基于多对比度磁共振影像的血管斑块成分识别方法技术

提供一种基于多对比度磁共振影像的血管斑块成分识别方法（300），包括：将待训练的多对比度血管斑块磁共振影像进行成分标注（S310）；将标注后的多对比度血管斑块磁共振影像输入到卷积神经网络中进行网络模型训练（S320）；将待识别的多对比度血管斑块磁共振影像输入到训练好的网络模型进行预测，以输出血管斑块成分识别结果（S330）。通过卷积神经网络对多对比度血管斑块磁共振影像进行学习和建模，从而对新的样本进行有效的识别，辅助医师的诊断过程，能够大幅提高医生的工作效率。所获得的技术方案可以方便地推广到其他器官的磁共振影像辅助诊断过程中。

Identification method of vascular plaque composition based on multi contrast magnetic resonance imaging

A multi-contrast magnetic resonance imaging based vascular plaque component recognition method (300) is proposed, which includes: component labeling (S310) of multi-contrast magnetic resonance imaging of vascular plaque to be trained; input the labeled multi-contrast magnetic resonance imaging of vascular plaque to convolution neural network for network model training (S320). The multi-contrast MR images of vascular plaques to be recognized were input into the trained network model to predict and output the results of vascular plaque component recognition (S330). The convolution neural network is used to study and model MR images of multi-contrast vascular plaques, so as to identify new samples effectively and assist doctors in the diagnosis process, which can greatly improve the efficiency of doctors. The obtained technical scheme can be conveniently extended to other organs in the process of MRI auxiliary diagnosis.

【技术实现步骤摘要】
基于多对比度磁共振影像的血管斑块成分识别方法
本专利技术涉及磁共振成像，更具体涉及基于多对比度磁共振影像的血管斑块成分识别方法。
技术介绍
因血管高危斑块所引发的心脑血管疾病已经成为危害人类健康的头号杀手。基于影像学手段的血管斑块监测，对于心脑血管疾病的预测、分期和预后评估都有着非常重要的意义。磁共振血管壁成像技术是基于磁共振物理原理，通过抑制血管内流动血液的信号来获得血管壁等静态组织信息的一种方法，能够对血管斑块的成分进行评估。多对比度磁共振成像技术是利用QIR-T1W（QuadrupleInversionRecoveryT1-WeightedImage，T1加权的四次反转恢复序列）、MDIR-T2W（Multi-sliceDoubleInversionRecoveryT2-WeightedImage，T2加权的多重双反转恢复序列）、TOF（TimeofFlight，三维飞行时间序列）、MP-RAGE（MagnetizationPreparedRapidGradientEcho，基于反转准备脉冲的快速梯度回波序列）等磁共振血管壁成像技术来识别血管斑块的成分，如斑块内出血(intra-plaquehemorrhage,IPH)、钙化(calcification,CA)、脂质核(lipidrichnecroticcore,LRNC)、疏松组织(loosematrix，LM))等，进而达到对血管斑块成分分析的目的。随着病人数量的增加，加之专业医师数量的匮乏，计算机辅助多对比度磁共振影像进行血管斑块成分识别成为了一个重要的发展方向。随着技术的发展，一些基于图像处理和机器学习的血管斑块成分识别方法相继被提出，但是这些方法的表现却不尽人意。图1示出了现有技术的基于多对比度磁共振影像的血管斑块成分识别方法的示意图。如图1中所示，现有的基于图像处理和机器学习的多对比度血管斑块磁共振影像成分识别方法首先对多对比度血管斑块磁共振影像进行特征提取，然后基于统计学和传统机器学习技术进行建模，得到多对比度血管斑块磁共振影像成分识别模型。在临床验证中，由模型产生多对比度血管斑块磁共振影像的辅助成分识别结果。现有技术的缺点主要在于以下几点：a、由于传统机器学习的建模能力有限，需要人工进行复杂的特征工程，这一过程需要大量的有经验的人员参与，而专业的医师数量匮乏，且很难与技术人员进行有效的协作；b、特征工程必然会造成原始多对比度血管斑块磁共振影像信号的损失，从而降低识别的准确率；c、模型的可移植性差，不具有通用性，无法简单应用于其他器官的磁共振影像识别场景。
技术实现思路
针对现有技术的缺点，本专利技术提出一种基于多对比度磁共振影像的斑块成分分割深度学习算法，通过卷积神经网络对多对比度血管斑块磁共振影像进行学习和建模，其准确率可以大大超过传统的自动识别技术。为了实现本专利技术的目的，根据本专利技术的第一方面，提供一种基于多对比度磁共振影像的血管斑块成分识别方法。所述方法包括：将待训练的多对比度血管斑块磁共振影像进行成分标注；将标注后的多对比度血管斑块磁共振影像输入到卷积神经网络中进行网络模型训练；将待识别的多对比度血管斑块磁共振影像输入到训练好的网络模型进行预测，以输出血管斑块成分识别结果。优选地，所述方法可以进一步包括：在将待训练的多对比度血管斑块磁共振影像进行成分标注之前，对待训练的多对比度血管斑块磁共振影像进行数据增殖。优选地，所述的数据增殖包括：对待训练的多对比度血管斑块磁共振影像随机左右翻转；对待训练的多对比度血管斑块磁共振影像放大或缩小后随机裁剪。优选地，所述卷积神经网络是全卷积的神经网络结构，没有全连接层。在对所述网络模型进行训练以及利用训练好的网络模型进行预测时，优选地，将每个对比度的磁共振影像单独经过一个卷积层；将以上用于每个对比度的卷积层的输出都连接到一个加法层；在所述加法层，通过加权求和将多个相同大小的特征图合并成单个特征图；将加法层的输出连接到网络的其余部分。优选地，所述网络模型的最后一层为空洞卷积层。为了实现本专利技术的目的，根据本专利技术的第二方面，提供一种计算机可读介质，用于记录可由处理器执行的指令，所述指令在被处理器执行时，使得处理器执行基于多对比度磁共振影像的血管斑块成分识别方法，包括如下操作：将待训练的多对比度血管斑块磁共振影像进行成分标注；将标注后的多对比度血管斑块磁共振影像输入到卷积神经网络中进行网络模型训练；将待识别的多对比度血管斑块磁共振影像输入到训练好的网络模型进行预测，以输出血管斑块成分识别结果。本专利技术提高了多对比度血管斑块磁共振影像成分识别的准确率。更具体地说，卷积神经网络能够对图像数据进行有效地建模、学习和预测。相比于传统的机器学习算法，在大样本的场景下，卷积神经网络往往能够展现出更优的性能。本专利技术避免了复杂的特征工程，解决端到端的学习问题。卷积神经网络是一种端到端的学习方法，能够在模型内部自动进行特征加工，这一过程不需要人的参与。因此，仅需要将原始的多对比度血管斑块磁共振影像输入卷积神经网络，就可以得到有效的建模。同时，本专利技术也解决了模型的通用性问题。由于不需要复杂的特征工程，因此通过学习其他影像，卷积神经网络便能够被应用于相似的辅助诊断场景中。通过卷积神经网络对多对比度血管斑块磁共振影像进行学习和建模，从而对新的样本进行有效的识别，辅助医师的诊断过程，能够大幅提高医生的工作效率。所获得的技术方案可以方便地推广到其他器官的磁共振影像辅助诊断过程中。附图说明下面参考附图结合实施例说明本专利技术。图1示出了现有技术的基于多对比度磁共振影像的血管斑块成分识别方法的示意图。图2示出了根据本专利技术实施例的基于多对比度磁共振影像的血管斑块成分识别方法的示意图。图3示出了根据本专利技术实施例的基于多对比度磁共振影像的血管斑块成分识别方法的流程图。图4示出了应用于多对比度图像分割的卷积神经网络结构的示意图。具体实施方式附图仅用于示例说明，不能理解为对本专利技术的限制。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。多对比度血管斑块磁共振影像的成分识别问题对应于计算机图像处理中的图像分割问题，通过输入多对比度磁共振影像，图像分割模型会输出一张与输入图像大小相同的图像，包含有原始输入图像的若干个特定区域（各类成分）的分割结果。图2示出了根据本专利技术实施例的基于多对比度磁共振影像的血管斑块成分识别方法的示意图。深度学习是一种基于神经网络的人工智能方法，通过模拟人脑中神经元的连接，实现学习过程。卷积神经网络是一种特殊的神经网络结构，通过空间参数共享，能够有效地降低神经网络中的参数数量，可以对图像数据进行有效的建模。因此，卷积神经网络是深度学习技术中的重要组成部分。图2所示的本专利技术的技术采用有监督学习的方案，在模型的训练过程中，机器通过多对比度血管斑块磁共振影像和对应的成分标注进行学习。如图2所示，标注后的多对比度血管斑块磁共振影像输入到卷积神经网络中进行模型的训练，模型训练完毕后得到的模型可以用于未来新样本的预测，从而得到多对比度血管斑块磁共振影像的成分识别结果。图3示出了根据本专利技术实施例的基于多对比度磁共振影像的血管斑块成分识别方法的流程图。如图3中所示，根据本专利技术实施例的基于多对比度磁共振影像的血管斑块成分识别方法300开本文档来自技高网...

【技术保护点】
1.一种基于多对比度磁共振影像的血管斑块成分识别方法，包括：将待训练的多对比度血管斑块磁共振影像进行成分标注；将标注后的多对比度血管斑块磁共振影像输入到卷积神经网络中进行网络模型训练；将待识别的多对比度血管斑块磁共振影像输入到训练好的网络模型进行预测，以输出血管斑块成分识别结果。

【技术特征摘要】
1.一种基于多对比度磁共振影像的血管斑块成分识别方法，包括：将待训练的多对比度血管斑块磁共振影像进行成分标注；将标注后的多对比度血管斑块磁共振影像输入到卷积神经网络中进行网络模型训练；将待识别的多对比度血管斑块磁共振影像输入到训练好的网络模型进行预测，以输出血管斑块成分识别结果。2.如权利要求1所述的方法，进一步包括：在将待训练的多对比度血管斑块磁共振影像进行成分标注之后，对待训练的多对比度血管斑块磁共振影像进行数据增殖。3.如权利要求2所述的方法，其中，所述的数据增殖包括：对待训练的多对比度血管斑块磁共振影像随机左右翻转；对待训练的多对比度血管斑块磁共振影像放大或缩小后随机裁剪。4.如权利要求1所述的方法，其中，所述卷积神经网络是全卷积的神经网络结构，没有全连接层。5.如权利要求1所述的方法，其...

【专利技术属性】
技术研发人员：李睿，李继凡，王书浩，赵锡海，许东翔，徐葳，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11