CN109859215B - 一种基于Unet模型的脑白质高信号自动分割***及其方法 - Google Patents
一种基于Unet模型的脑白质高信号自动分割***及其方法 Download PDFInfo
- Publication number
- CN109859215B CN109859215B CN201910094039.7A CN201910094039A CN109859215B CN 109859215 B CN109859215 B CN 109859215B CN 201910094039 A CN201910094039 A CN 201910094039A CN 109859215 B CN109859215 B CN 109859215B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- module
- image
- wmh
- white matter
- 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
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于Unet模型的脑白质高信号自动分割***及其方法,该***包括:MRI影像预处理模块,用于对输入的MRI影像数据进行归一化操作,去除噪声干扰;颅骨去除模块,用于利用颅骨去除算法实现图像中颅骨的去除,以去除非脑组织部分,进一步去除噪声干扰;WMH分割模块,用于读取经颅骨去除模块处理后的MRI影像数据,并将所述MRI影像数据转换为影像信息数据传送到神经网络模型中进行分割结果预测,以及输出精确的分割结果。采用本发明,在对图像进行自动化处理过程中应用深度学习算法,能够实现自动分割WMH区域,从而量化、高效的区分磁共振成像的脑白质高信号病灶,达到减少医生的工作量,方便后续的诊断和研究的目的。
Description
技术领域
本发明涉及医学影像和磁共振影像(MRI)图像处理技术,尤其涉及一种基于Unet模型的脑白质高信号(White Matter Hyperintensities,WMH)自动分割***及其方法。
背景技术
Unet,即统一网络(Unity Networking),是一种网络通信解决方案。所述Unet模型是运用Unet技术搭建的一种图像分割网络。
大脑是由上百亿个神经元组成的,而神经元又是由细胞体和神经纤维组成的,细胞体中有细胞核(颜色深),神经纤维中有细胞质(颜色浅)。在大脑中细胞体聚集在大脑表层,由于看起来颜色深,被称为脑灰质;而神经纤维聚集在大脑内部,看起来颜色浅,因而被称为脑白质。
脑白质高信号(WMH)则是在磁共振T2加权像(T2-weighted)或者T2液体衰减反转恢复序列(Fluid-attenuated Inversion Recovery,FLAIR)上,双侧侧脑室周围或皮质下白质多发的点状、斑片状或融合性高信号。WMH常见于老年人群体和患有小血管疾病或者其他神经***疾病的患者大脑中。因此,准确分割和量化WMH体积、位置和形状,对于跟踪疾病进展、评估治疗效果、研究和理解各种神经学以及老年疾病都有着非常重要的意义。
虽然当前在磁共振影像(MRI)处理技术上已经有很多WMH的自动分割方法,但是为了获得临床实用的结果,通常还需要医生进行手动校正,尤其是MRI影像常常包含数十层至上百层,每一层都需要医生手动校正,因工作量巨大,容易引起医生的视觉疲劳而导致出错几率增加。同时,由于WMH的结构多样,表现为不规则的多边形形状或者散点状,呈随机分布,即便是经验丰富的医生也很难快速做出判断并进行分割,因而效率较低。而且WMH的自动分割的挑战不仅来自MRI的设备种类多、成像质量不高、信号不均匀,随机位置和大小不规则分布以及MRI噪音、伪影等,而且其他脑部疾病的存在也会造成的磁共振成像上的信号增强,进一步会导致WMH自动精确分割困难。
因此,亟待研究一种能够准确、有效的自动分割脑白质高信号(WMH)的技术。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于Unet模型的脑白质高信号(WMH)自动分割***及其方法,在对图像进行自动化处理过程中应用深度学习算法,以实现自动分割WMH区域,从而量化、高效的区分磁共振成像的脑白质高信号病灶,达到减少医生的工作量,方便后续的诊断和研究的目的。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于Unet模型的脑白质高信号自动分割***,包括顺次连接的磁共振影像MRI影像预处理模块、颅骨去除模块和脑白质高信号WMH分割模块;其中,
