CN113269711A - 脑图像的处理方法及装置、电子设备和存储介质 - Google Patents

脑图像的处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113269711A
CN113269711A CN202110368009.8A CN202110368009A CN113269711A CN 113269711 A CN113269711 A CN 113269711A CN 202110368009 A CN202110368009 A CN 202110368009A CN 113269711 A CN113269711 A CN 113269711A
Authority
CN
China
Prior art keywords
brain image
brain
image
difference
feature vector
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.)
Granted
Application number
CN202110368009.8A
Other languages
English (en)
Other versions
CN113269711B (zh
Inventor
齐守良
崔丽媛
付博文
杨英健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN202110368009.8A priority Critical patent/CN113269711B/zh
Publication of CN113269711A publication Critical patent/CN113269711A/zh
Application granted granted Critical
Publication of CN113269711B publication Critical patent/CN113269711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Veterinary Medicine (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Quality & Reliability (AREA)
  • Neurology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本公开涉及一种脑图像的处理方法及装置、电子设备与存储介质，涉及闹图像处理技术领域。其中，所述的脑图像的处理方法，包括：获取左脑图像及右脑图像；根据所述左脑图像及右脑图像确定左脑及右脑的差异特征；基于所述差异特征确定是否存在脑病变。可以基于左脑图像及右脑图像的差异特征，快速并准确地确定是否存在脑病变。

Description

脑图像的处理方法及装置、电子设备和存储介质
技术领域
本公开涉及脑图像技术领域，尤其涉及一种脑图像的处理方法及装置、 电子设备和存储介质。
背景技术
随着21世纪经济的快速发展和生活方式的改变，高血压、糖尿病、高血 脂及脑动脉粥样硬化发病率呈递增趋势。以脑卒中为代表的非传染性疾病的 疾病，对世界各国卫生***都是一个严峻挑战。脑卒中是因脑部血液循，环 障碍导致的脑功能短时间异常，轻度患者经治疗可恢复正常生活，重度患者 可能造成瘫痪，严重者将导致死亡。脑卒中(stroke)即人们平常所说的“中 风”，又被称作脑血管事件，分为两种类型：一种是由脑血管阻塞所造成的 缺血性脑中风；一种是由脑血管破裂出血所造成的出血性脑卒中(AIS)，其 中80％为缺血性脑卒中。脑卒中疾病的现状是1、发病率高，每年新发患者 高达200多万(尤其东北地区)；2、致残率高，大约85％是缺血性脑血管病， 丧失劳动力。3、死亡率高，每21s有1人死于脑血管病。4、治疗(溶栓，取 栓)费用高，治疗过程复杂脑卒中疾病的生成一个长期的过程，早发现、早 诊断、早治疗对其治疗有着重要的意义。如何快速识别病灶，以便在黄金时 间诊治疾病，改善预后，成为当下专家医治脑卒中的关键。
缺血性脑卒中严重的影响了人们的生活，消耗了大量的医疗能源，以及 社会医疗费用。早期发现对于患者的生存和康复至关重要，及时的临床决策 和溶栓治疗是重中之重。临床上，磁共振的检测是脑卒中筛查的第一步。如 何检测作为缺血性脑中风早期特征之一的脑部核心梗死区和半暗带区，近几 年引发了广泛讨论和关注。随着影像学技术日渐完善，医生广泛使用CT和 MRI检查以显示病灶，研究发现脑卒中患者早期颅脑CT检查多正常， 24-48h后可出现低密度病灶，易增加诊疗难度，MRI检查可准确显示早期 缺血性梗死，且在小脑和脑干梗死检查中具有较高检出率。因此若怀疑为急 性脑梗死应立即进行MRI检查，以节省抢救时间，同时可规避辐射对患者 的伤害，安全可靠。传统的缺血性脑卒中检测方法是医生通过肉眼直接观察 脑部核磁共振成像(magnetic resonance imaging(MRI))，来评估患者脑部是 否存在核心梗死区。但一位患者的MRI图像往往有上百张切片，对这些图 像采用人工方式进行观察、判断，工作量巨大，且一些MRI图像上较小的 梗死区或者缺血半暗带(IP)由于不易观察可能会造成遗漏。同时，DWI的 扫描中存在许多伪影模拟中风病变的强度和形状产生了大量的噪声，而且 DWI图像分辨率非常低以至于在图像识别小的病变更加困难[11]。其次，有 各种各样的病变子类型，导致病变大小和位置的变化。中风病灶体积可以从 几百立方到几万立方不等毫米，任何大脑区域都可能发生脑梗死，如脑叶、小脑和脑干。DWI的多焦点分布和模糊边界使一些急性脑卒中病变使情况进 一步恶化，因为边界上那些模糊的体素可能会混淆算法。因此，迫切需要开 发新的计算机辅助检测脑梗死的方法提升缺血性脑卒中梗死区的检测效率。
磁共振成像(MRI)是利用原子核在强磁场内发生共振产生的信号经图 像重建的一种成像技术，是一种核物理现象。它是利用射频脉冲对置于磁场 中含有自旋不为零的原子核进行激励，射频脉冲停止后，原子核进行弛豫， 在其弛豫过程中用感应线圈采集信号，按一定的数学方法重建形成数学图 像。
MRI成像技术不同于其他成像技术，它提供的信息量远远大于医学影像 学中的其他许多成像技术。因此，对疾病的诊断具有很大的明显优越性。可 以直接作出横断面、矢状面、冠状面和各种斜面的体层图像，不会产生CT 检测中的伪影；血管造影(MRA)不需注射造影剂；无电离辐射，对机体没 有不良影响。
DWI(Diffusion weighted imaging，DWI)是在常规MRI序列的基础上， 在x、y、z轴三个互相垂直的方向上施加弥散敏感梯度，从而获得反映体内 水分子弥散运动状况的MR图像。所谓弥散敏感梯度是在常规序列中加入两 个巨大的对称的梯度脉冲。在DWI中以表观弥散系数(ADC)描述组织中水 分子弥散的快慢，并可得到ADC图。将每一像素的ADC值进行对数运算后即 可得到DWI图。DWI的临床应用是缺血性脑梗死的早期诊断，常规MRI为阴性，而DWI上可表现为高信号。PWI(Perfusion Weighted Imaging)，即磁共 振灌注造影成像，近年来快速发展的一门新技术，是脑功能成像方法之一， 其主要反映组织中微观血流动力学变化，可以活体无创性评价微血管***， 体现组织灌注情况。局部代谢需求和血流灌注在健康大脑中直接相关，允许 通过灌注加权成像来间接评估代谢功能，研究人员可以根据每个血管血流灌 注量的变化分析脑梗发生的区域和程度。
人工智能技术赋能医疗健康领域，提升医疗人员的工作效率，降低医疗 成本，并且使人们做到科学有效的日常监测预防，更好地管理自身健康。与 医疗健康领域的大数据和物联网一样，人工智能在医疗健康领域正迅速成为 一个决定性因素。人工智能与脑卒中疾病的诊治更加被重视。由于MRI成像 技术的发展，通过图像获得的解剖结构的信息越来越多，医生在判别时容易 出现误诊和漏诊。计算机诊断结合人工智能能够有效的帮助检测和判别卒中 的位置。
最后对缺血性脑卒中疾病人工智能计算机辅助诊断网络的历史与发展 进行了简要的描述。缺血性卒中的诊断中目前是国内外研究的热点。病灶的 诊断与定位则是计算机辅助诊断的主要应用。但是，相关缺血性脑卒中自动 诊断文献却很稀缺，业界更多的是病灶区域的分割。阿尔伯塔中风计划早期 计算机断层扫描评分(ASPECTS)是一个急性脑缺血损伤的地形评分***， 它可以为缺血性脑卒中的严重情况自动做出评估，辅助医生诊断。CNN深度 学习技术已应用于急性缺血性脑卒中的弥散加权成像(DWI)病灶分割，由 于数据量有限，缺乏大量的标注，此项工作仍需要进一步的探究。Kawano H 等人自动量化梗死区，随机森林与阈值分割相结合通过ADC、DWI序列分割 出梗死区，3D全卷积网络很快被提出，研究表明，3D可以提取上下文信息， 比2D的分割病灶效果更好。Arko Barman等人利用脑对称特点，根据CTA图 像特征提出对称网络模型，对缺血性脑卒中进行自动诊断。但是其用的灌注 图像，造成了一定的时间上消耗。
正是因为脑卒中疾病发病率高，每年新发患者高达200多万；致残率高， 大约85％是缺血性脑血管病，丧失劳动力，死亡率高，每21s有1人死于脑血 管病；治疗(溶栓，取栓)费用高，治疗过程复杂。因此，早期的诊断与病 灶的定位从而实现精准治疗极其重要。
发明内容
本公开提出了一种脑图像的处理方法及装置、电子设备和存储介质技术 方案。
根据本公开的一方面，提供了一种脑图像的处理方法，包括：
获取左脑图像及右脑图像；
根据所述左脑图像及右脑图像确定左脑及右脑的差异特征；
基于所述差异特征确定是否存在脑病变。
优选地，所述根据所述左脑图像及右脑图像确定左脑及右脑的差异特征 的方法，包括：
分别对所述左脑图像及右脑图像进行特征提取，得到第一特征向量及第 二特征向量；
根据所述第一特征向量及所述第二特征向量得到差异特征。
优选地，所述分别对所述左脑图像及右脑图像进行特征提取，得到第一 特征向量及第二特征向量的方法，包括：
获取第一分支特征提取模块的支路数量及参数，以及第二分支特征提取 模块的支路数量及参数；
分别基于所述第一分支特征提取模块的支路数量及参数及所述第二分 支特征提取模块的支路数量及参数，对所述第一分支特征提取模块及所述第 二分支特征提取模块进行配置；
分别利用配置后的所述第一分支特征提取模块及所述第二分支特征提 取模块，完成所述左脑图像及右脑图像进行特征提取，得到第一特征向量及 第二特征向量；
以及/或，
所述第一分支特征提取模块及所述第二分支特征提取模块的支路数量 及参数相同；
以及/或，
所述根据所述第一特征向量及所述第二特征向量得到差异特征的方法， 包括：
将所述第一特征向量及所述第二特征向量做差或求取所述第一特征向 量及所述第二特征向量的范数，得到所述差异特征。
优选地，所述基于所述差异特征确定是否存在脑病变的方法，包括：
对所述差异特征进行特征提取，得到所述差异特征对应的分类特征；
基于所述分类特征及预设分类器或预设分类层，确定是否存在脑病变。
优选地，所述对所述差异特征进行特征提取，得到所述差异特征对应的 分类特征的方法，包括：
将所述差异特征依次输入卷积层、全局池化层及全连接层，得到所述差 异特征对应的分类特征。
优选地，在所述获取左脑图像及右脑图像之前，需要获取脑图像，对所 述脑图像进行分割，得到左脑图像及右脑图像；
以及/或，
对所述根据所述左脑图像及右脑图像确定左脑及右脑的差异特征之前， 对所述左脑图像及右脑图进行归一化处理，得到归一化处理的左脑图像及归 一化处理的右脑图像；
根据所述归一化处理的左脑图像及所述归一化处理的右脑图像确定左 脑及右脑的差异特征；
以及/或，
基于所述差异特征确定是否存在脑病变之前，对所述差异特征进行归一 化处理，得到归一化的差异特征；
基于所述差异特征确定是否存在脑病变。
优选地，在所述获取脑图像之前，执行所述脑图像的T1图像与DWI图像 配准操作，得到待分割的脑图像，对所述待分割的脑图像进行分割，得到左 脑图像及右脑图像。
根据本公开的一方面，提供了一种脑图像的处理装置，包括：
获取单元，用于获取左脑图像及右脑图像；
确定单元，用于根据所述左脑图像及右脑图像确定左脑及右脑的差异特 征；
诊断单元，用于基于所述差异特征确定是否存在脑病变。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述脑图像的处理方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计 算机程序指令，所述计算机程序指令被处理器执行时实现上述脑图像的处理 方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性 的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方 面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了 符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的脑图像的处理方法的流程图；
图2示出根据本公开实施例的脑图像的处理方法对应的网络结构示意 图；
图3示出根据本公开实施例的脑图像的处理方法对应的网络模型训练性 能曲线；
图4示出根据本公开实施例的脑图像的处理方法与其他方法的比较；
图5示出根据本公开实施例的不同模型ROC曲线和混淆矩阵；
图6示出根据本公开实施例的减法层前后的特征图可视化；
图7是根据一示例性实施例示出的一种电子设备800的框图；
图8是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附 图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施 例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为 “示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存 在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单 独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种 或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以 表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的 具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以 实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路 未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情 况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘 述。
此外，本公开还提供了脑图像处理装置、电子设备、计算机可读存储介 质、程序，上述均可用来实现本公开提供的任一种脑图像的处理的方法，相 应技术方案和描述和参见方法部分的相应记载，不再赘述。
图1示出根据本公开实施例的脑图像的处理方法的流程图，如图1所示， 所述脑图像的处理方法，包括：步骤S101：获取左脑图像及右脑图像；步骤 S102：根据所述左脑图像及右脑图像确定左脑及右脑的差异特征；步骤S103： 基于所述差异特征确定是否存在脑病变。所述脑图像的处理方法，可以基于 左脑图像及右脑图像的差异特征，快速并准确地确定是否存在脑病变。
在本公开或本公开的实施例中，脑病变可为脑血管病或其他脑疾病，例 如，缺血性脑血管病、脑梗死、出血性脑血管病等疾病。常见的缺血性脑血 管病包括脑动脉硬化、脑血栓形成、脑血管狭窄、脑动脉损伤等等。脑梗死 多见于老年人群体，也叫缺血性卒中，脑梗死大多是由动脉粥样硬化、抽烟、 饮食不当、精神抑郁等引起。出血性脑血管病是由于多种原因导致的脑血管 破裂的一种疾病，多见于中老年人。该疾病发病比较急，并且在急性期死亡 率很高，而高血压是脑出血的常见危害因素。出血性脑血管病包括脑血管破 裂出血、蛛网膜下腔出血、血液病导致的出血等等。为了能更加清楚了说明 本公开，以下公开的实施例以脑梗死(缺血性脑卒中)进行详细说明，但是 本公开或本公开的实施例同样也适用其他类型的脑病变。
步骤S101：获取左脑图像及右脑图像。
在所述获取左脑图像及右脑图像之前，需要获取脑图像，对所述脑图像 进行分割，得到左脑图像及右脑图像。
在本公开的实施例中，所述对所述脑图像进行分割，得到左脑图像及右 脑图像的方法，包括：获取预设的左右脑分割模型，利用所述左右脑分割模 型对所述脑图像进行分割，得到左脑图像及右脑图像。
例如，所述左右脑分割模型，可以为U-net网络模型，将标注的左脑图像 及右脑图像输入所述U-net网络模型进行训练，得到训练的左右脑分割U-net 网络模型，利用训练的U-net网络模型对新输入的所述脑图像进行分割，得到 左脑图像及右脑图像。
又例如，所述左右脑分割模型，也可以为传统的图像分割方法，例如 python语言对应的函数split，利用函数split对新输入的所述脑图像进行分割， 得到左脑图像及右脑图像。
在本公开的实施例中，所述脑图像可为MRI图像，所有的MRI图像都是 使用带有十二通道相控阵头线圈的Verio 1.5Tesla MRI扫描仪(Siemens)收 集的。在扫描过程中，要求被测者仰卧，闭上眼睛，保持头部不动，保持清 醒，首先将头放在首位。
在本公开的具体实施例中，2014年10月至2019年10月期间，我们研究的 所有190名参与者均来自上海第一人民医院，97名缺血性脑卒中(AIS)和93 名非AIS)。针对每个受试者收集弥散加权成像(DWI)、扩散系数(ADC)、 T1加权、灌注加权成像(PWI)的图像。临床医生使用DWI和PWI来确定AIS 和非AIS的标签。最后，我们有97个AIS和93个非AIS。该研究已得到上海市 第一人民医院复审委员会的批准。经委员会审查后，知情同意即告放弃。其中，AIS 97例(女性38例，占39.2％)，非AIS 93例(66女性，71.3％)，平均 年龄(69±1.5)岁，发病时间在24小时内。无明显躯体疾病，无神经性病 史，所有参与者均已签署知情同意书。在扫描之前对受试者详细描述扫描的 注意事项和周围环境，告知试验中可能出现的噪声和幽闭的环境等，并且要 求所有被试平躺在磁共振设备中要闭上双眼，维持放松状态，尽可能不去思 考问题，维持头部不动，完成扫描后，要保证被试在数据采集过程中是意识清醒的。
使用以下设置获取DWI图像：矩阵大小为192×192，切片厚度为5.0mm， 切片间距为6.5mm，重复时间(TR)为3600毫秒，回波时间(TE)为102 毫秒，翻转角(FA)为90°，视场(FOV)为229×229mm，b值为1000s/ mm2。
其中，ADC表现弥散系数是使用MIR扫描仪制造商提供的工作站中的算 法从DWI图像计算得出的。
其中，PWI，设置为256×256矩阵，切片厚度为5.0mm，切片间距为6.5 mm，TR为1520毫秒，TE为32毫秒，FA为90°，FOV为230×230mm。
其中，T1加权图像(T1图像)通过3D磁化准备的快速梯度回波 (MP-RAGE)序列获取，其设置为：256×232矩阵，切片厚度为5.5mm， 切片间距为7.15mm，TR为450毫秒，TE 8.7毫秒，FA为90°，FOV为208× 230mm。
在本公开中，在所述获取脑图像之前，执行所述脑图像的T1图像与DWI 图像配准操作，得到待分割的脑图像，对所述待分割的脑图像进行分割，得 到左脑图像及右脑图像。
具体地说，在本公开的具体实施例中，执行所述脑图像的T1图像与DWI 图像配准操作的配准算法可以为传统的弹性配准方法或者其他利用深度学 习的配准算法，例如：VGG的深度学习的配准算法。
同时，在本公开的实施例中，在执行所述脑图像的T1图像与DWI图像配 准操作，得到待分割的脑图像之前，还可以对脑图像进行图像归一化，得到 归一化的脑图像，并对所述归一化的脑图像执行去除非脑组织的操作，得到 去除非脑组织的脑图像，对所述去除非脑组织的脑图像执行所述脑图像的T1 图像与DWI图像配准操作，得到待分割的脑图像。
以下，以DWI的脑图像为例，对脑图像进行图像归一化、去除非脑组 织及配准操作进行详细说明。对脑图像进行图像归一化可以将脑图像的数据 转换成标准模式，防止仿射变换的影响，减小几何变换的影响，有利于网络 中加快梯度下降求最优解的速度。
在本公开的具体实施例中，所述对脑图像进行图像归一化，得到归一化 的脑图像的方法，包括：求取脑图像内像素的最大值及最小值；利用所述最 大值及最小值对所述脑图像归一化，得到归一化的脑图像。
例如，对脑图像进行图像归一化可选用以下公式：
xNormalization＝(x-Min)/(Max-Min)。
其中，xNormalizaiton和x是图像的归一化前后的像素值，Min和Max是DWI 图像中的最大和最小的像素值。
在本公开的具体实施例中，并对所述归一化的脑图像执行去除非脑组织 的操作，得到去除非脑组织的脑图像是因为得到的原始DWI数据都是含有头 皮、头骨等部分的图像，这些非脑组织会对实验操作造成不少干扰和造成实 验结果不准确等影响，我们使用FSL工具包中的去头皮(BET)操作来除去 这些非脑组织。
为了提高图像质量，提高医学诊断效果和治疗水平。所以采取高对比度 T1图像与DWI图像进行配准，对原始的磁共振图像通过平移，旋转等操作， 使之与配准模板T1图像尽量接近。也可以采用了ANTs(Advanced Normalization Tools)工具包进行T1图像与DWI图像的配准，公式如下：
I2(x，y)＝g(I1(f(x，y)))。
在此映射关系中：g为一维空间里的强度或者是其它度量值的变换，f为 二维空间里的坐标变换，I1(f(x，y)为T1图像，I2(x，y)为DWI图像，(x，y)为 图像的坐标点。
在本公开的具体实施例中，在得到待分割的脑图像后，对所述待分割的 脑图像进行平滑操作，因为图像会受到各种噪声的影响，使得图像的质量下 降，为了抑制这种噪声，改善图像的质量，对图像要做平滑处理，通过线性 插值的方法进行图像的平滑。
步骤S102：根据所述左脑图像及右脑图像确定左脑及右脑的差异特征。
在本公开中，所述根据所述左脑图像及右脑图像确定左脑及右脑的差异 特征的方法，包括：分别对所述左脑图像及右脑图像进行特征提取，得到第 一特征向量及第二特征向量；根据所述第一特征向量及所述第二特征向量得 到差异特征。
在本公开的具体实施例中，所述左脑图像及右脑图像在同一侧，因为需 要计算所述左脑图像及右脑图像的差异特征，因此需要将所述左脑图像及右 脑图像内相应的脑组织对齐。即，在分别对所述左脑图像及右脑图像进行特 征提取之前，对所述左脑图像或所述右脑图像进行镜像操作，得到镜像的左 脑图像或镜像的右脑图像。具体地说，可对所述左脑图像进行镜像操作，得 到镜像的左脑图像，将所述镜像的左脑图像及右脑图像进行特征提取，得到 第一特征向量及第二特征向量；也可以对所述右脑图像进行镜像操作，得到镜像的右脑图像，将所述镜像的右脑图像及左脑图像进行特征提取，得到第 一特征向量及第二特征向量。
在本公开中，所述分别对所述左脑图像及右脑图像进行特征提取，得到 第一特征向量及第二特征向量的方法，包括：获取第一分支特征提取模块的 支路数量及参数，以及第二分支特征提取模块的支路数量及参数；分别基于 所述第一分支特征提取模块的支路数量及参数及所述第二分支特征提取模 块的支路数量及参数，对所述第一分支特征提取模块及所述第二分支特征提 取模块进行配置；分别利用配置后的所述第一分支特征提取模块及所述第二 分支特征提取模块，完成所述左脑图像及右脑图像进行特征提取，得到第一 特征向量及第二特征向量。
在本公开的具体实施例中，第一分支特征提取模块以及/或第二分支特征 提取模块的支路，包括：至少一个卷积层；所述的支路分别对所述左脑图像 以及/或右脑图像进行特征提取，然后对提取的所述左脑图像特征以及/或右 脑图像特征进行拼接，分别得到所述左脑图像对应的第一特征向量及所述右 脑图像对应的第二特征向量。而，现有的需要对比左脑和右脑中对称性的两 个像素方格的预定图像特征的特征差异，其设置方格的人为主观性过大，不 易操作。本公开的第一分支特征提取模块以及第二分支特征提取模块可以自 动提取左脑图像特征以及右脑图像特征，且所提取的左脑图像特征以及右脑 图像特征完全依靠卷积层的参数设置。
进一步地，在本公开的具体实施例中，本公开给出了脑图像的处理方法 对应的网络结构示意图。图2示出根据本公开实施例的脑图像的处理方法对 应的网络结构示意图。如图2(a)所示，第一分支特征提取模块以及/或第 二分支特征提取模块，可为3个相同的Inception模块，3个相同的Inception模 块首尾连接。
在本公开中，所述第一分支特征提取模块及所述第二分支特征提取模块 的支路数量及参数相同。即，第一分支特征提取模块以及第二分支特征提取 模块对应的Inception模块的支路数量及参数相同，即第一分支特征提取模 块以及第二分支特征提取模块具有相同的体系结构，但是它们的权重不共享 (权重独立)。
在本公开的具体实施例中，由于人脑的对称性以及大多数缺血性脑卒中 (AIS)仅发生在人脑的一侧(左侧或右侧)，首先将3D的脑图像(256×256 ×14)分为256×128×14的两个子部分(左脑图像及右脑图像)，左脑图像 (256×128×14)定义为Subpart 1，右脑图像(256×128×14)为原始右脑 图像的水平镜像，并定义为Subpart2。将Subpart 1和Subpart 2分别输入第 一分支特征提取模块以及第二分支特征提取模块。
在图2(b)中，第一分支特征提取模块以及/或第二分支特征提取模 块，可为3个相同的Inception模块，Inception模块为Inception 3D块， Inception模块的支路数量及参数相同。Inception 3D块由四个分支组成：(1) 1×1×1的3D卷积核，步幅为1×1×1，填充为0×0×0；(2)卷积核为1×1 ×1，步幅为1×1×1，填充为0×0×0；内核为3×3×3，步幅为1×1×1， 填充为1×1×1；(3)卷积核为1×1×1和5×5×5，步幅为1×1×1，填充 为2×2×2；(4)卷积核为1×1×1，最大池化层为3×3×3，步幅为1×1×1， 填充为1×1×1。分支的所有输出被串联并传输到下一个模块。四个分支可 以确保输出与输入图像大小相同，从而减少了有效信息的丢失和计算的复杂 性。
在本公开的具体实施例中，将所述左脑图像及所述右脑图像分 别输入第一分支特征提取模块以及第二分支特征提取模块之前，对所述 左脑图像及所述右脑图像进行归一化，得到归一化的左脑图像及归 一化的右脑图像；将所述归一化的左脑图像及所述归一化的右脑图 像分别输入第一分支特征提取模块以及第二分支特征提取模块，分别得到 所述左脑图像对应的第一特征向量及所述右脑图像对应的第二特征向量。
在本公开中，所述根据所述第一特征向量及所述第二特征向量得到差 异特征的方法，包括：将所述第一特征向量及所述第二特征向量做差或求取 所述第一特征向量及所述第二特征向量的范数，得到所述差异特征。
在本公开的实施例中，通过使用减法层，得到所述第一特征向量及所述 第二特征向量得到差异特征，以突出显示不对称病变信息。
具体地说，在本公开的具体实施例中，使用以下公式(L-2，L2范数正 则化计算公式)，得到所述第一特征向量及所述第二特征向量得到差异特征。
Figure BDA0003008163830000121
其中，||·||2为L2范数正则化，x1为所述第一特征向量，x2为所述第二 特征向量，差异特征向量(差值特征)的特征向量个数i＝1-n，n为差异特征 向量(差值特征)的特征向量总数。
同时，在本公开的实施例中，亦可采用L1范数正则化(L-1)得到所述 第一特征向量及所述第二特征向量得到差异特征。但是，通过L2范数正则 化得到所述第一特征向量及所述第二特征向量得到差异特征的AUC要好于 L1范数正则化得到所述第一特征向量及所述第二特征向量得到差异特征的 AUC，具体可详见图4所示。
在本本公开的具体实施例中，可以使用一种改造的范数，得到所述第一 特征向量及所述第二特征向量得到差异特征。具体地说，包括：获取预设筛 选规则，基于所述预设筛选规则对所述第一特征向量及所述第二特征向量进 行筛选，得到筛选后的第一特征向量及筛选后的第二特征向量；并求取所述 筛选后的第一特征向量及筛选后的第二特征向量的2范数，并进行正则化， 得到所述第一特征向量及所述第二特征向量得到差异特征。
具体地说，所述基于所述预设筛选规则对所述第一特征向量及所述第二 特征向量进行筛选，得到筛选后的第一特征向量及筛选后的第二特征向量的 方法，包括：获取预设筛选值；求取将所述第一特征向量及所述第二特征向 量对应的1范数，并分别基于所述1范数及所述预设筛选值进行筛选，得到 筛选后的第一特征向量及筛选后的第二特征向量。一般来说，所述预设筛选 值设置为0。基于所述1范数及所述预设筛选值进行筛选就去除去所述第一 特征向量及所述第二特征向量对应的1范数为0的特征，得到非0的特征。
同时，在本公开的具体实施例中，对所述根据所述左脑图像及右脑图 像确定左脑及右脑的差异特征之前，对所述左脑图像及右脑图进行归一化处 理，得到归一化处理的左脑图像及归一化处理的右脑图像；根据所述归一化 处理的左脑图像及所述归一化处理的右脑图像确定左脑及右脑的差异特征。
步骤S103：基于所述差异特征确定是否存在脑病变。
在本公开中，所述基于所述差异特征确定是否存在脑病变的方法，包括： 对所述差异特征进行特征提取，得到所述差异特征对应的分类特征；基于所 述分类特征及预设分类器或预设分类层，确定是否存在脑病变。
在本公开中，基于所述差异特征确定是否存在脑病变之前，对所述差异 特征进行归一化处理，得到归一化的差异特征；基于所述差异特征确定是否 存在脑病变。
例如，在本公开的具体实施例中，基于所述分类特征及预设分类器或预 设分类层，可得到是否患有缺血性脑卒中。其中，所述预设分类器或预设分 类层为2分类器或者2分类层，例如本公开实施例可采用S型分类器。
在本公开中，所述对所述差异特征进行特征提取，得到所述差异特征对 应的分类特征的方法，包括：将所述差异特征依次输入卷积层、全局池化层 及全连接层，得到所述差异特征对应的分类特征。
在本公开的具体实施例中，如图2(a)及(c)所示，将所述差异特征 输入四个多尺度3D-CNN模块，每个多尺度3D-CNN模块都包括卷积层， 卷积层后具有归一化(BN层)及非线性(ReLU)，第一个多尺度3D-CNN 模块中的卷积核大小为5×5×5，其他多尺度3D-CNN模块卷积核的大小为 3×3×3。全局平均池化层和完全连接的层连接到S型分类器，以进行最终分类，全局平均池能够规范化整个网络结构，以防止过度拟合。
具体地说，脑图像(256×256×14)经过批量归一化后，利用左脑及右 脑的分割算法，将脑图像分割为左脑图像(128×256×14)及右脑图像(128 ×256×14)，并对左脑图像及右脑图像中的一个图像进行镜像操作，然后左 脑图像及右脑图像分别出入第一分支特征提取模块以及第二分支特征提取 模块，然后得到所述左脑图像及右脑图像对应的第一特征向量及第二特征向 量，并根据所述第一特征向量及所述第二特征向量得到差异特征(125×253 ×14×12)，然后对差异特征进行批量归一化，之后输入到多个卷积层进行 特征特征提取，得到所述差异特征对应的分类特征；基于所述分类特征及预 设分类器或预设分类层，确定是否存在脑病变(输出)。
在图(a)的网络模型中，采用二元交叉熵损失函数来计算预测值与真实 值之间的损失，损失函数为：
Figure BDA0003008163830000141
其中，y为通过图2(a)的网络模型得到分类值(预测值)，
Figure BDA0003008163830000142
为真实值。
同时，使用随机梯度下降法对参数进行优化，其权重更新为：
Figure BDA0003008163830000143
Figure BDA0003008163830000144
其中，l是卷积神经网络的层数，i是权重迭代的数目，η是学习率设置为 0.001，L＝(l1，l2，...ln)，
Figure BDA0003008163830000145
当学***时，它将自动提高直到训练停止。权重在训练 之前以平均值0，标准偏差为0.001的高斯分布和初始偏差值为0进行初始 化。批大小设置为4，epoch为100。
脑图像处理方法的执行主体可以是图像处理装置，例如，脑图像处理方 法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用 户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、 无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计 算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该脑图像处 理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰 写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具 体执行顺序应当以其功能和可能的内在逻辑确定。
本公开还提出了一种脑图像的处理装置的框图，所述脑图像的处理装 置，包括：获取单元，用于获取左脑图像及右脑图像；确定单元，用于根据 所述左脑图像及右脑图像确定左脑及右脑的差异特征；诊断单元，用于基于 所述差异特征确定是否存在脑病变。所述脑图像的处理装置可以基于左脑图 像及右脑图像的差异特征，快速并准确地确定是否存在脑病变。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可 以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施 例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序 指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储 介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可 执行指令的存储器；其中，所述处理器被配置为上述方法。电子设备可以被 提供为终端、服务器或其它形态的设备。
图3示出根据本公开实施例的脑图像的处理方法对应的网络模型训练性 能曲线。如图3(a)所示，随着Epoch的逐渐增加，训练损失的值从最初的 1.4逐渐减小到0.1，这证明了模型正在逐渐收敛。我们将最大批量的大小设 置为4，以减小损失的振荡幅度。当Epoch等于60时，损失趋于0，并且训练 已完成。当Epoch数为60时，验证损失可以降至0.3，并且随着时期的增加而 保持不变。图3(b)表示训练和验证精度与历时的关系的曲线。训练精度在40个Epoch从0.5上升到1，而验证精度从0.5上升到0.9，最后曲线稳定。过拟 合和欠拟合并不严重。
在图3(a)中，可以发现本公开的方法可以达到0.852的准确度，0.866 的灵敏度，0.839的特异性和0.857的F1得分。AUC可以达到0.863。如图3(b) 所示，本公开的方法正确识别了84名AIS患者，但漏掉了13名。在93名非AIS 患者中，有78名被正确诊断，但有15名被误诊为AIS。
图4示出根据本公开实施例的脑图像的处理方法与其他方法的比较。如 图4所示，表示6种不同对比模型ROC曲线。选择三种比较模型：第一个是带 有迁移学习的3DMedicalNet(Chen等人，2019)。我们把MedialNet修改为两 个类别的分类模型。冻结了全连接层，并且使用我们的数据对全连接层中的 参数进行训练作为对比模型；第二个模型具有与本公开图2(a)具有相同的 体系结构，由简单的3D-CNN代替3D Inception块(SimpleDeepSym-3D-CNN)；为了要了解L-2归一化对减法层的影响，我们研究了第 三个模型，其中L-2归一化被L-1归一化所代替。此外，我们进行了两个比较 实验，其中ADC以及DWI和ADC图像的组合分别用作DeepSym-3D-CNN的输 入本公开图2(a)，得到的两个模型分别命名为DeepSym-3D-CNNADC和 DeepSym-3D-CNNDWI-ADC。对于每个受试者对象，通过拼接DWI和ADC图像可获得512×256×14尺寸的DWI和ADC图像的组合。目的是了解ADC 以及DWI-ADC图像的组合是否可以提高DeepSym-3D-CNN的性能。
从图4上可以看出，本公开在具有不同神经网络架构和设置的情况下优 于三个比较模型。迁移学习网络的MedicalNet，Simple DeepSym-3D-CNN， L-1DeepSym-3D-CNN的AUC分别为0.714、0.731和0.810。具有迁移学习功 能的MedicalNet模型的准确度为0.710，敏感性为0.794，特异性为0.612，F1 得分为0.733。所有性能参数均低于DeepSym-3D-CNN。可能的原因有两个方 面。首先，DeepSym-3D-CNN可以主要突出显示不对称病变信息，模型所学 的特征是图像的一部分信息；但是，MedicalNet将大脑视为一个整体，学习 的特征是根据全脑的信息。其次，尽管采用了迁移学习，但我们的数据集可 能太小而无法完全训练MedicalNet。
从图4上可以看出，Simple DeepSym-3D-CNN可以具有0.732的准确性， 0.794的敏感性，0.662的特异性以及0.71的F1分数。它的性能优于MedicalNet， 但不如DeepSym-3D-CNN。这进一步表明，Inception 3D块相对于3D-CNN具 有收集多尺度信息的优势。
L-1DeepSym-3D-CNN的精度为0.768，灵敏度为0.856，特异性为0.839， F1得分为0.790。它优于Simple DeepSym-3D-CNN，但次于DeepSym-3D-CNN。 该结果表明，具有L-2归一化的减法层比具有L-1归一化的减法层更好。
DeepSym-3D-CNNADC达到了准确率0.730，敏感性为0.709，特异性为 0.756，F1-score为0.701。DeepSym-3D-CNNDWI-ADC实现了准确率0.810，敏 感行为0.783，特异性为0.834，F1-score为0.826。
DeepSym-3D-CNNDWI-ADC效果优于DeepSym-3D-CNNADC，但是劣于 DeepSym-3D-CNN通过DWI图像。
DeepSym-3D-CNNADC和DeepSym-3D-CNNDWI-ADC的AUC值分别是 0.796和0.843。
上述实验表明，与传统的卷积模块相比，Inception 3D结构具有收集多尺 度信息的优势，本公开提出的网络可以突出显示不对称病变信息；L2规范化 更适合本公开提出的网络。与L1规范化相比，它加快了网络梯度下降的速度， 从而找到了最佳解决方案。
图5示出根据本公开实施例的不同模型ROC曲线和混淆矩阵。如图5所 示，(b)(c)(d)(e)(f)分别代表了6个模型的混淆矩阵。
图6示出根据本公开实施例的减法层前后的特征图可视化。如图6所示， 为了更直观地观察AIS病变的特征，我们将减影层前后的特征图进行L-2归一 化。在图6(a)中，作为AIS患者第10层的一个例子，第一行是左脑、右脑的 DWI图像集及其差值。第二行第一和第二幅图像是在减法层之前的左右半球 的特征映射。第二行第三个表示减法层之后的特征映射。箭头所示的AIS病 变已被突出显示。图6(b)右侧是12个不同通道(经过12个通道)的特征图，提 取出了不同的特征。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如，电子 设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控 制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802， 存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O) 的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫， 数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个 或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外， 处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的 交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处 理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。 这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指 令，联系人数据，电话簿数据，消息，图片，视频等。存储器804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，如静态随机存取 存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程 只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)， 磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包 括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和 分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接 口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板 (TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用 户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触 摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而 且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中， 多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操 作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外 部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜 ***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括 一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式 和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号 可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中， 音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接 口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、 音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方 面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状 态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传 感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变， 用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电 子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在 没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光 传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施 例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感 器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方 式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或 3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接 收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例 中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例 如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技 术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路 (ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻 辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理 器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如 包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的 处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如，电 子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件 1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器 资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932 中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模 块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备 1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连 接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于 存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM， UnixTM，LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如 包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900 的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包 括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计 算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指 令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设 备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的 任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包 括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、 可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、 便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软 盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及 上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时 信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输 媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的 电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到 各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无 线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传 输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每 个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序 指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计 算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构 (ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数 据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述 编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过 程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以 完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的 软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远 程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通 过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算 机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特 网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个 性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或 可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而 实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的 流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的 每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指 令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可 编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计 算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框 图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读 程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据 处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介 质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规 定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装 置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上 执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它 可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一 个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和 计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或 框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、 程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行 指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图 中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行， 它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可 以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专 用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性 的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和 精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显 而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际 应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能 理解本文披露的各实施例。

Claims (10)

1.一种脑图像的处理方法，其特征在于，包括：
获取左脑图像及右脑图像；
根据所述左脑图像及右脑图像确定左脑及右脑的差异特征；
基于所述差异特征确定是否存在脑病变。
2.根据权利要求1所述的脑图像的处理方法，其特征在于，所述根据所述左脑图像及右脑图像确定左脑及右脑的差异特征的方法，包括：
分别对所述左脑图像及右脑图像进行特征提取，得到第一特征向量及第二特征向量；
根据所述第一特征向量及所述第二特征向量得到差异特征。
3.根据权利要求2所述的脑图像的处理方法，其特征在于，所述分别对所述左脑图像及右脑图像进行特征提取，得到第一特征向量及第二特征向量的方法，包括：
获取第一分支特征提取模块的支路数量及参数，以及第二分支特征提取模块的支路数量及参数；
分别基于所述第一分支特征提取模块的支路数量及参数及所述第二分支特征提取模块的支路数量及参数，对所述第一分支特征提取模块及所述第二分支特征提取模块进行配置；
分别利用配置后的所述第一分支特征提取模块及所述第二分支特征提取模块，完成所述左脑图像及右脑图像进行特征提取，得到第一特征向量及第二特征向量；
以及/或，
所述第一分支特征提取模块及所述第二分支特征提取模块的支路数量及参数相同；
以及/或，
所述根据所述第一特征向量及所述第二特征向量得到差异特征的方法，包括：
将所述第一特征向量及所述第二特征向量做差或求取所述第一特征向量及所述第二特征向量的范数，得到所述差异特征。
4.根据权利要求1-3任一项所述的脑图像的处理方法，其特征在于，所述基于所述差异特征确定是否存在脑病变的方法，包括：
对所述差异特征进行特征提取，得到所述差异特征对应的分类特征；
基于所述分类特征及预设分类器或预设分类层，确定是否存在脑病变。
5.根据权利要求4所述的脑图像的处理方法，其特征在于，所述对所述差异特征进行特征提取，得到所述差异特征对应的分类特征的方法，包括：
将所述差异特征依次输入卷积层、全局池化层及全连接层，得到所述差异特征对应的分类特征。
6.根据权利要求1-5任一项所述的脑图像的处理方法，其特征在于，在所述获取左脑图像及右脑图像之前，需要获取脑图像，对所述脑图像进行分割，得到左脑图像及右脑图像；
以及/或，
对所述根据所述左脑图像及右脑图像确定左脑及右脑的差异特征之前，对所述左脑图像及右脑图进行归一化处理，得到归一化处理的左脑图像及归一化处理的右脑图像；
根据所述归一化处理的左脑图像及所述归一化处理的右脑图像确定左脑及右脑的差异特征；
以及/或，
基于所述差异特征确定是否存在脑病变之前，对所述差异特征进行归一化处理，得到归一化的差异特征；
基于所述差异特征确定是否存在脑病变。
7.根据权利要求6所述的脑图像的处理方法，其特征在于，在所述获取脑图像之前，执行所述脑图像的T1图像与DWI图像配准操作，得到待分割的脑图像，对所述待分割的脑图像进行分割，得到左脑图像及右脑图像。
8.一种脑图像的处理装置，其特征在于，包括：
获取单元，用于获取左脑图像及右脑图像；
确定单元，用于根据所述左脑图像及右脑图像确定左脑及右脑的差异特征；
诊断单元，用于基于所述差异特征确定是否存在脑病变。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述脑图像的处理方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述脑图像的处理方法。
CN202110368009.8A 2021-04-06 2021-04-06 脑图像的处理方法及装置、电子设备和存储介质 Active CN113269711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110368009.8A CN113269711B (zh) 2021-04-06 2021-04-06 脑图像的处理方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110368009.8A CN113269711B (zh) 2021-04-06 2021-04-06 脑图像的处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113269711A true CN113269711A (zh) 2021-08-17
CN113269711B CN113269711B (zh) 2024-01-09

Family

ID=77228492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110368009.8A Active CN113269711B (zh) 2021-04-06 2021-04-06 脑图像的处理方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113269711B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937129A (zh) * 2022-12-01 2023-04-07 北京邮电大学 基于多模态磁共振影像的左右半脑关系的处理方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944490A (zh) * 2017-11-22 2018-04-20 中南大学 一种基于半多模态融合特征约简框架的图像分类方法
CN108280832A (zh) * 2017-12-22 2018-07-13 宜兴市人民医院 医学图像分析方法、医学图像分析***以及存储介质
CN108460748A (zh) * 2018-04-28 2018-08-28 东北大学 乳腺肿瘤分析用特征训练参数获取方法、***及诊断***
CN109447963A (zh) * 2018-10-22 2019-03-08 杭州依图医疗技术有限公司 一种脑部影像识别的方法及装置
CN109509186A (zh) * 2018-11-09 2019-03-22 北京邮电大学 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置
CN110782434A (zh) * 2019-10-17 2020-02-11 天津大学 一种脑结核mri图像病灶智能标记定位装置
WO2020224123A1 (zh) * 2019-06-24 2020-11-12 浙江大学 一种基于深度学习的致痫灶三维自动定位***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944490A (zh) * 2017-11-22 2018-04-20 中南大学 一种基于半多模态融合特征约简框架的图像分类方法
CN108280832A (zh) * 2017-12-22 2018-07-13 宜兴市人民医院 医学图像分析方法、医学图像分析***以及存储介质
CN108460748A (zh) * 2018-04-28 2018-08-28 东北大学 乳腺肿瘤分析用特征训练参数获取方法、***及诊断***
CN109447963A (zh) * 2018-10-22 2019-03-08 杭州依图医疗技术有限公司 一种脑部影像识别的方法及装置
CN109509186A (zh) * 2018-11-09 2019-03-22 北京邮电大学 基于大脑ct图像的缺血性脑卒中病灶检测方法及装置
WO2020224123A1 (zh) * 2019-06-24 2020-11-12 浙江大学 一种基于深度学习的致痫灶三维自动定位***
CN110782434A (zh) * 2019-10-17 2020-02-11 天津大学 一种脑结核mri图像病灶智能标记定位装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CE LI: ""Deformation and Refined Features Based Lesion Detection on Chest X-Ray"", 《IEEE》 *
FANGFANG HAN: ""Logarithmic Texture Analysis for Early Lung Cancer Screening on Contrast Enhancement CT Images"", 《IEEE》 *
周迎接: ""多发性硬化症的大脑结构网络研究"", 《中国优秀硕士论文全文数据库》 *
李晓: ""基于脑MRI特征提取和分类的应用与研究"", 《中国优秀硕士论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937129A (zh) * 2022-12-01 2023-04-07 北京邮电大学 基于多模态磁共振影像的左右半脑关系的处理方法及装置
CN115937129B (zh) * 2022-12-01 2024-04-02 北京邮电大学 基于多模态磁共振影像的左右半脑关系的处理方法及装置

Also Published As

Publication number Publication date
CN113269711B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
Li et al. Dual encoder-based dynamic-channel graph convolutional network with edge enhancement for retinal vessel segmentation
Maqsood et al. An efficient approach for the detection of brain tumor using fuzzy logic and U-NET CNN classification
US20160292855A1 (en) Medical imaging device rendering predictive prostate cancer visualizations using quantitative multiparametric mri models
Jaworek-Korjakowska et al. Eskin: study on the smartphone application for early detection of malignant melanoma
Yalçın et al. Brain stroke classification and segmentation using encoder-decoder based deep convolutional neural networks
JP2022515464A (ja) 人工知能に基づく血流区間の分類方法及びシステム
Joshi et al. Mathematical morphology for microaneurysm detection in fundus images
Rava et al. Performance of angiographic parametric imaging in locating infarct core in large vessel occlusion acute ischemic stroke patients
Maqsood et al. Detection of macula and recognition of aged-related macular degeneration in retinal fundus images
Nizamani et al. Advance brain tumor segmentation using feature fusion methods with deep U-Net model with CNN for MRI data
Cui et al. Deep symmetric three-dimensional convolutional neural networks for identifying acute ischemic stroke via diffusion-weighted images
Xu et al. Deep learning-based automated detection of arterial vessel wall and plaque on magnetic resonance vessel wall images
CN113269711B (zh) 脑图像的处理方法及装置、电子设备和存储介质
Qiu et al. Visionfm: a multi-modal multi-task vision foundation model for generalist ophthalmic artificial intelligence
Khan et al. RVD: a handheld device-based fundus video dataset for retinal vessel segmentation
KR20200062656A (ko) 의료 영상으로부터 뇌혈관 나이를 추정하는 방법 및 시스템
Kocejko et al. Using convolutional neural networks for corneal arcus detection towards familial hypercholesterolemia screening
CN117426748A (zh) 一种基于多模态视网膜成像的mci检测方法
Tursynova et al. Deep learning-enabled brain stroke classification on computed tomography images
Mahmud et al. Non-invasive detection of anemia using lip mucosa images transfer learning convolutional neural networks
Tomasetti et al. Cnn based segmentation of infarcted regions in acute cerebral stroke patients from computed tomography perfusion imaging
US20240081648A1 (en) Method and system for prostate multi-modal mr image classification based on foveated residual network
Hasan et al. Molecular subtypes classification of breast cancer in DCE-MRI using deep features
Janakiraman et al. Reliable IoT-based health-care system for diabetic retinopathy diagnosis to defend the vision of patients
Wan et al. Automatic diagnosis of different types of retinal vein occlusion based on fundus images

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