CN117409016A - 一种磁共振图像自动分割方法 - Google Patents

Abstract

本发明公开了一种磁共振图像自动分割方法，属于磁共振图像处理技术领域，方法包括：步骤一：确定目标设备具有的各检测项，并识别各所述检测项对应的图像分割算法；步骤二：对所述目标设备的运行环境进行分析，确定所述目标设备的因素库；步骤三：获取所述目标设备生成的磁共振图像，识别所述磁共振图像的目标环境数据，基于识别的所述目标环境数据和所述因素库确定所述磁共振图像对应因素干扰项；步骤四：获取各所述因素干扰项的干扰环境数据，根据获得的干扰环境数据确定各类型伪影的概率值；步骤五：根据确定的各类型伪影的概率值对磁共振图像进行伪影预标记，对标记后的磁共振图像进行分割。

Description

一种磁共振图像自动分割方法

技术领域

本发明属于磁共振图像处理技术领域，具体是一种磁共振图像自动分割方法。

背景技术

磁共振成像(Magnetic Resonance Imaging，MRI)技术是利用氢原子核的磁性、在外加梯度磁场和激励的作用下产生共振信号，从而检测并绘制成物体内部的结构图像的一种方法，是现代物理学应用于临床医学领域的一个里程碑。磁共振成像在临床实践中广泛应用，为疾病的诊断、疗效评估提供了更多维度的影像学信息。然而磁共振成像在应用过程中容易受到场强不均匀、患者呼吸运动、不自主运动、金属物体或器械、外界环境等情况的干扰，导致出现各种磁共振伪影。

磁共振图像的自动分割是自动识别病灶、量化组织及病灶参数的关键步骤，是将人工智能应用于医学影像中的基石性工作。然而磁共振伪影的产生是影响图像自动分割模型准确度的重要阻碍。

基于此，为了提高磁共振图像的分割精度，减少磁共振伪影的影响，本发明提供了一种通过识别伪影，提高磁共振图像自动分割准确性的方法。

发明内容

为了解决上述方案存在的问题，本发明提供了一种磁共振图像自动分割方法。

本发明的目的可以通过以下技术方案实现：

一种磁共振图像自动分割方法，方法包括：

步骤一：确定目标设备具有的各检测项，并识别各所述检测项对应的图像分割算法；

步骤二：对所述目标设备的运行环境进行分析，确定所述目标设备的因素库；

进一步地，对目标设备的运行环境进行分析的方法包括：

确定目标设备的等同设备，获取所述等同设备的历史检测数据；识别所述历史检测数据中具有的各检测异常记录，根据获得的所述检测异常记录确定所述等同设备具有的各种影响因素，整合为所述目标设备的因素库。

进一步地，识别历史检测数据中具有的各检测异常记录的方法包括：

步骤SA1：定义第一记录范围，基于所述第一记录范围识别所述历史检测数据中的第一记录；

步骤SA2：根据各所述第一记录确定所述历史检测数据中的筛选数据，识别筛选数据中各检测记录对应的检测结果；

步骤SA3：根据获得的所述检测结果对对应的检测记录进行分析，确定对应的异常检测结果，根据获得的异常检测结果确定对应的第二记录；

步骤SA4：将第一记录和第二记录整合标记为检测异常记录。

进一步地，异常检测结果的确定方法包括：

识别所述检测记录中对应的磁共振图像，基于所述检测结果对磁共振图像进行识别，判断所述检测结果与所述磁共振图像是否相匹配；

当判断所述检测结果与所述磁共振图像相匹配时，输出的异常检测结果为检测正常；

当所述判断检测结果与所述磁共振图像不匹配时，输出的异常检测结果为检测异常。

进一步地，等同设备的影响因素的确定方法包括：

基于数字孪生技术建立所述等同设备的数字孪生体；识别各所述检测异常记录中对应的磁共振图像，标记为异常图像；

模拟各种环境数据和患者行为，应用所述数字孪生体在模拟条件下对异常图像进行分析，确定生成所述异常图像需要的环境条件和患者行为；根据确定的所述环境条件和所述患者行为确定所述异常图像对应的影响因素；