MRI影像预处理模块,用于对输入的MRI影像数据进行归一化操作,去除噪声干扰;
颅骨去除模块,用于利用颅骨去除算法实现图像中颅骨的去除,以去除非脑组织部分,进一步去除噪声干扰;
WMH分割模块,用于读取经颅骨去除模块处理后的MRI影像数据,并将所述MRI影像数据转换为影像信息数据传送到神经网络模型中进行分割结果预测,以及输出精确的分割结果。
其中,所述WMH分割模块之后还包括量表统计模块,用于根据WMH分割模块传送过来的分割结果和对应原始FLAIR和T1影像数据,通过所述量表统计模块使用分割结果找到FLAIR和T1影像的相应坐标位置,并计算WMH在每个脑分区的面积或/和体积,以此根据量表统计WMH的严重程度。
所述量表统计模块,还用于根据所述分割结果对其进行相应的评分,生成相应的视觉量表。
所述量表统计模块为Fazekas量表统计模块、Scheltens量表统计模块、Ylikoski量表统计模块、Manolio量表统计模块、ARWMC量表统计模块中的一种或多种。
所述WMH分割模块包括训练阶段TS子模块和推断阶段IS子模块;其中,
TS子模块,用于支持将训练阶段的训练数据增加标注数据,通过数据增强处理得到完整的训练数据以用来训练WMH分割模型;
IS子模块,用于直接将需要分割的MRI影像数据输入残差模块中进行处理。
所述WMH分割模块,还包括残差模块,用于对经所述IS子模块输入需要分割的MRI影像数据进行处理,自动生成需要的WMH自动分割结果。
一种基于Unet模型的脑白质高信号自动分割方法,包括如下步骤:
A、将磁共振影像MRI图像输入基于Unet模型的脑白质高信号自动分割***进行图像预处理的步骤;
B、通过颅骨去除模块对所述MRI图像进行颅骨去除的步骤;
C、利用WMH分割模块,根据磁共振脑影像数据对基于卷积神经网络的改进Unet模型进行数据训练阶段和推断阶段的处理,实现对脑白质高信号进行快速自动分割。
其中:所述步骤C之后还包括:D、进行可视化分割的步骤,具体为:使用分割算法,将得到的脑白质高信号分割掩码叠加到没有出去颅骨的原始脑影像数据上的可视化图。
其中,所述步骤A具体包括:将磁共振脑影像(FLAIR,T1)输入预处理模型,对FLAIR图像和T1图像进行归一化预处理操作,去除噪声干扰。
所述步骤B具体包括:利用颅骨去除模块对包含脑组织的图像进行分割处理,去除FLAIR图像和T1图像中的非脑组织部分。
所述非脑组织部分包含的量,包括眼睛、皮肤、脂肪、肌肉组织中的一个或多个。
所述步骤C还包括:C1、将通过推断阶段处理后的需要分割的MRI影像数据输入残差模块中进行处理,在所述残差模块中自动生成需要的WMH自动分割结果。
本发明的基于Unet模型的脑白质高信号(WMH)自动分割***及其方法,具有如下有益效果:
1)采用本发明对脑白质高信号进行自动分割,解决了脑白质高信号分割任务量大、费时、低效等问题,并且实现了二维(2D)和三维(3D)Unet模型来分割白质高信号,其中采用3D Unet利用了MRI图像中的更多的上下文的语义信息,2D Unet模型注重于每层病灶的更加精细地分割。
2)采用本发明,在利用脑组织分割模型过程中,采用了脑科学领域中颅骨去除算法,剥离了与白质高信号无关的颅骨,只保留了脑组织区域,可以在分割脑白质高信号病灶时,有效降低了分割时对算法造成的图像干扰。
3)采用本发明,在训练脑白质高信号分割模块的神经网络模型时,通过将颅骨去除之后的图像按照比例通过翻转、旋转、仿射变换(映射)等图像数据处理技术进行数据增强,有效提高了对不同尺寸、不同位置的脑白质高信号分割精度和鲁棒性。
4)本发明的WMH自动分割***及其方法,应用深度学习模型和图像分割算法,结合FLAIR和T1磁共振影像数据对WMH区域进行自动分割,可以将脑白质病灶进行精确分割,并能对WMH进行精细划分,具有良好的鲁棒性。有效克服了现有基于MRI的WMH图像自动分割技术的不足,大幅降低了医生的工作量。
5)该WMH自动分割***通过将深度学习算法中的图像分割技术引入到医学影像处理领域,进一步利用WMH分割模块的训练阶段子模块和推断阶段子模块,并结合神经网络模型对MRI的图像进行数据增强处理,最终自动生成精细的WMH图像区域分割结果,进一步提高了智能化分割处理能力。并且有效克服了由于MRI图像质量不高、信号不均匀、WMH随机位置和大小不规则分布以及MRI噪音、伪影等干扰因素对WMH图像分割处理结果的影响,为科研和临床诊疗提供量化报告,以方便后续的诊断和研究,并且有效提高了工作效率。
附图说明
图1为本发明实施例基于Unet模型的WMH自动分割***的功能框图;
图2为本发明实施例基于Unet模型的WMH自动分割的方法流程图;
图3为本发明实施例基于Unet模型的WMH自动分割方法中WMH分割模块改进的Unet网络模型示意图;
