CN113780421B - 基于人工智能的脑部pet影像识别方法 - Google Patents
基于人工智能的脑部pet影像识别方法 Download PDFInfo
- Publication number
- CN113780421B CN113780421B CN202111065379.0A CN202111065379A CN113780421B CN 113780421 B CN113780421 B CN 113780421B CN 202111065379 A CN202111065379 A CN 202111065379A CN 113780421 B CN113780421 B CN 113780421B
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- brain
- sequence
- channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Nuclear Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种基于人工智能的脑部PET影像识别方法,该方法包括:接收目标患者的脑部的PET图像序列;分析PET图像序列以识别多个图像,创建PET图像序列的多通道图像,计算所述多通道图像的PET图像序列的病变的分类。本发明提出了一种基于人工智能的脑部PET影像识别方法,通过自动学习提取特征信息,有助于总结脑结节影像学特征的规律,达到较高的检测率,分割得到更精确的三维模型,帮助脑结节病变识别和医生的精确诊断。
Description
技术领域
本发明涉及数据挖掘,特别涉及一种基于人工智能的脑部PET影像识别方法。
背景技术
计算机辅助诊断在提高诊断准确率、提高工作效率、减少漏诊等方面取得了极大的促进作用。随着计算机技术和人工智能技术的发展,计算机辅助诊断也在走向智能化。探测和识别脑结节对于早期脑瘤的诊断具有十分重要的意义。脑结节是一些PET影像中的小病灶、高密度阴影的统称。脑结节在影像学的表现十分复杂。已有多种图像算法应用于脑结节探测和分割,例如阈值法、形态学算法、活动轮廓法以及非线性回归等。近年来,研究者提出了一些深度学习模型,用于脑结节探测与分割,效果较以前的方法有明显改善,但也面临着如下问题:二维网络无法很好的利用三维形状和纹理信息,难以正确分割三维边界;脑区域影像和结节特征具有较高复杂性,难以区分结节和其他类似组织。
发明内容
为解决上述现有技术所存在的问题,本发明提出了一种基于人工智能的脑部PET影像识别方法,包括:
接收目标患者的脑部的PET图像序列;
从所述PET图像序列中识别多个图像,所述多个图像包括基础图像、峰值灰度增强图像、初始拍摄图像和延迟响应图像;所述基础图像表示无灰度的PET图像序列,所述峰值灰度增强图像表示具有最高相对亮度值的图像,所述初始拍摄图像表示所述PET图像序列中最初检测到的灰度图像,所述延迟响应图像表示所述PET图像序列中结尾部分,即经过预定义时间的最后一个图像;
创建PET图像序列的多通道图像,所述多通道图像包括亮度通道、灰度更新通道和灰度清除通道,其中所述亮度通道包括所述峰值灰度增强图像,所述灰度更新通道为所述峰值灰度增强图像和基础图像之间的运算差值,所述灰度清除通道为所述初始拍摄图像和所述延迟响应图像之间的运算差值;
其中所述分析是通过将根据像素周围的区域内高于阈值的显著值分配给每个像素的分值来计算分值图像,并且对分值图像应用非最大抑制以获得包括表示局部最大值位置的候选区域的二进制检测掩模来执行的;
该方法还包括:从所述图像中裁剪所述候选区域,并且根据所述深度RNN的输入来调整每个裁剪的候选区域的大小,其中所述深度RNN计算表示每个候选区域的病变的分类;
对去噪后的PET脑部图像进行小波变换,获得PET图像中的高频信息;通过提升树分解将PET脑部图像分成多个区域,对每一局部区域分别进行处理;若每个局部区域大小为Φ×Φ,将可采样角度设为Φ2-1个,即投影角度为uπ/Φ2-1,其中u取1,2,…,L2-1;
构造与子区域同样大小的Φ×Φ窗口,计算该区域在采样角度上的正交投影ηu(i):
ηu(i)=-x(i)*(sinu)+y(i)*(cosu)
u为投影角度,x(i),y(i)为窗口坐标,对每一角度投影得到的弯曲系数ηd;
计算指示PET图像中该区域在每一点的变化方向的梯度向量场;对ηd进行小波变换,得到其变换系数{εk},预先确定阈值T,并对εk进行阈值化处理:
εk’(x)=0 |x|≤T
εk’(x)=εk(x) |x|>T
阈值化处理之后进行小波逆变换,从而获得ηd的逼近信号Rd,对于所有的投影角度u,能够使ηd与Rd差值最小的角度作为该区域的最佳梯度向量场方向;
u’=argmin||ηd-Rd||2,ζ<H,u∈[0,Φ2];
ζ=min||ηd-Rd||2;
H为判别该区域中是否存在梯度向量场的阈值。
优选地,所述方法还包括:
为所述PET图像序列的相应图像计算面片区别度显著性直方图,并且其中所述方法还包括通过组合多个所述面片区别度显著性直方图来创建单个面片显著性热力图,其中所述面片显著性通道存储所述单个面片显著性热力图。
优选地,其中所述深度RNN输出二元检测图,所述二元检测图包括利用表示每个候选区域的病变的分类计算的候选区域。
优选地,方法进一步包括对沿纵轴为PET图像序列的每个图像生成的二进制检测图的值进行求和,以生成表示候选区域的空间密度的投影热力图。
优选地,为所述PET图像序列的相应图像计算多个横向显著性直方图中的每一个,其中所述方法还包括通过组合所述多个横向显著性直方图来创建单个横向显著性热力图,其中所述横向显著性通道存储所述单个横向显著性热力图。
优选地,其中所述横向显著性直方图通过根据左脑和右脑的面片之间的流场计算对侧面片流来计算,用于为脑部的每个面片识别脑部对称部位中相应的最邻接面片,其中根据最邻接面片的误差来估计每个面片的横向显著性直方图的横向显著性值。
本发明相比现有技术,具有以下优点:
本发明提出了一种基于人工智能的脑部PET影像识别方法,通过自动学习提取特征信息,有助于总结脑结节影像学特征的规律,达到较高的检测率,分割得到更精确的三维模型,帮助脑结节病变识别和医生的精确诊断。
附图说明
图1是根据本发明实施例的基于人工智能的脑部PET影像识别方法的流程图。
具体实施方式
下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明,但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定,并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节,并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。
本发明的一方面提供了一种基于人工智能的脑部PET影像识别方法。图1是根据本发明实施例的基于人工智能的脑部PET影像识别方法流程图。
本发明的PET图像序列包括目标患者的脑部的至少一部分。本发明为每一个患者中接收PET图像序列来训练深度RNN。深度RNN是根据多通道图像和关联的绘制和关联的标签来训练的。由于缺乏可用的训练数据集,并且由于这样的机器学习方法通常用于自然图像而不是不同的医学图像的分类,所以不能使用依赖于大数据集的标准自动机器学习方法。本发明提供了当较大训练数据集不可用时提供准确分类结果的问题的解决方案。由于训练集规模小,以及使用多通道图像数据结构,神经网络被相对快速地训练,而不牺牲病变计算的准确性。
为PET图像序列创建多通道图像。在利用训练的循环神经网络接收从PET图像序列计算的多通道图像之前对PET图像序列进行预处理。预处理包括从序列图像中分割脑部组织的过程。例如沿纵轴配准序列的PET图像,通过配准以实现图像的精确叠加。通过将PET图像的亮度值的正则化,并将亮度值的标准偏差设置为单位亮度值的标准化,定义了图像之间的相对度量。例如,通过计算每个图像的总亮度值、每个图像的平均亮度值、每个图像的正则化亮度值或每个图像的相对亮度值来执行正则化。分析正则化图像的值以从序列中识别图像,用于计算多通道表示的通道。
对于PET脑部组织图像分割,只需要分析脑部边界邻近区域,具体步骤如下:
对去噪后的PET脑部图像进行小波变换,获得PET图像中的高频信息。通过提升树分解将PET脑部图像分成多个区域,对每一局部区域分别进行处理。假设每一局部区域大小为Φ×Φ,将可采样角度设为Φ2-1个,即投影角度为uπ/Φ2-1,其中u取1,2,…,L2-1。
构造与子区域同样大小的Φ×Φ窗口,计算该区域在采样角度上的正交投影。
ηu(i)=-x(i)*(sinu)+y(i)*(cosu)
式中,u为投影角度,x(i),y(i)为窗口坐标,对每一角度投影得到的弯曲系数ηd。
计算指示PET图像中该区域在每一点的变化方向的梯度向量场。对ηd进行小波变换,得到其变换系数称为{εk},预先确定阈值T,并对εk进行阈值化处理:
εk’(x)=0 |x|≤T
εk’(x)=εk(x) |x|>T
阈值化处理之后,对其进行小波逆变换,从而获得ηd的逼近信号Rd,对于所有的投影角度u,能够使ηd与Rd差值最小的角度作为该区域的最佳梯度向量场方向。
u’=argmin||ηd-Rd||2,ζ<H,u∈[0,Φ2]
ζ=min||ηd-Rd||2
H为判别该区域中是否存在梯度向量场的阈值。
为简化算法的计算复杂度,同时减少目标区域的数量,将提升树区域中具有相似梯度向量场特征的相邻区域合并在一起,构造出新的PET脑部分割的目标区域:
1.计算所有分块的最佳梯度向量场方向u’和重构误差ζ;
2.计算宽度为2Φ的区域Ω的最佳梯度向量场方向ud’与重构误差ζ’,而区域Ω四个子区域Ω1-Ω4的重构误差分别为ζ1,ζ2,ζ3,ζ4,如果ζ’=ζ1+ζ2+ζ3+ζ4,则合并Ω1-Ω4
3.重复步骤1和2,直至达到最大分块区域。
最终将存在梯度向量场的区域作为PET脑部图像的目标区域,并对其进行进一步处理。
利用以下过程完成PET结节图像分割:每一个目标区域被分割为两部分,即结节部分和背景部分,且分割后结节部分为连通区域;
利用熵值来表示灰度值的丰富程度,熵值定义为
式中,W为目标区域中包含的灰度级数量,Pi为灰度级i的像素在PET子图像中的出现概率。
Gx(x,y)=2f(x+2,y)+f(x+l,y)-f(x-1,y)-2f(x-2,y)
Gy(x,y)=2f(x,y+2)+f(x,y+1)-f(x,y-1)-2f(x,y-2)
D为分割后的区域,ND为区域中进行梯度计算的像素数;f为PET脑部图像相应位置的像素值。
计算PET图像分割后的结节区域:
DF=argmin[weight1WD1+(l-weightl)WTF-D1+weight2GD1+(1-weight2)GTF-D2]
完成该区域的脑部信息分割后,融合所有目标区域的分割结果,实现对PET脑部图像的分割处理。
式中,TF表示整个脑部图像,weight1和weight2分别为上述函数U与GD在分割算法中的权重值。
其中,通过分析PET图像序列以识别以下多个图像,包括基本图像、峰值灰度增强图像、初始拍摄图像和延迟响应图像。其中,基本图像为没有对比信息的PET图像序列。例如,基本图像可被识别为序列的第一图像和与最低相对亮度值相关联的图像。峰值灰度增强图像PET图像序列的峰值灰度增强。峰值灰度增强图像被识别为例如具有最高相对亮度值的图像,或所生成图形的峰值。初始拍摄图像PET图像序列中最初可检测到的灰度。根据排除由于噪声或伪像引起的亮度变化的阈值,将初始拍摄图像识别为亮度值高于基础图像的亮度的图像。延迟响应图像PET图像序列的图像的结尾部分。延迟响应图像可作为序列中经过一定时间的最后一个图像。
训练的循环神经网络(RNN)接收多通道图像作为输入,并计算表示病变的分类的输出。例如,输出可能包括以下分类之一:恶性病变、良性病变和正常组织。
可选地,PET图像序列作为二维切片从三维图像数据中提取。深度RNN分析每个二维切片序列。或PET图像序列包括3D图像。然后还可为多个图像计算面片区别度显著性直方图。根据图像的每个面片和沿图像面片的主要分量的平均面片之间的LP距离来计算面片区别度显著性直方图。面片区别度显著性直方图被表示为多通道图像的附加通道。分析面片区别度显著性直方图以识别包括相对较高密度的显著性值的候选区域。将候选区域进行裁剪并馈送到深度RNN,用于计算每个候选区域的病变。候选区域可以从亮度通道、灰度更新通道和灰度清除通道的输入中裁剪得到,以创建每个候选区域的多通道表示。深度RNN可以输出二进制检测图,其包括用表示肿瘤的分类分类的候选区域。被分类为病变表示的候选区域代表病变的位置。将面片区别度显著性直方图计算的二进制检测图通过“或”运算进行组合。将二进制检测图相加在一起,以生成表示候选区域的空间密度的投影热力图,通过投影热力图表示检测到的病变的位置。
其中对于所述平均面片,可以根据LP距离以及沿特定图像的图像面片的主分量来计算。
对于点(x,y)周围的某个向量化面片px,y,面片的区别度在公式中表示为:
PD(px,y)=∑k=1 n|px,yωk T|
其中:
PD表示面片的区别度,n为分量的数量;
px,y表示点(x,y)周围的向量化面片,
ωk T表示整个图像面片分布的第k个主分量。
可选地为序列的每个图像,计算面片区别度显著性直方图。然后将面片区别度显著性直方图进行求和,以创建表示显著程度的热力图。
面片区别度显著性热力图可作为多通道表示的附加通道,作为输入馈送到深度RNN。面片区别度显著性热力图表示检测到的病变的位置,例如,与病变或肿瘤的多通道图像相关联的热力图的峰值亮度点可以表示病变或肿瘤的位置。
在另一实施例中,计算横向显著性直方图。对于脑部的每个面片,横向显著性包括脑部对称部位中相应的最邻接面片。横向显著性直方图存储表示每个面片的横向显著性值。横向显著性直方图通过PET图像序列的某个图像的脑部的某个面片和同一图像的脑部对称部位的相应面片之间的LP距离来计算,还可通过根据左右脑的面片之间的流场计算对侧面片流来计算。流场为脑部的每个贴片识别脑部对称部位中相应的最邻接贴片。
考虑各个像素周围的k×k面片来计算每个像素的密集流场。对于表示为(x,y)的每个像素位置,分配一个随机位移向量(表示为T)。随机位移向量标记脑部对称部位中相应面片的位置。根据计算的距离(例如LP距离)。位移向量T的质量可以根据以下数学关系来计算:
其中:
k表示各个像素周围的面片的尺寸,px,y表示坐标(x,y)处的相应像素,T表示位移向量,I表示面片,d表示质量度量。
根据脑部对称部位的相邻面片的位移向量,调整脑部的某个面片的位移。位移的调整通过同一图像中相邻面片的位移向量生成。在图像进行位移调整之后,迭代执行多次随机位移向量的分配和位移调整步骤,并根据LP距离确定脑部对称部位最佳对应面片的位置。
根据最邻接面片的误差来估计每个面片的横向显著性直方图的横向显著值。最邻接误差(表示为NHE)可以基于以下数学关系来计算:
NHE(px,y)=minTD(px,y,px+Tx,y+Ty)
px,y表示坐标(x,y)处的相应像素,t表示位移向量,d表示质量度量。NHE表示最邻接误差度量。
可选地,为序列的每个图像计算横向显著性直方图。横向显著性直方图可以被求和,以创建具有表示显著程度的值的热力图。横向显著性热力图作为多通道表示的附加通道,作为输入馈送到深度RNN。横向显著性热力图可以表示检测到的病变的位置,例如,与病变或肿瘤的表示的多通道图像相关联的热力图的峰值亮度点可以表示病变或肿瘤的位置。
分析多个图像的面片区别度显著性直方图,或多个图像的横向显著性直方图,以识别包括相对较高密度的显著性值的候选区域。所述候选区域通过包围盒确定其范围。包围盒保证整个病变包括在所裁剪的图像中。提取的病变图像可以根据深度RNN的输入来调整大小。对于由(wi,hj)表示的给定范围的窗口大小和一组阈值{t1,t2,...tn},在每个像素(x,y)及其周围的wi×hj大小的区域sx,y中,评估以下分值:
其中,count(x,y)表示为(x,y)像素计算的分值,从为每个像素计算的一组分值生成分值图像。将非最大抑制应用于分值图像,以获得局部最大值的位置。
可选地,从图像中裁剪候选区域。每个裁剪后的候选区域都会根据深度RNN的输入调整大小。深度RNN计算表示每个候选区域的病变的分类。如上所述,裁剪后的候选区域可作为馈送到多通道图像的相应通道的面片区别度显著性直方图或横向显著性直方图。
当候选区域被裁剪后,多通道图像的每个通道包括对应于候选区域的区域。多通道图像至少包括以下三个通道:
亮度通道,包括峰值灰度增强图像。
灰度更新通道,包括峰值灰度增强图像和基础图像之间的运算差值。
灰度清除通道,包括初始拍摄图像和延迟响应图像之间的运算差值。
所述多通道图像中的通道是根据一系列轴向PET成像图像计算的。
多通道图像可以包括以下通道:
面片区别度显著性通道,其包括面片区别度显著性直方图,例如面片显著性热力图,或候选区域。
横向显著性通道,包括横向显著性直方图,横向显著性热力图或候选区域。
所述多通道图像作为输入被提供给训练的深度RNN,用于计算表示病变的多个分类。可选地,训练的深度RNN包括三个连续面片中的9个卷积层。第一模块可包括两个4×4×32的具有ReLU层的过滤器,以及最大池化层。第二模块可包括四个4×4×32过滤器。第三模块可包括大小为4×4×72、6×6×72和3×3×72的三个卷积层,其中三个卷积层的每一个后面都有一个ReLU。经过训练的深度RNN可包括具有个神经元的全连接层和一个softmax损失层。
深度RNN输出包括候选区域的二进制检测图,该候选区域利用表示每个候选区域的病变的分类来计算。为PET图像序列的每个图像生成的二进制检测图的值沿纵轴相加,以生成表示候选区域的空间密度的投影热力图。
PET图像序列以3D图像数据的形式获取。从每个序列获取一组2D图像切片。对序列或识别用于计算多通道图像的通道的图像进行预处理,然后计算面片区别度显著性直方图或横向显著性直方图,分析面片区别度显著性直方图或横向显著性直方图以识别候选区域,深度RNN对多通道图像进行分类,基于分类结果提供输出。
根据本发明的一个实施例,从PET图像序列计算的多通道图像,训练深度RNN以检测病变的表示的方法包括:
接收患者的训练图像。训练图像可以例如作为训练图像存储在PET图像库中,或由病历服务器存储。每组训练图像包括PET图像序列。
预处理训练图像,例如通过移动感兴趣的区域、添加多个旋转或多个翻转变量。
手动绘制包括病变的每个序列的图像子集,以定义病变的边界。训练图像可以与手动绘制一起存储在电子病历中。可选地,手动或自动注释多个没有损伤的图像以包括正常组织。每个注释的病变与指示符相关联。该指示符根据绘制的颜色或其他表示被存储为标签、元数据、电子病历中的字段值。脑部对称部位中没有损伤或注释区域的图像可以与指示符相关联,例如正常面片。
为每个序列的多个图像计算面片区别度显著性直方图,为每个序列的多个图像计算横向显著性直方图,为每个序列创建多通道图像,根据多通道图像和相关标签,训练深度RNN。其中,根据随机梯度下降来训练深度RNN。
最后,提供深度RNN用于PET图像的目标序列的分类。
综上所述,本发明提出了一种基于人工智能的脑部PET影像识别方法,通过自动学习提取特征信息,有助于总结脑结节影像学特征的规律,达到较高的检测率,分割得到更精确的三维模型,帮助脑结节病变识别和医生的精确诊断。
显然,本领域的技术人员应该理解,上述的本发明的各模块或各步骤可以用通用的计算***来实现,它们可以集中在单个的计算***上,或者分布在多个计算***所组成的网络上,可选地,它们可以用计算***可执行的程序代码来实现,从而,可以将它们存储在存储***中由计算***来执行。这样,本发明不限制于任何特定的硬件和软件结合。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (1)
1.一种基于人工智能的脑部PET影像识别方法,其特征在于,包括:
接收目标患者的脑部的PET图像序列;
从所述PET图像序列中识别多个图像,所述多个图像包括基础图像、峰值灰度增强图像、初始拍摄图像和延迟响应图像;所述基础图像表示无灰度的PET图像序列,所述峰值灰度增强图像表示具有最高相对亮度值的图像,所述初始拍摄图像表示所述PET图像序列中最初检测到的灰度图像,所述延迟响应图像表示所述PET图像序列中结尾部分,即经过预定义时间的最后一个图像;
创建PET图像序列的多通道图像,所述多通道图像包括亮度通道、灰度更新通道和灰度清除通道,其中所述亮度通道包括所述峰值灰度增强图像,所述灰度更新通道为所述峰值灰度增强图像和基础图像之间的运算差值,所述灰度清除通道为所述初始拍摄图像和所述延迟响应图像之间的运算差值;
将根据像素周围的区域内高于阈值的显著值分配给每个像素的分值来计算分值图像,并且对分值图像应用非最大抑制以获得包括表示局部最大值位置的候选区域的二进制检测掩模;
该方法还包括:从所述分值图像中裁剪所述候选区域,并且根据深度RNN的输入来调整每个裁剪的候选区域的大小,其中所述深度RNN计算表示每个候选区域的病变的分类;
对去噪后的PET脑部图像进行小波变换,获得PET图像中的高频信息;通过提升树分解将PET脑部图像分成多个区域,对每一局部区域分别进行处理;若每个局部区域大小为Φ×Φ,将可采样角度设为Φ2-1个,即投影角度为uπ/Φ2-1,其中u取1,2,…,L2-1;
构造与所述局部区域同样大小的Φ×Φ窗口,计算该局部区域在采样角度上的正交投影ηu(i):
ηu(i)=- x(i) * (sinu) +y(i) * (cosu)
u为投影角度,x(i),y(i)为窗口坐标,对每一角度投影得到的弯曲系数ηd;
计算指示PET图像中该局部区域在每一点的变化方向的梯度向量场;对ηd进行小波变换,得到其变换系数{εk},预先确定阈值T,并对εk进行阈值化处理:
εk ’(x)=0 |x|≤T
εk ’(x)= εk(x) |x|>T
阈值化处理之后进行小波逆变换,从而获得ηd的逼近信号Rd,对于所有的投影角度u,能够使ηd与Rd差值最小的角度作为该局部区域的最佳梯度向量场方向;
u’=argmin||ηd-Rd||2,ζ<H,u∈[0,Φ2];
ζ=min||ηd-Rd||2;
H为判别该局部区域中是否存在梯度向量场的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111065379.0A CN113780421B (zh) | 2021-06-07 | 2021-06-07 | 基于人工智能的脑部pet影像识别方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111065379.0A CN113780421B (zh) | 2021-06-07 | 2021-06-07 | 基于人工智能的脑部pet影像识别方法 |
CN202110630596.3A CN113077021A (zh) | 2021-06-07 | 2021-06-07 | 基于机器学习的电子病历多维挖掘方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110630596.3A Division CN113077021A (zh) | 2021-06-07 | 2021-06-07 | 基于机器学习的电子病历多维挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780421A CN113780421A (zh) | 2021-12-10 |
CN113780421B true CN113780421B (zh) | 2022-06-07 |
Family
ID=76617154
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111065379.0A Active CN113780421B (zh) | 2021-06-07 | 2021-06-07 | 基于人工智能的脑部pet影像识别方法 |
CN202110630596.3A Pending CN113077021A (zh) | 2021-06-07 | 2021-06-07 | 基于机器学习的电子病历多维挖掘方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110630596.3A Pending CN113077021A (zh) | 2021-06-07 | 2021-06-07 | 基于机器学习的电子病历多维挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113780421B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114334130B (zh) * | 2021-12-25 | 2023-08-22 | 浙江大学 | 一种基于脑对称性的pet分子影像计算机辅助诊断*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506761A (zh) * | 2017-08-30 | 2017-12-22 | 山东大学 | 基于显著性学习卷积神经网络的脑部图像分割方法及*** |
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
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 |
CN110580693A (zh) * | 2018-06-07 | 2019-12-17 | 湖南爱威医疗科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
WO2020034469A1 (en) * | 2018-08-13 | 2020-02-20 | Beijing Ande Yizhi Technology Co., Ltd. | Method and apparatus for classifying a brain anomaly based on a 3d mri image |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7317821B2 (en) * | 2004-11-22 | 2008-01-08 | Carestream Health, Inc. | Automatic abnormal tissue detection in MRI images |
US20070279716A1 (en) * | 2006-06-02 | 2007-12-06 | Chunghwa Picture Tubes, Ltd | Process method of image data for liquid crystal display |
CN106778506A (zh) * | 2016-11-24 | 2017-05-31 | 重庆邮电大学 | 一种融合深度图像和多通道特征的表情识别方法 |
WO2019010470A1 (en) * | 2017-07-07 | 2019-01-10 | University Of Louisville Research Foundation, Inc. | SEGMENTATION OF MEDICAL IMAGES |
WO2019041262A1 (en) * | 2017-08-31 | 2019-03-07 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE SEGMENTATION |
CN108428225A (zh) * | 2018-01-30 | 2018-08-21 | 李家菊 | 基于多尺度多特征的影像科用脑部图像融合识别方法 |
CN108234884B (zh) * | 2018-02-12 | 2019-12-10 | 西安电子科技大学 | 一种基于视觉显著性的相机自动对焦方法 |
CN111227821B (zh) * | 2018-11-28 | 2022-02-11 | 苏州润迈德医疗科技有限公司 | 基于心肌血流量和ct图像的微循环阻力指数计算方法 |
CN111079596A (zh) * | 2019-12-05 | 2020-04-28 | 国家海洋环境监测中心 | 高分辨率遥感影像的海上典型人造目标识别***及方法 |
CN111489330B (zh) * | 2020-03-24 | 2021-06-22 | 中国科学院大学 | 基于多源信息融合的弱小目标检测方法 |
CN112434172A (zh) * | 2020-10-29 | 2021-03-02 | 西安交通大学 | 一种病理图像预后特征权重计算方法及*** |
-
2021
- 2021-06-07 CN CN202111065379.0A patent/CN113780421B/zh active Active
- 2021-06-07 CN CN202110630596.3A patent/CN113077021A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506761A (zh) * | 2017-08-30 | 2017-12-22 | 山东大学 | 基于显著性学习卷积神经网络的脑部图像分割方法及*** |
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
CN110580693A (zh) * | 2018-06-07 | 2019-12-17 | 湖南爱威医疗科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
WO2020034469A1 (en) * | 2018-08-13 | 2020-02-20 | Beijing Ande Yizhi Technology Co., Ltd. | Method and apparatus for classifying a brain anomaly based on a 3d mri image |
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 |
Non-Patent Citations (2)
Title |
---|
Clinical Assessment Of MR-Assisted PET Image Reconstruction Algorithms for Low-Dose Brain PET Imaging;Abolfazl Mehranian et al;《2019 IEEE Nuclear Science Symposium and Medical Imaging Conference (NSS/MIC)》;20200409;1-3 * |
基于卷积神经网络的PET_CT多模态图像识别研究;王媛媛等;《视频应用与工程》;20170308;第41卷(第3期);88-94 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780421A (zh) | 2021-12-10 |
CN113077021A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461495B (zh) | 一种医学图像的识别方法、模型训练的方法及服务器 | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
CN113034426B (zh) | 超声图像病灶描述方法、装置、计算机设备和存储介质 | |
US9092691B1 (en) | System for computing quantitative biomarkers of texture features in tomographic images | |
US11562491B2 (en) | Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network | |
JP4999163B2 (ja) | 画像処理方法および装置ならびにプログラム | |
CN109635846B (zh) | 一种多类医学图像判断方法和*** | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
US7480401B2 (en) | Method for local surface smoothing with application to chest wall nodule segmentation in lung CT data | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN110766659A (zh) | 医学图像识别方法、装置、设备和介质 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、***、装置 | |
CN116229189B (zh) | 基于荧光内窥镜的图像处理方法、装置、设备及存储介质 | |
Liu et al. | Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement | |
Lee et al. | Hybrid airway segmentation using multi-scale tubular structure filters and texture analysis on 3D chest CT scans | |
CN113780421B (zh) | 基于人工智能的脑部pet影像识别方法 | |
Afshar et al. | Lung tumor area recognition in CT images based on Gustafson-Kessel clustering | |
Abdellatif et al. | K2. Automatic pectoral muscle boundary detection in mammograms using eigenvectors segmentation | |
Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours | |
CN110599518B (zh) | 一种基于视觉显著度的超像素分割与条件数分块的目标跟踪方法 | |
CN110136100B (zh) | Ct切片图像的自动分类方法和装置 | |
Liu et al. | Automatic Lung Parenchyma Segmentation of CT Images Based on Matrix Grey Incidence. | |
CN117274216B (zh) | 基于水平集分割的超声下颈动脉斑块检测方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Brain PET Image Recognition Method Based on Artificial Intelligence Effective date of registration: 20230407 Granted publication date: 20220607 Pledgee: Bank of China Limited by Share Ltd. Guangzhou Haizhu branch Pledgor: GUANGZHOU TIANPENG COMPUTER TECHNOLOGY CO.,LTD. Registration number: Y2023980037535 |