CN111539956B - 基于脑部辅助图像的脑出血自动检测方法及电子介质 - Google Patents
基于脑部辅助图像的脑出血自动检测方法及电子介质 Download PDFInfo
- Publication number
- CN111539956B CN111539956B CN202010643129.XA CN202010643129A CN111539956B CN 111539956 B CN111539956 B CN 111539956B CN 202010643129 A CN202010643129 A CN 202010643129A CN 111539956 B CN111539956 B CN 111539956B
- Authority
- CN
- China
- Prior art keywords
- brain
- image
- neural network
- cerebral hemorrhage
- auxiliary image
- 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
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于脑部辅助图像的脑出血自动检测方法及电子介质,应用于图像处理技术领域,所述方法中包括对病人头部进行CT扫描,获取脑部CT图像;根据脑部CT图像生成脑部辅助图像;将脑部CT图像和脑部辅助图像输入到预训练好的神经网络中,结合脑部辅助图像对脑部CT图像中脑出血区域进行自动检测,输出包括脑出血的区域和类型的掩膜。本发明通过将脑部辅助图像与病人扫描后的脑部CT图像结合使用,提高神经网络的脑出血区域和类型识别准确度,降低医生诊断过程中的技术要求,大大提高诊断效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于脑部辅助图像的脑出血自动检测方法及电子介质。
背景技术
CT图像中脑出血的计算机辅助检测分析是对图像中脑出血的类型还有区域进行识别分析。对于脑卒中的后续治疗具有很重要的意义。现有技术中的脑出血的图像处理软件能够对脑出血图像进行检测并输出脑出血的类型和区域,且检测大都是基于人工智能的方法,也就是首先构建神经网络,然后通过人工标记的数据集,再利用这个数据集进行训练得到神经网络。
目前公开的脑出血的AI辅助分析方法,通常是输入脑出血的图像到一个卷积神经网络,然后输出得到这个脑出血区域和脑出血的类别。但是,实际上每种脑出血的类型之间有很多相似的地方,比如CT值相差不大,形状也有很多类似的地方,仅仅是依靠输入脑出血图像来训练并不一定能得到很精确的结果,因此需要医生在诊断的时候是在CT值和脑部解剖结构的相结合来做的诊断。
同时,若输入脑出血的图像,将空间结构或者解刨学信息作为导引,很容易造成错误。现有技术中有通过变换坐标系,比如沿着颅骨进行复杂的坐标成识别系来改善识别的准确率。但经过变换坐标系之后,出血区域的形态更加统一,改善识别的效果。
发明内容
技术目的:针对现有技术中脑出血区域和类型的检测准确度较低的缺陷,本发明公开了一种基于脑部辅助图像的脑出血自动检测方法及电子介质,通过将脑部辅助图像与病人扫描后的脑部CT图像结合使用,提高神经网络的脑出血区域和类型识别准确度。
技术方案:为实现上述技术目的,本发明采用以下技术方案。
一种基于脑部辅助图像的脑出血自动检测方法,其特征在于,包括:
S1、获取病人脑部CT图像:对病人头部进行CT扫描,通过CT重建算法,获取脑部CT图像;
S2、获取脑部辅助图像:根据脑部CT图像生成脑部辅助图像,脑部辅助图像中包含脑部解剖结构空间位置信息;所述脑部辅助图像为基于颅骨轮廓距离的脑部辅助图像或基于图像生成神经网络的脑部辅助图像;
当其为基于颅骨轮廓距离的脑部辅助图像时,生成基于颅骨轮廓距离的脑部辅助图像的具体过程为:
对脑部CT图像提取颅骨区域;
对脑部CT图像的所有像素点计算该像素点到提取的颅骨区域的最短距离;其计算公式为:
输出基于颅骨轮廓距离的脑部辅助图像;
当其为基于图像生成神经网络的脑部辅助图像时,生成基于图像生成神经网络的脑部辅助图像的具体过程为:
构建图像生成神经网络:图像生成神经网络为卷积神经网络,卷积神经网络为U-Net或VGG的主干网络;