图4为本发明实施例的Unet网络结构中的残差模块示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明基于Unet模型的脑白质高信号自动分割***及其方法作进一步详细的说明。
图1为本发明实施例基于Unet模型的WMH自动分割***的功能框图。
如图1所示,该基于Unet模型的WMH自动分割***,包括顺次连接的MRI影像预处理模块、颅骨去除模块、WMH分割模块和Fazekas量表统计模块。其中:
所述MRI影像预处理模块,用于对输入的MRI影像数据进行归一化操作,即在拍摄MRI影像时,会因为扫描仪参数配置或者被试的扰动等原因造成MRI成像的影像数据不一致,这样对于算法来说就是噪音,不利于算法进行处理,所以使用预处理技术可以尽可能的去除干扰,以保证WMH分割的精度。
具体的,利用该MRI影像预处理模块,读取NIfTI格式的脑部MRI影像数据,并将图像信息数据转换成numpy数组,然后对该图像信息数据进行均值和方差运算,对数据进行归一化处理。其中,numpy为一个python库,用于科学计算,其性能非常好,可支持多种方便的矩阵运算。本发明中将MRI影像数据转换成numpy数组的形式进行计算,然后再使用nibabel库将格式为numpy的图像信息数据转换成NIfTI格式进行保存。其中,所述nibabel也是一个Python库,用于操作NIfTI影像数据的读取等操作。最后,将预处理完毕的MRI影像数据使用nibabel重新保存为NIfTI格式,用于后续数据处理。
所述颅骨去除模块,用于利用颅骨去除算法实现图像中颅骨的去除,即从整个头部MRI影像中去除非脑组织部分。如果具有质量好的MRI输入影像数据,那么该模块利用颅骨去除算法可以估计出内部和外部颅骨以及外部头皮表面。有许多与脑成像有关的应用,要么需要或者受益于从非脑组织得到准确分割脑组织的能力。例如,MRI图像通常包含很少的非脑组织,而高分辨率MRI图像可能包含相当多的量,如眼睛、皮肤、脂肪、肌肉组织等,如果图像的这些非大脑部分可以在分割前自动删除,则分割的稳健性将会得到极大改善。此外,许多组织类型分割方法需要在它们能够良好运作之前进行脑/非脑分割。该颅骨去除算法就是一种全自动脑组织图像提取工具,可以在各种MRI模式(T1加权,T2加权,质子密度,EPI等测试)上稳健运行。使用该算法会将MRI影像数据中的颅骨、眼睛等边缘组织部分进行去除,只保留对图像分割有益的区域,这就相当于滤除了更多的噪音,让分割算法得以更加稳定的运行,提高分割算法的性能。
所述WMH分割模块,被配置用于:1)使用nibabel库将保存为NIfTI格式的MRI影像数据进行读取,以方便分割算法进行处理;2)将MRI影像数据转换成的numpy数组影像信息数据传送到神经网络模型(参考图3)中进行分割结果预测;3)输出精确的分割结果。
其中,输入的所述(numpy数组影像信息)数据,包括FLAIR和T1影像数据,最终输出的一个分割结果,对应了FLAIR和T1的WMH分割结果。其中,如图3所示的基于Unet模型的神经网络模型中还包含残差模块、最大池化操作、转置卷积等操作,用于高效自动的提取WMH的图像特征,精确地分割出WMH区域。
所述量表统计模块,包含了根据WMH分割模块传送过来的分割结果和对应原始FLAIR和T1影像数据,利用所述量表统计模块就可以使用分割结果找到FLAIR和T1影像的相应坐标位置,并计算WMH在每个脑分区的面积或/和体积,以此来根据量表统计WMH的严重程度,为科研和临床诊疗提供量化报告,有效提高其工作效率。
其中,对WMH的量表统计不仅包括了Fazekas量表,还包括了Scheltens量表、Ylikoski量表、Manolio量表、ARWMC量表。其中,常用于人工阅片定性或半定量分析的是Fazekas直观评分量表和ARWMC量表。本发明实施例中采用了最常使用的Fazekas量表进行量化,相关的量化信息如表1所示。
表1:Fezakas视觉量表
评分 | 描述 |
0分 | 无病变 |
1分 | 点状病变 |
2分 | 病变开始融合 |
3分 | 病变大面积融合 |
此外,本发明实施例中Fazekas量表统计模块可以根据分割结果对其进行相应的评分,而且后续还支持增加相关的ARWMC量表、Scheltens量表等量化分析数据。进一步的,还可以根据分割结果,给出分区信息,使用上述Fezakas视觉量表对脑白质高信号进行分级评分。并根据分割结果,计算影像组学特征,提供更完善的分割统计信息表格。
图2为本发明实施例基于Unet模型的WMH自动分割的方法流程图;
如图2所示,应用该基于Unet模型的WMH自动分割的方法,能够将白质病灶进行精确分割,并能对WMH进行精细划分,具有良好的鲁棒性。
参照图1,对应如图2所示的可视化流程图,可以直观的得知,所述WMH自动分割方法的全过程均为可视化的,即将MRI影像数据输入过程可视化、MRI影像预处理之后的结果可视化、颅骨去除过后的影像可视化、WMH分割过后的影像可视化,以及最终叠加在原图上的分割结果为可视化结果。根据图1所示的图像的相关处理的过程,结合图2所示对处理过程中经过相应模块处理之后的一个中间结果展示,清楚描述了整个WMH的分割过程。该方法包括如下步骤:
步骤21:图像输入(Input)的步骤。
具体为:将磁共振脑影像MRI(FLAIR,T1)输入所述基于Unet模型的WMH自动分割***。
步骤22:图像预处理(Preprocessing)的步骤。
具体为:将所述磁共振脑影像(FLAIR,T1)输入预处理模型,对所述FLAIR图像和T1图像进行归一化等预处理操作。
步骤23:颅骨去除(Skull Stripping)的步骤。
具体为:利用颅骨去除模块对上述包含脑组织的图像进行分割处理,去除所述FLAIR图像和T1图像中的非脑组织部分。
这里,所述非脑组织部分,可能包含的量,包括眼睛、皮肤、脂肪、肌肉组织等。
步骤24:WMH分割(WMH Segmentation)的步骤。
具体为:利用WMH分割模块,根据磁共振脑影像数据对基于卷积神经网络的改进Unet模型进行数据训练阶段和推断阶段的处理,实现对脑白质高信号进行快速自动分割(详见图3和图4)。其中,还需要将通过推断阶段处理后的需要分割的MRI影像数据输入残差模块(Residual Block)中进行处理(参考图4),然后在所述残差模块中自动生成需要的WMH自动分割结果。
步骤25:进行可视化分割(Segmentation Visualization)的步骤。
参考图2,本发明将MRI影像数据输入可视化、MRI影像预处理之后的结果可视化、颅骨去除过后的影像可视化、WMH分割过后的影像可视化,以及最终叠加在原图上的分割结果为可视化结果。并且,根据图1所示的图像的相关处理的过程,结合图2所示对处理过程中经过相应功能模块处理之后的一个中间结果展示,清楚描述了整个WMH的分割过程。
具体包括如下过程:
图2中的所有可视化图形都是基于matplotlib库进行可视化,即将numpy数据格式的影像数据通过可视化库函数展示出来。其中,图2中MRI影像数据输入(Input)的步骤表示读取NIfTI格式的磁共振影像数据,包括了FLAIR和T1影像数据,在此过程中,会将该影像数据转换成方便处理的numy数组格式,图中表示的是输入影像数据时的可视化视图。
其中,图像预处理(Preprocessing)的步骤,表示对FLAIR和T1影像数据进行去噪、归一化操作,作用是方便后续训练算法模型和增强算法的鲁棒性,,图中表示的是对影像数据进行预处理操作后的影像可视化视图,可以对比发现经过预处理后的影像和原始影像的可视化图形一致,但经过预处理的影像整体的数值却变小了,即方便了后续算法训练。
其中,颅骨去除(Skull stripping)的步骤,表示使用颅骨去除算法对影像数据进行脑组织提取计算,用于消除多余的颅骨部分,方便后续算法专注于脑组织部分。图中表示的就是去除颅骨后的脑影像数据,从图中可以看到,对应的脑影像已经精确的去除了颅骨部分,只保留了需要关注的脑组织部分,没有影响到白质高信号区域。
其中,可视化分割(WMH Segmentation)的步骤,表示使用本发明提出的分割算法对其脑白质高信号进行分割,图中对应的是将分割得到的掩码(Mask)和去除颅骨的脑影像进行叠加后的可视化图。其中,图2中斜线填充的部分,就是分割白质高信号得到的掩码,即脑白质高信号所在区域。具体包括:使用本发明提出的分割算法,将得到的脑白质高信号分割掩码叠加到没有出去颅骨的原始脑影像数据上的可视化图。与WMH Segmentation的步骤的区别在于叠加的脑影像是否去除了颅骨,可以发现WMH分割算法精确分割了呈现高信号的WMH。
图3为本发明实施例基于Unet模型的WMH自动分割方法中WMH分割模块改进的Unet网络模型示意图。图4为本发明实施例的Unet网络结构中的残差模块示意图。
参考图3,下面对WMH分割模块的处理过程进行进一步的详细描述。
所述WMH分割模块,进一步包括训练阶段(Training Stage,TS)子模块和推断阶段(Inference Stage,IS)子模块。
其中,所述TS子模块,用于支持将训练阶段的训练数据增加标注数据,通过数据增强处理得到完整的训练数据以用来训练WMH分割模型。
具体为:训练阶段的训练数据是每个被试加上医生对应的标注数据;标注数据包括WMH的位置、形状信息等内容。然后,采用翻转、反射变换等数据增强处理过程,得到完整的训练数据。所述完整的训练数据,用于训练WMH分割模型。
