CN112070781B - 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 - Google Patents
颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112070781B CN112070781B CN202010814810.6A CN202010814810A CN112070781B CN 112070781 B CN112070781 B CN 112070781B CN 202010814810 A CN202010814810 A CN 202010814810A CN 112070781 B CN112070781 B CN 112070781B
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- brain tissue
- blood supply
- model
- 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
- 238000003325 tomography Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000003672 processing method Methods 0.000 title abstract description 4
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 150
- 230000036770 blood supply Effects 0.000 claims abstract description 134
- 210000004556 brain Anatomy 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 42
- 238000013145 classification model Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 24
- 238000013135 deep learning Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 37
- 238000002591 computed tomography Methods 0.000 description 16
- 210000003657 middle cerebral artery Anatomy 0.000 description 15
- 206010061216 Infarction Diseases 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000007574 infarction Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008344 brain blood flow Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004091 panning Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开涉及一种颅脑断层扫描图像的处理方法、装置、存储介质及电子设备,所述方法包括:针对颅脑断层扫描图像中的脑组织进行三维轮廓提取,得到三维脑组织图像;将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型中,得到所述配准模型输出的用于表征所述脑组织模板图像变形到所述脑组织图像的形变场信息;根据所述形变场信息对标记有供血区分段区域的三维供血区模板图像进行变形,得到对应所述三维脑组织图像的目标三维脑供血区图像,所述目标三维脑供血区图像包括多个三维供血区分段区域图像。上述技术方案可以基于颅脑断层扫描图像自动生成具有三维供血区标记的目标三维脑供血区图像,从而提升了脑供血区的分段效率。
Description
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种颅脑断层扫描图像的处理方法、装置、存储介质及电子设备。
背景技术
CT(Computed Tomography),即电子计算机断层扫描,它是利用精确准直的X线束,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点。
针对颅脑的断层扫描图像能够包括丰富的脑部信息,其能够反映出对象的脑部状态。例如,核心梗死区域的脑组织相对于正常脑组织,其脑血流量下降程度可以达到百分之三十以上,因此在颅脑断层扫描中可以体现为低密度区域。相关场景中,需要相关人员以肉眼识别的方式在颅脑CT图像中确定相应的脑部区域的状态,但这样的识别方式较为依赖识别人员的主观感受,同时效率也较低。
发明内容
本公开的目的是提供一种颅脑断层扫描图像的处理方法、装置、存储介质及电子设备,用以解决上述相关技术问题。
为了实现上述目的,本公开实施例的第一方面,提供一种颅脑断层扫描图像的处理方法,包括:
针对颅脑断层扫描图像中的脑组织进行三维轮廓提取,得到三维脑组织图像;
将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型中,得到所述配准模型输出的用于表征所述脑组织模板图像变形到所述脑组织图像的形变场信息;
根据所述形变场信息对与所述三维脑组织模板图像相对应的且标记有供血区分段区域的三维供血区模板图像进行变形,得到对应所述三维脑组织图像的目标三维脑供血区图像,其中,所述目标三维脑供血区图像包括多个三维供血区分段区域图像。
可选地,在所述将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型之前,所述方法还包括:
获取待分析对象的颅脑断层扫描图像,并根据所述待分析对象的人群类别信息,从模板库中获取对应所述人群类别信息的所述三维脑组织模板图像以及对应所述人群类别信息的所述三维供血区模板图像。
可选地,所述配准模型是通过如下方式训练得到的:
根据随机形变场对三维脑组织样本图像进行变形,得到变形样本图像;
将所述三维脑组织样本图像、所述变形样本图像输入到所述配准模型中,得到所述配准模型输出的预测形变场;