对卷积神经网络进行预训练:生成基于标准模型的脑部辅助图像或基于颅骨轮廓距离的脑部辅助图像,将脑部CT图像作为卷积神经网络的输入,对卷积神经网络进行预训练,对卷积神经网络输出的包含脑出血区域的图像与生成的基于标准模型的脑部辅助图像或基于颅骨轮廓距离的脑部辅助图像计算损失函数,直至损失函数小于阈值,卷积神经网络预训练完成;
输出脑部辅助图像:卷积神经网络输出的包含脑出血区域的图像即为基于图像生成神经网络的脑部辅助图像;
S3、在脑出血自动检测神经网络中进行训练,输出处理后的脑部CT图像:将脑部CT图像和脑部辅助图像作为输入,将所述两个图像输入到预训练好的脑出血自动检测神经网络中,结合脑部辅助图像对脑部CT图像中脑出血区域进行自动检测,输出的处理后的脑部CT图像中包含脑出血的区域和类型的掩膜,脑出血的类型包括硬膜外出血、硬膜下出血、脑实质出血、脑干出血和蛛网膜下腔出血;并将其供医生阅览,医生结合处理后的脑部CT图像对脑出血进一步诊断;
所述S3中预训练好的脑出血自动检测神经网络的具体结构为:利用U-Net或VGG的主干网络作为脑出血自动检测神经网络的主干网络,在主干网络后连接卷积网络,其中,脑部CT图像为主干网络的输入,脑部辅助图像为卷积网络的输入;所述卷积网络的输入还包括连接的主干网络的输出。
优选地,所述S2中脑部辅助图像中包含脑部解剖结构空间位置信息,具体包括颅骨、硬膜、蛛网膜、脑室和脑叶的空间位置信息。
优选地,所述基于标准模型的脑部辅助图像,其具体过程为:
获取标准模型,包括脑部解剖结构,将标准模型作为模板;
根据脑部CT图像对标准模型进行非刚性配准变换,获取非刚性配准的坐标映射关系;
根据非刚性配准的坐标映射关系输出基于标准模型的脑部辅助图像。
优选地,所述S3中将所述两个图像输入到预训练好的脑出血自动检测神经网络中,其中神经网络的预训练过程为:
构建样本集:获取数据库中的若干脑部CT图像,对脑部CT图像中的出血区域及出血类型进行标记,将标记后的脑部CT图像与相对应的脑部辅助图像组成图片对,构建具有若干图片对的样本集;
将样本集中的若干图片对输入到构建好的脑出血自动检测神经网络中:利用U-Net或VGG的主干网络作为脑出血自动检测神经网络的主干网络,在主干网络后连接卷积网络,所述样本集图片对中的脑部CT图像输入到主干网络中,样本集图片对中的脑部辅助图像输入到卷积网络中;
对构建好的脑出血自动检测神经网络通过梯度下降法进行预训练:主干网络提取脑部CT图像的特征并输出至卷积网络,卷积网络结合所述特征及脑部辅助图像进行卷积处理,通过梯度下降法对神经网络进行训练,直至脑出血自动检测神经网络的损失函数小于阈值。
优选地,采用总网络实现所述S2中获取脑部辅助图像和S3中在脑出血自动检测神经网络中进行训练并输出处理后的脑部CT图像,其中总网络包括图像生成神经网络和脑出血自动检测神经网络,图像生成神经网络用于根据输入的脑部CT图像生成脑部辅助图像并输出,脑出血自动检测神经网络用于根据输入的脑部CT图像和图像生成神经网络输出的脑部辅助图像对脑部CT图像中脑出血区域进行自动检测,输出处理后的脑部CT图像中包含脑出血的区域和类型的掩膜,并将其供医生阅览,医生结合处理后的脑部CT图像对脑出血进一步诊断。
一种电子设备,包括存储器和处理器,存储器和处理器相连,所述存储器存储有至少一个可被处理器执行的指令,所述至少一个指令被处理器执行时,实现以上任一所述的一种基于脑部辅助图像的脑出血自动检测方法。
有益效果:
1、本发明通过将脑部辅助图像与病人扫描后的脑部CT图像结合使用,脑部辅助图像中包含出血区域的空间位置信息,脑部CT图像包含出血区域像素值信息,两者的结合提高脑出血自动检测过程中脑出血区域和类型识别准确度,降低医生诊断过程中的技术要求,大大提高诊断效率;
2、本发明采用三种方法获取脑部辅助图像,大大提高本方案应用的灵活性和准确性;
3、本方案中可以采用总网络实现获取脑部辅助图像和检测输出脑出血区域等信息,提高本方案的便捷性。
附图说明
图1为本发明的方法流程图;
图2为本发明的方法流程示意图;
图3为采用区域组织生成器的方法流程示意图;
图4为脑出血类型在脑部辅助图像中的示意图;
图5为四种脑出血类型的脑部CT图像;
图6为非刚性配准的基本流程图;
图7为计算像素点到颅骨区域的最短距离的示意图;
图8为图像生成神经网络中输入的脑部CT图像和输出的脑部辅助图像;