将获得的各所述影响因素进行去重，获得等同设备具有的各影响因素。

步骤三：获取所述目标设备生成的磁共振图像，识别所述磁共振图像的目标环境数据，基于识别的所述目标环境数据和所述因素库确定所述磁共振图像对应因素干扰项；

进一步地，因素干扰项的确定方法包括：

将识别的所述目标环境数据输入到所述因素库中进行匹配，获得对应的因素项，将匹配的所述因素项标记为因素干扰项；

从所述目标环境数据中提取各所述因素干扰项对应的干扰环境数据。

步骤四：获取各所述因素干扰项的干扰环境数据，根据获得的干扰环境数据确定各类型伪影的概率值；

进一步地，根据获得的干扰环境数据确定各类型伪影的概率值的方法包括：

识别具有的各类型伪影，标记各所述类型伪影对应的因素项，根据各所述类型伪影对应的因素项确定各类型伪影对应的因素干扰项组合；

根据所述因素干扰项组合确定对应类型伪影的概率分析数据；

对获得的所述概率分析数据进行分析，确定各所述类型伪影对应的概率值。

进一步地，对概率分析数据进行分析的方法：

获取各因素干扰项组合的获取对应的历史概率分析数据，基于所述历史概率分析数据和孤立森林算法建立对应的异常识别模型；

根据设置的所述异常识别模型对所述概率分析数据进行分析，获得各因素项对应的异常值，将各因素项对应的异常值整合为异常集合；

根据所述历史概率分析数据统计各所述异常集合对应的各类型伪影的发生概率，整合为异常匹配表；

将获得的所述异常集合输入到所述异常匹配表中进行匹配，获得各类型伪影的发生概率，标记为对应的概率值。

进一步地，异常识别模型的表达式为：；

式中：xi为输入数据，表示概率分析数据中各因素项对应的因素项数据，i=1、2、……、n，n为正整数；输出为各因素项的异常值yi，yi=Y(xi)，i=1、2、……、n，n为正整数。

步骤五：根据确定的各类型伪影的概率值对磁共振图像进行伪影预标记，对标记后的磁共振图像进行分割。

进一步地，进行伪影预标记的方法包括：

识别各类型伪影的概率值，将概率值低于阈值X1的类型伪影标记为目标伪影；

根据目标伪影对所述磁共振图像进行识别，确定所述磁共振图像中的目标伪影，对确定所述目标伪影在所述磁共振图像中进行标记。

进一步地，对标记后的磁共振图像进行分割的方法包括：

识别所述目标设备对各所述检测项对应的图像分割算法；基于预设的数字孪生对各类型伪影下的图像分割算法进行模拟调整，获得对应的算法模拟调整数据，选择若干次调整模拟后的合格率大于阈值X2的合格率最高的调整后的图像分割算法为对应类型伪影下的目标算法；进行整合为目标算法库；

识别所述磁共振图像中标记的类型伪影，根据识别的所述类型伪影从所述目标算法库中匹配对应的目标算法，根据获得的所述目标算法对所述磁共振图像进行分割。

与现有技术相比，本发明的有益效果是：

通过对目标设备的运行环境进行分析，确定目标设备生成的磁共振图像会受到哪些因素的干扰，便于后续在检测过程中确定可能具有的检测误差，提高磁共振图像的分割精度。

通过建立数字孪生体进行模拟，降低因为过多的模拟次数而降低等同设备的使用寿命；同时可以为后续的数据分析提供支持。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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为本发明方法流程图。

具体实施方式

下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

如图1所示，一种磁共振图像自动分割方法，方法包括：

步骤一：确定目标设备具有的各检测项，并识别各检测项对应的图像分割算法；

目标设备指的是磁共振设备；

检测项是根据该医院的实际情况进行确定的，具体的是根据该医院具有的应用到磁共振设备进行检测的项目进行设置的；如脑部疾病、脊椎和脊髓疾病、关节和软组织疾病等相关的检测项。

