一种颅脑核磁共振图像质量控制方法和系统技术方案

本发明专利技术提出了一种颅脑核磁共振图像质量控制方法和系统，该方法包括以下步骤：获取颅脑核磁共振图像，构建所述颅脑核磁共振图像的数据集，并将所述数据集中的包含伪影的图像和不含伪影的图像分别标记；将标注后的数据集按照预设的比例分为训练集和测试集；在训练之前首先对标注后的数据集进行预处理；采用ResNet网络对训练集数据进行训练，通过测试集进行验证得到预测质控图像；并将预测质控图像与标注后的数据集进行对比，输出颅脑核磁共振图像质量控制的结果。基于该方法，还提出了颅脑核磁共振图像质量控制系统。本发明专利技术利用人工智能技术对图像进行质控，以提高图像的质量，满足临床诊断、科研及教学的要求。科研及教学的要求。科研及教学的要求。

【技术实现步骤摘要】
一种颅脑核磁共振图像质量控制方法和系统


[0001]本专利技术属于图像质量控制
，特别涉及一种颅脑核磁共振图像质量控制方法和系统。

技术介绍

[0002]近年来，随着医学影像技术的高速发展，放射科在医疗领域展现出了新的活力，在诊疗过程中占据了越来越重要的地位。临床医生对很多疾病的判断都需要借助影像技术来明确诊断和辅助诊断。随着医疗技术的进步，人们对医疗水平提出了更高的要求，其中影像摄片的质量则会直接影响到医学诊断结果的准确性，继而会影响治疗方案的合理性。颅脑核磁共振图像作为常见疾病中的辅助诊断手段，其图像质量的控制显得尤为重要。因此，颅脑核磁共振图像质量控制是放射科质量在控制中很重要的一项工作。
[0003]当前颅脑核磁共振图像的拍摄存在着一系列问题，这些问题存在直接影响着图像质量及影像技术的发展。当前放射科颅脑核磁共振图像存在以下问题：(1)图像标识不完整。在临床中很多患者的颅脑颅脑核磁共振图像的患者信息、医院信息等图像标识不完整，不符合国家图像质量的标准。(2)扫描参数不全。放射科作为一个重要的辅助诊断科室，患者量比较大，技师的工作负荷相应加重。在工作中，技师为了在相应时间内完成工作量会减少脑颅脑核磁共振图像扫描序列，调整相应序列的扫描参数，这样会导致图像质量下降，甚至会漏掉一些细微病变，导致漏诊。(3)图像存在呼吸、运动、金属等伪影。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种颅脑核磁共振图像质量控制方法和系统，利用人工智能技术对图像进行质控，以提高图像的质量，满足临床诊断、科研及教学的要求。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]一种颅脑核磁共振图像质量控制方法，包括以下步骤：
[0007]获取颅脑核磁共振图像，构建所述颅脑核磁共振图像的数据集，并将所述数据集中的包含伪影的图像和不含伪影的图像分别标记；
[0008]将标注后的数据集按照预设的比例分为训练集和测试集；在训练之前首先对标注后的数据集进行预处理；
[0009]采用ResNet网络对所述训练集数据进行训练，以及在训练过程中采用Adam算法对所述ResNet网络模型进行优化，通过测试集进行验证得到预测质控图像；并将所述预测质控图像与标注后的数据集进行对比，输出颅脑核磁共振图像质量控制的结果。
[0010]进一步的，所述将所述数据集中的包含伪影的图像和不含伪影的图像分别标记的过程包括：
[0011]将不含伪影的图像标记为正样例，将包含伪影的图像标记为负样例；
[0012]标注完成后在由专家针对标记后数据集进行审核，审核完成后将标注后的数据集
进行预处理。
[0013]进一步的，所述预处理的过程包括：
[0014]对标注后的数据集按照颅脑窗值进行归一化处理成固定长宽的第一数据；
[0015]使用小波变换对标注后的数据集预处理增强区域纹理特征得到第二数据；
[0016]将所述第一数据和第二数据合并后按照预设的比例划分为训练集和测试集。
[0017]进一步的，所述在ResNet网络中卷积层利用注意力机制，对不同的通道做注意力计算，并对不同的通道评分；s＝σ(W2δ(W1z))；
[0018]其中σ为sigmoid激活函数；δ为ReLU激活函数；W1为第一全连接层权重矩阵，W2为第二全连接层权重矩阵。
[0019]进一步的，所述ResNet网络中损失函数采用交叉熵损失函数；
[0020][0021]y
i
表示样本i的label，正样例为1，负样例为0；p
i
表示样本i预测为正样例的概率。
[0022]进一步的，所述采用ResNet网络对所述训练集数据进行训练的过程中采用随机采样的方式，对整体数据进行采样，增加数据的多样性并增强模型的泛化能力。
[0023]进一步的，所述在训练过程中采用Adam算法对所述ResNet网络模型进行优化包括初始学习率为0.0001，并设置训练的轮数，初始学习率乘以衰减系数，得到下一次的学习率。
[0024]进一步的，所述预测质控图像中包括图像扫描参数；所述图像扫描参数包括序列、层厚、层间隔、FOV、矩阵、TR、TE和激励次数；并将所述预测质控图像与预设好的参数规则库进行比对。
[0025]本专利技术还提出了一种颅脑核磁共振图像质量控制系统，所述系统包括构建模块、标注模块和预测模块；
[0026]所述构建模块用于获取颅脑核磁共振图像，构建所述颅脑核磁共振图像的数据集，并将所述数据集中的包含伪影的图像和不含伪影的图像分别标记；
[0027]所述标注模块用于将标注后的数据集按照预设的比例分为训练集和测试集；在训练之前首先对标注后的数据集进行预处理；
[0028]所述预测模块用于采用ResNet网络对所述训练集数据进行训练，以及在训练过程中采用Adam算法对所述ResNet网络模型进行优化，通过测试集进行验证得到预测质控图像；并将所述预测质控图像与标注后的数据集进行对比，输出颅脑核磁共振图像质量控制的结果。
[0029]进一步的，所述标注模块中预处理的过程包括：
[0030]对标注后的数据集按照颅脑窗值进行归一化处理成固定长宽的第一数据；
[0031]使用小波变换对标注后的数据集预处理增强区域纹理特征得到第二数据；
[0032]将所述第一数据和第二数据合并后按照预设的比例划分为训练集和测试集。
[0033]
技术实现思路
中提供的效果仅仅是实施例的效果，而不是专利技术所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
[0034]本专利技术提出了一种颅脑核磁共振图像质量控制方法和系统，该方法包括以下步骤：获取颅脑核磁共振图像，构建所述颅脑核磁共振图像的数据集，并将所述数据集中的包
含伪影的图像和不含伪影的图像分别标记；将标注后的数据集按照预设的比例分为训练集和测试集；在训练之前首先对标注后的数据集进行预处理；采用ResNet网络对所述训练集数据进行训练，以及在训练过程中采用Adam算法对所述ResNet网络模型进行优化，通过测试集进行验证得到预测质控图像；并将所述预测质控图像与标注后的数据集进行对比，输出颅脑核磁共振图像质量控制的结果。基于一种颅脑核磁共振图像质量控制方法，还提出了颅脑核磁共振图像质量控制系统。本专利技术不需要人工对图像质量进行质控，全过程自动质控，节省了人力，采用小波变换对数据进行了增强，使模型可以更快速和准确的学习到图像的纹理特征。在网络结构上，每次卷积操作都会在其通道上采用注意力机制，更好利用通道间的相关性，提高模型预测效果。
附图说明
[0035]如图1为本专利技术实施例1一种颅脑核磁共振图像质量控制方法流程图；
[0036]如图2为本专利技术实施例1颅脑伪影算法训练流程图；
[0037]如图3为本专利技术实施例1中一种颅脑核磁共振图像质量控制方法中ResNet网络结构示意图；...

【技术保护点】

【技术特征摘要】
1.一种颅脑核磁共振图像质量控制方法，其特征在于，包括以下步骤：获取颅脑核磁共振图像，构建所述颅脑核磁共振图像的数据集，并将所述数据集中的包含伪影的图像和不含伪影的图像分别标记；将标注后的数据集按照预设的比例分为训练集和测试集；在训练之前首先对标注后的数据集进行预处理；采用ResNet网络对所述训练集数据进行训练，以及在训练过程中采用Adam算法对所述ResNet网络模型进行优化，通过测试集进行验证得到预测质控图像；并将所述预测质控图像与标注后的数据集进行对比，输出颅脑核磁共振图像质量控制的结果。2.根据权利要求1所述的一种颅脑核磁共振图像质量控制方法，其特征在于，所述将所述数据集中的包含伪影的图像和不含伪影的图像分别标记的过程包括：将不含伪影的图像标记为正样例，将包含伪影的图像标记为负样例；标注完成后在由专家针对标记后数据集进行审核，审核完成后将标注后的数据集进行预处理。3.根据权利要求1所述的一种颅脑核磁共振图像质量控制方法，其特征在于，所述预处理的过程包括：对标注后的数据集按照颅脑窗值进行归一化处理成固定长宽的第一数据；使用小波变换对标注后的数据集预处理增强区域纹理特征得到第二数据；将所述第一数据和第二数据合并后按照预设的比例划分为训练集和测试集。4.根据权利要求2所述的一种颅脑核磁共振图像质量控制方法，其特征在于，所述在ResNet网络中卷积层利用注意力机制，对不同的通道做注意力计算，并对不同的通道评分；s＝σ(W2δ(W1z))；其中σ为sigmoid激活函数；δ为ReLU激活函数；W1为第一全连接层权重矩阵，W2为第二全连接层权重矩阵。5.根据权利要求4所述的一种颅脑核磁共振图像质量控制方法，其特征在于，所述ResNet网络中损失函数采用交叉熵损失函数；y
i
表示样本i的label，正样例为1，负样例为0；p
i
...

【专利技术属性】
技术研发人员：窦穹穹，吴军，张杨，鞠海涛，樊昭磊，陈冲，王长壮，
申请(专利权)人：山东众阳健康科技集团有限公司，
类型：发明
国别省市：