图9为脑出血自动检测神经网络的流程示意图;
图10为总网络的流程示意图。
具体实施方式
以下将结合附图对本发明的一种基于脑部辅助图像的脑出血自动检测方法及电子介质做进一步的解释和说明。
如附图5所示,现有的脑出血包括以下几种出血类型,如硬膜外出血、硬膜下出血、脑实质出血、脑干出血和蛛网膜下腔出血等等。在病人的脑部CT图像中,正常区域的像素值是20-40HU,硬膜外出血、硬膜下出血、脑实质出血和脑干出血区域的像素值是45-75HU,蛛网膜下腔出血区域的像素值是40-75HU,因此仅仅根据像素值很难判断出血类型。通常人工诊断都是在像素值的基础上,结合了出血区域的位置,和出血的形状来判断出血区域和类型的。
如附图1和附图2所示,一种基于脑部辅助图像的脑出血自动检测方法,包括以下步骤:
步骤一、获取病人脑部CT图像:对病人头部进行CT扫描,获取脑部CT图像;病人头部CT扫描得到的通常是2.5mm-5mm厚度的图像。
步骤二、获取脑部辅助图像:根据脑部CT图像生成脑部辅助图像;这里生成的脑部辅助图像主要作用是给与后续处理更多的信息,脑部辅助图像中包含脑部解剖结构空间位置信息,具体包括颅骨、硬膜、蛛网膜、脑室和脑叶的空间位置信息,如附图4所示。脑出血类型的判断,通常是通过出血区域的形状,还有出血区域在头颅里的相对空间位置决定的。而通常的用于图像分割的神经网络,主要是基于卷积神经网络,这类网络具有空间平移的不变性,有利于提取形态特征,但是对空间位置不敏感,因此结合脑部辅助图像来补充出血区域的空间位置信息,增加脑出血区域自动检测的准确性。
本发明采用三种方法获取脑部辅助图像,大大提高本方案应用的灵活性和准确性;三种脑部辅助图像的获取方式如下:
根据脑部CT图像生成脑部辅助图像为基于标准模型的脑部辅助图像。
标准模型包括脑部解剖结构,将标准模型作为模板,经过一定的非刚性配准变换,这样可以得出符合当前患者的脑部的解剖结构,即获取相应的脑部辅助图像。
非刚性配准(non-rigid registration)是图像处理里面常用的配准方法,用于匹配两
幅相似图像,用于判别图像的变形。这个变形就是找到两个图像之间像素的映射关系。以三维
图像为例,非刚性配准的基本流程如附图6所示,其中表示当前的脑部图像,
是标准CT的模板图像,为
配准过程得到的三维坐标的映射,这个映射可以将模板图像上已有的脑部组织结构映射到
当前的脑部图像中的坐标系;具体过程用公式表示如下:
以三维图像为例,本方案中参考附图6对脑部CT图像进行处理:
其中,为基于标准模型的脑部辅助图像,为标
准模型的脑部解剖结构,
为根据脑部辅助图像对标准模型的脑部解剖结构进行非刚性配准的三维坐标的映射,分别表示脑部辅助图像的三维坐标及脑部辅助图像的类型,对于基于标
准模型的脑部辅助图像,n的数值为2。
根据脑部CT图像生成脑部辅助图像为基于颅骨轮廓距离的脑部辅助图像。
脑部辅助图像也可以是根据脑部CT图像生成的基于颅骨轮廓距离的脑部辅助图像,获取脑部解剖结构空间位置信息,如颅骨、硬膜、蛛网膜、脑室和脑叶等的空间位置信息,如基于当前的患者的脑部CT图像提取颅骨区域,然后对脑部CT图像的所有像素点,计算该像素点到颅骨区域的最短距离,进而获取与脑部解剖结构相对应的空间位置信息。
如附图7所示,以二维图像为例,这里的像素点到颅骨区域的最短距离的计算公式为:
根据脑部CT图像生成脑部辅助图像为基于图像生成神经网络的脑部辅助图像。
如附图9所示,脑部辅助图像还可以通过构建图像生成神经网络并通过图像生成神经网络输出得到,首先构建图像生成神经网络:图像生成神经网络为卷积神经网络,卷积神经网络为U-Net或VGG的主干网络;
对卷积神经网络进行预训练:以二维图像为例,生成基于标准模型的脑部辅助图
像或基于颅骨轮廓距离的脑部辅助图像,即,将脑部CT图像作为卷积神经网
络的输入,对卷积神经网络进行预训练,对卷积神经网络输出的包含脑出血区域的图像与计算损失函数,直至损失函数小于阈值,卷积神经网络预训练完成,卷积神
经网络输出的包含脑出血区域的图像即为基于图像生成神经网络的脑部辅助图像,附图8
中即为图像生成神经网络中输入的脑部CT图像和输出的脑部辅助图像。其中,损失函数的
计算公式为:
其中是卷积神经网络输出的包含脑出血区域的图像。图像均为二维
图像,这里图像的维度可以是(512,512,n),其中前两个维度表示图像的二维
