CN109447963A - 一种脑部影像识别的方法及装置 - Google Patents
一种脑部影像识别的方法及装置 Download PDFInfo
- Publication number
- CN109447963A CN109447963A CN201811227491.8A CN201811227491A CN109447963A CN 109447963 A CN109447963 A CN 109447963A CN 201811227491 A CN201811227491 A CN 201811227491A CN 109447963 A CN109447963 A CN 109447963A
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- phantom
- characteristic
- identified
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例提供了一种脑部影像识别的方法及装置,所述方法包括:获取待检测用户的脑部影像;所述脑部影像包括N帧脑部图像;将待识别的脑部影像输入至特征提取模块中,输出所述待识别的脑部影像的特征图像;所述特征图像为根据不同尺寸的特征图像确定的;所述待识别的脑部影像包括脑部图像及与所述脑部图像相邻的脑部图像;根据所述待识别的脑部影像的特征图像,确定出所述脑部图像的病灶区域。
Description
技术领域
本发明实施例涉及机器学习技术领域,尤其涉及一种脑部影像识别的方法及装置。
背景技术
“脑卒中”(cerebral stroke)又称“中风”,是一种急性脑血管疾病,是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病,包括缺血性和出血性卒中。统计数据显示,目前中国脑卒中发生率正以每年8.7%的速率上升,脑血管病已成为中国居民第一位的死亡原因。
对于脑卒中患者来说,从发病到治疗的“时间窗”对降低死亡率、致残率至关重要。而卒中治疗的“时间窗”非常短,通常在发病3小时或4.5小时之内开始,因此需要医院竭尽所能缩短中间环节,为病人争取救治时间,拍摄CT图像成为了高效和经济兼顾的最佳检查手段。然而通过人工阅片判断的方式来对脑卒中进行诊断,所耗时间过久,容易导致病情被拖延,且在诊断的时候需要经验丰富的医生,容易由于人为差异导致病情判断不准确。
现有技术中主要由人工查看脑部影像的方法判断病情,精度受人的主观因素影像大,效率较低。
发明内容
现有技术中主要由人工查看脑部影像的方法判断病情,精度受人为的主观因素影像大,效率较低的问题,本发明实施例提供了一种脑部影像识别的方法及装置。
第一方面,本发明实施例提供了一种脑部影像识别的方法,包括:
获取待检测用户的脑部影像;所述脑部影像包括N帧脑部图像;N为正整数;
将待识别的脑部影像输入至特征提取模块中,输出所述待识别的脑部影像的特征图像;所述特征图像为根据不同尺寸的特征图像确定的;所述待识别的脑部影像包括脑部图像及与所述脑部图像相邻的脑部图像;
根据所述待识别的脑部影像的特征图像,确定出所述脑部图像的病灶区域。
一种可能的实现方式,所述特征提取模块依次包括M个下采样卷积块和M个上采样卷积块;
所述将待识别的脑部影像输入至特征提取模块中,输出所述待识别的脑部影像的特征图像,包括:
将所述脑部图像及与所述脑部图像相邻的脑部图像作为多通道,依次通过M个下采样卷积块提取所述脑部图像的第一特征图像,每个下采样卷积块提取的第一特征图像的尺寸均不同,M大于0;
针对第K个上采样卷积块,所述上采样卷积块将第K-1个上采样卷积输出的第二特征图像与第K个下采样卷积块输出的特征图像合并后,作为所述上采样卷积块输入的特征图像;每个上采样卷积块提取的第二特征图像的尺寸均不同;M≥K;K为正整数;
将第M个上采样卷积块输出的第二特征图像作为所述脑部图像的特征图像。
一种可能的实现方式,所述根据所述待识别的脑部影像的特征图像,确定出所述脑部图像的病灶区域,包括:
将所述脑部影像的特征图像进行卷积,确定所述脑部图像的概率分布图;
根据预设阈值对所述脑部图像的概率分布图进行分割;
将所述脑部图像的概率分布图中概率大于所述预设阈值的像素块确定为所述脑部图像的病灶区域。
一种可能的实现方式,所述脑部图像为所述待识别的脑部影像中的第一区域图像;所述方法还包括:
将所述待识别的脑部影像中的第二区域图像输入至所述特征提取模块中,输出所述待识别的脑部影像的参考特征图像;所述第二区域图像与所述第一区域图像存在对称关系;
根据所述待识别的脑部影像的特征图像,确定出所述脑部图像的病灶区域,包括:
根据所述特征图像和所述参考特征图像,确定所述第一区域图像中的脑部病灶区域。
第二方面,本发明实施例提供了一种脑部影像识别的装置,包括:
获取单元,用于获取待检测用户的脑部影像;所述脑部影像包括N帧脑部图像;N为正整数;
处理单元,用于将待识别的脑部影像输入至特征提取模块中,输出所述待识别的脑部影像的特征图像;所述特征图像为根据不同尺寸的特征图像确定的;所述待识别的脑部影像包括脑部图像及与所述脑部图像相邻的脑部图像;根据所述待识别的脑部影像的特征图像,确定出所述脑部图像的病灶区域。
