CN107292257A - 基于深度学习的身体部位自动识别磁共振扫描方法与装置 - Google Patents
基于深度学习的身体部位自动识别磁共振扫描方法与装置 Download PDFInfo
- Publication number
- CN107292257A CN107292257A CN201710447366.7A CN201710447366A CN107292257A CN 107292257 A CN107292257 A CN 107292257A CN 201710447366 A CN201710447366 A CN 201710447366A CN 107292257 A CN107292257 A CN 107292257A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- image data
- data
- resonance image
- body part
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及基于深度学习的身体部位自动识别磁共振扫描方法与装置,属于磁共振成像技术领域。所述方法包括以下步骤:利用线下的身体不同部位的磁共振图像数据集来训练初始网络模型,习得一个自动识别身体部位的最优网络模型作为分类器;利用习得的分类器,对线上磁共振扫描身体部位的数据进行识别,得到分类结果;以及根据识别到的部位自动设置磁共振扫描序列,根据获得的分类结果,自动调用磁共振扫描序列,完成对待扫部位的扫描过程。本发明省去了繁复定位及参数设置时间,减少了因操作失误而导致的重复扫描,提高了工作效率,具有较高的实用价值。
Description
技术领域
本发明涉及磁共振成像技术领域,尤其涉及基于深度学习的身体部位自动识别磁共振扫描方法与装置。
背景技术
在磁共振成像过程中,扫描定位是一个基本操作,精准和一致的定位在实际临床研究中有着非常重要的作用。我们身体各部位结构复杂,临床诊断需要查看大量的磁共振图像数据,工作量大,因而精准的身体不同部位的识别扫描,既有助于帮助诊断者快速识别定位扫描区域,更加熟悉身体各部位的解剖结构,积累经验,同时还可以有效提高磁共振图像数据的使用率。
目前,人工智能快速发展,利用深度学习技术解决图像识别、语音识别等问题是当前的一个热点,且在自然图像识别取得了很好的成绩。如卷积神经网络(ConvolutionNeural Networks,CNN)的成功应用,CNN是一种带有卷积结构的深度神经网络,它一般包括卷积层、池化层、激活层、全连接层。之后,随着算法的不断提升,硬件能力提升和海量的数据,深度学习应用于图像识别不但大大提高了准确性,且提高了在线计算效率。
然而,目前磁共振扫描身体部位的识别都是通过人的肉眼识别,且线下海量的不同身体部位数据没有得到充分地利用,另外操作繁琐,失误率高。于2016年04月28日申请的,名称为“一种磁共振数据采集方法及磁共振成像***”的中国专利CN201610278139.1,虽然在一些方面有了一些改进,但是还存在效率、精准率等方面不能满足需要的缺陷。因而,需要开发一种新的技术来克服这些缺陷。
发明内容
基于深度学习在自然图像上成功应用,针对现有技术中的上述不足,本发明提出了基于深度学习的身体部位自动识别磁共振扫描方法与装置。
具体而言,本发明提出了一种基于深度学习的身体部位自动识别磁共振扫描方法,其包括以下步骤:S1)利用线下的身体不同部位的磁共振图像数据集来训练初始网络模型,习得自动识别身体部位的最优网络模型作为分类器;S2)利用在S1)中习得的分类器,对线上磁共振扫描身体部位的数据进行识别,得到分类结果;以及S3)根据识别到的部位自动设置磁共振扫描序列,根据在S2)中获得的分类结果,自动调用磁共振扫描序列,完成对待扫部位的扫描过程。
在本发明的所述方法的一个具体实施方案中,所述步骤S1)包括以下步骤:S11)收集身体不同部位的磁共振图像数据集,将收集到的磁共振图像数据集中的部分数据进行标记作为标签集,将所述部分数据作为校验集,将磁共振图像数据集中的其它数据作为训练集;S12)对所述磁共振图像数据进行归一化处理;S13)创建包括逐层连接的输入层、若干个隐含层和输出层的初始网络模型,在所述输入层输入经归一化的所述训练集中的数据,将在网络模型上正向传播输出的结果与所述标签集中的数据进行误差测量,根据误差测量结果调节网络模型,确定最优网络模型作为分类器。
在本发明的所述方法的另一具体实施方案中,在步骤S11)中,所述标签集包括磁共振图像数据集中的所有身体不同部位的数据,用标签集中的标签标记身体不同部位,所述校验集中的数据数量小于所述训练集中的数据数量。
在本发明的所述方法的另一具体实施方案中,将收集到的涉及一个身体部位的M个磁共振图像数据中的ML个部分磁共振图像数据进行标记以作为标签集,其中,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的10%,或小于该总数量M的5%,或小于该总数量M的1%。在一些实施例中,将收集到的涉及另一身体部位的N个磁共振图像数据中的NL个部分磁共振图像数据进行标记以作为标签集,其中,涉及所述另一身体部位的所述部分磁共振图像数据的数量NL占磁共振图像数据总数量N的比例等于或不同于涉及所述一个身体部位的所述部分磁共振图像数据的数量ML占磁共振图像数据总数量M的比例。在本发明的所述方法的另一具体实施方案中,在步骤S13)中,确定最优网络模型是通过利用反向传播和梯度下降法调节整个网络模型的超参数以获得最终超参数,利用所述最终超参数建立最优网络模型作为分类器。