坐标,最后一个维度n表示脑辅助图像的类别,基于颅骨轮廓距离的脑部辅助图像,这个维
度n的数值是1;对于基于标准模型的脑部辅助图像,n的数值为2。
步骤三、在脑出血自动检测神经网络中进行训练,输出脑出血区域等信息:将脑部CT图像和脑部辅助图像作为输入,将所述两个图像输入到预训练好的脑出血自动检测神经网络中,结合脑部辅助图像对脑部CT图像中脑出血区域进行自动检测,输出的处理后的脑部CT图像中包含脑出血的区域和类型的掩膜,并将其供医生阅览,医生结合处理后的脑部CT图像对脑出血进一步诊断。本发明通过将脑部辅助图像与病人扫描后的脑部CT图像结合使用,提高脑出血自动检测神经网络的脑出血区域和类型识别准确度,降低医生诊断过程中的技术要求。
其中,预训练好的脑出血自动检测神经网络的具体结构为:利用U-Net或VGG的主干网络作为脑出血自动检测神经网络的主干网络,在主干网络后连接卷积网络,其中,脑部CT图像为主干网络的输入,脑部辅助图像为卷积网络的输入;所述卷积网络的输入还包括连接的主干网络的输出。
以二维图像为例,脑出血自动检测神经网络的训练过程为:
构建样本集:获取数据库中的若干脑部CT图像,对脑部CT图像中的出血区域及出血类型进行标记,将标记后的脑部CT图像与相对应的脑部辅助图像组成图片对,构建具有若干图片对的样本集;对数据库中的脑部CT图像的出血区域和类别进行标记,得到脑部CT的出血区域掩膜,在病人的脑部CT图像中,正常区域的像素值是20-40HU,硬膜外出血、硬膜下出血、脑实质出血和脑干出血区域的像素值是45-75HU,蛛网膜下腔出血区域的像素值是40-75HU。
将样本集中的若干图片对输入到构建好的脑出血自动检测神经网络中:利用U-Net或VGG的主干网络作为脑出血自动检测神经网络的主干网络,在主干网络后连接卷积网络,所述样本集图片对中的脑部CT图像输入到主干网络中,样本集图片对中的脑部辅助图像输入到卷积网络中;
对构建好的脑出血自动检测神经网络通过梯度下降法进行预训练:主干网络提取脑部CT图像的特征并输出至卷积网络,卷积网络结合所述特征及脑部辅助图像进行卷积处理,通过梯度下降法对脑出血自动检测神经网络进行训练,直至脑出血自动检测神经网络的损失函数小于阈值。脑出血自动检测神经网络的损失函数可以是多类别的交叉熵函数,当预训练结束之后就可以把脑出血自动检测神经网络保存下来供以后的使用。多类别交叉熵函数的计算公式为:
本方案中还提供采用总网络实现获取脑部辅助图像和在脑出血自动检测神经网络中进行训练并输出处理后的脑部CT图像,如附图10所示,其中总网络包括图像生成神经网络和脑出血自动检测神经网络,图像生成神经网络用于根据输入的脑部CT图像生成脑部辅助图像并输出,脑出血自动检测神经网络用于根据输入的脑部CT图像和图像生成神经网络输出的脑部辅助图像对脑部CT图像中脑出血区域进行自动检测,输出的处理后的脑部CT图像中包含脑出血的区域和类型的掩膜,并将其供医生阅览,医生结合处理后的脑部CT图像对脑出血进一步诊断。总网络预训练过程中的损失函数为:
其中,是脑出血自动检测神经网络输出的脑出血区域,为
人工标记的脑出血区域,为图像的二维坐标和脑出血的类型,是卷
积神经网络输出的包含脑出血区域的图像,为生成基于标准模型的脑部辅
助图像或基于颅骨轮廓距离的脑部辅助图像,表示图像的二维坐标和脑辅助
图像的类别,为权重系数,本方案中取值为1。预训练结束后保留总网络及权重系数;采
用总网络实现获取脑部辅助图像和检测输出脑出血区域等信息,提高本方案的便捷性。
本发明还公开了一种电子设备,包括存储器和处理器,存储器和处理器相连,存储器存储有至少一个可被处理器执行的指令,至少一个指令被处理器执行时,实现以上任一所述的一种基于脑部辅助图像的脑出血自动检测方法。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于脑部辅助图像的脑出血自动检测方法,其特征在于,包括:
S1、获取病人脑部CT图像:对病人头部进行CT扫描,通过CT重建算法,获取脑部CT图像;
S2、获取脑部辅助图像:根据脑部CT图像生成脑部辅助图像,脑部辅助图像中包含脑部解剖结构空间位置信息;所述脑部辅助图像为基于颅骨轮廓距离的脑部辅助图像或基于图像生成神经网络的脑部辅助图像;
当其为基于颅骨轮廓距离的脑部辅助图像时,生成基于颅骨轮廓距离的脑部辅助图像的具体过程为:
