CN116664513A - 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 - Google Patents
一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 Download PDFInfo
- Publication number
- CN116664513A CN116664513A CN202310626263.2A CN202310626263A CN116664513A CN 116664513 A CN116664513 A CN 116664513A CN 202310626263 A CN202310626263 A CN 202310626263A CN 116664513 A CN116664513 A CN 116664513A
- Authority
- CN
- China
- Prior art keywords
- image
- aneurysm
- image data
- image block
- processed
- 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 46
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 169
- 206010002329 Aneurysm Diseases 0.000 claims abstract description 150
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 21
- 230000002792 vascular Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 6
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000003556 assay Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000003860 storage Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000002583 angiography Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- BDLWRIAFNYVGTC-UHFFFAOYSA-N 2-[bis(2-chloroethyl)amino]ethyl 3-(acridin-9-ylamino)propanoate Chemical compound C1=CC=C2C(NCCC(=O)OCCN(CCCl)CCCl)=C(C=CC=C3)C3=NC2=C1 BDLWRIAFNYVGTC-UHFFFAOYSA-N 0.000 description 1
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 102000051619 SUMO-1 Human genes 0.000 description 1
- 108700038981 SUMO-1 Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本说明书实施例公开了一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备。所述方法包括:获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据;采用滑动窗口处理,提取所述待处理的影像数据的第一影像块;将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像;以所述血管分割掩膜图像作为采样位置参考数据,将所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,所述血管分割模型与所述动脉瘤分割模型级联;对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果。
Description
技术领域
本说明书涉及人工智能及医学影像领域,尤其涉及一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备。
背景技术
颅内动脉瘤是由于颅内动脉管壁的局部先天缺陷或破坏导致局部内腔异常扩大而形成的瘤样凸起。颅内动脉瘤具有动脉瘤大小不一,从小于5mm的小型动脉瘤,到大于25mm的巨大型动脉瘤;位置不稳定,可能出现在全脑血管的任意位置,且不同位置出现动脉瘤的概率不定;形态各异,具有囊形,梭形,以及带有子囊等形态的动脉瘤,非常不规则,尤其是一些梭形动脉瘤,跟血管比较接近,难以确认,因此,非常容易漏诊。现有技术中,对于颅内动脉瘤的识别,往往采用″人工″方法进行颅内动脉瘤识别,即基于医生的经验,读取患者的医学影像,进而进行动脉瘤的识别,这种人工方法,工作负担繁重,且需要人工进行反应识别,识别时间较长,准确率低。
核磁共振是目前动脉瘤等筛查的常规手段,作为首诊、体检等必要的扫描手段。其中,时间飞跃法磁共振血管造影成像(Time of flight Magnetic resonanceangiography,TOF-MRA)是临床诊疗中用来诊断血管疾病的重要影像检查手段。该技术通过抑制静止的组织的信号,增强流动的血液的信号来产生血管造影效果,具有对比度高,空间分辨率高和覆盖面大等优点。
发明内容
本说明书实施例提供一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备,用于解决以下技术问题:能够快速、准确检测出潜在的颅内动脉瘤,作为颅内动脉瘤快速筛查的辅助手段。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种基于核磁共振影像的颅内动脉瘤的检测方法,包括:
获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据;
采用滑动窗口处理,提取所述待处理的影像数据的第一影像块;
将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像;
以所述血管分割掩膜图像作为采样位置参考数据,将所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,所述血管分割模型与所述动脉瘤分割模型级联;
对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果;
其中,所述待处理的影像数据的第二影像块的获取包括:
基于所述血管分割掩膜图像与所述待处理的影像数据进行点乘计算,获得点乘计算图像;
基于所述待处理的影像数据对应的体数据或者所述点乘计算图像,采用滑动窗口处理获得所述第二影像块。
本说明书实施例提供的一种基于核磁共振影像的颅内动脉瘤的检测装置,包括:
获取模块,获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据;
提取模块,采用滑动窗口处理,提取所述待处理的影像数据的第一影像块;
血管分割模块,将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像;
动脉瘤预测模块,将基于所述血管分割掩膜图像获取的所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,所述血管分割模型与所述动脉瘤分割模型级联;
动脉瘤分割模块,对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果;
其中,所述待处理的影像数据的第二影像块的获取包括:
基于所述血管分割掩膜图像与所述待处理的影像数据进行点乘计算,获得点乘计算图像;
基于所述待处理的影像数据对应的体数据或者所述点乘计算图像,采用滑动窗口处理获得所述第二影像块。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据;
采用滑动窗口处理,提取所述待处理的影像数据的第一影像块;
将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像;
以所述血管分割掩膜图像作为采样位置参考数据,将所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,所述血管分割模型与所述动脉瘤分割模型级联;
对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果;
其中,所述待处理的影像数据的第二影像块的获取包括:
基于所述血管分割掩膜图像与所述待处理的影像数据进行点乘计算,获得点乘计算图像;
基于所述待处理的影像数据对应的体数据或者所述点乘计算图像,采用滑动窗口处理获得所述第二影像块。
本说明书实施例通过获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据;采用滑动窗口处理,提取所述待处理的影像数据的第一影像块;将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像;以所述血管分割掩膜图像作为采样位置参考数据,将所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,所述血管分割模型与所述动脉瘤分割模型级联;对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果,能够基于核磁共振图像,实现颅内动脉瘤的自动分割,且处理速度快,准确率高。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种基于核磁共振影像的颅内动脉瘤的检测方法的框架图;
图2为本说明书实施例提供的一种基于核磁共振影像的颅内动脉瘤的检测方法的示意图;
图3为本说明书实施例提供的一种3D-Unet结构网络的示意图;
图4为本说明书实施例提供的一种基于核磁共振影像的颅内动脉瘤的检测装置的示意图;
图5是本发明的检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
基于全脑3D影像数据的颅内动脉瘤的分割,往往采用采用技术手段,从全脑3D影像,识别颅内动脉瘤,从而实现颅内动脉瘤的分割,这种方法搜索范围较大,处理速度慢,且假阳性率高。另外一种从全脑3D影像数据中分割颅内动脉瘤的方法是将全脑3D影响转换为2D-MIP(最大密度投影图像)进行处理识别,从而实现颅内动脉瘤的分割,这种方法由于遮挡的原因,使得2D-MIP图像不精确,造成小动脉瘤等形态学不明显。基于此,需要一种新的颅内动脉瘤的检测方法。
图1为本说明书实施例提供的一种基于核磁共振影像的颅内动脉瘤的检测方法的框架图,如图1所示,待处理的核磁共振影像数据,输入预先训练的血管分割模型,获得血管分割掩膜图像;以获得的血管分割掩膜图像作为采样位置参考数据,从待处理的核磁共振影像数据上提取影像块块后,输入预先训练的动脉瘤分割模型,最终获得动脉瘤分割的掩膜图像,实现动脉瘤的分割。为了获得更好的分割效果,减少计算量,提高分割的准确性,进一步,将血管分割掩膜图像与待处理的核磁共振影像数据进行点乘计算,去除非掩膜区域的组织,获得点乘计算结果,进而以获得的血管分割掩膜图像作为采样位置参考数据,从点乘计算结果上提取影像块,输入预先训练的动脉瘤分割模型,最终获得动脉瘤分割的掩膜图像,实现动脉瘤的分割。
图2为本说明书实施例提供的一种基于核磁共振影像的颅内动脉瘤的检测方法的示意图,如图2所示,该检测方法包括:
步骤S201:获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据。
在本说明书实施例中,待处理的影像数据为核磁共振影像数据,具体地,可以为3DTOF-MRA影像数据或者CTA影像数据。本说明书实施例以3D TOF-MRA影像数据为例,予以说明本说明书实施例提供的检测方法。
3D TOF-MRA是基于流入增强效应无需注射对比剂的无创MRA亮血成像技术,是临床应用最广泛的MRA技术。本说明书实施例中的待处理的影像数据为含有颅内动脉瘤的3DTOF-MRA影像数据。
为了实现更好的动脉瘤分割结果,待处理的影像数据进一步需要经过预处理,预处理的方法至少包括:灰度归一化、血管增强。在具体实施例中,灰度归一化就是在保留具有诊断价值的灰度差异的同时,减小甚至消除图像中灰度不一致而进行的图像转换方法。常见的算法根据灰度转换的依据分别为基于直方图的灰度归一化以及基于图像内容特征的灰度归一化。血管造影图像增强是把图像中血管结构增强出来同时压制背景和非血管结构,并使增强结果尽可能地接近血管真实结构。方法:基于Hessian矩阵的方法;基于扩散方程的方法;基于应变能的方法;基于极坐标下强度剖面的方法。其中,血管增强扩散算法是基于Hessian矩阵的Frangi滤波器和非线性各向异性扩散方程相结合,同时对Frangi血管测量函数进行改造,添加平滑约束项,以便函数具有连续性,能直接用于构造扩散张量。
需要特别说明的是,待处理的影像数据的预处理的具体方法,并不构成对本申请的限定。
步骤S203:采用滑动窗口处理,提取所述待处理的影像数据的第一影像块。
在本说明书实施例中,所述采用滑动窗口处理,提取所述待处理的影像数据的第一影像块,具体包括:
基于滑动窗口的方式,采用大小为第一预设像素的滑动窗口,且相邻滑动窗口具有50%的重叠,在滑动过程中生成所述第一预设像素的像素块,作为所述待处理的影像数据的第一影像块。
在本说明书实施例中,第一预设像素可以选择为56*224*224,通过滑动窗的处理,可以获得56*224*224的像素块,即第一影像块为56*224*224的像素块。而且,进一步地,在本说明书实施例中,第一预设像素的像素块的分辨率可以为0.5*0.4*0.4。
步骤S205:将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像。
预先训练的血管分割模型能够将待处理的影像数据的第一像素块输入后,实现血管分割掩膜图像的输出,即将血管分割掩膜图像作为动脉瘤图像块的位置信息,从而不需要全局进行处理,随后通过动脉瘤分割模型获得动脉瘤的分割结果。
在本说明书实施例中,所述血管分割模型是基于3D-Unet结构网络训练获取的模型,具体包括:
将血管标注的临床影像数据进行影像块提取,获取用于血管分割模型训练的第三影像块;
将所述用于血管分割模型训练的第三影像块进行数据强化,获得强化后的第三影像块;
将所述第三影像块输入3D-Unet结构网络中进行模型训练,以Dice和CE结合的损失函数进行模型优化,获得血管分割模型。
在本说明书实施例中,所述将血管标注的临床影像数据进行影像块提取,获取用于血管分割模型训练的第三影像块,具体包括:
对所述临床影像数据进行预处理后,进行血管的标注,获得血管标注的临床影像数据;
采用随机采样的方式,从所述血管标注的临床影像数据中进行取样,获得第二预设像素的像素块,作为用于血管分割模型训练的第三影像块。
在本说明书实施例中,第二预设像素可以选择为96*96*96,通过随机采样的方式,可以获得96*96*96的像素块,即第二影像块为96*96*96的像素块。
在本说明书实施例中,临床影像数据的血管标注采用的是基于技术手段生成血管初始标签,进而由人工检查获得准确的血管标签,从而实现临床影像数据的血管标注。其中,基于技术手段生成血管初始标签的方法可以采用阈值法,区域生长法等,由于均为现有技术,在此不再赘述。需要特别说明的是,血管标注包括前景和背景,将标注为血管标签的区域作为前景,其他区域作为背景,而且为了训练结果的准确性,原则上前景的采样比例与背景的采样比例尽量接近为1∶1。
为了实现训练样本的多样性,实现训练样本的数据扩充。用于血管分割模型训练的第三影像块,进一步需要进行数据强化。在本说明书实施例中,所述将所述用于血管分割模型训练的第三影像块进行数据强化,获得强化后的第三影像块,具体包括:
将所述用于血管分割模型训练的第三影像块进行旋转、缩放、翻转、模糊、gama增强中的一种或几种操作,进行数据强化,获得强化后的第三影像数据。
在本说明书实施例中,所述Dice和CE结合的损失函数的表达式为:
Loss1=1-Dice-CE
因此,
其中,Loss1为Dice和CE结合的损失函数;
gi表示像素点属于血管的分类是否正确,正确则为1,否则为0;
si表示像素点为血管像素点的概率值;
N为所有影像块内所有像素点的个数。
在本说明书实施例中,血管分割模型的验证集的DICE至少可以达到0.95,因此可以实现血管的准确分割。
为了进一步理解血管分割模型的序列,下面将结合3D-Unet结构网络予以说明。图3为本说明书实施例提供的一种3D-Unet结构网络的示意图。
步骤S207:以所述血管分割掩膜图像作为采样位置参考数据,将所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,所述血管分割模型与所述动脉瘤分割模型级联。
在本说明书实施例中,动脉瘤分割模型能够基于输入的第二影像块,获得动脉瘤预测的概率值。
在本说明书实施例中,所述待处理的影像数据的第二影像块的获取包括:
基于所述血管分割掩膜图像与所述待处理的影像数据进行点乘计算,获得点乘计算图像;
基于所述待处理的影像数据对应的体数据或者所述点乘计算图像,采用滑动窗口处理获得所述第二影像块。
需要特别说明的是,本说明书实施例中,用于动脉瘤分割模型输入的第二影像块,可以以血管分割掩膜图像作为采样位置参考数据,从待处理的影像数据中提取第二影像块作为动脉瘤分割模型的输入;动脉瘤分割模型的输入也可以是以血管分割掩膜图像作为采样位置参考数据,以血管分割掩膜图像与所述待处理的影像数据进行点乘计算获得的点乘计算图像中提取的第二影像块作为动脉瘤分割模型的输入。点乘计算图像为过滤非掩膜区域组织的图像。
在本说明书实施例中,基于所述血管分割掩膜图像,对所述待处理的影像数据对应的体数据进行点乘计算,获得点乘计算图像,即基于血管分割掩膜图像的掩膜位置,对待处理的影像数据对应的体数据进行点乘计算,以过滤非掩膜区域的组织,并赋值为0,以获得点乘计算图像,该方法能够保证掩膜位置保持不变,且能够过滤非掩膜区域的组织,从而在后续计算中,减少计算量,提高结果的准确性。
在本说明书实施例中,所述动脉瘤分割模型是基于3D-Unet结构网络训练获取的模型,具体包括:
将临床影像数据对应的体数据进行影像块提取,获取用于动脉瘤分割模型训练的第四影像块;
将所述用于动脉瘤分割模型训练的第四影像块进行数据强化,获得强化后的第四影像块;
将所述第四影像块输入3D-Unet结构网络中进行模型训练,以Dice和TopK结合的损失函数进行模型优化,获得动脉瘤分割模型。
体数据由体素组成,体素是基本体积元素,也可以理解为三维空间内的具有排列和颜色的点或一小块区域。通常体素属于固定网格,因此体数据可以作为表格储存。体数据可以被当作为本地存储的csv文件。常见的是,数据集被分成若干片,并且每个片被存储为位图图像。由于可以应用于图像的复杂压缩算法,明显减小模型尺寸。在本说明书实施例中,临床影像数据的体数据的获取方法均为现有技术,在此不再赘述。
在本说明书实施例中,所述将临床影像数据对应的体数据进行影像块提取,获取用于动脉瘤分割模型训练的第四影像块,具体包括:
基于随机采样的方式,从所述临床影像数据对应的体数据中属于血管标签的数据上,进行影像块提取,生成96*96*96像素的像素块,作为用于动脉瘤分割模型训练的第三影像块。
在本说明书实施例中,所述Dice和TopK结合的损失函数的表达式为:
Loss2=1-Dice-TopK
因此,
其中,Loss2为Dice和TopK结合的损失函数;
hi表示像素点属于颅内动脉瘤的分类是否正确,正确则为1,否则为0;
ji表示像素点为颅内动脉瘤像素点的概率值;
N为所有影像块内所有像素点的个数;
t为预设阈值;
1{ji<t}表示如果预测属于颅内动脉瘤的概率小于t,则计算值为1,否则为0。
在本说明书实施例中,预设阈值t∈(0,1],在本说明书实施例中,预设阈值t优选为0.1。需要特别说明的是,正是由于在动脉瘤分割模型训练中,是从属于血管标签的数据上进行采样的,而且在模型具体应用中,是将血管分割掩膜图像作为采样位置参考数据,才能够实现血管分割模型与动脉瘤分割模型的级联。
由于动脉瘤较小,且分布不均衡等,因此,动脉瘤的分割较为困难。在本说明书实施例中,动脉瘤分割模型的验证集的DICE可以达到0.7,达到了较好的分割结果。
步骤S209:对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果。
在本说明书实施例中,所述对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果,具体包括:
将所述第二影像块对应的动脉瘤预测结果进行连通域分析,将连通域分析结果中不低于预设像素点个数的连通区域,作为候选动脉瘤区域;
或者
将所述第二影像块对应的动脉瘤预测结果进行连通域分析,将连通域分析结果按照连通域从大到小的顺序进行排序,将预设个数的连通域,作为候选动脉瘤区域;
将所述候选动脉瘤区域的概率值大于等于预设概率值的动脉瘤区域,作为所述动脉瘤分割结果。
在本说明书实施例中,预设像素点的个数可以为11。即将连通域分析结果中像素点个数不低于11的连通区域,作为候选动脉瘤区域,所述候选动脉瘤区域及其所对应的概率值,进一步根据所述候选动脉瘤区域及其所对应的概率值,将所述候选动脉瘤区域对应的概率值大于等于预设概率值的动脉瘤区域,作为动脉瘤分割结果,如果连通域分析结果中像素点个数低于11个的连通区域,则认为该连通区域的结果为错误结果,不能将该像素点个数低于11的连通区域作为候选动脉瘤区域。
在本说明书实施例中,预设个数优选为5,即将连通域分析结果按照连通域从大到小的顺序进行排序,将前5个连通域作为候选动脉瘤区域,进一步根据所述候选动脉瘤区域及其所对应的概率值,将所述候选动脉瘤区域对应的概率值大于等于预设概率值的动脉瘤区域,作为动脉瘤分割结果。
在具体实施例中,候选动脉瘤区域对应的概率值的确定,可以基于各个像素点属于动脉瘤的概率值而定,亦可以采用其他方法确定,候选动脉瘤区域对应的概率值的确定方法,并不构成对本申请的限定。预设概率值的数值可以根据预设业务场景而定,在本说明书的一个实施例中,预设概率值优选为0.5。
在本说明书实施例中,动脉瘤分割结果包括所述待处理的影像数据的动脉瘤位置,以及所述待处理的影像数据的动脉瘤的概率。
采用本说明书实施例提供的方法,能够基于核磁共振图像,实现颅内动脉瘤的自动分割,且处理速度快,准确率高。
上述内容详细介绍了一种基于核磁共振影像的颅内动脉瘤的检测方法,与之相应的,本说明书还提供一种基于核磁共振影像的颅内动脉瘤的检测装置。图4为本说明书实施例提供的一种基于核磁共振影像的颅内动脉瘤的检测装置的示意图,如图4所示,该检测装置包括:
获取模块401,获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据;
提取模块403,采用滑动窗口处理,提取所述待处理的影像数据的第一影像块;
血管分割模块405,将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像;
动脉瘤预测模块407,以所述血管分割掩膜图像作为采样位置参考数据,将所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,所述血管分割模型与所述动脉瘤分割模型级联;
动脉瘤分割模块409,对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果;
其中,所述待处理的影像数据的第二影像块的获取包括:
基于所述血管分割掩膜图像与所述待处理的影像数据进行点乘计算,获得点乘计算图像;
基于所述待处理的影像数据对应的体数据或者所述点乘计算图像,采用滑动窗口处理获得所述第二影像块。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据;
采用滑动窗口处理,提取所述待处理的影像数据的第一影像块;
将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像;
以所述血管分割掩膜图像作为采样位置参考数据,将所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,所述血管分割模型与所述动脉瘤分割模型级联;
对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果;
其中,所述待处理的影像数据的第二影像块的获取包括:
基于所述血管分割掩膜图像与所述待处理的影像数据进行点乘计算,获得点乘计算图像;
基于所述待处理的影像数据对应的体数据或者所述点乘计算图像,采用滑动窗口处理获得所述第二影像块。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为″电路″、″模块″或″平台″。
图5是本发明的检测装置的结构示意图。下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:至少一个处理单元510、至少一个存储单元520、连接不同平台组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中,存储单元存储有程序代码,程序代码可以被处理单元510执行,使得处理单元510执行本说明书上述检测方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元510可以执行检测方法的步骤。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)521和/或高速缓存存储单元522,还可以进一步包括只读存储单元(ROM)523。
存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524,这样的程序模块525包括但不限于:处理***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备570(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。
并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储平台等。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT9 1 SAM、Microchip PIC 1 8F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、***、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据优化设备的处理器以产生一个机器,使得通过计算机或其他可编程数据优化设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据优化设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据优化设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种基于核磁共振影像的颅内动脉瘤的检测方法,其特征在于,所述方法包括:
获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据;
采用滑动窗口处理,提取所述待处理的影像数据的第一影像块;
将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像;
以所述血管分割掩膜图像作为采样位置参考数据,将所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,所述血管分割模型与所述动脉瘤分割模型级联;
对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果;
其中,所述待处理的影像数据的第二影像块的获取包括:
基于所述血管分割掩膜图像与所述待处理的影像数据进行点乘计算,获得点乘计算图像;
基于所述待处理的影像数据对应的体数据或者所述点乘计算图像,采用滑动窗口处理获得所述第二影像块。
2.如权利要求1所述的检测方法,其特征在于,所述采用滑动窗口处理,提取所述待处理的影像数据的第一影像块,具体包括:
基于滑动窗口的方式,采用大小为第一预设像素的滑动窗口,且相邻滑动窗口具有50%的重叠,在滑动过程中生成所述第一预设像素的像素块,作为所述待处理的影像数据的第一影像块。
3.如权利要求1所述的检测方法,其特征在于,所述血管分割模型是基于3D-Unet结构网络训练获取的模型,具体包括:
将血管标注的临床影像数据进行影像块提取,获取用于血管分割模型训练的第三影像块;
将所述用于血管分割模型训练的第三影像块进行数据强化,获得强化后的第三影像块;
将所述第三影像块输入3D-Unet结构网络中进行模型训练,以Dice和CE结合的损失函数进行模型优化,获得血管分割模型。
4.如权利要求3所述的检测方法,其特征在于,所述将血管标注的临床影像数据进行影像块提取,获取用于血管分割模型训练的第三影像块,具体包括:
对所述临床影像数据进行预处理后,进行血管的标注,获得血管标注的临床影像数据;
采用随机采样的方式,从所述血管标注的临床影像数据中进行取样,获得第二预设像素的像素块,作为用于血管分割模型训练的第三影像块。
5.如权利要求3所述的方法,其特征在于,所述将所述用于血管分割模型训练的第三影像块进行数据强化,获得强化后的第三影像块,具体包括:
将所述用于血管分割模型训练的第三影像块进行旋转、缩放、翻转、模糊、gama增强中的一种或几种操作,进行数据强化,获得强化后的第三影像数据。
6.如权利要求3所述的检测方法,其特征在于,所述Dice和CE结合的损失函数的表达式为:
其中,Loss1为Dice和CE结合的损失函数;
gi表示像素点属于血管的分类是否正确,正确则为1,否则为0;
si表示像素点为血管像素点的概率值;
N为所有影像块内所有像素点个数。
7.如权利要求1所述的检测方法,其特征在于,所述动脉瘤分割模型是基于3D-Unet结构网络训练获取的模型,具体包括:
将临床影像数据对应的体数据进行影像块提取,获取用于动脉瘤分割模型训练的第四影像块;
将所述用于动脉瘤分割模型训练的第四影像块进行数据强化,获得强化后的第四影像块;
将所述第四影像块输入3D-Unet结构网络中进行模型训练,以Dice和TopK结合的损失函数进行模型优化,获得动脉瘤分割模型。
8.如权利要求7所述的检测方法,其特征在于,所述将临床影像数据对应的体数据进行影像块提取,获取用于动脉瘤分割模型训练的第四影像块,具体包括:
基于随机采样的方式,从所述临床影像数据对应的体数据中属于血管标签的数据上,进行影像块提取,生成96*96*96像素的像素块,作为用于动脉瘤分割模型训练的第四影像块。
9.如权利要求7所述的检测方法,其特征在于,所述Dice和TopK结合的损失函数的表达式为:
其中,Loss2为Dice和TopK结合的损失函数;
hi表示像素点属于颅内动脉瘤的分类是否正确,正确则为1,否则为0;
ji表示像素点为颅内动脉瘤像素点的概率值;
N为所有影像块内所有像素点个数;
t为预设阈值;
1{ji<t}表示如果预测属于颅内动脉瘤的概率小于t,则计算值为1,否则为0。
10.如权利要求1所述的检测方法,其特征在于,所述对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果,具体包括:
将所述第二影像块对应的动脉瘤预测结果进行连通域分析,将连通域分析结果中不低于预设像素点个数的连通区域,作为候选动脉瘤区域;
或者
将所述第二影像块对应的动脉瘤预测结果进行连通域分析,将连通域分析结果按照连通域从大到小的顺序进行排序,将预设个数的连通域,作为候选动脉瘤区域;
将所述候选动脉瘤区域的概率值大于等于预设概率值的动脉瘤区域,作为所述动脉瘤分割结果。
11.如权利要求1所述的检测方法,其特征在于,所述基于所述待处理的影像数据对应的体数据或者所述点乘计算图像,采用滑动窗口处理获得所述第二影像块,具体包括:
以所述血管分割掩膜图像作为采样位置参考数据,采用滑动窗口处理,从所述待处理的影像数据对应的体数据或者所述点乘计算图像中提取影像块,作为所述第二影像块。
12.一种基于核磁共振影像的颅内动脉瘤的检测装置,其特征在于,所述装置包括:
获取模块,获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据;
提取模块,采用滑动窗口处理,提取所述待处理的影像数据的第一影像块;
血管分割模块,将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像;
动脉瘤预测模块,以所述血管分割掩膜图像作为采样位置参考数据,将所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,所述血管分割模型与所述动脉瘤分割模型级联;
动脉瘤分割模块,对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果;
其中,所述待处理的影像数据的第二影像块的获取包括:
基于所述血管分割掩膜图像与所述待处理的影像数据进行点乘计算,获得点乘计算图像;
基于所述待处理的影像数据对应的体数据或者所述点乘计算图像,采用滑动窗口处理获得所述第二影像块。
13.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的影像数据,所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据;
采用滑动窗口处理,提取所述待处理的影像数据的第一影像块;
将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型,获得血管分割掩膜图像;
以所述血管分割掩膜图像作为采样位置参考数据,将所述待处理的影像数据的第二影像块,输入预先训练的动脉瘤分割模型预测动脉瘤的概率,获得所述第二影像块对应的动脉瘤预测结果,,所述血管分割模型与所述动脉瘤分割模型级联;
对所述第二影像块对应的动脉瘤预测结果进行连通域分析,获得动脉瘤分割结果;
其中,所述待处理的影像数据的第二影像块的获取包括:
基于所述血管分割掩膜图像与所述待处理的影像数据进行点乘计算,获得点乘计算图像;
基于所述待处理的影像数据对应的体数据或者所述点乘计算图像,采用滑动窗口处理获得所述第二影像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626263.2A CN116664513A (zh) | 2023-05-30 | 2023-05-30 | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626263.2A CN116664513A (zh) | 2023-05-30 | 2023-05-30 | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116664513A true CN116664513A (zh) | 2023-08-29 |
Family
ID=87716578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310626263.2A Pending CN116664513A (zh) | 2023-05-30 | 2023-05-30 | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664513A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831122A (zh) * | 2023-12-20 | 2024-04-05 | 慧之安信息技术股份有限公司 | 一种基于手势识别的井下约车方法及*** |
-
2023
- 2023-05-30 CN CN202310626263.2A patent/CN116664513A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831122A (zh) * | 2023-12-20 | 2024-04-05 | 慧之安信息技术股份有限公司 | 一种基于手势识别的井下约车方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410216B (zh) | 一种缺血性脑卒中图像区域分割方法及装置 | |
CN113436166A (zh) | 基于磁共振血管造影数据的颅内动脉瘤检测方法及*** | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
CN109671066B (zh) | 一种基于头颅ct影像的脑梗死判断的方法及*** | |
CN111127428A (zh) | 一种基于颅脑影像数据的目标区域的提取方法及*** | |
CN111081378B (zh) | 一种动脉瘤破裂风险评估方法及*** | |
CN110517780A (zh) | 一种动脉瘤破裂风险评估方法及*** | |
CN116664513A (zh) | 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备 | |
CN111584077A (zh) | 一种动脉瘤破裂风险评估方法及*** | |
CN111091563B (zh) | 一种基于颅脑影像数据的目标区域的提取方法及*** | |
CN109816650A (zh) | 一种基于二维dsa图像的目标区域识别方法及其*** | |
CN111105425A (zh) | 一种基于颅脑影像数据的对称轴/对称面提取方法及*** | |
CN111223089B (zh) | 一种动脉瘤的检测方法、装置及计算机可读存储介质 | |
CN112185550A (zh) | 一种分型方法、装置以及设备 | |
CN111584076A (zh) | 一种动脉瘤破裂风险评估方法及*** | |
CN109472803B (zh) | 一种颅内动脉血管分割方法及*** | |
CN115082405B (zh) | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 | |
CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
CN112348825A (zh) | 一种用于视网膜血流图像分割的DR-U-net网络方法及装置 | |
CN110517244B (zh) | 一种基于dsa图像的定位方法及*** | |
CN116524295A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN111105404A (zh) | 一种基于颅脑影像数据的目标位置的提取方法及*** | |
CN112927815B (zh) | 一种预测颅内动脉瘤信息的方法、装置以及设备 | |
CN110517243B (zh) | 一种基于dsa图像的定位方法及*** | |
CN113130078B (zh) | 一种预测颅内动脉瘤闭塞的方法、装置以及设备 |
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 |