CN117152128B - 神经影像的病灶识别方法、装置、电子设备和存储介质 - Google Patents
神经影像的病灶识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117152128B CN117152128B CN202311404045.0A CN202311404045A CN117152128B CN 117152128 B CN117152128 B CN 117152128B CN 202311404045 A CN202311404045 A CN 202311404045A CN 117152128 B CN117152128 B CN 117152128B
- Authority
- CN
- China
- Prior art keywords
- image
- lesion
- structural
- focus position
- target object
- 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 59
- 210000005036 nerve Anatomy 0.000 title claims abstract description 28
- 230000003902 lesion Effects 0.000 claims abstract description 111
- 230000001537 neural effect Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 230000004060 metabolic process Effects 0.000 claims abstract description 18
- 230000002503 metabolic effect Effects 0.000 claims description 47
- 238000012937 correction Methods 0.000 claims description 34
- 238000003709 image segmentation Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 210000004556 brain Anatomy 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 210000001519 tissue Anatomy 0.000 claims description 8
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 7
- 210000004884 grey matter Anatomy 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 210000004885 white matter Anatomy 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 2
- 230000036285 pathological change Effects 0.000 claims description 2
- 231100000915 pathological change Toxicity 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000002207 metabolite Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010176 18-FDG-positron emission tomography Methods 0.000 description 1
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 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 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000001037 epileptic effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000020938 metabolic status Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect 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
- G06N3/04—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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及图像处理领域,尤其涉及一种神经影像的病灶识别方法、装置、电子设备和存储介质,确定待识别的包括第一结构影像、第一病变影像和第一代谢影像的神经影像集合,再对神经影像集合进行图像预处理得到包括第二结构影像、第二病变影像和第二代谢影像的对象影像集合。将对象影像集合输入训练得到的三维的卷积神经网络得到目标对象的病灶位置,再根据目标对象的病灶位置对第一结构影像进行病灶位置标注,得到并显示病灶位置图像。本公开通过对多模态的神经影像进行预处理,并通过神经网络对多模态神经影像进行病灶检测,准确的确定神经影像中的病灶位置,同时,本公开直接根据识别结果标注原始的神经影像,用户可以直观的查看病灶位置。