一种可能的实现方式,所述特征提取模块依次包括M个下采样卷积块和M个上采样卷积块;所述处理模块,具体用于:
将所述脑部图像及与所述脑部图像相邻的脑部图像作为多通道,依次通过M个下采样卷积块提取所述脑部图像的第一特征图像,每个下采样卷积块提取的第一特征图像的尺寸均不同,M大于0;针对第K个上采样卷积块,所述上采样卷积块将第K-1个上采样卷积输出的第二特征图像与第K个下采样卷积块输出的特征图像合并后,作为所述上采样卷积块输入的特征图像;每个上采样卷积块提取的第二特征图像的尺寸均不同;M≥K;K为正整数;将第M个上采样卷积块输出的第二特征图像作为所述脑部图像的特征图像。
一种可能的实现方式,所述处理模块,具体用于:
将所述脑部影像的特征图像进行卷积,确定所述脑部图像的概率分布图;根据预设阈值对所述脑部图像的概率分布图进行分割;将所述脑部图像的概率分布图中概率大于所述预设阈值的像素块确定为所述脑部图像的病灶区域。
一种可能的实现方式,所述脑部图像为所述待识别的脑部影像中的第一区域图像;所述处理模块,还用于:
将所述待识别的脑部影像中的第二区域图像输入至所述特征提取模块中,输出所述待识别的脑部影像的参考特征图像;所述第二区域图像与所述第一区域图像存在对称关系;根据所述特征图像和所述参考特征图像,确定所述第一区域图像中的脑部病灶区域。
第三方面,本发明实施例提供了一种脑部影像识别的设备,包括至少一个处理器、以及至少一个存储器,其中,所述存储单元存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行第一方面所述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读介质,其存储有可由脑部影像识别的设备执行的计算机程序,当所述程序在脑部影像识别的设备上运行时,使得所述脑部影像识别的设备执行第一方面所述方法的步骤。
本发明实施例中,通过卷积神经网络模型进行病灶识别,确定待检测用户的脑部影像病情,而不需要人工主观根据脑部影像判断病情,从而一方面提高了脑部影像识别的精度,另一方面提高了脑部影像识别的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种脑部影像识别的方法的流程示意图;
图2为本发明实施例提供的一种脑部影像的示意图;
图3为本发明实施例提供的一种脑部影像识别方法的示意图;
图4为本发明实施例提供的一种脑部影像识别的装置的结构示意图;
图5为本发明实施例提供的一种脑部影像识别的设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有技术中,采用传统的机器学习模块提取脑部样本图像中图像特征,成本高、效率低,只能预测出血或缺血两种卒中类型,无法适应脑卒中的病变检测。或者是仅针对MRI输入图像,采用卷积神经网络做脑肿瘤分割,不能用于脑卒中病变检测。针对CT影像的急性脑卒中病变区域检测由于较强依赖于专家经验,目前没有相关的算法。
基于上述问题,图1示例性示出了本发明实施例提供的一种脑部影像识别的方法的流程示意图,该流程可以由脑部影像识别的装置执行,具体包括以下步骤:
步骤S101,获取待检测用户的脑部影像。
其中,所述脑部影像可以包括N帧脑部图像;N为正整数。N可以根据需要选取,在此不做限定。
脑部影像指采用X光拍摄的特定图像,例如,CT影像。可以为三维影像,也可以为二维影像。示例性地,脑部影像可以如图2中的左图所示。
获取待检测用户的脑部影像之后,可以先对脑部影像进行预处理,预处理过程主要可以包括图像归一化。
图像归一化包括以下步骤:将脑部影像为DICOM格式的图像,先根据DICOM信息,选取固定的窗宽窗位,例如,窗宽为W=80,窗位为L=40,转为PNG格式的脑部影像图像。将至少N帧脑部图像插值缩放到固定大小,例如512*512像素。在缩放之前,还可以通过在脑部图像上侧或两侧添加黑边,将脑部图像长宽比调整为1:1,在此不做限定。
步骤S102,将待识别的脑部影像输入至特征提取模块中,输出所述待识别的脑部影像的特征图像;所述特征图像为根据不同尺寸的特征图像确定的;所述待识别的脑部影像包括脑部图像及与所述脑部图像相邻的脑部图像;
其中,所述相邻的脑部图像可以为1张脑部图像,也可以为多张脑部图像,在此不做限定。
为减少模型的计算量,本发明实施例可以采用2维卷积神经网络,一种可能的实现方式,如图3所示,所述特征提取模块依次包括M个下采样卷积块和M个上采样卷积块;可以包括:
步骤S301、将所述脑部图像及与所述脑部图像相邻的脑部图像作为多通道,依次通过M个下采样卷积块提取所述脑部图像的第一特征图像,每个下采样卷积块提取的第一特征图像的尺寸均不同,M大于0;
例如,所述多通道可以为3通道。
步骤S302、针对第K个上采样卷积块,所述上采样卷积块将第K-1个上采样卷积输出的第二特征图像与第K个下采样卷积块输出的特征图像合并后,作为所述上采样卷积块输入的特征图像;每个上采样卷积块提取的第二特征图像的尺寸均不同;M≥K;K为正整数;
步骤S303、将第M个上采样卷积块输出的第二特征图像作为所述待识别的脑部影像的特征图像。
