CN108846829B - 病变部位识别装置、计算机装置及可读存储介质 - Google Patents

病变部位识别装置、计算机装置及可读存储介质 Download PDF

Info

Publication number
CN108846829B
CN108846829B CN201810503205.XA CN201810503205A CN108846829B CN 108846829 B CN108846829 B CN 108846829B CN 201810503205 A CN201810503205 A CN 201810503205A CN 108846829 B CN108846829 B CN 108846829B
Authority
CN
China
Prior art keywords
magnetic resonance
image
resonance image
lesion
convolutional neural
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
Application number
CN201810503205.XA
Other languages
English (en)
Other versions
CN108846829A (zh
Inventor
刘新卉
王健宗
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810503205.XA priority Critical patent/CN108846829B/zh
Priority to PCT/CN2018/099666 priority patent/WO2019223123A1/zh
Publication of CN108846829A publication Critical patent/CN108846829A/zh
Application granted granted Critical
Publication of CN108846829B publication Critical patent/CN108846829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/30081—Prostate

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

一种病变部位识别装置，所述装置获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像与第二磁共振图像；对第一磁共振图像与第二磁共振图像进行图像配准；利用训练好的回归卷积神经网络模型检测配准后的第一磁共振图像中的第一预设部位区域，以及检测配准后的第二磁共振图像中的第二预设部位区域；利用训练好的双训练卷积神经网络模型的第一卷积神经子网络预测第一预设部位区域的第一病变概率，以及预测第二预设部位区域的第二病变概率；根据第一病变概率与第二病变概率判断预设部位是否为病变部位。本发明还提供一种计算机装置及计算机可读存储介质。本发明可以实现高准确度的病变部位识别。