Description
技术领域
本公开涉及图像处理领域,尤其涉及一种神经影像的病灶识别方法、装置、电子设备和存储介质。
背景技术
癫痫是大脑神经元异常放电活动引起的突然性、反复性和短暂性的大脑功能障碍,是一种世界范围内常见的功能性神经系统疾病,而部分癫痫病灶影像表现隐蔽,切除范围难以确定,在目前临床诊治工作中具有挑战性。然而,尽管如今神经影像技术快速发展部分影像改变隐匿或“阴性”,常规视觉阅片难以发现,漏诊率约很高。精准定位是外科诊治成功的关键,随着计算机技术的快速发展,近年来利用计算机辅助识别病灶的技术被广泛应用,但相关技术仍然存在识别结果准确的问题。
发明内容
有鉴于此,本公开提出了一种神经影像的病灶识别方法、装置、电子设备和存储介质,旨在提高病灶识别结果的准确性。
根据本公开的第一方面,提供了一种神经影像的病灶识别方法,所述方法包括:
确定待识别的神经影像集合,所述神经影像集合包括采集目标对象得到的第一结构影像、第一病变影像和第一代谢影像;
对所述神经影像集合进行图像预处理,得到包括第二结构影像、第二病变影像和第二代谢影像的对象影像集合;
将所述对象影像集合输入训练得到的三维的卷积神经网络中,得到所述目标对象的病灶位置;
根据所述目标对象的病灶位置对所述第一结构影像进行病灶位置标注,得到病灶位置图像并显示。
在一种可能的实现方式中,所述对所述神经影像集合进行图像预处理,得到包括第二结构影像、第二病变影像和第二代谢影像的对象影像集合,包括:
对所述第一结构影像进行图像分割,得到至少一种包括所述目标对象中组织的分割图像;
对所述第一结构影像、所述第一病变影像和所述第一代谢影像进行图像位置校正;
根据所述分割图像提取所述图像位置校正后的所述第一结构影像、所述第一病变影像和所述第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像;
根据所述第二结构影像、所述第二病变影像和所述第二代谢影像确定对象影像集合。
在一种可能的实现方式中,所述目标对象为大脑,所述分割图像包括脑脊液图像、灰质图像和白质图像。
在一种可能的实现方式中,所述对所述第一结构影像、所述第一病变影像和所述第一代谢影像进行图像位置校正,包括:
对所述第一结构影像、所述第一病变影像和所述第一代谢影像进行前联合校正、配准和密度标准化处理。
在一种可能的实现方式中,所述根据所述分割图像提取所述图像位置校正后的所述第一结构影像、所述第一病变影像和所述第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像,包括:
根据至少一个所述分割图像确定用于表征所述目标对象位置的图像蒙版;
根据所述图像蒙版分别提取所述图像位置校正后的所述第一结构影像、所述第一病变影像和所述第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像。
在一种可能的实现方式中,所述卷积神经网络中包括多个顺序连接的卷积层、全连接层和激活层,每个所述卷积层中包括三个分别对应所述第二结构影像、所述第二病变影像和所述第二代谢影像的卷积通道;
所述将所述对象影像集合输入训练得到的三维的卷积神经网络中,得到所述目标对象的病灶位置,包括:
根据所述多个顺序连接的卷积层依次对所述第二结构影像、所述第二病变影像和所述第二代谢影像进行平行卷积,得到分别对应的第一特征图像、第二特征图像和第三特征图像;
将所述第一特征图像、所述第二特征图像和所述第三特征图像输入所述全连接层和激活层,得到所述第一特征图像中每个像素位置为病灶位置的概率值;
根据每个所述像素位置的概率值确定所述目标对象的病灶位置。
在一种可能的实现方式中,所述根据所述目标对象的病灶位置对所述第一结构影像进行病灶位置标注,得到病灶位置图像并显示,包括:
根据所述目标对象的病灶位置确定病灶图像;
将所述病灶图像与所述第一结构影像进行重叠进行病灶位置标注,得到病灶位置图像并显示。
根据本公开的第二方面,提供了一种神经影像的病灶识别装置,所述装置包括:
集合确定模块,用于确定待识别的神经影像集合,所述神经影像集合包括采集目标对象得到的第一结构影像、第一病变影像和第一代谢影像;
图像预处理模块,用于对所述神经影像集合进行图像预处理,得到包括第二结构影像、第二病变影像和第二代谢影像的对象影像集合;
位置识别模块,用于将所述对象影像集合输入训练得到的三维的卷积神经网络中,得到所述目标对象的病灶位置;
位置标注模块,用于根据所述目标对象的病灶位置对所述第一结构影像进行病灶位置标注,得到病灶位置图像并显示。
在一种可能的实现方式中,所述图像预处理模块,进一步用于:
对所述第一结构影像进行图像分割,得到至少一种包括所述目标对象中组织的分割图像;
对所述第一结构影像、所述第一病变影像和所述第一代谢影像进行图像位置校正;
根据所述分割图像提取所述图像位置校正后的所述第一结构影像、所述第一病变影像和所述第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像;
根据所述第二结构影像、所述第二病变影像和所述第二代谢影像确定对象影像集合。
在一种可能的实现方式中,所述目标对象为大脑,所述分割图像包括脑脊液图像、灰质图像和白质图像。
在一种可能的实现方式中,所述图像预处理模块,进一步用于:
对所述第一结构影像、所述第一病变影像和所述第一代谢影像进行前联合校正、配准和密度标准化处理。
在一种可能的实现方式中,所述图像预处理模块,进一步用于:
根据至少一个所述分割图像确定用于表征所述目标对象位置的图像蒙版;
根据所述图像蒙版分别提取所述图像位置校正后的所述第一结构影像、所述第一病变影像和所述第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像。
在一种可能的实现方式中,所述卷积神经网络中包括多个顺序连接的卷积层、全连接层和激活层,每个所述卷积层中包括三个分别对应所述第二结构影像、所述第二病变影像和所述第二代谢影像的卷积通道;
所述位置识别模块,进一步用于:
根据所述多个顺序连接的卷积层依次对所述第二结构影像、所述第二病变影像和所述第二代谢影像进行平行卷积,得到分别对应的第一特征图像、第二特征图像和第三特征图像;
将所述第一特征图像、所述第二特征图像和所述第三特征图像输入所述全连接层和激活层,得到所述第一特征图像中每个像素位置为病灶位置的概率值;
根据每个所述像素位置的概率值确定所述目标对象的病灶位置。
在一种可能的实现方式中,所述位置标注模块,进一步用于:
根据所述目标对象的病灶位置确定病灶图像;
将所述病灶图像与所述第一结构影像进行重叠进行病灶位置标注,得到病灶位置图像并显示。
根据本公开的第三方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为在执行所述存储器存储的指令时,实现上述方法。
根据本公开的第四方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
在一种可能的实现方式中,确定待识别的包括第一结构影像、第一病变影像和第一代谢影像的神经影像集合,再对神经影像集合进行图像预处理得到包括第二结构影像、第二病变影像和第二代谢影像的对象影像集合。将对象影像集合输入训练得到的三维的卷积神经网络得到目标对象的病灶位置,再根据目标对象的病灶位置对第一结构影像进行病灶位置标注,得到并显示病灶位置图像。本公开通过对多模态的神经影像进行预处理,并通过神经网络对多模态神经影像进行病灶检测,准确的确定神经影像中的病灶位置,同时,本公开直接根据识别结果标注原始的神经影像,用户可以直观的查看病灶位置。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开实施例的一种神经影像的病灶识别方法的流程图。
图2示出根据本公开实施例的一种卷积神经网络的结构示意图。
图3示出根据本公开实施例的一种神经影像的病灶识别方法的示意图。
图4示出根据本公开实施例的一种病灶位置图像的示意图。
图5示出根据本公开实施例的一种神经影像的病灶识别装置的示意图。
图6示出根据本公开实施例的一种电子设备的示意图。
图7示出根据本公开实施例的另一种电子设备的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本公开实施例的神经影像的病灶识别方法可以由终端设备或服务器等电子设备执行。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等任意固定或移动终端。服务器可以为单独的服务器或多个服务器组成的服务器集群。任意电子设备可以通过处理器调用存储器中存储的计算机可读指令的方式来实现本公开实施例的神经影像的病灶识别方法。
图1示出根据本公开实施例的一种神经影像的病灶识别方法的流程图。如图1所示,本公开实施例的神经影像的病灶识别方法可以包括以下步骤S10-S40。
步骤S10、确定待识别的神经影像集合。
在一种可能的实现方式中,通过电子设备确定需要识别其中包括的病灶位置的神经影像的神经影像集合。其中,神经影像集合可以包括采集目标对象得到的第一结构影像、第一病变影像和第一代谢影像,目标对象可以为任意需要判断病变位置的人体器官、例如大脑、心脏、肺和肝等器官。电子设备可以直接通过神经影像采集设备对目标对象进行图像采集得到神经影像集合,或者接收其他设备采集并传输的神经影像集合。
可选地,第一结构影像可以为T1WIMPRAGE,用于侧重表征目标对象的解剖结构。第一病变影像可以为T2WI FLAIR,用于侧重表征目标对象的病变结构。第一代谢影像可以为FDG-PET,用于侧重表征目标对象的代谢情况。因此,神经影像集合中不同的影像可以从不同维度多模态的表征目标对象的结构特征。同时,第一结构影像、第一病变影像和第一代谢影像均为三维影像,可以表征目标对象在三维空间中的立体结构。
步骤S20、对所述神经影像集合进行图像预处理,得到包括第二结构影像、第二病变影像和第二代谢影像的对象影像集合。
在一种可能的实现方式中,电子设备在确定神经影像集合之后,按照预设的图像处理方式对神经影像集合中的多个图像进行图像预处理,分别得到第一结构影像、第一病变影像和第一代谢影像对应的第二结构影像、第二病变影像和第二代谢影像,以确定用于表征目标对象结构特征的对象影像集合。
可选地,图像预处理的过程用于对神经影像集合中的多个影像中的目标对象进行提取,以及位置校正。其中,电子设备进行图像预处理的过程可以包括对第一结构影像进行图像分割,得到至少一种包括目标对象中组织的分割图像。然后再对第一结构影像、第一病变影像和第一代谢影像进行图像位置校正。根据分割图像提取图像位置校正后的第一结构影像、第一病变影像和第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像。根据第二结构影像、第二病变影像和第二代谢影像确定对象影像集合。其中图像位置校正的过程用于对齐多个影像中的目标对象位置,使不同影像中目标对象的位置实现一致。分割图像用于提取目标对象,以得到多个影像中需要的信息,去除第一结构影像、第一病变影像和第一代谢影像中其他无用信息。
进一步地,本公开实施例可以先确定目标对象的类型,再根据目标对象中包括的至少一种组织类型进行图像分割。示例性地,在目标对象为大脑的情况下,图像分割的过程可以为通过图像分割分别提取第一结构影像中的脑脊液部分、灰质部分和白质部分,使最终得到的分割图像包括脑脊液图像、灰质图像和白质图像。可选地,图像分割过程可以基于预设的目标对象的既有组织概率图实现。
在一种可能的实现方式中,电子设备进行图像位置校正的过程可以为对神经影像集合中的每个图像依次进行前联合校正、配准和密度标准化处理,即可以对第一结构影像、第一病变影像和第一代谢影像进行前联合校正、配准和密度标准化处理。其中,前联合校正用于基于第一结构影像、第一病变影像和第一代谢影像中原点的位置对每个图像进行6个方向轴的平移和旋转,以调整其中包括的目标对象至相同空间位置,原点为大脑组织中前联合和后联合的中点。图像配准的过程用于将第一结构影像、第一病变影像和第一代谢影像排列在同一预设的空间坐标系中。密度标准化的过程用于减少偏置场的影响,可以通过任意非参数非均匀的密度标准化函数实现。
可选地,本公开实施例中进行图像位置校正的过程与图像分割的过程的执行顺序可以预先设定。例如图像分割和图像位置校正可以同时进行,或者按照预设的执行顺序进行。在按照预设的执行顺序进行图像位置校正和图像分割的情况下,图像分割的过程还可以穿插在图像位置校正的多个子步骤中进行。
在本公开实施例通过图像分割得到至少一种分割图像,并完成第一结构影像、第一病变影像和第一代谢影像的位置校正后,电子设备基于分割图像提取第一结构影像、第一病变影像和第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像。可选地,可以通过建立图像蒙版的方式提取图像中的目标对象,以去除目标对象以外的无用信息。即电子设备可以先根据至少一个分割图像确定用于表征目标对象位置的图像蒙版,该图像蒙版用于表征图像中目标对象整体所在的位置,或者目标对象内每个需要保留的组织所在的位置。再根据图像蒙版分别提取图像位置校正后的第一结构影像、第一病变影像和第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像,然后根据第二结构影像、第二病变影像和第二代谢影像确定对象影像集合。
步骤S30、将所述对象影像集合输入训练得到的三维的卷积神经网络中,得到所述目标对象的病灶位置。
在一种可能的实现方式中,电子设备在确定对象影像集合后,可以将对象影像集合输入训练得到的三维的卷积神经网络中,通过卷积神经网络从三个维度进行多模态特征提取,准确的判断出目标对象中病灶所在的位置。其中,卷积神经网络为用于提取三维图像特征的三维神经网络,其中可以包括多个顺序连接的卷积层,以及全连接层和激活层。可选地,卷积神经网络中每个卷积层中包括三个卷积通道,分别用于对输入的第二结构影像、第二病变影像和第二代谢影像进行卷积处理。
可选地,在将对象影像集合输入卷积神经网络后,可以先根据多个顺序连接的卷积层依次对第二结构影像、第二病变影像和第二代谢影像进行平行卷积,得到分别对应的第一特征图像、第二特征图像和第三特征图像。然后再将第一特征图像、第二特征图像和第三特征图像输入所述全连接层和激活层,得到第一特征图像中每个像素位置为病灶位置的概率值,再根据每个像素位置的概率值确定目标对象的病灶位置。示例性地,可以通过预先设定的概率阈值判断每个像素位置是否为病灶所在的位置,即可以将概率值大于概率阈值的像素位置确定为病灶所在的位置,将概率值小于概率阈值的像素位置确定为非病灶所在的位置。
进一步地,输入卷积神经网络中的每个三维影像被分割为多像素对应的立方体,
顺序连接的多个卷积层用于通过多个滤波器进行连续卷积,对图像中的每个像素进行独立
分类,实现估计其位置是否为病灶位置。其中,每一个卷积层可以包括多个特征通道,分别
用于对每一种输入的立方体进行卷积(例如,第二结构影像分割得到的立方体、第二病变影
像分割得到的立方体和第二代谢影像分割得到的立方体分别输入一个特征通道),提取得
到特征图并输入下一个卷积层对应的通道中再次进行特征提取,得到特征图像,其中l为当前卷积层的编号,m为当前卷积层中神经元的
编号,为预设的偏置,n为该通道对应的影像编号(例如第二结构影像、第二病变影像和
第二代谢影像编号分别为1、2、3),f为非线性函数,其内核为一个学习的隐藏权重矩阵
。由此,相邻卷积层的连接可以被看作是一个四维内核对串联通道中
的卷积对象进行卷积,以最终得到第二结构影像、第二病变影像和第
二代谢影像的第一特征图像、第二特征图像和第三特征图像,其中,串联通道包括多个相邻
卷积层中的相同通道,为每个卷积层中包括的通道数量。进一步通过全连接层和激活
函数(SoftMax函数)计算后验概率,形成具有包括其
中每个像素位置对应概率值的软分割图。是通道L的第c个分类在像素位置的
激活,为通道L的分类总数。
接收场是激活层中的神经元感受器,被视为输入像素邻域对神经元激活的影响。
在每个后续卷积层增加尺寸,通过下面的三维矢量给出:,,(x,y,z)用于表示立方体中像素的像素
位置,表示内核的大小和第层接收场的步长向量,通过核函数的步长乘积决定。可选地,
为了有利于精准分割,可以预先设定。激活层中的神经元感受器对应于影响位
于输入立方体正中间像素位置,可以记为。若提前规定输入大小,第个卷积
层中的通道的尺寸可计算为:。为避免出现过拟合
问题,本公开实施例中的卷积层使用的卷积核为单独的33核,可以更快地进行卷积,并包含
更少的权重,有利于自然图像的分割。与传统的53核相比,较小的33核减少了约53/33≈4.6
倍的算力,在模型的训练过程中也能够减少训练参数的数量。
进一步地,为了将局部和更大的背景信息加入三维的卷积神经网络,本申请可以
对每个输入影像进行降采样操作,再增加第二条路径对降采样后的影像进行卷积处理。这
种多通道的三维卷积神经网络可以同时处理多尺度的输入图像。其中,可以通过每一条路
径分别学习高层次特征(如大脑中位置)和详细局部结构外观特征。由于正常的卷积路径和
降采样后的卷积路径分别进行卷积,再根据两种卷积结果共同进行分类,在卷积神经网络
的结构中是解耦连的,因此可以通过简单调整下采样系数来处理任意大的背景信息。路径
的大小可以根据算力和任务独立调整,这可能需要相对调整用于下采样滤波器的数量。为
了保持密集推理的能力,应该保证两个路径的最后一个卷积层中激活空间的相关性。在只
使用奇数核步数的网络中,要求第一条以正常分辨率输入接收场的卷积核的位移为,第
二条降采样后卷积路径输入接收场的卷积核的位移为,L1为第一条卷积路径,L2为第二
条卷积路径。因此,第二条卷积路径中卷积核的尺寸要求为,为下采
样系数。从上述公式可见,第二条卷积路径的输入尺寸为,可以
以同一图像位置为中心进行提取。
在通过卷积神经网络中的多个顺序连接的卷积层得到每个输入影像对应的第一特征图、第二特征图和第三特征图后,将三个特征图输入全连接层和激活层,以对每个像素位置是否为病灶位置进行预测,得到每个像素位置是病灶位置的概率值。其中,本公开实施例的卷积神经网络内全连接层可以为CRF模型(全连接三维条件随机场),可以对任意大的像素邻域进行建模,而且计算简单。
进一步地,在训练过程中,本公开实施例可以划分每个输入影像中每个像素位置
对应的立方体,并根据每个立方体对应的标注标签,和预测结果计算模型的损失函数以调
整模型。可选地,三维的卷积神经网络训练过程中使用的损失函数可以为:,其中为卷积神经网络的模型参数,和分
别为第个输入立方体和个像素位置的真实标签,B是立方体总数。是卷积层通道中对
应的位置。
图2示出根据本公开实施例的一种卷积神经网络的结构示意图,如图2所示,卷积神经网络中包括多个顺序连接的卷积层,以及全连接层和激活层。其中,每个卷积层中包括三个卷积通道,分别用于对输入的第二结构影像、第二病变影像和第二代谢影像进行卷积处理。对象影像集合输入卷积神经网络后,根据多个顺序连接的卷积层依次对第二结构影像、第二病变影像和第二代谢影像进行平行卷积,得到分别对应的第一特征图像、第二特征图像和第三特征图像。然后再将第一特征图像、第二特征图像和第三特征图像输入所述全连接层和激活层,得到第一特征图像中每个像素位置为病灶位置的概率值,以进一步根据每个像素位置的概率值确定目标对象的病灶位置。例如,可以将概率值大于0.5的像素位置确定为病灶所在的位置,将概率值小于0.5的像素位置确定为非病灶所在的位置。
步骤S40、根据所述目标对象的病灶位置对所述第一结构影像进行病灶位置标注,得到病灶位置图像并显示。
在一种可能的实现方式中,电子设备在基于训练得到的三维的卷积神经网络从不同维度进行特征提取,识别得到目标对象中的病灶位置后,可以基于目标对象的病灶位置对侧重显示目标对象结构的第一结构影像进行病灶位置标注,得到病灶位置图像。其中,可以先根据病灶位置确定病灶图像,再将病灶图像与第一结构影像进行重叠进行病灶位置标注,即可以得到病灶位置图像并向用户显示,使用户可以直观的观察到目标对象中的病灶情况。
图3示出根据本公开实施例的一种神经影像的病灶识别方法的示意图。如图3所示,在目标对象为大脑的情况下,本公开实施例在采集大脑得到包括第一结构影像、第一病变影像和第一代谢影像的神经影像集合后,通过图像预处理对第一结构影像进行分割得到脑脊液图像、灰质图像和白质图像,并对第一结构影像、第一病变影像和第一代谢影像进行图像位置校正。根据分割得到的图像和位置校正后的影像确定第二结构影像、第二病变影像和第二代谢影像,以输入到三维的卷积神经网络中从三个维度进行特征提取,以准确的预测每个像素位置属于病灶位置的概率,以得到病灶位置并对第一结构影像进行病灶位置标注后向用户显示。
图4示出根据本公开实施例的一种病灶位置图像的示意图。如图4所示,本公开实施例通过三种不同类型的神经影像从不同维度共同进行病灶位置判断,提高了判断结果的准确性。同时,还将病灶位置直接标注在第一结构影像上进行显示,使用户可以直观的观察到目标对象中的病灶情况。
基于上述技术特征,本公开可以通过对多模态的神经影像进行预处理,对不同的神经影响中的目标对象进行位置配准,并保留与目标对象中病灶位置相关的信息,去除其他无关干扰因素,以提高预测结果的准确性。同时,通过卷积神经网络提取多模态神经影像的特征进行病灶检测,准确的确定神经影像中的病灶位置,并直接根据病灶位置标注原始的神经影像,使用户可以直观的查看病灶位置。
图5示出根据本公开实施例的一种神经影像的病灶识别装置的示意图。如图5所示,本公开实施例的神经影像的病灶识别装置可以包括:
集合确定模块50,用于确定待识别的神经影像集合,所述神经影像集合包括采集目标对象得到的第一结构影像、第一病变影像和第一代谢影像;
图像预处理模块51,用于对所述神经影像集合进行图像预处理,得到包括第二结构影像、第二病变影像和第二代谢影像的对象影像集合;
位置识别模块52,用于将所述对象影像集合输入训练得到的三维的卷积神经网络中,得到所述目标对象的病灶位置;
位置标注模块53,用于根据所述目标对象的病灶位置对所述第一结构影像进行病灶位置标注,得到病灶位置图像并显示。
在一种可能的实现方式中,所述图像预处理模块51,进一步用于:
对所述第一结构影像进行图像分割,得到至少一种包括所述目标对象中组织的分割图像;
对所述第一结构影像、所述第一病变影像和所述第一代谢影像进行图像位置校正;
根据所述分割图像提取所述图像位置校正后的所述第一结构影像、所述第一病变影像和所述第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像;
根据所述第二结构影像、所述第二病变影像和所述第二代谢影像确定对象影像集合。
在一种可能的实现方式中,所述目标对象为大脑,所述分割图像包括脑脊液图像、灰质图像和白质图像。
在一种可能的实现方式中,所述图像预处理模块51,进一步用于:
对所述第一结构影像、所述第一病变影像和所述第一代谢影像进行前联合校正、配准和密度标准化处理。
在一种可能的实现方式中,所述图像预处理模块51,进一步用于:
根据至少一个所述分割图像确定用于表征所述目标对象位置的图像蒙版;
根据所述图像蒙版分别提取所述图像位置校正后的所述第一结构影像、所述第一病变影像和所述第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像。
在一种可能的实现方式中,所述卷积神经网络中包括多个顺序连接的卷积层、全连接层和激活层,每个所述卷积层中包括三个分别对应所述第二结构影像、所述第二病变影像和所述第二代谢影像的卷积通道;
所述位置识别模块52,进一步用于:
根据所述多个顺序连接的卷积层依次对所述第二结构影像、所述第二病变影像和所述第二代谢影像进行平行卷积,得到分别对应的第一特征图像、第二特征图像和第三特征图像;
将所述第一特征图像、所述第二特征图像和所述第三特征图像输入所述全连接层和激活层,得到所述第一特征图像中每个像素位置为病灶位置的概率值;
根据每个所述像素位置的概率值确定所述目标对象的病灶位置。
在一种可能的实现方式中,所述位置标注模块53,进一步用于:
根据所述目标对象的病灶位置确定病灶图像;
将所述病灶图像与所述第一结构影像进行重叠进行病灶位置标注,得到病灶位置图像并显示。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为在执行所述存储器存储的指令时,实现上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
图6示出根据本公开实施例的一种电子设备800的示意图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出接口812(I/O接口),传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
输入/输出接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的另一种电子设备1900的示意图。例如,电子设备1900可以被提供为一服务器或终端设备。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出接口1958(I/O接口)。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/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,其上载有用于使处理器实现本公开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。
用于执行本公开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,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。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、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,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、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它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、其它可编程数据处理装置、或其它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公开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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种神经影像的病灶识别方法,其特征在于,所述方法包括:
确定待识别的神经影像集合,所述神经影像集合包括采集目标对象得到的第一结构影像、第一病变影像和第一代谢影像;
对所述神经影像集合进行图像预处理,得到包括第二结构影像、第二病变影像和第二代谢影像的对象影像集合;
将所述对象影像集合输入训练得到的三维的卷积神经网络中,得到所述目标对象的病灶位置;
根据所述目标对象的病灶位置对所述第一结构影像进行病灶位置标注,得到病灶位置图像并显示;
所述对所述神经影像集合进行图像预处理,得到包括第二结构影像、第二病变影像和第二代谢影像的对象影像集合,包括:
对所述第一结构影像进行图像分割,得到至少一种包括所述目标对象中组织的分割图像;
对所述第一结构影像、所述第一病变影像和所述第一代谢影像进行图像位置校正;
根据所述分割图像提取所述图像位置校正后的所述第一结构影像、所述第一病变影像和所述第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像;
根据所述第二结构影像、所述第二病变影像和所述第二代谢影像确定对象影像集合;
所述根据所述分割图像提取所述图像位置校正后的所述第一结构影像、所述第一病变影像和所述第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像,包括:
根据至少一个所述分割图像确定用于表征所述目标对象位置的图像蒙版;
根据所述图像蒙版分别提取所述图像位置校正后的所述第一结构影像、所述第一病变影像和所述第一代谢影像中的目标对象,得到第二结构影像、第二病变影像和第二代谢影像;
所述卷积神经网络中包括多个顺序连接的卷积层、全连接层和激活层,每个所述卷积层中包括三个分别对应所述第二结构影像、所述第二病变影像和所述第二代谢影像的卷积通道;
所述将所述对象影像集合输入训练得到的三维的卷积神经网络中,得到所述目标对象的病灶位置,包括:
根据所述多个顺序连接的卷积层依次对所述第二结构影像、所述第二病变影像和所述第二代谢影像进行平行卷积,得到分别对应的第一特征图像、第二特征图像和第三特征图像;
将所述第一特征图像、所述第二特征图像和所述第三特征图像输入所述全连接层和激活层,得到所述第一特征图像中每个像素位置为病灶位置的概率值;
根据每个所述像素位置的概率值确定所述目标对象的病灶位置。
2.根据权利要求1所述的方法,其特征在于,所述目标对象为大脑,所述分割图像包括脑脊液图像、灰质图像和白质图像。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述第一结构影像、所述第一病变影像和所述第一代谢影像进行图像位置校正,包括:
对所述第一结构影像、所述第一病变影像和所述第一代谢影像进行前联合校正、配准和密度标准化处理。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标对象的病灶位置对所述第一结构影像进行病灶位置标注,得到病灶位置图像并显示,包括:
根据所述目标对象的病灶位置确定病灶图像;
将所述病灶图像与所述第一结构影像进行重叠进行病灶位置标注,得到病灶位置图像并显示。
5.一种神经影像的病灶识别装置,其特征在于,用于执行权利要求1-4中任意一项所述的方法,所述装置包括:
集合确定模块,用于确定待识别的神经影像集合,所述神经影像集合包括采集目标对象得到的第一结构影像、第一病变影像和第一代谢影像;
图像预处理模块,用于对所述神经影像集合进行图像预处理,得到包括第二结构影像、第二病变影像和第二代谢影像的对象影像集合;
位置识别模块,用于将所述对象影像集合输入训练得到的三维的卷积神经网络中,得到所述目标对象的病灶位置;
位置标注模块,用于根据所述目标对象的病灶位置对所述第一结构影像进行病灶位置标注,得到病灶位置图像并显示。
6.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为在执行所述存储器存储的指令时,实现权利要求1至4中任意一项所述的方法。
7.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404045.0A CN117152128B (zh) | 2023-10-27 | 2023-10-27 | 神经影像的病灶识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404045.0A CN117152128B (zh) | 2023-10-27 | 2023-10-27 | 神经影像的病灶识别方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152128A CN117152128A (zh) | 2023-12-01 |
CN117152128B true CN117152128B (zh) | 2024-02-27 |
Family
ID=88884630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311404045.0A Active CN117152128B (zh) | 2023-10-27 | 2023-10-27 | 神经影像的病灶识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152128B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020151307A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 病灶自动识别方法、装置及计算机可读存储介质 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
WO2021057174A1 (zh) * | 2019-09-26 | 2021-04-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序 |
CN112927187A (zh) * | 2021-01-27 | 2021-06-08 | 张凯 | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11272843B2 (en) * | 2019-01-23 | 2022-03-15 | Siemens Healthcare Gmbh | Automatic identification of subjects at risk of multiple sclerosis |
KR102403651B1 (ko) * | 2020-06-22 | 2022-05-31 | 사회복지법인 삼성생명공익재단 | 뇌조직 병변 분포 예측 방법, 장치 및 컴퓨터 프로그램 |
-
2023
- 2023-10-27 CN CN202311404045.0A patent/CN117152128B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020151307A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 病灶自动识别方法、装置及计算机可读存储介质 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
WO2021057174A1 (zh) * | 2019-09-26 | 2021-04-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备、存储介质和计算机程序 |
CN112927187A (zh) * | 2021-01-27 | 2021-06-08 | 张凯 | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117152128A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310764B (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
CN110458127B (zh) | 图像处理方法、装置、设备以及系统 | |
CN109614876B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
US11532180B2 (en) | Image processing method and device and storage medium | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
CN111310616A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN105809704A (zh) | 识别图像清晰度的方法及装置 | |
CN106228556B (zh) | 图像质量分析方法和装置 | |
CN106845398B (zh) | 人脸关键点定位方法及装置 | |
CN111899268B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
JP2022522551A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
US20220392202A1 (en) | Imaging processing method and apparatus, electronic device, and storage medium | |
CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
CN113674269B (zh) | 基于一致性损失的肿瘤脑区定位方法及装置 | |
CN113034491B (zh) | 一种冠脉钙化斑块检测方法及装置 | |
CN113349810B (zh) | 脑出血病灶识别及血肿扩大预测系统及装置 | |
CN111724361B (zh) | 实时显示病灶的方法及装置、电子设备和存储介质 | |
CN113012146A (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
CN110619325A (zh) | 一种文本识别方法及装置 | |
CN112508959A (zh) | 视频目标分割方法、装置、电子设备及存储介质 | |
CN117152128B (zh) | 神经影像的病灶识别方法、装置、电子设备和存储介质 | |
CN115083021A (zh) | 对象姿态识别方法及装置、电子设备和存储介质 | |
CN110659726B (zh) | 一种图像处理方法、装置、电子设备及存储介质 |
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 |