一种基于医学图像分割的神经退行性疾病筛查方法技术

本发明专利技术公开了一种基于医学图像分割的神经退行性疾病筛查方法，首先对原始脑部

【技术实现步骤摘要】
一种基于医学图像分割的神经退行性疾病筛查方法


[0001]本专利技术属于医学图像处理
，更为具体地讲，涉及一种基于医学图像分割的神经退行性疾病筛查方法
。

技术介绍

[0002]帕金森氏症
(Parkinson's disease,PD)
和阿尔茨海默症
(Alzheimer's disease,AD)
是两种常见的神经退行性疾病
。
帕金森氏症是一种中枢神经系统的退行性疾病，其主要特征是运动障碍，如震颤
、
僵硬和运动缓慢
。
阿尔茨海默症是一种神经退行性疾病，其主要特征是记忆力丧失
、
认知能力下降和行为异常
。
帕金森氏症和阿尔兹海默症的高发人群都以老年人为主，目前，全球有超过
5000
万名
PD
与
AD
的患者，并且每年的新增发病人数呈上升趋势，针对
AD
与
PD
的早期诊断有着十分重要的意义
。
[0003]目前临床诊断主要依据症状表现
、
神经功能评估和头颅
MRI(Magnetic resonance imaging
磁共振成像
)
，以及
β
淀粉样斑块或多巴胺转运体等示踪剂正电子发射断层显像扫描等手段
。
针对脑部
MRI
影像，有几个重要的测量指标，比如
Evans/>指数
(
同一层面上侧脑室最大宽度与颅骨内板最大宽度的比值
)、
胼胝体角以及脑与脑室比例等等
。
目前对于这些指标的测量还停留在手工操作阶段，这就导致了测量的繁琐，同时引入了人为的主观性
。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于医学图像分割的神经退行性疾病筛查方法，能够自动测量出与
AD、PD
诊断相关的几个重要指标，进而完成神经退行性疾病的早期筛查
。
[0005]为实现上述专利技术目的，本专利技术一种基于医学图像分割的神经退行性疾病筛查方法，其特征在于，包括以下步骤：
[0006](1)、
从数据库中下载多张关于神经退行性疾病的
MRI
影像，然后将每一张
MRI
影像配准到统一的模板空间，得到标准化影像，然后在每一张标准化影像上找到最大横断面截面；
[0007](2)、
训练图像分割模型；
[0008](2.1)、
利用最大横断面截面训练关于
Evans
指数的图像分割模型，直至图像分割模型收敛；
[0009](2.2)、
利用最大横断面截面训练关于脑
/
脑室比率
BVR
指数的图像分割模型，直至图像分割模型收敛；
[0010](2.3)、
利用最大横断面截面训练关于胼胝体角
CA
指数的图像分割模型，直至图像分割模型收敛；
[0011](3)、
将目标
MRI
影像配准到统一的模板空间，并找到最大横断面截面，记为目标截面；
[0012](4)、
人工检索目标截面，从步骤
(2)
中选择对应的图像分割模型，然后将目标截面
输入至收敛后的图像分割模型，得到标注好关键区域的掩码图；
[0013](5)、
根据掩码图完成不同指标的神经退行性疾病筛查；
[0014](5.1)、
根据掩码图计算
Evans
指数，如果
Evans
指数大于阈值时，筛查出患者患有神经退行性疾病的风险较高；
[0015](5.2)、
根据掩码图计算脑
/
脑室比率
BVR
指数，如果
BVR
指数小于阈值时，筛查出患者患有助诊特发性正常压力性脑积水；
[0016](5.3)、
根据掩码图计算胼胝体角
CA
指数，如果
BVR
指数小于阈值时，筛查出患者患有神经退行性疾病的风险较高
。
[0017]本专利技术的专利技术目的是这样实现的：
[0018]本专利技术基于医学图像分割的神经退行性疾病筛查方法，首先对原始脑部
MRI
影像进行预处理，统一到标准模板空间内，并找到最大横断面截面，用于训练图像分割模型；，然后在小样本病例下，通过图像分割模型实现了对脑部
MRI
影像的精准分割，进而完成不同指标的神经退行性疾病筛查
。