Description

病变部位识别装置、计算机装置及可读存储介质
技术领域
本发明涉及图像处理技术领域，具体涉及一种识别磁共振图像中病变部位的装置、计算机装置和计算机可读存储介质。
背景技术
***癌(prostate cancer，PCa)是一种具有高死亡率的致命癌症，在2016年有180890个新诊断案例，并且预测在2030年会有1700000个案例并且每年造成500000个死亡。在早期诊断出***癌能够大幅度提高***癌的治愈率。当今的***癌诊断主要是基于prostate specific antigen(PSA)血液检测和直肠指检digital rectal examination(DRE)。如果PSA结果为阳性，则再进行经直肠超声活检(transrectal ultrasound(TRUS)biopsy)。但是传统检测方法有很大的局限性，会造成误诊进而影响治疗。
近期研究表明，磁共振成像(Magnetic Resonance Imaging，MRI)不会对病人造成伤害，并且具有更高的准确性。医生可以通过分析MRI图像进行诊断。然而，医生诊断会花费大量的人力物力，而且诊断结果很大程度上取决于医生的专业水平。如何根据MRI图像实现高准确度的病变部位识别成为亟待解决的问题。
发明内容
鉴于以上内容，有必要提出一种病变部位识别装置、计算机装置和计算机可读存储介质，其可以实现高准确度的病变部位识别。
本申请的第一方面提供一种病变部位识别装置，所述装置包括：
获取单元，用于获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像与第二磁共振图像；
配准单元，用于对所述第一磁共振图像与第二磁共振图像进行图像配准；
检测单元，用于利用训练好的回归卷积神经网络模型对配准后的第一磁共振图像与第二磁共振图像进行检测，得到配准后的第一磁共振图像中的第一预设部位区域与配准后的第二磁共振图像中的第二预设部位区域；
预测单元，用于利用训练好的双训练卷积神经网络模型中的第一卷积神经子网络预测所述第一预设部位区域属于病变区域的概率，得到第一病变概率，利用训练好的双训练卷积神经网络模型中的第二卷积神经子网络预测所述第二预设部位区域属于病变区域的概率，得到第二病变概率，其中所述双训练卷积神经网络模型通过对所述第一卷积神经子网络与所述第二卷积神经子网络同时训练得到，所述双训练卷积神经网络模型训练所用的损失函数由所述第一卷积神经子网络的第一损失函数、所述第二卷积神经子网络的第二损失函数和所述第一卷积神经子网络与所述第二卷积神经子网络之间的一致性损失函数组成；
判断单元，用于根据所述第一病变概率与第二病变概率判断所述预设部位是否为病变部位；
所述第一损失函数与第二损失函数为：
L(p，y)＝-[ylog(p)+(1-y)log(1-p)]，
其中，p是所述第一卷积神经子网络/第二卷积神经子网络对对应的训练图像预测得到的病变概率，y是标签，若训练图像有病变y为1，没有病变y为0；
所述一致性损失函数为：
Figure GDA0002941217420000021
其中，ADC表示所述第一卷积神经子网络的训练图像是表观弥散系数图像，T2w表示第二卷积神经子网络的训练图像是T2加权图像，σ(·)是sigmoid函数，||·||是L2范数，N是图像的像素总数；
所述双训练卷积神经网络模型的损失函数为：
E＝w1L(pADC，y1)+w2L(pT2w，y2)+w3L(MADC，MT2w)，
其中，w1是所述第一损失函数的权重，w2是所述第二损失函数的权重，w3是所述一致性损失函数的权重，w1+w2+w3＝1。
另一种可能的实现方式中，所述配准单元对所述第一磁共振图像与第二磁共振图像进行图像配准包括：
计算所述第一磁共振图像与第二磁共振图像的互信息，使所述第一磁共振图像与第二磁共振图像的互信息最大，所述第一磁共振图像与第二磁共振图像的互信息为：
Figure GDA0002941217420000031
Figure GDA0002941217420000032
Figure GDA0002941217420000033
Figure GDA0002941217420000034
其中，A、B分别表示所述第一磁共振图像与第二磁共振图像，a、b分别表示所述第一磁共振图像、第二磁共振图像中像素值的范围，#a表示所述第一磁共振图像中像素值属于范围a内的像素的个数，#b表示所述第二磁共振图像B中像素值属于范围b内的像素的个数，#A、#B分别表示所述第一磁共振图像、第二磁共振图像的像素数，p(a)表示所述第一磁共振图像中像素值属于范围a内的像素出现的概率，p(b)表示所述第二磁共振图像中像素值属于范围b内的像素出现的概率。
另一种可能的实现方式中，所述配准单元对所述第一磁共振图像与第二磁共振图像进行图像配准包括：
在所述第一磁共振图像上选取第一参照点，在所述第二磁共振图像上选取第二参照点，所述第一参照点、第二参照点是所述预设部位的相同位置上的点；
计算所述第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算所述第二磁共振图像中各个像素点与所述第二参照点的相对坐标；
根据所述第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算所述第一磁共振图像的中心点，以及根据所述第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算所述第二磁共振图像的中心点；
将所述第一磁共振图像的中心点与所述第二磁共振图像的中心点对齐。
另一种可能的实现方式中，所述配准单元对所述第一磁共振图像与第二磁共振图像进行图像配准包括：
将所述第一磁共振图像与第二磁共振图像的分辨率分别减小一倍，将分辨率分别减小一倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第一配准结果；
将所述第一磁共振图像与第二磁共振图像的分辨率分别减小二倍，将分辨率分别减小二倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第二配准结果；
将所述第一磁共振图像与第二磁共振图像的分辨率分别减小四倍，将分辨率分别减小四倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第三配准结果；
根据所述第一配准结果、第二配准结果、第三配准结果得到最终的配准结果。
另一种可能的实现方式中，所述判断单元根据所述第一病变概率与第二病变概率判断所述预设部位是否为病变部位包括：
计算所述第一病变概率与所述第二病变概率的加权和，判断所述加权和是否大于或等于第一预设阈值，若所述加权和大于或等于第一预设阈值，则判断所述预设部位为病变部位；或者
判断所述第一病变概率是否大于或等于第二预设阈值，判断所述第二病变概率是否大于或等于第三预设阈值，若所述第一病变概率大于或等于第二预设阈值且所述第二病变概率大于或等于第三预设阈值，则判断所述预设部位为病变部位。
另一种可能的实现方式中，所述第一磁共振图像为表观弥散系数图像，所述第二磁共振图像为T2加权图像。
本申请的第二方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述病变部位识别装置提供的病变部位识别方法。
本申请的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述病变部位识别装置提供的病变部位识别方法。
本发明获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像与第二磁共振图像；对所述第一磁共振图像与第二磁共振图像进行图像配准；利用训练好的回归卷积神经网络模型对配准后的第一磁共振图像与第二磁共振图像进行检测，得到配准后的第一磁共振图像中的第一预设部位区域与配准后的第二磁共振图像中的第二预设部位区域；利用训练好的双训练卷积神经网络模型中的第一卷积神经子网络预测所述第一预设部位区域属于病变区域的概率，得到第一病变概率，利用训练好的双训练卷积神经网络模型中的第二卷积神经子网络预测所述第二预设部位区域属于病变区域的概率，得到第二病变概率，其中所述双训练卷积神经网络模型通过对所述第一卷积神经子网络与所述第二卷积神经子网络同时训练得到，所述双训练卷积神经网络模型训练所用的损失函数由所述第一卷积神经子网络的第一损失函数、所述第二卷积神经子网络的第二损失函数和所述第一卷积神经子网络与所述第二卷积神经子网络之间的一致性损失函数组成；根据所述第一病变概率与第二病变概率判断所述预设部位是否为病变部位。
本发明使用不同序列图像(即不同磁共振扫描序列扫描得到的第一磁共振图像与第二磁共振图像)进行病变部位识别，与使用单序列图像(即单一扫描序列扫描得到的磁共振图像)进行病变部位识别相比，本发明提高了病变部位识别的准确率。并且，本发明的双训练卷积神经网络模型包含两个卷积神经子网络，两个卷积神经子网络同时训练，双训练卷积神经网络模型学习到不同序列图像的关联特性，提高了双训练卷积神经网络模型的识别精度。
附图说明
图1是本发明实施例一提供的病变部位识别方法的流程图。
图2是本发明使用的回归卷积神经网络模型的结构示意图。
图3是本发明使用的双训练卷积神经网络模型的卷积神经子网络的结构示意图。
图4是本发明实施例二提供的病变部位识别装置的结构图。
图5是本发明实施例三提供的计算机装置的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
优选地，本发明的病变部位识别方法应用在一个或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field-Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例一
图1是本发明实施例一提供的病变部位识别方法的流程图。所述病变部位识别方法应用于计算机装置。所述病变部位识别方法根据不同序列磁共振图像进行病变部位识别，确定预设部位是否为病变部位并确定病变的具***置。
如图1所示，所述病变部位识别方法具体包括以下步骤：
步骤101，获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像与第二磁共振图像。
MRI(Magnetic Resonance Imaging，磁共振成像)图像是常用的医学图像之一，MRI成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号，并重建出人体信息，从而得到MRI图像。
在一具体实施例中，可以应用所述病变部位识别方法检测***癌，定位***的癌变部位。在此应用场景中，所述预设部位是***。可以理解，在其他的场景中，所述预设部位可以是人体的其他部位或器官，可以应用所述病变部位识别方法对人体的其他部位或器官的病变进行检测。
MRI是一种多参数成像，图像的对比度与组织(即人体组织)所含的氢质子数、组织的T1和T2时间、液体流动速度有关，应用不同的磁共振扫描序列可以得到反映这些因素不同侧重点的图像。应用不同的磁共振扫描序列在同一解剖位置(即同一层面)上得到的不同图像可以提供组织的不同参数信息，可用来进行病变部位识别。
在一较佳实施例中，第一磁共振图像可以是ADC(apparent diffusioncoefficient，表观弥散系数)图像，第二磁共振图像可以是T2w(T2 weighted，T2加权)图像。需要说明的是，第一磁共振图像与第二磁共振图像是对预设部位的同一解剖位置(即同一层面)扫描得到的图像。
ADC图像反映人体组织环境中水分子的弥散量。衡量弥散大小的数值称为弥散系数，用D表示，即一个水分子单位时间内自由随机弥散运动的平均范围，单位是mm2/s。D值越大，水分子弥散运动越强。
T2w成像反映的是组织间T2弛豫(横向弛豫)的差别。组织的T2越长，恢复越慢，信号就越强(图像发白)，组织的T2越短，恢复越快，信号就越弱(图像发黑)。
可以理解，第一磁共振图像与第二磁共振图像可以是应用其他的磁共振扫描序列对预设部位进行磁共振扫描得到的图像。
获取第一磁共振图像与第二磁共振图像可以是多种方式。例如，应用所述病变部位识别方法的计算机装置可以从其他的计算设备(例如预先存储第一磁共振图像与第二磁共振图像的服务器)接收第一磁共振图像与第二磁共振图像。
或者，应用所述病变部位识别方法的计算机装置可以控制磁共振设备对人体预设部位进行扫描，得到第一磁共振图像与第二磁共振图像。
或者，应用所述病变部位识别方法的计算机装置的存储器中可以预先存储第一磁共振图像与第二磁共振图像，所述计算机装置从所述存储器中读取第一磁共振图像与第二磁共振图像。
步骤102，对所述第一磁共振图像与第二磁共振图像进行图像配准。
应用不同的磁共振扫描序列对预设部位进行磁共振扫是有时间间隔的，病人***可能会发生位移。因此，需要对第一磁共振图像与第二磁共振图像进行图像配准，把两个图像的内容对应起来，也就是使第一磁共振图像与第二磁共振图像的各个部分相对应。
在一实施例中，可以计算第一磁共振图像与第二磁共振图像的互信息，使第一磁共振图像与第二磁共振图像的互信息最大，从而实现第一磁共振图像与第二磁共振图像的图像配准。
图像A与图像B的互信息可以表示为：
Figure GDA0002941217420000081
Figure GDA0002941217420000082
Figure GDA0002941217420000083
Figure GDA0002941217420000084
其中，a、b分别表示图像A、图像B中像素值(通常为灰度值)的范围，#a表示图像A中像素值属于范围a内的像素的个数，#b表示图像B中像素值属于范围b内的像素的个数，#A、#B分别表示图像A、图像B的像素数，p(a)表示图像A中像素值属于范围a内的像素出现的概率，p(b)表示图像B中像素值属于范围b内的像素出现的概率。
可以采用其他的图像配准方法对第一磁共振图像与第二磁共振图像进行图像配准。例如，可以在第一磁共振图像与第二磁共振图像上各选取一个参照点，依据该参照点将第一磁共振图像与第二磁共振图像配准，具体的，可以包括：
在第一磁共振图像上选取第一参照点，在第二磁共振图像上选取第二参照点，所述第一参照点与第二参照点是所述预设部位的相同位置上的点；
计算第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算第二磁共振图像中各个像素点与所述第二参照点的相对坐标；
根据第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算第一磁共振图像的中心点，根据第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算第二磁共振图像的中心点；
将第一磁共振图像的中心点与第二磁共振图像的中心点对齐。
在对第一磁共振图像与第二磁共振图像进行图像配准时，可以选择第一磁共振图像与第二磁共振图像中的一个图像作为基准，使未选为基准的图像向选为基准的图像对准。
在一具体实施例中，第一磁共振图像是ADC图像，第二磁共振图像是T2w图像，可以选择T2w图像作为基准，使ADC图像向T2w图像对准。
在使未选为基准的图像向选为基准的图像对准的过程中，可以对未选为基准的图像逐渐进行形变，使未选为基准的图像逐渐对准选为基准的图像。对未选为基准的图像进行形变可以包括将未选为基准的图像放大或缩小、将未选为基准的图像按照预设方向拉伸、将未选为基准的图像旋转预设角度。
在对第一磁共振图像与第二磁共振图像进行图像配准的过程中，可以减小第一磁共振图像与第二磁共振图像的分辨率，使用多个较低分辨率的图像来进行图像配准，以增加配准的鲁棒性。例如，可以将所述第一磁共振图像与第二磁共振图像的分辨率分别减小一倍，将分辨率分别减小一倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第一配准结果；将所述第一磁共振图像与第二磁共振图像的分辨率分别减小二倍，将分辨率分别减小二倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第二配准结果；将所述第一磁共振图像与第二磁共振图像的分辨率分别减小四倍，将分辨率分别减小四倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第三配准结果；根据所述第一配准结果、第二配准结果、第三配准结果得到最终的配准结果。例如，可以计算第一配准结果、第二配准结果、第三配准结果的平均值作为最终的配准结果。
