[發(fā)明專利]腦標(biāo)識提取方法、裝置、計算機(jī)設(shè)備和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110259731.8
• 申請日: 2021-03-10
• 公開（公告）號: CN112950600A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設(shè)計）人: 張旭;葛傳斌;方偉
• 申請（專利權(quán)）人: 武漢聯(lián)影智融醫(yī)療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/13;G06N3/04
• 代理公司: 北京華進(jìn)京聯(lián)知識產(chǎn)權(quán)代理有限公司 11606
• 代理人: 趙文靜

1.一種腦標(biāo)識提取方法，其特征在于，所述方法包括：

將目標(biāo)主體的腦部磁共振圖像輸入至預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)模型中，得到所述腦部磁共振圖像的不同類型的標(biāo)識概率圖；所述不同類型的標(biāo)識概率圖包括點標(biāo)識概率圖、面標(biāo)識概率圖和區(qū)域標(biāo)識概率圖；所述不同類型的標(biāo)識概率圖分別通過所述神經(jīng)網(wǎng)絡(luò)模型中的不同任務(wù)分支網(wǎng)絡(luò)層輸出；

根據(jù)所述點標(biāo)識概率圖，確定所述目標(biāo)主體腦部的點標(biāo)識；根據(jù)所述面標(biāo)識概率圖確定所述目標(biāo)主體腦部的面標(biāo)識；根據(jù)所述區(qū)域標(biāo)識概率圖確定所述目標(biāo)主體腦部的區(qū)域標(biāo)識；

根據(jù)所述點標(biāo)識和所述面標(biāo)識構(gòu)建腦部坐標(biāo)系；

根據(jù)所述點標(biāo)識、所述面標(biāo)識、所述區(qū)域標(biāo)識和所述腦部坐標(biāo)系中的一種或多種信息，確定所述目標(biāo)主體腦部的其他標(biāo)識。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述點標(biāo)識概率圖包括前連合概率圖和后連合概率圖，所述點標(biāo)識包括前連合標(biāo)志點和后連合標(biāo)志點；

所述根據(jù)所述點標(biāo)識概率圖，確定所述目標(biāo)主體腦部的點標(biāo)識，包括：

將所述前連合概率圖中最大概率值對應(yīng)的像素點確定為所述前連合標(biāo)志點；將所述后連合概率圖中最大概率值對應(yīng)的像素點確定為所述后連合標(biāo)志點。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述面標(biāo)識概率圖包括中矢面概率圖，所述面標(biāo)識包括中矢面；

所述根據(jù)所述面標(biāo)識概率圖確定所述目標(biāo)主體腦部的面標(biāo)識，包括：

通過預(yù)設(shè)的算法，對從所述中矢面概率圖中提取的中矢面平面點集進(jìn)行擬合，得到所述中矢面；所述中矢面平面點集為所述中矢面概率圖中概率大于預(yù)設(shè)閾值的像素點集合。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述區(qū)域標(biāo)識概率圖包括腦實質(zhì)分割區(qū)域概率圖，所述區(qū)域標(biāo)識包括腦實質(zhì)分割區(qū)域；

所述根據(jù)所述區(qū)域標(biāo)識概率圖確定所述目標(biāo)主體腦部的區(qū)域標(biāo)識，包括：

通過預(yù)設(shè)的閾值，將所述腦實質(zhì)分割區(qū)域概率圖生成腦實質(zhì)分割二值掩膜圖像；

根據(jù)所述腦實質(zhì)分割二值掩膜圖像確定所述腦實質(zhì)分割區(qū)域。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述其他標(biāo)識包括大腦皮層標(biāo)志點；

所述根據(jù)所述點標(biāo)識、所述面標(biāo)識、所述區(qū)域標(biāo)識和所述腦部坐標(biāo)系中的一種或多種信息，確定所述目標(biāo)主體腦部的其他標(biāo)識，包括：

根據(jù)所述腦實質(zhì)分割區(qū)域確定大腦皮層輪廓；

通過計算所述大腦皮層輪廓上所有像素點中，在腦部坐標(biāo)系中三個坐標(biāo)軸方向上的最大值點和最小值點，確定所述大腦皮層標(biāo)志點。

6.根據(jù)權(quán)利要求1-5任一項所述的方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型包括共享網(wǎng)絡(luò)層和不同類型標(biāo)識任務(wù)的分支網(wǎng)絡(luò)層；

所述神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程包括：

獲取各所述標(biāo)識任務(wù)的訓(xùn)練樣本集和各所述標(biāo)識任務(wù)的金標(biāo)準(zhǔn)圖像；

將各所述標(biāo)識任務(wù)的訓(xùn)練樣本集輸入至初始神經(jīng)網(wǎng)絡(luò)模型的共享網(wǎng)絡(luò)層提取特征后，分別輸入各所述標(biāo)識任務(wù)的分支網(wǎng)絡(luò)層，對應(yīng)得到各所述標(biāo)識任務(wù)的預(yù)測概率圖；

根據(jù)各所述標(biāo)識任務(wù)的預(yù)測概率圖和各所述標(biāo)識任務(wù)的金標(biāo)準(zhǔn)圖像，確定預(yù)設(shè)的目標(biāo)損失函數(shù)的值；

根據(jù)所述目標(biāo)損失函數(shù)的值調(diào)整所述初始神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，直至所述目標(biāo)損失函數(shù)的值的變化幅度小于預(yù)設(shè)值，得到所述神經(jīng)網(wǎng)絡(luò)模型。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述不同類型標(biāo)識任務(wù)包括點標(biāo)識任務(wù)、面標(biāo)識任務(wù)和區(qū)域標(biāo)識任務(wù)；

所述根據(jù)各所述標(biāo)識任務(wù)的預(yù)測概率圖和各所述標(biāo)識任務(wù)的金標(biāo)準(zhǔn)圖像，確定預(yù)設(shè)的目標(biāo)損失函數(shù)的值，包括：

根據(jù)所述點標(biāo)識任務(wù)的預(yù)測概率圖與所述點標(biāo)識任務(wù)的金標(biāo)準(zhǔn)圖像，確定所述點標(biāo)識任務(wù)預(yù)設(shè)的第一損失函數(shù)的值；

根據(jù)所述面標(biāo)識任務(wù)的預(yù)測概率圖與所述面標(biāo)識任務(wù)的金標(biāo)準(zhǔn)圖像，確定所述面標(biāo)識任務(wù)預(yù)設(shè)的第二損失函數(shù)的值；

根據(jù)所述區(qū)域標(biāo)識任務(wù)的預(yù)測概率圖與所述區(qū)域標(biāo)識任務(wù)的金標(biāo)準(zhǔn)圖像，確定所述區(qū)域標(biāo)識任務(wù)預(yù)設(shè)的第三損失函數(shù)的值；

對所述第一損失函數(shù)的值、所述第二損失函數(shù)的值和所述第三損失函數(shù)的值進(jìn)行加權(quán)求和，得到所述目標(biāo)損失函數(shù)的值。