一种可能的实现方式,所述特征提取模块包括2M个卷积模块;所述2M个卷积模块为下采样卷积块和/或上采样卷积块;每个下采样卷积块或上采样卷积块提取的特征图像的尺寸均不同,所述2M个卷积模块的每个卷积模块中包括第一卷积层、第二卷积层;所述第一卷积层输出的特征图像的个数小于所述第一卷积层输入的特征图像的个数;所述第二卷积层输出的特征图像的个数大于所述第二卷积层输入的特征图像的个数;M大于0;
举例来说,该特征提取模块可以包括三个下采样卷积块。每个卷积模块可以包括第一卷积层和第二卷积层,第一卷积层包括卷积层,与卷积层连接的归一化(BatchNormalization,BN)层、与BN层连接的激活函数层。
为增加特征提取模块的深度,一种可能的实现方式,特征图像经过卷积模块的步骤可以包括:
步骤一:将所述卷积模块输入的特征图像输入至所述第一卷积层获得第一特征图像;第一卷积层的卷积核可以为N1*m*m*N2;N1为所述卷积模块输入的特征图像的通道数,N2为第一特征图像的通道数;N1>N2;
步骤二:将第一特征图像输入至所述第二卷积层获得第二特征图像;第一卷积层的卷积核可以为N2*m*m*N3;N3为第二特征图像的通道数;N3>N2;
步骤三:将所述卷积模块输入的特征图像和所述第二特征图像合并后,确定为所述卷积模块输出的特征图像。
在一种具体的实施例中,第二卷积层输出的特征图像的个数可以与第一卷积层输入的特征图像的个数相等。即,N1=N2。
上文所描述的脑部图像对应的特征图像的确定方式仅为一种可能的实现方式,在其它可能的实现方式中,也可以通过其它方式确定脑部影像对应的特征图像,具体不做限定。
需要说明的是:本发明实施例中的激活函数可以为多种类型的激活函数,比如,可以为线性整流函数(Rectified Linear Unit,ReLU),具体不做限定;
由于本发明实施例中输入的图像为二维图像,因此,本发明实施例中的特征提取模块可以为(2Dimensions,2D)卷积神经网络中的特征提取模块,相应地,第一卷积层的卷积核大小可以为m*m、第二卷积层的卷积核大小可以为n*n;m和n可以相同也可以不同,在此不做限定;其中,m,n为大于或等于1的整数。第一卷积层输出的特征图像的个数小于所述第一卷积层输入的特征图像的个数;所述第二卷积层输出的特征图像的个数大于所述第二卷积层输入的特征图像的个数。
进一步的,为优化特征提取模块,一种可能的实现方式,所述第一卷积层和所述第二卷积层之间还包括第三卷积层;所述第三卷积层输入的特征图像为所述第一卷积层输出的图像,所述第三卷积层输出的特征图像为所述第二卷积层输入的图像。
其中,第三卷积层的卷积核大小可以为k*k,k与m,n可以相同,也可以不同,在此不做限定。
一个具体的实施例中,所述第一卷积层的卷积核的大小为3*3;所述第二卷积层的卷积核的大小为3*3;所述第三卷积层的卷积核的大小为1*1。
通过上述卷积核的设置方式,可以有效的提高特征提取的感知野,有利于提高脑部病灶识别的准确度。
不同尺寸的特征图像可以为不同像素的特征图像,比如像素为的特征图像与像素为的特征图像为不同尺寸的特征图像。
可选地,采用预先训练好的的脑部病灶检测模型提取待识别的脑部影像的不同尺寸的特征图像,模型是采用2D卷积神经网络对已标记的多个用户的脑部影像进行训练后确定的。
可选地,在提取脑部图像的不同尺寸的特征图像之前,将脑部图像缩放到特定尺寸,使各方向上像素与实际长度的比例尺一定。
另一种可能的实现方式,所述特征提取模块包括M个下采样卷积块和M个上采样卷积块;所述获取所述待识别的脑部影像的不同尺寸的特征图像,包括:
将所述待识别的脑部影像依次通过M个下采样卷积块提取M个所述待识别的脑部影像的第一特征图像;
将第M个下采样卷积块输出的第一特征图像依次通过M个上采样卷积块提取M个所述待识别的脑部影像的第二特征图像,每个上采样卷积块提取的第二特征图像的尺寸均不同;
将尺寸相同的第一特征图像和第二特征图像合并后,确定N个所述待识别的脑部影像的不同尺寸的特征图像。
为提高特征提取的感知野,提高特征提取的性能,一种可能的实现方式,所述特征提取模块之前还包括特征预处理模块;所述特征预处理模块包括一个卷积层,一个BN层,一个ReLU层和一个池化层;所述特征预处理模块的卷积核大小大于所述N个卷积模块中任一卷积模块的卷积核的大小。
优选的,所述卷积层的卷积核大小可以为7*7,间隔为2个像素。池化层为2*2的最大值池化。通过特征预处理模块,可以将图像面积迅速缩小,边长变为原有1/4,有效的提高特征图像的感知野,快速的提取浅层特征,有效的减少原始信息的损失。
一种可能的实现方式,所述特征预处理模块包括连续的多个卷积层,一个BN层,一个ReLU层和一个池化层;所述特征预处理模块的卷积核大小与所述N个卷积模块中的最大的卷积核的大小相等。
步骤S103,根据所述脑部影像的特征图像,确定出所述脑部影像的病灶区域。
如图2右图所示,为本发明实施例中提供的识别出的病灶区域的示例。
可以看出,本发明实施例,通过特征提取模块,以及将相邻的脑部影像作为多通道输入至特征提取模块进行特征提取,有效的提高了对脑部影像的识别的准确度。能够降低因医生水平差异导致的诊断误差率,从而提高脑卒中病灶诊断的准确性。
为进一步提高脑部病灶识别的准确率,本发明实施例提供一种脑部图像病灶识别的方法,包括:
步骤301:获取脑部图像,所述脑部图像为所述待识别的脑部影像中的第一区域图像;
举例来说,第一区域图像可以为左脑区域的脑部图像;第二区域图像可以为右脑区域的脑部图像;
步骤302:将所述脑部图像及与脑部图像相邻的脑部图像输入至特征提取模块中,获取所述脑部图像的特征图像;
步骤303:将所述待识别的脑部影像中的第二区域图像输入至所述特征提取模块中,输出所述待识别的脑部影像的参考特征图像;
其中,所述第二区域图像与所述第一区域图像存在对称关系;
步骤304:根据所述特征图像和所述参考特征图像,确定所述第一区域图像中的脑部病灶区域;
同理,还可以根据待识别的脑部影像的第二区域图像及脑部影像的第二区域图像的参考图像(例如,第一区域图像),确定第二区域图像中的脑部病灶区域;根据从待识别的脑部影像中确定出的所有脑部病灶区域,确定所述待识别的脑部影像所有区域的脑部病灶。
通过参考特征图像的识别,进一步提高了特征图像中病灶区域中的识别准确率,避免了正常脑部组织的干扰,提高了病灶检出率。
下面具体介绍一下通过卷积神经网络对已标记脑部病灶的多个用户的脑部影像进行训练确定脑部病灶检测模型过程,包括以下步骤:
步骤一,获取多个用户的脑部影像作为训练样本。此处的脑部影像可以为挑选的多张脑部图像,也可以为单独的脑部图像,在此不做限定。
具体地,可以将获取的多幅脑部影像直接作为训练样本,也可以对获取的多幅脑部影像进行增强操作,扩大训练样本的数据量,增强操作包括但不限于:随机上下左右平移设定像素(比如0~20像素)、随机旋转设定角度(比如-20~20度)、随机缩放设定倍数(比如0.8~1.2倍)。
步骤二,人工标记训练样本中的脑部病灶。
可以通过医生等专业人员对训练样本中的脑部病灶进行标记,标记的内容包括脑部病灶的中心坐标以及脑部病灶的直径。具体地,可以由多名医生对脑部病灶进行标注,并通过多人投票合成的方式确定最终的脑部病灶以及脑部病灶参数,结果用掩码图的方式保存。需要说明的是,人工标记训练样本中脑部病灶与训练样本的增强操作不分先后,可以先人工标记训练样本中的脑部病灶,然后再将标记脑部病灶的训练样本进行增强操作,也可以先将训练样本进行增强操作,然后人工对增强操作后的训练样本进行标记。
步骤三,将训练样本输入卷积神经网络进行训练,确定脑部病灶识别模型。
该卷积神经网络的结构包括输入层、下采样卷积块、上采样卷积块、目标检测网络以及输出层。将训练样本进行预处理后输入上述卷积神经网络,将输出的概率分布图与预先标记的训练样本的掩码图进行损失函数计算,然后采用反向传播算法以及随机梯度下降(Stochastic Gradient Descent,SGD)优化算法反复迭代,确定脑部病灶检测模型。
进一步地,采用上述训练确定的脑部病灶检测模型提取待识别的脑部影像的不同尺寸的特征图像的过程,所述特征提取模块依次包括M个下采样卷积块和M个上采样卷积块;包括以下步骤:
步骤一,将所述脑部图像及与所述脑部图像相邻的脑部图像作为多通道,依次通过M个下采样卷积块提取所述脑部图像的第一特征图像,每个下采样卷积块提取的第一特征图像的尺寸均不同,M大于0;
步骤二,针对第K个上采样卷积块,所述上采样卷积块将第K-1个上采样卷积输出的第二特征图像与第K个下采样卷积块输出的特征图像合并后,作为所述上采样卷积块输入的特征图像;每个上采样卷积块提取的第二特征图像的尺寸均不同;M≥K;K为正整数;
步骤三,将第M个上采样卷积块输出的第二特征图像作为所述待识别的脑部影像的特征图像。
在步骤S103中,一种可能的实现方式,所述根据所述待识别的脑部影像的特征图像,确定出所述脑部影像的病灶区域,包括:
将所述特征图像进行卷积,确定所述脑部图像的概率分布图;
根据所述脑部图像的概率分布图确定所述脑部图像的病灶区域。
一种可能的实现方式,所述根据所述概率分布图确定所述脑部图像的病灶区域,包括:
根据预设阈值对所述脑部图像的概率分布图进行分割;
将所述脑部图像的概率分布图中概率大于所述预设阈值的像素块确定为所述脑部图像的病灶区域。
举例来说,可以通过预设阈值,对概率结果进行分割,大于所述预设阈值的像素保留。将所有保留像素中最大的几个连通块保留下来,作为输出病灶区域的结果。
具体可以包括以下步骤:首先对整张脑部图像的概率分布图使用高斯滤波,将滤波的结果二值化,二值化的阈值通过求图像灰度直方图的最大类间距方法获得。然后将二值化的结果膨胀后通过“种子填充”方法(flood fill)获得一个个独立的区域块,统计每个区域块的面积。将面积最大的区域块保留,确定为分割出来的病灶区域。
另一种可能的实现方式,可以根据不同尺寸的特征图像,确定脑部影像的特征图像。具体的,确定不同尺寸的特征图像的方法可以包括:
步骤一,将待识别的脑部影像依次通过M个下采样卷积块提取n*M个待识别的脑部影像的第一特征图像。n为待识别的脑部影像中的脑部图像的张数。
每个下采样卷积块提取的第一特征图像的尺寸均不同,M大于0。
可选地,下采样卷积块包括第一卷积层和第二卷积层、组连接层、前后连接层、下采样层。
步骤二,将第M个下采样卷积块输出的第一特征图像依次通过M个上采样卷积块提取n*M个脑部影像的第二特征图像。
