WO2020019757A1 - 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 - Google Patents

一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 Download PDF

Info

Publication number
WO2020019757A1
WO2020019757A1 PCT/CN2019/081924 CN2019081924W WO2020019757A1 WO 2020019757 A1 WO2020019757 A1 WO 2020019757A1 CN 2019081924 W CN2019081924 W CN 2019081924W WO 2020019757 A1 WO2020019757 A1 WO 2020019757A1
Authority
WO
WIPO (PCT)
Prior art keywords
magnetic resonance
resonance image
plaques
plaque
image
Prior art date
Application number
PCT/CN2019/081924
Other languages
English (en)
French (fr)
Inventor
郑海荣
刘新
胡战利
张娜
梁栋
杨永峰
Original Assignee
深圳先进技术研究院
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 深圳先进技术研究院 filed Critical 深圳先进技术研究院
Publication of WO2020019757A1 publication Critical patent/WO2020019757A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • G06T2207/30—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)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法，其包括有如下步骤：步骤S1，获取用户的血管壁磁共振图像；步骤S2，对血管壁磁共振图像进行预处理，得到预处理图像；步骤S3，通过预先训练的卷积神经网络模型对该预处理图像中预设的斑块区域进行分割；步骤S4，输出与所述血管壁磁共振图像相对应的斑块组织区域分割图像。本发明提高了对血管壁磁共振图像进行斑块分割的精确度，进而获得高精度的分割图像，有助于提高诊断效率以及提高手术的安全程度。

