[發明專利]一種基于深度學習的腦微出血自動檢測方法及系統

在審

• 申請號: 202010119003.2
• 申請日: 2020-02-26
• 公開（公告）號: CN110956634A
• 公開（公告）日: 2020-04-03
• 發明（設計）人: 廖攀;徐明澤
• 申請（專利權）人: 南京慧腦云計算有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 司立彬

1.一種基于深度學習的腦微出血自動檢測方法，其步驟包括：

1)選取多個磁敏感加權成像作為訓練樣本，對每一訓練樣本進行標準化處理；

2)對步驟1）處理后的訓練樣本進行去非腦組織處理；

3)對步驟2）處理后訓練樣本中的腦微出血點進行標注；

4)利用標注后的訓練樣本訓練Unet模型，然后用訓練后的Unet模型提取訓練樣本中的腦微出血點候選區域；

5)基于步驟4）所提取的腦微出血候選區中的假陽性數據和GroundTruth數據訓練3DCNN模型；

6) 對于一待檢測的磁敏感加權成像，提取該磁敏感加權成像的腦微出血點候選區域并將其輸入到訓練后的3D CNN模型，識別出該磁敏感加權成像中的腦微出血點。

2.如權利要求1所述的方法，其特征在于，提取訓練樣本中關于腦微出血病灶的各個層面腦微出血病灶數量、大小、形狀、面積、圓度、位置、局部灰度均值、邊緣灰度均值特征，以及統計出腦微出點的位置分區信息，并基于統計信息生成腦微出血自動檢測報告。

3.如權利要求1所述的方法，其特征在于，對步驟2）處理后的訓練樣本進行翻轉、仿射變換，增加訓練樣本的數量和多樣性，然后進行步驟4）。

4.如權利要求1所述的方法，其特征在于，所述的采用Unet模型對腦微出血進行初篩，識別出所有的疑似腦微出血點，其中訓練時對腦微出血點的標注面積采取擴張技巧，采取1-Dice系數作為損失函數。

5.如權利要求1所述的方法，其特征在于，結合多種3D CNN模型對初篩選擇出來的疑似腦微出血點進行假陽性去除的方式，即截取不同尺寸的局部圖像，使用3D分類模型進行推斷預測，之后再對所有不同尺寸不同3D分類模型分類結果取平均，融合后的結果即為最終的腦微出血檢測結果，其中采用的3D CNN模型主要由ResNet34、DenseNet、Inception v3模型組成。

6.如權利要求1所述的方法，其特征在于，所述步驟2）中，使用顱骨去除算法去除磁敏感加權成像中的非腦組織處理來作為模型輸入數據的預處理操作。

7.一種基于深度學習的腦微出血自動檢測系統，其特征在于，包括SWI影像預處理模塊、腦組織提取模塊、CMB初篩模塊和CMB精篩模塊；其中，

SWI影像預處理模塊，用于對每一訓練樣本或待檢測的磁敏感加權成像進行標準化處理；所述訓練樣本為磁敏感加權成像數據；

腦組織提取模塊，用于對SWI影像預處理模塊處理后的訓練樣本或待檢測的磁敏感加權成像進行去非腦組織處理；

CMB初篩模塊，用于對腦組織提取模塊處理后的訓練樣本中的腦微出血點進行標注；以及利用標注后的訓練樣本訓練Unet模型，然后用訓練后的Unet模型提取訓練樣本中的腦微出血點候選區域或待檢測的磁敏感加權成像中的腦微出血點候選區域；

CMB精篩模塊，用于對CMB初篩模塊所提取的訓練樣本的腦微出血候選區中的假陽性數據和GroundTruth數據訓練3D CNN模型；以及將待檢測的磁敏感加權成像的腦微出血點候選區域輸入到訓練后的3D CNN模型，識別出該待檢測的磁敏感加權成像中的腦微出血點。

8.如權利要求7所述的系統，其特征在于，還包括一統計模塊，用于提取關于腦微出血病灶的各個層面腦微出血病灶數量、大小、形狀、面積、圓度、位置、局部灰度均值、邊緣灰度均值特征，以及統計出腦微出點的位置分區信息，并基于統計信息生成腦微出血自動檢測報告。

9.如權利要求7所述的系統，其特征在于，所述的CMB初篩模塊使用改進的Unet模型對腦微出血進行初篩，識別出所有的疑似腦微出血點，其中訓練時對腦微出血點的標注面積采取擴張技巧，采取1-Dice系數作為損失函數。