CN113077479A - 急性缺血性脑卒中病灶自动分割方法、***、终端及介质 - Google Patents
急性缺血性脑卒中病灶自动分割方法、***、终端及介质 Download PDFInfo
- Publication number
- CN113077479A CN113077479A CN202110320238.2A CN202110320238A CN113077479A CN 113077479 A CN113077479 A CN 113077479A CN 202110320238 A CN202110320238 A CN 202110320238A CN 113077479 A CN113077479 A CN 113077479A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- brain parenchyma
- sagittal plane
- stroke
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 40
- 208000032382 Ischaemic stroke Diseases 0.000 title claims abstract description 29
- 210000004556 brain Anatomy 0.000 claims abstract description 68
- 208000006011 Stroke Diseases 0.000 claims abstract description 57
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 230000003902 lesion Effects 0.000 claims abstract description 23
- 210000003625 skull Anatomy 0.000 claims abstract description 21
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000000513 principal component analysis Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 102000056548 Member 3 Solute Carrier Family 12 Human genes 0.000 abstract description 6
- 108091006623 SLC12A3 Proteins 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 5
- 230000001154 acute effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010018985 Haemorrhage intracranial Diseases 0.000 description 1
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 1
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 206010053648 Vascular occlusion Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
- 208000021331 vascular occlusion disease Diseases 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
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
- G06T7/11—Region-based segmentation
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了急性缺血性脑卒中病灶自动分割方法,包括:头颅CT图像配准;剔除颅骨,获得脑实质三维掩膜;对脑实质三维掩膜用PCA特征降维进行椭圆拟合,得到正中矢状面数据;计算大脑的左右侧对称参数图;对正中矢状面数据设置不同的窗宽窗位,得到多级窗宽窗位的影像数据;标注训练数据;训练分割卷积神经网络模型;将测试数据输入训练好的分割模型中分割,得到对应体素的脑实质、脑脊液和卒中病灶分割概率图,对应的二维图像是否存在卒中病灶的预测概率;根据预测概率的不同输出不同的分割结果。方法结合大脑解剖先验知识进行多任务训练,提高了卷积神经网络在NCCT卒中病灶自动分割方法的性能,能准确分割出急性缺血性卒中病灶。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种急性缺血性脑卒中病灶自动分割方法、***、终端及介质。
背景技术
“脑卒中”(cerebral stroke)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。
2018年,中国卒中死亡率为149.49/10万,占我国居民总死亡率的22.3%,已成为造成过早死亡和疾病负担的首位原因。卒中住院患者平均年龄为66岁,其最主要的类型脑梗死、脑出血和蛛网膜下腔出血占比分别为81.9%、14.9%和3.2%。
急性缺血性脑卒中(急性脑梗死)是最常见的卒中类型,占我国脑卒中的69.6%~70.9%。目前对于急性期的时间划分尚不统一,一般指发病后2周内,轻型1周内,重型1个月内。我国住院急性缺血性脑卒中患者发病后1个月内病死率约为2.3%~3.2%,3个月病死率9%~9.6%,致死/残疾率为34.5%~37.1%,1年病死率14.4%~15.4%,致死/致残率33.4%~33.8%。
急诊平扫CT(NCCT)可准确识别绝大所数颅内出血,并帮助鉴别非血管性病变(如脑肿瘤),是疑似脑卒中患者首选的影像学检查方法,亦是用于是用于中风病灶体积评估的最常见的影像学检查方法。但是,依靠影像医生进行手动病变分割,存在耗时过长,主观差异大等缺点。
现有的半自动病变分割工具,需要人机互动,这可能会产生偏差。深度卷积神经网络(CNN)在医学成像中的各种分割任务中表现出了卓越的性能,这是因为它们能够学习数据中的复杂模式和关系。现有CNN分割卒中病灶的研究中,大多只考虑了三维空间结构信息的添加,缺乏对NCCT影像与卒中的相关先验知识的利用。
发明内容
针对现有技术中的缺陷,本发明提供一种急性缺血性脑卒中病灶自动分割方法、***、终端及介质,结合大脑解剖先验知识进行多任务训练,提高了卷积神经网络在NCCT卒中病灶自动分割方法的性能,能准确分割出急性缺血性卒中病灶。
第一方面,本发明实施例提供的一种急性缺血性脑卒中病灶自动分割方法,包括以下步骤:
将患者头颅CT图像刚体配准至标准空间;
剔除颅骨,获得脑实质三维掩膜;
通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合,得到正中矢状面数据;
对正中矢状面数据进行水平翻转,得到翻转后的对称图像,通过正中矢状面数据逐像素减去翻转后的对称图像的方式,得到大脑的左右侧对称参数图;
对正中矢状面数据设置不同的窗宽窗位,得到多级窗宽窗位的影像数据;
对正中矢状面数据进行手动标注,得到卷积神经网络的训练数据,以二维图像标注的方式标注出大脑实质区域的脑实质、脑脊液和卒中病灶,并得到每个二维图像是否存在卒中病灶的二值分类标签;
构建分割卷积神经网络模型,将左右侧对称参数图和多级窗宽窗位的影像数据作为分割卷积神经网络模型的输入训练分割卷积神经网络模型,以二维图像标注结果作为分割卷积神经网络模型的输出,得到训练好的分割模型;
将左右侧对称参数图和多级窗宽窗位的影像数据输入训练好的分割模型中分割,得到对应体素的脑实质、脑脊液和卒中病灶分割概率图,以及对应的二维图像是否存在卒中病灶的预测概率;
根据预测概率的不同输出不同的分割结果。
第二方面,本发明实施例提供的一种急性缺血性脑卒中病灶自动分割***,包括:刚体配准模块、脑实质提取模块、正中矢状面数据获取模块、对称性参数图计算模块、多级窗宽窗位图像生成模块、分割模型预测模块和结果输出模块,
所述刚体配准模块将患者头颅CT图像刚体配准至标准空间;
所述脑实质提取模块用于剔除颅骨,获得脑实质三维掩膜;
所述正中矢状面数据获取模块用于通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合,得到正中矢状面数据;
所述对称性参数图计算模块用于对正中矢状面数据进行水平翻转,得到翻转后的对称图像,通过正中矢状面数据逐像素减去翻转后的对称图像的方式,得到大脑的左右侧对称参数图;
所述多级窗宽窗位图像生成模块对正中矢状面数据设置不同的窗宽窗位,得到多级窗宽窗位的影像数据;
所述分割模型预测模块构建分割卷积神经网络模型,将左右侧对称参数图和多级窗宽窗位的影像数据作为分割卷积神经网络模型的输入训练分割卷积神经网络模型,以二维图像标注结果作为分割卷积神经网络模型的输出,得到训练好的分割模型;
将左右侧对称参数图和多级窗宽窗位的影像数据输入训练好的分割模型中分割,得到对应体素的脑实质、脑脊液和卒中病灶分割概率图,以及对应的二维图像是否存在卒中病灶的预测概率;
所述结果输出模块根据预测概率的不同输出不同的分割结果。
第三方面,本发明实施例提供的一种智能终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述实施例描述的方法。
第四方面,本发明实施例提供的一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
本发明的有益效果:
本发明实施例提供的一种急性缺血性脑卒中病灶自动分割方法、***、终端及介质,结合大脑解剖先验知识进行多任务训练,提高了卷积神经网络在NCCT卒中病灶自动分割方法的性能,能准确分割出急性缺血性卒中病灶。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种急性缺血性脑卒中病灶自动分割方法的流程图;
图2示出了本发明第一实施例中空间标准化-刚体配准的示意图;
图3示出了本发明第一实施例中脑实质提取过程图;
图4示出了本发明第一实施例中得到的正中矢状面数据的过程图;
图5示出了本发明第一实施例中计算得到的对称性参数图的过程图;
