[發明專利]醫學影像處理系統、模型訓練方法及訓練裝置

有效

• 申請號: 201911073014.5
• 申請日: 2019-11-05
• 公開（公告）號: CN110853111B
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 房劬;劉維平;宋瓊
• 申請（專利權）人: 上海杏脈信息科技有限公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T3/40;G06T7/33;G06N3/04;G06N3/08
• 代理公司: 上海思捷知識產權代理有限公司 31295
• 代理人: 王宏婧

1.一種醫學影像處理系統，其特征在于，包括：

圖像獲取單元，配置為獲取對目標病人腦部進行CTA掃描得到的CTA圖像；

虛擬DWI圖像生成單元，配置為將所述CTA圖像通過深度學習模型轉換為對應的虛擬DWI圖像，所述虛擬DWI圖像用于腦卒中診斷；以及，

顯示單元，配置為將所述虛擬DWI圖像輸出顯示給用戶；

其中，基于生成對抗網絡模型構建所述深度學習模型，在構建過程中，利用生成對抗網絡模型中的判別模塊對生成模塊的輸出進行判別并形成對抗，來調整生成模塊的模塊參數，并最終將符合預設條件時的生成模塊應用于所述深度學習模型；

所述虛擬DWI圖像生成單元在將CTA圖像轉換為對應的虛擬DWI圖像時，所述生成模塊的一個網絡對輸入的CTA圖像進行處理，并輸出較所述輸入的CTA圖像分辨率相對低的第一過渡DWI圖像，所述第一過渡DWI圖像作為所述生成模塊的另一個網絡的輸入，并生成較所述第一過渡DWI圖像分辨率相對高的虛擬DWI圖像，以所述分辨率相對高的虛擬DWI圖像作為所述生成模塊的輸出。

2.如權利要求1所述的醫學影像處理系統，其特征在于，還包括：

預處理單元，配置為在所述虛擬DWI圖像生成單元將所述CTA圖像通過深度學習模型轉換為對應的虛擬DWI圖像之前，對所述CTA圖像進行預處理。

3.如權利要求1所述的醫學影像處理系統，其特征在于，還包括：

評分單元，配置為根據所述虛擬DWI圖像的信息，計算腦部缺血性評分。

4.一種模型訓練方法，用于訓練如權利要求1至3任一項所述的深度學習模型，所述模型訓練方法包括：

提取多個CTA圖像和多個原始DWI圖像；

將所述多個CTA圖像和所述多個原始DWI圖像進行圖像配準，以獲得多個CTA-DWI圖像對，每個所述CTA-DWI圖像對中的CTA圖像與原始DWI圖像具有空間映射關系；以及，

將各個所述CTA-DWI圖像對作為訓練數據輸入生成對抗網絡模型，結合所述生成對抗網絡模型的判斷模塊和損失函數判斷是否滿足預設條件，若不滿足所述預設條件，調節所述生成對抗網絡模型的生成模塊的模型參數直至滿足所述預設條件，以具有當前模型參數的生成模塊作為所述深度學習模型。

5.如權利要求4所述的模型訓練方法，其特征在于，在對所述多個CTA圖像和多個原始DWI圖像進行圖像配準前，還包括分別對各個所述CTA圖像和所述原始DWI圖像進行圖像去噪的步驟。

6.一種模型訓練裝置，用于訓練如權利要求1至3任一項所述的深度學習模型，其特征在于，所述模型訓練裝置包括計算機可讀存儲介質和處理器，所述計算機可讀存儲介質上存儲有程序代碼，當所述程序代碼被所述處理器讀取并執行時，執行如權利要求4或5所述的模型訓練方法。

7.一種模型訓練裝置，用于訓練如權利要求1至3任一項所述的深度學習模型，其特征在于，所述模型訓練裝置包括：

輸入模塊，配置為提取多個CTA圖像和多個原始DWI圖像；

圖像配準模塊，配置為對所述多個CTA圖像和多個原始DWI圖像進行圖像配準，以獲得多個CTA-DWI圖像對，每個所述CTA-DWI圖像對中的CTA圖像與原始DWI圖像具有空間映射關系；以及，

網絡訓練模塊，配置為將各個所述CTA-DWI圖像對輸入生成對抗網絡模型的生成模塊，結合所述生成對抗網絡模型的判斷模塊和損失函數判斷是否滿足預設條件，若不滿足所述預設條件，調節所述生成對抗網絡模型的生成模塊的模型參數直至滿足所述預設條件，停止訓練并以具有當前模型參數的生成模塊作為所述深度學習模型。

8.如權利要求7所述的模型訓練裝置，其特征在于，各個所述CTA-DWI圖像對中的CTA圖像和原始DWI圖像均具有第一分辨率。