一种胎儿脑MRI生物学指标自动测量方法和系统技术方案

本发明专利技术属于医学图像处理技术领域，具体涉及一种胎儿脑MRI生物学指标自动测量方法和系统。本发明专利技术方法包括如下步骤：步骤1，获取胎儿脑部MRI图像；步骤2，输入分割模型，得到胎儿大脑和小脑语义分割结果，所述分割模型的算法选自nnU

【技术实现步骤摘要】
一种胎儿脑MRI生物学指标自动测量方法和系统


[0001]本专利技术属于医学图像处理
，具体涉及一种胎儿脑MRI生物学指标自动测量方法和系统。

技术介绍

[0002]由于磁共振成像具有优良的软组织对比，可以进行大视野、多平面、多方位及多参数成像，克服了超声成像固有的缺陷，胎儿MRI得到了越来越多的应用，提高了胎儿大脑异常的诊断准确性。胎儿脑部生物学测量如脑双顶径、骨双顶径、额枕径、头围等通过对胎儿大脑及其各种解剖分割进行定量评估，这些指标可作为参考信息，辅助临床医生确定胎儿孕周、估计胎儿体重、监测胎儿生长，是产前中枢神经系统畸形筛检的重要内容。在胎儿脑部磁共振图像中，脑实质、脑脊液及颅骨分界显示清晰，各生物学指标易于测量。
[0003]目前的临床工作中，胎儿脑各生物学指标的测量是由影像科医师在特定方位及层面的MRI图像上手动操作获得，脑双顶径为在冠状位经室间孔层面测量双侧额叶的最大横径，如图1所示，小脑横径为在在侧脑室三角区平面测量双侧小脑半球最大横径，如图2所示；大脑半球体积及小脑体积的测量则需逐层沿解剖边界手动勾勒，计算其体素之和，测量困难，未在临床普及。
[0004]总之，现有技术中，胎儿脑各生物学指标的测量依赖于医师的专业知识和临床经验，测量层面及位置选择的差异使得测量结果存在误差，主观性较大，此外，手动测量比较费时费力，尤其是体积的测量，测量一例需要2小时左右，难以提高工作效率。
[0005]算法和计算资源的进步推动了医学图像处理领域的发展，近年来，深度学习已成为最先进的方法，为不同图像质量及扫描协议提供了快速、稳健的解决方案。通过先进的人工智能技术自动化胎儿MRI生物测量能够提供更具可重复性和更省时的测量，从而改善工作流程，减少对操作者经验的依赖性，有利于医疗资源匮乏国家和地区的母胎保健事业的发展。例如，中国专利技术专利申请“CN114298974A胎儿头MR影像智能诊断方法及系统”公开了对胎儿头MR影像进行分割和计算，获得相关参数的方法和系统。然而，该申请中对于测量方法仅笼统地概括为“AI工具”，而未具体公开选择什么样的手段实现测量。由于不同的机器学习模型对于不同的预测任务的适用性有着显著的差异，因而，如何构建模型实现胎儿MRI中胎儿脑各生物学指标的测量，这依然是本领域亟需解决的问题。

技术实现思路

[0006]针对现有技术的问题，本专利技术的目的在于提供一种胎儿脑MRI生物学指标自动测量方法和系统。
[0007]一种胎儿脑MRI生物学指标自动测量方法，包括如下步骤：
[0008]步骤1，获取胎儿脑部MRI图像；
[0009]步骤2，输入分割模型，得到胎儿大脑和小脑语义分割结果，所述分割模型的算法选自nnU
‑
Net；
[0010]步骤3，进行图像配准；
[0011]步骤4，确定测量部位，完成测量，得到胎儿脑的生物学指标。
[0012]优选的，步骤1中，所述MRI图像是胎儿脑部冠状位T2WI序列MRI图像。
[0013]优选的，所述分割模型的训练方法包括如下步骤：
[0014]步骤201，在深度学习框架PyTorch下搭建nnU
‑
Net；
[0015]步骤202，对胎儿脑MRI图像使用数据增强技术进行扩增以避免过拟合，扩增后的数据作为nnU
‑
Net输入；
[0016]步骤203，得到nnU
‑
Net对图像的预测结果，计算预测结果与实际标注结果之间的误差；
[0017]步骤204，根据误差计算模型梯度，然后Adam优化器根据计算的梯度来更新模型的参数，直到取得最优结果。
[0018]优选的，步骤202中，所述数据增强技术选自如下操作方法中的至少一种：随机水平翻转、随机垂直翻转、旋转、缩放、镜像、高斯噪声、对比度调整。
[0019]优选的，步骤203中，采用Dice Loss和Cross Entropy loss的组合作为损失函数，用于衡量所述误差。
[0020]优选的，所述分割模型的训练过程中，数据集采用五折交叉验证的方式进行测试。
[0021]优选的，步骤3中，图像配准的方法为：根据大脑和小脑的相对位置关系，将图像旋转为头顶向上的标准体位。
[0022]优选的，步骤4中，步骤4中，所述胎儿脑的生物学指标包括如下指标中的至少一项：脑双顶径、小脑横径、大脑半球体积、小脑体积；
[0023]其中，脑双顶径测量方法为：提取双侧大脑半球上1/2部分；计算提取的上半部分双侧大脑半球的宽度，然后取最大值作为脑双顶径测量值；
[0024]小脑横径测量方法为：计算小脑分割轮廓的最大宽度；
[0025]大脑半球体积计算方法为：计算大脑半球解剖分割的体素个数
×
体素体积；
[0026]小脑体积计算方法为：计算小脑解剖分割的体素个数
×
体素体积。
[0027]本专利技术还提供一种实现上述胎儿脑MRI生物学指标自动测量方法的系统，包括：
[0028]输入模块，用于输入胎儿脑部MRI图像；
[0029]分割模块，集成有nnU
‑
Net分割模型，用于得到胎儿大脑和小脑语义分割结果；
[0030]配准模块，用于对胎儿大脑和小脑语义分割结果进行图像配准；
[0031]测量模块，用于对配准后的图像进行胎儿脑的生物学指标的测量。
[0032]本专利技术还提供一种计算机可读存储介质，其上存储有：用于实现上述胎儿脑MRI生物学指标自动测量方法的的计算机程序。
[0033]本专利技术针对胎儿脑的生物学指标测量任务，构建了方法流程，并优选了流程中分割胎儿脑部MRI图像的模型算法。利用本专利技术的方法，能够准确地分割胎儿大脑和小脑的图像，从而保证胎儿脑的生物学指标测量结果的准确性。本专利技术能够显著提升临床工作效率，减轻影像科医师工作负担，具有很好的应用前景。
[0034]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0035]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说
明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。凡基于本专利技术上述内容所实现的技术均属于本专利技术的范围。
附图说明
[0036]图1为脑双顶径的测量方法示意图；
[0037]图2为小脑横径的测量方法示意图；
[0038]图3为实施例1的方法流程示意图。
具体实施方式
[0039]需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
[0040]实施例1胎儿脑MRI生物学指标自动测量方法
[0041]本实施例的方法流程示意图如图3所示，具体包括：...

【技术保护点】

【技术特征摘要】
1.一种胎儿脑MRI生物学指标自动测量方法，其特征在于，包括如下步骤：步骤1，获取胎儿脑部MRI图像；步骤2，输入分割模型，得到胎儿大脑和小脑语义分割结果，所述分割模型的算法选自nnU
‑
Net；步骤3，进行图像配准；步骤4，确定测量部位，完成测量，得到胎儿脑的生物学指标。2.按照权利要求1所述的测量方法，其特征在于，步骤1中，所述MRI图像是胎儿脑部冠状位T2WI序列MRI图像。3.按照权利要求1所述的测量方法，其特征在于，所述分割模型的训练方法包括如下步骤：步骤201，在深度学习框架PyTorch下搭建nnU
‑
Net；步骤202，对胎儿脑MRI图像使用数据增强技术进行扩增以避免过拟合，扩增后的数据作为nnU
‑
Net输入；步骤203，得到nnU
‑
Net对图像的预测结果，计算预测结果与实际标注结果之间的误差；步骤204，根据误差计算模型梯度，然后Adam优化器根据计算的梯度来更新模型的参数，直到取得最优结果。4.按照权利要求3所述的测量方法，其特征在于，步骤202中，所述数据增强技术选自如下操作方法中的至少一种：随机水平翻转、随机垂直翻转、旋转、缩放、镜像、高斯噪声、对比度调整。5.按照权利要求3所述的测量方法，其特征在于，步骤203中，采用Dice Loss和Cross Entropyloss的组合作为损失函数，用于衡量所述误差。6.按照权利要求1所述的测量方法...

【专利技术属性】
技术研发人员：宁刚，佘佳燕，张蕾，黄海莹，曲海波，黄伟，陈荟竹，张朝，孙艳，魏小松，陈宇婕，叶芷君，刘川，汪佳希，叶鹏飞，杨薇霖，
申请(专利权)人：四川大学华西第二医院，
类型：发明
国别省市：