CN114565572A - 一种基于图像序列分析的脑出血ct图像分类方法 - Google Patents
一种基于图像序列分析的脑出血ct图像分类方法 Download PDFInfo
- Publication number
- CN114565572A CN114565572A CN202210162764.5A CN202210162764A CN114565572A CN 114565572 A CN114565572 A CN 114565572A CN 202210162764 A CN202210162764 A CN 202210162764A CN 114565572 A CN114565572 A CN 114565572A
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- hemorrhage
- cerebral hemorrhage
- model
- 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
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于图像序列分析的脑出血CT图像分类方法。属于医学影像分析技术领域,操作过程包括脑部CT影像数据的获取、数据的图像化处理、模型的构建及分类方法的实现;具体操作步骤是:获取脑部CT扫描结果得到脑部CT影像原始数据;对脑部CT影像原始数据进行图像化处理,形成三通道图像序列作为后续模型的输入;构建包含通道注意力模块和空间注意力模块的模型,以提取三通道图像序列的特征;训练模型优化参数,识别脑出血阳性并区分脑出血亚型,实现对脑出血CT图像的分类本模型能够充分利用CT扫描影像信息,并提高对图像序列中重点信息的关注,整体方法的判断流程符合医生在现实场景的诊断流程,有助于提升脑出血分类效果。
Description
技术领域
本发明属于医学影像分析技术领域,涉及一种基于图像序列分析的脑出血 CT图像分类方法。
背景技术
随着计算机相关技术的不断发展,人工智能方法越来越多地应用在各个领域,而基于机器学***扫方式;脑出血的发生往往比较突然,对患者自身造成较为强烈的影像,其本身也具有较高的致死率,快速的诊断具有很大的意义;同时,需要被检查的脑CT影像是大量的,因此在整个重要并且重复的工作中,要求负责阅片的放射科医生具有相当程度的专业知识、丰富的经验,以及一定的识别速度和工作效率;人工智能技术正在逐渐在CT影像的智能识别和脑出血疾病的快速诊断中发挥作用,其中许多技术具有较好的性能、较高的准确率和较快的诊断速度,并有希望在实际应用中对医生的诊疗工作进行辅助,达到对脑出血进行快速筛检从而尽快开始对症治疗的目的。
目前,基于脑CT影像进行脑出血诊断的相关工作主要可以分为两类:1)、针对患者脑出血区域的细节和形态进行识别和分割,2)、为待诊断对象进行脑出血的筛查和亚型分析,主要通过相关分类方法判断影像结果中是否出现脑出血,按所发生出血的状态和特征判断具体出血类型;在人工智能技术下的脑出血识别和分割工作中,模型的训练和验证一般需要图像级别甚至像素级别的标记,这往往是较难获得的,一方面由于工作量较大;另一方面,其本身步骤较为繁琐和严格,需要具有一定经验的医生来完成标记任务,这会耗费它们大量的时间和精力;同时,脑出血识别和分割模型的使用,能够使医生快速获得出血位置信息,但判断出血类别时显得不够直观,因此往往需要专门对出血情况和出血类别进行直接诊断的模型;基于这个目的,相比之下分类模型更能够满足这方面需求;在实现对脑出血分类任务中,任务具体目的分为有无出血二分类和出血亚型多分类,进一步地,在标签设置上,部分工作为单个扫描对象的各扫描层影像做标记,一部分工作则是为一个扫描对象赋予一个标记,因此在将扫描影像转换为适应于人工智能技术的图像表示后,前者利用单张图像进行模型的训练,并为独立图像生成诊断结果;后者考虑整个扫描的多个扫描面,利用图像序列来训练模型能够针对整个扫描得到诊断,其通过融合序列中的图像特征,避免丢弃一个扫描样本中的上下文图像信息,同时更符合临床上专家的诊断方式;除此之外,将CT扫描医学影像的DICOM标准格式向普通图像表示转化时,目前多数方法固定一个特定的显示整个脑部状态的窗位窗宽,并且这个单一的固定值没有确定的标准,同时也失去了一些其他窗口中的信息;一些方法通过设定多个窗口得到此时的图像显示,并在模型中进行特征的融合,但实际上窗口的重要程度是不同的,需要予以不同程度的关注;综上,为了提高临床诊断效率,减轻医生工作负担,希望通过人工智能辅助诊断方法为脑出血的诊断提供直接地帮助,利用更全面更合适的扫描层内信息和层间信息,提出一种基于图像序列分析的脑出血CT图像分类方法。
发明内容
发明目的:本发明的目的是根据现有的基于脑CT影像的脑出血诊断相关工作中存在一些问题,包括:识别和分割任务中的精细化标记获取复杂,针对单个扫描层的诊断方法忽略了整个样本扫描序列中包含的上下文关系,在DICOM数据的图像化显示过程中窗位窗宽的设定容易丢失信息,模型方法中缺少对重要特征的特殊关注等;提供了一种基于图像序列分析的脑出血CT图像分类方法,通过人工智能辅助临床诊断脑出血疾病具有其意义;具体的是,本发明对上述问题进行一定的解决;其中,通过多窗口和关注整体扫描层序列的方式提高影像信息的利用程度,引入了通道注意力和空间注意力机制卷积长短时记忆(Convolutional long short term memory,CLSTM)网络对多通道图像序列中的特征进行提取和区别关注,基于从扫描样本中提取的合理全局特征表示,训练一个端到端的脑出血分类模型,智能诊断脑出血发生情况并分辨脑出血亚型,从而为临床上脑出血疾病的筛检提供帮助。
技术方案:本发明所述的一种基于图像序列分析的脑出血CT图像分类方法,,首先对脑出血CT图像进行分类;其具体的是:
从脑部CT扫描中确定脑出血有无发生,即判断脑部CT扫描结果是否为脑出血阳性或脑出血阴性;针对脑出血阳性样本,识别脑出血亚型,即判断脑部 CT扫描结果中显示的脑出血是否为脑室内出血、脑实质性出血、蛛网膜下腔出血、硬膜外出血或硬膜下出血。
进一步的,一种基于图像序列分析的脑出血CT图像分类方法,其操作过程包括脑部CT影像数据的获取、数据的图像化处理、模型的构建及分类方法的实现;
具体的:获取脑部CT扫描结果得到脑部CT影像原始数据;对脑部CT影像原始数据进行图像化处理,形成三通道图像序列作为后续模型的输入;构建包含通道注意力模块和空间注意力模块的模型,以提取三通道图像序列的特征;训练模型优化参数,识别脑出血阳性并区分脑出血亚型,实现对脑出血CT图像的分类。
进一步的,其操作步骤具体如下:
(1)、脑部CT影像数据的处理:
(1.1)、获取脑部CT扫描结果,将获取的脑部CT扫描结果以DICOM医学图像格式的标准方式进行储存,并将储存的脑部CT扫描结果作为脑部CT影像原始数据;
(1.2)、对储存的脑部CT影像原始数据中各样本的粗粒度类别标签进行确定,
依据影像中是否显示出代表脑出血发生的高密度影,将脑部CT影像原始数据标记为脑出血阳性和脑出血阴性,即ICH阳性和ICH阴性;
(1.3)、对标记的ICH阳性的脑部CT影像原始数据进行各样本的细粒度类别标签的确定;
(1.4)、对所有DICOM格式的脑CT影像原始数据进行图像化处理,将脑 CT影像原始数据中的各样本提取为三通道图像序列;
(2)、模型的构建:
(2.1)、利用通道注意力模块,对三通道图像序列中提取的特征赋予权重,再对赋予了权重的特征进行融合;
(2.2)、利用带有空间注意力模块的CLSTM网络,为融合后的特征生成空间区域注意力,提取三通道图像序列的时空特征并进行分类;
(3)、分类方法的实现:
以图像化处理后得到的三通道图像序列作为所构建模型的输入,再利用确定的粗粒度和细粒度类别标签训练模型中的参数,以得到最终用于脑出血CT图像分类的模型。
进一步的,在步骤(1.3)中,所述对ICH阳性数据进行各样本的细粒度类别标签的确定具体是:依据影像中所示高密度影的位置形态等特征,将ICH阳性的脑部CT影像原始数据标记为脑出血的五种亚型包括:脑室内出血、脑实质性出血、蛛网膜下腔出血、硬膜外出血和硬膜下出血,即IVH类、IPH类、SAH 类、EDH类和SDH类。
进一步的,在步骤(1.4)中,所述对所有DICOM格式的脑CT影像原始数据进行图像化处理具体是:设定不同的窗位和窗宽,分别选取全脑窗、血液窗和头骨窗,将相应HU值范围内信息转化为普通图像表示,从而脑部CT影像原始数据中的各样本提取为三通道图像序列,其中,处理后得到的通道为图像PNG 格式,序列长度为样本脑出CT影像原始数据中的断层扫描层数。
有益效果:本发明与现有技术相比,本发明的特点是:本发明所述方法对 CT影像信息进行拆分并区分关注,通过获得通道重点信息、空间重点信息以及时间轴上下文信息的高级特征表示提高模型的诊断能力。整体上综合模拟医生查看影像结果时的方式,对重点CT窗口通道和图像中的重点区域进行更多考虑的同时,对各个扫描层进行综合关注,捕捉医学影像数据中蕴含的空间维度信息和时间轴上各扫描的上下文关系,最终获得合理的诊断结果。在实际应用中,划分出训练集后,依据标签信息,针对有无出血发生和出血是否能够被诊断为五种亚型分别训练得到相应的模型,模型将被用于各自的诊断任务中。具体针对待诊断样本,先利用有无出血的粗粒度诊断模型得到影像中是否存在脑出血情况的结果,若存在,则分别利用五个细粒度模型进行脑出血亚型的细分诊断,综合各模型的输出结果,得到最终的针对脑出血疾病的脑CT影像分类结果。
附图说明
图1是本发明的操作流程图;
图2是本发明中脑部CT影像数据图像化处理的操作示意图;
图3是本发明模型构建中利用通道注意力模块提取三通道图像序列特征的操作示意图;
图4是本发明模型构建中利用空间注意力模块提取特征完成分类的操作示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步的说明。
如图所示,本发明所述的一种基于图像序列分析的脑出血CT图像分类方法,,首先对脑出血CT图像进行分类;其具体的是:
从脑部CT扫描中确定脑出血有无发生,即判断脑部CT扫描结果是否为脑出血阳性或脑出血阴性;针对脑出血阳性样本,识别脑出血亚型,即判断脑部 CT扫描结果中显示的脑出血是否为脑室内出血、脑实质性出血、蛛网膜下腔出血、硬膜外出血或硬膜下出血。
进一步的,一种基于图像序列分析的脑出血CT图像分类方法,其操作过程包括脑部CT影像数据的获取、数据的图像化处理、模型的构建及分类方法的实现;
具体的:获取脑部CT扫描结果得到脑部CT影像原始数据;对脑部CT影像原始数据进行图像化处理,形成三通道图像序列作为后续模型的输入;构建包含通道注意力模块和空间注意力模块的模型,以提取三通道图像序列的特征;训练模型优化参数,识别脑出血阳性并区分脑出血亚型,实现对脑出血CT图像的分类。
具体的,在脑部CT影像数据处理部分中,将获取到的脑部CT扫描存储为基于DICOM医学图像格式标准的脑CT成像数据,为每名对象样本确定类别标签;按粗粒度类别,依据脑CT图像数据中是否能够观察到脑出血的发生分为脑出血阳性和脑出血阴性,即ICH(Intracerebral hemorrhage)阳性和ICH阴性;
而脑出血包含五种具体亚型:脑室内出血、脑实质性出血、蛛网膜下腔出血、硬膜外出血和硬膜下出血;
按照细粒度出血亚型,将ICH阳性的样本分别标记为IVH(Intraventricularhemorrhage)类、IPH(Intraparenchymal hemorrhage)类、SAH(Subarachnoid hemorrhage)类、EDH(Epidural hematoma)类和SDH(Subdural hematoma)类;
然后,为了使数据能够被模型方法识别,根据临床阅片方式,对DICOM格式的脑CT医学成像数据进行图像化处理;
在医学领域中,由于不同组织的密度不同导致其对X射线的吸收程度不同,利用亨氏单位(Hounsfield unit,HU)对此程度进行衡量,设定一对窗位(Window level,WL)和窗宽(Window Width,WW),则定义了一个窗口,窗口下界Wmin和上界Wmax分别为:
HU值高出此范围的组织和病变在灰度图像中将会以白影的形式出现,而低于此范围的部分则会表现为黑影;在此窗口范围内的HU值(HU value)则会对应到0到255范围的灰度值(Gray level),越靠近255表现得越亮,对应方式为:
其中,I为指示函数;
通过这种方式,范围内的组织结构则会通过不同的灰度被区分出来,可以获得该窗口对应的灰度图像;分别选取全脑窗(WL=50,WW=100)、血肿窗(WL=70, WW=50)和头骨窗(WL=500,WW=3000),将相应HU值范围内信息转化为普通图像表示,如图2所示,形成针对单个样本数据的三通道医学图像,其中图像序列的长度Li等于对象的CT扫描样本中包含的断层扫描层数;
另一方面,样本可能存在断层扫描之间距离不同的情况,为了尽量保证模型的诊断任务不受干扰,采用重采样技术,将z轴上的间距进行固定,将所有数据采样为一致的标准间隔;对于采样好的不等长图像序列,由于网络的框架是固定的,需要对序列进行定长裁剪,即同时在序列的三个通道上随机截取n个长度为 L的窗口,在每个样本上得到n个L长子序列,子序列的标签与源序列一致,最终从所有诊断对象中得到N个长度L三通道图像序列样本用于训练通道和空间双重注意力CLSTM网络模型;
在模型的构建中,模型主体部分的组成主要包括:1)、利用通道注意力模块,为从处理后三通道图像序列中提取特征赋予相应的权重,基于不同的关注度对特征进行融合,其具体结构如图3所示;
2)、利用带有空间注意力模块的CLSTM网络,为前述融合后的特征图生成空间区域注意力,提取序列的时空特征进行分类,其具体结构如图4所示;
式中,n∈{1,2,…,N};将定长子序列作为模型的图像序列输入,每个子序列的长度为L,记为{Xn:Xn,1,Xn,2,…,Xn,L,n=1,2,…,N},其中子序列的每个图像由在全脑窗、血肿窗和头骨窗下得到的三个通道图像组成,
然后,利用通道注意力为单个扫描面的特征图赋予通道维度上的权重具体的实现模块包括并列的全局最大池化(Global max pooling,GMP)和全局平均池化(Global averagepooling,GAP)、多层感知机(Multi-layer perceptron,MLP) 以及一个sigmoid激活函数;输入的特征图通过GMP和GAP后在空间维度上分别被压缩为两个一维向量,两个向量输入利用Relu激活的多层感知机,将得到的结果进行融合;
最终,通过sigmoid激活后获得通道权重向量,其向量长度等于输入通道数,整个过程表示为:
CWn,t=CAtt(fn,t)
=Sigmoid(MLP(GMP(fn,t))+MLP(GAP(fn,t)))
每个通道的注意力权重被叠加到各自的特征上,并将得到的带权特征图逐像素叠加,获得融合三个通道的当前扫描面特征表示:
将由L个Fn,t组成的特征图像序列输入到能够捕捉时空特征的CLSTM网络中;网络中包含了一个带有空间注意力的CLSTM层、一个普通CLSTM层、一个全局平均池化层、一个全连接(Fully connected,FC)层和一个sigmoid激活函数;
其中,表示相应门的卷积操作中要训练的权重参数,b*表示门内的偏置;融合了空间注意力机制的CLSTM层,基于时间步上的初始输入Fn,t和通过一般 CLSTM层后得到的当前步隐藏状态获得空间上的权重;将Fn,t和通过拼接串联的方式合并为一个二通道的特征,利用一个具有大小为1×1×2、步长为1 的卷积核的隐藏层对其进行卷积操作,经过sigmoid激活后得到特征图对应的空间注意力权重SWn,t,计算过程表示为:
式中,表示两个特征在维度上的拼接,和b为卷积中需要训练的参数,得到的注意力权重SWn,t与Fn,t具有相同的大小,将SWn,t和Fn,t以哈达玛积进行叠加,即得到具有空间区别关注的特征输入到下一层的一般CLSTM层中计算得到隐藏状态
按时间步依次输入序列中的包含通道注意力的二维特征图,通过模型建模注意力权重和时空特征,得到最后一个时间步Fn,L的隐藏状态其中包含了图像序列的整体信息;因此作为整个CT扫描序列中提取到的高级信息,对进行GAP操作,然后结果输入到FC层,经过sigmoid激活函数得到各序列的分类结果,表示为属于类的概率。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (5)
1.一种基于图像序列分析的脑出血CT图像分类方法,其特征在于,首先对脑出血CT图像进行分类;其具体的是:
从脑部CT扫描中确定脑出血有无发生,即判断脑部CT扫描结果是否为脑出血阳性或脑出血阴性;针对脑出血阳性样本,识别脑出血亚型,即判断脑部CT扫描结果中显示的脑出血是否为脑室内出血、脑实质性出血、蛛网膜下腔出血、硬膜外出血或硬膜下出血。
2.根据权利要求1所述的一种基于图像序列分析的脑出血CT图像分类方法,其特征在于,其操作过程包括脑部CT影像数据的获取、数据的图像化处理、模型的构建及分类方法的实现;
具体的:获取脑部CT扫描结果得到脑部CT影像原始数据;对脑部CT影像原始数据进行图像化处理,形成三通道图像序列作为后续模型的输入;构建包含通道注意力模块和空间注意力模块的模型,以提取三通道图像序列的特征;训练模型优化参数,识别脑出血阳性并区分脑出血亚型,实现对脑出血CT图像的分类。
3.根据权利要求2所述的一种基于图像序列分析的脑出血CT图像分类方法,其特征在于,
其操作步骤具体如下:
(1)、脑部CT影像数据的处理:
(1.1)、获取脑部CT扫描结果,将获取的脑部CT扫描结果以DICOM医学图像格式的标准方式进行储存,并将储存的脑部CT扫描结果作为脑部CT影像原始数据;
(1.2)、对储存的脑部CT影像原始数据中各样本的粗粒度类别标签进行确定,
依据影像中是否显示出代表脑出血发生的高密度影,将脑部CT影像原始数据标记为脑出血阳性和脑出血阴性,即ICH阳性和ICH阴性;
(1.3)、对标记的ICH阳性的脑部CT影像原始数据进行各样本的细粒度类别标签的确定;
(1.4)、对所有DICOM格式的脑CT影像原始数据进行图像化处理,将脑CT影像原始数据中的各样本提取为三通道图像序列;
(2)、模型的构建:
(2.1)、利用通道注意力模块,对三通道图像序列中提取的特征赋予权重,再对赋予了权重的特征进行融合;
(2.2)、利用带有空间注意力模块的CLSTM网络,为融合后的特征生成空间区域注意力,提取三通道图像序列的时空特征并进行分类;
(3)、分类方法的实现:
以图像化处理后得到的三通道图像序列作为所构建模型的输入,再利用确定的粗粒度和细粒度类别标签训练模型中的参数,以得到最终用于脑出血CT图像分类的模型。
4.根据权利要求3所述的一种基于图像序列分析的脑出血CT图像分类方法,其特征在于,
在步骤(1.3)中,所述对ICH阳性数据进行各样本的细粒度类别标签的确定具体是:依据影像中所示高密度影的位置形态等特征,将ICH阳性的脑部CT影像原始数据标记为脑出血的五种亚型包括:脑室内出血、脑实质性出血、蛛网膜下腔出血、硬膜外出血和硬膜下出血,即IVH类、IPH类、SAH类、EDH类和SDH类。
5.根据权利要求3所述的一种基于图像序列分析的脑出血CT图像分类方法,其特征在于,
在步骤(1.4)中,所述对所有DICOM格式的脑CT影像原始数据进行图像化处理具体是:设定不同的窗位和窗宽,分别选取全脑窗、血液窗和头骨窗,将相应HU值范围内信息转化为普通图像表示,从而脑部CT影像原始数据中的各样本提取为三通道图像序列,其中,处理后得到的通道为图像PNG格式,序列长度为样本脑出CT影像原始数据中的断层扫描层数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210162764.5A CN114565572A (zh) | 2022-02-22 | 2022-02-22 | 一种基于图像序列分析的脑出血ct图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210162764.5A CN114565572A (zh) | 2022-02-22 | 2022-02-22 | 一种基于图像序列分析的脑出血ct图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565572A true CN114565572A (zh) | 2022-05-31 |
Family
ID=81713448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210162764.5A Pending CN114565572A (zh) | 2022-02-22 | 2022-02-22 | 一种基于图像序列分析的脑出血ct图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565572A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913383A (zh) * | 2022-06-24 | 2022-08-16 | 北京赛迈特锐医疗科技有限公司 | 识别图像序列类型的模型训练方法和配置影像设备的方法 |
CN115439686A (zh) * | 2022-08-30 | 2022-12-06 | 一选(浙江)医疗科技有限公司 | 一种基于扫描影像的关注对象检测方法及*** |
CN116245951A (zh) * | 2023-05-12 | 2023-06-09 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
-
2022
- 2022-02-22 CN CN202210162764.5A patent/CN114565572A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913383A (zh) * | 2022-06-24 | 2022-08-16 | 北京赛迈特锐医疗科技有限公司 | 识别图像序列类型的模型训练方法和配置影像设备的方法 |
CN115439686A (zh) * | 2022-08-30 | 2022-12-06 | 一选(浙江)医疗科技有限公司 | 一种基于扫描影像的关注对象检测方法及*** |
CN115439686B (zh) * | 2022-08-30 | 2024-01-09 | 一选(浙江)医疗科技有限公司 | 一种基于扫描影像的关注对象检测方法及*** |
CN116245951A (zh) * | 2023-05-12 | 2023-06-09 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
CN116245951B (zh) * | 2023-05-12 | 2023-08-29 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | A novel attention-guided convolutional network for the detection of abnormal cervical cells in cervical cancer screening | |
WO2018120942A1 (zh) | 一种多模型融合自动检测医学图像中病变的***及方法 | |
CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
CN114565572A (zh) | 一种基于图像序列分析的脑出血ct图像分类方法 | |
Oghli et al. | Automatic fetal biometry prediction using a novel deep convolutional network architecture | |
CN111179227B (zh) | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断*** | |
CN114332572B (zh) | 基于显著图引导分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数方法 | |
CN114693933A (zh) | 基于生成对抗网络和多尺度特征融合的医学影像分割装置 | |
WO2022110525A1 (zh) | 一种癌变区域综合检测装置及方法 | |
CN111986189A (zh) | 一种基于ct影像的多类别肺炎筛查深度学习装置 | |
Abbasi et al. | Automatic brain ischemic stroke segmentation with deep learning: A review | |
CN117350979A (zh) | 一种基于医疗超声影像的任意病灶分割和追踪*** | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
Kaliyugarasan et al. | Pulmonary nodule classification in lung cancer from 3D thoracic CT scans using fastai and MONAI | |
Wang et al. | Automatic measurement of fetal head circumference using a novel GCN-assisted deep convolutional network | |
CN117422788B (zh) | 一种基于ct脑梗图像生成dwi图像的方法 | |
Wang et al. | Deep learning based fetal middle cerebral artery segmentation in large-scale ultrasound images | |
Asif et al. | StoneNet: an efficient lightweight model based on depthwise separable convolutions for kidney stone detection from CT images | |
CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
CN116934683A (zh) | 人工智能辅助超声诊断脾创伤的方法 | |
Fang et al. | Reliable thyroid carcinoma detection with real-time intelligent analysis of ultrasound images | |
Giv et al. | Lung segmentation using active shape model to detect the disease from chest radiography | |
CN116188424A (zh) | 一种人工智能辅助超声诊断脾肝脏创伤模型建立的方法 |
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 |