Description

一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 技术领域
本发明涉及磁共振图像处理方法，尤其涉及一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法。
背景技术
脑卒中是我国死亡率和致残率最高的疾病，已成为我国医疗支出和社会家庭的严重负担。脑卒中包括出血性脑卒中和缺血性脑卒中两种，我国脑卒中以缺血性脑卒中为主，占全部脑卒中病例的79％，而且有增加趋势。研究表明，动脉粥样硬化斑块破裂引发血栓形成是缺血性脑卒中的主要发病机制，其中罪犯斑块46.6％来源于颅内动脉，27.9％来源于颈动脉，其余则主要来源于心脏和胸主动脉。因此，及时发现脑卒中相关血管床，包括颅内动脉、颈动脉和胸主动脉的易损斑块或其他管壁病变是缺血性脑卒中早期预防和精准治疗的关键。
磁共振成像是目前唯一能够清晰显示全身动脉粥样硬化斑块的无创性成像方法。由于斑块发生在血管壁内，磁共振必须采用一种称为血管壁成像或黑血成像的方法，通过特殊技术，把血管腔内的血流信号以及血管周围的脑脊液或脂肪信号彻底抑制，才能清晰显示血管壁或斑块的形态结构。磁共振血管壁成像不仅可以对颅内动脉、颈动脉和主动脉等全身血管斑块进行定量分析，也能够准确识别易损斑块的纤维帽、出血、钙化、脂质核、炎症等不稳定性特征，是目前公认最好的斑块成像方法。
但是，由于三维高分辨磁共振血管壁成像的数据量巨大，每位检查者的图 像可达到500幅，有经验的专业医生需要花费30分钟才能完成一名检查者的诊断，导致工作效率低下。而且在斑块人工智能诊断方面，目前研究方向主要集中于颈动脉和冠状动脉斑块，通过手动重建、配准、分割及标记的方式，完成输入样前处理工作。然而，颅内动脉管径细小(1-2mm)、形态卷绕的解剖特征，对颅内斑块的图形分析以及处理造成很大困难。此外，深度学习网络需要数以万计的数据量进行训练，而且其感兴趣区域通常是不规则、大小不一的，难以实现准确识别与分割。
发明内容
本发明要解决的技术问题在于，针对现有技术的不足，提供一种有助于对血管壁斑块进行全面、精确的影像评估，有助于提高诊断效率的磁共振图像的颅内斑块和颈动脉斑块智能分割方法。
为解决上述技术问题，本发明采用如下技术方案。
一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法，其包括有如下步骤：步骤S1，获取用户的血管壁磁共振图像；步骤S2，对血管壁磁共振图像进行预处理，得到预处理图像；步骤S3，通过预先训练的卷积神经网络模型对该预处理图像中预设的斑块区域进行分割；步骤S4，输出与所述血管壁磁共振图像相对应的斑块组织区域分割图像。
优选地，所述步骤S2的预处理过程中，将多幅血管壁磁共振图像设置为相同尺寸。
优选地，所述步骤S2的预处理过程中，采用手动方式勾勒出全部血管壁磁共振图像中的斑块位置。
优选地，利用ITK-SNAP软件对全部血管壁磁共振图像中的斑块位置进行 手动勾勒，并将原始血管壁磁共振图像和勾勒后的血管壁磁共振图像分别保存。
优选地，所述步骤S3的分割过程中，包括由上至下层级设置的多个压缩抽取特征层，每个压缩抽取特征层对应设有解压缩层，所述压缩抽取特征层用于对原始血管壁磁共振图像进行特征提取，将所提取的特征保存并传递到下一压缩抽取特征层和相对应的解压缩层。
优选地，所述卷积神经网络模型利用ELU激活函数
Figure PCTCN2019081924-appb-000001
进行网络训练。
本发明公开的磁共振图像的颅内斑块和颈动脉斑块智能分割方法中，当系统接收到血管壁磁共振图像的分割请求时，获取用户输入的血管壁磁共振图像，对获取到的血管壁磁共振图像进行预处理，得到对应的预处理图像，再通过预先训练好的卷积神经网络模型对该预处理图像中预设的斑块区域进行分割，得到血管壁磁共振图像所对应的斑块组织区域分割图像，从而提高了对血管壁磁共振图像进行斑块分割的精确度，进而获得高精度的分割图像，有助于提高诊断效率以及提高手术的安全程度。
附图说明
图1为本发明颅内斑块和颈动脉斑块智能分割方法的流程图。
图2为分割算法的网络架构图。
具体实施方式
下面结合附图和实施例对本发明作更加详细的描述。
本发明公开了一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法，请参照图1，其包括有如下步骤：
步骤S1，获取用户的血管壁磁共振图像；
步骤S2，对血管壁磁共振图像进行预处理，得到预处理图像；
步骤S3，通过预先训练的卷积神经网络模型对该预处理图像中预设的斑块区域进行分割；
步骤S4，输出与所述血管壁磁共振图像相对应的斑块组织区域分割图像。
上述方法中，当系统接收到血管壁磁共振(MRI)图像的分割请求时，获取用户输入的血管壁磁共振图像，对获取到的血管壁磁共振图像进行预处理，得到对应的预处理图像，再通过预先训练好的卷积神经网络模型(V-Net架构)对该预处理图像中预设的斑块区域进行分割，得到血管壁磁共振图像所对应的斑块组织区域分割图像，从而提高了对血管壁磁共振图像进行斑块分割的精确度，进而获得高精度的分割图像，有助于提高诊断效率以及提高手术的安全程度。
本实施例中，所述步骤S2的预处理过程中，将多幅血管壁磁共振图像设置为相同尺寸。其中，由于输入V-Net的图像尺寸要求必须相同，而系统采集的图像有132*176和176*132两种，对此，需要在数据输入网络模型之前进行上述尺寸归一化操作。
作为一种优选方式，所述步骤S2的预处理过程中，采用手动方式勾勒出全部血管壁磁共振图像中的斑块位置。
进一步地，利用ITK-SNAP软件对全部血管壁磁共振图像中的斑块位置进行手动勾勒，并将原始血管壁磁共振图像和勾勒后的血管壁磁共振图像分别保存。
请参照图2，所述步骤S3的分割过程中，包括由上至下层级设置的多个压缩抽取特征层，每个压缩抽取特征层对应设有解压缩层，所述压缩抽取特征 层用于对原始血管壁磁共振图像进行特征提取，将所提取的特征保存并传递到下一压缩抽取特征层和相对应的解压缩层。
本实施例采用了一种端到端的图像分割方法，即输入输出为同维度的图片。请参照图2，整个框图分为左右两部分，左侧用于执行压缩抽取特征，右侧用于执行解压缩恢复图像，左侧每一层都能对原始输入图像做了特征的提取，并且每一层都将所提取的特征保存下来并传递到下一层和相对应的解压缩层，其中，传递到下一层的目的是为了提取更深层的特征信息，传递到相对应解压缩层的目的是为了更精准的恢复图像。
所述步骤S3的卷积神经网络模型中，详细的模型参数参见下表：
Figure PCTCN2019081924-appb-000002
其中，kernel size表示所使用的卷积核的大小，stride为卷积时采用的步长。
作为一种优选方式，所述卷积神经网络模型利用ELU激活函数
Figure PCTCN2019081924-appb-000003
进行网络训练。
上述网络训练过程中，优选采用了ELU激活函数，相比现有常用的ReLu激活函数而言，ELU激活函数具有负值，可以满足零均值化的要求，同时其赋值变化比较平缓，可以使得网络训练的更加顺畅。
本发明公开的磁共振图像的颅内斑块和颈动脉斑块智能分割方法，其采用磁共振图像对缺血性脑卒中相关血管床斑块进行全面、精确的影像评估，并利用人工智能进行快速准确诊断，对脑卒中高危人群筛查和病因探查防止再发具有十分重要的意义。
以上所述只是本发明较佳的实施例，并不用于限制本发明，凡在本发明的技术范围内所做的修改、等同替换或者改进等，均应包含在本发明所保护的范围内。

Claims (6)

  1. 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法，其特征在于，包括有如下步骤：
    步骤S1，获取用户的血管壁磁共振图像；
    步骤S2，对血管壁磁共振图像进行预处理，得到预处理图像；
    步骤S3，通过预先训练的卷积神经网络模型对该预处理图像中预设的斑块区域进行分割；
    步骤S4，输出与所述血管壁磁共振图像相对应的斑块组织区域分割图像。
  2. 如权利要求1所述的磁共振图像的颅内斑块和颈动脉斑块智能分割方法，其特征在于，所述步骤S2的预处理过程中，将多幅血管壁磁共振图像设置为相同尺寸。
  3. 如权利要求1所述的磁共振图像的颅内斑块和颈动脉斑块智能分割方法，其特征在于，所述步骤S2的预处理过程中，采用手动方式勾勒出全部血管壁磁共振图像中的斑块位置。
  4. 如权利要求3所述的磁共振图像的颅内斑块和颈动脉斑块智能分割方法，其特征在于，利用ITK-SNAP软件对全部血管壁磁共振图像中的斑块位置进行手动勾勒，并将原始血管壁磁共振图像和勾勒后的血管壁磁共振图像分别保存。
  5. 如权利要求1所述的磁共振图像的颅内斑块和颈动脉斑块智能分割方法，其特征在于，所述步骤S3的分割过程中，包括由上至下层级设置的多个压缩抽取特征层，每个压缩抽取特征层对应设有解压缩层，所述压缩抽取特征层用于对原始血管壁磁共振图像进行特征提取，将所提取的特征保存并传递到下一压缩抽取特征层和相对应的解压缩层。
  6. 如权利要求1所述的磁共振图像的颅内斑块和颈动脉斑块智能分割方法，其特征在于，所述卷积神经网络模型利用ELU激活函数
    Figure PCTCN2019081924-appb-100001
    进行网络训练。
PCT/CN2019/081924 2018-07-24 2019-04-09 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 WO2020019757A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810818059.XA CN108932720A (zh) 2018-07-24 2018-07-24 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法
CN201810818059.X 2018-07-24

Publications (1)

Publication Number Publication Date
WO2020019757A1 true WO2020019757A1 (zh) 2020-01-30

Family

ID=64444133

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/081924 WO2020019757A1 (zh) 2018-07-24 2019-04-09 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法

Country Status (2)

Country Link
CN (1) CN108932720A (zh)
WO (1) WO2020019757A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115187A (zh) * 2023-10-24 2023-11-24 北京联影智能影像技术研究院 颈动脉壁分割方法、装置、计算机设备和存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932720A (zh) * 2018-07-24 2018-12-04 深圳先进技术研究院 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法
CN111598891B (zh) * 2019-02-20 2023-08-08 深圳先进技术研究院 斑块稳定性的识别方法、装置、设备及存储介质
CN109859205B (zh) * 2019-02-22 2021-03-19 数坤（北京）网络科技有限公司 一种斑块检测方法及斑块检测设备
CN109919935B (zh) * 2019-03-12 2021-02-09 语坤（北京）网络科技有限公司 一种头颈体血管分割方法及设备
CN110163872A (zh) * 2019-05-14 2019-08-23 西南科技大学 一种hrmr图像分割与三维重建的方法及电子设备
CN111667478B (zh) * 2020-06-10 2023-04-07 复影(上海)医疗科技有限公司 Cta到mra跨模态预测的颈动脉斑块识别方法及系统
CN114882017B (zh) * 2022-06-30 2022-10-28 中国科学院大学 基于颅内动脉图像的薄纤维帽斑块检测的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794708A (zh) * 2015-04-10 2015-07-22 浙江工业大学 一种基于多特征学习的动脉粥样硬化斑块成分分割方法
CN106296699A (zh) * 2016-08-16 2017-01-04 电子科技大学 基于深度神经网络和多模态mri图像的脑肿瘤分割方法
CN106600571A (zh) * 2016-11-07 2017-04-26 中国科学院自动化研究所 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法
CN107220980A (zh) * 2017-05-25 2017-09-29 重庆理工大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN108932720A (zh) * 2018-07-24 2018-12-04 深圳先进技术研究院 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9947102B2 (en) * 2016-08-26 2018-04-17 Elekta, Inc. Image segmentation using neural network method
CN107730497B (zh) * 2017-10-27 2021-09-10 哈尔滨工业大学 一种基于深度迁移学习的血管内斑块属性分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794708A (zh) * 2015-04-10 2015-07-22 浙江工业大学 一种基于多特征学习的动脉粥样硬化斑块成分分割方法
CN106296699A (zh) * 2016-08-16 2017-01-04 电子科技大学 基于深度神经网络和多模态mri图像的脑肿瘤分割方法
CN106600571A (zh) * 2016-11-07 2017-04-26 中国科学院自动化研究所 融合全卷积神经网络和条件随机场的脑肿瘤自动分割方法
CN107220980A (zh) * 2017-05-25 2017-09-29 重庆理工大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN108932720A (zh) * 2018-07-24 2018-12-04 深圳先进技术研究院 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115187A (zh) * 2023-10-24 2023-11-24 北京联影智能影像技术研究院 颈动脉壁分割方法、装置、计算机设备和存储介质
CN117115187B (zh) * 2023-10-24 2024-02-09 北京联影智能影像技术研究院 颈动脉壁分割方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN108932720A (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
WO2020019757A1 (zh) 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法
Li et al. Dual encoder-based dynamic-channel graph convolutional network with edge enhancement for retinal vessel segmentation
Tabassum et al. CDED-Net: Joint segmentation of optic disc and optic cup for glaucoma screening
Rajinikanth et al. An approach to examine magnetic resonance angiography based on Tsallis entropy and deformable snake model
CN109472781B (zh) 一种基于串行结构分割的糖尿病视网膜病变检测系统
Liu et al. Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window
CN108618749B (zh) 基于便携式数字化眼底照相机的视网膜血管三维重建方法
Zhou et al. Identifying cardiomegaly in ChestX-ray8 using transfer learning
WO2022105647A1 (zh) 一种颅内血管造影增强三维模型的建立方法
CN112348785B (zh) 一种癫痫病灶定位方法及系统
Yang et al. A deep learning segmentation approach in free-breathing real-time cardiac magnetic resonance imaging
Fan et al. An automatic estimation of arterial input function based on multi-stream 3D CNN
WO2020019739A1 (zh) 血管壁斑块分割方法、装置及计算机可读存储介质
Constantinides et al. Semi-automated cardiac segmentation on cine magnetic resonance images using GVF-Snake deformable models
CN113643353B (zh) 眼底图像的血管管径的增强分辨率的测量方法
Ciurte et al. A semi-supervised patch-based approach for segmentation of fetal ultrasound imaging
CN113592879A (zh) 基于人工智能的颈动脉斑块分割方法、装置及存储介质
CN105869151B (zh) 舌分割及舌苔舌质分离方法
CN112562058B (zh) 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
JP6735340B2 (ja) 核医学画像からの生理的集積の自動除去及びｃｔ画像の自動セグメンテーション
WO2019044077A1 (ja) 医用画像処理装置、方法およびプログラム
CN111862095A (zh) 根据内镜白光图像预测生成nbi图像的卷积神经网络模型及其构建方法和应用
Zhao et al. Automated coronary tree segmentation for x-ray angiography sequences using fully-convolutional neural networks
KR20210016863A (ko) 초음파 영상 기반의 기계 학습을 통한 취약성 죽상반 진단 시스템 및 이의 진단 방법
Lin Complexion classification based on convolutional neural network

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19841495

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 12.05.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19841495

Country of ref document: EP

Kind code of ref document: A1