图像分割算法指的是目标设备自带的相关处理算法，如基于阈值的分割、区域生长法、FCM聚类算法等，具体的根据相关检测项的检测应用，确定各检测项会使用的图像分割算法。

步骤二：对目标设备的运行环境进行分析，确定目标设备的因素库；

通过对目标设备的运行环境进行分析，确定目标设备生成的磁共振图像会受到哪些因素的干扰，便于后续在检测过程中确定可能具有的检测误差，提高磁共振图像的分割精度。

对目标设备的运行环境进行分析的方法包括：

确定目标设备的等同设备，即与目标设备同类型、同型号等的磁共振设备；获取等同设备的历史检测数据，历史检测数据中不包括患者的个人信息；识别历史检测数据中具有的各检测异常记录，根据获得的检测异常记录确定等同设备具有的各种影响因素，整合为目标设备的因素库。

其中，识别历史检测数据中具有的各检测异常记录的方法包括：

步骤SA1：识别历史检测数据中因为磁共振图像失准而导致误诊的检测记录，标记为第一记录；当出现上述情况时，会进行数据反馈核实，因此可以直接识别对应的记录结果即可；第一记录中包括对应的检测项和图像分割算法；

步骤SA2：将历史检测数据中非第一记录对应的数据标记为筛选数据，识别筛选数据中各检测记录对应的检测结果，检测结果由相应的主治医生审核获得，即在相应患者就诊时，由医生进行标记，作为历史检测数据中的数据；

步骤SA3：根据获得的检测结果对对应的检测记录进行分析，确定对应的异常检测结果，根据获得的异常检测结果确定对应的第二记录；

识别检测结果以及检测记录中对应的磁共振图像，基于检测结果对磁共振图像进行识别，判断检测结果与磁共振图像是否相匹配；

当判断检测结果与磁共振图像相匹配时，输出的异常检测结果为检测正常；

当判断检测结果与磁共振图像不匹配时，输出的异常检测结果为检测异常。

将异常检测结果为检测异常的检测记录标记为第二记录。

基于检测结果对磁共振图像进行识别，可以基于现有的图像识别方法进行判断，对应检测结果具有大量的相关磁共振图像，进行相应的比较匹配即可进行相应的判断。

示例性的，可以结合神经网络进行判断，如下：

创建样本数据集，样本数据集包括素材样本和人工标注样本集，素材样本为原始图片集，人工标注样本集为对原始图片进行格式转换、人工标注相应检测结果后的图片集，样本数据集中素材样本和人工标注样本集比例为2：1；对人工标注样本集中的图片进行二值化处理，并以单通道形式进行保存，将照片样本集和人工标注样本集按照比例进行切分，形成第二照片样本集和第二人工标注样本集；在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型，设置Linknet网络模型的参数，将第二照片样本集和第二人工标注样本集输入Linknet网络模型，并基于Pytorch深度学习框架对Linknet网络模型进行训练，训练过程中保存多个模型，利用验证集数据选择误差最小的模型作为结果识别模型。

通过结果识别模型识别磁共振图像对应的检测结果，进行相应的比较判断。

步骤SA4：将第一记录和第二记录整合标记为检测异常记录。

根据获得的检测异常记录确定等同设备具有的各种影响因素的方法包括：

基于现有数字孪生技术建立等同设备的数字孪生体；识别各检测异常记录中对应的磁共振图像，标记为异常图像；

模拟各种环境数据和患者行为，应用数字孪生体在模拟条件下进行对应异常图像的分析，确定生成异常图像需要的环境条件和患者行为；模拟中的患者模型按照对应的检测结果进行设置的；根据确定的环境条件和患者行为确定该异常图像对应的影响因素；

将获得的各影响因素进行去重，获得等同设备具有的各影响因素。

通过建立数字孪生体进行模拟，降低因为过多的模拟次数而降低等同设备的使用寿命；同时可以为后续的数据分析提供支持。

步骤三：获取目标设备生成的磁共振图像，识别磁共振图像的目标环境数据，基于识别的目标环境数据和因素库确定磁共振图像对应因素干扰项；

目标环境数据指的是在目标设备检测生成磁共振图像时对应的周边环境数据和患者行为数据；通过在目标设备对应的空间内设置对应的采集设备、传感器等进行目标环境数据的采集；或者对应相应的监控也可。

因素干扰项的确定方法包括：

将识别的目标环境数据输入到因素库中进行匹配，获得对应的因素项，将匹配的因素项标记为因素干扰项；基于各因素干扰项从目标环境数据中提取各因素干扰项对应的干扰环境数据。

步骤四：获取各因素干扰项的干扰环境数据，根据获得的干扰环境数据确定各类型伪影的概率值；

根据获得的干扰环境数据确定各类型伪影的概率值的方法包括：

识别具有的各种类型的伪影，标记各类型伪影对应的因素项，根据各类型伪影对应的因素项确定各类型伪影对应的因素干扰项组合；

根据因素干扰项组合确定对应类型伪影的概率分析数据，即因素干扰项组合中各因素干扰项对应的干扰环境数据的组合；

对获得的概率分析数据进行分析，确定该类型伪影各因素项对应的单项概率值。

对获得的概率分析数据进行分析的方法包括：

获取各因素干扰项组合的大量的历史概率分析数据，根据获得的历史概率分析数据建立对应的异常识别模型，异常识别模型是基于孤立森林算法进行建立的，表达式为；式中：xi为输入数据，为概率分析数据中各因素项数据，i=1、2、……、n，n为正整数；输出为各因素项的异常值yi，yi=Y(xi)，i=1、2、……、n，n为正整数。

通过建立的异常识别模型对概率分析数据进行分析获得概率分析数据中各因素项对应的异常值，整合为异常集合；

根据历史概率分析数据统计不同异常集合在对应检测项目下对应的各类型伪影的发生概率，做平均统计，作为该等同设备在该异常集合下的发生概率，进行整合为异常匹配表；

将获得的异常集合输入到异常匹配表中进行匹配，获得各类型伪影的发生概率，标记为对应的概率值。

步骤五：根据确定的各类型伪影的概率值对磁共振图像进行伪影预标记，对标记后的磁共振图像进行分割。

进行伪影预标记的方法包括：

识别各类型伪影的概率值，将概率值低于阈值X1的类型伪影标记为目标伪影；根据目标伪影对磁共振图像进行识别，确定磁共振图像中的目标伪影，对确定的磁共振图像中的目标伪影进行标记。

即在确定目标伪影的前提下进行识别分析，具体的识别过程可以根据现有的图像识别技术进行识别，如可以如上述结果识别模型的建立方式进行建立相应的智能模型。

进一步地，对标记后的磁共振图像进行分割的方法包括：

识别所述目标设备对各所述检测项对应的图像分割算法；基于预设的数字孪生对各类型伪影下的图像分割算法进行模拟调整，即通过技术人员对图像分割算法进行调整后，利用上述建立的数字孪生体进行模拟；获得对应的算法模拟调整数据，包括该调整后图像分割算法的分割结果，分割结果包括符合要求对应的合格率，选择若干次调整模拟后的合格率大于阈值X2的合格率最高的调整后的图像分割算法为对应类型伪影下的目标算法；进行整合为目标算法库。

识别磁共振图像中标记的类型伪影，根据识别的类型伪影从目标算法库中匹配对应的目标算法，根据获得的目标算法对磁共振图像进行分割。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (9)

1.一种磁共振图像自动分割方法，其特征在于，方法包括：

步骤一：确定目标设备具有的各检测项，并识别各所述检测项对应的图像分割算法；

步骤二：对所述目标设备的运行环境进行分析，确定所述目标设备的因素库；

步骤三：获取所述目标设备生成的磁共振图像，识别所述磁共振图像的目标环境数据，基于识别的所述目标环境数据和所述因素库确定所述磁共振图像对应因素干扰项；

步骤四：获取各所述因素干扰项的干扰环境数据，根据获得的干扰环境数据确定各类型伪影的概率值；

步骤五：根据确定的各类型伪影的概率值对磁共振图像进行伪影预标记，对标记后的磁共振图像进行分割；

进行伪影预标记的方法包括：

识别各类型伪影的概率值，将概率值低于阈值X1的类型伪影标记为目标伪影；根据目标伪影对所述磁共振图像进行识别，确定所述磁共振图像中的目标伪影，对确定所述目标伪影在所述磁共振图像中进行标记；

对标记后的磁共振图像进行分割的方法包括：

识别所述目标设备对各所述检测项对应的图像分割算法；基于预设的数字孪生对各类型伪影下的图像分割算法进行模拟调整，获得对应的算法模拟调整数据，选择若干次调整模拟后的合格率大于阈值X2的合格率最高的调整后的图像分割算法为对应类型伪影下的目标算法；进行整合为目标算法库；

识别所述磁共振图像中标记的类型伪影，根据识别的所述类型伪影从所述目标算法库中匹配对应的目标算法，根据获得的所述目标算法对所述磁共振图像进行分割。

2.根据权利要求1所述的一种磁共振图像自动分割方法，其特征在于，对目标设备的运行环境进行分析的方法包括：

确定目标设备的等同设备，获取所述等同设备的历史检测数据；识别所述历史检测数据中具有的各检测异常记录，根据获得的所述检测异常记录确定所述等同设备具有的各种影响因素，整合为所述目标设备的因素库。

3.根据权利要求2所述的一种磁共振图像自动分割方法，其特征在于，识别历史检测数据中具有的各检测异常记录的方法包括：

步骤SA1：定义第一记录范围，基于所述第一记录范围识别所述历史检测数据中的第一记录；

步骤SA2：根据各所述第一记录确定所述历史检测数据中的筛选数据，识别筛选数据中各检测记录对应的检测结果；

步骤SA3：根据获得的所述检测结果对对应的检测记录进行分析，确定对应的异常检测结果，根据获得的异常检测结果确定对应的第二记录；

步骤SA4：将第一记录和第二记录整合标记为检测异常记录。

4.根据权利要求3所述的一种磁共振图像自动分割方法，其特征在于，异常检测结果的确定方法包括：

识别所述检测记录中对应的磁共振图像，基于所述检测结果对磁共振图像进行识别，判断所述检测结果与所述磁共振图像是否相匹配；

当判断所述检测结果与所述磁共振图像相匹配时，输出的异常检测结果为检测正常；

当所述判断检测结果与所述磁共振图像不匹配时，输出的异常检测结果为检测异常。

5.根据权利要求4所述的一种磁共振图像自动分割方法，其特征在于，等同设备的影响因素的确定方法包括：

基于数字孪生技术建立所述等同设备的数字孪生体；识别各所述检测异常记录中对应的磁共振图像，标记为异常图像；

模拟各种环境数据和患者行为，应用所述数字孪生体在模拟条件下对异常图像进行分析，确定生成所述异常图像需要的环境条件和患者行为；根据确定的所述环境条件和所述患者行为确定所述异常图像对应的影响因素；

将获得的各所述影响因素进行去重，获得等同设备具有的各影响因素。

6.根据权利要求1所述的一种磁共振图像自动分割方法，其特征在于，因素干扰项的确定方法包括：

将识别的所述目标环境数据输入到所述因素库中进行匹配，获得对应的因素项，将匹配的所述因素项标记为因素干扰项；

从所述目标环境数据中提取各所述因素干扰项对应的干扰环境数据。

7.根据权利要求1所述的一种磁共振图像自动分割方法，其特征在于，根据获得的干扰环境数据确定各类型伪影的概率值的方法包括：

识别具有的各类型伪影，标记各所述类型伪影对应的因素项，根据各所述类型伪影对应的因素项确定各类型伪影对应的因素干扰项组合；

根据所述因素干扰项组合确定对应类型伪影的概率分析数据；

对获得的所述概率分析数据进行分析，确定各所述类型伪影对应的概率值。

8.根据权利要求7所述的一种磁共振图像自动分割方法，其特征在于，对概率分析数据进行分析的方法：

获取各因素干扰项组合的获取对应的历史概率分析数据，基于所述历史概率分析数据和孤立森林算法建立对应的异常识别模型；

根据设置的所述异常识别模型对所述概率分析数据进行分析，获得各因素项对应的异常值，将各因素项对应的异常值整合为异常集合；

根据所述历史概率分析数据统计各所述异常集合对应的各类型伪影的发生概率，整合为异常匹配表；

将获得的所述异常集合输入到所述异常匹配表中进行匹配，获得各类型伪影的发生概率，标记为对应的概率值。

9.根据权利要求8所述的一种磁共振图像自动分割方法，其特征在于，异常识别模型的表达式为：；

式中：xi为输入数据，表示概率分析数据中各因素项对应的因素项数据，i=1、2、……、n，n为正整数；输出为各因素项的异常值yi，yi=Y(xi)，i=1、2、……、n，n为正整数。