[發(fā)明專利]一種識別MRI圖像感興趣區(qū)域的方法及裝置

有效

• 申請?zhí)枺?/td>: 201710667240.0
• 申請日: 2017-08-07
• 公開（公告）號: CN107492097B
• 公開（公告）日: 2020-06-02
• 發(fā)明（設(shè)計(jì)）人: 周振;張番棟;龐亮;張樹;孔明;王洪振;何哲琪;李一鳴
• 申請（專利權(quán)）人: 杭州深睿博聯(lián)科技有限公司;北京深睿博聯(lián)科技有限責(zé)任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/187
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 王寶筠

1.一種識別MRI圖像感興趣區(qū)域的方法，其特征在于，包括：

獲取多個不同序列的MRI圖像；

依據(jù)預(yù)設(shè)的方法將所述多個不同序列的MRI圖像對齊，得到待識別的多模態(tài)MRI圖像；

通過已訓(xùn)練的3D卷積神經(jīng)網(wǎng)絡(luò)，識別待識別的多模態(tài)MRI圖像中屬于感興趣區(qū)域的體素點(diǎn)；所述3D卷積神經(jīng)網(wǎng)絡(luò)是使用反向傳播算法以及交叉熵?fù)p失對所述3D卷積神經(jīng)網(wǎng)絡(luò)中預(yù)設(shè)的參數(shù)進(jìn)行調(diào)整，直到訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)的閾值；其中，所述交叉熵?fù)p失是通過3D卷積神經(jīng)網(wǎng)絡(luò)對已標(biāo)注感興趣區(qū)域的MRI圖像進(jìn)行識別，得到預(yù)測的感興趣區(qū)域，并將預(yù)測的感興趣區(qū)域和已標(biāo)注的感興趣區(qū)域進(jìn)行比對得到的；

將所述屬于感興趣區(qū)域的體素點(diǎn)中相關(guān)聯(lián)的體素點(diǎn)連通，得到至少一個連通的感興趣區(qū)域。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述依據(jù)預(yù)設(shè)的方法將所述多個不同序列的MRI圖像對齊，得到待識別的多模態(tài)MRI圖像，包括：

在所述多個不同序列的MRI圖像中的每個序列的目標(biāo)中選取一個參照點(diǎn)；

計(jì)算所述每個序列的MRI圖像中各個體素與自身的參照點(diǎn)的相對坐標(biāo)；

依據(jù)得到的相對坐標(biāo)，計(jì)算每個序列的中心點(diǎn)；

將每一個序列中心點(diǎn)對齊，得到待識別的多模態(tài)MRI圖像。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過已訓(xùn)練的3D卷積神經(jīng)網(wǎng)絡(luò)，識別待識別的多模態(tài)MRI圖像中屬于感興趣區(qū)域的體素點(diǎn)，包括：

將所述待識別的多模態(tài)MRI圖像輸入到所述已訓(xùn)練的3D卷積神經(jīng)網(wǎng)絡(luò)中；

利用所述已訓(xùn)練的3D卷積神經(jīng)網(wǎng)絡(luò)對待識別的多模態(tài)MRI圖像中的所有體素點(diǎn)進(jìn)行分類，識別出所述待識別的多模態(tài)MRI圖像中屬于感興趣區(qū)域的體素點(diǎn)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：

根據(jù)所述屬于感興趣區(qū)域的體素點(diǎn)的個數(shù)，計(jì)算所述感興趣區(qū)域的體積；

計(jì)算所述待識別的多模態(tài)MRI圖像中每一層的感興趣區(qū)域的面積，并獲取面積最大的感興趣區(qū)域；

從所述面積最大的感興趣區(qū)域中確定多個關(guān)鍵點(diǎn)；

計(jì)算所述多個關(guān)鍵點(diǎn)中任意兩個關(guān)鍵點(diǎn)之間的距離，并選取出距離最遠(yuǎn)的兩個關(guān)鍵點(diǎn)；

將所述距離最遠(yuǎn)的兩個關(guān)鍵點(diǎn)之間的距離作為最大徑，將所述距離最遠(yuǎn)的兩個關(guān)鍵點(diǎn)之間的方向作為最大擴(kuò)張方向。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述3D卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程包括：

將當(dāng)前訓(xùn)練次數(shù)確定為1；

判斷所述當(dāng)前訓(xùn)練次數(shù)是否大于預(yù)設(shè)的閾值；

若所述當(dāng)前訓(xùn)練次數(shù)不大于預(yù)設(shè)的閾值，獲取已標(biāo)注感興趣區(qū)域的MRI圖像；所述已標(biāo)注感興趣區(qū)域的MRI圖像是根據(jù)預(yù)設(shè)的方法將不同序列的MRI圖像經(jīng)過對齊以及標(biāo)注感興趣區(qū)域后得到的；

利用3D卷積神經(jīng)網(wǎng)絡(luò)，依據(jù)所述3D卷積神經(jīng)網(wǎng)絡(luò)中預(yù)設(shè)的參數(shù)，對所述標(biāo)注了感興趣區(qū)域的MRI圖像進(jìn)行層級化函數(shù)處理，得到預(yù)測的感興趣區(qū)域；

將所述預(yù)測的感興趣區(qū)域和已標(biāo)注的感興趣區(qū)域進(jìn)行比對，得到交叉熵?fù)p失；

根據(jù)所述交叉熵?fù)p失和反向傳播算法，調(diào)整所述預(yù)設(shè)的參數(shù)；

將所述當(dāng)前訓(xùn)練次數(shù)加1，并返回執(zhí)行判斷所述當(dāng)前訓(xùn)練次數(shù)是否大于預(yù)設(shè)的閾值；

若所述當(dāng)前訓(xùn)練次數(shù)大于預(yù)設(shè)的閾值，得到訓(xùn)練好的3D卷積神經(jīng)網(wǎng)絡(luò)。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述獲取已標(biāo)注感興趣區(qū)域的MRI圖像，包括：

獲取多個不同序列的MRI圖像；

依據(jù)預(yù)設(shè)的參照點(diǎn)將所述多個不同序列的MRI圖像對齊，得到多模態(tài)MRI圖像；

從所述多模態(tài)MRI圖像中標(biāo)注出敏感區(qū)域，得到已標(biāo)注敏感區(qū)域的MRI圖像；

從所述已標(biāo)注敏感區(qū)域的MRI圖像中標(biāo)注出感興趣區(qū)域，得到已標(biāo)注感興趣區(qū)域的MRI圖像。