[發(fā)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(tǒng)

在審

• 申請?zhí)枺?/td>: 202010119003.2
• 申請日: 2020-02-26
• 公開（公告）號: CN110956634A
• 公開（公告）日: 2020-04-03
• 發(fā)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

本發(fā)明公開了一種基于深度學習的腦微出血自動檢測方法及系統(tǒng)。本方法為：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）對訓練樣本進行去非腦組織處理；3）對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Unet模型提取訓練樣本中的腦微出血點候選區(qū)域；5）基于所提取的腦微出血候選區(qū)中的假陽性數據和GroundTruth數據訓練3D CNN模型；6）對于一待檢測的磁敏感加權成像，提取腦微出血點候選區(qū)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。本方法魯棒性好，能夠輔助給出腦微出血的病灶識別結果。

技術領域

本發(fā)明屬于醫(yī)學圖像計算機輔助檢測領域，具體為一種基于深度學習的腦微出血自動檢測系統(tǒng)，提取相關微出血點的特征信息，并提供腦微出血點自動檢測報告。

背景技術

腦微出血（Cerebral Microbleeds，CMB）是一種微小血管病變導致的含鐵血黃素沉積，是腦內微小血管病變所致，以微小出血為主要特征的一種腦實質亞臨床損害，常見于患者的基底節(jié)、皮質以及皮質下白質等區(qū)域。典型的腦微出血病灶面積小、圓、邊界清晰，基于磁共振成像（Magnetic Resonance Imaging，MRI）的磁敏感加權成像序列(Susceptibility Weighted Imaging，SWI)顯示直徑一般 2~5mm (最大可達 10mm)圓形無信號或低信號病灶， CT 或 MRI 其他序列(T1WI、T2WI 和 FLAIR)一般無明顯表征。腦微出血常見于腦出血患者或缺血性中風患者顱內，在老年人群中普遍存在。腦微出血的研究具有非常重要的臨床意義。

但對腦微出血的判別非常困難，存在很多易于腦微出血出現混淆的結構，包括了血管，通常出現在皮層與近皮層，蛛網膜下的線性或曲線形結構，在T2影像上可見；腦梗塞區(qū)域，可通過彌散加權成像(Diffusion-Weighted Imaging，DWI）、液體衰減反轉成像（Fluid Attenuated Inversion，FLAIR）、T2來判別梗塞； 蒼白球或鋸齒核礦化 ，呈對稱分布，在 X 射線電子計算機斷層掃描 (Computed Tomography，CT) 圖像上可能呈現亮斑；小面積出血與新生兒顱內出血 (在T2*影像上可見 ) 非常近似。

由上述可以看出，腦微出血點的病灶面積相對較小、判別也十分復雜，而且在顱內的位置不確定，在醫(yī)生經過長時間的人工判別后十分容易出錯或者造成漏篩。腦微出血病灶與其他結構容易混淆，即使醫(yī)生反復對照不同的不同模態(tài)影像數據及多個角度觀察有時也會難以判別，而且手動判別常常需要醫(yī)生具備豐富的臨床經驗。對于大量的微小型腦微出血灶來說，醫(yī)生手動進行標記定位和計數是一件十分消耗精力和時間的枯燥任務，并帶有不同醫(yī)生的主觀性和不確定性，這樣就造成了一致性差、缺乏客觀性等問題。所以腦微出血的自動檢測技術以及定量分析越來越受到研究者們的重視，以期更加科學便捷的幫助醫(yī)生的診斷研究工作。

目前已有的方法依賴于手工提取特征。例如，提取描述CMB的幾何形狀信息、形狀、大小和強度、比例和局部圖像結構信息等特征。一些研究人員還采取首先快速去除明顯的非CMB背景區(qū)域，并根據這些手工特征檢索少量有希望的腦微出血點的候選集進行進一步分類。但是，這些手工特征的設計在很大程度上取決于CMB的領域知識。此外，這些低級特征通常不足以捕獲CMB的復雜特征。

綜上所述，現有技術存在以下缺點。

1. 目前的腦微出血自動檢測技術往往沒有考慮到不同模態(tài)影像數據間的信息互補。

2. 缺乏從多個角度或以3D的方式來對檢測腦微出血。

3. 目前技術常常需要人工自定義特征的方式去對影像數據的特征進行提取。

4. 目前技術的假陽性普遍較高，算法判別之后還需要人工排除大量的假陽性檢測結果，其檢測精度有待進一步提高。

發(fā)明內容