一种识别MRI图像感兴趣区域的方法及装置制造方法及图纸

本发明专利技术实施例公开了一种识别MRI图像感兴趣区域的方法及装置，该方法包括：通过已标注感兴趣区域的MRI图像，对3D卷积神经网络进行训练，得到识别感兴趣区域准确率较高的3D卷积神经网络，然后通过训练得到的3D卷积神经网络对待识别的多模态MRI图像进行感兴趣区域的分割，得到感兴趣区域，并计算该感兴趣区域的体积、扩张方向和最大径。其中，待识别的多模态MRI图像是对齐的不同序列的MRI图像的集合。通过本实施例的方法，不仅可以自动、高效的得到表示病灶的感兴趣区域，而且识别的准确率更高，除此之外，还可以自动的计算出病灶的体积大小、扩张方向和最大径，进而帮助医生对病情进行更准确的判断结果。

A method and device for identifying areas of interest in MRI images

The embodiment of the invention discloses a method and a device for identifying MRI image region of interest, the method includes: through the MRI annotated images of the region of interest, the training of 3D convolutional neural network 3D convolutional neural network recognition regions of interest in high accuracy, 3D and convolutional neural network is obtained through training with multi modal MRI image recognition for the segmentation of the region of interest, to get the region of interest, and the calculation of the region of interest, and the maximum diameter of volume expansion direction. Among them, the multimodal MRI image to be identified is a set of MRI images that are aligned with different sequences. Through the method of the embodiment, not only can be obtained automatically and efficiently expressed lesions in the region of interest, and the recognition accuracy is higher, in addition, can automatically calculate the lesion size, direction and the maximum diameter of expansion, and thus help doctors to result in more accurate condition.

【技术实现步骤摘要】
一种识别MRI图像感兴趣区域的方法及装置
本专利技术涉及医学图像处理的领域，尤其涉及一种识别MRI图像感兴趣区域的方法及装置。
技术介绍
随着数字医疗技术的发展，医学图像在医学诊断过程中的作用越来越明显，逐渐成为医生观察人体病变的主要工具。在对病情进行诊断时，一般是医生根据经验人为的从医学图像中查找表示病灶的感兴趣区域。MRI(英文全称：MagneticResonanceImaging，中文全称：核磁共振成像)图像是常用的医学图像之一，MRI成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号,并重建出人体信息，从而得到MRI图像。它可以直接作出横断面、矢状面、冠状面和各种斜面的体层图像，不会产生CT检测中的伪影；不需注射造影剂；无电离辐射，对机体没有不良影响。MRI对检测脑内血肿、脑外血肿、脑肿瘤、颅内动脉瘤、动静脉血管畸形、脑缺血、椎管内肿瘤、脊髓空洞症和脊髓积水等颅脑常见疾病非常有效。但是，MRI图像与其它的医学图像不同，是一种多序列的图像，每个序列通过不同的方法成像，表示不同的图像特征，例如：T1序列突出组织T1驰豫差别，是观察解剖结构较好的序列；T2序列突出组织T2驰豫差别，是观察病变较好的时序；T1FLAIR序列常用于对CSF抑制。医生在通过MRI图像诊断病情时，需要根据多个时序的图像去诊断，不仅增加了医生的工作量，而且对医生的专业性也有很高的要求，很容易出现漏检的情况。
技术实现思路
有鉴于此，本专利技术实施例提供了一种识别MRI图像感兴趣区域的方法及装置，不仅可以自动、高效的得到表示病灶的感兴趣区域，而且识别的准确率更高，除此之外，还可以自动的计算出病灶的体积大小、扩张方向和最大径，进而帮助医生对病情进行更准确的判断结果。本专利技术提供的一种识别MRI图像感兴趣区域的方法，该方法包括：获取多个不同序列的MRI图像；依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的多模态MRI图像；通过已训练的3D卷积神经网络，识别待识别的多模态MRI图像中属于感兴趣区域的体素点；所述3D卷积神经网络是使用反向传播算法以及交叉熵损失对所述3D卷积神经网络中预设的参数进行调整，直到训练次数达到预设的阈值；其中，所述交叉熵损失是通过3D卷积神经网络对已标注感兴趣区域的MRI图像进行识别，得到预测的感兴趣区域，并将预测的感兴趣区域和已标注的感兴趣区域进行比对得到的；将所述属于感兴趣区域的体素点中相关联的体素点连通，得到至少一个连通的感兴趣区域。可选的，所述依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的多模态MRI图像，包括：在所述多个不同序列的MRI图像中的每个序列的目标中选取一个参照点；计算所述每个序列的MRI图像中各个体素与自身的参照点的相对坐标；依据得到的相对坐标，计算每个序列的中心点；将每一个序列中心点对齐，得到待识别的多模态MRI图像。可选的，所述通过已训练的3D卷积神经网络，识别待识别的多模态MRI图像中属于感兴趣区域的体素点，包括：将所述待识别的多模态MRI图像输入到所述已训练的3D卷积神经网络中；利用所述已训练的3D卷积神经网络对待识别的多模态MRI图像中的所有体素点进行分类，识别出所述待识别的多模态MRI图像中属于感兴趣区域的体素点。可选的，还包括：根据所述属于感兴趣区域的体素点的个数，计算所述感兴趣区域的体积；计算所述待识别的多模态MRI图像中每一层的感兴趣区域的面积，并获取面积最大的感兴趣区域；从所述面积最大的感兴趣区域中确定多个关键点；计算所述多个关键点中任意两个关键点之间的距离，并选取出距离最远的两个关键点；将所述距离最远的两个关键点之间的距离作为最大径，将所述距离最远的两个关键点之间的方向作为最大扩张方向。可选的，所述3D卷积神经网络的训练过程包括：将当前训练次数确定为1；判断所述当前训练次数是否大于预设的阈值；若所述当前训练次数不大于预设的阈值，获取当前训练已标注感兴趣区域的MRI图像；所述已标注感兴趣区域的MRI图像是根据预设的方法将不同序列的MRI图像经过对齐以及标注感兴趣区域后得到的；利用3D卷积神经网络，依据所述3D卷积神经网络中预设的参数，对所述标注了感兴趣区域的MRI图像进行层级化函数处理，得到预测的感兴趣区域；将所述预测的感兴趣区域和已标注的感兴趣区域进行比对，得到交叉熵损失；根据所述交叉熵损失和反向传播算法，调整所述预设的参数；将所述当前训练次数加1，并返回执行判断所述当前训练次数是否大于预设的阈值；若所述当前训练次数大于预设的阈值，得到训练好的3D卷积神经网络。可选的，所述获取已标注感兴趣区域的MRI图像，包括：获取多个不同序列的MRI图像；依据预设的参照点将所述多个不同的MRI图像对齐，得到多模态MRI图像；从所述多模态MRI图像中标注出敏感区域，得到已标注敏感区域的MRI图像；从所述已标注敏感区域的MRI图像中标注出感兴趣区域，得到已标注感兴趣区域的MRI图像。本专利技术实施例还提供了一种识别MRI图像感兴趣区域的装置，包括：图像获取单元，用于获取多个不同序列的MRI图像；预处理单元，用于依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的多模态MRI图像；识别单元，用于通过已训练的3D卷积神经网络，识别待识别的多模态MRI图像中属于感兴趣区域的体素点；所述3D卷积神经网络是使用反向传播算法以及交叉熵损失对所述3D卷积神经网络中预设的参数进行调整，直到训练次数达到预设的阈值；其中，所述交叉熵损失是通过3D卷积神经网络对已标注感兴趣区域的MRI图像进行识别，得到预测的感兴趣区域，并将预测的感兴趣区域和已标注的感兴趣区域进行比对得到的；连通单元，用于将所述属于感兴趣区域的体素点中相关联的体素点连通，得到至少一个连通的感兴趣区域。可选的，所述预处理单元，包括：参照点选取子单元，用于在所述多个不同序列的MRI图像中的每个序列的目标中选取一个参照点；相对坐标计算子单元，用于计算所述每个序列的MRI图像中各个体素与自身的参照点的相对坐标；中心点计算子单元，用于依据得到的相对坐标，计算每个序列的中心点；对齐子单元，用于将每一个序列中心点对齐，得到待识别的多模态MRI图像。可选的，还包括：体积计算单元，用于根据所述属于感兴趣区域的体素点的个数，计算所述感兴趣区域的体积；最大面积获取单元，用于计算所述待识别的多模态MRI图像中每一层的感兴趣区域的面积，并获取面积最大的感兴趣区域；关键点确定单元，用于从所述面积最大的感兴趣区域中确定多个关键点；关键点选取单元，用于计算所述多个关键点中任意两个关键点之间的距离，并选取出距离最远的两个关键点；结果输出单元，用于将所述距离最远的两个关键点之间的距离作为最大径，将所述距离最远的两个关键点之间的方向作为最大扩张方向。可选的，还包括：3D卷积神经网络训练单元，具体用于：将当前训练次数确定为1；判断所述当前训练次数是否大于预设的阈值；若所述当前训练次数不大于预设的阈值，获取当前训练已标注感兴趣区域的MRI图像；所述已标注感兴趣区域的MRI图像是根据预设的方法将不同序列的MRI图像经过对齐以及标注感兴趣区域后得到的；利用3D卷积神经网络，依据所述3D卷积神经网络中预设的参数，对所述标注了感兴趣区域的MRI图本文档来自技高网...

【技术保护点】
一种识别MRI图像感兴趣区域的方法，其特征在于，包括：获取多个不同序列的MRI图像；依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的多模态MRI图像；通过已训练的3D卷积神经网络，识别待识别的多模态MRI图像中属于感兴趣区域的体素点；所述3D卷积神经网络是使用反向传播算法以及交叉熵损失对所述3D卷积神经网络中预设的参数进行调整，直到训练次数达到预设的阈值；其中，所述交叉熵损失是通过3D卷积神经网络对已标注感兴趣区域的MRI图像进行识别，得到预测的感兴趣区域，并将预测的感兴趣区域和已标注的感兴趣区域进行比对得到的；将所述属于感兴趣区域的体素点中相关联的体素点连通，得到至少一个连通的感兴趣区域。

【技术特征摘要】
1.一种识别MRI图像感兴趣区域的方法，其特征在于，包括：获取多个不同序列的MRI图像；依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的多模态MRI图像；通过已训练的3D卷积神经网络，识别待识别的多模态MRI图像中属于感兴趣区域的体素点；所述3D卷积神经网络是使用反向传播算法以及交叉熵损失对所述3D卷积神经网络中预设的参数进行调整，直到训练次数达到预设的阈值；其中，所述交叉熵损失是通过3D卷积神经网络对已标注感兴趣区域的MRI图像进行识别，得到预测的感兴趣区域，并将预测的感兴趣区域和已标注的感兴趣区域进行比对得到的；将所述属于感兴趣区域的体素点中相关联的体素点连通，得到至少一个连通的感兴趣区域。2.根据权利要求1所述的方法，其特征在于，所述依据预设的方法将所述多个不同序列的MRI图像对齐，得到待识别的多模态MRI图像，包括：在所述多个不同序列的MRI图像中的每个序列的目标中选取一个参照点；计算所述每个序列的MRI图像中各个体素与自身的参照点的相对坐标；依据得到的相对坐标，计算每个序列的中心点；将每一个序列中心点对齐，得到待识别的多模态MRI图像。3.根据权利要求1所述的方法，其特征在于，所述通过已训练的3D卷积神经网络，识别待识别的多模态MRI图像中属于感兴趣区域的体素点，包括：将所述待识别的多模态MRI图像输入到所述已训练的3D卷积神经网络中；利用所述已训练的3D卷积神经网络对待识别的多模态MRI图像中的所有体素点进行分类，识别出所述待识别的多模态MRI图像中属于感兴趣区域的体素点。4.根据权利要求1所述的方法，其特征在于，还包括：根据所述属于感兴趣区域的体素点的个数，计算所述感兴趣区域的体积；计算所述待识别的多模态MRI图像中每一层的感兴趣区域的面积，并获取面积最大的感兴趣区域；从所述面积最大的感兴趣区域中确定多个关键点；计算所述多个关键点中任意两个关键点之间的距离，并选取出距离最远的两个关键点；将所述距离最远的两个关键点之间的距离作为最大径，将所述距离最远的两个关键点之间的方向作为最大扩张方向。5.根据权利要求1所述的方法，其特征在于，所述3D卷积神经网络的训练过程包括：将当前训练次数确定为1；判断所述当前训练次数是否大于预设的阈值；若所述当前训练次数不大于预设的阈值，获取当前训练已标注感兴趣区域的MRI图像；所述已标注感兴趣区域的MRI图像是根据预设的方法将不同序列的MRI图像经过对齐以及标注感兴趣区域后得到的；利用3D卷积神经网络，依据所述3D卷积神经网络中预设的参数，对所述标注了感兴趣区域的MRI图像进行层级化函数处理，得到预测的感兴趣区域；将所述预测的感兴趣区域和已标注的感兴趣区域进行比对，得到交叉熵损失；根据所述交叉熵损失和反向传播算法，调整所述预设的参数；将所述当前训练次数加1，并返回执行判断所述当前训练次数是否大于预设的阈值；若所述当前训练次数大于预设的阈值，得到训练好的3D卷积神经网络。6.根据权利要求5所述的方法，其特征在于，所述获取已标注感兴趣区域的MRI图像，包括：获取多...

【专利技术属性】
技术研发人员：周振，张番栋，庞亮，张树，孔明，王洪振，何哲琪，李一鸣，
申请(专利权)人：北京深睿博联科技有限责任公司，
类型：发明
国别省市：北京,11