【技术实现步骤摘要】
CTA到MRA跨模态预测的颈动脉斑块识别方法及系统
本专利技术涉及医学图像处理领域,具体地,涉及CTA到MRA跨模态预测的颈动脉斑块识别方法及系统。尤其地,涉及一种用于将CTA图像跨模态预测到MRA图像领域的颈动脉斑块识别算法。
技术介绍
脑血管病是世界范围内公认的致残率、病死率最高的疾病之一,包括出血性脑血管病和缺血性脑血管病。其中缺血性脑血管病占87%[1]。由于颈动脉是向大脑供血的主要动脉之一,当颈动脉存在严重的粥样硬化时,就可能会导致脑缺血的发生。而颈动脉粥样硬化的明显特征是动脉内腔出现颈动脉斑块[2],斑块成分不同,其易损性与稳定性也不同。因此对颈动脉斑块进行早期识别与成分检测,对于缺血性脑卒中的预防与高危人群的风险评估有重要的现实意义。诊断脑血管疾病,常用的脑血管造影方法有三种。第一种核磁共振机所做的脑血管造影(MRA),第二种是CT机所做的脑血管造影(CTA),第三种是需要大腿根部股动脉插管进行的,在数字减影血管造影机下完成的脑血管造影(DSA)。MRA的特点是无创,可以不需要注射造影剂就可以完成,可以在行核磁共振检查时同事进行,但是分辨率是最差的,可以做为一种筛查方法。CTA也是一种无创的方法,需要注射含碘的造影剂,可以快速完成,病人痛苦少,分辨率也教MRA有所提高,可以做为快速诊断脑血管瘤的方法。DSA是最准确的脑血管造影方法,分辨率最高,是诊断脑血管疾病的“金标准”。缺点是需要进行动脉插管,有创伤,需住院检查。CTA血管成像是目前最常用的诊断颈动脉斑块的临床影像方法,具有扫描速度快 ...
【技术保护点】
1.一种基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,包括以下步骤:/n数据收集步骤:收集配对的颈动脉CTA和MRA图像数据;/n斑块分割及模型训练步骤:先进行CTA和MRA颈动脉管腔的定位,然后进行颈动脉斑块的分割,获得CTA和MRA的斑块区域图像,将CTA和MRA的斑块区域图像送到pix2pix或者cycle-GAN网络进行训练,获得初步训练后的模型;/n模型增强训练步骤:设计生成式对抗网络GAN进行CTA和MRA数据扩增,对初步训练后的模型进一步训练,获得最终训练后的模型;/n斑块识别步骤:根据配对输入的颈动脉斑块图像,通过获得的最终训练后的模型对新的CTA图像进行跨模态融合预测。/n
【技术特征摘要】 【专利技术属性】
1.一种基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,包括以下步骤:
数据收集步骤:收集配对的颈动脉CTA和MRA图像数据;
斑块分割及模型训练步骤:先进行CTA和MRA颈动脉管腔的定位,然后进行颈动脉斑块的分割,获得CTA和MRA的斑块区域图像,将CTA和MRA的斑块区域图像送到pix2pix或者cycle-GAN网络进行训练,获得初步训练后的模型;
模型增强训练步骤:设计生成式对抗网络GAN进行CTA和MRA数据扩增,对初步训练后的模型进一步训练,获得最终训练后的模型;
斑块识别步骤:根据配对输入的颈动脉斑块图像,通过获得的最终训练后的模型对新的CTA图像进行跨模态融合预测。
2.根据权利要求1所述的多基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,所述斑块分割及模型训练步骤包括:
图像分割步骤、模型训练步骤;
所述图像分割步骤:
进行级联颈动脉管腔、斑块一体化分割算法设计,包括:
对于整个头颈部CTA扫描图像,使用语义分割算法先对管腔区域进行分割,以颈动脉管腔区域作为感兴趣区域再对斑块进行分割,提高颈动脉斑块区域识别正确率;
在颈动脉斑块分割方面,采用基于生成式对抗网络进行数据扩增来提高分割精度的方法;
在斑块成分检测方面,利用跨模态融合预测方法提升斑块图像质量;
所述斑块分割步骤中采用3DU-Net进行三维图像分割;
所述模型训练步骤:
首先将CTA和MRA影像进行配准,之后根据分割获得的CTA和MRA的斑块区域图像,对斑块区域使用pix2pix或者cycle-GAN网络构建CTA跨模态生成MRA模型,获得初步训练后的模型。
3.根据权利要求1所述的基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,所述模型增强训练步骤:
设计生成式对抗网络GAN进行CTA和MRA数据扩增,通过生成大量的近似分布样本使数据特征分布空间更大,通过生成式对抗网络GAN算法提高小样本分割正确率,同时基于获得的初步训练后的模型,进行颈动脉斑块CTA到MRA跨模态融合预测,挖掘多模态结构信息,进一步提高斑块成分分析的正确率,最后使用分类网络进行斑块成分分类及斑块性质稳定性预测,获得最终训练后的模型。
4.根据权利要求1所述的基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,所述生成式对抗网络GAN的网络结构包括:
生成模型G和判别模型D;
生成模型G捕获样本数据分布并生成类似于真实训练数据的样本,其中噪声Z服从某个分布;
判别模型D是一个二分类器,用于估计样本来自训练数据的概率;
所述训练数据指非生成数据;
所述分布包括:高斯分布、随机分布以及均匀分布。
5.根据权利要求1所述的基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,所述斑块识别步骤:
根据配对输入的颈动脉斑块图像,通过最终训练后的模型生成跨模态生成的MRA斑块影像,以斑块MRA检查所示斑块内成分作为斑块特征标签,对跨模态生成的MRA斑块影像进行斑块组成成分分类预测。
技术研发人员:耿道颖,于泽宽,张军,尹波,李郁欣,吴昊,耿岩,胡斌,杨丽琴,张晓龙,狄若愚,
申请(专利权)人:复旦大学附属华山医院,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。