根据所述预测形变场和所述三维脑组织样本图像生成预测配准图像;
根据所述预测形变场、随机形变场、变形样本图像以及预测配准图像,确定模型损失值;
根据所述模型损失值调整所述配准模型的模型参数,直到所述配准模型收敛,得到训练好的配准模型。
可选地,通过如下公式计算所述模型损失值
其中,θ为所述配准模型的参数,为所述随机形变场,I0为所述变形样本图像,F0为所述预测形变场,/>为根据所述随机形变场以及所述三维脑组织样本图像生成的预测配准图像,α是平衡损失函数LF()以及损失函数Lsim()的超参数,f(x,y)是图像坐标空间Ω的体素位置,f(xi,yi)是以体素f(x,y)为中心的邻域内的体素坐标,/>和依次为图像I0和/>中体素f(xi,yi)邻域的局部均值。
可选地,所述方法还包括:
对所述目标三维脑供血区图像的低频部分进行增强处理后再与高频部分融合,得到对应的频选增强图像;
提取所述目标三维脑供血区图像的深度学习特征和影像组学特征,以及提取所述频选增强图像的深度学习特征和影像组学特征,并融合得到对应于所述目标三维脑供血区图像的高维影像特征向量;
将所述高维影像特征向量输入分类模型,得到所述分类模型输出的对所述目标三维脑供血区图像的分类结果。
可选地,所述方法还包括:
通过弹性回归对输入的所述高维影像特征向量进行特征选择,得到目标高维影像特征向量,其中,所述弹性回归的选择参数与通过所述弹性回归所选择出的特征的数量相关;
所述分类模型用于:
通过分类器对筛选得到的所述目标高维影像特征向量进行分类,并输出所述分类结果。
可选地,所述弹性回归的损失函数为:
其中,xi为第i个样本的特征向量,w为权重向量,N为训练时一个批次的样本总数,n代表权重的个数,α为正则项系数。
可选地,所述分类器包括采用加权随机森林算法的第一分类器。
根据本公开实施例的第二方面,提供一种颅脑断层扫描图像的处理装置,包括:
脑组织提取模块,用于针对颅脑断层扫描图像中的脑组织进行三维轮廓提取,得到三维脑组织图像;
模板匹配模块,用于将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型中,得到所述配准模型输出的用于表征所述脑组织模板图像变形到所述脑组织图像的形变场信息;
变形模块,用于根据所述形变场信息对与所述三维脑组织模板图像相对应的且标记有供血区分段区域的三维供血区模板图像进行变形,得到对应所述三维脑组织图像的目标三维脑供血区图像,其中,所述目标三维脑供血区图像包括多个三维供血区分段区域图像。
可选地,所述装置还包括:
获取模块,用于在所述将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型之前,获取待分析对象的颅脑断层扫描图像,并根据所述待分析对象的人群类别信息,从模板库中获取对应所述人群类别信息的所述三维脑组织模板图像以及对应所述人群类别信息的所述三维供血区模板图像。
可选地,所述装置还包括:
训练模块,用于训练得到所述配准模型,所述训练模块包括:
变形子模块,用于根据随机形变场对三维脑组织样本图像进行变形,得到变形样本图像;
输入子模块,用于将所述三维脑组织样本图像、所述变形样本图像输入到所述配准模型中,得到所述配准模型输出的预测形变场;
生成子模块,用于根据所述预测形变场和所述三维脑组织样本图像生成预测配准图像;
确定子模块,用于根据所述预测形变场、随机形变场、变形样本图像以及预测配准图像,确定模型损失值;
调整子模块,用于根据所述模型损失值调整所述配准模型的模型参数,直到所述配准模型收敛,得到训练好的配准模型。
可选地,所述确定子模块,包括:
第一计算子单元,用于通过用于计算形变场损失值的第一损失函数以及用于计算图像相似性的第二损失函数,计算得到所述模型损失值;或者,
所述确定子模块,包括:
第二计算子单元,用于通过如下公式计算所述模型损失值
其中,θ为所述配准模型的参数,为所述随机形变场,I0为所述变形样本图像,F0为所述预测形变场,/>为根据所述随机形变场以及所述三维脑组织样本图像生成的预测配准图像,α是平衡损失函数LF()以及损失函数的Lsim()的超参数,f(x,y)是图像坐标空间Ω的体素位置,f(xi,yi)是以体素f(x,y)为中心的邻域内的体素坐标,/>和依次为图像I0和/>中体素f(xi,yi)邻域的局部均值。
可选地,所述装置还包括:
频选增强模块,用于对所述目标三维脑供血区图像的低频部分进行增强处理后再与高频部分融合,得到对应的频选增强图像;
特征提取模块,用于提取所述目标三维脑供血区图像的深度学习特征和影像组学特征,以及提取所述频选增强图像的深度学习特征和影像组学特征,并融合得到对应于所述目标三维脑供血区图像的高维影像特征向量;
输入模块,用于将所述高维影像特征向量输入分类模型,得到所述分类模型输出的对所述目标三维脑供血区图像的分类结果。
可选地,所述装置还包括:
特征选择模块,用于通过弹性回归对输入的所述高维影像特征向量进行特征选择,得到目标高维影像特征向量,其中,所述弹性回归的选择参数与通过所述弹性回归所选择出的特征的数量相关;
所述分类模型用于:
通过分类器对筛选得到的所述目标高维影像特征向量进行分类,并输出所述分类结果。
可选地,所述弹性回归的损失函数为:
其中,xi为第i个样本的特征向量,w为权重向量,N为训练时一个批次的样本总数,n代表权重的个数,α为正则项系数。
可选地,所述分类器包括采用加权随机森林算法的第一分类器。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面中任一项所述方法的步骤。
上述技术方案中,能够通过对颅脑断层扫描图像中的脑组织进行三维轮廓提取的方式,得到三维脑组织图像。此外,还可以将所述三维脑组织图像以及三维脑组织模板图像输入至配准模型中,从而得到表征所述脑组织模板图像变形到所述脑组织图像的形变场信息。这样,可以通过所述形变场信息以及标记有供血区分段区域的三维供血区模板图像获得所述对应所述三维脑组织图像的目标三维脑供血区图像。也就是说,上述技术方案可以基于颅脑断层扫描图像自动生成具有三维供血区标记的目标三维脑供血区图像,从而提升了脑供血区的分段效率。并且,相对于二维切面,上述目标三维脑供血区图像还具有更丰富的脑部特征信息,有助于图像的识别。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开一示例性实施例所示出的一种颅脑断层扫描图像的处理方法的流程图。
图2是本公开一示例性实施例所示出的一种颅脑核团层的MCA供血区域分段示意图。
图3是本公开一示例性实施例所示出的一种颅脑核团上层的MCA供血区域分段示意图。
图4是本公开一示例性实施例所示出的一种配准模型的训练流程图。
图5是本公开一示例性实施例所示出的一种配准模型的网络结构图。
图6是本公开一示例性实施例所示出的一种颅脑断层扫描图像的处理方法的流程图。
图7是本公开一示例性实施例所示出的一种颅脑断层扫描图像的处理装置的框图。
图8是本公开一示例性实施例所示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
在介绍本公开所提供的颅脑断层扫描图像的处理方法、装置、存储介质及电子设备之前,首先对本公开的应用场景进行介绍。本公开所提供的各实施例可以用于对颅脑断层扫描图像进行处理。针对颅脑的断层扫描图像能够包括丰富的脑部信息,其能够反映出对象的脑部状态。例如,核心梗死区域的脑组织相对于正常脑组织,其脑血流量下降程度可以达到百分之三十以上,因此在颅脑断层扫描中可以体现为低密度区域。一般来说,核心梗死体积可以与患者短期及长期临床预后相关,因此在急性缺血性脑卒中场景中,可以基于患者的颅脑断层扫描图像对其脑部的核心梗死区域进行判断,从而进一步确定患者的状态。
在一些实施场景中,可以基于CT(Computed Tomography,即电子计算机断层扫描)平扫,在CT影像中人工选取MCA(middle cerebral artery,大脑中动脉)供血区在核团层面以及核团以上层面的总计十个区域,通过对所述十个MCA供血区图像进行评估,从而确定对应区域的脑组织状态。申请人发现,对于脑卒中病情而言,其发展是较快的,人脑供血障碍4-5分钟以上即可能出现永久不可逆性梗死,致残、致死率较高。而对于CT图像而言,其在CT影像数据上组织分区界限分辨难度较高,因此基于肉眼观察的方式难以快速准确地判断出脑组织分区,导致MCA供血区分辨速度较慢,识别时间较长。
为此,本公开提供一种颅脑断层扫描图像的处理方法,参照图1所示出的一种颅脑断层扫描图像的处理方法的流程图,所述方法包括:
S11,针对颅脑断层扫描图像中的脑组织进行三维轮廓提取,得到三维脑组织图像;
S12,将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型中,得到所述配准模型输出的用于表征所述脑组织模板图像变形到所述脑组织图像的形变场信息;
S13,根据所述形变场信息对与所述三维脑组织模板图像相对应的且标记有供血区分段区域的三维供血区模板图像进行变形,得到对应所述三维脑组织图像的目标三维脑供血区图像,其中,所述目标三维脑供血区图像包括多个三维供血区分段区域图像。
具体来讲,在步骤S11中,可以基于颅脑CT平扫图像来获得脑实质轮廓。其中,所述颅脑CT平扫图像的数量可以是多个,针对每一所述颅脑CT平扫图像,可以对该图像进行阈值分割,并沿Z轴方向逐层查找图形轮廓,得到最大连通域。进一步的,还可以获取针对所述颅脑CT平扫图像的初始分割切片索引,进行初始切片分割并分别生成初始切片的前景与背景灰度概率密度函数。这样,通过向上传播以及向下传播,可以基于时间全隐的测地线水平集活动轮廓算法来逐层生成所述脑实质轮廓。
在一些场景中,生成的所述脑实质轮廓中可能还包括一些空洞以及孤立点,因此,在步骤S11中还可以基于三维数据对所述空洞进行补偿和/或对所述孤立点进行移除,从而得到所述三维脑组织图像。
在步骤S12中,可以将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型中,得到所述配准模型输出的用于表征所述脑组织模板图像变形到所述脑组织图像的形变场信息。其中,所述三维脑组织模板图像可以是预处理得到的标准脑组织模板图像,基于所述配准模型,可以生成由所述三维脑组织模板图像到步骤S11生成的所述三维脑组织图像的形变场,从而建立所述三维脑组织模板图像与所述三维脑组织图像中的各区域的匹配关系。所述配准模型的结构将在后续实施例中进行说明。
在步骤S13中,可以根据所述形变场信息对标记有供血区分段区域的三维供血区模板图像进行变形,得到对应所述三维脑组织图像的目标三维脑供血区图像。其中,所述三维供血区模板图像可以是根据所述步骤S12中的三维脑组织模板图像生成的。举例来讲,可以对所述三维脑组织模板图像进行标准MCA供血区划分,从而得到包括十个供血区分段区域的三维供血区模板图像。这样,可以将所述形变场应用于所述三维供血模板图像,从而得到对应于所述脑组织图像的目标三维脑供血图像。沿用上述例子,所述三维供血区模板图像包括十个MCA供血区分段,因此,在通过所述形变场将该供血区模板图像影射至所述三维脑组织图像时,可以获得对应于所述脑组织图像且包括十个MCA供血区分段的目标三维脑供血图像。
上述技术方案中,能够通过对颅脑断层扫描图像中的脑组织进行三维轮廓提取的方式,得到三维脑组织图像。此外,还可以将所述三维脑组织图像以及三维脑组织模板图像输入至配准模型中,从而得到表征所述脑组织模板图像变形到所述脑组织图像的形变场信息。这样,可以通过所述形变场信息以及标记有供血区分段区域的三维供血区模板图像获得所述对应所述三维脑组织图像的目标三维脑供血区图像。也就是说,上述技术方案可以基于颅脑断层扫描图像自动生成具有三维供血区标记的目标三维脑供血区图像,从而提升了脑供血区的分段效率。并且,相对于二维切面,上述目标三维脑供血区图像还具有更丰富的脑部特征信息,有助于图像的识别。
针对所述三维脑组织模板图像,申请人发现,对于不同类型的人群,其脑组织的状态还可以存在着差异。因此,在一种可能的实施方式中,在所述将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型之前,所述方法还包括:
获取待分析对象的颅脑断层扫描图像,并根据所述待分析对象的人群类别信息,从模板库中获取对应所述人群类别信息的所述三维脑组织模板图像以及对应所述人群类别信息的所述三维供血区模板图像。
举例来讲,参照图2所示出的一种颅脑核团层的MCA供血区域分段图(包括供血区M1、M2、M3、I、L、C、IC)以及图3所示出的一种颅脑核团上层的MCA供血区域分段图(包括供血区M4、M5、M6),在具体实施时可以针对脑组织模板所对应的对象的年龄、性别、脑室结构、脑萎缩情形等信息对所述对象进行分类。并对每一类型的待分析对象,建立其对应的三维脑组织模板图以及如图2和图3所示出的核团层以及核团上层的MCA供血区分段模板图,得到模板库。这样,针对所述待分析对象,可以根据该待分析对象的年龄、性别、脑室结构等信息,从模板库中获取对应所述人群类别信息的所述三维脑组织模板图像以及对应所述人群类别信息的所述三维供血区模板图像,从而能够提升生成的所述形变场以及所述目标三维脑供血区图像的准确度。
可选地,参照图4所示出的一种配准模型的训练流程图,所述配准模型是通过如下方式训练得到的:
S41,根据随机形变场对三维脑组织样本图像进行变形,得到变形样本图像;
S42,将所述三维脑组织样本图像、所述变形样本图像输入到所述配准模型中,得到所述配准模型输出的预测形变场;
S43,根据所述预测形变场和所述三维脑组织样本图像生成预测配准图像;
S44,根据所述预测形变场、随机形变场、变形样本图像以及预测配准图像,确定模型损失值;
S45,根据所述模型损失值调整所述配准模型的模型参数,直到所述配准模型收敛,得到训练好的配准模型。
举例来讲,参照图5所示出的一种配准模型的网络结构图,所述配准模型例如可以基于Unet网络。在步骤S41中,可以基于模拟器S来生成三维脑组织样本图像M的随机形变场以及相应的变形样本图像I0。从而在步骤S42中,可以将所述变形样本I0以及所述三维脑组织样本图像M输入至所述配准模型,从而得到所述配准模型生成的预测形变场F0。此外,在步骤S43中,可以根据预测形变场F0和所述三维脑组织样本图像I0生成预测配准图像/>这样,在步骤S44以及S45中,可以基于所述随机形变场以及所述预测形变场的差异以及所述变形样本图像以及预测配准图像之间的差异来确定所述配准模型的损失值,并根据确定的损失值来对模型参数进行调整,以使模型收敛,从而完成训练。
针对所述损失值,在一种可能的实施方式中,所述根据所述预测形变场、随机形变场、变形样本图像以及预测配准图像,确定模型损失值,包括:
通过用于计算形变场损失值的第一损失函数以及用于计算图像相似性的第二损失函数,计算得到所述模型损失值。
参照图5,所述配准模型的损失函数可以包括形变场损失函数LF以及相似性损失函数Lsim,在具体实施时可以将所述形变场损失函数以及相似性损失函数集成至配准模型中。其中,形变场损失函数LF可以通过对比分析预测形变场F0和随机形变场之间的差异,从而不断修正和训练神经网络N。相似性损失函数Lsim可以通过对比分析变形样本图像I0与由F0和M生成的预测配准图像/>之间的相似性,从而不断修正和训练神经网络N。
在一些实施例中,可以通过如下公式计算所述模型损失值
其中,为所述随机形变场,I0为所述变形样本图像,F0为所述预测形变场,/>为根据所述随机形变场以及所述三维脑组织样本图像生成的预测配准图像,θ为所述配准模型的参数(在图5中为神经网络N的参数),α是平衡损失函数LF()以及损失函数Lsim()的超参数,f(x,y)是图像坐标空间Ω的体素位置,f(xi,yi)是以体素f(x,y)为中心的邻域内的体素坐标,/>和/>依次为图像I0和/>中体素f(xi,yi)邻域的局部均值。
上述技术方案中,所述损失函数能够同时对配准模型的形变场和图像相似性进行描述。损失函数中的形变场信息,即形变场损失函数LF可以基于监督学习来表示随机形变场和预测形变场之间的偏移量误差,从而可以提高两个形变场的对齐精度。损失函数中的图像相似信息,即相似损失函数Lsim可以基于自监督学习,从而可以降低所述配准模型对训练集多样性的依赖,有助于提升模型的泛化能力。
值得注意的是,上述实施例中,以所述损失函数包括所述形变场损失函数LF以及相似性损失函数Lsim为例进行了说明。但本领域技术人员应当知晓,本公开并不局限于此。例如,在一些实施例中,所述损失函数也可以包括所述形变场损失函数LF和相似性损失函数Lsim中的任一者。
此外,在一种可能的实施方式中,所述配准模型还可以是融合了空洞卷积结构的深度学习分割网络模型。空洞卷积能够在不进行pooling损失信息的情况下,加大感受野,让每个卷积输出都包含较大范围的信息。这样,通过在所述配准模型中采用空洞卷积结构,在所述模型的编码解码过程中,能够更好地保持所述三维脑组织图像的特征信息。
对于获取到的所述目标三维脑供血区图像,在一些实施例中,还可以根据所述目标三维脑供血区图像的特征信息,通过分类模型对所述目标三维脑供血区图像进行分类,从而得到对应于所述图像的分类标签。
在这种情况下,参照图6所示出的一种颅脑断层扫描图像的处理方法的流程图,所述方法在图1的基础上还包括:
S14,对所述目标三维脑供血区图像的低频部分进行增强处理后再与高频部分融合,得到对应的频选增强图像;
S15,提取所述目标三维脑供血区图像的深度学习特征和影像组学特征,以及提取所述频选增强图像的深度学习特征和影像组学特征,并融合得到对应于所述目标三维脑供血区图像的高维影像特征向量;
S16,将所述高维影像特征向量输入分类模型,得到所述分类模型输出的对所述目标三维脑供血区图像的分类结果。
值得说明的是,原始平扫CT图像对缺血所致的轻微的密度改变的敏感性较低,而经过频选增强处理则可以增强对CT图像中的轻微密度改变的敏感性。
因此,在步骤S14中,可以对所述目标三维脑供血区图像的低频部分进行增强处理后与高频部分融合,得到对应的频选增强图像。例如,可以通过应用离散傅里叶变换将所述目标三维脑供血区图像分为互补的两部分数据,得到低频部分与高频部分。举例来讲,可以应用高斯低通滤波提取图像低频部分(包含平滑的细节及很少的噪声);应用高斯高通滤波提取图像高频部分(包含清晰的细节与图像噪声)。这样,可以对图像低频部分进行脑组织对比度增强,同时保持高频成分不变以保持图像的噪声水平不受影响,从而可以将对比度增强后的低频部分数据与保持不变高频部分数据进行整合,得到频选增强图像。
采用这样的方式,能够在保持图像细节的前提下增强所述目标三维脑供血区图像的相关供血区分段的低频部分对比度,同时保持高频部分不变,因此能够有助于提高分类结果的准确性。
申请人发现,对于影像组学而言,其能够自动化高通量提取图像特征,从而获得丰富的灰度特征以及纹理特征。对于深度学习而言,其能够通过卷积网络提取图像深度特征的特点。因此,在步骤S15中,可以分别提取脑供血区图像和频选增强图像ROI(region ofinterest,感兴趣区域)的深度学习特征和影像组学特征,并融合得到高维影像特征向量。
示例地,可以提取所述目标三维脑供血区图像的深度学习特征以及影像组学特征,并根据该深度学习特征以及影像组学特征生成对应于所述目标三维脑供血区图像的第一高维影像特征向量。类似的,可以对所述目标三维脑供血区图像的频选增强图像获取深度学习特征以及影像组学特征,并生成第二高维影像特征向量。这样,可以通过对所述第一高维影像特征向量以及第二高维影像特征向量进行融合,从而得到对应于所述目标三维脑供血区图像的高维影像特征向量。通过这样的方式,能够提升图像特征提取的全面性和准确性,有助于进一步提高分类结果的准确性。
在步骤S16中,可以将所述高维影像特征向量输入分类模型,得到所述分类模型输出的对所述目标三维脑供血区图像的分类结果,从而得到所述目标三维脑供血区图像的分类标签。
值得注意的是,对于影像组学结合深度学习的方法所提取到的图像特征,其可能还存在着数目较之目标数据集过于庞大的问题。因此,在一种可能的实施方式中,为了剔除无用和冗余的图像特征,以及筛选并提取有用的高维图像特征,还可以利用弹性回归进行特征选择。
在这种情况下,所述方法还包括:
通过弹性回归对输入的所述高维影像特征向量进行特征选择,得到目标高维影像特征向量。所述分类模型可以用于:
通过分类器对筛选得到的所述目标高维影像特征向量进行分类,并输出所述分类结果。
其中,所述弹性回归的选择参数与通过所述弹性回归所选择出的特征的数量相关,在具体实施时可以根据弹性回归参数优化确定筛选的特征。比如,在一种可能的实施方式中,所述弹性回归的损失函数为:
其中,xi为第i个样本的特征向量,w为权重向量,N为训练时一个批次的样本总数,n代表权重的个数。α为正则项系数,可以根据样本情况、训练目标等因素进行调整。当α越大时,所求解的w越稀疏,从而能够增强特征选择的效果;当α越小时,则所求解的w越稠密,从而能够降低特征选择的效果。这样,通过弹性回归进行特征选择,能够减少后续图像处理过程中的图像拼接的运算量,并有效避免数据过拟合现象。
针对所述分类模型,在一种可能的实施方式中,所述分类模型的训练样本是针对三维供血区分段样本图像的目标高维影像特征向量添加真实分类标签得到的(三维供血区分段样本图像的目标高维影像特征向量的获取方式请参照上述实施例,本公开在此不做赘述)。举例来讲,在一些实施例中,所述标签可以对应于所述三维供血区分段样本来设置,所述标签例如可以包括有核心梗死、无核心梗死等等。在另一些实施例中,所述标签还可以针对所述三维供血区分段样本中的每一MCA供血分段来设置。例如,可以对每一所述MCA供血分段设置有核心梗死或是无核心梗死等标签,在这种情况下,所述分类模型可以包括多重,即所述分类模型可以是根据每一所述MCA供血分段构建二分类模型最终得到的。当然,上述描述仅为一种示例,在具体实施时,所述训练样本也可以包括其他类型的标签,本公开对此不做限定。
这样,可以根据所述训练样本来对所述分类模型进行训练,所述分类模型的训练过程例如可以包括:
将所述三维供血区分段样本的目标高维影像特征向量输入到所述分类模型中,得到所述分类模型输出的预测分类标签;
根据所述预测分类标签以及所述真实分类标签通过损失函数确定损失值;
根据所述损失值调整所述分类模型的模型参数,直到所述分类模型收敛。
采用上述技术方案,通过训练所述分类模型,从而可以通过所述分类模型来对目标三维脑供血区图像的类型进行识别和分类,进一步的降低了针对所述目标三维脑供血区图像的识别复杂度,起到提升识别效率的效果。
此外申请人发现,深度学习在基于大样本量数据集分类时可能具有更高的分类精准度,但三维供血区分段样本数据是相对有限的。因此,在一种可能的实施方式中,所述分类器包括采用加权随机森林算法的第一分类器。
其中,加权随机森林算法采用的是集成算法,其精度和分类准确度高于单分类器。并且,通过提高分类正确率高的决策树投票权重,降低分类错误率高的决策树投票权重,还能够提高整体分类器的能力,避免过拟合的问题,进一步保证评分结果的准确性。也就是说,上述技术方案通过采用加权随机森林算法进行特征分类并构建二分类模型,能够进一步地提升分类的准确度。
此外,在一些实施例中,为了提高权重的鲁棒性,还可以将一次训练的结果重新导入分类模型,以进行二次训练。通过再次强化分类性能优的决策树权重,弱化分类性能差的决策树权重,能够进一步地提升分类水平。
本公开还提供一种颅脑断层扫描图像的处理装置,参照图7所示出的一种颅脑断层扫描图像的处理装置的框图,所述装置700包括:
脑组织提取模块701,用于针对颅脑断层扫描图像中的脑组织进行三维轮廓提取,得到三维脑组织图像;
模板匹配模块702,用于将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型中,得到所述配准模型输出的用于表征所述脑组织模板图像变形到所述脑组织图像的形变场信息;
变形模块703,用于根据所述形变场信息对与所述三维脑组织模板图像相对应的且标记有供血区分段区域的三维供血区模板图像进行变形,得到对应所述三维脑组织图像的目标三维脑供血区图像,其中,所述目标三维脑供血区图像包括多个三维供血区分段区域图像。
上述技术方案中,能够通过对颅脑断层扫描图像中的脑组织进行三维轮廓提取的方式,得到三维脑组织图像。此外,还可以将所述三维脑组织图像以及三维脑组织模板图像输入至配准模型中,从而得到表征所述脑组织模板图像变形到所述脑组织图像的形变场信息。这样,可以通过所述形变场信息以及标记有供血区分段区域的三维供血区模板图像获得所述对应所述三维脑组织图像的目标三维脑供血区图像。也就是说,上述技术方案可以基于颅脑断层扫描图像自动生成具有三维供血区标记的目标三维脑供血区图像,从而提升了脑供血区的分段效率。并且,相对于二维切面,上述目标三维脑供血区图像还具有更丰富的脑部信息,有助于图像特征的识别。
可选地,所述装置还包括:
获取模块,用于在所述将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型之前,获取待分析对象的颅脑断层扫描图像,并根据所述待分析对象的人群类别信息,从模板库中获取对应所述人群类别信息的所述三维脑组织模板图像以及对应所述人群类别信息的所述三维供血区模板图像。
可选地,所述装置还包括:
训练模块,用于训练得到所述配准模型,所述第一训练模块包括:
变形子模块,用于根据随机形变场对三维脑组织样本图像进行变形,得到变形样本图像;
输入子模块,用于将所述三维脑组织样本图像、所述变形样本图像输入到所述配准模型中,得到所述配准模型输出的预测形变场;
生成子模块,用于根据所述预测形变场和所述三维脑组织样本图像生成预测配准图像;
确定子模块,用于根据所述预测形变场、随机形变场、变形样本图像以及预测配准图像,确定模型损失值;
调整子模块,用于根据所述模型损失值调整所述配准模型的模型参数,直到所述配准模型收敛,得到训练好的配准模型。
可选地,所述确定子模块,包括:
第一计算子单元,用于通过用于计算形变场损失值的第一损失函数以及用于计算图像相似性的第二损失函数,计算得到所述模型损失值;或者,
所述确定子模块,包括:
第二计算子单元,用于通过如下公式计算所述模型损失值
其中,θ为所述配准模型的参数,为所述随机形变场,I0为所述变形样本图像,F0为所述预测形变场,/>为根据所述随机形变场以及所述三维脑组织样本图像生成的预测配准图像,α是平衡损失函数LF()以及损失函数的Lsim()超参数,f(x,y)是图像坐标空间Ω的体素位置,f(xi,yi)是以体素f(x,y)为中心的邻域内的体素坐标,/>和/>依次为图像I0和/>中体素f(xi,yi)邻域的局部均值。
可选地,所述装置还包括:
频选增强模块,用于对所述目标三维脑供血区图像的低频部分进行增强处理后再与高频部分融合,得到对应的频选增强图像;
特征提取模块,用于提取所述目标三维脑供血区图像的深度学习特征和影像组学特征,以及提取所述频选增强图像的深度学习特征和影像组学特征,并融合得到对应于所述目标三维脑供血区图像的高维影像特征向量;
输入模块,用于将所述高维影像特征向量输入分类模型,得到所述分类模型输出的对所述目标三维脑供血区图像的分类结果。
可选地,所述装置还包括:
特征选择模块,用于通过弹性回归对输入的所述高维影像特征向量进行特征选择,得到目标高维影像特征向量,其中,所述弹性回归的选择参数与通过所述弹性回归所选择出的特征的数量相关;
所述分类模型用于:通过分类器对筛选得到的所述目标高维影像特征向量进行分类,并输出所述分类结果。
可选地,所述弹性回归的损失函数为:
其中,xi为第i个样本的特征向量,w为权重向量,N为训练时一个批次的样本总数,n代表权重的个数,α为正则项系数。
可选地,所述分类器包括采用加权随机森林算法的第一分类器。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例中任一项所述方法的步骤。
本公开还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述实施例中任一项所述方法的步骤。
图8是根据一示例性实施例示出的一种电子设备800的框图。如图8所示,该电子设备800可以包括:处理器801,存储器802。该电子设备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该电子设备800的整体操作,以完成上述的颅脑断层扫描图像的处理方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该电子设备800的操作,这些数据例如可以包括用于在该电子设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如对象数据、CT图片等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还可以包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该电子设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的颅脑断层扫描图像的处理方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的颅脑断层扫描图像的处理方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由电子设备800的处理器801执行以完成上述的颅脑断层扫描图像的处理方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的颅脑断层扫描图像的处理方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种颅脑断层扫描图像的处理方法,其特征在于,包括:
针对颅脑断层扫描图像中的脑组织进行三维轮廓提取,得到三维脑组织图像;
将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型中,得到所述配准模型输出的用于表征所述脑组织模板图像变形到所述脑组织图像的形变场信息;
根据所述形变场信息对与所述三维脑组织模板图像相对应的且标记有供血区分段区域的三维供血区模板图像进行变形,得到对应所述三维脑组织图像的目标三维脑供血区图像,
其中,所述目标三维脑供血区图像包括多个三维供血区分段区域图像,所述配准模型是通过如下方式训练得到的:
根据随机形变场对三维脑组织样本图像进行变形,得到变形样本图像;
将所述三维脑组织样本图像、所述变形样本图像输入到所述配准模型中,得到所述配准模型输出的预测形变场;
根据所述预测形变场和所述三维脑组织样本图像生成预测配准图像;
根据所述预测形变场、随机形变场、变形样本图像以及预测配准图像,确定模型损失值;
根据所述模型损失值调整所述配准模型的模型参数,直到所述配准模型收敛,得到训练好的配准模型。
2.根据权利要求1所述的方法,其特征在于,在所述将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型之前,所述方法还包括:
获取待分析对象的颅脑断层扫描图像,并根据所述待分析对象的人群类别信息,从模板库中获取对应所述人群类别信息的所述三维脑组织模板图像以及对应所述人群类别信息的所述三维供血区模板图像。
3.根据权利要求1所述的方法,其特征在于,通过如下公式计算所述模型损失值
其中,θ为所述配准模型的参数,为所述随机形变场,I0为所述变形样本图像,F0为所述预测形变场,/>为根据所述随机形变场以及所述三维脑组织样本图像生成的预测配准图像,α是平衡损失函数LF()以及损失函数的Lsim()超参数,f(x,y)是图像坐标空间Ω的体素位置,f(xi,yi)是以体素f(x,y)为中心的邻域内的体素坐标,/>和/>依次为图像I0和/>中体素f(xi,yi)邻域的局部均值。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
对所述目标三维脑供血区图像的低频部分进行增强处理后再与高频部分融合,得到对应的频选增强图像;
提取所述目标三维脑供血区图像的深度学习特征和影像组学特征,以及提取所述频选增强图像的深度学习特征和影像组学特征,并融合得到对应于所述目标三维脑供血区图像的高维影像特征向量;
将所述高维影像特征向量输入分类模型,得到所述分类模型输出的对所述目标三维脑供血区图像的分类结果。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
通过弹性回归对输入的所述高维影像特征向量进行特征选择,得到目标高维影像特征向量,其中,所述弹性回归的选择参数与通过所述弹性回归所选择出的特征的数量相关;
所述分类模型用于:
通过分类器对筛选得到的所述目标高维影像特征向量进行分类,并输出所述分类结果。
6.根据权利要求5所述的方法,其特征在于,所述弹性回归的损失函数为:
其中,xi为第i个样本的特征向量,w为权重向量,N为训练时一个批次的样本总数,n代表权重的个数,α为正则项系数。
7.根据权利要求5或6所述的方法,其特征在于,所述分类器包括采用加权随机森林算法的第一分类器。
8.一种颅脑断层扫描图像的处理装置,其特征在于,包括:
脑组织提取模块,用于针对颅脑断层扫描图像中的脑组织进行三维轮廓提取,得到三维脑组织图像;
模板匹配模块,用于将所述三维脑组织图像与三维脑组织模板图像输入预先训练好的配准模型中,得到所述配准模型输出的用于表征所述脑组织模板图像变形到所述脑组织图像的形变场信息;
变形模块,用于根据所述形变场信息对与所述三维脑组织模板图像相对应的且标记有供血区分段区域的三维供血区模板图像进行变形,得到对应所述三维脑组织图像的目标三维脑供血区图像,其中,所述目标三维脑供血区图像包括多个三维供血区分段区域图像;
训练模块,用于训练得到所述配准模型,所述训练模块包括:
变形子模块,用于根据随机形变场对三维脑组织样本图像进行变形,得到变形样本图像;
输入子模块,用于将所述三维脑组织样本图像、所述变形样本图像输入到所述配准模型中,得到所述配准模型输出的预测形变场;
生成子模块,用于根据所述预测形变场和所述三维脑组织样本图像生成预测配准图像;
确定子模块,用于根据所述预测形变场、随机形变场、变形样本图像以及预测配准图像,确定模型损失值;
调整子模块,用于根据所述模型损失值调整所述配准模型的模型参数,直到所述配准模型收敛,得到训练好的配准模型。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814810.6A CN112070781B (zh) | 2020-08-13 | 2020-08-13 | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814810.6A CN112070781B (zh) | 2020-08-13 | 2020-08-13 | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070781A CN112070781A (zh) | 2020-12-11 |
CN112070781B true CN112070781B (zh) | 2024-01-30 |
Family
ID=73662717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010814810.6A Active CN112070781B (zh) | 2020-08-13 | 2020-08-13 | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070781B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529918B (zh) * | 2020-12-23 | 2024-02-27 | 沈阳东软智能医疗科技研究院有限公司 | 一种脑部ct图像中脑室区域分割的方法、装置及设备 |
CN113192014B (zh) * | 2021-04-16 | 2024-01-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
CN113298800B (zh) * | 2021-06-11 | 2024-06-25 | 沈阳东软智能医疗科技研究院有限公司 | 一种ct血管造影cta源图像的处理方法、装置及设备 |
CN113436187A (zh) * | 2021-07-23 | 2021-09-24 | 沈阳东软智能医疗科技研究院有限公司 | 颅脑ct血管造影图像的处理方法、装置、介质及电子设备 |
CN113674228B (zh) * | 2021-08-06 | 2024-06-25 | 沈阳东软智能医疗科技研究院有限公司 | 颅脑供血区的识别方法、装置、存储介质和电子设备 |
CN113409456B (zh) * | 2021-08-19 | 2021-12-07 | 江苏集萃苏科思科技有限公司 | 颅脑穿刺术前三维模型的建模方法、***、装置、介质 |
CN114155232A (zh) * | 2021-12-08 | 2022-03-08 | 中国科学院深圳先进技术研究院 | 颅内出血区域检测方法、装置、计算机设备及存储介质 |
CN114463320B (zh) * | 2022-02-17 | 2024-01-26 | 厦门大学 | 一种磁共振成像脑胶质瘤idh基因预测方法及*** |
CN114638843B (zh) * | 2022-03-18 | 2022-09-06 | 北京安德医智科技有限公司 | 大脑中动脉高密度征影像识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507212A (zh) * | 2017-08-18 | 2017-12-22 | 中国科学院深圳先进技术研究院 | 数字脑可视化方法、装置、计算设备及存储介质 |
CN109509203A (zh) * | 2018-10-17 | 2019-03-22 | 哈尔滨理工大学 | 一种半自动脑部图像分割方法 |
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 |
WO2020134769A1 (zh) * | 2018-12-27 | 2020-07-02 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354001B (zh) * | 2018-12-20 | 2024-02-02 | 西门子医疗***有限公司 | 脑肿瘤图像分割方法、装置和存储介质 |
-
2020
- 2020-08-13 CN CN202010814810.6A patent/CN112070781B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507212A (zh) * | 2017-08-18 | 2017-12-22 | 中国科学院深圳先进技术研究院 | 数字脑可视化方法、装置、计算设备及存储介质 |
CN109509203A (zh) * | 2018-10-17 | 2019-03-22 | 哈尔滨理工大学 | 一种半自动脑部图像分割方法 |
WO2020134769A1 (zh) * | 2018-12-27 | 2020-07-02 | 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 |
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 |
Non-Patent Citations (4)
Title |
---|
Classification of brain disease from magnetic resonance images based on multi-level brain partitions;Tao li等;《2016 38TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》;5933-5936 * |
Performance Study on Brain Tumor Segmentation Techniques;Nisha Joseph等;《2018 4th International Conference on Computing Communication and Automation》;正文1-6 * |
PET-MRI脑部定量准确性对比研究:MRI与PET脑分区对SUVR计算的影响;李再升等;《核技术》;第43卷(第5期);16-25 * |
帕金森病深部脑刺激手术中的图像配准问题研究;倪杨阳;《CNKI优秀硕士毕业论文全文库(医药卫生科技辑)》(第5期);E070-20 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070781A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070781B (zh) | 颅脑断层扫描图像的处理方法、装置、存储介质及电子设备 | |
WO2020215984A1 (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
CN111899245B (zh) | 图像分割、模型的训练方法及装置,电子设备及存储介质 | |
CN109242844B (zh) | 基于深度学习的胰腺癌肿瘤自动识别***、计算机设备、存储介质 | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
Ahmmed et al. | Classification of tumors and it stages in brain MRI using support vector machine and artificial neural network | |
CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN109376756B (zh) | 基于深度学习的上腹部转移***节自动识别***、计算机设备、存储介质 | |
US11972571B2 (en) | Method for image segmentation, method for training image segmentation model | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
Kumar et al. | An approach for brain tumor detection using optimal feature selection and optimized deep belief network | |
CN112949654A (zh) | 图像检测方法及相关装置、设备 | |
CN112396605A (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
Priya | Resnet based feature extraction with decision tree classifier for classificaton of mammogram images | |
CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
CN111814832A (zh) | 一种目标检测方法、装置及存储介质 | |
CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
CN113888520A (zh) | 用于生成牛眼图的***和方法 | |
Manzanera et al. | Patient-specific 3d cellular automata nodule growth synthesis in lung cancer without the need of external data | |
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 | |
US20220130065A1 (en) | Method for analyzing thickness of cortical region | |
CN113313698B (zh) | 基于神经网络的肺结节检测方法、装置及图像处理设备 | |
CN112634226B (zh) | 头部ct图像检测装置、方法、电子设备及存储介质 |
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 |