在本发明的所述方法的另一具体实施方案中,在所述步骤S2)中,在利用分类器对线上磁共振扫描身体不同部位的数据进行识别之前,对数据进行归一化处理。在一些实施例中,所述归一化处理是对图像分辨率、感兴趣视野尺寸和图像角度进行统一。
本发明还提供了一种计算机可读介质,该计算机可读介质具有存储在其中的程序,该程序是计算机可执行的以使计算机执行前述步骤的处理。
本发明还提出了一种基于深度学习的身体部位自动识别磁共振扫描装置,其包括:线下训练分类器模块,其利用线下的身体不同部位的磁共振图像数据集来训练初始网络模型,习得自动识别身体部位的最优网络模型作为分类器;线上部位自动识别模块,其利用在所述线下训练分类器模块中习得的分类器,对线上磁共振扫描身体部位的数据进行识别,得到分类结果;以及自动设置扫描序列模块,其根据识别到的部位自动设置磁共振扫描序列,根据在所述线上部位自动识别模块中获得的分类结果,自动调用磁共振扫描序列,完成对待扫部位的扫描过程。
在本发明的所述装置的一些具体实施方案中,所述线下训练分类器模块还包括:数据准备模块,其配置成收集身体不同部位的磁共振图像数据集,将收集到的磁共振图像数据集中的部分数据进行标记作为标签集,将所述部分数据作为校验集,将磁共振图像数据集中的其它数据作为训练集;数据预处理模块,其配置成对所述磁共振图像数据进行归一化处理;有监督学习模块,其配置成其配置成创建包括逐层连接的输入层、若干个隐含层和输出层的初始网络模型,在所述输入层输入经归一化的所述训练集中的数据,将在网络模型上正向传播输出的结果与所述标签集中的数据进行误差测量,根据误差测量结果调节网络模型,确定最优网络模型作为分类器。
在本发明的所述装置的另一具体实施方案中,所述数据准备模块中的所述标签集包括磁共振图像数据集中的所有身体不同部位的数据,用标签集中的标签标记身体不同部位,所述校验集中的数据数量小于所述训练集中的数据数量。
在本发明的所述装置的一些具体实施方案中,将收集到的涉及一个身体部位的M个磁共振图像数据中的ML个部分磁共振图像数据进行标记以作为标签集,其中,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的10%,或小于该总数量M的5%,或小于该总数量M的1%。在一些实施例中,将收集到的涉及另一身体部位的N个磁共振图像数据中的NL个部分磁共振图像数据进行标记以作为标签集,其中,涉及所述另一身体部位的所述部分磁共振图像数据的数量NL占磁共振图像数据总数量N的比例等于或不同于涉及所述一个身体部位的所述部分磁共振图像数据的数量ML占磁共振图像数据总数量M的比例。
在本发明的所述装置的另一具体实施方案中,在所述有监督学习模块中,确定最优网络模型是通过利用反向传播和梯度下降法调节整个网络模型的超参数以获得最终超参数,利用所述最终超参数建立最优网络模型作为分类器。
在本发明的所述装置的另一具体实施方案中,所述线上部位自动识别模块包括:数据预处理模块,在利用分类器对线上磁共振扫描身体不同部位的数据进行识别之前,对数据进行归一化处理。在一些实施例中,所述归一化处理是对图像分辨率、感兴趣视野尺寸和图像角度进行统一。
本发明的基于深度学习的身体部位自动识别磁共振扫描方法与装置能够充分利用线下海量不同身体部位的数据学习分类网络,从而自动识别线上不同身体部位,并提高不同身体部位识别的准确性,它使扫描不再依赖操作者肉眼识别身体部位,从而实现自动化扫描,省去繁复定位及参数设置时间,减少因操作失误而导致的重复扫描,提高工作效率。
附图说明
图1是本发明的基于深度学习的身体部位自动识别磁共振扫描方法的流程图;
图2是图1中的步骤S1的一个示例性流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行说明。在下文所描述的本发明的具体实施方式中,为了能更好地理解本发明而描述了一些很具体的技术特征,但显而易见的是,对于本领域的技术人员来说,并不是所有的这些技术特征都是实现本发明的必要技术特征。下文所描述的本发明的一些具体实施方式只是本发明的一些示例性的具体实施方式,其不应被视为对本发明的限制。
本发明的基于深度学习的身体部位自动识别磁共振扫描方法是利用线下数据学习分类识别网络来提高识别的准确性并缩短识别时间。在一个实施例中,如图1所示,提供了一种基于深度学习的身体部位自动识别磁共振扫描方法,其具体包括:
步骤S1:利用线下的身体不同部位的磁共振图像数据集来训练初始网络模型,习得自动识别身体部位的最优网络模型作为分类器。
图2中示出了步骤S1的一个示例性流程图,其包括以下步骤:
(1)数据准备
在该步骤中,收集身体不同部位的磁共振图像数据,基于收集到的磁共振图像数据来创建标签集、校验集和训练集。
为使所求得的网络模型更加准确,优选大量地收集涉及身体不同部位的磁共振图像数据,例如,该图像数据可以涉及包括但不限于颅脑、耳鼻咽喉、颈部、心肺、肝脾、胆肾、四肢关节、脊柱、外周血管等具体部位的图像。更优选的是,对于身体部位中的一个具体部位,例如颈部,所收集的磁共振图像数据可以包括大量的涉及该具体部位的不同扫描角度所得的图像数据。
利用收集到的磁共振图像数据来创建标签集、校验集和训练集。例如,在一个实施例中,可以将收集到的磁共振图像数据集中的部分数据进行标记,作为标签集,该标签集包括磁共振图像数据集中所有身体不同部位的数据,且用标签标记身体不同部位,所述部分数据作为校验集,剩余数据作为训练集。
优选的是,所述部分数据(校验集)的数量远远小于剩余数据(训练集)的数量。例如,在一些实施例中,所述部分数据的数量可以是所收集到的磁共振图像数据总量的10%以下、或5%以下、或1%以下。
更具体而言,针对某一具体部位,以颈部为例,可以对收集到的磁共振图像数据集中的M个颈部磁共振图像数据中的ML个部分颈部磁共振图像数据进行标记以作为标签集,其余的MR个颈部磁共振图像数据作为训练集。
在一些实施例中,被选作标签集的部分颈部磁共振图像数据的个数可以小于所有颈部磁共振图像数据总量的10%、或小于该颈部磁共振图像数据总量的5%、或小于该颈部磁共振图像数据总量的1%。
对于不同的具体部位,以颈部和肺部为例,可以将收集到的M个颈部磁共振图像数据中的ML个部分颈部磁共振图像数据进行标记以作为标签集,而将收集到的N个肺部磁共振图像数据中的NL个部分肺部磁共振图像数据进行标记以作为标签集。
其中,被选作标签集的部分颈部磁共振图像数据的个数占所有颈部磁共振图像数据总量的比例(ML/M)和被选作标签集的部分头部磁共振图像数据的个数占所有头部磁共振图像数据总量的比例(NL/N)可以相同,也可以不同。
(2)数据预处理
在进行网络训练之前,对收集到的磁共振图像数据进行归一化处理,以提高网络训练的效率。
图像数据的基本归一化思想是利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响。也就是转换成唯一的标准形式以抵抗仿射变换。图像归一化使得图像可以抵抗几何变换的攻击,能够找出图像中的那些不变量,有利于后续的网络训练。
在一个实施例中,归一化处理方法可以采用例如对图像进行分辨率、感兴趣视野尺寸和图像角度的统一。
例如,对于不同分辨率的特征块图像,可以归一化为同一分辨率图像,即经归一化后的特征块图像将具有相同分辨率。
(3)有监督学习
创建包括逐层连接的输入层、若干个隐含层和输出层的初始网络模型,在所述输入层输入经归一化的所述训练集中的数据进行正向传播。正向传播的过程是利用深度学习网络对输入数据进行高层特征的提取,逐层进行训练,第一层的输出作为第二层的输入,依此类推。
例如,将该深度学习的初始网络模型设定为包含L个隐含层。在训练开始时,将预处理后(经归一化后)的训练集数据作为输入在网络模型上进行正向传播。通过正向传播,将输入数据从输入层经过隐含层一层一层进行处理,第L个隐含层后还设有输出层,经特征提取后的数据将被送至该输出层。
接着,将在网络模型上正向传播输出的结果与所述标签集中的数据进行比较,根据比较结果调节网络模型直至确定最优网络模型,将该最优网络模型作为分类器。
在一个实施例中,可以将在网络模型上正向传播的输出结果与所述标签集中的数据测量误差,利用反向传播和梯度下降法调节整个网络的超参数以使期望误差趋向最小,从而获得最终超参数。最终超参数是指使期望误差最小的网络各层的参数,可以利用所得的最终超参数创建最优网络模型。
这样做的主要目的在于,通过有监督学习,学习一个神经网络来自动识别扫描身体不同部位。也即,在监督学习结束后,将学习到使期望误差最小的自动识别扫描的网络模型。
步骤S2:利用在步骤S1中习得的分类器,对线上磁共振扫描身体部位的数据进行识别,得到分类结果。
在一个实施例中,线上部位自动识别是通过线上磁共振扫描身体不同部位的数据对最优网络模型进行测试,例如,按照与前述步骤S12中的数据预处理相同的方式对测试输入数据进行预处理,也即,以同样的方式进行归一化处理,再将其输入到习得的分类器中,从而得到分类结果,以统计网络的准确率。
本文中所提到的分类结果是对图像分类识别,来一个幅图像就能自动识别出是身体的哪个部位。比如识别出是头部、颈部、腰部或胸部等,按照结构分为人体不同部位的分类结果。
步骤S3:根据识别到的部位自动设置磁共振扫描序列,根据在步骤S2中获得的分类结果,自动调用磁共振扫描序列,完成对待扫部位的扫描过程。
例如,如果识别到颈部,则自动设置与颈部有关的磁共振扫描序列,根据在步骤S2中得到的分类结果,自动调用该分类结果中的与颈部有关的磁共振扫描序列,从而完成对颈部的扫描过程。
本发明的方法是基于深度学习的身体部位自动识别磁共振扫描方法,它不仅使扫描不再依赖操作者肉眼识别身体部位,省去繁复定位及参数设置时间,而且有利于保证单个被测部位多次扫描间的数据一致性,在一定程度上避免了扫描操作人员的个人主观因素的影响。
此外,本发明还提供了一种计算机可读介质,该计算机可读介质具有存储在其中的程序,该程序是计算机可执行的,以使计算机执行上述各种步骤的处理。
本发明还提供了一种利用上述方法的基于深度学习的身体部位自动识别磁共振扫描装置。该装置包含了不同模块用于实现上述方法中提及的各个步骤。