[0019]同时，本专利技术基于医学图像分割的神经退行性疾病筛查方法还具有以下有益效果：
[0020](1)、
临床用于神经退行性疾病筛查的
MRI
影像，存在明显的个体差异性，增加了人工查验的难度，本专利技术将原始脑部
MRI
影像配准到统一模板空间，高效地完成数据预处理，方便后续筛查
。
[0021](2)、
本专利技术使用有效的分割模型结构和损失函数，在小样本病例下，训练出适配三个测量指标的图像分割网络，智能化地锁定了用于筛查的脑部
MRI
影像关键区域
。
[0022](3)、
本专利技术通过多次针对性的平滑处理，祛除处于单一关键区域边缘，不同关键区域分界线等会影响后续测量结果的敏感噪声，进一步保证筛查结果
。
[0023](4)、
对每个指标，开发出相应的自动化测量算法，测量结果与人工标注结果的平均误差小于
0.05。
附图说明
[0024]图1是本专利技术基于医学图像分割的神经退行性疾病筛查方法流程图；
[0025]图2为
Evans
指数示意图；
[0026]图3为脑
/
脑室比率
BVR
指数示意图；
[0027]图4为胼胝体角
CA
指数示意图；
[0028]图5为本专利技术测量
Evans
指数的流程图；
[0029]图6为本专利技术测量脑
/
脑室比率
BVR
指数的流程图；
[0030]图7为本专利技术测量胼胝体角
CA
指数的流程图
。
具体实施方式
[0031]下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术
。
需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略
。
[0032]实施例
[0033]在本实施例中，如图1所示，本专利技术一种基于医学图像分割本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于医学图像分割的神经退行性疾病筛查方法，其特征在于，包括以下步骤：
(1)、
从数据库中下载多张关于神经退行性疾病的
MRI
影像，然后将每一张
MRI
影像配准到统一的模板空间，得到标准化影像，然后在每一张标准化影像上找到最大横断面截面；
(2)、
训练图像分割模型；
(2.1)、
利用最大横断面截面训练关于
Evans
指数的图像分割模型，直至图像分割模型收敛；
(2.2)、
利用最大横断面截面训练关于脑
/
脑室比率
BVR
指数的图像分割模型，直至图像分割模型收敛；
(2.3)、
利用最大横断面截面训练关于胼胝体角
CA
指数的图像分割模型，直至图像分割模型收敛；
(3)、
将目标
MRI
影像配准到统一的模板空间，并找到最大横断面截面，记为目标截面；
(4)、
人工检索目标截面，从步骤
(2)
中选择对应的图像分割模型，然后将目标截面输入至收敛后的图像分割模型，得到标注好关键区域的掩码图；
(5)、
根据掩码图完成不同指标的神经退行性疾病筛查；
(5.1)、
根据掩码图计算
Evans
指数，如果
Evans
指数大于阈值时，筛查出患者患有神经退行性疾病的风险较高；
(5.2)、
根据掩码图计算脑
/
脑室比率
BVR
指数，如果
BVR
指数小于阈值时，筛查出患者患有助诊特发性正常压力性脑积水；
(5.3)、
根据掩码图计算胼胝体角
CA
指数，如果
BVR
指数小于阈值时，筛查出患者患有神经退行性疾病的风险较高
。2.
根据权利要求1所述的基于医学图像分割的神经退行性疾病筛查方法，其特征在于，所述
Evans
指数的计算方法为：
(2.1)、
掩码图包含三个区域：背景
、
侧脑室以及颅骨内板边缘；
(2.2)、
按照固定旋转步进
α
，从
‑5°
开始，在
‑5°
至5°
的范围内对掩码图依次进行旋转；
(2.3)、
针对每一个旋转步进
α
后的图像，使...

【专利技术属性】
技术研发人员：赵磊，张瑜琨，秦一心，宋井宽，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：