基于卷积神经网络的海马体自动描绘方法及装置制造方法及图纸

本发明专利技术公开了一种基于卷积神经网络的海马体自动描绘方法及装置，通过对由磁共振成像扫描导出的磁共振切片图像进行预处理；将预处理图像输入至第一模型中，输出海马体边界框信息；将所述海马体边界框信息和所述预处理图像融合得到海马体裁剪后图像；将所述海马体裁剪后图像输入至第二模型中，输出描绘图像；根据所述描绘图像和所述海马体边界框信息得到海马体轮廓线。本发明专利技术能够大大提升目前手动描绘海马体的工作效率，减少手动描绘海马体的工作量，提高描绘海马体的准确度。提高描绘海马体的准确度。提高描绘海马体的准确度。

【技术实现步骤摘要】
基于卷积神经网络的海马体自动描绘方法及装置


[0001]本申请涉及机器学习
，具体而言，涉及一种基于卷积神经网络的海马体自动描绘方法、装置、计算机设备和存储介质。

技术介绍

[0002]脑转移是系统性癌症越来越常见的并发症。大约20
‑
40％的原发性颅内癌症患者在病程中发生脑转移，这种情况通常和需要紧急治疗的不良预后有关联。目前临床上脑放射治疗(radiotherapy，简称RT)仍然是最重要的治疗方法之一，其中RT包括了全脑放疗(whole brain radiotherapy,简称WBRT)和立体定向放射外科(stereotactic radiosurgery，简称SRS)。
[0003]然而接受了RT治疗，尤其是WBRT治疗，常常会经历与辐射相关的副作用，对于单独接受SRS治疗的患者，接受SRS联合WBRT治疗的患者认知功能下降更明显。而神经多能干细胞主要分布在海马区。多项研究表明，WBRT在不避开海马体的情况下，可能对海马体造成损害，并影响与认知障碍相关的学习和记忆的形成，会使得患者患认知功能障碍提高3倍。因此WBRT期间避免海马体可能会预防这种副作用。所以海马体的准确描绘对于放射治疗计划的成功非常重要，但是手动划定目标区域既耗时又困难。
[0004]针对相关技术中手动描绘海马体轮廓费时费力，效率低下的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供一种基于卷积神经网络的海马体自动描绘方法、装置、计算机设备和存储介质，用以解决相关技术中手动描绘海马体轮廓费时费力，效率低下的问题。
[0006]为了实现上述目的，本专利技术实施例的第一方面，提供一种基于卷积神经网络的海马体自动描绘方法，包括：
[0007]对由磁共振成像扫描导出的磁共振切片图像进行预处理；
[0008]将预处理图像输入至第一模型中，输出海马体边界框信息；将所述海马体边界框信息和所述预处理图像融合得到海马体裁剪后图像；
[0009]将所述海马体裁剪后图像输入至第二模型中，输出描绘图像；
[0010]根据所述描绘图像和所述海马体边界框信息得到海马体轮廓线。
[0011]可选地，在第一方面的一种可能实现方式中，对由磁共振成像扫描导出的磁共振切片图像进行预处理，包括：
[0012]将所有磁共振切片图像调整为统一像素，得到图像集；
[0013]对图像集中的所有标签图像进行归一化处理，公式如下：
[0014][0015]其中，μ表示矩阵的均值，σ表示矩阵的标准差，经过归一化处理后，数据的均值μ为
0，标准差σ为1，相应的标签图像转换为0
‑
1区间。
[0016]可选地，在第一方面的一种可能实现方式中，将预处理图像输入至第一模型中，输出海马体边界框信息包括：
[0017]所述第一模型包括识别模型和定位模型；
[0018]将预处理图像和候选边框输入至所述识别模型中，其中候选边框是使用选择搜索或者滑动窗口获得的；
[0019]将识别的候选边框输入至所述定位模型中，并调整边框边界生成最终的边界框信息。
[0020]可选地，在第一方面的一种可能实现方式中，将所述海马体裁剪后图像输入至第二模型中，输出描绘图像，包括：
[0021]对下采样提取的特征映射进行1*1*1卷积运算得到第一特征图；
[0022]对上采样提取的特征映射进行1*1*1卷积运算得到第二特征图；
[0023]将所述第一特征图和所述第一特征图进行相加后，使用第一激活函数得到第一输出图；
[0024]对所述第一输出图进行1*1*1卷积运算，并使用第二激活函数对卷积运算结果进行处理，得到注意力系数。
[0025]可选地，在第一方面的一种可能实现方式中，在得到注意力系数之后，还包括：
[0026]将下采样提取的特征映射与所述注意力系数相乘，生成注意力权重，所述权重用于将与目标区域不相关的其他区域变小，目标区域变大。
[0027]本专利技术实施例的第二方面，提供一种基于卷积神经网络的海马体自动描绘装置，包括：
[0028]图像预处理模块，用于对由磁共振成像扫描导出的磁共振切片图像进行预处理；
[0029]海马体裁剪后图像确定模块，用于将预处理图像输入至第一模型中，输出海马体边界框信息；将所述海马体边界框信息和所述预处理图像融合得到海马体裁剪后图像；
[0030]描绘图像确定模块，用于将所述海马体裁剪后图像输入至第二模型中，输出描绘图像；
[0031]海马体轮廓线确定模块，用于根据所述描绘图像和所述海马体边界框信息得到海马体轮廓线。
[0032]可选地，在第二方面的一种可能实现方式中，所述图像预处理模块，包括：
[0033]像素调整单元，用于将所有磁共振切片图像调整为统一像素，得到图像集；
[0034]归一化处理单元，用于对图像集中的所有标签图像进行归一化处理，公式如下：
[0035][0036]其中，μ表示矩阵的均值，σ表示矩阵的标准差，经过归一化处理后，数据的均值μ为0，标准差σ为1，相应的标签图像转换为0
‑
1区间。
[0037]可选地，在第二方面的一种可能实现方式中，所述海马体裁剪后图像确定模块，包括：
[0038]所述第一模型包括识别模型和定位模型；
[0039]识别单元，用于将预处理图像和候选边框输入至所述识别模型中，其中候选边框
是使用选择搜索或者滑动窗口获得的；
[0040]定位单元，用于将识别的候选边框输入至所述定位模型中，并调整边框边界生成最终的边界框信息。
[0041]本专利技术实施例的第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
[0042]本专利技术实施例的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本专利技术第一方面及第一方面各种可能设计的所述方法的步骤。
[0043]本专利技术提供的基于卷积神经网络的海马体自动描绘方法、装置、计算机设备和存储介质，通过对由磁共振成像扫描导出的磁共振切片图像进行预处理；将预处理图像输入至第一模型中，输出海马体边界框信息；将所述海马体边界框信息和所述预处理图像融合得到海马体裁剪后图像；将所述海马体裁剪后图像输入至第二模型中，输出描绘图像；根据所述描绘图像和所述海马体边界框信息得到海马体轮廓线。本专利技术能够大大提升了目前手动描绘海马体的工作效率，减少手动描绘海马体的工作量，提高描绘海马体的准确度。
附图说明
[0044]图1为本专利技术实施例提供的基于卷积神经网络的海马体自动描绘方法的流程图；
[0045]图2为预处理图像的示意图；
[0046]图3为3D CNN的架构流程图；
[0047]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的海马体自动描绘方法，其特征在于，包括：对由磁共振成像扫描导出的磁共振切片图像进行预处理；将预处理图像输入至第一模型中，输出海马体边界框信息；将所述海马体边界框信息和所述预处理图像融合得到海马体裁剪后图像；将所述海马体裁剪后图像输入至第二模型中，输出描绘图像；根据所述描绘图像和所述海马体边界框信息得到海马体轮廓线。2.根据权利要求1所述的基于卷积神经网络的海马体自动描绘方法，其特征在于，对由磁共振成像扫描导出的磁共振切片图像进行预处理，包括：将所有磁共振切片图像调整为统一像素，得到图像集；对图像集中的所有标签图像进行归一化处理，公式如下：其中，μ表示矩阵的均值，σ表示矩阵的标准差，经过归一化处理后，数据的均值μ为0，标准差σ为1，相应的标签图像转换为0
‑
1区间。3.根据权利要求1所述的基于卷积神经网络的海马体自动描绘方法，其特征在于，将预处理图像输入至第一模型中，输出海马体边界框信息包括：所述第一模型包括识别模型和定位模型；将预处理图像和候选边框输入至所述识别模型中，其中候选边框是使用选择搜索或者滑动窗口获得的；将识别的候选边框输入至所述定位模型中，并调整边框边界生成最终的边界框信息。4.根据权利要求1所述的基于卷积神经网络的海马体自动描绘方法，其特征在于，将所述海马体裁剪后图像输入至第二模型中，输出描绘图像，包括：对下采样提取的特征映射进行1*1*1卷积运算得到第一特征图；对上采样提取的特征映射进行1*1*1卷积运算得到第二特征图；将所述第一特征图和所述第一特征图进行相加后，使用第一激活函数得到第一输出图；对所述第一输出图进行1*1*1卷积运算，并使用第二激活函数对卷积运算结果进行处理，得到注意力系数。5.根据权利要求4所述的基于卷积神经网络的海马体自动描绘方法，其特征在于，在得到注意力系数之后，还包括：将下采样提取的特征...

【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，徐鹏，赵友源，陈磊，庞盼，
申请(专利权)人：昆明同心医联科技有限公司，
类型：发明
国别省市：