例如,本发明的基于深度学习的身体部位自动识别磁共振扫描装置可以包括:线下训练分类器模块,其利用线下的身体不同部位的磁共振图像数据集来训练初始网络模型,习得一个自动识别身体部位的最优网络模型作为分类器;线上部位自动识别模块,其利用在所述线下训练分类器模块中习得的分类器,对线上磁共振扫描身体部位的数据进行识别,得到分类结果;以及自动设置扫描序列模块,其根据识别到的部位自动设置磁共振扫描序列,根据在所述线上部位自动识别模块中获得的分类结果,自动调用磁共振扫描序列,完成对待扫部位的扫描过程。
在一个实施例中,在所述线上部位自动识别模块中,在利用分类器对线上磁共振扫描身体不同部位的数据进行识别之前,对数据进行归一化处理。
在一个实施例中,所述线下训练分类器模块还可以包括数据准备模块、数据预处理模块以及有监督学习模块。
所述数据准备模块可以收集身体不同部位的磁共振图像数据集,将收集到的磁共振图像数据集中的部分数据进行标记作为标签集,将所述部分数据作为校验集,将磁共振图像数据集中的其它数据作为训练集。
在一个具体实施例中,所述数据准备模块中的所述标签集包括磁共振图像数据集中的所有身体不同部位的数据,用标签集中的标签标记身体不同部位,所述校验集中的数据数量小于所述训练集中的数据数量。对于标签集和训练集的选择,可以参考在前述方法的步骤S1中的具体描述。
所述数据预处理模块可以配置成对所述磁共振图像数据进行归一化处理。该归一化处理可以是对图像进行分辨率、感兴趣视野尺寸和图像角度的统一。
所述有监督学习模块可以配置成创建包括逐层连接的输入层、若干个隐含层和输出层的初始网络模型,在所述输入层输入经归一化的所述训练集中的数据,比较在网络模型上正向传播输出的结果与所述标签集中的数据,根据比较结果调节网络模型直至确定最优网络模型作为分类器。
在一个具体实施例中,在所述有监督学习模块中,确定最优网络模型是通过利用反向传播和梯度下降法调节整个网络模型的超参数以获得最终超参数,利用所述最终超参数建立最优网络模型作为分类器。
在本发明的所述装置的另一具体实施方案中,所述线上部位自动识别模块可以包括:数据预处理模块,在利用分类器对线上磁共振扫描身体不同部位的数据进行识别之前,对数据进行归一化处理以提高处理质量和处理速度。
尽管已经根据优选的实施方案对本发明进行了说明,但是存在落入本发明范围之内的改动、置换以及各种替代等同方案。还应当注意的是,存在多种实现本发明的方法和***的可选方式。因此,意在将随附的权利要求书解释为包含落在本发明的主旨和范围之内的所有这些改动、置换以及各种替代等同方案。
Claims (33)
1.一种基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,包括以下步骤:
S1)利用线下的身体不同部位的磁共振图像数据集来训练初始网络模型,习得自动识别身体部位的最优网络模型作为分类器;
S2)利用在S1)中习得的分类器,对线上磁共振扫描身体部位的数据进行识别,得到分类结果;以及
S3)根据识别到的部位自动设置磁共振扫描序列,根据在S2)中获得的分类结果,自动调用磁共振扫描序列,完成对待扫部位的扫描过程。
2.根据权利要求1所述的基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,步骤S1)包括以下步骤:
S11)收集身体不同部位的磁共振图像数据集,将收集到的磁共振图像数据集中的部分数据进行标记作为标签集,将所述部分数据作为校验集,将磁共振图像数据集中的其它数据作为训练集;
S12)对所述磁共振图像数据进行归一化处理;
S13)创建包括逐层连接的输入层、若干个隐含层和输出层的初始网络模型,在所述输入层输入经归一化的所述训练集中的数据,将在网络模型上正向传播输出的结果与所述标签集中的数据进行误差测量,根据误差测量结果调节网络模型,确定最优网络模型作为分类器。
3.根据权利要求2所述的基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,在步骤S11)中,所述标签集包括磁共振图像数据集中的所有身体不同部位的数据,用标签集中的标签标记身体不同部位,所述校验集中的数据数量小于所述训练集中的数据数量。
4.根据权利要求3所述的基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,将收集到的涉及一个身体部位的M个磁共振图像数据中的ML个部分磁共振图像数据进行标记以作为标签集,其中,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的10%。
5.根据权利要求4所述的基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的5%。
6.根据权利要求4所述的基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的1%。
7.根据权利要求4-6中任一项所述的基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,将收集到的涉及另一身体部位的N个磁共振图像数据中的NL个部分磁共振图像数据进行标记以作为标签集,
其中,涉及所述另一身体部位的所述部分磁共振图像数据的数量NL占磁共振图像数据总数量N的比例等于涉及所述一个身体部位的所述部分磁共振图像数据的数量ML占磁共振图像数据总数量M的比例。
8.根据权利要求4-6中任一项所述的基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,将收集到的涉及另一身体部位的N个磁共振图像数据中的NL个部分磁共振图像数据进行标记以作为标签集,
其中,涉及所述另一身体部位的所述部分磁共振图像数据的数量NL占所述磁共振图像数据总数量N的比例不同于涉及所述一个身体部位的所述部分磁共振图像数据的数量ML占所述磁共振图像数据总数量M的比例。
9.根据权利要求2所述的基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,在步骤S13)中,确定最优网络模型是通过利用反向传播和梯度下降法调节整个网络模型的超参数以获得最终超参数,利用所述最终超参数建立最优网络模型作为分类器。
10.根据权利要求1所述的基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,在步骤S2)中,在利用分类器对线上磁共振扫描身体不同部位的数据进行识别之前,对数据进行归一化处理。
11.根据权利要求2或10所述的基于深度学习的身体部位自动识别磁共振扫描方法,其特征在于,所述归一化处理是对图像分辨率、感兴趣视野尺寸和图像角度进行统一。
12.一种基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,包括:
线下训练分类器模块,其利用线下的身体不同部位的磁共振图像数据集来训练初始网络模型,习得自动识别身体部位的最优网络模型作为分类器;
线上部位自动识别模块,其利用在所述线下训练分类器模块中习得的分类器,对线上磁共振扫描身体部位的数据进行识别,得到分类结果;以及
自动设置扫描序列模块,其根据识别到的部位自动设置磁共振扫描序列,根据在所述线上部位自动识别模块中获得的分类结果,自动调用磁共振扫描序列,完成对待扫部位的扫描过程。
13.根据权利要求12所述的基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,所述线下训练分类器模块还包括:
数据准备模块,其配置成收集身体不同部位的磁共振图像数据集,将收集到的磁共振图像数据集中的部分数据进行标记作为标签集,将所述部分数据作为校验集,将磁共振图像数据集中的其它数据作为训练集;
数据预处理模块,其配置成对所述磁共振图像数据进行归一化处理;
有监督学习模块,其配置成创建包括逐层连接的输入层、若干个隐含层和输出层的初始网络模型,在所述输入层输入经归一化的所述训练集中的数据,将在网络模型上正向传播输出的结果与所述标签集中的数据进行误差测量,根据误差测量结果调节网络模型,确定最优网络模型作为分类器。
14.根据权利要求13所述的基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,所述数据准备模块中的所述标签集包括磁共振图像数据集中的所有身体不同部位的数据,用标签集中的标签标记身体不同部位,所述校验集中的数据数量小于所述训练集中的数据数量。
15.根据权利要求14所述的基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,将收集到的涉及一个身体部位的M个磁共振图像数据中的ML个部分磁共振图像数据进行标记以作为标签集,其中,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的10%。
16.根据权利要求15所述的基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的5%。
17.根据权利要求15所述的基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的1%。
18.根据权利要求15-17中任一项所述的基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,将收集到的涉及另一身体部位的N个磁共振图像数据中的NL个部分磁共振图像数据进行标记以作为标签集,
其中,涉及所述另一身体部位的所述部分磁共振图像数据的数量NL占磁共振图像数据总数量N的比例等于涉及所述一个身体部位的所述部分磁共振图像数据的数量ML占磁共振图像数据总数量M的比例。
19.根据权利要求15-17中任一项所述的基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,将收集到的涉及另一身体部位的N个磁共振图像数据中的NL个部分磁共振图像数据进行标记以作为标签集,
其中,涉及所述另一身体部位的所述部分磁共振图像数据的数量NL占所述磁共振图像数据总数量N的比例不同于涉及所述一个身体部位的所述部分磁共振图像数据的数量ML占所述磁共振图像数据总数量M的比例。
20.根据权利要求13所述的基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,在所述有监督学习模块中,确定最优网络模型是通过利用反向传播和梯度下降法调节整个网络模型的超参数以获得最终超参数,利用所述最终超参数建立最优网络模型作为分类器。
21.根据权利要求12所述的基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,在所述线上部位自动识别模块中,在利用分类器对线上磁共振扫描身体不同部位的数据进行识别之前,对数据进行归一化处理。
22.根据权利要求13或21所述的基于深度学习的身体部位自动识别磁共振扫描装置,其特征在于,所述归一化处理是对图像分辨率、感兴趣视野尺寸和图像角度进行统一。
23.一种计算机可读介质,该计算机可读介质具有存储在其中的程序,该程序是计算机可执行的以使计算机执行包括以下步骤的处理:
S1)利用线下的身体不同部位的磁共振图像数据集来训练初始网络模型,习得自动识别身体部位的最优网络模型作为分类器;
S2)利用在S1)中习得的分类器,对线上磁共振扫描身体部位的数据进行识别,得到分类结果;以及
S3)根据识别到的部位自动设置磁共振扫描序列,根据在S2)中获得的分类结果,自动调用磁共振扫描序列,完成对待扫部位的扫描过程。
24.根据权利要求23所述的计算机可读介质,其特征在于,步骤S1)包括以下步骤:
S11)收集身体不同部位的磁共振图像数据集,将收集到的磁共振图像数据集中的部分数据进行标记作为标签集,将所述部分数据作为校验集,将磁共振图像数据集中的其它数据作为训练集;
S12)对所述磁共振图像数据进行归一化处理;
S13)创建包括逐层连接的输入层、若干个隐含层和输出层的初始网络模型,在所述输入层输入经归一化的所述训练集中的数据,将在网络模型上正向传播输出的结果与所述标签集中的数据进行误差测量,根据误差测量结果调节网络模型,确定最优网络模型作为分类器。
25.根据权利要求24所述的计算机可读介质,其特征在于,在步骤S11)中,所述标签集包括磁共振图像数据集中的所有身体不同部位的数据,用标签集中的标签标记身体不同部位,所述校验集中的数据数量小于所述训练集中的数据数量。
26.根据权利要求25所述的计算机可读介质,其特征在于,将收集到的涉及一个身体部位的M个磁共振图像数据中的ML个部分磁共振图像数据进行标记以作为标签集,其中,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的10%。
27.根据权利要求26所述的计算机可读介质,其特征在于,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的5%。
28.根据权利要求26所述的计算机可读介质,其特征在于,所述部分磁共振图像数据的数量ML小于所述磁共振图像数据总数量M的1%。
29.根据权利要求26-28中任一项所述的计算机可读介质,其特征在于,将收集到的涉及另一身体部位的N个磁共振图像数据中的NL个部分磁共振图像数据进行标记以作为标签集,
其中,涉及所述另一身体部位的所述部分磁共振图像数据的数量NL占磁共振图像数据总数量N的比例等于涉及所述一个身体部位的所述部分磁共振图像数据的数量ML占磁共振图像数据总数量M的比例。
30.根据权利要求26-28中任一项所述的基于深度学习的计算机可读介质,其特征在于,将收集到的涉及另一身体部位的N个磁共振图像数据中的NL个部分磁共振图像数据进行标记以作为标签集,
其中,涉及所述另一身体部位的所述部分磁共振图像数据的数量NL占所述磁共振图像数据总数量N的比例不同于涉及所述一个身体部位的所述部分磁共振图像数据的数量ML占所述磁共振图像数据总数量M的比例。
31.根据权利要求24所述的计算机可读介质,其特征在于,在步骤S13)中,确定最优网络模型是通过利用反向传播和梯度下降法调节整个网络模型的超参数以获得最终超参数,利用所述最终超参数建立最优网络模型作为分类器。
32.根据权利要求23所述的计算机可读介质,其特征在于,在步骤S2)中,在利用分类器对线上磁共振扫描身体不同部位的数据进行识别之前,对数据进行归一化处理。
33.根据权利要求24或32所述的计算机可读介质,其特征在于,所述归一化处理是对图像分辨率、感兴趣视野尺寸和图像角度进行统一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710447366.7A CN107292257A (zh) | 2017-06-14 | 2017-06-14 | 基于深度学习的身体部位自动识别磁共振扫描方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710447366.7A CN107292257A (zh) | 2017-06-14 | 2017-06-14 | 基于深度学习的身体部位自动识别磁共振扫描方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292257A true CN107292257A (zh) | 2017-10-24 |
Family
ID=60097139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710447366.7A Pending CN107292257A (zh) | 2017-06-14 | 2017-06-14 | 基于深度学习的身体部位自动识别磁共振扫描方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292257A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107669273A (zh) * | 2017-11-07 | 2018-02-09 | 上海联影医疗科技有限公司 | 磁共振设备扫描***、扫描方法及计算机可读存储介质 |
CN109124635A (zh) * | 2018-09-25 | 2019-01-04 | 上海联影医疗科技有限公司 | 模型生成方法、磁共振成像扫描方法及*** |
WO2019127550A1 (en) * | 2017-12-29 | 2019-07-04 | Shenzhen United Imaging Healthcare Co., Ltd. | Systems and methods for selecting a scanning device for an object |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1926444A (zh) * | 2004-03-01 | 2007-03-07 | 皇家飞利浦电子股份有限公司 | 用于优化采集参数的多合一平面扫描成像 |
CN1967562A (zh) * | 2005-11-15 | 2007-05-23 | 中华电信股份有限公司 | 以人脸五官辨识为基础之人脸辨识方法 |
US20080112605A1 (en) * | 2006-11-14 | 2008-05-15 | Siemens Corporate Research, Inc. | Methods and Apparatus for Automatic Body Part Identification and Localization |
WO2012174495A2 (en) * | 2011-06-17 | 2012-12-20 | Carnegie Mellon University | Physics based image processing and evaluation process of perfusion images from radiology imaging |
CN104106096A (zh) * | 2012-02-17 | 2014-10-15 | 先进穆阿分析公司 | 层析图像中的器官的分类方法 |
CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
CN106203432A (zh) * | 2016-07-14 | 2016-12-07 | 杭州健培科技有限公司 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法 |
-
2017
- 2017-06-14 CN CN201710447366.7A patent/CN107292257A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1926444A (zh) * | 2004-03-01 | 2007-03-07 | 皇家飞利浦电子股份有限公司 | 用于优化采集参数的多合一平面扫描成像 |
CN1967562A (zh) * | 2005-11-15 | 2007-05-23 | 中华电信股份有限公司 | 以人脸五官辨识为基础之人脸辨识方法 |
US20080112605A1 (en) * | 2006-11-14 | 2008-05-15 | Siemens Corporate Research, Inc. | Methods and Apparatus for Automatic Body Part Identification and Localization |
WO2012174495A2 (en) * | 2011-06-17 | 2012-12-20 | Carnegie Mellon University | Physics based image processing and evaluation process of perfusion images from radiology imaging |
CN104106096A (zh) * | 2012-02-17 | 2014-10-15 | 先进穆阿分析公司 | 层析图像中的器官的分类方法 |
CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
CN106203432A (zh) * | 2016-07-14 | 2016-12-07 | 杭州健培科技有限公司 | 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法 |
Non-Patent Citations (2)
Title |
---|