所述IS子模块,用于直接将需要分割的MRI影像数据输入残差模块(ResidualBlock)中进行处理(参考图4)。在所述残差模块中自动生成需要的WMH自动分割结果。
其中,在所述推断阶段处理过程中,将需要分割的MRI影像数据输入到图4所示的残差模块中,在该过程中不需要进行数据标注,通过所述残差模块处理后,即自动生成WMH的分割结果。
参考图3和图4所示的实施例。其中,图4所示实施例中的处理模型即为图3中的残差模块(Residual Block),所述残差模块中包含了批量归一化BN、ReLU激活函数、3×3的卷积,然后再次顺次执行上述操作一遍,即是残差模块。
图3中所示实施例中的模型具体包含了15个残差模块(Residual Block)、4个转置卷积单元(Transpose Convolution)、3个最大池化单元(Max Pooling)、1个输入单元(INPUT)、1个输出单元(OUPUT)。其中,第1个残差模块连接到第2个残差模块,然后连接到第1个最大池化模块;然后第1个最大池化模块再连接到第3个残差模块和第14个残差模块;之后,第3个残差模块的输出端再连接到第4个残差模块,第4个残差模块的输出端再连接到第2个最大池化模块,而第2个最大池化模块的输出再连接到第5个和第12个残差模块;之后,第5个残差模块的输出端再连接到第6个残差模块,第6个残差模块处理之后的结果再输出到第3个池化模块,然后第3个池化模块再连接到第7个残差模块和第10个残差模块,之后第7个残差模块的输出再连接到第8个残差模块,然后第8个残差模块再连接到第1个转置卷积模块,其转置卷积模块将输入数据的维度利用双线性插值算法扩大尺度到2倍,之后第1个转置卷积模块,会连接到第10个残差模块,顺次的,第10个残差模块输出到第11个残差模块,然后第11个残差模块会连接到第2个转置卷积模块,其第2个转置卷积模块会连接到第12个残差模块,顺次连接到第13个残差模块,之后再输出到第3个转置卷积模块,第3个转置卷积模块的输出连接到第14个残差模块,之后第14个残差模块的输出连接到第15个残差模块,而第15个残差模块的输出会连接到一个1x1的卷积运算,从而实现像素级别的分割预测。
在本发明上述实施例的WMH分割模块中,采用的Unet模型中具体包括15个残差模块、4个转置卷积单元、3个最大池化单元、1个输入单元、1个输出单元。进一步的,还会在残差模块中随机加入概率性神经元失效单元(Dropout)。其中,所述的残差模块在本发明实施例的Unet模型中会多处被应用,除了卷积核的个数不同外,其初始化部分都是相同的。
如图4所示的残差模块中:INPUT表示残差模块的开始位置;BN表示批量归一化单元;ReLu表示激活函数单元;Convolution(3x3)表示卷积核大小为3、其步长为1,边界处理为same方式,以保证卷积操作后结果的大小和输入相一致;ADD为对两个箭头输入数据的求和操作;XI表示上一层网络的输出;XI+1表示经过本次残差模块处理后的输出。
本发明的上述对磁共振脑影像的脑白质高信号进行自动分割的***,可以快速的对脑白质高信号病灶图像区域进行自动分割,并且具备良好的鲁棒性和分割精度,还能够大幅度减缓需要医生进行手动数据标注的问题。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (11)
1.一种基于Unet模型的脑白质高信号自动分割***,其特征在于,包括顺次连接的磁共振影像MRI影像预处理模块、颅骨去除模块和脑白质高信号WMH分割模块;其中,
MRI影像预处理模块,用于对输入的MRI影像数据进行归一化操作,去除噪声干扰;
颅骨去除模块,用于利用颅骨去除算法实现图像中颅骨的去除,以去除非脑组织部分,进一步去除噪声干扰;
WMH分割模块,用于读取经颅骨去除模块处理后的MRI影像数据,并将所述MRI影像数据转换为影像信息数据传送到神经网络模型中进行分割结果预测,以及输出精确的分割结果;
所述WMH分割模块包括训练阶段TS子模块和推断阶段IS子模块;
TS子模块,用于支持将训练阶段的训练数据增加标注数据,通过数据增强处理得到完整的训练数据以用来训练WMH分割模型;
IS子模块,用于直接将需要分割的MRI影像数据输入残差模块中进行处理。
2.根据权利要求1所述基于Unet模型的脑白质高信号自动分割***,其特征在于,所述WMH分割模块之后还包括量表统计模块,用于根据WMH分割模块传送过来的分割结果和对应原始FLAIR和T1影像数据,通过所述量表统计模块使用分割结果找到FLAIR和T1影像的相应坐标位置,并计算WMH在每个脑分区的面积或/和体积,以此根据量表统计WMH的严重程度。
3.根据权利要求2所述基于Unet模型的脑白质高信号自动分割***,其特征在于,所述量表统计模块,还用于根据所述分割结果对其进行相应的评分,生成相应的视觉量表。