图6示出了本发明第一实施例中得到的多级窗宽窗位图像;
图7示出了本发明第一实施例中对训练数据标注的示意图;
图8示出了本发明第一实施例中分割卷积神经网络模型的构造图;
图9示出了本发明第一实施例中的原始测试数据图;
图10示出了本发明第一实施例中卒中病灶原始分割结果图;
图11示出了本发明第一实施例中调整后的分割结果图;
图12示出了本发明第二实施例所提供的一种急性缺血性脑卒中病灶自动分割***的结构框图;
图13示出了本发明第三实施例所提供的一种智能终端的结构框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
图1示出了本发明第一实施例所提供的一种急性缺血性脑卒中病灶自动分割方法的流程图,包括以下步骤:
S1:将患者头颅CT图像刚体配准至标准空间。
具体地,将患者的头颅CT平扫原始图像,刚体配准至模板,使所有平扫数据具有统一的摆位,如图2所示。
S2:剔除颅骨,获得脑实质三维掩膜。
具体地,根据颅骨最小HU值提取颅骨,对图像二值化,将颅骨设为前景,其余部分设为背景,进行膨胀,填充颅骨空洞,在颅内设定种子点,利用区域生长,在颅内合并与种子点像素相近的区域,获得脑实质,利用填充算法对脑空洞补全,并膨胀至原颅骨,如图3所示。
S3:通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合,得到正中矢状面数据。
具体地,基于脑实质掩膜,计算每层图像的脑实质体积,获取脑实质面积最大的图像层,通过对应的脑实质掩膜获得非零像素的坐标矩阵X,计算横纵坐标均值向量mX及协方差矩阵PX;通过协方差矩阵求解特征方程,得到特征值λ1,λ2(即拟合椭圆的半长轴、半短轴),并根据特征值求得椭圆长短轴特征向量e1,e2(即椭圆半轴的方向),通过反三角函数求得旋转角θ,该旋转角即为位于图像坐标系的与参考切片垂直的中矢面角度(相对于理想坐标系)。根据非零像素坐标矩阵X定位拟合椭圆长轴坐标,通过长轴坐标及旋转角θ,对三维图像进行旋转获得正中矢状面数据,如图4所示。
S4:对称性参数图计算。
具体地,对正中矢状面数据进行水平翻转,得到翻转后的对称图像,通过正中矢状面数据逐像素减去翻转后的对称图像的方式,得到大脑的左右侧对称参数图,如图5所示。
S5:多级窗宽窗位数据获取。
对正中矢状面数据设置不同的窗宽窗位,分别以(30,60),(40,80),(50,100)作为窗宽和窗位,得到多级窗宽窗位的影像数据,如图6所示。
步骤S1-S5是对数据进行预处理。
S6:训练数据标注。
对正中矢状面数据进行手动标注,得到卷积神经网络的训练数据,以二维图像标注的方式标注出大脑实质区域的脑实质(灰质和白质)、脑脊液和卒中病灶,并得到每个二维图像是否存在卒中病灶的二值分类标签(无卒中病灶=0,有卒中病灶=1),如图7所示。
S7:CNN模型搭建与多任务训练。
结合Unet分割结构与注意力卷积模块SE-Block构建分割卷积神经网络模型,如图8所示。多级窗宽窗位数据通过通道拼接的方式作为分割卷积神经网络模型的主要输入,通过编码器(Encoder)部分进行影像的深度特征提取,对应的对称性参数图则作为辅助输入,直接与译码器(Decoder)的输出进行通道拼接,再通过卷积得到三个单独的分割输出,分别对应脑实质、脑脊液和卒中病灶的分割结果。使用Dice系数对预测结果进行评估,Dice系数为网络分割结果和手动标注结果之间的Dice相似性系数。完成卷积网络进行反向传播。特别的,对于标注为不存在卒中病灶的二维图像,对应图像的卒中病灶分割Dice不参与反向传播。同时,在分割模型的编码器(Encoder)部分,深度特征通过和FlattenandFC层(全连接层)级联,完成输入图像的二分类预测(是否存在卒中病灶)。
S8:基于CNN模型的卒中病灶分割。
如图9所示,示出了原始测试数据图,对测试数据采用步骤S1-S5进行预处理,将预处理后的数据输入训练好的分割模型中,得到CNN模型对应的脑实质、脑脊液与卒中病灶分割概率图,以及对应二维图像中是否存在卒中病灶的预测概率。
基于是否存在卒中病灶的分类概率以及脑实质、脑脊液的分割概率图,对卒中病灶的分割概率图进行修正。当模型预测图像存在卒中病灶的概率大于0.5时,直接从模型的卒中病灶分割概率图输出分割结果,如图10所示,标示为B的区域对应卒中病灶。反之,当预测概率小于0.5时,以对应体素的脑实质、脑脊液与卒中病灶分割概率最大的那一类,作为分割结果,得到调整后的卒中病灶分割结果,如图11所示,标示为B的区域对应卒中病灶。
本发明实施例提供的一种急性缺血性脑卒中病灶自动分割方法,结合了大脑解剖先验知识,对基于CNN的NCCT卒中病灶自动分割算法进行了优化,提高了CNN方法于NCCT影像中的急性缺血性卒中病灶的自动分割准确率。
上述的第一实施例中,提供了一种急性缺血性脑卒中病灶自动分割方法,与之相对应的,本申请还提供一种急性缺血性脑卒中病灶自动分割***。请参考图12,其为本发明第二实施例提供的一种急性缺血性脑卒中病灶自动分割***的结构框图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图12所示,示出了本发明第二实施例提供的一种急性缺血性脑卒中病灶自动分割***的结构框图,***包括:刚体配准模块、脑实质提取模块、正中矢状面数据获取模块、对称性参数图计算模块、多级窗宽窗位图像生成模块、分割模型预测模块和结果输出模块,