步骤103，利用训练好的回归卷积神经网络模型对配准后的第一磁共振图像与第二磁共振图像进行检测，得到配准后的第一磁共振图像中的第一预设部位区域与配准后的第二磁共振图像中的第二预设部位区域。
可以利用训练好的回归卷积神经网络模型对配准后的第一磁共振图像进行检测，得到配准后的第一磁共振图像中的第一预设部位区域，根据第一预设部位区域从配准后的第二磁共振图像中获取对应的第二预设部位区域。或者，可以利用训练好的回归卷积神经网络模型对配准后的第二磁共振图像进行检测，得到配准后的第二磁共振图像中的第二预设部位区域，根据第二预设部位区域从配准后的第一磁共振图像中获取对应的第一预设部位区域。
例如，可以利用训练好的回归卷积神经网络模型对选为基准的图像(例如第一磁共振图像)进行检测，得到选为基准的图像中的预设部位区域(例如第一预设部位区域)，根据选为基准的图像中的预设部位区域从配准后的未选为基准的图像(例如第二磁共振图像)中获取对应的预设部位区域(例如第二预设部位区域)。
在一具体实施例中，第一磁共振图像是ADC图像，第二磁共振图像是T2w图像，可以利用训练好的回归卷积神经网络模型对T2w图像进行检测，得到T2w图像中的预设部位区域(即第二预设部位区域)，根据T2w图像中的预设部位区域从配准后的ADC图像中获取对应的预设部位区域(即第一预设部位区域)。
所述回归卷积神经网络模型可以包括卷积层、全连接层和输出层。在一具体实施例中，参阅图2所示，所述回归卷积神经网络模型包括六个卷积层、一个全连接层和一个输出层，每个卷积层的后面接一个最大池化层(图上未示出)。输入图像依次经过各个卷积层、全连接层和输出层，最后得到输入图像中的预设部位区域(即预设部位在输入图像中的位置)。根据回归卷积神经网络模型输出的预设部位区域即可从输入图像裁切出预设部位区域图像。
所述回归卷积神经网络模型使用标注有预设部位区域的训练图像进行训练。
在一实施例中，所述回归卷积神经网络模型检测到的预设部位区域为正方形区域，所述回归卷积神经网络模型训练时所用的损失函数可以定义为：
Figure GDA0002941217420000101
其中，o1，o2，o3是回归卷积神经网络模型的输出，(o1，o2)是检测到的预设部位区域的中心坐标(o1为横坐标，o2为纵坐标)，o3是检测到的预设部位区域的边长。xt，yt，It是真实的预设部位区域(即标注的预设部位区域)的中心坐标和边长。
可以使用神经网络训练算法，例如反向传播算法对回归卷积神经网络模型进行训练。训练回归卷积神经网络模型所用的神经网络训练算法为公知技术，此处不再赘述。
步骤104，利用训练好的双训练卷积神经网络模型中的第一卷积神经子网络预测所述第一预设部位区域属于病变区域的概率，得到第一病变概率，利用训练好的双训练卷积神经网络模型中的第二卷积神经子网络预测所述第二预设部位区域属于病变区域的概率，得到第二病变概率，其中所述双训练卷积神经网络模型通过对所述第一卷积神经子网络与第二卷积神经子网络同时训练得到，所述双训练卷积神经网络模型训练所用的损失函数由所述第一卷积神经子网络的第一损失函数、所述第二卷积神经子网络的第二损失函数和所述第一卷积神经子网络与第二卷积神经子网络之间的一致性损失函数组成。
所述双训练卷积神经网络模型包括第一卷积神经子网络和第二卷积神经子网络。第一卷积神经子网络用于预测第一磁共振图像中的第一预设部位区域属于病变区域的概率，第二卷积神经子网络用于预测第二磁共振图像中的第二预设部位区域属于病变区域的概率。
在利用第一卷积神经子网络预测第一磁共振图像中的第一预设部位区域属于病变区域的概率时，将第一预设部位区域对应第一预设部位区域图像输入第一卷积神经子网络。同样，在利用第二卷积神经子网络预测第二磁共振图像中的第二预设部位区域属于病变区域的概率，将第二预设部位区域对应第二预设部位区域图像输入第二卷积神经子网络。
所述第一卷积神经子网络与第二卷积神经子网络均包括多个卷积层和一个全局平均池化层，输入图像(即预设部位区域图像)经过所述多个卷积层得到输入图像的病变响应图，所述全局平均池化层对病变响应图进行全局平均池化得到输入图像的病变概率。所述病变响应图的每一个像素点代表该像素点为病变部位的概率。所述病变概率代表所述输入图像含有病变部位的概率，即预设部位区域属于病变区域的概率。
在一实施例中，所述第一卷积神经子网络与第二卷积神经子网络的结构相同。例如，参阅图3所示，所述第一卷积神经子网络与第二卷积神经子网络均包括十八个卷积层和一个全局平均池化层。
所述第一卷积神经子网络与第二卷积神经子网络使用已标注预设部位区域是否为病变区域的训练图像进行训练。例如，第一卷积神经子网络用于对ADC图像进行预测，则使用已标注预设部位区域是否为病变区域的ADC图像进行训练。第二卷积神经子网络用于对T2w图像进行预测，则使用已标注预设部位区域是否为病变区域的T2w图像进行训练。
所述第一卷积神经子网络与第二卷积神经子网络同时进行训练。在对第一卷积神经子网络与第二卷积神经子网络进行训练时，所述第一损失函数与第二损失函数为：
L(p，y)＝-[ylog(p)+(1-y)log(1-p)]，
其中，p是所述第一卷积神经子网络/第二卷积神经子网络对对应的训练图像预测得到的病变概率，y是标签，若训练图像有病变y为1，没有病变y为0。
所述一致性损失函数为：
Figure GDA0002941217420000121
其中，σ(·)是sigmoid函数，||·||是L2范数，N是图像的像素总数。
所述双训练卷积神经网络模型的损失函数为：
E＝w1L(pADC，y1)+w2L(pT2w，y2)+w3L(MADC，MT2w)。
其中，w1是第一损失函数的权重，w2是第二损失函数的权重，w3是一致性损失函数的权重，w1+w2+w3＝1。
可以使用神经网络训练算法，例如反向传播算法对双训练卷积神经网络模型进行训练。训练双训练卷积神经网络模型所用的神经网络训练算法为公知技术，此处不再赘述。
步骤105，根据所述第一病变概率与第二病变概率判断所述预设部位是否为病变部位。
可以计算所述第一病变概率与第二病变概率的加权和，判断所述加权和是否大于或等于第一预设阈值(例如0.5)，若所述加权和大于或等于第一预设阈值，则判断所述预设部位为病变部位。否则，若所述加权和小于第一预设阈值，则判断所述预设部位非病变部位。可以预先设置第一病变概率与第二病变概率的权重，例如，第一病变概率的权重为0.3，第二病变概率的权重为0.7，若第一病变概率为0.5，第二病变概率为0.8，则加权和为0.5*0.3+0.8*0.7＝0.71。若第一预设阈值为0.5，则判断所述预设部位为病变部位。
或者，可以判断所述第一病变概率是否大于或等于第二预设阈值(例如0.5)，判断所述第二病变概率是否大于或等于第三预设阈值(例如0.6)，若所述第一病变概率大于或等于第二预设阈值且所述第二病变概率大于或等于第三预设阈值，则判断所述预设部位为病变部位。否则，若所述第一病变概率小于第二预设阈值或者所述第二病变概率小于第三预设阈值，则判断所述预设部位非病变部位。所述第一预设阈值、第二预设阈值、第三预设阈值可以相同也可以不同。
实施例一的病变部位识别方法使用不同序列图像(即不同磁共振扫描序列扫描得到的第一磁共振图像与第二磁共振图像)进行病变部位识别，与使用单序列图像(即单一扫描序列扫描得到的磁共振图像)进行病变部位识别相比，本方法提高了病变部位识别的准确率。并且，上述病变部位识别方法的双训练卷积神经网络模型包含两个卷积神经子网络，两个卷积神经子网络同时训练，双训练卷积神经网络模型学习到不同序列图像的关联特性，提高了双训练卷积神经网络模型的识别精度。
实施例二
图4为本发明实施例二提供的病变部位识别装置的结构图。如图3所示，所述病变部位识别装置10可以包括：获取单元401、配准单元402、检测单元403、预测单元404、判断单元405。
获取单元401，用于获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像与第二磁共振图像。
MRI(Magnetic Resonance Imaging，磁共振成像)图像是常用的医学图像之一，MRI成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号，并重建出人体信息，从而得到MRI图像。
