CN113436166A - 基于磁共振血管造影数据的颅内动脉瘤检测方法及*** - Google Patents
基于磁共振血管造影数据的颅内动脉瘤检测方法及*** Download PDFInfo
- Publication number
- CN113436166A CN113436166A CN202110705824.9A CN202110705824A CN113436166A CN 113436166 A CN113436166 A CN 113436166A CN 202110705824 A CN202110705824 A CN 202110705824A CN 113436166 A CN113436166 A CN 113436166A
- Authority
- CN
- China
- Prior art keywords
- image
- aneurysm
- intracranial aneurysm
- module
- intracranial
- 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
- 201000008450 Intracranial aneurysm Diseases 0.000 title claims abstract description 94
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000002583 angiography Methods 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 56
- 206010002329 Aneurysm Diseases 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 26
- 210000001367 artery Anatomy 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 48
- 238000000605 extraction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000010968 computed tomography angiography Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000006497 arterial abnormality Effects 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
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 208000004717 Ruptured Aneurysm Diseases 0.000 description 1
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008085 renal dysfunction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开的基于磁共振血管造影数据的颅内动脉瘤检测方法,包括:获取受试者的含有颅内动脉瘤的3D TOF MRA影像数据;对获取的影像数据进行预处理;根据标记的动脉瘤、动脉异常区在影像数据的边界框坐标及长、宽、高进行位置编码,并根据位置编码提取影像块;将提取的影像块作为颅内动脉瘤分割模型的输入,以手工标画的掩膜作为金标准,训练模型;将待检测影像通过滑动窗处理将待检测影像图像分为多个图像块,将图像块输入训练好的模型中预测动脉瘤的概率,将预测结果进行拼接,重叠选取部分以最大值作为最终预测值,得到潜在的颅内动脉瘤分割结果。该方法可快速、准确检测和分割出潜在的颅内动脉瘤,辅助医生对颅内动脉瘤快速筛查。
Description
技术领域
本发明涉及医学影像及计算机数据处理技术领域,具体涉及一种基于磁共振血管造影数据的颅内动脉瘤检测方法、***、设备及介质。
背景技术
脑内动脉瘤是常见的可致死疾病,其发病率为总人口的3%。动脉瘤破裂会导致蛛网膜下腔出血可导致高死亡率。颅内早期发现动脉瘤有助于对其进行测量,评估破裂风险,在临床中这有利于对未破裂的动脉瘤制定手术治疗决定。在颅内动脉瘤检测成像技术中,DSA被认为是评估的标准,其缺点需要进行动脉插管,是有创的;非侵入性的检测手段有计算机断层血管造影术(CTA)和非造影3D飞行时间磁共振血管造影(TOF-MRA)。由于CTA需要注射含碘的造影剂,该技术不适用于肾功能异常的患者。相较CTA,3D TOF-MRA无需造影剂并且不会引起辐射接触,是颅内动脉瘤筛查的首选技术。但是,由于其分辨率较低,该技术对颅内小型动脉瘤(<5毫米)的检测较为困难。据报道,放射科医生从MRA中检测出小型动脉瘤的灵敏度低至35%。鉴于放射科工作量不断增长,医师疲劳以及漏诊导致的风险是一个值得关注的问题。
目前基于影像的动脉瘤自动检测方法大多利用深度学习实现,该方法对于区别动脉瘤及其他动脉异常如血管分支、血管扩张能力较弱,易将其他动脉异常误诊为动脉瘤,导致较高的假阳性。
发明内容
针对现有技术中的缺陷,本发明实施例提供一种基于磁共振血管造影数据的颅内动脉瘤检测方法、***、设备及介质,可快速、准确检测和分割出潜在的颅内动脉瘤,辅助医生对颅内动脉瘤快速筛查。
第一方面,本发明实施例提供的一种基于磁共振血管造影数据的颅内动脉瘤检测方法,包括:
获取受试者的含有颅内动脉瘤的3D TOF MRA影像数据;
对获取的3D TOF MRA影像数据进行图像预处理,得到预处理后的图像;
根据标记的动脉瘤、动脉异常区在影像数据的边界框坐标及长、宽、高进行位置编码,并根据位置编码提取影像块;
将提取的影像块作为颅内动脉瘤分割模型的输入,以手工标画的掩膜作为金标准,训练颅内动脉瘤分割模型得到训练好的颅内动脉瘤分割模型;
将待检测影像通过滑动窗处理将待检测影像图像分为多个图像块,将图像块输入训练好的动脉瘤分割模型中预测动脉瘤的概率,将所有的预测结果进行拼接,重叠选取部分以最大值作为最终预测值,得到待检测影像中潜在的颅内动脉瘤分割结果。
可选地,根据位置编码提取影像块具体包括:
根据颅内动脉瘤的位置编码生成设定大小的包含完整标记的动脉瘤的影像块;
根据动脉异常的位置编码生成设定大小的包含完整标记的动脉异常的影像块。
可选地,颅内动脉瘤分割模型采用基于块的3D U-Net卷积神经网络,所述颅内动脉瘤分割模型包括编码器、解码器和注意力模块,所述编码器包括四个子模块,每个子模块包含两个卷积层,每个子模块通过最大池化层进行下采样得到下采样结果,解码器利用反卷积进行上采样得到上采样结果,注意力模块通过1×1×1的卷积分别与上采样结果、下采样结果进行卷积计算,将计算结果相加并使用relu激活函数,使用1×1×1的卷积降为一通道得到结果,结果用sigmoid激活函数得到一个权重图,将权重图与下采样结果相乘,以此调整特征图,将调整后的特征图与上采样结果进行拼接。
第二方面,本发明实施例提供的一种基于磁共振血管造影数据的颅内动脉瘤检测***,包括:数据获取模块、预处理模块、提取模块、模型训练模块和分割模块,
所述数据获取模块用于获取受试者的含有颅内动脉瘤的3D TOF MRA影像数据;
所述预处理模块对获取的3D TOF MRA影像数据进行图像预处理,得到预处理后的图像;
所述提取模块用于根据标记的动脉瘤、动脉异常区在影像数据的边界框坐标及长、宽、高进行位置编码,并根据位置编码提取影像块;
所述模型训练模块用于将提取的影像块作为颅内动脉瘤分割模型的输入,以手工标画的掩膜作为金标准,训练颅内动脉瘤分割模型得到训练好的颅内动脉瘤分割模型;
所述分割模块用于将待检测影像通过滑动窗处理将待检测影像图像分为多个图像块,将图像块输入训练好的动脉瘤分割模型中预测动脉瘤的概率,将所有的预测结果进行拼接,重叠选取部分以最大值作为最终预测值,得到待检测影像中潜在的颅内动脉瘤分割结果。
可选地,提取模块包括影像块提取单元和图像块提取单元,
所述影像块提取单元用于根据颅内动脉瘤的位置编码生成设定大小的包含完整标记的动脉瘤的影像块;
所述图像块提取单元用于根据动脉异常的位置编码生成设定大小的包含完整标记的动脉异常的影像块。
可选地,颅内动脉瘤分割模型采用基于块的3D U-Net卷积神经网络,所述颅内动脉瘤分割模型包括编码器、解码器和注意力模块,所述编码器包括四个子模块,每个子模块包含两个卷积层,每个子模块通过最大池化层进行下采样得到下采样结果,解码器利用反卷积进行上采样得到上采样结果,注意力模块通过1×1×1的卷积分别与上采样结果、下采样结果进行卷积计算,将计算结果相加并使用relu激活函数,使用1×1×1的卷积降为一通道得到结果,结果用sigmoid激活函数得到一个权重图,将权重图与下采样结果相乘,以此调整特征图,将调整后的特征图与上采样结果进行拼接。
第三方面,本发明实施例提供的一种智能颅内动脉瘤检测设备,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基于磁共振血管造影数据的颅内动脉瘤检测方法、***、设备及介质,在影像数据中筛选其他动脉异常区作为阴性样本加入模型训练,提高特异性,可快速、准确检测和分割出潜在的颅内动脉瘤,辅助医生对颅内动脉瘤快速筛查。
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基于磁共振血管造影数据的颅内动脉瘤检测方法的流程图;
图2示出了本发明第一实施例在3D TOF MRA数据中横断面标记动脉瘤及标记边界框的示意图;
图3示出了本发明第一实施例颅内动脉瘤分割模型的训练及预测的结构示意图;
图4示出了人工诊断结果和采用本发明第一实施例的方法诊断动脉瘤的对比图;
图5示出了本发明第二实施例所提供的一种基于磁共振血管造影数据的颅内动脉瘤检测***的结构框图;
图6示出了本发明第三实施例所提供的一种颅内动脉瘤检测设备的结构框图。
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基于磁共振血管造影数据的颅内动脉瘤检测方法,包括以下步骤:
获取受试者的含有颅内动脉瘤的3D TOF MRA影像数据。
对获取的3D TOF MRA影像数据进行图像预处理,得到预处理后的图像。
具体地,对受试者的含有颅内动脉瘤的3D TOF MRA影像数据进行N4偏执场矫正,并重采样分辨率至0.5×0.5×0.5。
根据标记的动脉瘤、动脉异常区在影像数据的边界框坐标及长、宽、高进行位置编码,并根据位置编码提取影像块。
具体地,由于颅内动脉瘤、动脉异常区的形状不规则,根据人工标记的动脉瘤、动脉异常的边界框坐标及长、宽、高作为位置编码信息,该边界框的位置编码信息可表示为[z,x,y,d,w,h],如此该边界框的区域可表示为[z:z+d,x:x+w,y:y+h]。如图2所示,示出了在3D TOF MRA数据中横断面标记动脉瘤及标记边界框的示意图。在影像数据中进行位置编码是为了在影像中定位并提取出动脉瘤和动脉异常区的小块影像。位置编码信息作为含颅内动脉瘤图像块的阳性样本的选择依据,而动脉异常区的位置编码信息作为不含颅内动脉瘤图像块的阴性样本选择依据。
将提取的影像块作为颅内动脉瘤分割模型的输入,以手工标画的掩膜作为金标准,训练颅内动脉瘤分割模型得到训练好的颅内动脉瘤分割模型。
具体地,所有影像数据的动脉瘤都通过标记可被识别为前景,而动脉异常区及影像其他部分均被认为成背景。在预处理后的图像上提取80×80×80的图像块作为阳性样本。阳性样本即为含动脉瘤的影像块,其中,阳性样本的选取为:根据颅内动脉瘤的位置编码生成大小为80×80×80的包含完整标记的动脉瘤的影像块。阴性样本的选取分为两种:1)根据动脉异常区的位置编码生成大小为80×80×80的包含完整标记动脉异常的影像块;2)在完整影像数据随机选取大小为80×80×80的影像块,当该选取的块中不包含标记出的动脉瘤时,可作为阴性样本。对于每个受试者,提取的阳性、阴性样本各占50%。在影像数据中筛选其他动脉异常区作为阴性样本加入模型训练,可以提高特异性。
颅内动脉瘤分割模型采用基于块的3D U-Net卷积神经网络,包括编码器和解码器两个部分,每部分都包括四种分辨率的特征图。编码部分包含四个子模块,每个子模块包含两个卷积层,每个子模块通过最大池化层进行下采样得到下采样结果;解码器部分利用反卷积进行上采样得到上采样结果,并通过跳跃连接结构与编码器对应尺度上的特征图进行拼接。另外,该模型引入了注意力模块:对编码器的每个分辨率下的特征图使用注意力模块,该模块通过1×1×1的卷积分别与上采样结果、下采样结果进行卷积计算,将计算结果相加并使用relu激活函数,随后使用1×1×1卷积降为一通道,对结果用sigmoid激活函数得到一个权重图,将此权重图与下采样结果相乘,以此调整特征图。将调整特征图与解码器上采样结果进行拼接。通过此操作可减少特征图中的冗余信息,将注意力集中到更有分辨力的特征上。模型最后对最后一层的输出用softmax函数计算每个体素为前景、背景的概率。该模型的损失函数为dice+交叉熵损失函数。
如图3所示,示出了颅内动脉瘤分割模型的训练及预测的结构示意图。提取的影像块通过数据增强完成旋转、缩放、翻转等操作以提高样本的丰富性,随后通过初始化的3DU-net卷积神经网络得到每个位置为动脉瘤概率值,并根据预设阈值对潜在动脉瘤进行判定:当该位置的预测动脉瘤概率大于该阈值时,则该位置被判定存在动脉瘤,反之,该位置被判定为背景,不存在动脉瘤。3DU-net卷积神经网络将存在动脉瘤的图像进行分割,得到分割结果后,与动脉瘤勾画的金标准对比,通过损失函数计算分割结果与金标准之间的误差,并利用反向传播和随机梯度下降(SGD)算法最小化损失函数,优化网络权重。
将待检测影像通过滑动窗处理将待检测影像图像分为多个图像块,将图像块输入训练好的动脉瘤分割模型中预测动脉瘤的概率,将所有的预测结果进行拼接,重叠选取部分以最大值作为最终预测值,得到待检测影像中潜在的颅内动脉瘤分割结果。
具体地,以40为步长的滑动窗将完整的影像数据分为多个大小为80×80×80的图像块,将图像块输入训练好的动脉瘤分割模型中对所有图像块预测动脉瘤的概率,随后将所有结果拼接,重叠选取部分以最大值作为最终预测值,得到完整影像的潜在动脉瘤分割结果。如图4所示,示出了人工诊断结果和采用本发明第一实施例诊断动脉瘤的对比图,图4的左侧图示出同一位置标记的放射科医生诊断的颅内动脉瘤图形,图4的右侧图示出了同一位置由本实施例的方法分割出的颅内动脉瘤图形。
本发明实施例提供的基于磁共振血管造影数据的颅内动脉瘤检测方法,在影像数据中筛选其他动脉异常区作为阴性样本加入模型训练,提高特异性,可快速、准确检测和分割出潜在的颅内动脉瘤,辅助医生对颅内动脉瘤快速筛查。
在上述的第一实施例中提供了一种基于磁共振血管造影数据的颅内动脉瘤检测方法,与之相对应的,本申请还提供一种基于磁共振血管造影数据的颅内动脉瘤检测***。请参考图5,其为本发明第二实施例提供的一种基于磁共振血管造影数据的颅内动脉瘤检测***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5所示,示出了本发明实施例提供的一种基于磁共振血管造影数据的颅内动脉瘤检测***的结构框图,该***数据获取模块、预处理模块、提取模块、模型训练模块和分割模块,数据获取模块用于获取受试者的含有颅内动脉瘤的3D TOF MRA影像数据;预处理模块对获取的3D TOF MRA影像数据进行图像预处理,得到预处理后的图像;提取模块用于根据标记的动脉瘤、动脉异常区在影像数据的边界框坐标及长、宽、高进行位置编码,并根据位置编码提取影像块;模型训练模块用于将提取的影像块作为颅内动脉瘤分割模型的输入,以手工标画的掩膜作为金标准,训练颅内动脉瘤分割模型得到训练好的颅内动脉瘤分割模型;分割模块用于将待检测影像通过滑动窗处理将待检测影像图像分为多个图像块,将图像块输入训练好的动脉瘤分割模型中预测动脉瘤的概率,将所有的预测结果进行拼接,重叠选取部分以最大值作为最终预测值,得到待检测影像中潜在的颅内动脉瘤分割结果。
在本实施例中,提取模块包括影像块提取单元和图像块提取单元,影像块提取单元用于根据颅内动脉瘤的位置编码生成设定大小的包含完整标记的动脉瘤的影像块;图像块提取单元用于根据动脉异常的位置编码生成设定大小的包含完整标记的动脉异常的影像块。
在本实施例中,颅内动脉瘤分割模型采用基于块的3D U-Net卷积神经网络,所述颅内动脉瘤分割模型包括编码器、解码器和注意力模块,所述编码器包括四个子模块,每个子模块包含两个卷积层,每个子模块通过最大池化层进行下采样得到下采样结果,解码器利用反卷积进行上采样得到上采样结果,注意力模块通过1×1×1的卷积分别与上采样结果、下采样结果进行卷积计算,将计算结果相加并使用relu激活函数,使用1×1×1的卷积降为一通道得到结果,结果用sigmoid激活函数得到一个权重图,将权重图与下采样结果相乘,以此调整特征图,将调整后的特征图与上采样结果进行拼接。
以上,为本发明第二实施例提供的一种基于磁共振血管造影数据的颅内动脉瘤检测***的实施例说明。
本发明实施例提供的一种基于磁共振血管造影数据的颅内动脉瘤检测***与上述基于磁共振血管造影数据的颅内动脉瘤检测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6所示,示出了本发明第三实施例提供一种颅内动脉瘤检测设备结构框图,该设备包括处理器、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 (8)
1.一种基于磁共振血管造影数据的颅内动脉瘤检测方法,其特征在于,包括:
获取受试者的含有颅内动脉瘤的3D TOF MRA影像数据;
对获取的3D TOF MRA影像数据进行图像预处理,得到预处理后的图像;
根据标记的动脉瘤、动脉异常区在影像数据的边界框坐标及长、宽、高进行位置编码,并根据位置编码提取影像块;
将提取的影像块作为颅内动脉瘤分割模型的输入,以手工标画的掩膜作为金标准,训练颅内动脉瘤分割模型得到训练好的颅内动脉瘤分割模型;
将待检测影像通过滑动窗处理将待检测影像图像分为多个图像块,将图像块输入训练好的动脉瘤分割模型中预测动脉瘤的概率,将所有的预测结果进行拼接,重叠选取部分以最大值作为最终预测值,得到待检测影像中潜在的颅内动脉瘤分割结果。
2.如权利要求1所述的方法,其特征在于,所述根据位置编码提取影像块具体包括:
根据颅内动脉瘤的位置编码生成设定大小的包含完整标记的动脉瘤的影像块;
根据动脉异常的位置编码生成设定大小的包含完整标记的动脉异常的影像块。
3.如权利要求1所述的方法,其特征在于,所述颅内动脉瘤分割模型采用基于块的3DU-Net卷积神经网络,所述颅内动脉瘤分割模型包括编码器、解码器和注意力模块,所述编码器包括四个子模块,每个子模块包含两个卷积层,每个子模块通过最大池化层进行下采样得到下采样结果,解码器利用反卷积进行上采样得到上采样结果,注意力模块通过1×1×1的卷积分别与上采样结果、下采样结果进行卷积计算,将计算结果相加并使用relu激活函数,使用1×1×1的卷积降为一通道得到结果,结果用sigmoid激活函数得到一个权重图,将权重图与下采样结果相乘,以此调整特征图,将调整后的特征图与上采样结果进行拼接。
4.一种基于磁共振血管造影数据的颅内动脉瘤检测***,其特征在于,包括:数据获取模块、预处理模块、提取模块、模型训练模块和分割模块,
所述数据获取模块用于获取受试者的含有颅内动脉瘤的3D TOF MRA影像数据;
所述预处理模块对获取的3D TOF MRA影像数据进行图像预处理,得到预处理后的图像;
所述提取模块用于根据标记的动脉瘤、动脉异常区在影像数据的边界框坐标及长、宽、高进行位置编码,并根据位置编码提取影像块;
所述模型训练模块用于将提取的影像块作为颅内动脉瘤分割模型的输入,以手工标画的掩膜作为金标准,训练颅内动脉瘤分割模型得到训练好的颅内动脉瘤分割模型;
所述分割模块用于将待检测影像通过滑动窗处理将待检测影像图像分为多个图像块,将图像块输入训练好的动脉瘤分割模型中预测动脉瘤的概率,将所有的预测结果进行拼接,重叠选取部分以最大值作为最终预测值,得到待检测影像中潜在的颅内动脉瘤分割结果。
5.如权利要求4所述的***,其特征在于,所述提取模块包括影像块提取单元和图像块提取单元,
所述影像块提取单元用于根据颅内动脉瘤的位置编码生成设定大小的包含完整标记的动脉瘤的影像块;
所述图像块提取单元用于根据动脉异常的位置编码生成设定大小的包含完整标记的动脉异常的影像块。
6.如权利要求4所述的***,其特征在于,所述颅内动脉瘤分割模型采用基于块的3DU-Net卷积神经网络,所述颅内动脉瘤分割模型包括编码器、解码器和注意力模块,所述编码器包括四个子模块,每个子模块包含两个卷积层,每个子模块通过最大池化层进行下采样得到下采样结果,解码器利用反卷积进行上采样得到上采样结果,注意力模块通过1×1×1的卷积分别与上采样结果、下采样结果进行卷积计算,将计算结果相加并使用relu激活函数,使用1×1×1的卷积降为一通道得到结果,结果用sigmoid激活函数得到一个权重图,将权重图与下采样结果相乘,以此调整特征图,将调整后的特征图与上采样结果进行拼接。
7.一种智能颅内动脉瘤检测设备,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1-3任一项所述的方法。
8.一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1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705824.9A CN113436166A (zh) | 2021-06-24 | 2021-06-24 | 基于磁共振血管造影数据的颅内动脉瘤检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705824.9A CN113436166A (zh) | 2021-06-24 | 2021-06-24 | 基于磁共振血管造影数据的颅内动脉瘤检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113436166A true CN113436166A (zh) | 2021-09-24 |
Family
ID=77754023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110705824.9A Pending CN113436166A (zh) | 2021-06-24 | 2021-06-24 | 基于磁共振血管造影数据的颅内动脉瘤检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436166A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092477A (zh) * | 2022-01-21 | 2022-02-25 | 浪潮云信息技术股份公司 | 一种图像篡改检测方法、装置及设备 |
CN114529533A (zh) * | 2022-02-22 | 2022-05-24 | 深圳市澈影医生集团有限公司 | 一种mra脑部图像的自动分析***及方法 |
CN114638799A (zh) * | 2022-03-11 | 2022-06-17 | 深圳市澈影医生集团有限公司 | 一种颅内动脉瘤的自动检测***及方法 |
CN114820535A (zh) * | 2022-05-05 | 2022-07-29 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
CN114882017A (zh) * | 2022-06-30 | 2022-08-09 | 中国科学院大学 | 基于颅内动脉图像的薄纤维帽斑块检测的方法及装置 |
CN115631194A (zh) * | 2022-12-08 | 2023-01-20 | 首都医科大学附属北京天坛医院 | 颅内动脉瘤识别检测的方法、装置、设备及介质 |
CN115953393A (zh) * | 2023-03-10 | 2023-04-11 | 济南市人民医院 | 基于多任务学习的颅内动脉瘤检测***、设备及存储介质 |
CN116758050A (zh) * | 2023-07-12 | 2023-09-15 | 强联智创(北京)科技有限公司 | 用于颅内Wills环血管中心线盲补全的方法及产品 |
CN116912214A (zh) * | 2023-07-19 | 2023-10-20 | 首都医科大学宣武医院 | 用于对动脉瘤检测图像进行分割的方法、设备及存储介质 |
CN116958551A (zh) * | 2023-07-25 | 2023-10-27 | 强联智创(北京)科技有限公司 | 图像分割方法、电子设备及存储介质 |
CN117392137A (zh) * | 2023-12-13 | 2024-01-12 | 山东科技大学 | 一种颅内动脉瘤图像检测方法、***、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011104206A (ja) * | 2009-11-19 | 2011-06-02 | Hiroshima City Univ | 動脈瘤候補の検出支援装置および検出方法 |
CN110415234A (zh) * | 2019-07-29 | 2019-11-05 | 北京航空航天大学 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
CN111951272A (zh) * | 2020-07-02 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 脑部影像的分割方法、装置、计算机设备和可读存储介质 |
CN112419282A (zh) * | 2020-11-26 | 2021-02-26 | 中国科学院苏州生物医学工程技术研究所 | 脑部医学影像中动脉瘤的自动检测方法及*** |
CN112617770A (zh) * | 2020-12-28 | 2021-04-09 | 首都医科大学附属北京天坛医院 | 基于人工智能的颅内动脉瘤风险预测方法及相关装置 |
-
2021
- 2021-06-24 CN CN202110705824.9A patent/CN113436166A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011104206A (ja) * | 2009-11-19 | 2011-06-02 | Hiroshima City Univ | 動脈瘤候補の検出支援装置および検出方法 |
CN110415234A (zh) * | 2019-07-29 | 2019-11-05 | 北京航空航天大学 | 基于多参数磁共振成像的脑部肿瘤分割方法 |
CN111951272A (zh) * | 2020-07-02 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 脑部影像的分割方法、装置、计算机设备和可读存储介质 |
CN112419282A (zh) * | 2020-11-26 | 2021-02-26 | 中国科学院苏州生物医学工程技术研究所 | 脑部医学影像中动脉瘤的自动检测方法及*** |
CN112617770A (zh) * | 2020-12-28 | 2021-04-09 | 首都医科大学附属北京天坛医院 | 基于人工智能的颅内动脉瘤风险预测方法及相关装置 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092477A (zh) * | 2022-01-21 | 2022-02-25 | 浪潮云信息技术股份公司 | 一种图像篡改检测方法、装置及设备 |
CN114529533A (zh) * | 2022-02-22 | 2022-05-24 | 深圳市澈影医生集团有限公司 | 一种mra脑部图像的自动分析***及方法 |
CN114638799B (zh) * | 2022-03-11 | 2023-03-21 | 深圳市澈影医生集团有限公司 | 一种颅内动脉瘤的自动检测*** |
CN114638799A (zh) * | 2022-03-11 | 2022-06-17 | 深圳市澈影医生集团有限公司 | 一种颅内动脉瘤的自动检测***及方法 |
CN114820535A (zh) * | 2022-05-05 | 2022-07-29 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
CN114820535B (zh) * | 2022-05-05 | 2023-09-12 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
CN114882017A (zh) * | 2022-06-30 | 2022-08-09 | 中国科学院大学 | 基于颅内动脉图像的薄纤维帽斑块检测的方法及装置 |
CN114882017B (zh) * | 2022-06-30 | 2022-10-28 | 中国科学院大学 | 基于颅内动脉图像的薄纤维帽斑块检测的方法及装置 |
CN115631194B (zh) * | 2022-12-08 | 2023-03-17 | 首都医科大学附属北京天坛医院 | 颅内动脉瘤识别检测的方法、装置、设备及介质 |
CN115631194A (zh) * | 2022-12-08 | 2023-01-20 | 首都医科大学附属北京天坛医院 | 颅内动脉瘤识别检测的方法、装置、设备及介质 |
CN115953393A (zh) * | 2023-03-10 | 2023-04-11 | 济南市人民医院 | 基于多任务学习的颅内动脉瘤检测***、设备及存储介质 |
CN116758050A (zh) * | 2023-07-12 | 2023-09-15 | 强联智创(北京)科技有限公司 | 用于颅内Wills环血管中心线盲补全的方法及产品 |
CN116912214A (zh) * | 2023-07-19 | 2023-10-20 | 首都医科大学宣武医院 | 用于对动脉瘤检测图像进行分割的方法、设备及存储介质 |
CN116912214B (zh) * | 2023-07-19 | 2024-03-22 | 首都医科大学宣武医院 | 用于对动脉瘤检测图像进行分割的方法、设备及存储介质 |
CN116958551A (zh) * | 2023-07-25 | 2023-10-27 | 强联智创(北京)科技有限公司 | 图像分割方法、电子设备及存储介质 |
CN117392137A (zh) * | 2023-12-13 | 2024-01-12 | 山东科技大学 | 一种颅内动脉瘤图像检测方法、***、设备及介质 |
CN117392137B (zh) * | 2023-12-13 | 2024-02-13 | 山东科技大学 | 一种颅内动脉瘤图像检测方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436166A (zh) | 基于磁共振血管造影数据的颅内动脉瘤检测方法及*** | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
EP3814984B1 (en) | Systems and methods for automated detection of visual objects in medical images | |
US8116542B2 (en) | Determining hazard of an aneurysm by change determination | |
WO2021179491A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
US9064306B2 (en) | Bidirectional blood vessel segmentation | |
CN113066061B (zh) | 一种基于mra的动脉瘤检测方法、***、终端及介质 | |
JP2023540910A (ja) | 病変検出のための共同訓練を伴う接続機械学習モデル | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
EP3722996A2 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
CN115187566A (zh) | 基于mra影像的颅内动脉瘤检测方法及装置 | |
CN113469963B (zh) | 肺动脉图像分割方法及装置 | |
CN110136107B (zh) | 基于dssd和时域约束x光冠脉造影序列自动分析方法 | |
CN111340794A (zh) | 冠状动脉狭窄的量化方法及装置 | |
CN116862930B (zh) | 适用于多模态的脑血管分割方法、装置、设备和存储介质 | |
JP2005515874A (ja) | 肺の小結節検出時のフォールスポジティブを低減するための気管支壁厚認識 | |
US20240005510A1 (en) | Method and apparatus of nidus segmentation, electronic device, and storage medium | |
Mitra et al. | Peak trekking of hierarchy mountain for the detection of cerebral aneurysm using modified Hough circle transform | |
CN112784928A (zh) | Dsa影像识别方法、装置及存储介质 | |
KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
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 | |
CN113129297B (zh) | 基于多期相肿瘤影像的直径自动测量方法及*** | |
CN112801964B (zh) | 肺部ct图像的多标签智能检测方法、装置、设备和介质 |
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 |