[發(fā)明專利]基于深度學(xué)習(xí)的身體部位自動識別磁共振掃描方法與裝置

在審

• 申請?zhí)枺?/td>: 201710447366.7
• 申請日: 2017-06-14
• 公開（公告）號: CN107292257A
• 公開（公告）日: 2017-10-24
• 發(fā)明（設(shè)計(jì)）人: 梁棟;王珊珊;鄭海榮;劉新;譚莎
• 申請（專利權(quán)）人: 深圳先進(jìn)技術(shù)研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 上海勝康律師事務(wù)所31263
• 代理人: 李獻(xiàn)忠,張靜

技術(shù)領(lǐng)域

本發(fā)明涉及磁共振成像技術(shù)領(lǐng)域，尤其涉及基于深度學(xué)習(xí)的身體部位自動識別磁共振掃描方法與裝置。

背景技術(shù)

在磁共振成像過程中，掃描定位是一個(gè)基本操作，精準(zhǔn)和一致的定位在實(shí)際臨床研究中有著非常重要的作用。我們身體各部位結(jié)構(gòu)復(fù)雜，臨床診斷需要查看大量的磁共振圖像數(shù)據(jù)，工作量大，因而精準(zhǔn)的身體不同部位的識別掃描，既有助于幫助診斷者快速識別定位掃描區(qū)域，更加熟悉身體各部位的解剖結(jié)構(gòu)，積累經(jīng)驗(yàn)，同時(shí)還可以有效提高磁共振圖像數(shù)據(jù)的使用率。

目前，人工智能快速發(fā)展，利用深度學(xué)習(xí)技術(shù)解決圖像識別、語音識別等問題是當(dāng)前的一個(gè)熱點(diǎn)，且在自然圖像識別取得了很好的成績。如卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Networks，CNN)的成功應(yīng)用，CNN是一種帶有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，它一般包括卷積層、池化層、激活層、全連接層。之后，隨著算法的不斷提升，硬件能力提升和海量的數(shù)據(jù)，深度學(xué)習(xí)應(yīng)用于圖像識別不但大大提高了準(zhǔn)確性，且提高了在線計(jì)算效率。

然而，目前磁共振掃描身體部位的識別都是通過人的肉眼識別，且線下海量的不同身體部位數(shù)據(jù)沒有得到充分地利用，另外操作繁瑣，失誤率高。于2016年04月28日申請的，名稱為“一種磁共振數(shù)據(jù)采集方法及磁共振成像系統(tǒng)”的中國專利CN201610278139.1，雖然在一些方面有了一些改進(jìn)，但是還存在效率、精準(zhǔn)率等方面不能滿足需要的缺陷。因而，需要開發(fā)一種新的技術(shù)來克服這些缺陷。

發(fā)明內(nèi)容

基于深度學(xué)習(xí)在自然圖像上成功應(yīng)用，針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提出了基于深度學(xué)習(xí)的身體部位自動識別磁共振掃描方法與裝置。

具體而言，本發(fā)明提出了一種基于深度學(xué)習(xí)的身體部位自動識別磁共振掃描方法，其包括以下步驟：S1)利用線下的身體不同部位的磁共振圖像數(shù)據(jù)集來訓(xùn)練初始網(wǎng)絡(luò)模型，習(xí)得自動識別身體部位的最優(yōu)網(wǎng)絡(luò)模型作為分類器；S2)利用在S1)中習(xí)得的分類器，對線上磁共振掃描身體部位的數(shù)據(jù)進(jìn)行識別，得到分類結(jié)果；以及S3)根據(jù)識別到的部位自動設(shè)置磁共振掃描序列，根據(jù)在S2)中獲得的分類結(jié)果，自動調(diào)用磁共振掃描序列，完成對待掃部位的掃描過程。

在本發(fā)明的所述方法的一個(gè)具體實(shí)施方案中，所述步驟S1)包括以下步驟：S11)收集身體不同部位的磁共振圖像數(shù)據(jù)集，將收集到的磁共振圖像數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)進(jìn)行標(biāo)記作為標(biāo)簽集，將所述部分?jǐn)?shù)據(jù)作為校驗(yàn)集，將磁共振圖像數(shù)據(jù)集中的其它數(shù)據(jù)作為訓(xùn)練集；S12)對所述磁共振圖像數(shù)據(jù)進(jìn)行歸一化處理；S13)創(chuàng)建包括逐層連接的輸入層、若干個(gè)隱含層和輸出層的初始網(wǎng)絡(luò)模型，在所述輸入層輸入經(jīng)歸一化的所述訓(xùn)練集中的數(shù)據(jù)，將在網(wǎng)絡(luò)模型上正向傳播輸出的結(jié)果與所述標(biāo)簽集中的數(shù)據(jù)進(jìn)行誤差測量，根據(jù)誤差測量結(jié)果調(diào)節(jié)網(wǎng)絡(luò)模型，確定最優(yōu)網(wǎng)絡(luò)模型作為分類器。

在本發(fā)明的所述方法的另一具體實(shí)施方案中，在步驟S11)中，所述標(biāo)簽集包括磁共振圖像數(shù)據(jù)集中的所有身體不同部位的數(shù)據(jù)，用標(biāo)簽集中的標(biāo)簽標(biāo)記身體不同部位，所述校驗(yàn)集中的數(shù)據(jù)數(shù)量小于所述訓(xùn)練集中的數(shù)據(jù)數(shù)量。

在本發(fā)明的所述方法的另一具體實(shí)施方案中，將收集到的涉及一個(gè)身體部位的M個(gè)磁共振圖像數(shù)據(jù)中的M_L個(gè)部分磁共振圖像數(shù)據(jù)進(jìn)行標(biāo)記以作為標(biāo)簽集，其中，所述部分磁共振圖像數(shù)據(jù)的數(shù)量M_L小于所述磁共振圖像數(shù)據(jù)總數(shù)量M的10％，或小于該總數(shù)量M的5％，或小于該總數(shù)量M的1％。在一些實(shí)施例中，將收集到的涉及另一身體部位的N個(gè)磁共振圖像數(shù)據(jù)中的N_L個(gè)部分磁共振圖像數(shù)據(jù)進(jìn)行標(biāo)記以作為標(biāo)簽集，其中，涉及所述另一身體部位的所述部分磁共振圖像數(shù)據(jù)的數(shù)量N_L占磁共振圖像數(shù)據(jù)總數(shù)量N的比例等于或不同于涉及所述一個(gè)身體部位的所述部分磁共振圖像數(shù)據(jù)的數(shù)量M_L占磁共振圖像數(shù)據(jù)總數(shù)量M的比例。在本發(fā)明的所述方法的另一具體實(shí)施方案中，在步驟S13)中，確定最優(yōu)網(wǎng)絡(luò)模型是通過利用反向傳播和梯度下降法調(diào)節(jié)整個(gè)網(wǎng)絡(luò)模型的超參數(shù)以獲得最終超參數(shù)，利用所述最終超參數(shù)建立最優(yōu)網(wǎng)絡(luò)模型作為分類器。

在本發(fā)明的所述方法的另一具體實(shí)施方案中，在所述步驟S2)中，在利用分類器對線上磁共振掃描身體不同部位的數(shù)據(jù)進(jìn)行識別之前，對數(shù)據(jù)進(jìn)行歸一化處理。在一些實(shí)施例中，所述歸一化處理是對圖像分辨率、感興趣視野尺寸和圖像角度進(jìn)行統(tǒng)一。

本發(fā)明還提供了一種計(jì)算機(jī)可讀介質(zhì)，該計(jì)算機(jī)可讀介質(zhì)具有存儲在其中的程序，該程序是計(jì)算機(jī)可執(zhí)行的以使計(jì)算機(jī)執(zhí)行前述步驟的處理。