[發明專利]深度學習的新發皮層下小梗死病灶自動分割系統及其方法

有效

• 申請號: 201910093063.9
• 申請日: 2019-01-30
• 公開（公告）號: CN110111296B
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 廖攀;李海;徐明澤
• 申請（專利權）人: 北京慧腦云計算有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 北京智丞瀚方知識產權代理有限公司 11810
• 代理人: 楊樂

本發明公開了一種基于深度學習的新發皮層下小梗死病灶自動分割系統及其方法，該系統包括：影像預處理模塊，用于讀取腦部影像數據，對所述影像數據進行重采樣，并進行歸一化操作；以及使用配準算法將所述影像數據配準到標準的腦模板空間，并將處理完畢的結果傳送到顱骨去除模塊；顱骨去除模塊，用于使用顱骨去除算法進行顱骨的去除，去除噪聲干擾；RSSI分割模塊，用于讀取經顱骨去除模塊處理后的影像數據，將其轉化為影像信息數據，傳送到殘差Unet模型中進行分割。采用本發明，能夠利用基于深度學習的分割技術，協助醫生自動有效分割RSSI病灶區域，減少醫生的工作量，方便醫生后續的診斷和研究。

技術領域

本發明涉及醫學影像和磁共振影像(MRI)圖像處理技術，尤其涉及一種基于深度學習的新發皮層下小梗死病灶自動分割系統及其方法。

背景技術

新發皮層下小梗死(Recent small subcortical infarct,RSSI)是影像學上的分類方法，屬于腦小血管病的一種。

RSSI是神經影像上穿支血管供血范圍內的近期梗塞灶，軸位最大直徑20mm，利用磁共振成像(MRI)技術，在磁共振彌散加權成像(Diffusion weighted imaging，DWI)上表現為高信號(參考圖2)，表觀彌散系數(Apparent diffusion coefficient，ADC)上表現為低信號(參考圖4)。其DWI是在某一個彌散敏感系數(簡稱為b值)下測定得出的信號強度成像，隨著b值的增加,圖像的彌散權重加大,病變組織和正常組織之間的對比度增加,提高了DWI的敏感性。所述DWI，是目前惟一能夠檢測活體組織內水分子擴散運動的無創方法。其原理是：射頻脈沖使體素內質子的相位一致，射頻脈沖關閉后，由于組織的T2弛豫和主磁場不均勻將造成質子逐漸失相位，從而造成宏觀橫向磁化矢量的衰減。因此，利用DWI可以幫助醫生在臨床上診斷急性腦梗死、缺氧缺血性腦病等。

DWI影像為新發皮層下小梗死的診斷提供了有效的影像學信息，其病灶體積作為主要的形態學標志，被廣泛應用到了臨床診療和學術研究中。但在現有的技術中，醫生還需要對DWI影像數據(參考圖2)進行手動標記，即需要使用鼠標或者鍵盤控制光標在屏幕上進行勾畫梗死病灶，而RSSI病灶的形狀復雜以及病灶邊界不清晰，常常給醫學的分割測量帶來麻煩，其DWI影像數據常常包含數十層或者上百層，每一層都需要醫生手動勾畫，工作量巨大，容易引起醫生的視覺疲勞從而導致出錯概率增加，在穩定性、客觀性、精確性和可重復性上存在較大的局限，而且人工分割非常耗時耗費精力。

發明內容

有鑒于此，本發明的主要目的在于提供一種基于深度學習的新發皮層下小梗死病灶自動分割系統及其方法，將深度學習算法中的圖像分割引入到醫學影像領域，利用其基于深度學習的分割技術，協助醫生自動有效分割RSSI病灶區域，減少醫生的工作量，方便醫生后續的診斷和研究。

為達到上述目的，本發明的技術方案是這樣實現的：

一種基于深度學習的新發皮層下小梗死病灶自動分割系統，包括影像預處理模塊、顱骨去除模塊、新發皮層下小梗死RSSI分割模塊和影像組學特征模塊；其中，

影像預處理模塊，用于讀取腦部影像數據，對所述影像數據進行重采樣，并進行歸一化操作；以及使用配準算法將所述影像數據配準到標準的腦模板空間，并將處理完畢的結果傳送到顱骨去除模塊；

顱骨去除模塊，用于使用顱骨去除算法進行顱骨的去除，去除噪聲干擾；

RSSI分割模塊，用于讀取經顱骨去除模塊處理后的影像數據，將其轉化為影像信息數據，傳送到殘差Unet模型中進行分割。

其中，還包括：

影像組學特征模塊，用于對分割出的RSSI病灶區域進行量化分析和影像組學特征提取。

所述影像組學特征，包括形態特征或/和紋理特征。