本申请实施例公开了一种基于深度学习的大脑微出血识别方法、装置及存储介质，其中基于深度学习的大脑微出血识别方法包括：从多回波序列中获取三维的SWI图像，将所述SWI图像作为输入，利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者；基于所述大脑微出血候选者的坐标提取三维补丁；将所述三维补丁作为输入，利用三维深度残差网络，以所述大脑微出血候选者的坐标为中心，输出所述大脑微出血候选者为真实大脑微出血的相似度分数。通过将基础检测方法与新颖的三维深度残差网络架构结合起来，开发一个用于检测、识别和标记大脑微出血的全自动管道，以减少初始大脑微出血检测后的假阳性，并提高特异性。并提高特异性。并提高特异性。
【技术实现步骤摘要】
基于深度学习的大脑微出血识别方法、装置及存储介质
[0001]本申请涉及医学图像处理
，具体涉及一种基于深度学习的大脑微出血识别方法、装置及存储介质。
技术介绍
[0002]大脑微出血（CMBs）是慢性脑出血的小病灶，由小血管结构畸形和血液制品沉积引起，在包括健康老人在内的多个人群中发病率较高。据观察，大脑微出血可能会增加未来颅内出血的风险，且其可作为脑淀粉样血管病和脑小血管疾病的生物标志物。此外，大脑微出血的存在可能增加缺血性中风、创伤性脑损伤和阿尔茨海默病的临床影响。事实上，直接的病理观察也显示，大脑微出血会给周围的脑组织带来损伤，从而导致功能障碍、痴呆和认知障碍。因此，准确区分大脑微出血与不同的可疑区域（即大脑微出血模拟物），如钙化、铁和静脉，对于正确诊断和适当治疗非常重要。
[0003]目前，电子计算机断层扫描（CT）和核磁共振成像（MRI）技术是用于大脑微出血识别的最可靠的检查方式。在临床实践中，由于CT扫描仪的电离辐射效应，MRI的现代进展通常优于CT成像，特别是使用梯度回波（GRE）和磁敏感性加权成像（SWI）。根据脑组织磁敏感性的理论，MRI有助于区分顺磁性出血和抗磁性钙化。因此，顺磁血液产物（即大脑微出血）在磁敏感性加权成像中的筛查高度敏感，产生具有低密度的小球状区域。尽管磁敏感性加权成像改善了大脑微出血的识别，但该方法仍需人工参与，神经放射科医生的检查仍然是耗时、容易出错、费力和主观的。而且，人工检测是劳动密集型的方法，很难复制；此外，很难排除血管、钙化、钙沉积、铁和其他信号空隙等模仿物，这可能导致误诊。因此，开发自动检测大脑微出血的技术是非常重要和必要的，不仅有望减少放射科医生或临床医生的工作量，还能提高辐射评估的效率和可靠性。
[0004]近年来，许多研究人员开发了计算机辅助的大脑微出血检测识别系统，但这也需要人工审查以去除假阳性（FPs），是一项耗时的工作。基于具有更深结构的卷积神经网络（CNN）的高级变体的研究也已经被开发出来用于大脑微出血的检测，与传统的机器学习技术和经典的卷积神经网络相比，其显示出更好的性能。如今，使用深度学习的自动检测识别技术在很大程度上被划分为使用一个或两个阶段的框架的方法。使用一个级联框架的方法，其灵敏度很高，假阳性率也很高。大多数最近的研究已经使用了一个可以降低假阳性率的两级框架。但以上针对大脑微出血的自动检测识别技术仍有较高的假阳性率和较低的特异性，这是因为这些方法很难识别小的焦油状病变，而且大脑微出血模拟物也易被识别为大脑微出血，因此，最终降低了它们的价值和广泛运用。
技术实现思路
[0005]本申请实施例的目的在于提供一种基于深度学习的大脑微出血识别方法、装置及存储介质，用以解决现有技术中的大脑微出血的自动检测识别技术仍有较高的假阳性率和较低的特异性的问题。
[0006]为实现上述目的，本申请实施例提供一种基于深度学习的大脑微出血识别方法，包括：从多回波序列中获取三维的SWI图像，将所述SWI图像作为输入，利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者；基于所述大脑微出血候选者的坐标提取三维补丁；将所述三维补丁作为输入，利用三维深度残差网络，以所述大脑微出血候选者的坐标为中心，输出所述大脑微出血候选者为真实大脑微出血的相似度分数。
[0007]可选地，所述从多回波序列中获取三维的SWI图像包括：应用自动校准直角坐标采样重建算法来恢复每个通道缺失的K空间线；使用平方根和将每个单独通道的幅度图像结合起来，并使用脑提取工具对头骨进行剥离；对每个线圈的第2至第4个回波的复合数据进行同调滤波；将所述第2至第4个回波的高通滤波后的相位图像进行平均，产生一个平均相位图像，并通过将相位值缩放到0和1之间来构建一个负相位掩码；通过所述第2至第4个回波的平均相位图像与所述相位掩码相乘来获取所述SWI图像。
[0008]可选地，所述将所述SWI图像作为输入，利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者包括：首先对整个输入的所述SWI图像体积逐片进行二维快速径向对称变换，然后，经过包括血管掩膜筛选、三维区域生长和/或二维几何特征提取的处理和过滤步骤，输出一组满足预定阈值的体素作为所述大脑微出血候选者。
[0009]可选地，在所述利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者之后，还包括：通过交互式图形用户界面，向用户提出一系列围绕潜在大脑微出血的问题，基于获取的用户答复信息，标记出由所述初始检测算法识别的所述大脑微出血候选者中的假阳性并加以去除。
[0010]可选地，所述三维深度残差网络包括：三个不同分辨率的12个三维残余块，由2
×2×
2最大集合层连接所述残余块之后，使用全局平均池化层来整合每个通道的全局信息，输出后由一系列全连接层进行二元分类，利用修正线性单元作为除最后一层外的所有层的激活函数，其中一个sigmoid函数用于生成范围从0到1的似然分数，所述三维深度残差网络的损失函数为二元交叉熵。
[0011]可选地，还包括：在训练过程中使用数据增强技术提高所述三维深度残差网络的通用性，所述数据增强技术包括：围绕轴向随机旋转输入补丁、将输入的补丁在轴向移动一个体素和/或翻转补丁。
[0012]为实现上述目的，本申请还提供一种基于深度学习的大脑微出血识别装置，包括：存储器；以及与所述存储器连接的处理器，所述处理器被配置成：从多回波序列中获取三维的SWI图像，将所述SWI图像作为输入，利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者；基于所述大脑微出血候选者的坐标提取三维补丁；
将所述三维补丁作为输入，利用三维深度残差网络，以所述大脑微出血候选者的坐标为中心，输出所述大脑微出血候选者为真实大脑微出血的相似度分数。
[0013]为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
[0014]本申请实施例具有如下优点：本申请实施例提供一种基于深度学习的大脑微出血识别方法，包括：从多回波序列中获取三维的SWI图像，将所述SWI图像作为输入，利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者；基于所述大脑微出血候选者的坐标提取三维补丁；将所述三维补丁作为输入，利用三维深度残差网络，以所述大脑微出血候选者的坐标为中心，输出所述大脑微出血候选者为真实大脑微出血的相似度分数。
[0015]通过上述方法，通过将基础检测方法与新颖的三维深度残差网络架构结合起来，开发一个用于检测、识别和标记大脑微出血的全自动管道，以减少初始大脑微出血检测后的假阳性，并提高特异性。该管道使用三维SWI图像作为初始检测算法的输入，以确定潜在的大脑微出血候选者的位置。然后，这些候选者被传输给一个训练有素的三维深度残差网络，以去除确定的大脑微出血模拟物，并为包含在最终检测结果中的每个大脑微出血分配一个可能性分数。
附图说明
[0016]为了更清楚地说明本申请的实施方式或本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的大脑微出血识别方法，其特征在于，包括：从多回波序列中获取三维的SWI图像，将所述SWI图像作为输入，利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者；基于所述大脑微出血候选者的坐标提取三维补丁；将所述三维补丁作为输入，利用三维深度残差网络，以所述大脑微出血候选者的坐标为中心，输出所述大脑微出血候选者为真实大脑微出血的相似度分数。2.根据权利要求1所述的基于深度学习的大脑微出血识别方法，其特征在于，所述从多回波序列中获取三维的SWI图像包括：应用自动校准直角坐标采样重建算法来恢复每个通道缺失的K空间线；使用平方根和将每个单独通道的幅度图像结合起来，并使用脑提取工具对头骨进行剥离；对每个线圈的第2至第4个回波的复合数据进行同调滤波；将所述第2至第4个回波的高通滤波后的相位图像进行平均，产生一个平均相位图像，并通过将相位值缩放到0和1之间来构建一个负相位掩码；通过所述第2至第4个回波的平均相位图像与所述相位掩码相乘来获取所述SWI图像。3.根据权利要求1所述的基于深度学习的大脑微出血识别方法，其特征在于，所述将所述SWI图像作为输入，利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者包括：首先对整个输入的所述SWI图像体积逐片进行二维快速径向对称变换，然后，经过包括血管掩膜筛选、三维区域生长和/或二维几何特征提取的处理和过滤步骤，输出一组满足预定阈值的体素作为所述大脑微出血候选者。4.根据权利要求1所述的基于深度学习的大脑微出血识别方法，其特征在于，在所述利用初始检测算法输出满足预定阈值的体素作为大脑微出血候选者之后，还包括：通过交互式图形用户界面，向用户提出一系列围绕潜在大脑微出血的问题，基于获取的用户答复信息，标记出由所述初始检测算法识别的所述大脑微出血候选者中的假阳性并加以去除。5.根据权利要求1所述的基于深度学习的大脑微出血识别方法，其特征在于，所述三维深度残差网络包括：三个不同分辨率的12个三维残余块，由2
×2×
2最大集合层连接所述残余块之后，使用全局平均池化层来整合每个通道的全局信息，输出后由一系列全连接层进行...
【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，左林雄，陈磊，龚哲晰，
申请(专利权)人：同心智医科技北京有限公司，
类型：发明
国别省市：
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。