每个上采样卷积块提取的第二特征图像的尺寸均不同。
可选地,上采样卷积块包括卷积层、组连接层、前后连接层、上采样层以及合成连接层。卷积层包括卷积运算,BN层和ReLU层。
步骤三,将尺寸相同的第一特征图像和第二特征图像合并后,确定n*M个脑部影像的不同尺寸的特征图像。
通过上采样卷积块中的合成连接层将尺寸相同的第一特征图像和第二特征图像合并确定不同尺寸的特征图像。可选地,在合并时,是将第一特征图像和第二特征图像的通道数进行合并,合并后得到的特征图像的尺寸与第一特征图像和第二特征图像的尺寸相同。
在步骤S103中,一种可能的实现方式,所述根据所述待识别的脑部影像的特征图像,确定出所述脑部影像的病灶区域,包括:
将所述不同尺寸的特征图像分别进行卷积,确定不同尺寸的特征图像对应的概率分布图;
根据所述概率分布图确定所述脑部影像的病灶区域。
通过不同尺寸的特征图像,可以获得待识别脑部影像中更多的信息,可以进一步提高病灶识别率。
基于相同的技术构思,本发明实施例提供了一种脑部影像识别的装置,如图4所示,该装置400包括:
获取模块401,用于获取待检测用户的脑部影像;所述脑部影像包括N帧脑部图像;N为正整数;
处理模块402,用于将待识别的脑部影像输入至特征提取模块中,输出所述待识别的脑部影像的特征图像;所述特征图像为根据不同尺寸的特征图像确定的;所述待识别的脑部影像包括脑部图像及与所述脑部图像相邻的脑部图像;根据所述待识别的脑部影像的特征图像,确定出所述脑部图像的病灶区域。
一种可能的实现方式,所述特征提取模块依次包括M个下采样卷积块和M个上采样卷积块;所述处理模块402,具体用于:
将所述脑部图像及与所述脑部图像相邻的脑部图像作为多通道,依次通过M个下采样卷积块提取所述脑部图像的第一特征图像,每个下采样卷积块提取的第一特征图像的尺寸均不同,M大于0;针对第K个上采样卷积块,所述上采样卷积块将第K-1个上采样卷积输出的第二特征图像与第K个下采样卷积块输出的特征图像合并后,作为所述上采样卷积块输入的特征图像;每个上采样卷积块提取的第二特征图像的尺寸均不同;M≥K;K为正整数;将第M个上采样卷积块输出的第二特征图像作为所述脑部图像的特征图像。
一种可能的实现方式,所述处理模块402,具体用于:
将所述脑部影像的特征图像进行卷积,确定所述脑部图像的概率分布图;根据预设阈值对所述脑部图像的概率分布图进行分割;将所述脑部图像的概率分布图中概率大于所述预设阈值的像素块确定为所述脑部图像的病灶区域。
一种可能的实现方式,所述脑部图像为所述待识别的脑部影像中的第一区域图像;所述处理模块402,还用于:
将所述待识别的脑部影像中的第二区域图像输入至所述特征提取模块中,输出所述待识别的脑部影像的参考特征图像;所述第二区域图像与所述第一区域图像存在对称关系;根据所述特征图像和所述参考特征图像,确定所述第一区域图像中的脑部病灶区域。
基于相同的技术构思,本发明实施例提供了一种脑部影像识别的设备,如图5所示,包括至少一个处理器501,以及与至少一个处理器连接的存储器502,本发明实施例中不限定处理器501与存储器502之间的具体连接介质,图5中处理器501和存储器502之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本发明实施例中,存储器502存储有可被至少一个处理器501执行的指令,至少一个处理器501通过执行存储器502存储的指令,可以执行前述的脑部影像识别的方法中所包括的步骤。
其中,处理器501是脑部影像识别的设备的控制中心,可以利用各种接口和线路连接脑部影像识别的设备的各个部分,通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据,从而实现脑部影像识别。可选的,处理器501可包括一个或多个处理单元,处理器501可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器501中。在一些实施例中,处理器501和存储器502可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列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,可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本发明实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于同一发明构思,本发明实施例还提供了一种计算机可读介质,其存储有可由脑部影像识别的设备执行的计算机程序,当所述程序在脑部影像识别的设备上运行时,使得所述脑部影像识别的设备执行脑部影像识别的方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种脑部影像识别的方法,其特征在于,包括:
获取待检测用户的脑部影像;所述脑部影像包括N帧脑部图像;N为正整数;
将待识别的脑部影像输入至特征提取模块中,输出所述待识别的脑部影像的特征图像;所述特征图像为根据不同尺寸的特征图像确定的;所述待识别的脑部影像包括脑部图像及与所述脑部图像相邻的脑部图像;
根据所述待识别的脑部影像的特征图像,确定出所述脑部图像的病灶区域。
2.如权利要求1所述的方法,其特征在于,所述特征提取模块依次包括M个下采样卷积块和M个上采样卷积块;
所述将待识别的脑部影像输入至特征提取模块中,输出所述待识别的脑部影像的特征图像,包括:
将所述脑部图像及与所述脑部图像相邻的脑部图像作为多通道,依次通过M个下采样卷积块提取所述脑部图像的第一特征图像,每个下采样卷积块提取的第一特征图像的尺寸均不同,M大于0;
针对第K个上采样卷积块,所述上采样卷积块将第K-1个上采样卷积输出的第二特征图像与第K个下采样卷积块输出的特征图像合并后,作为所述上采样卷积块输入的特征图像;每个上采样卷积块提取的第二特征图像的尺寸均不同;M≥K;K为正整数;
将第M个上采样卷积块输出的第二特征图像作为所述待识别的脑部影像的特征图像。
3.如权利要求1所述的方法,其特征在于,所述根据所述待识别的脑部影像的特征图像,确定出所述脑部图像的病灶区域,包括:
将所述脑部影像的特征图像进行卷积,确定所述脑部图像的概率分布图;
根据预设阈值对所述脑部图像的概率分布图进行分割;
将所述脑部图像的概率分布图中概率大于所述预设阈值的像素块确定为所述脑部图像的病灶区域。
4.如权利要求1所述的方法,其特征在于,所述脑部图像为所述待识别的脑部影像中的第一区域图像;所述方法还包括:
将所述待识别的脑部影像中的第二区域图像输入至所述特征提取模块中,输出所述待识别的脑部影像的参考特征图像;所述第二区域图像与所述第一区域图像存在对称关系;
根据所述待识别的脑部影像的特征图像,确定出所述脑部图像的病灶区域,包括:
根据所述特征图像和所述参考特征图像,确定所述第一区域图像中的脑部病灶区域。
5.一种脑部影像识别的装置,其特征在于,包括:
获取单元,用于获取待检测用户的脑部影像;所述脑部影像包括N帧脑部图像;N为正整数;
处理单元,用于将待识别的脑部影像输入至特征提取模块中,输出所述待识别的脑部影像的特征图像;所述特征图像为根据不同尺寸的特征图像确定的;所述待识别的脑部影像包括脑部图像及与所述脑部图像相邻的脑部图像;根据所述待识别的脑部影像的特征图像,确定出所述脑部图像的病灶区域。
6.如权利要求5所述的装置,其特征在于,所述特征提取模块依次包括M个下采样卷积块和M个上采样卷积块;所述处理模块,具体用于:
将所述脑部图像及与所述脑部图像相邻的脑部图像作为多通道,依次通过M个下采样卷积块提取所述脑部图像的第一特征图像,每个下采样卷积块提取的第一特征图像的尺寸均不同,M大于0;针对第K个上采样卷积块,所述上采样卷积块将第K-1个上采样卷积输出的第二特征图像与第K个下采样卷积块输出的特征图像合并后,作为所述上采样卷积块输入的特征图像;每个上采样卷积块提取的第二特征图像的尺寸均不同;M≥K;K为正整数;将第M个上采样卷积块输出的第二特征图像作为所述脑部图像的特征图像。
7.如权利要求5所述的装置,其特征在于,所述处理模块,具体用于:
将所述脑部影像的特征图像进行卷积,确定所述脑部图像的概率分布图;根据预设阈值对所述脑部图像的概率分布图进行分割;将所述脑部图像的概率分布图中概率大于所述预设阈值的像素块确定为所述脑部图像的病灶区域。
8.如权利要求5所述的装置,其特征在于,所述脑部图像为所述待识别的脑部影像中的第一区域图像;所述处理模块,还用于:
将所述待识别的脑部影像中的第二区域图像输入至所述特征提取模块中,输出所述待识别的脑部影像的参考特征图像;所述第二区域图像与所述第一区域图像存在对称关系;根据所述特征图像和所述参考特征图像,确定所述第一区域图像中的脑部病灶区域。
9.一种脑部影像识别的设备,其特征在于,包括至少一个处理器、以及至少一个存储器,其中,所述存储单元存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行权利要求1~4任一权利要求所述方法的步骤。
10.一种计算机可读介质,其特征在于,其存储有可由脑部影像识别的设备执行的计算机程序,当所述程序在脑部影像识别的设备上运行时,使得所述脑部影像识别的设备执行权利要求1~4任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811227491.8A CN109447963A (zh) | 2018-10-22 | 2018-10-22 | 一种脑部影像识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811227491.8A CN109447963A (zh) | 2018-10-22 | 2018-10-22 | 一种脑部影像识别的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447963A true CN109447963A (zh) | 2019-03-08 |
Family
ID=65546831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811227491.8A Pending CN109447963A (zh) | 2018-10-22 | 2018-10-22 | 一种脑部影像识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447963A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533639A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种关键点定位方法及装置 |
CN110782446A (zh) * | 2019-10-25 | 2020-02-11 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
CN111242926A (zh) * | 2020-01-13 | 2020-06-05 | 北京妙医佳健康科技集团有限公司 | 病灶检测方法、装置及电子设备 |
CN111275558A (zh) * | 2020-01-13 | 2020-06-12 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
CN113076893A (zh) * | 2021-04-09 | 2021-07-06 | 太原理工大学 | 一种基于深度学习的高速公路疏水管堵塞态势感知方法 |
CN113269711A (zh) * | 2021-04-06 | 2021-08-17 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
CN113780421A (zh) * | 2021-06-07 | 2021-12-10 | 广州天鹏计算机科技有限公司 | 基于人工智能的脑部pet影像识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050020945A1 (en) * | 2002-07-02 | 2005-01-27 | Tosaya Carol A. | Acoustically-aided cerebrospinal-fluid manipulation for neurodegenerative disease therapy |
CN1628611A (zh) * | 2003-10-29 | 2005-06-22 | 株式会社东芝 | 脑部病症辅助诊断和治疗设备、x射线计算机断层摄影设备 |
CN107665491A (zh) * | 2017-10-10 | 2018-02-06 | 清华大学 | 病理图像的识别方法及*** |
CN108648192A (zh) * | 2018-05-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种检测结节的方法及装置 |
-
2018
- 2018-10-22 CN CN201811227491.8A patent/CN109447963A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050020945A1 (en) * | 2002-07-02 | 2005-01-27 | Tosaya Carol A. | Acoustically-aided cerebrospinal-fluid manipulation for neurodegenerative disease therapy |
CN1628611A (zh) * | 2003-10-29 | 2005-06-22 | 株式会社东芝 | 脑部病症辅助诊断和治疗设备、x射线计算机断层摄影设备 |
CN107665491A (zh) * | 2017-10-10 | 2018-02-06 | 清华大学 | 病理图像的识别方法及*** |
CN108648192A (zh) * | 2018-05-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种检测结节的方法及装置 |
Non-Patent Citations (1)
Title |
---|
王腾: ""早期微小病变识别***的研究和实现"", 《中国优秀博硕士论文全文数据库(硕士) 信息科技缉》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533639A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 一种关键点定位方法及装置 |
CN110782446A (zh) * | 2019-10-25 | 2020-02-11 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
CN110782446B (zh) * | 2019-10-25 | 2022-04-15 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
CN111242926A (zh) * | 2020-01-13 | 2020-06-05 | 北京妙医佳健康科技集团有限公司 | 病灶检测方法、装置及电子设备 |
CN111275558A (zh) * | 2020-01-13 | 2020-06-12 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
CN111275558B (zh) * | 2020-01-13 | 2024-02-27 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
CN113269711A (zh) * | 2021-04-06 | 2021-08-17 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
CN113269711B (zh) * | 2021-04-06 | 2024-01-09 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
CN113076893A (zh) * | 2021-04-09 | 2021-07-06 | 太原理工大学 | 一种基于深度学习的高速公路疏水管堵塞态势感知方法 |
CN113076893B (zh) * | 2021-04-09 | 2022-08-02 | 太原理工大学 | 一种基于深度学习的高速公路疏水管堵塞态势感知方法 |
CN113780421A (zh) * | 2021-06-07 | 2021-12-10 | 广州天鹏计算机科技有限公司 | 基于人工智能的脑部pet影像识别方法 |
CN113780421B (zh) * | 2021-06-07 | 2022-06-07 | 广州天鹏计算机科技有限公司 | 基于人工智能的脑部pet影像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447963A (zh) | 一种脑部影像识别的方法及装置 | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
CN107203999B (zh) | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 | |
CN110969626B (zh) | 基于3d神经网络的人脑核磁共振影像的海马体提取方法 | |
CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
CN109886986A (zh) | 一种基于多分支卷积神经网络的皮肤镜图像分割方法 | |
CN110934606A (zh) | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 | |
CN112102321A (zh) | 一种基于深度卷积神经网络的病灶图像分割方法及*** | |
CN113808146B (zh) | 一种医学图像多器官分割方法及*** | |
CN110175998A (zh) | 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质 | |
CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
CN110533029A (zh) | 确定影像中目标区域的方法及装置 | |
CN109523546A (zh) | 一种肺结节分析的方法及装置 | |
CN109509177A (zh) | 一种脑部影像识别的方法及装置 | |
CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 | |
CN113781488A (zh) | 舌象图像的分割方法、装置及介质 | |
CN113764101B (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断*** | |
CN115809998A (zh) | 基于E2C-Transformer网络的胶质瘤MRI数据分割方法 | |
CN110992310A (zh) | 一种确定纵隔***所在分区的方法及装置 | |
CN109711315A (zh) | 一种肺结节分析的方法及装置 | |
CN114066798B (zh) | 一种基于深度学习的脑肿瘤核磁共振影像数据合成方法 | |
CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
CN112990367A (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
CN116740081A (zh) | Ct图像中肺血管分割方法、装置、终端设备及介质 | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 |
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 |