063A (zh) | 2023-08-10 | 2023-08-10 | 一种基于swi的脑微出血图像检测方法、装置及处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311008376.2A CN117152063A (zh) | 2023-08-10 | 2023-08-10 | 一种基于swi的脑微出血图像检测方法、装置及处理设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117152063A true CN117152063A (zh) | 2023-12-01 |
Family
ID=88911009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311008376.2A Pending CN117152063A (zh) | 2023-08-10 | 2023-08-10 | 一种基于swi的脑微出血图像检测方法、装置及处理设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152063A (zh) |
-
2023
- 2023-08-10 CN CN202311008376.2A patent/CN117152063A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wee et al. | Cortical graph neural network for AD and MCI diagnosis and transfer learning across populations | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
Tan et al. | Fully automated segmentation of the left ventricle in cine cardiac MRI using neural network regression | |
CN111127466B (zh) | 医学图像检测方法、装置、设备及存储介质 | |
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
Zeng et al. | Identification of glomerular lesions and intrinsic glomerular cell types in kidney diseases via deep learning | |
Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
Ye et al. | Discriminative multi-task feature selection for multi-modality classification of Alzheimer’s disease | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
US20230342918A1 (en) | Image-driven brain atlas construction method, apparatus, device and storage medium | |
CN110378913B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN114080646A (zh) | 信息处理装置、程序、学习完毕模型、诊断支援装置、学习装置及预测模型的生成方法 | |
Islam et al. | ICHNet: intracerebral hemorrhage (ICH) segmentation using deep learning | |
CN111598853B (zh) | 针对肺炎的ct影像评分方法、装置及设备 | |
CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
CN110969623B (zh) | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 | |
Langner et al. | Kidney segmentation in neck-to-knee body MRI of 40,000 UK Biobank participants | |
Abbasi-Sureshjani et al. | Boosted exudate segmentation in retinal images using residual nets | |
Li et al. | AMD-Net: Automatic subretinal fluid and hemorrhage segmentation for wet age-related macular degeneration in ocular fundus images | |
CN109214451A (zh) | 一种脑部异常的分类方法及设备 | |
Wu et al. | Transformer-based 3D U-Net for pulmonary vessel segmentation and artery-vein separation from CT images | |
Tan et al. | Automatic localization of the left ventricular blood pool centroid in short axis cardiac cine MR images | |
WO2021097595A1 (zh) | 图像的病变区域分割方法、装置及服务器 | |
CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
CN117152063A (zh) | 一种基于swi的脑微出血图像检测方法、装置及处理设备 |
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 |