对脑部CT图像提取颅骨区域;
对脑部CT图像的所有像素点计算该像素点到提取的颅骨区域的最短距离;其计算公式为:
输出基于颅骨轮廓距离的脑部辅助图像;
当其为基于图像生成神经网络的脑部辅助图像时,生成基于图像生成神经网络的脑部辅助图像的具体过程为:
构建图像生成神经网络:图像生成神经网络为卷积神经网络,卷积神经网络为U-Net或VGG的主干网络;
对卷积神经网络进行预训练:生成基于标准模型的脑部辅助图像或基于颅骨轮廓距离的脑部辅助图像,将脑部CT图像作为卷积神经网络的输入,对卷积神经网络进行预训练,对卷积神经网络输出的包含脑出血区域的图像与生成的基于标准模型的脑部辅助图像或基于颅骨轮廓距离的脑部辅助图像计算损失函数,直至损失函数小于阈值,卷积神经网络预训练完成;
输出脑部辅助图像:卷积神经网络输出的包含脑出血区域的图像即为基于图像生成神经网络的脑部辅助图像;
S3、在脑出血自动检测神经网络中进行训练,输出处理后的脑部CT图像:将脑部CT图像和脑部辅助图像作为输入,将所述两个图像输入到预训练好的脑出血自动检测神经网络中,结合脑部辅助图像对脑部CT图像中脑出血区域进行自动检测,输出的处理后的脑部CT图像中包含脑出血的区域和类型的掩膜,脑出血的类型包括硬膜外出血、硬膜下出血、脑实质出血、脑干出血和蛛网膜下腔出血;并将其供医生阅览,医生结合处理后的脑部CT图像对脑出血进一步诊断;
所述S3中预训练好的脑出血自动检测神经网络的具体结构为:利用U-Net或VGG的主干网络作为脑出血自动检测神经网络的主干网络,在主干网络后连接卷积网络,其中,脑部CT图像为主干网络的输入,脑部辅助图像为卷积网络的输入;所述卷积网络的输入还包括连接的主干网络的输出。
2.根据权利要求1所述的一种基于脑部辅助图像的脑出血自动检测方法,其特征在于,所述S2中脑部辅助图像中包含脑部解剖结构空间位置信息,具体包括颅骨、硬膜、蛛网膜、脑室和脑叶的空间位置信息。
3.根据权利要求1所述的一种基于脑部辅助图像的脑出血自动检测方法,其特征在于,所述基于标准模型的脑部辅助图像,其具体过程为:
获取标准模型,包括脑部解剖结构,将标准模型作为模板;
根据脑部CT图像对标准模型进行非刚性配准变换,获取非刚性配准的坐标映射关系;
根据非刚性配准的坐标映射关系输出基于标准模型的脑部辅助图像。
4.根据权利要求1所述的一种基于脑部辅助图像的脑出血自动检测方法,其特征在于,所述S3中将所述两个图像输入到预训练好的脑出血自动检测神经网络中,其中神经网络的预训练过程为:
构建样本集:获取数据库中的若干脑部CT图像,对脑部CT图像中的出血区域及出血类型进行标记,将标记后的脑部CT图像与相对应的脑部辅助图像组成图片对,构建具有若干图片对的样本集;
将样本集中的若干图片对输入到构建好的脑出血自动检测神经网络中:利用U-Net或VGG的主干网络作为脑出血自动检测神经网络的主干网络,在主干网络后连接卷积网络,所述样本集图片对中的脑部CT图像输入到主干网络中,样本集图片对中的脑部辅助图像输入到卷积网络中;
对构建好的脑出血自动检测神经网络通过梯度下降法进行预训练:主干网络提取脑部CT图像的特征并输出至卷积网络,卷积网络结合所述特征及脑部辅助图像进行卷积处理,通过梯度下降法对神经网络进行训练,直至脑出血自动检测神经网络的损失函数小于阈值。
5.根据权利要求1所述的一种基于脑部辅助图像的脑出血自动检测方法,其特征在于,采用总网络实现所述S2中获取脑部辅助图像和S3中在脑出血自动检测神经网络中进行训练并输出处理后的脑部CT图像,其中总网络包括图像生成神经网络和脑出血自动检测神经网络,图像生成神经网络用于根据输入的脑部CT图像生成脑部辅助图像并输出,脑出血自动检测神经网络用于根据输入的脑部CT图像和图像生成神经网络输出的脑部辅助图像对脑部CT图像中脑出血区域进行自动检测,输出处理后的脑部CT图像中包含脑出血的区域和类型的掩膜,并将其供医生阅览,医生结合处理后的脑部CT图像对脑出血进一步诊断。
6.一种电子设备,其特征在于:包括存储器和处理器,存储器和处理器相连,所述存储器存储有至少一个可被处理器执行的指令,所述至少一个指令被处理器执行时,实现如权利要求1-5任一所述的一种基于脑部辅助图像的脑出血自动检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010643129.XA CN111539956B (zh) | 2020-07-07 | 2020-07-07 | 基于脑部辅助图像的脑出血自动检测方法及电子介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010643129.XA CN111539956B (zh) | 2020-07-07 | 2020-07-07 | 基于脑部辅助图像的脑出血自动检测方法及电子介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539956A CN111539956A (zh) | 2020-08-14 |
CN111539956B true CN111539956B (zh) | 2020-12-29 |
Family
ID=71979790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010643129.XA Active CN111539956B (zh) | 2020-07-07 | 2020-07-07 | 基于脑部辅助图像的脑出血自动检测方法及电子介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539956B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116625A (zh) * | 2020-08-25 | 2020-12-22 | 澳门科技大学 | 基于矛盾标记法的心脏ct图像自动分割方法、装置及介质 |
CN111798535B (zh) * | 2020-09-09 | 2020-12-01 | 南京安科医疗科技有限公司 | Ct图像增强显示方法及计算机可读存储介质 |
CN113076987B (zh) * | 2021-03-29 | 2022-05-20 | 北京长木谷医疗科技有限公司 | 骨赘识别方法、装置、电子设备及存储介质 |
CN113768528A (zh) * | 2021-09-26 | 2021-12-10 | 华中科技大学 | 一种ct影像脑出血辅助定位*** |
CN114549532B (zh) * | 2022-04-27 | 2022-07-08 | 珠海市人民医院 | 一种基于医学图像处理的脑缺血辅助分析方法及*** |
CN115187600B (zh) * | 2022-09-13 | 2022-12-09 | 杭州涿溪脑与智能研究所 | 一种基于神经网络的脑部出血体积计算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2224401A1 (en) * | 2009-02-27 | 2010-09-01 | Medicsight PLC | Computer-aided detection of lesions |
CN108369642A (zh) * | 2015-12-18 | 2018-08-03 | 加利福尼亚大学董事会 | 根据头部计算机断层摄影解释和量化急症特征 |
CN110880366A (zh) * | 2019-12-03 | 2020-03-13 | 上海联影智能医疗科技有限公司 | 一种医学影像处理*** |
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 |
WO2020111463A1 (ko) * | 2018-11-29 | 2020-06-04 | 주식회사 휴런 | Aspect 스코어 추정 시스템 및 방법 |
-
2020
- 2020-07-07 CN CN202010643129.XA patent/CN111539956B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2224401A1 (en) * | 2009-02-27 | 2010-09-01 | Medicsight PLC | Computer-aided detection of lesions |
CN108369642A (zh) * | 2015-12-18 | 2018-08-03 | 加利福尼亚大学董事会 | 根据头部计算机断层摄影解释和量化急症特征 |
WO2020111463A1 (ko) * | 2018-11-29 | 2020-06-04 | 주식회사 휴런 | Aspect 스코어 추정 시스템 및 방법 |
CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估***及评估方法、可读存储介质 |
CN110880366A (zh) * | 2019-12-03 | 2020-03-13 | 上海联影智能医疗科技有限公司 | 一种医学影像处理*** |
Also Published As
Publication number | Publication date |
---|---|
CN111539956A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539956B (zh) | 基于脑部辅助图像的脑出血自动检测方法及电子介质 | |
US11430140B2 (en) | Medical image generation, localizaton, registration system | |
US9980704B2 (en) | Non-invasive image analysis techniques for diagnosing diseases | |
KR20210048523A (ko) | 이미지 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 기억 매체 | |
CN111047605B (zh) | 一种脊椎ct分割网络模型的构建方法及分割方法 | |
CN110188792A (zh) | ***mri三维图像的图像特征获取方法 | |
CN111681230A (zh) | 脑白质高信号评分***及其评分方法 | |
CN108171697B (zh) | 一种基于簇的wmh自动提取*** | |
CN112348785B (zh) | 一种癫痫病灶定位方法及*** | |
CN110738643A (zh) | 脑出血的分析方法、计算机设备和存储介质 | |
CN112184720B (zh) | 一种ct图像的内直肌和视神经分割方法及*** | |
JP2019028887A (ja) | 画像処理方法 | |
CN111430025A (zh) | 一种基于医疗影像数据扩增的疾病诊断方法 | |
CN115063397A (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
CN107590806B (zh) | 一种基于大脑医学成像的检测方法和*** | |
CN113822323A (zh) | 脑部扫描图像的识别处理方法、装置、设备及存储介质 | |
CN113298773A (zh) | 基于深度学习的心脏视图识别与左心室检测装置、*** | |
Guy-Fernand et al. | Classification of brain tumor leveraging goal-driven visual attention with the support of transfer learning | |
CN114066798A (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 | |
CN113989269B (zh) | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 | |
CN111598904B (zh) | 图像分割方法、装置、设备及存储介质 | |
CN114360695A (zh) | 乳腺超声扫查分析辅助***、介质及设备 | |
CN112766332A (zh) | 医学影像检测模型训练方法、医学影像检测方法及装置 | |
JP7325310B2 (ja) | 医用画像処理装置、医用画像解析装置、及び、標準画像作成プログラム | |
CN117831757B (zh) | 基于病理ct多模态先验知识引导的肺癌诊断方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |