CN113576508A - 一种基于神经网络的脑出血辅助诊断*** - Google Patents
一种基于神经网络的脑出血辅助诊断*** Download PDFInfo
- Publication number
- CN113576508A CN113576508A CN202110826032.7A CN202110826032A CN113576508A CN 113576508 A CN113576508 A CN 113576508A CN 202110826032 A CN202110826032 A CN 202110826032A CN 113576508 A CN113576508 A CN 113576508A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- cerebral hemorrhage
- module
- training
- 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
- 206010008111 Cerebral haemorrhage Diseases 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000008030 elimination Effects 0.000 claims abstract description 6
- 238000003379 elimination reaction Methods 0.000 claims abstract description 6
- 230000000877 morphologic effect Effects 0.000 claims abstract description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 208000008574 Intracranial Hemorrhages Diseases 0.000 claims 1
- 238000011282 treatment Methods 0.000 abstract description 8
- 238000000034 method Methods 0.000 abstract description 6
- 238000002591 computed tomography Methods 0.000 description 39
- 230000000740 bleeding effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001154 acute effect Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000008116 Traumatic Cerebral Hemorrhage Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 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
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Neurosurgery (AREA)
- Neurology (AREA)
- Pulmonology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于神经网络的脑出血辅助诊断***，属于医学图像处理及分割技术领域，包括：获取模块，用于获取多张原始的CT图像，并标记出病灶区域；处理模块，用于对所述多张原始的CT图像进行图像增强，得到训练集；训练模块，用于利用所述训练集对神经网络进行训练；第一诊断模块，用于获取二次拍摄的CT图像并进行预处理，并将处理后的图像输入训练后的神经网络，得到与输入图像尺寸一致的表示每个像素置信度的灰度图；第二诊断模块，用于对所述灰度图依次进行阈值分割、形态学闭运算以及消除孔洞处理；并根据处理后的灰度图实现脑出血病灶检测以及出血量计算。如此，本发明能够提高脑出血诊疗的效率和准确率。
Description
技术领域
本发明属于医学图像处理及分割技术领域，更具体地，涉及一种基于神经网络的脑出血辅助诊断***。
背景技术
脑出血是指原发性非外伤性的脑实质出血，也称自发性脑出血，是急性脑血管病中病死率最高的疾病类型，占急性脑血管病的20％～30％。目前，急性脑血管相关的疾病已经成为第三大致人死亡的疾病。脑出血出血量多少的判定可作为后续医生所采取治疗手段的重要参照。
目前，临床上普遍采用X射线计算机断层扫描(X-ray computed tomography,CT)作为脑出血主要筛查手段，具有操作便捷、经济且无创等优点。但由于脑出血CT图像中的出血区域容易与其他正常脑组织混淆，诊断医生定性观察及定量化分析时难度较大；同时，脑出血发病急，且进展迅速，发病后症状在数分钟或数小时内达到高峰。但由于病理诊断需要镜下操作，肉眼观察工作量大，CT报告一般需6-24小时后才能得出，等候时间过久，且查验报告容易受病理医生经验及疲劳状态等影响。同时，部分偏远地区受限于医疗资源分布，尤其缺乏经验丰富的医生，难以快速明确CT诊断，易导致病人错过最佳治疗时机。
随着机器学***衡。但出于保护病人隐私等考虑，CT装置拍摄的CT图像存储于医院内部***中，一般只支持打印成胶片，难以直接向外界程序开放数据接口，使得上述基于机器学习的辅助分析程序难以应用于原始拍摄图像。解决该问题的一种方式是对打印后的CT胶片进行二次拍摄并作为程序的输入，但二次拍摄CT图像的质量受拍摄视角和光照条件的影响较大，使得常规辅助分析程序难以得到准确的脑出血诊断结果。因此针对二次拍摄CT图像设计有效的脑出血辅助诊断***，是当前有待解决的问题，且具有重要的实际应用价值。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于神经网络的脑出血辅助诊断***，只需要利用手机拍摄患者CT图像进行上传，便可利用训练好的神经网络完成出血病灶检测、出血量计算等，从而帮助医生确定患者脑出血情况，提高诊断效率。
为实现上述目的，本发明提供了一种基于神经网络的脑出血辅助诊断***，包括以下模块：
获取模块，用于获取多张原始的CT图像，并标记出病灶区域；
处理模块，用于对所述多张原始的CT图像进行图像增强，得到训练集；
训练模块，用于利用所述训练集对神经网络进行训练；
第一诊断模块，用于获取二次拍摄的CT图像并进行预处理，并将处理后的图像输入训练后的神经网络，得到与输入图像尺寸一致的表示每个像素置信度的灰度图；
第二诊断模块，用于对所述灰度图依次进行阈值分割、形态学闭运算以及消除孔洞处理；并根据处理后的灰度图实现脑出血病灶检测以及出血量计算。
进一步地，所述训练模块，还用于将多张相邻图像导入神经网络的输入层，进行联合训练。
进一步地，所述训练模块，还用于根据所选择的交叉熵损失函数，计算神经网络输出的灰度图与标注的原始CT图像的损失，并将损失反向传播用于更新神经网络权重参数。
进一步地，获取二次拍摄的CT图像并进行预处理，包括：获取二次拍摄的CT图像，并进行图像中心裁剪和图像压缩，以使处理后的图像与原始CT图像的形状和尺寸一致。
进一步地，进行图像中心裁剪和图像压缩之后，所述第一诊断模块还用于对图像进行灰度化处理。
进一步地，采用的图像增强的手段包括：灰度随机抖动、对比度调整、多种噪声模拟、滤波操作以及随机亮斑叠加。
进一步地，所述神经网络为全卷积语义分割神经网络。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明提供的脑出血辅助诊断***，考虑到在实际应用中，CT装置拍摄的CT图像不能立即导出，无法快速利用训练好的神经网络完成出血病灶检测、出血量计算等，故选择通过手机等用户设备对原始CT图像进行二次拍摄。又由于二次拍摄的图像与原始CT图像存在差异，故通过图像增强方法改变训练集中原始CT图像的灰度分布、图像形状等特征，使其更接近二次拍摄图像的特征，从而提高学到模型的泛化能力。基于训练后的神经网络得到相应灰度图后，又依次进行阈值分割、形态学闭运算以及消除孔洞处理，还原真实的脑出血情况。如此，本发明能够提高脑出血诊疗的效率和准确率。
(2)本发明在训练集的图像输入神经网络前，设计了多张相邻图片一并导入的程序，先按照图像的先后顺序排序，在将当前图像导入神经网络前，查询到当前图像的前后相邻图像，将其和当前图像一同导入神经网络的输入层，进行联合训练。从而可以降低最终结果的虚警率，使得最终的分割结果的可信度更高。
附图说明
图1为本发明实施例提供的一种基于神经网络的脑出血辅助诊断***的框图；
图2为本发明实施例提供的脑出血检出可视化效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
如图1所示，本发明提供的基于神经网络的脑出血辅助诊断***100，包括：
获取模块110，用于获取多张原始的CT图像，并标记出病灶区域；
具体地，把专业人员标记的JSON标签文件批量转化为模型输入的Mask，即和CT图像尺寸大小一致的jpg二值图像。Mask作为正确标注的数据输入模型，其中Mask的二值分别表示有脑出血病灶区域和无脑出血病灶区域。
处理模块120，用于对所述多张原始的CT图像进行图像增强，得到训练集；
具体地，由于直接获取的为原始CT的灰度图像，但***实际使用的是手机等用户设备二次拍摄的CT图像，因此对于神经网络而言，存在训练集数据和测试集数据的分布情况不一致的问题。对于这个问题，在分析了原始CT图像和二次拍摄CT图像的图像直方图之后，我们有针对性地选取了合理的图像增强方法，用于改变训练集中原始CT图像的灰度分布、图像形状等特征，使其更接近二次拍摄图像的特征，从而提高学到模型的泛化能力。采用的图像增强的手段包括：灰度随机抖动、对比度调整(针对二次拍摄图像的直方图选择合适的对比度参数)、多种噪声模拟(模拟拍摄中的噪声干扰)、滤波操作(模拟拍摄中可能会产生的抖动模糊)、随机亮斑叠加(用于模拟拍摄中的反光)。
训练模块130，用于利用所述训练集对神经网络进行训练；
具体地，神经网络为全卷积语义分割神经网络，该网络在医学图像的分割问题上有显著的效果；该网络主要由编码器(encoder)、解码器(decoder)和跳层连接(skipconnection)组成：编码器作用为下采样，将图像转为含有高语义信息的特征图(featuremap)；解码器作用为上采样，将高语义的信息转化为像素级别分类的分数图(score map)；跳层连接用于连接同一尺度下的前后特征图。网络输出为与输入图像尺寸一致的表示每个像素置信度的灰度图。根据所选择的交叉熵损失函数，计算神经网络输出的灰度图与标注的原始CT图像的损失，并将损失反向传播用于更新神经网络权重参数。
进一步地，在训练集的图像输入神经网络前，设计了多张相邻图片一并导入的程序，先按照图像的先后顺序排序，在将当前图像导入神经网络前，查询到当前图像的前后相邻图像，将其和当前图像一同导入神经网络的输入层，进行联合训练。从而可以降低最终结果的虚警率，使得最终的分割结果的可信度更高。
第一诊断模块140，用于获取二次拍摄的CT图像并进行预处理，并将处理后的图像输入训练后的神经网络，得到与输入图像尺寸一致的表示每个像素置信度的灰度图；
具体地，医生在良好光照条件下稳定拍摄的且精度较高的CT图像并上传；获取二次拍摄的CT图像，并进行预处理，包括：图像中心裁剪(裁剪为和训练集图像一致的正方形形状)、图像压缩(将图像压缩至与训练集一致的尺寸，减少测试过程中的运算量)、图像灰度化。
第二诊断模块150，用于对所述灰度图依次进行阈值分割、形态学闭运算以及消除孔洞处理；并根据处理后的灰度图实现脑出血病灶检测以及出血量计算。
具体地，对灰度图进行阈值分割处理(初步得到表示脑出血病灶的前景和表示无病灶的背景)、形态学闭运算(用于消除分割后的孤立点并融合细窄的连通区域)、消除孔洞操作(通过寻找连通域，来消除病灶前景中的孔洞，还原真实的脑出血情况)，得到最终预测的脑出血图像Mask。根据一个病人的脑出血图像Mask计算出血量，并判断是否发生脑出血，当出血量大于设定的误差可接受范围时，判定为脑出血，并输出脑出血量。
此外，可以在手机等用户设备的微信端架设封装好的辅助诊断小程序，手机微信端启动该小程序后根据交互输入患者基础信息及二次拍摄的CT图像内容，根据训练好的模型输出患者是/否脑出血和出血量计算结果等；根据小程序页面交互式的区域选择，可手动放大脑部CT不同出血点位置、出血量等信息后并输出初步诊断结论。
本发明实施例提供的脑出血检出可视化效果图如图2所示，能够精准将出血病灶进行定位，识别后的影像中，白色区域为有脑出血病灶区域、黑色区域为无脑出血病灶区域，同时输出是/否脑出血及出血量结论。
在实际应用中，本发明可以同时对脑部多种疾病进行联动诊断形成全方位的、综合全面的诊疗结果，突破现有医学各个科室独立诊疗、范围有限的局限，降低重复询医和检查的概率，诊断更加准确和全面。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于神经网络的脑出血辅助诊断***，其特征在于，包括以下模块：
获取模块，用于获取多张原始的CT图像，并标记出病灶区域；
处理模块，用于对所述多张原始的CT图像进行图像增强，得到训练集；
训练模块，用于利用所述训练集对神经网络进行训练；
第一诊断模块，用于获取二次拍摄的CT图像并进行预处理，并将处理后的图像输入训练后的神经网络，得到与输入图像尺寸一致的表示每个像素置信度的灰度图；
第二诊断模块，用于对所述灰度图依次进行阈值分割、形态学闭运算以及消除孔洞处理；并根据处理后的灰度图实现脑出血病灶检测以及出血量计算。
2.根据权利要求1所述的基于神经网络的脑出血辅助诊断***，其特征在于，所述训练模块，还用于将多张相邻图像导入神经网络的输入层，进行联合训练。
3.根据权利要求1或2所述的基于神经网络的脑出血辅助诊断***，其特征在于，所述训练模块，还用于根据所选择的交叉熵损失函数，计算神经网络输出的灰度图与标注的原始CT图像的损失，并将损失反向传播用于更新神经网络权重参数。
4.根据权利要求1所述的基于神经网络的脑出血辅助诊断***，其特征在于，获取二次拍摄的CT图像并进行预处理，包括：获取二次拍摄的CT图像，并进行图像中心裁剪和图像压缩，以使处理后的图像与原始CT图像的形状和尺寸一致。
5.根据权利要求4所述的基于神经网络的脑出血辅助诊断***，其特征在于，进行图像中心裁剪和图像压缩之后，所述第一诊断模块还用于对图像进行灰度化处理。
6.根据权利要求1所述的基于神经网络的脑出血辅助诊断***，其特征在于，采用的图像增强的手段包括：灰度随机抖动、对比度调整、多种噪声模拟、滤波操作以及随机亮斑叠加。
7.根据权利要求1所述的基于神经网络的脑出血辅助诊断***，其特征在于，所述神经网络为全卷积语义分割神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110826032.7A CN113576508A (zh) | 2021-07-21 | 2021-07-21 | 一种基于神经网络的脑出血辅助诊断*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110826032.7A CN113576508A (zh) | 2021-07-21 | 2021-07-21 | 一种基于神经网络的脑出血辅助诊断*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113576508A true CN113576508A (zh) | 2021-11-02 |
Family
ID=78248798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110826032.7A Pending CN113576508A (zh) | 2021-07-21 | 2021-07-21 | 一种基于神经网络的脑出血辅助诊断*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113576508A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114549532A (zh) * | 2022-04-27 | 2022-05-27 | 珠海市人民医院 | 一种基于医学图像处理的脑缺血辅助分析方法及*** |
| CN115274099A (zh) * | 2022-09-26 | 2022-11-01 | 之江实验室 | 一种人与智能交互的计算机辅助诊断***与方法 |
| WO2023087641A1 (zh) * | 2021-11-22 | 2023-05-25 | 上海商汤智能科技有限公司 | 图像检测方法及相关装置、电子设备和存储介质 |
| CN116309647A (zh) * | 2023-04-27 | 2023-06-23 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
| CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
| CN111242925A (zh) * | 2020-01-13 | 2020-06-05 | 北京妙医佳健康科技集团有限公司 | 针对ct影像数据的目标检测方法、装置及电子设备 |
| CN111445457A (zh) * | 2020-03-26 | 2020-07-24 | 北京推想科技有限公司 | 网络模型的训练方法及装置、识别方法及装置、电子设备 |
| CN111833311A (zh) * | 2020-06-18 | 2020-10-27 | 安徽农业大学 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
| CN112686336A (zh) * | 2021-01-28 | 2021-04-20 | 杭州电子科技大学 | 一种基于神经网络的烧伤创面深度分类*** |
| CN112991320A (zh) * | 2021-04-07 | 2021-06-18 | 德州市人民医院 | 脑出血患者血肿扩大风险预测***及方法 |
| CN113095470A (zh) * | 2020-01-08 | 2021-07-09 | 字节跳动有限公司 | 神经网络的训练方法、图像处理方法及装置、存储介质 |
-
2021
- 2021-07-21 CN CN202110826032.7A patent/CN113576508A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949309A (zh) * | 2019-03-18 | 2019-06-28 | 安徽紫薇帝星数字科技有限公司 | 一种基于深度学习的肝脏ct图像分割方法 |
| CN110503630A (zh) * | 2019-07-19 | 2019-11-26 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
| CN113095470A (zh) * | 2020-01-08 | 2021-07-09 | 字节跳动有限公司 | 神经网络的训练方法、图像处理方法及装置、存储介质 |
| CN111242925A (zh) * | 2020-01-13 | 2020-06-05 | 北京妙医佳健康科技集团有限公司 | 针对ct影像数据的目标检测方法、装置及电子设备 |
| CN111445457A (zh) * | 2020-03-26 | 2020-07-24 | 北京推想科技有限公司 | 网络模型的训练方法及装置、识别方法及装置、电子设备 |
| CN111833311A (zh) * | 2020-06-18 | 2020-10-27 | 安徽农业大学 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
| CN112686336A (zh) * | 2021-01-28 | 2021-04-20 | 杭州电子科技大学 | 一种基于神经网络的烧伤创面深度分类*** |
| CN112991320A (zh) * | 2021-04-07 | 2021-06-18 | 德州市人民医院 | 脑出血患者血肿扩大风险预测***及方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023087641A1 (zh) * | 2021-11-22 | 2023-05-25 | 上海商汤智能科技有限公司 | 图像检测方法及相关装置、电子设备和存储介质 |
| CN114549532A (zh) * | 2022-04-27 | 2022-05-27 | 珠海市人民医院 | 一种基于医学图像处理的脑缺血辅助分析方法及*** |
| CN115274099A (zh) * | 2022-09-26 | 2022-11-01 | 之江实验室 | 一种人与智能交互的计算机辅助诊断***与方法 |
| CN115274099B (zh) * | 2022-09-26 | 2022-12-30 | 之江实验室 | 一种人与智能交互的计算机辅助诊断***与方法 |
| CN116309647A (zh) * | 2023-04-27 | 2023-06-23 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 |
| CN116309647B (zh) * | 2023-04-27 | 2023-07-25 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458883B (zh) | 一种医疗影像的处理***、方法、装置和设备 | |
| CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
| CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断*** | |
| CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断*** | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及*** | |
| Dias et al. | Retinal image quality assessment using generic image quality indicators | |
| CN112070119B (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
| CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| JPH07504056A (ja) | データ処理技術を使用して物体を識別するための方法 | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| TWI719587B (zh) | 眼底圖像定量分析的前置處理方法及存放裝置 | |
| CN113012163A (zh) | 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质 | |
| CN114450716A (zh) | 用于卒中表征的图像处理 | |
| CN113223005A (zh) | 一种甲状腺结节自动分割及分级的智能*** | |
| CN114782337A (zh) | 基于人工智能的oct图像推荐方法、装置、设备及介质 | |
| CN111339993A (zh) | 一种x射线图像金属检测方法和*** | |
| CN114612484B (zh) | 基于无监督学习的视网膜oct图像分割方法 | |
| CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
| Ahmed et al. | Deep learning based automated detection of intraretinal cystoid fluid | |
| Li et al. | A deep-learning-enabled monitoring system for ocular redness assessment | |
| CN115829980A (zh) | 一种眼底照片的图像识别方法、装置、设备及存储介质 | |
| Lee et al. | Improved classification of brain-tumor mri images through data augmentation and filter application | |
| CN111462067B (zh) | 图像分割方法及装置 | |
| CN113796850A (zh) | 甲状旁腺mibi图像分析***、计算机设备及存储介质 | |
| CN114372985A (zh) | 适应多中心图像的糖尿病视网膜病变病灶分割方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |