基于人工智能的脑垂体磁共振图像的提取识别方法和装置制造方法及图纸

本发明专利技术公开了一种基于人工智能的脑垂体磁共振图像的提取识别方法，包括：获取待测人员的至少一张脑垂体磁共振图像；将每一所述脑垂体磁共振图像输入预先训练得到的垂体区域定位模型，以使所述垂体区域定位模型对每一所述脑垂体磁共振图像进行计算；输出每一所述脑垂体磁共振图像对应的脑垂体区域。本发明专利技术还公开了相应的基于人工智能的脑垂体磁共振图像的提取识别装置。采用本发明专利技术实施例，通过预先建立并训练好的垂体区域定位模型，对待测磁共振图像进行计算分析，以定位得到脑垂体区域，有效提高了对脑垂体磁共振图像的提取识别效率和精度。

【技术实现步骤摘要】
基于人工智能的脑垂体磁共振图像的提取识别方法和装置
本专利技术涉及数字图像处理
，尤其涉及一种基于人工智能的脑垂体磁共振图像的提取识别方法和装置。
技术介绍
垂体作为主腺体监督着内分泌系统的其他腺体并控制着激素水平，垂体腺瘤是常见的神经内分泌肿瘤。根据既往尸检和影像学的研究，垂体腺瘤的患病率约10.7-22.5％，其中垂体微腺瘤占99％，据估计，垂体微腺瘤发生影响全球超过7亿名患者。磁共振成像(MRI)是目前被认为垂体成像的主要方法，通过临床医师或放射科医生对脑垂体磁共振成像的分析和判读，以诊断病人是否患有垂体腺瘤。在临床上对磁共振成像进行分析时，医生会采用人工分割的方法，以定位具体的脑垂体区域，进而实现对脑垂体腺瘤的分析和判读。然而，在实施本专利技术过程中，专利技术人发现现有技术至少存在如下问题：磁共振图像序列的数据量庞大，采用人工分割的方法费时费力，同时分割结果根据医生经验因人而异，主观性较大。
技术实现思路
本专利技术实施例的目的是提供一种基于人工智能的脑垂体磁共振图像的提取识别方法和装置，通过预先建立并训练好的垂体区域定位模型，对待测磁共振图像进行计算分析，以定位脑垂体区域，有效提高了对脑垂体磁共振图像的提取识别效率和精度。为实现上述目的，本专利技术实施例提供了一种基于人工智能的脑垂体磁共振图像的提取识别方法，包括：获取待测人员的至少一张脑垂体磁共振图像；将每一所述脑垂体磁共振图像输入预先训练得到的垂体区域定位模型，以使所述垂体区域定位模型对每一所述脑垂体磁共振图像进行计算；输出每一所述脑垂体磁共振图像对应的脑垂体区域。作为上述方案的改进，所述垂体区域定位模型的训练方法具体为：获取若干张脑垂体磁共振图像，作为模型训练图像；其中，每一所述模型训练图像对应有预先标注的真实垂体区域；对卷积神经网络的参数进行初始化，并利用所述卷积神经网络对所述模型训练图像进行计算，以输出所述模型训练图像对应的预测垂体区域；根据所述预测垂体区域和所述真实垂体区域计算损失函数；采用梯度下降优化算法更新所述卷积神经网络的参数，以降低所述损失函数，直到所述损失函数趋于最小化时，得到训练完成的垂体区域定位模型。作为上述方案的改进，所述利用所述卷积神经网络对所述模型训练图像进行计算，以输出所述模型训练图像对应的预测垂体区域，具体包括：对每一所述模型训练图像进行特征图提取，得到若干个金字塔特征图；对每一所述金字塔特征图进行候选框提取，得到候选框集合；排除所述候选框集合中过度重合的候选框，以得到目标候选框，作为所述模型训练图像对应的预测垂体区域。作为上述方案的改进，所述对每一所述模型训练图像进行特征图提取，得到若干个金字塔特征图，具体包括：将所述模型训练图像输入所述卷积神经网络，提取每一所述模型训练图像对应的若干个不同分辨率的特征图；通过特征金字塔网络融合每一所述模型训练图像对应的若干个不同分辨率的特征图，获得每一所述模型训练图像对应的若干个金字塔特征图。作为上述方案的改进，所述对每一所述金字塔特征图进行候选框提取，得到候选框集合，具体包括：根据每一所述金字塔特征图，通过两个不共享权重的分支网络分别获得候选框分类图ci和候选框回归图ri；其中，所述候选框分类图包含每个位置的锚框中的目标出现概率；所述候选框回归图包含每个位置的锚框的回归参数，所述回归参数包括位置偏移数值x、y，高h和宽w；在候选框分类图ci中遍历每个位置的锚框中的目标出现概率，以筛选出候选框分类图ci中存在目标的锚框；将所述存在目标的锚框映射到所述候选框回归图ri中的对应位置，获取回归图ri中的回归参数，以确定候选框的位置；根据每一金字塔特征图的所有候选框，得到所述模型训练图像对应的候选框集合。作为上述方案的改进，所述根据所述预测垂体区域和所述真实垂体区域计算损失函数，具体包括：根据所述预测垂体区域和所述真实垂体区域计算损失函数，通过以下计算公式，计算所述损失函数：其中，和分别为真实的候选框分类图和真实的候选框回归图；j表示第j个锚框，当第j个锚框中存在目标时，否则，Δxij＝(x-xa)/wa，Δyij＝(y-ya)/ha，Δwij＝log(w/wa)，Δhij＝log(h/ha)；(xa,ya,wa,ha)表示锚框的真实回归参数，(x,y,w,h)表示锚框的预测的回归参数；CE(·)和L1Smooth(·)分别表示交叉熵函数和L1平滑函数。作为上述方案的改进，在所述获取待测人员的至少一张脑垂体磁共振图像之后，还包括：对所述待测人员的每一所述脑垂体磁共振图像进行预处理；其中，所述预处理包括：采用双线性插值法，将每一所述脑垂体磁共振图像缩放至预设的分辨率，并进行像素值归一化处理。本专利技术实施例还提供了一种基于人工智能的脑垂体磁共振图像的提取识别装置，包括：图像获取模块，用于获取待测人员的至少一张脑垂体磁共振图像；图像输入模块，用于将每一所述脑垂体磁共振图像输入预先训练得到的垂体区域定位模型，以使所述垂体区域定位模型对每一所述脑垂体磁共振图像进行计算；结果输出模块，用于输出每一所述脑垂体磁共振图像对应的脑垂体区域。作为上述方案的改进，所述基于人工智能的脑垂体磁共振图像的提取识别装置还包括：模型训练模块；所述模型训练模块，具体用于：获取若干张脑垂体磁共振图像，作为模型训练图像；其中，每一所述模型训练图像对应有预先标注的真实垂体区域；对卷积神经网络的参数进行初始化，并利用所述卷积神经网络对所述模型训练图像进行计算，以输出所述模型训练图像对应的预测垂体区域；根据所述预测垂体区域和所述真实垂体区域计算损失函数；采用梯度下降优化算法更新所述卷积神经网络的参数，以降低所述损失函数，直到所述损失函数趋于最小化时，得到训练完成的垂体区域定位模型。本专利技术实施例还提供了一种基于人工智能的脑垂体磁共振图像的提取识别装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于人工智能的脑垂体磁共振图像的提取识别方法。与现有技术相比，本专利技术公开的一种基于人工智能的脑垂体磁共振图像的提取识别方法和装置，通过获取待测人员的至少一张脑垂体磁共振图像；将每一所述脑垂体磁共振图像输入预先训练得到的垂体区域定位模型，以使所述垂体区域定位模型对每一所述脑垂体磁共振图像进行计算；输出每一所述脑垂体磁共振图像对应的脑垂体区域。使用预先构建并训练好的垂体区域定位模型，对待测人员的脑垂体磁共振图像进行计算和分析，以识别出待测人员的脑垂体磁共振图像中的脑垂体区域，解决了现有技术中通过医生专家人工判读和标注导致的效率低下、准确度不高的问题，也进一步为识别脑垂体磁共振图像中是否含有垂体腺瘤提供数据基础。附图说明图1是本专利技术实施例一提供的一种基于人本文档来自技高网...

【技术保护点】
1.一种基于人工智能的脑垂体磁共振图像的提取识别方法，其特征在于，包括：/n获取待测人员的至少一张脑垂体磁共振图像；/n将每一所述脑垂体磁共振图像输入预先训练得到的垂体区域定位模型，以使所述垂体区域定位模型对每一所述脑垂体磁共振图像进行计算；/n输出每一所述脑垂体磁共振图像对应的脑垂体区域。/n

【技术特征摘要】
1.一种基于人工智能的脑垂体磁共振图像的提取识别方法，其特征在于，包括：
获取待测人员的至少一张脑垂体磁共振图像；
将每一所述脑垂体磁共振图像输入预先训练得到的垂体区域定位模型，以使所述垂体区域定位模型对每一所述脑垂体磁共振图像进行计算；
输出每一所述脑垂体磁共振图像对应的脑垂体区域。


2.如权利要求1所述的基于人工智能的脑垂体磁共振图像的提取识别方法，其特征在于，所述垂体区域定位模型的训练方法具体为：
获取若干张脑垂体磁共振图像，作为模型训练图像；其中，每一所述模型训练图像对应有预先标注的真实垂体区域；
对卷积神经网络的参数进行初始化，并利用所述卷积神经网络对所述模型训练图像进行计算，以输出所述模型训练图像对应的预测垂体区域；
根据所述预测垂体区域和所述真实垂体区域计算损失函数；
采用梯度下降优化算法更新所述卷积神经网络的参数，以降低所述损失函数，直到所述损失函数趋于最小化时，得到训练完成的垂体区域定位模型。


3.如权利要求2所述的基于人工智能的脑垂体磁共振图像的提取识别方法，其特征在于，所述利用所述卷积神经网络对所述模型训练图像进行计算，以输出所述模型训练图像对应的预测垂体区域，具体包括：
对每一所述模型训练图像进行特征图提取，得到若干个金字塔特征图；
对每一所述金字塔特征图进行候选框提取，得到候选框集合；
排除所述候选框集合中过度重合的候选框，以得到目标候选框，作为所述模型训练图像对应的预测垂体区域。


4.如权利要求3所述的基于人工智能的脑垂体磁共振图像的提取识别方法，其特征在于，所述对每一所述模型训练图像进行特征图提取，得到若干个金字塔特征图，具体包括：
将所述模型训练图像输入所述卷积神经网络，提取每一所述模型训练图像对应的若干个不同分辨率的特征图；
通过特征金字塔网络融合每一所述模型训练图像对应的若干个不同分辨率的特征图，获得每一所述模型训练图像对应的若干个金字塔特征图。


5.如权利要求3所述的基于人工智能的脑垂体磁共振图像的提取识别方法，其特征在于，所述对每一所述金字塔特征图进行候选框提取，得到候选框集合，具体包括：
根据每一所述金字塔特征图，通过两个不共享权重的分支网络分别获得候选框分类图ci和候选框回归图ri；其中，所述候选框分类图包含每个位置的锚框中的目标出现概率；所述候选框回归图包含每个位置的锚框的回归参数，所述回归参数包括位置偏移数值x、y，高h和宽w；
在候选框分类图ci中遍历每个位置的锚框中的目标出现概率，以筛选出候选框分类图ci中存在目标的锚框；
将所述存在目标的锚框映射到所述候选框回归图ri中的对应位置，获取回归图ri中的回归参数，以...

【专利技术属性】
技术研发人员：陈燕铭，朱延华，郭裕兰，郭若汨，石国军，李庆玲，钱孝贤，刘浩，李海成，温会泉，曾龙驿，林硕，谭莺，高荣，聂元鹏，
申请(专利权)人：陈燕铭，
类型：发明
国别省市：广东;44