HOO-CHANG SHIN等: "Stacked Autoencoders for Unsupervised Feature Learning and Multiple Organ Detection in a Pilot Study Using 4D Patient Data", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
王斌 等主编: "《高校学生社团建设的理论与实践》", 30 June 2014, 四川大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107669273A (zh) * | 2017-11-07 | 2018-02-09 | 上海联影医疗科技有限公司 | 磁共振设备扫描***、扫描方法及计算机可读存储介质 |
WO2019127550A1 (en) * | 2017-12-29 | 2019-07-04 | Shenzhen United Imaging Healthcare Co., Ltd. | Systems and methods for selecting a scanning device for an object |
CN111527565A (zh) * | 2017-12-29 | 2020-08-11 | 上海联影医疗科技有限公司 | 选择受试体的扫描设备的***和方法 |
US11562821B2 (en) | 2017-12-29 | 2023-01-24 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for selecting a scanning device for an object |
CN111527565B (zh) * | 2017-12-29 | 2023-03-31 | 上海联影医疗科技股份有限公司 | 选择受试体的扫描设备的***和方法 |
CN109124635A (zh) * | 2018-09-25 | 2019-01-04 | 上海联影医疗科技有限公司 | 模型生成方法、磁共振成像扫描方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544274B (zh) | 一种基于多光谱的眼底图像配准方法及*** | |
CN109767440A (zh) | 一种面向深度学习模型训练和学习的影像图像数据扩充方法 | |
CN107292257A (zh) | 基于深度学习的身体部位自动识别磁共振扫描方法与装置 | |
CN108416821B (zh) | 一种深度神经网络的ct图像超分辨重建方法 | |
CN109671076A (zh) | 血管分割方法、装置、电子设备及存储介质 | |
CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN107369160A (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
CN107506770A (zh) | 糖尿病视网膜病变眼底照相标准图像生成方法 | |
CN110169770A (zh) | 情绪脑电的细粒度可视化***和方法 | |
CN107292884A (zh) | 一种识别mri图像中水肿和血肿的方法及装置 | |
CN109447962A (zh) | 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 | |
CN107669273A (zh) | 磁共振设备扫描***、扫描方法及计算机可读存储介质 | |
CN109447976A (zh) | 一种基于人工智能的医学图像分割方法及*** | |
CN110246137A (zh) | 一种成像方法、装置及存储介质 | |
Tu et al. | Automatic measurement algorithm of scoliosis Cobb angle based on deep learning | |
CN110136147A (zh) | 一种基于U-Net模型的分割医学图像的方法、装置及存储介质 | |
CN105534534A (zh) | 一种基于实时功能磁共振的情绪识别方法、装置及*** | |
CN113707268A (zh) | 一种康复训练评估方法及*** | |
CN110309692A (zh) | 人脸识别方法、装置及***、模型训练方法及装置 | |
CN109864737A (zh) | 一种心电信号中p波识别方法和*** | |
CN109215040A (zh) | 一种基于多尺度加权学习的乳腺肿瘤分割方法 | |
CN109658385A (zh) | 眼底图像判断方法及设备 | |
CN109118487A (zh) | 基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法 | |
CN109919064A (zh) | 一种轨道交通车厢内实时人数统计方法和装置 | |
CN106446805A (zh) | 一种眼底照中视杯的分割方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |