基于深度神经网络的胎盘植入MRI征象检测分类方法及装置制造方法及图纸

本发明专利技术公布了一种基于深度神经网络的胎盘植入MRI征象检测分类方法及装置，包括：MRI图像预处理模块和MRI胎盘植入征象区域检测分类模块；其中MRI胎盘植入征象区域检测分类模块包括：特征提取模块、征象区域生成模块、假阳性区域消减模块和掩码生成模块。构建基于深度神经网络的胎盘植入MRI征象区域检测分类模型，针对医学MRI图像数据，通过少量的标注信息和数据处理作为模型输入，模型输出包含征象区域的三维包围框以及征象所属类别，可用于胎盘植入MRI征象区域的检测分类。本发明专利技术具备一定的扩展性，支持对征象类型的修改以及广泛的三维数据类型处理和分类检测。维数据类型处理和分类检测。维数据类型处理和分类检测。

【技术实现步骤摘要】
基于深度神经网络的胎盘植入MRI征象检测分类方法及装置


[0001]本专利技术属于医疗信息
，涉及医学影像处理、影像病症区域检测和分类技术，尤其涉及一种基于深度神经网络的胎盘植入性MRI征象检测分类方法及装置。

技术介绍

[0002]在医学信息技术交叉领域，通常可采用超声造影或核磁共振成像方式获取医学影像，可用于进行辅助诊断。对胎盘植入性MRI征象进行评估，现有工作包括采用基于MRI征象的评分模型，用于对侵袭性胎盘植入和不良结局风险评估((陈练等,基于MRI征象的评分模型预测侵袭性胎盘植入和不良临床结局的价值[J].中华围产医学杂志,24(01):32
‑
39.2021)。但是，目前基于核磁影像的评估技术依赖资深影像学医师的专业知识，难以实现高效地处理日益增长的大规模影像数据。
[0003]近期有一些工作通过对影像中的胎盘区域人工勾画，使用影像组学(Radiomics)技术对胎盘植入导致的出血量进行预测(QINGXIA WU等,Radiomics analysis of placenta on T2WI facilitates prediction of postpartum haemorrhage:A multicentre study[J/OL].EBioMedicine,50:355
‑
365.2019)。但是，该方法采取人工标注影像中的胎盘器官区域的方式，效率较低；且所提取的影像的低阶特征，通过线性模型得到预测结果，表征能力有限。还有工作采用了自动化流程进行影像处理和区域预测，首先人工勾画部分病例的胎盘区域，通过nnU
‑
Net模型(ISENSEE JAEGER等,nnU
‑
Net:a self
‑
configuring method for deep learning
‑
based biomedical image segmentation[J/OL].Nature Methods,18(2):203
‑
211.
[0004]https://doi.org/10.1038/s41592
‑
020
‑
01008
‑
z，2021)对影像器官区域进行分割；然后基于此构建影像组学预测模型，可以实现预测过程自动化，但是该工作的预测效果还有待提升。
[0005]近年来，计算机辅助医学
中，基于深度卷积神经网络的图像处理方法，可利用海量影像数据，在特征提取、病灶区域检测等方向产生了许多应用。但是，目前尚没有能够自动提取胎盘植入MRI征象并进行分类的相关模型和方法。

技术实现思路

[0006]为了克服上述现有技术的不足，本专利技术提供一种基于深度神经网络的胎盘植入MRI征象检测分类方法及其装置，包含征象预测模型构建、模型训练和模型预测技术，针对医学MRI图像数据，构建的基于深度神经网络的胎盘植入MRI征象区域检测分类模型通过少量的标注信息和简单的数据处理，模型输出包含征象区域的三维包围框以及征象所属类别，可用于胎盘植入MRI征象区域的检测分类。本专利技术具备一定的扩展性，支持对征象类型的修改以及广泛的三维数据类型。
[0007]本专利技术的技术方案如下：
[0008]一种基于深度神经网络的胎盘植入MRI征象区域检测分类方法，主要包括数据预
处理，模型预测和预测结果后处理3个部分。构建基于深度神经网络的胎盘植入MRI征象区域检测分类，模型输入为预处理后的三维MRI图像，通过多层卷积神经网络构成的编码器和解码器，得到包含多尺度信息的特征；再经过多个预测模块得到征象区域预测包围框和征象类别信息；本专利技术方法主要包括如下步骤：
[0009]A对MRI图像进行预处理，作为模型输入；
[0010]预处理包括灰度值归一化、裁剪等操作，设置图像尺寸，且确保模型输入的图像尺寸为(1,24,128,128)(四元组分别表示：通道数，深度，高度和宽度)；
[0011]构建并训练基于深度神经网络的胎盘植入MRI征象区域检测分类模型，模型由四个主要模块构成，分别是：特征提取模块、征象区域生成模块、假阳性区域消减模块和掩码生成模块；其中征象区域生成模块、假阳性区域消减模块和掩码生成模块为预测模块。
[0012]特征提取模块的结构包括：一个基本卷积块(包含两个卷积层，记为C1)、三个最大池化层、七个带有通道注意力机制的残差卷积块(分别记为C2～C8)、三次拼接操作和三个转置卷积层。该模块的功能是实现对输入图像特征的提取和组合，得到高质量的征象特征作为其他模块的输入。将特征提取模块中对输入图像进行下采样的部分称为编码器部分(包括C1～C4卷积块和最大池化层)，对下采样后的特征进行尺寸恢复的部分称为解码器部分(包括C5～C8卷积块和转置卷积层)。
[0013]征象区域生成模块的结构包括：两个1
×
1卷积操作，对输入特征分别产生征象区域包围框坐标和长度预测，以及置信度预测。
[0014]假阳性区域消减模块的结构包括：一个特征图裁剪操作，兴趣区域池化层和两个并行的全连接层。兴趣区域池化层能够将不同空间形状的特征池化为相同形状，通过全连接层后产生预测征象的类别信息和对区域包围框的位置微调。
[0015]掩码生成模块的结构包括：三次特征裁剪操作，两个上采样层和两次特征拼接操作，以及最后连接的Sigmoid激活层。
[0016]模型构建并训练包括步骤B～E：
[0017]B构建MRI图像特征提取模块，提取得到胎盘植入MRI征象特征或称特征图；
[0018]本专利技术中，卷积神经网络主要用于提取图像特征，并对特征进行组合，产生高级语义特征。低层级特征主要是指图像纹理、角点等特征，高层级特征是指具备一定视觉含义的特征，如各种征象表示。模型训练时，输入数据通过MRI图像特征提取模块，其中基本卷积块C1提取得到图像中的低层级特征。之后通过七个带有通道注意力的残差卷积块，分别记为C2～C8，对图像特征进行组合，从而产生高层级的特征，作为后续预测模块的输入。该模块中还使用了拼接操作和转置卷积层，将不同层级的特征进行融合，达到更好的表征效果；
[0019]C构建并训练征象区域生成模块，以胎盘植入MRI征象特征为输入，获取3D包围框征象区域及对应的置信度；
[0020]征象区域生成模块以上述MRI图像特征提取模块提取得到的胎盘植入MRI征象特征图作为输入，通过两个1
×
1卷积操作，在输入特征的每个位置生成出6个3D包围框以及其对应的置信度，每个3D包围框由中心点坐标和长宽高6个数字表示；
[0021]D构建并训练假阳性区域消减模块，对征象区域的类别进行分类预测，并抑制掉非征象区域，还可对包围框位置和大小进行微调；
[0022]假阳性区域消减模块对上述包围框区域进一步分类，减少假阳性征象预测。具体
是将上述包围框视为感兴趣区域，在较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的胎盘植入MRI征象检测分类方法，其特征是，构建基于深度神经网络的胎盘植入MRI征象区域检测分类模型；针对医学MRI图像数据，通过数据预处理，输入预处理后的MRI图像，通过检测分类模型的多层卷积神经网络进行特征提取，得到包含多尺度信息的胎盘植入MRI征象特征；再经过检测分类模型的多个预测模块输出包含征象区域的三维包围框及征象所属类别；包括如下步骤：1)对MRI图像进行预处理，将图像尺寸表示为四元组(通道数，深度，高度和宽度)，并设置图像尺寸；2)构建并训练基于深度神经网络的胎盘植入MRI征象区域检测分类模型；模型包括：特征提取模块和MRI征象区域预测模块；MRI征象区域预测模块包括征象区域生成模块、假阳性区域消减模块和掩码生成模块；特征提取模块用于对输入图像特征进行提取和组合，得到征象特征；模块结构包括：基本卷积块、最大池化层、带有通道注意力机制的残差卷积块和转置卷积层；征象区域生成模块用于通过卷积操作，对输入的征象特征分别预测产生征象区域包围框信息，包括征象区域包围框的坐标、长度，以及置信度；假阳性区域消减模块用于对征象区域的类别进行分类预测，并抑制掉非征象区域；还可对包围框位置和大小进行微调；模块结构包括：兴趣区域池化层和两个并行的全连接层；掩码生成模块通过多次上采样和拼接操作，对输入包围框内的征象形状进行分割，输出征象掩码；包括：上采样层和激活层；模型训练使用的总损失函数由征象区域生成损失、假阳性区域消减损失和掩码生成损失函数组成；其中，征象区域生成损失和假阳性消减损失均包括分类损失和回归损失；掩码生成损失基于Soft Dice损失函数进行计算；经模型训练得到训练好的胎盘植入MRI征象区域检测分类模型；3)利用训练好的胎盘植入MRI征象区域检测分类模型，输入待检测的MRI图像，进行分类预测，得到胎盘植入MRI征象区域类别。2.如权利要求1所述基于深度神经网络的胎盘植入MRI征象检测分类方法，其特征是，对MRI图像进行预处理具体包括：11)遍历数据集中的每一个MRI图像，读取医学影像DICOM格式文件中的窗宽窗位信息，对MRI图像进行灰度归一化；对MRI训练图像进行人工标注，包括标注包围框、对应征象区域或征象形状；12)遍历训练集标注，根据标注包围框的位置进行分析，计算中位数和方差；包围框的位置包括中心点坐标和深度、长度、宽度信息；13)通过高斯加权采样对图像进行随机裁剪，裁剪尺寸范围为目标尺寸的0.8到1.2倍，然后进行缩放到目标尺寸；并以设定概率对裁剪后的数据区域进行水平或竖直方向的翻转；不足区域通过填充补齐；对包围框标注进行相同的操作，以增广训练数据集。3.如权利要求1所述基于深度神经网络的胎盘植入MRI征象检测分类方法，其特征是，步骤1)对MRI图像进行预处理，图像尺寸表示为四元组(通道数，深度，高度和宽度)；模型输入图像的目标尺寸设置为(1,24,128,128)。4.如权利要求1所述基于深度神经网络的胎盘植入MRI征象检测分类方法，其特征是，特征提取模块的结构包括：一个包含两个卷积层的基本卷积块，记为C1；三个最大池化层、
七个带有通道注意力机制的残差卷积块，分别记为C2～C8；三个转置卷积层；特征提取模块还包括三次拼接操作。5.如权利要求4所述基于深度神经网络的胎盘植入MRI征象检测分类方法，其特征是，模型训练时，输入图像通过MRI图像特征提取模块，其中基本...

【专利技术属性】
技术研发人员：王平，罗登，颜鲲，马萌，陈练，
申请(专利权)人：北京大学第三医院北京大学第三临床医学院，
类型：发明
国别省市：