一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备制造方法及图纸

本说明书实施例公开了一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备。所述方法包括：获取待处理的影像数据，所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据；采用滑动窗口处理，提取所述待处理的影像数据的第一影像块；将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型，获得血管分割掩膜图像；以所述血管分割掩膜图像作为采样位置参考数据，将所述待处理的影像数据的第二影像块，输入预先训练的动脉瘤分割模型预测动脉瘤的概率，获得所述第二影像块对应的动脉瘤预测结果，所述血管分割模型与所述动脉瘤分割模型级联；对所述第二影像块对应的动脉瘤预测结果进行连通域分析，获得动脉瘤分割结果。割结果。割结果。

【技术实现步骤摘要】
一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备


[0001]本说明书涉及人工智能及医学影像领域，尤其涉及一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备。

技术介绍

[0002]颅内动脉瘤是由于颅内动脉管壁的局部先天缺陷或破坏导致局部内腔异常扩大而形成的瘤样凸起。颅内动脉瘤具有动脉瘤大小不一，从小于5mm的小型动脉瘤，到大于25mm的巨大型动脉瘤；位置不稳定，可能出现在全脑血管的任意位置，且不同位置出现动脉瘤的概率不定；形态各异，具有囊形，梭形，以及带有子囊等形态的动脉瘤，非常不规则，尤其是一些梭形动脉瘤，跟血管比较接近，难以确认，因此，非常容易漏诊。现有技术中，对于颅内动脉瘤的识别，往往采用
″
人工
″
方法进行颅内动脉瘤识别，即基于医生的经验，读取患者的医学影像，进而进行动脉瘤的识别，这种人工方法，工作负担繁重，且需要人工进行反应识别，识别时间较长，准确率低。
[0003]核磁共振是目前动脉瘤等筛查的常规手段，作为首诊、体检等必要的扫描手段。其中，时间飞跃法磁共振血管造影成像(Time本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于核磁共振影像的颅内动脉瘤的检测方法，其特征在于，所述方法包括：获取待处理的影像数据，所述待处理的影像数据为含有颅内动脉瘤的核磁共振影像数据；采用滑动窗口处理，提取所述待处理的影像数据的第一影像块；将所述待处理的影像数据的第一影像块输入预先训练的血管分割模型，获得血管分割掩膜图像；以所述血管分割掩膜图像作为采样位置参考数据，将所述待处理的影像数据的第二影像块，输入预先训练的动脉瘤分割模型预测动脉瘤的概率，获得所述第二影像块对应的动脉瘤预测结果，所述血管分割模型与所述动脉瘤分割模型级联；对所述第二影像块对应的动脉瘤预测结果进行连通域分析，获得动脉瘤分割结果；其中，所述待处理的影像数据的第二影像块的获取包括：基于所述血管分割掩膜图像与所述待处理的影像数据进行点乘计算，获得点乘计算图像；基于所述待处理的影像数据对应的体数据或者所述点乘计算图像，采用滑动窗口处理获得所述第二影像块。2.如权利要求1所述的检测方法，其特征在于，所述采用滑动窗口处理，提取所述待处理的影像数据的第一影像块，具体包括：基于滑动窗口的方式，采用大小为第一预设像素的滑动窗口，且相邻滑动窗口具有50％的重叠，在滑动过程中生成所述第一预设像素的像素块，作为所述待处理的影像数据的第一影像块。3.如权利要求1所述的检测方法，其特征在于，所述血管分割模型是基于3D
‑
Unet结构网络训练获取的模型，具体包括：将血管标注的临床影像数据进行影像块提取，获取用于血管分割模型训练的第三影像块；将所述用于血管分割模型训练的第三影像块进行数据强化，获得强化后的第三影像块；将所述第三影像块输入3D
‑
Unet结构网络中进行模型训练，以Dice和CE结合的损失函数进行模型优化，获得血管分割模型。4.如权利要求3所述的检测方法，其特征在于，所述将血管标注的临床影像数据进行影像块提取，获取用于血管分割模型训练的第三影像块，具体包括：对所述临床影像数据进行预处理后，进行血管的标注，获得血管标注的临床影像数据；采用随机采样的方式，从所述血管标注的临床影像数据中进行取样，获得第二预设像素的像素块，作为用于血管分割模型训练的第三影像块。5.如权利要求3所述的方法，其特征在于，所述将所述用于血管分割模型训练的第三影像块进行数据强化，获得强化后的第三影像块，具体包括：将所述用于血管分割模型训练的第三影像块进行旋转、缩放、翻转、模糊、gama增强中的一种或几种操作，进行数据强化，获得强化后的第三影像数据。6.如权利要求3所述的检测方法，其特征在于，所述Dice和CE结合的损失函数的表达式为：
其中，Loss1为Dice和CE结合的损失函数；g
i
表示像素点属于血管的分类是否正确，正确则为1，否则为0；s
i
表示像素点为血管像素点的概率值；N为所有影像块内所有像素点个数。7.如权利要求1所述的检测方法，其特征在于，所述动脉瘤分割模型是基于3D
‑
Unet结构网络训练获取的模型，具体包括：将临床影像数据对应的体数据进行影像块提取，获取用于动脉瘤分割模型训练的第四影像块；将所述用于动脉瘤分割模型训练的第四影像块进行数据强化，获得强化后的第四影像块；将所述第四影像块输入3D
‑
Unet结构网络中进行模型训练，以Dice和TopK结合的损失函数进行模型优化，获得动脉瘤分割模型。8.如权利要求7所述的检测方法，其特征在于，所述将临床影像数据对应的体数据进行影像块提取，获取用于动脉瘤分割模型训练的第四影像块，具体包括：基于随机采样的方式，从所述临床影像数据对应的体数据中属于血管标签的数据上，进行影像块提取，生成96*...

【专利技术属性】
技术研发人员：方刚，秦岚，王文智，于舒，杨光明，印胤，
申请(专利权)人：强联智创北京科技有限公司，
类型：发明
国别省市：