所述刚体配准模块将患者头颅CT图像刚体配准至标准空间;
所述脑实质提取模块用于剔除颅骨,获得脑实质三维掩膜;
所述正中矢状面数据获取模块用于通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合,得到正中矢状面数据;
所述对称性参数图计算模块用于对正中矢状面数据进行水平翻转,得到翻转后的对称图像,通过正中矢状面数据逐像素减去翻转后的对称图像的方式,得到大脑的左右侧对称参数图;
所述多级窗宽窗位图像生成模块对正中矢状面数据设置不同的窗宽窗位,分别采用(30,60)、(40,80)、(50,100)作为窗宽和窗位,得到多级窗宽窗位的影像数据;
所述分割模型预测模块构建分割卷积神经网络模型,将左右侧对称参数图和多级窗宽窗位的影像数据作为分割卷积神经网络模型的输入训练分割卷积神经网络模型,以二维图像标注结果作为分割卷积神经网络模型的输出,得到训练好的分割模型;
将左右侧对称参数图和多级窗宽窗位的影像数据输入训练好的分割模型中分割,得到对应体素的脑实质、脑脊液和卒中病灶分割概率图,以及对应的二维图像是否存在卒中病灶的预测概率;
所述结果输出模块根据预测概率的不同输出不同的分割结果。
其中,结果输出模块包括判断单元和输出单元,所述判断单元用于判断预测概率是否大于0.5,在预测概率大于等于0.5时,输出单元将分割模型的卒中病灶分割概率图作为分割结果输出;在预测概率小于0.5时,输出单元以对应的体素的脑实质、脑脊液和卒中病灶分割概率最大的一类作为分割结果输出,得到调整后的卒中病灶分割结果。
正中矢状面数据获取模块过对脑实质三维掩膜用PCA特征降维进行椭圆拟合,得到正中矢状面数据具体包括:
根据脑实质三维掩膜计算每层图像是脑实质体积,得到脑实质面积最大的图像层;
根据对应的脑实质三维掩膜得到非零像素的坐标矩阵;
计算横纵坐标均值向量机协方差矩阵;
根据协方差矩阵求解特征方程,得到特征值分别为拟合椭圆的半长轴和半短轴;
根据特征值计算椭圆长短轴特征向量;
通过反三角函数计算旋转角,根据非零像素坐标矩阵定位拟合椭圆长轴坐标;
通过长轴坐标和旋转角对三维图像进行旋转得到正中矢状面数据。
以上,为本发明第二实施例提供的一种急性缺血性脑卒中病灶自动分割***的实施例说明。
本发明提供的一种急性缺血性脑卒中病灶自动分割***与上述急性缺血性脑卒中病灶自动分割方法出于相同的发明构思,具有相同的有益效果,此处不再赘述。
如图13所示,示出了本发明第三实施例还提供一种智能终端的结构框图,该终端包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述实施例描述的方法。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备可以包括显示器(LCD等)、扬声器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器、输入设备、输出设备可执行本发明实施例提供的方法实施例所描述的实现方式,也可执行本发明实施例所描述的***实施例的实现方式,在此不再赘述。
在本发明还提供一种计算机可读存储介质的实施例,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种急性缺血性脑卒中病灶自动分割方法,其特征在于,包括以下步骤:
将患者头颅CT图像刚体配准至标准空间;
剔除颅骨,获得脑实质三维掩膜;
通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合,得到正中矢状面数据;
对正中矢状面数据进行水平翻转,得到翻转后的对称图像,通过正中矢状面数据逐像素减去翻转后的对称图像的方式,得到大脑的左右侧对称参数图;
对正中矢状面数据设置不同的窗宽窗位,得到多级窗宽窗位的影像数据;
对正中矢状面数据进行手动标注,得到卷积神经网络的训练数据,以二维图像标注的方式标注出大脑实质区域的脑实质、脑脊液和卒中病灶,并得到每个二维图像是否存在卒中病灶的二值分类标签;
构建分割卷积神经网络模型,将左右侧对称参数图和多级窗宽窗位的影像数据作为分割卷积神经网络模型的输入训练分割卷积神经网络模型,以二维图像标注结果作为分割卷积神经网络模型的输出,得到训练好的分割模型;
将左右侧对称参数图和多级窗宽窗位的影像数据输入训练好的分割模型中分割,得到对应体素的脑实质、脑脊液和卒中病灶分割概率图,以及对应的二维图像是否存在卒中病灶的预测概率;
根据预测概率的不同输出不同的分割结果。
2.如权利要求1所述的方法,其特征在于,所述根据预测概率的不同输出不同的分割结果具体包括:
当预测概率大于等于0.5时,将分割模型的卒中病灶分割概率图作为分割结果输出;
当预测概率小于0.5时,以对应的体素的脑实质、脑脊液和卒中病灶分割概率最大的一类作为分割结果输出。
3.如权利要求1所述的方法,其特征在于,所述通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合,得到正中矢状面数据具体包括:
根据脑实质三维掩膜计算每层图像是脑实质体积,得到脑实质面积最大的图像层;
根据对应的脑实质三维掩膜得到非零像素的坐标矩阵;
计算横纵坐标均值向量机协方差矩阵;
根据协方差矩阵求解特征方程,得到特征值分别为拟合椭圆的半长轴和半短轴;
根据特征值计算椭圆长短轴特征向量;
通过反三角函数计算旋转角,根据非零像素坐标矩阵定位拟合椭圆长轴坐标;
通过长轴坐标和旋转角对三维图像进行旋转得到正中矢状面数据。
4.如权利要求1所述的方法,其特征在于,设置不同的窗宽窗位具体包括:分别采用(30,60)、(40,80)、(50,100)作为窗宽和窗位。
5.一种急性缺血性脑卒中病灶自动分割***,包括:刚体配准模块、脑实质提取模块、正中矢状面数据获取模块、对称性参数图计算模块、多级窗宽窗位图像生成模块、分割模型预测模块和结果输出模块,
所述刚体配准模块将患者头颅CT图像刚体配准至标准空间;
所述脑实质提取模块用于剔除颅骨,获得脑实质三维掩膜;
所述正中矢状面数据获取模块用于通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合,得到正中矢状面数据;
所述对称性参数图计算模块用于对正中矢状面数据进行水平翻转,得到翻转后的对称图像,通过正中矢状面数据逐像素减去翻转后的对称图像的方式,得到大脑的左右侧对称参数图;
所述多级窗宽窗位图像生成模块对正中矢状面数据设置不同的窗宽窗位,得到多级窗宽窗位的影像数据;
所述分割模型预测模块构建分割卷积神经网络模型,将左右侧对称参数图和多级窗宽窗位的影像数据作为分割卷积神经网络模型的输入训练分割卷积神经网络模型,以二维图像标注结果作为分割卷积神经网络模型的输出,得到训练好的分割模型;
将左右侧对称参数图和多级窗宽窗位的影像数据输入训练好的分割模型中分割,得到对应体素的脑实质、脑脊液和卒中病灶分割概率图,以及对应的二维图像是否存在卒中病灶的预测概率;
所述结果输出模块根据预测概率的不同输出不同的分割结果。
6.如权利要求5所述的***,其特征在于,所述结果输出模块包括判断单元和输出单元,所述判断单元用于判断预测概率是否大于0.5,在预测概率大于等于0.5时,输出单元将分割模型的卒中病灶分割概率图作为分割结果输出;在预测概率小于0.5时,输出单元以对应的体素的脑实质、脑脊液和卒中病灶分割概率最大的一类作为分割结果输出。
7.如权利要求5所述的***,其特征在于,所述正中矢状面数据获取模块过对脑实质三维掩膜用PCA特征降维进行椭圆拟合,得到正中矢状面数据具体包括:
根据脑实质三维掩膜计算每层图像是脑实质体积,得到脑实质面积最大的图像层;
根据对应的脑实质三维掩膜得到非零像素的坐标矩阵;
计算横纵坐标均值向量机协方差矩阵;
根据协方差矩阵求解特征方程,得到特征值分别为拟合椭圆的半长轴和半短轴;
根据特征值计算椭圆长短轴特征向量;
通过反三角函数计算旋转角,根据非零像素坐标矩阵定位拟合椭圆长轴坐标;
通过长轴坐标和旋转角对三维图像进行旋转得到正中矢状面数据。
8.如权利要求5所述的***,其特征在于,所述多级窗宽窗位图像生成模块分别采用(30,60)、(40,80)、(50,100)作为窗宽和窗位。
9.一种智能终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,其特征在于,所述处理器被配置用于调用所述程序指令,执行如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110320238.2A CN113077479A (zh) | 2021-03-25 | 2021-03-25 | 急性缺血性脑卒中病灶自动分割方法、***、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110320238.2A CN113077479A (zh) | 2021-03-25 | 2021-03-25 | 急性缺血性脑卒中病灶自动分割方法、***、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113077479A true CN113077479A (zh) | 2021-07-06 |
Family
ID=76610749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110320238.2A Pending CN113077479A (zh) | 2021-03-25 | 2021-03-25 | 急性缺血性脑卒中病灶自动分割方法、***、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077479A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409456A (zh) * | 2021-08-19 | 2021-09-17 | 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 |
CN113538464A (zh) * | 2021-07-22 | 2021-10-22 | 脑玺(苏州)智能科技有限公司 | 脑部影像分割模型训练方法、分割方法及装置 |
CN114332532A (zh) * | 2021-12-24 | 2022-04-12 | 深圳市铱硙医疗科技有限公司 | 一种基于脑部影像的脑卒中分类***及方法 |
CN114463288A (zh) * | 2022-01-18 | 2022-05-10 | 深圳市铱硙医疗科技有限公司 | 脑部医学影像评分方法、装置、计算机设备和存储介质 |
CN114601486A (zh) * | 2022-03-07 | 2022-06-10 | 深圳市澈影医生集团有限公司 | 一种急性缺血性脑卒中的检测***及方法 |
CN114638843A (zh) * | 2022-03-18 | 2022-06-17 | 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 |
CN115272206A (zh) * | 2022-07-18 | 2022-11-01 | 深圳市医未医疗科技有限公司 | 医学图像处理方法、装置、计算机设备及存储介质 |
WO2023133933A1 (zh) * | 2022-01-14 | 2023-07-20 | 汕头市超声仪器研究所股份有限公司 | 超声颅脑标准面成像和异常区域自动检测显示方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409503A (zh) * | 2018-09-27 | 2019-03-01 | 深圳市铱硙医疗科技有限公司 | 神经网络的训练方法、图像转换方法、装置、设备及介质 |
CN111445443A (zh) * | 2020-03-11 | 2020-07-24 | 北京深睿博联科技有限责任公司 | 早急性脑梗死检测方法和装置 |
CN111584066A (zh) * | 2020-04-13 | 2020-08-25 | 清华大学 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
CN111861989A (zh) * | 2020-06-10 | 2020-10-30 | 杭州深睿博联科技有限公司 | 一种脑中线检测方法、***、终端及存储介质 |
CN112164082A (zh) * | 2020-10-09 | 2021-01-01 | 深圳市铱硙医疗科技有限公司 | 基于3d卷积神经网络分割多模态mr脑部图像方法 |
-
2021
- 2021-03-25 CN CN202110320238.2A patent/CN113077479A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409503A (zh) * | 2018-09-27 | 2019-03-01 | 深圳市铱硙医疗科技有限公司 | 神经网络的训练方法、图像转换方法、装置、设备及介质 |
CN111445443A (zh) * | 2020-03-11 | 2020-07-24 | 北京深睿博联科技有限责任公司 | 早急性脑梗死检测方法和装置 |
CN111584066A (zh) * | 2020-04-13 | 2020-08-25 | 清华大学 | 基于卷积神经网络与对称信息的脑部医学影像诊断方法 |
CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
CN111861989A (zh) * | 2020-06-10 | 2020-10-30 | 杭州深睿博联科技有限公司 | 一种脑中线检测方法、***、终端及存储介质 |
CN112164082A (zh) * | 2020-10-09 | 2021-01-01 | 深圳市铱硙医疗科技有限公司 | 基于3d卷积神经网络分割多模态mr脑部图像方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538464A (zh) * | 2021-07-22 | 2021-10-22 | 脑玺(苏州)智能科技有限公司 | 脑部影像分割模型训练方法、分割方法及装置 |
CN113409456A (zh) * | 2021-08-19 | 2021-09-17 | 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 |
CN114332532A (zh) * | 2021-12-24 | 2022-04-12 | 深圳市铱硙医疗科技有限公司 | 一种基于脑部影像的脑卒中分类***及方法 |
WO2023133933A1 (zh) * | 2022-01-14 | 2023-07-20 | 汕头市超声仪器研究所股份有限公司 | 超声颅脑标准面成像和异常区域自动检测显示方法 |
CN114463288A (zh) * | 2022-01-18 | 2022-05-10 | 深圳市铱硙医疗科技有限公司 | 脑部医学影像评分方法、装置、计算机设备和存储介质 |
CN114463288B (zh) * | 2022-01-18 | 2023-01-10 | 深圳市铱硙医疗科技有限公司 | 脑部医学影像评分方法、装置、计算机设备和存储介质 |
CN114601486A (zh) * | 2022-03-07 | 2022-06-10 | 深圳市澈影医生集团有限公司 | 一种急性缺血性脑卒中的检测***及方法 |
CN114638843A (zh) * | 2022-03-18 | 2022-06-17 | 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 |
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 |
CN115272206A (zh) * | 2022-07-18 | 2022-11-01 | 深圳市医未医疗科技有限公司 | 医学图像处理方法、装置、计算机设备及存储介质 |
CN115272206B (zh) * | 2022-07-18 | 2023-07-04 | 深圳市医未医疗科技有限公司 | 医学图像处理方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077479A (zh) | 急性缺血性脑卒中病灶自动分割方法、***、终端及介质 | |
CN110599528B (zh) | 一种基于神经网络的无监督三维医学图像配准方法及*** | |
Namburete et al. | Fully-automated alignment of 3D fetal brain ultrasound to a canonical reference space using multi-task learning | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
CN108416802B (zh) | 一种基于深度学习的多模医学图像非刚性配准方法及*** | |
Qiu et al. | Automatic segmentation approach to extracting neonatal cerebral ventricles from 3D ultrasound images | |
WO2021030629A1 (en) | Three dimensional object segmentation of medical images localized with object detection | |
US20230104173A1 (en) | Method and system for determining blood vessel information in an image | |
Oghli et al. | Automatic fetal biometry prediction using a novel deep convolutional network architecture | |
CN112164082A (zh) | 基于3d卷积神经网络分割多模态mr脑部图像方法 | |
CN113298831B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
Nie et al. | Automatic detection of standard sagittal plane in the first trimester of pregnancy using 3-D ultrasound data | |
CN112991363A (zh) | 脑肿瘤图像分割方法、装置、电子设备及存储介质 | |
CN113298856B (zh) | 一种图像配准方法、装置、设备和介质 | |
Qiu et al. | 3D MR ventricle segmentation in pre-term infants with post-hemorrhagic ventricle dilatation (PHVD) using multi-phase geodesic level-sets | |
KR20190068254A (ko) | 병변 발생 시점 추정 방법, 장치 및 프로그램 | |
CN110992310A (zh) | 一种确定纵隔***所在分区的方法及装置 | |
EP3853814B1 (en) | Analyzing symmetry in image data | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN115631194B (zh) | 颅内动脉瘤识别检测的方法、装置、设备及介质 | |
US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN112102327A (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
Yang et al. | A new approach to automatic measure fetal head circumference in ultrasound images using convolutional neural networks | |
Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210706 |
|
RJ01 | Rejection of invention patent application after publication |