在一具体实施例中，可以应用所述病变部位识别方法检测***癌，定位***的癌变部位。在此应用场景中，所述预设部位是***。可以理解，在其他的场景中，所述预设部位可以是人体的其他部位或器官，可以应用所述病变部位识别方法对人体的其他部位或器官的病变进行检测。
MRI是一种多参数成像，图像的对比度与组织(即人体组织)所含的氢质子数、组织的T1和T2时间、液体流动速度有关，应用不同的磁共振扫描序列可以得到反映这些因素不同侧重点的图像。应用不同的磁共振扫描序列在同一解剖位置(即同一层面)上得到的不同图像可以提供组织的不同参数信息，可用来进行病变部位识别。
在一较佳实施例中，第一磁共振图像可以是ADC(apparent diffusioncoefficient，表观弥散系数)图像，第二磁共振图像可以是T2w(T2 weighted，T2加权)图像。需要说明的是，第一磁共振图像与第二磁共振图像是对预设部位的同一解剖位置(即同一层面)扫描得到的图像。
ADC图像反映人体组织环境中水分子的弥散量。衡量弥散大小的数值称为弥散系数，用D表示，即一个水分子单位时间内自由随机弥散运动的平均范围，单位是mm2/s。D值越大，水分子弥散运动越强。
T2w成像反映的是组织间T2弛豫(横向弛豫)的差别。组织的T2越长，恢复越慢，信号就越强(图像发白)，组织的T2越短，恢复越快，信号就越弱(图像发黑)。
可以理解，第一磁共振图像与第二磁共振图像可以是应用其他的磁共振扫描序列对预设部位进行磁共振扫描得到的图像。
获取第一磁共振图像与第二磁共振图像可以是多种方式。例如，应用所述病变部位识别方法的计算机装置可以从其他的计算设备(例如预先存储第一磁共振图像与第二磁共振图像的服务器)接收第一磁共振图像与第二磁共振图像。
或者，应用所述病变部位识别方法的计算机装置可以控制磁共振设备对人体预设部位进行扫描，得到第一磁共振图像与第二磁共振图像。
或者，应用所述病变部位识别方法的计算机装置的存储器中可以预先存储第一磁共振图像与第二磁共振图像，所述计算机装置从所述存储器中读取第一磁共振图像与第二磁共振图像。
配准单元402，用于对所述第一磁共振图像与第二磁共振图像进行图像配准。
应用不同的磁共振扫描序列对预设部位进行磁共振扫是有时间间隔的，病人***可能会发生位移。因此，需要对第一磁共振图像与第二磁共振图像进行图像配准，把两个图像的内容对应起来，也就是使第一磁共振图像与第二磁共振图像的各个部分相对应。
在一实施例中，可以计算第一磁共振图像与第二磁共振图像的互信息，使第一磁共振图像与第二磁共振图像的互信息最大，从而实现第一磁共振图像与第二磁共振图像的图像配准。
图像A与图像B的互信息可以表示为：
Figure GDA0002941217420000151
Figure GDA0002941217420000152
Figure GDA0002941217420000153
Figure GDA0002941217420000154
其中，a、b分别表示图像A、图像B中像素值(通常为灰度值)的范围，#a表示图像A中像素值属于范围a内的像素的个数，#b表示图像B中像素值属于范围b内的像素的个数，#A、#B分别表示图像A、图像B的像素数，p(a)表示图像A中像素值属于范围a内的像素出现的概率，p(b)表示图像B中像素值属于范围b内的像素出现的概率。
可以采用其他的图像配准方法对第一磁共振图像与第二磁共振图像进行图像配准。例如，可以在第一磁共振图像与第二磁共振图像上各选取一个参照点，依据该参照点将第一磁共振图像与第二磁共振图像配准，具体的，可以包括：
在第一磁共振图像上选取第一参照点，在第二磁共振图像上选取第二参照点，所述第一参照点与第二参照点是所述预设部位的相同位置上的点；
计算第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算第二磁共振图像中各个像素点与所述第二参照点的相对坐标；
根据第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算第一磁共振图像的中心点，根据第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算第二磁共振图像的中心点；
将第一磁共振图像的中心点与第二磁共振图像的中心点对齐。
在对第一磁共振图像与第二磁共振图像进行图像配准时，可以选择第一磁共振图像与第二磁共振图像中的一个图像作为基准，使未选为基准的图像向选为基准的图像对准。
在一具体实施例中，第一磁共振图像是ADC图像，第二磁共振图像是T2w图像，可以选择T2w图像作为基准，使ADC图像向T2w图像对准。
在使未选为基准的图像向选为基准的图像对准的过程中，可以对未选为基准的图像逐渐进行形变，使未选为基准的图像逐渐对准选为基准的图像。对未选为基准的图像进行形变可以包括将未选为基准的图像放大或缩小、将未选为基准的图像按照预设方向拉伸、将未选为基准的图像旋转预设角度。
在对第一磁共振图像与第二磁共振图像进行图像配准的过程中，可以减小第一磁共振图像与第二磁共振图像的分辨率，使用多个较低分辨率的图像来进行图像配准，以增加配准的鲁棒性。例如，可以将所述第一磁共振图像与第二磁共振图像的分辨率分别减小一倍，将分辨率分别减小一倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第一配准结果；将所述第一磁共振图像与第二磁共振图像的分辨率分别减小二倍，将分辨率分别减小二倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第二配准结果；将所述第一磁共振图像与第二磁共振图像的分辨率分别减小四倍，将分辨率分别减小四倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第三配准结果；根据所述第一配准结果、第二配准结果、第三配准结果得到最终的配准结果。例如，可以计算第一配准结果、第二配准结果、第三配准结果的平均值作为最终的配准结果。
检测单元403，用于利用训练好的回归卷积神经网络模型对配准后的第一磁共振图像与第二磁共振图像进行检测，得到配准后的第一磁共振图像中的第一预设部位区域与配准后的第二磁共振图像中的第二预设部位区域。
可以利用训练好的回归卷积神经网络模型对配准后的第一磁共振图像进行检测，得到配准后的第一磁共振图像中的第一预设部位区域，根据第一预设部位区域从配准后的第二磁共振图像中获取对应的第二预设部位区域。或者，可以利用训练好的回归卷积神经网络模型对配准后的第二磁共振图像进行检测，得到配准后的第二磁共振图像中的第二预设部位区域，根据第二预设部位区域从配准后的第一磁共振图像中获取对应的第一预设部位区域。
例如，可以利用训练好的回归卷积神经网络模型对选为基准的图像(例如第一磁共振图像)进行检测，得到选为基准的图像中的预设部位区域(例如第一预设部位区域)，根据选为基准的图像中的预设部位区域从配准后的未选为基准的图像(例如第二磁共振图像)中获取对应的预设部位区域(例如第二预设部位区域)。
在一具体实施例中，第一磁共振图像是ADC图像，第二磁共振图像是T2w图像，可以利用训练好的回归卷积神经网络模型对T2w图像进行检测，得到T2w图像中的预设部位区域(即第二预设部位区域)，根据T2w图像中的预设部位区域从配准后的ADC图像中获取对应的预设部位区域(即第一预设部位区域)。
所述回归卷积神经网络模型可以包括卷积层、全连接层和输出层。在一具体实施例中，参阅图2所示，所述回归卷积神经网络模型包括六个卷积层、一个全连接层和一个输出层，每个卷积层的后面接一个最大池化层(图上未示出)。输入图像依次经过各个卷积层、全连接层和输出层，最后得到输入图像中的预设部位区域(即预设部位在输入图像中的位置)。根据回归卷积神经网络模型输出的预设部位区域即可从输入图像裁切出预设部位区域图像。
所述回归卷积神经网络模型使用标注有预设部位区域的训练图像进行训练。
在一实施例中，所述回归卷积神经网络模型检测到的预设部位区域为正方形区域，所述回归卷积神经网络模型训练时所用的损失函数可以定义为：
Figure GDA0002941217420000171
其中，o1，o2，o3是回归卷积神经网络模型的输出，(o1，o2)是检测到的预设部位区域的中心坐标(o1为横坐标，o2为纵坐标)，o3是检测到的预设部位区域的边长。xt，yt，It是真实的预设部位区域(即标注的预设部位区域)的中心坐标和边长。
可以使用神经网络训练算法，例如反向传播算法对回归卷积神经网络模型进行训练。训练回归卷积神经网络模型所用的神经网络训练算法为公知技术，此处不再赘述。
预测单元404，用于利用训练好的双训练卷积神经网络模型中的第一卷积神经子网络预测所述第一预设部位区域属于病变区域的概率，得到第一病变概率，利用训练好的双训练卷积神经网络模型中的第二卷积神经子网络预测所述第二预设部位区域属于病变区域的概率，得到第二病变概率，其中所述双训练卷积神经网络模型通过对所述第一卷积神经子网络与第二卷积神经子网络同时训练得到，所述双训练卷积神经网络模型训练所用的损失函数由所述第一卷积神经子网络的第一损失函数、所述第二卷积神经子网络的第二损失函数和所述第一卷积神经子网络与第二卷积神经子网络之间的一致性损失函数组成。
所述双训练卷积神经网络模型包括第一卷积神经子网络和第二卷积神经子网络。第一卷积神经子网络用于预测第一磁共振图像中的第一预设部位区域属于病变区域的概率，第二卷积神经子网络用于预测第二磁共振图像中的第二预设部位区域属于病变区域的概率。
在利用第一卷积神经子网络预测第一磁共振图像中的第一预设部位区域属于病变区域的概率时，将第一预设部位区域对应第一预设部位区域图像输入第一卷积神经子网络。同样，在利用第二卷积神经子网络预测第二磁共振图像中的第二预设部位区域属于病变区域的概率，将第二预设部位区域对应第二预设部位区域图像输入第二卷积神经子网络。
所述第一卷积神经子网络与第二卷积神经子网络均包括多个卷积层和一个全局平均池化层，输入图像(即预设部位区域图像)经过所述多个卷积层得到输入图像的病变响应图，所述全局平均池化层对病变响应图进行全局平均池化得到输入图像的病变概率。所述病变响应图的每一个像素点代表该像素点为病变部位的概率。所述病变概率代表所述输入图像含有病变部位的概率，即预设部位区域属于病变区域的概率。
在一实施例中，所述第一卷积神经子网络与第二卷积神经子网络的结构相同。例如，参阅图3所示，所述第一卷积神经子网络与第二卷积神经子网络均包括十八个卷积层和一个全局平均池化层。
所述第一卷积神经子网络与第二卷积神经子网络使用已标注预设部位区域是否为病变区域的训练图像进行训练。例如，第一卷积神经子网络用于对ADC图像进行预测，则使用已标注预设部位区域是否为病变区域的ADC图像进行训练。第二卷积神经子网络用于对T2w图像进行预测，则使用已标注预设部位区域是否为病变区域的T2w图像进行训练。
所述第一卷积神经子网络与第二卷积神经子网络同时进行训练。在对第一卷积神经子网络与第二卷积神经子网络进行训练时，所述第一损失函数与第二损失函数为：
L(p，y)＝-[ylog(p)+(1-y)log(1-p)]，
其中，p是所述第一卷积神经子网络/第二卷积神经子网络对对应的训练图像预测得到的病变概率，y是标签，若训练图像有病变y为1，没有病变y为0。
所述一致性损失函数为：
Figure GDA0002941217420000191
其中，σ(·)是sigmoid函数，||·||是L2范数，N是图像的像素总数。
所述双训练卷积神经网络模型的损失函数为：
E＝w1L(pADC，y1)+w2L(pT2w，y2)+w3L(MADC，MT2w)，
其中，w1是第一损失函数的权重，w2是第二损失函数的权重，w3是一致性损失函数的权重，w1+w2+w3＝1。
可以使用神经网络训练算法，例如反向传播算法对双训练卷积神经网络模型进行训练。训练双训练卷积神经网络模型所用的神经网络训练算法为公知技术，此处不再赘述。
判断单元405，用于根据所述第一病变概率与第二病变概率判断所述预设部位是否为病变部位。
可以计算所述第一病变概率与第二病变概率的加权和，判断所述加权和是否大于或等于第一预设阈值(例如0.5)，若所述加权和大于或等于第一预设阈值，则判断所述预设部位为病变部位。否则，若所述加权和小于第一预设阈值，则判断所述预设部位非病变部位。可以预先设置第一病变概率与第二病变概率的权重，例如，第一病变概率的权重为0.3，第二病变概率的权重为0.7，若第一病变概率为0.5，第二病变概率为0.8，则加权和为0.5*0.3+0.8*0.7＝0.71。若第一预设阈值为0.5，则判断所述预设部位为病变部位。
或者，可以判断所述第一病变概率是否大于或等于第二预设阈值(例如0.5)，判断所述第二病变概率是否大于或等于第三预设阈值(例如0.6)，若所述第一病变概率大于或等于第二预设阈值且所述第二病变概率大于或等于第三预设阈值，则判断所述预设部位为病变部位。否则，若所述第一病变概率小于第二预设阈值或者所述第二病变概率小于第三预设阈值，则判断所述预设部位非病变部位。所述第一预设阈值、第二预设阈值、第三预设阈值可以相同也可以不同。
实施例二使用不同序列图像(即不同磁共振扫描序列扫描得到的第一磁共振图像与第二磁共振图像)进行病变部位识别，与使用单序列图像(即单一扫描序列扫描得到的磁共振图像)进行病变部位识别相比，本装置提高了病变部位识别的准确率。并且，本装置的双训练卷积神经网络模型包含两个卷积神经子网络，两个卷积神经子网络同时训练，双训练卷积神经网络模型学习到不同序列图像的关联特性，提高了双训练卷积神经网络模型的识别精度。
实施例三
图5为本发明实施例三提供的计算机装置的示意图。所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40，例如病变部位识别程序。所述处理器30执行所述计算机程序40时实现上述病变部位识别方法实施例中的步骤，例如图1所示的步骤101-105。或者，所述处理器30执行所述计算机程序40时实现上述装置实施例中各模块/单元的功能，例如图4中的单元401-405。
示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/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，该指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如，所述计算机程序40可以被分割成图4中的获取单元401、配准单元402、检测单元403、预测单元404、判断单元405，各单元具体功能参见实施例二。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图5仅仅是计算机装置1的示例，并不构成对计算机装置1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，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30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)、现成可编程门阵列(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30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20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***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20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(Secure Digital，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。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应该理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，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案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (8)

1.一种病变部位识别装置，其特征在于，所述装置包括：
获取单元，用于获取应用不同的磁共振扫描序列对人体的预设部位进行磁共振扫描得到的第一磁共振图像与第二磁共振图像；
配准单元，用于对所述第一磁共振图像与第二磁共振图像进行图像配准；
检测单元，用于利用训练好的回归卷积神经网络模型对配准后的第一磁共振图像与第二磁共振图像进行检测，得到配准后的第一磁共振图像中的第一预设部位区域与配准后的第二磁共振图像中的第二预设部位区域；
预测单元，用于利用训练好的双训练卷积神经网络模型中的第一卷积神经子网络预测所述第一预设部位区域属于病变区域的概率，得到第一病变概率，利用训练好的双训练卷积神经网络模型中的第二卷积神经子网络预测所述第二预设部位区域属于病变区域的概率，得到第二病变概率，其中所述双训练卷积神经网络模型通过对所述第一卷积神经子网络与所述第二卷积神经子网络同时训练得到，所述双训练卷积神经网络模型训练所用的损失函数由所述第一卷积神经子网络的第一损失函数、所述第二卷积神经子网络的第二损失函数和所述第一卷积神经子网络与所述第二卷积神经子网络之间的一致性损失函数组成；
判断单元，用于根据所述第一病变概率与第二病变概率判断所述预设部位是否为病变部位；
所述第一损失函数与第二损失函数为：
L(p,y)＝-[ylog(p)+(1-y)log(1-p)]，
其中，p是所述第一卷积神经子网络/第二卷积神经子网络对对应的训练图像预测得到的病变概率，y是标签，若训练图像有病变y为1，没有病变y为0；
所述一致性损失函数为：
Figure FDA0002941217410000011
其中，ADC表示所述第一卷积神经子网络的训练图像是表观弥散系数图像，T2w表示第二卷积神经子网络的训练图像是T2加权图像，σ(·)是sigmoid函数，||·||是L2范数，N是图像的像素总数；
所述双训练卷积神经网络模型的损失函数为：
E＝w1L(pADC,y1)+w2L(pT2w,y2)+w3L(MADC,MT2w)，
其中，w1是所述第一损失函数的权重，w2是所述第二损失函数的权重，w3是所述一致性损失函数的权重，w1+w2+w3＝1。
2.如权利要求1所述的病变部位识别装置，其特征在于，所述配准单元对所述第一磁共振图像与第二磁共振图像进行图像配准包括：
计算所述第一磁共振图像与第二磁共振图像的互信息，使所述第一磁共振图像与第二磁共振图像的互信息最大，所述第一磁共振图像与第二磁共振图像的互信息为：
Figure FDA0002941217410000021
Figure FDA0002941217410000022
Figure FDA0002941217410000023
Figure FDA0002941217410000024
其中，A、B分别表示所述第一磁共振图像与第二磁共振图像，a、b分别表示所述第一磁共振图像、第二磁共振图像中像素值的范围，#a表示所述第一磁共振图像中像素值属于范围a内的像素的个数，#b表示所述第二磁共振图像B中像素值属于范围b内的像素的个数，#A、#B分别表示所述第一磁共振图像、第二磁共振图像的像素数，p(a)表示所述第一磁共振图像中像素值属于范围a内的像素出现的概率，p(b)表示所述第二磁共振图像中像素值属于范围b内的像素出现的概率。
3.如权利要求1所述的病变部位识别装置，其特征在于，所述配准单元对所述第一磁共振图像与第二磁共振图像进行图像配准包括：
在所述第一磁共振图像上选取第一参照点，在所述第二磁共振图像上选取第二参照点，所述第一参照点、第二参照点是所述预设部位的相同位置上的点；
计算所述第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算所述第二磁共振图像中各个像素点与所述第二参照点的相对坐标；
根据所述第一磁共振图像中各个像素点与所述第一参照点的相对坐标，计算所述第一磁共振图像的中心点，以及根据所述第二磁共振图像中各个像素点与所述第二参照点的相对坐标，计算所述第二磁共振图像的中心点；
将所述第一磁共振图像的中心点与所述第二磁共振图像的中心点对齐。
4.如权利要求1所述的病变部位识别装置，其特征在于，所述配准单元对所述第一磁共振图像与第二磁共振图像进行图像配准包括：
将所述第一磁共振图像与第二磁共振图像的分辨率分别减小一倍，将分辨率分别减小一倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第一配准结果；
将所述第一磁共振图像与第二磁共振图像的分辨率分别减小二倍，将分辨率分别减小二倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第二配准结果；
将所述第一磁共振图像与第二磁共振图像的分辨率分别减小四倍，将分辨率分别减小四倍后的第一磁共振图像与第二磁共振图像进行图像配准，得到第三配准结果；
根据所述第一配准结果、第二配准结果、第三配准结果得到最终的配准结果。
5.如权利要求1所述的病变部位识别装置，其特征在于，所述判断单元根据所述第一病变概率与第二病变概率判断所述预设部位是否为病变部位包括：
计算所述第一病变概率与所述第二病变概率的加权和，判断所述加权和是否大于或等于第一预设阈值，若所述加权和大于或等于第一预设阈值，则判断所述预设部位为病变部位；或者
判断所述第一病变概率是否大于或等于第二预设阈值，判断所述第二病变概率是否大于或等于第三预设阈值，若所述第一病变概率大于或等于第二预设阈值且所述第二病变概率大于或等于第三预设阈值，则判断所述预设部位为病变部位。
6.如权利要求1所述的病变部位识别装置，其特征在于，所述第一磁共振图像为表观弥散系数图像，所述第二磁共振图像为T2加权图像。
7.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1-6中任一项所述病变部位识别装置提供的病变部位识别方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述病变部位识别装置提供的病变部位识别方法。
CN201810503205.XA 2018-05-23 2018-05-23 病变部位识别装置、计算机装置及可读存储介质 Active CN108846829B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810503205.XA CN108846829B (zh) 2018-05-23 2018-05-23 病变部位识别装置、计算机装置及可读存储介质
PCT/CN2018/099666 WO2019223123A1 (zh) 2018-05-23 2018-08-09 病变部位识别方法及装置、计算机装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810503205.XA CN108846829B (zh) 2018-05-23 2018-05-23 病变部位识别装置、计算机装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN108846829A CN108846829A (zh) 2018-11-20
CN108846829B true CN108846829B (zh) 2021-03-23

Family

ID=64213281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810503205.XA Active CN108846829B (zh) 2018-05-23 2018-05-23 病变部位识别装置、计算机装置及可读存储介质

Country Status (2)

Country Link
CN (1) CN108846829B (zh)
WO (1) WO2019223123A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741379A (zh) * 2018-12-19 2019-05-10 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN110346743B (zh) * 2019-07-22 2021-09-14 上海东软医疗科技有限公司 一种磁共振弥散加权成像方法和装置
CN110378313B (zh) * 2019-07-26 2021-05-18 玖壹叁陆零医学科技南京有限公司 细胞团识别方法、装置及电子设备
CN110533668B (zh) * 2019-07-30 2021-09-21 北京理工大学 基于统计约束损失函数的脑梗塞病灶自动分割方法
CN114972278A (zh) * 2019-11-28 2022-08-30 深圳硅基智控科技有限公司 基于互补注意力的训练方法
CN111784683B (zh) * 2020-07-10 2022-05-17 天津大学 病理切片检测方法及装置、计算机设备及存储介质
CN113554642B (zh) * 2021-08-12 2022-03-11 北京安德医智科技有限公司 对病灶鲁棒的脑区定位方法及装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023154A (zh) * 2016-05-09 2016-10-12 西北工业大学 基于双通道卷积神经网络的多时相sar图像变化检测方法
JP2017062776A (ja) * 2015-09-04 2017-03-30 株式会社東芝 構造物に対する変化を検出するための方法、装置およびコンピュータ可読媒体
CN107273938A (zh) * 2017-07-13 2017-10-20 西安电子科技大学 基于双通道卷积阶梯网的多源遥感影像地物分类方法
CN107492097A (zh) * 2017-08-07 2017-12-19 北京深睿博联科技有限责任公司 一种识别mri图像感兴趣区域的方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10235606B2 (en) * 2015-07-22 2019-03-19 Siemens Healthcare Gmbh Method and system for convolutional neural network regression based 2D/3D image registration
CN107545584B (zh) * 2017-04-28 2021-05-18 上海联影医疗科技股份有限公司 医学图像中定位感兴趣区域的方法、装置及其***
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017062776A (ja) * 2015-09-04 2017-03-30 株式会社東芝 構造物に対する変化を検出するための方法、装置およびコンピュータ可読媒体
CN106023154A (zh) * 2016-05-09 2016-10-12 西北工业大学 基于双通道卷积神经网络的多时相sar图像变化检测方法
CN107273938A (zh) * 2017-07-13 2017-10-20 西安电子科技大学 基于双通道卷积阶梯网的多源遥感影像地物分类方法
CN107492097A (zh) * 2017-08-07 2017-12-19 北京深睿博联科技有限责任公司 一种识别mri图像感兴趣区域的方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A novel end-to-end classifier using domain transferred deep convolutional neural networks for biomedical images;Shuchao Pang et al;《Computer Methods and Programs in Biomedicine》;20171231;283-293 *
Convolutional Neural Networks for Large-Scale Remote-Sensing Image Classification;Emmanuel Maggiori et al;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20170228;第55卷(第2期);645-657 *
HD-CNN: Hierarchical Deep Convolutional Neural Networks for Large Scale Visual Recognition;Zhicheng Yan et al;《2015 IEEE International Conference on Computer Vision》;20160218;2740-2748 *
基于并行深度卷积神经网络的图像美感分类;王伟凝等;《自动化学报》;20160630;第42卷(第6期);904-914 *

Also Published As

Publication number Publication date
WO2019223123A1 (zh) 2019-11-28
CN108846829A (zh) 2018-11-20

Similar Documents

Publication Publication Date Title
CN108846829B (zh) 病变部位识别装置、计算机装置及可读存储介质
CN110310256B (zh) 冠脉狭窄检测方法、装置、计算机设备和存储介质
CN112070119B (zh) 超声切面图像质量控制方法、装置和计算机设备
Rundo et al. Automated prostate gland segmentation based on an unsupervised fuzzy C-means clustering technique using multispectral T1w and T2w MR imaging
Oghli et al. Automatic fetal biometry prediction using a novel deep convolutional network architecture
Li et al. Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images
CN112365980B (zh) 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及***
US20220101034A1 (en) Method and system for segmenting interventional device in image
CN111325714A (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
US20220028068A1 (en) Multi-scale tumor cell detection and classification
CN110910335A (zh) 一种图像处理方法、图像处理设备及计算机可读存储介质
CN114494215A (zh) 基于Transformer的甲状腺结节检测方法
CN111128348B (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN113764101B (zh) 基于cnn的乳腺癌新辅助化疗多模态超声诊断***
CN117036343B (zh) 用于识别腋窝***转移癌的ffoct图像分析方法和装置
Liu et al. A new multi‐object image thresholding method based on correlation between object class uncertainty and intensity gradient
CN108765399B (zh) 病变部位识别装置、计算机装置及可读存储介质
CN112101396A (zh) 一种分类方法、装置、设备和存储介质
CN113362350B (zh) 癌症病历图像的分割方法、装置、终端设备和存储介质
CN114757890A (zh) 医学图像处理方法、装置、设备和存储介质
CN111598878B (zh) 用于电阻抗成像的图像空间分辨能力的确定方法及装置
CN114677503A (zh) 感兴趣区域检测方法、装置、计算机设备和存储介质
CN111210414B (zh) 医学图像分析方法、计算机设备和可读存储介质
CN116205929A (zh) 一种超声融合成像方法及设备、存储介质
CN114241198A (zh) 获取局部影像组学特征的方法、装置、设备以及存储介质

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