4.根据权利要求2或3所述基于Unet模型的脑白质高信号自动分割***,其特征在于,所述量表统计模块为Fazekas量表统计模块、Scheltens量表统计模块、Ylikoski量表统计模块、Manolio量表统计模块、ARWMC量表统计模块中的一种或多种。
5.根据权利要求1所述基于Unet模型的脑白质高信号自动分割***,其特征在于,所述WMH分割模块,进一步包括残差模块,用于对经所述IS子模块输入需要分割的MRI影像数据进行处理,自动生成需要的WMH自动分割结果。
6.一种基于Unet模型的脑白质高信号自动分割方法,其特征在于,包括如下步骤:
A、将磁共振影像MRI图像输入基于Unet模型的脑白质高信号自动分割***进行图像预处理的步骤;
B、通过颅骨去除模块对所述MRI图像进行颅骨去除的步骤;
C、利用WMH分割模块,根据磁共振脑影像数据对基于卷积神经网络的改进Unet模型进行数据训练阶段和推断阶段的处理,实现对脑白质高信号进行快速自动分割。
7.根据权利要求6所述基于Unet模型的脑白质高信号自动分割方法,其特征在于,所述步骤C之后进一步包括:
D、进行可视化分割的步骤,具体为:使用分割算法,将得到的脑白质高信号分割掩码叠加到没有出去颅骨的原始脑影像数据上的可视化图。
8.根据权利要求6所述基于Unet模型的脑白质高信号自动分割方法,其特征在于,所述步骤A具体包括:将磁共振脑影像(FLAIR,T1)输入预处理模型,对FLAIR图像和T1图像进行归一化预处理操作,去除噪声干扰。
9.根据权利要求6所述基于Unet模型的脑白质高信号自动分割方法,其特征在于,所述步骤B具体包括:
利用颅骨去除模块对包含脑组织的图像进行分割处理,去除FLAIR图像和T1图像中的非脑组织部分。
10.根据权利要求9所述基于Unet模型的脑白质高信号自动分割方法,其特征在于,所述非脑组织部分包含的量,包括眼睛、皮肤、脂肪、肌肉组织中的一个或多个。
11.根据权利要求6所述基于Unet模型的脑白质高信号自动分割方法,其特征在于,所述步骤C还包括:
C1、将通过推断阶段处理后的需要分割的MRI影像数据输入残差模块中进行处理,在所述残差模块中自动生成需要的WMH自动分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094039.7A CN109859215B (zh) | 2019-01-30 | 2019-01-30 | 一种基于Unet模型的脑白质高信号自动分割***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094039.7A CN109859215B (zh) | 2019-01-30 | 2019-01-30 | 一种基于Unet模型的脑白质高信号自动分割***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859215A CN109859215A (zh) | 2019-06-07 |
CN109859215B true CN109859215B (zh) | 2021-11-02 |
Family
ID=66896933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910094039.7A Active CN109859215B (zh) | 2019-01-30 | 2019-01-30 | 一种基于Unet模型的脑白质高信号自动分割***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859215B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717913B (zh) * | 2019-09-06 | 2022-04-22 | 浪潮电子信息产业股份有限公司 | 一种图像分割方法及装置 |
CN110827291A (zh) * | 2019-10-18 | 2020-02-21 | 北京量健智能科技有限公司 | 一种用于自动化脑mri定量分析的方法和装置 |
CN111080572B (zh) * | 2019-11-18 | 2023-08-01 | 深圳市铱硙医疗科技有限公司 | 白质高信号定位方法、装置、设备和存储介质 |
CN111047557A (zh) * | 2019-11-20 | 2020-04-21 | 浙江工业大学 | 一种基于深度学习的淋巴癌图像分割的数据增强方法 |
CN111105421A (zh) * | 2019-11-29 | 2020-05-05 | 上海联影智能医疗科技有限公司 | 一种脑白质高信号分割方法、装置、设备及存储介质 |
CN110991408B (zh) * | 2019-12-19 | 2022-09-06 | 北京航空航天大学 | 基于深度学习方法分割脑白质高信号的方法和装置 |
CN111681230A (zh) * | 2020-06-10 | 2020-09-18 | 华中科技大学同济医学院附属同济医院 | 脑白质高信号评分***及其评分方法 |
CN111951279B (zh) * | 2020-08-05 | 2024-04-23 | 中国科学院深圳先进技术研究院 | 颅脑超声图像的脑白质区域分割方法、装置及电子设备 |
CN112200791B (zh) * | 2020-10-17 | 2022-11-29 | 济宁学院 | 基于U-Net架构的深度残差网络的脑肿瘤分割方法 |
CN112508001A (zh) * | 2020-12-03 | 2021-03-16 | 安徽理工大学 | 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法 |
CN113222887A (zh) * | 2021-03-03 | 2021-08-06 | 复旦大学附属华山医院 | 基于深度学习的纳米铁标记神经干细胞示踪的方法 |
CN113777546B (zh) * | 2021-09-13 | 2023-04-25 | 西安交通大学医学院第一附属医院 | 一种基于三维映射的磁共振多参数脑白质高信号量化方法 |
CN114004830B (zh) * | 2021-12-07 | 2024-03-29 | 中南大学湘雅二医院 | 一种用于脑白质病辅助诊断的大脑神经影像学检查*** |
CN114332067A (zh) * | 2022-01-04 | 2022-04-12 | 深圳市澈影医生集团有限公司 | 一种白质高信号检测***及方法 |
CN114419066B (zh) * | 2022-01-14 | 2022-12-13 | 深圳市铱硙医疗科技有限公司 | 脑白质高信号分割方法、装置、设备及存储介质 |
CN115100123A (zh) * | 2022-06-10 | 2022-09-23 | 北京理工大学 | 一种结合UNet和主动轮廓模型的大脑提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171697A (zh) * | 2018-01-05 | 2018-06-15 | 北京航空航天大学 | 一种基于簇的wmh自动提取*** |
CN108171711A (zh) * | 2018-01-17 | 2018-06-15 | 深圳市唯特视科技有限公司 | 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101676789B1 (ko) * | 2014-10-21 | 2016-11-16 | 삼성전자주식회사 | 자기 공명 영상 장치 및 자기 공명 영상을 처리하는 방법 |
TWI536969B (zh) * | 2015-01-05 | 2016-06-11 | 國立中央大學 | 磁共振造影之白質病變區域識別方法及系統 |
-
2019
- 2019-01-30 CN CN201910094039.7A patent/CN109859215B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171697A (zh) * | 2018-01-05 | 2018-06-15 | 北京航空航天大学 | 一种基于簇的wmh自动提取*** |
CN108171711A (zh) * | 2018-01-17 | 2018-06-15 | 深圳市唯特视科技有限公司 | 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法 |
Non-Patent Citations (2)
Title |
---|
Fully Convolutional Network Ensembles for White Matter Hyperintensities Segmentation in MR Images;Hongwei Li et al.;《arXiv》;20180919;全文 * |
White matter hyperintensity segmentation from T1 and FLAIR images using fully convolutional neural networks enhanced with residual connections;Dakai Jin et al.;《IEEE》;20180524;第1061、1062页,图3 * |
Also Published As
Publication number | Publication date |
---|---|
CN109859215A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859215B (zh) | 一种基于Unet模型的脑白质高信号自动分割***及其方法 | |
CN110934606B (zh) | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 | |
US10733788B2 (en) | Deep reinforcement learning for recursive segmentation | |
CN111161273B (zh) | 一种基于深度学习的医学超声图像分割方法 | |
Diniz et al. | Detection of white matter lesion regions in MRI using SLIC0 and convolutional neural network | |
CN112508953B (zh) | 基于深度神经网络的脑膜瘤快速分割定性方法 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
Tian et al. | Improving in vivo human cerebral cortical surface reconstruction using data-driven super-resolution | |
CN112598619A (zh) | 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法 | |
CN111462004B (zh) | 图像增强方法和装置、计算机设备、存储介质 | |
CN112669257A (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
CN112562058A (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 | |
CN111815692A (zh) | 无伪影数据及有伪影数据的生成方法、***及存储介质 | |
Perumal et al. | Microaneurysms detection in fundus images using local fourier transform and neighbourhood analysis | |
CN110930349A (zh) | 一种利用卷积神经网络的医学图像处理装置与方法 | |
CN111626972B (zh) | Ct图像重构方法、模型训练方法及设备 | |
CN112348796B (zh) | 基于多模型结合的脑出血分割方法和*** | |
Xu et al. | A Multi-scale Attention-based Convolutional Network for Identification of Alzheimer's Disease based on Hippocampal Subfields | |
Liu et al. | Progressive residual learning with memory upgrade for ultrasound image blind super-resolution | |
CN114494132A (zh) | 基于深度学习和纤维束空间统计分析的疾病分类*** | |
CN111080572B (zh) | 白质高信号定位方法、装置、设备和存储介质 | |
Alimanov et al. | A hybrid approach for retinal image super-resolution | |
Roy et al. | Artifacts and skull stripping: An application towards the preprocessing for brain abnormalities detection from MRI | |
CN112949585A (zh) | 一种眼底图像血管的识别方法、装置、电子设备及存储介质 | |
CN114202668A (zh) | 阿尔茨海默病的临床数据的处理方法、***、介质及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |