CN111445443B - 早急性脑梗死检测方法和装置 - Google Patents

Abstract

本发明提供一种早急性脑梗死检测方法和装置，所述方法包括以下步骤：获取多个确诊的早急性脑梗死脑部CT图像；基于2.5D分割网络构建早急性脑梗死检测模型；通过早急性脑梗死脑部CT图像对早急性脑梗死检测模型进行训练；输入待检测脑部CT图像，通过训练后的早急性脑梗死检测模型对待检测脑部CT图像的每个体素点进行早急性脑梗死概率的预测，并根据预测结果实现早急性脑梗死的检出。本发明能够自动进行早急性脑梗死的检出，具有较高的效率和准确度。

Description

早急性脑梗死检测方法和装置

技术领域

本发明涉及影像处理分析技术领域，具体涉及一种早急性脑梗死检测方法和一种早急性脑梗死检测装置。

背景技术

早急性脑梗死是指脑血供突然中断后导致的脑组织坏死。通常主要是由于供应脑部血液的动脉出现粥样硬化和血栓形成，使管腔狭窄甚至闭塞，导致局灶性急性脑供血不足而发病；也有因异常物体(固体、液体、气体)沿血液循环进入脑动脉或供应脑血液循环的颈部动脉，造成血流阻断或血流量骤减而产生相应支配区域的脑组织软化、坏死。头颅磁共振扫描可以较为准确地诊断早急性脑梗死病灶，但是磁共振成本昂贵，并且扫描较慢。CT扫描是诊断早急性脑梗死较方便、价廉的检查。它可明确脑组织坏死(即脑梗死)的部位、大小、脑水肿的程度等，对治疗有指导意义，但在发病24小时以内较难发现病灶。

发明内容

本发明为解决上述技术问题，提供了一种早急性脑梗死检测方法和装置，能够自动进行早急性脑梗死的检出，具有较高的效率和准确度。

本发明采用的技术方案如下：

一种早急性脑梗死检测方法，包括以下步骤：获取多个确诊的早急性脑梗死脑部CT图像；基于2.5D分割网络构建早急性脑梗死检测模型；通过所述早急性脑梗死脑部CT图像对所述早急性脑梗死检测模型进行训练；输入待检测脑部CT图像，通过训练后的早急性脑梗死检测模型对所述待检测脑部CT图像的每个体素点进行早急性脑梗死概率的预测，并根据预测结果实现早急性脑梗死的检出。

在获取多个确诊的早急性脑梗死脑部CT图像后，还包括：对所述多个确诊的早急性脑梗死脑部CT图像进行标准化处理。

其中，所述早急性脑梗死检测模型以U-Net作为骨干网络，其中，在进行训练或进行预测时，对空间位置上连续N层CT图像进行堆叠后输入所述早急性脑梗死检测模型，其中，N≥1。

所述早急性脑梗死检测模型包括残差模块和注意力模块。

其中，输入所述早急性脑梗死检测模型的脑部CT图像关于中线对称，所述注意力模块为对称注意力模块。

利用交叉熵损失和加权损失对所述早急性脑梗死检测模型进行训练。

一种早急性脑梗死检测装置，包括：获取模块，所述获取模块用于获取多个确诊的早急性脑梗死脑部CT图像；建模模块，所述建模模块用于基于2.5D分割网络构建早急性脑梗死检测模型；训练模块，所述训练模块用于通过所述早急性脑梗死脑部CT图像对所述早急性脑梗死检测模型进行训练；检测模块，所述检测模块用于通过训练后的早急性脑梗死检测模型对输入的待检测脑部CT图像的每个体素点进行早急性脑梗死概率的预测，并根据预测结果实现早急性脑梗死的检出。

所述的早急性脑梗死检测装置还包括：处理模块，所述是处理模块用于对所述多个确诊的早急性脑梗死脑部CT图像进行标准化处理。

本发明的有益效果：

本发明基于2.5D分割网络构建早急性脑梗死检测模型，在对早急性脑梗死检测模型进行训练后，通过训练后的早急性脑梗死检测模型对待检测脑部CT图像的每个体素点进行早急性脑梗死概率的预测，由此，通过体素级别的分析，能够自动进行早急性脑梗死的检出，具有较高的效率和准确度。

附图说明

图1为本发明实施例的早急性脑梗死检测方法的流程图；

图2为本发明一个实施例的基于2.5D分割网络构建的早急性脑梗死检测模型的示意图；

图3为本发明实施例的早急性脑梗死检测装置的方框示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。

如图1所示，本发明实施例的早急性脑梗死检测方法包括以下步骤：

S1，获取多个确诊的早急性脑梗死脑部CT图像。

在本发明的一个实施例中，可选取核磁共振DWI序列诊断为早急性脑梗死的患者且其临床诊断与影像诊断相符合的病例，通过PACS(Picture Archiving andCommunication Systems，影像归档和通信***)，例如可采用120kV的16或32排西门子、飞利浦等品牌的CT机获取患者脑部CT图像数据，数据格式符合医学数字影像和通讯(DICOM，Digital Imaging and Communications in Medicine)标准，扫描层厚为5mm，检查方法为仰卧位，扫描范围为颅底至颅顶。获取到患者脑部CT图像后，可人为对照DWI序列，在对应的CT序列上标注出早急性脑梗死病灶的轮廓，所有早急性脑梗死病例的标注过程可包括两个阶段。第一阶段，由一名主治医师依据诊断报告标记出病灶的轮廓、类别及其所在的位置；第二阶段，由一名副主任医师在此基础之上进行审核，标记出漏标病灶、删除误标病灶，以及修正病灶的轮廓、类别和位置。经过高年资医生审核过的标注，可作为早急性脑梗死检出的金标准，用于下述模型的训练及结果评测。在本发明的一个实施例中，可将标注数据分为训练集和测试集，其中训练集用于下述模型的训练和最优参数选择，测试集用于评测本发明实施例的早急性脑梗死检测方法的性能。

在本发明的一个实施例中，在获取多个确诊的早急性脑梗死脑部CT图像后，还可对多个确诊的早急性脑梗死脑部CT图像进行标准化处理。具体地，可自动对上述5mm厚层的原始CT数据进行标准化，包括利用窗宽窗位进行灰度归一化、三维矫正变换等操作。

S2，基于2.5D分割网络构建早急性脑梗死检测模型。

本发明实施例的早急性脑梗死检测模型以U-Net作为骨干网络，在后续进行训练或进行预测时，对空间位置上连续N层CT图像进行堆叠后输入所述早急性脑梗死检测模型，其中，N≥1。在本发明的一个具体实施例中，N取3，也就是说，可将空间位置上连续的3层CT图像进行堆叠，作为2.5D分割模型的输入。

本发明实施例的早急性脑梗死检测模型包括残差模块和注意力模块，能够增强骨干网络的拟合能力并促进网络的局部和全局信息的建模。

此外，本发明实施例中输入早急性脑梗死检测模型的脑部CT图像数据由于经过了矫正变换，因此是关于中线对称的，为了利用脑部CT图像左右对称的信息来检出早急性脑梗死病灶，本发明实施例的早急性脑梗死检测模型提出了对称注意力模块，通过某个区域的对称区域对比来预测此区域，即上述的注意力模块为对称注意力模块。

S3，通过早急性脑梗死脑部CT图像对早急性脑梗死检测模型进行训练。

具体地，可将步骤S1获取的训练集输入步骤S2构建的早急性脑梗死检测模型，对早急性脑梗死检测模型进行训练。其中，训练所使用的损失函数，在交叉熵损失的基础上，还引入加权损失，保证模型可以更快速收敛和更有效地学习输入的训练样本。在本发明的一个具体实施例中，模型训练相关的超参数中学习率为0.001，模型迭代的epoch次数为100。

S4，输入待检测脑部CT图像，通过训练后的早急性脑梗死检测模型对待检测脑部CT图像的每个体素点进行早急性脑梗死概率的预测，并根据预测结果实现早急性脑梗死的检出。

在本发明的一个实施例中，基于2.5D分割网络构建的早急性脑梗死检测模型如图2所示。在脑部CT图像输入模型后，首先可通过3x3卷积，然后通过4个残差模块进行特征编码学习，再经过注意力模块强化对称区域特征表达，之后通过4步上采样操作恢复原图像的分辨率。在上采样中，特征图可与编码过程中对应的特征图进行堆叠，再进行特征学习。最后，通过一个3x3卷积输出预测得早急性脑梗死概率。

由于早急性脑梗死检测模型是基于2.5D分割网络构建的，因此对于输入的一例待检测脑部CT图像，其可实现对每一个体素点的早急性脑梗死概率的预测。在本发明的一个实施例中，如果某一体素点的早急性脑梗死概率大于给定的阈值，例如大于0.5，则可判定该体素点为早急性脑梗死，反之该体素点正常。

在本发明的一个实施例中，如果通过预测判定为早急性脑梗死的体素点相临近并构成一个或多个区域，则可判定该待检测脑部CT图像为早急性脑梗死患者的脑部CT图像，从而实现对该患者的早急性脑梗死检出。并且，通过上述判定为早急性脑梗死的各个体素点、正常的各个体素点的位置，能够识别出早急性脑梗死的分割边界，也即获取到早急性脑梗死的位置。通过为早急性脑梗死的体素点所构成的每个区域内体素点的数量和每个体素点的大小可计算出早急性脑梗死的大小。

为验证本发明实施例的效果，通过上述测试集来评估本发明实施例的早急性脑梗死检测方法，具体地，可使用Dice系数来度量医生标注金标准A和本发明实施例的模型的检测结果B，其具体形式为：

其中|A·B|为金标准A和本发明实施例的模型的检测结果B的重合体素个数，|A|为金标准体素个数，|B|为本发明实施例的模型预测的体素个数。

其次，可使用敏感性(sensitivity)和特异性(specificity)来评测本发明实施例的早急性脑梗死检测模型对于病人层面的指标。敏感性是指在金标准判断有病(阳性)人群中，检测出阳性的几率。特异性是指在金标准判断无病(阴性)人群中，检测出阴性的几率。除此之外，可使用召回率与精准率来衡量本发明实施例的早急性脑梗死检测模型对于病灶级别的检出能力，召回率是指医生金标准中的所有病灶被本发明实施例的早急性脑梗死检测模型检出的几率，精准率是指本发明实施例的早急性脑梗死检测模型预测为有病的病灶中确实为有病的几率。

本发明的验证过程采用Dice、病灶级别召回率、病灶级别精准率、敏感性以及特异性作为评测指标，对于早急性脑梗死病灶计算Dice系数，来评测模型的分割性能，实验结果如表1所示。

表1

Dice	召回率	精准率	敏感性	特异性
					0.33	0.42	0.50	0.80	0.80

本发明实施例的早急性脑梗死检测模型对于早急性脑梗死病灶的预测区域与医生的金标准之间的Dice系数为0.33；对于医生金标准中的所有病灶，模型预测的召回率为0.42、精准率为0.50；病人级别的敏感性为0.80、特异性为0.80。

综上所述，根据本发明实施例的早急性脑梗死检测方法，基于2.5D分割网络构建早急性脑梗死检测模型，在对早急性脑梗死检测模型进行训练后，通过训练后的早急性脑梗死检测模型对待检测脑部CT图像的每个体素点进行早急性脑梗死概率的预测，由此，通过体素级别的分析，能够自动进行早急性脑梗死的检出，具有较高的效率和准确度。

对应上述实施例的早急性脑梗死检测方法，本发明还提出一种早急性脑梗死检测装置。

如图3所示，本发明实施例的早急性脑梗死检测装置包括获取模块10、建模模块20、训练模块30和检测模块40。其中，获取模块10用于获取多个确诊的早急性脑梗死脑部CT图像；建模模块20用于基于2.5D分割网络构建早急性脑梗死检测模型；训练模块30用于通过早急性脑梗死脑部CT图像对早急性脑梗死检测模型进行训练；检测模块40用于通过训练后的早急性脑梗死检测模型对输入的待检测脑部CT图像的每个体素点进行早急性脑梗死概率的预测，并根据预测结果实现早急性脑梗死的检出。

在对确诊的早急性脑梗死脑部CT图像进行获取和标注后，分为训练集和测试集，然后输入获取模块10，以待后续调取使用。另外，本发明实施例的早急性脑梗死检测装置还可包括处理模块，是处理模块可对获取模块10获取的多个确诊的早急性脑梗死脑部CT图像进行标准化处理。具体地，处理模块可自动对上述5mm厚层的原始CT数据进行标准化，包括利用窗宽窗位进行灰度归一化、三维矫正变换等操作。

本发明实施例的早急性脑梗死检测模型以U-Net作为骨干网络，在通过训练模块30进行训练或通过检测模块40进行预测时，对空间位置上连续N层CT图像进行堆叠后输入所述早急性脑梗死检测模型，其中，N≥1。在本发明的一个具体实施例中，N取3，也就是说，可将空间位置上连续的3层CT图像进行堆叠，作为2.5D分割模型的输入。

本发明实施例的早急性脑梗死检测模型包括残差模块和注意力模块，能够增强骨干网络的拟合能力并促进网络的局部和全局信息的建模。

此外，本发明实施例中输入早急性脑梗死检测模型的脑部CT图像数据由于经过了矫正变换，因此是关于中线对称的，为了利用脑部CT图像左右对称的信息来检出早急性脑梗死病灶，本发明实施例的早急性脑梗死检测模型提出了对称注意力模块，通过某个区域的对称区域对比来预测此区域，即上述的注意力模块为对称注意力模块。

训练模块30可将获取模块10获取的训练集输入建模模块20所构建的早急性脑梗死检测模型，对早急性脑梗死检测模型进行训练。其中，训练所使用的损失函数，在交叉熵损失的基础上，还引入加权损失，保证模型可以更快速收敛和更有效地学习输入的训练样本。在本发明的一个具体实施例中，模型训练相关的超参数中学习率为0.001，模型迭代的epoch次数为100。

在本发明的一个实施例中，基于2.5D分割网络构建的早急性脑梗死检测模型如图2所示。在脑部CT图像输入模型后，首先可通过3x3卷积，然后通过4个残差模块进行特征编码学习，再经过注意力模块强化对称区域特征表达，之后通过4步上采样操作恢复原图像的分辨率。在上采样中，特征图可与编码过程中对应的特征图进行堆叠，再进行特征学习。最后，通过一个3x3卷积输出预测得早急性脑梗死概率。

由于早急性脑梗死检测模型是基于2.5D分割网络构建的，因此对于输入的一例待检测脑部CT图像，其可实现对每一个体素点的早急性脑梗死概率的预测。在本发明的一个实施例中，如果某一体素点的早急性脑梗死概率大于给定的阈值，例如大于0.5，则可判定该体素点为早急性脑梗死，反之该体素点正常。

在本发明的一个实施例中，如果通过预测判定为早急性脑梗死的体素点相临近并构成一个或多个区域，则检测模块40可判定该待检测脑部CT图像为早急性脑梗死患者的脑部CT图像，从而实现对该患者的早急性脑梗死检出。并且，通过上述判定为早急性脑梗死的各个体素点、正常的各个体素点的位置，能够识别出早急性脑梗死的分割边界，也即获取到早急性脑梗死的位置。通过为早急性脑梗死的体素点所构成的每个区域内体素点的数量和每个体素点的大小可计算出为早急性脑梗死的大小。

根据本发明实施例的早急性脑梗死检测装置，基于2.5D分割网络构建早急性脑梗死检测模型，在对早急性脑梗死检测模型进行训练后，通过训练后的早急性脑梗死检测模型对待检测脑部CT图像的每个体素点进行早急性脑梗死概率的预测，由此，通过体素级别的分析，能够自动进行早急性脑梗死的检出，具有较高的效率和准确度。

在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种早急性脑梗死检测方法，其特征在于，包括以下步骤：

获取多个确诊的早急性脑梗死脑部CT图像；

基于2.5D分割网络构建早急性脑梗死检测模型；

通过所述早急性脑梗死脑部CT图像对所述早急性脑梗死检测模型进行训练；

输入待检测脑部CT图像，通过训练后的早急性脑梗死检测模型对所述待检测脑部CT图像的每个体素点进行早急性脑梗死概率的预测，并根据预测结果实现早急性脑梗死的检出；

其中：

在获取多个确诊的早急性脑梗死脑部CT图像后，还包括：

对所述多个确诊的早急性脑梗死脑部CT图像进行标准化处理；

急性脑梗死检测模型包括残差模块和注意力模块，输入所述早急性脑梗死检测模型的脑部CT图像关于中线对称，所述注意力模块为对称注意力模块；

如果某一体素点的早急性脑梗死概率大于给定的阈值，则可判定该体素点为早急性脑梗死，反之该体素点正常；

如果通过预测判定为早急性脑梗死的体素点相临近并构成一个或多个区域，则可判定该待检测脑部CT图像为早急性脑梗死患者的脑部CT图像，从而实现对该患者的早急性脑梗死检出。

2.根据权利要求1所述的早急性脑梗死检测方法，其特征在于，其中，所述早急性脑梗死检测模型以U-Net作为骨干网络，其中，在进行训练或进行预测时，对空间位置上连续N层CT图像进行堆叠后输入所述早急性脑梗死检测模型，其中，N≥1。

3.根据权利要求1所述的早急性脑梗死检测方法，其特征在于，利用交叉熵损失和加权损失对所述早急性脑梗死检测模型进行训练。

4.一种早急性脑梗死检测装置，其特征在于，包括：

获取模块，所述获取模块用于获取多个确诊的早急性脑梗死脑部CT图像；

建模模块，所述建模模块用于基于2.5D分割网络构建早急性脑梗死检测模型；

训练模块，所述训练模块用于通过所述早急性脑梗死脑部CT图像对所述早急性脑梗死检测模型进行训练；

检测模块，所述检测模块用于通过训练后的早急性脑梗死检测模型对输入的待检测脑部CT图像的每个体素点进行早急性脑梗死概率的预测，并根据预测结果实现早急性脑梗死的检出；

其中：

还包括：

处理模块，用于对所述多个确诊的早急性脑梗死脑部CT图像进行标准化处理；

急性脑梗死检测模型包括残差模块和注意力模块，输入所述早急性脑梗死检测模型的脑部CT图像关于中线对称，所述注意力模块为对称注意力模块；

如果某一体素点的早急性脑梗死概率大于给定的阈值，则可判定该体素点为早急性脑梗死，反之该体素点正常；

如果通过预测判定为早急性脑梗死的体素点相临近并构成一个或多个区域，则可判定该待检测脑部CT图像为早急性脑梗死患者的脑部CT图像，从而实现对该患者的早急性脑梗死检出。