颅内病灶的检测模型的训练方法、检测方法、装置及设备制造方法及图纸

本说明书实施例公开了一种颅内病灶的检测模型的训练方法、检测方法、装置及设备。所述方法包括：获取待处理的NCCT影像数据；将所述待处理的NCCT影像数据输入颅内出血的检测模型中，获得所述待处理的NCCT影像数据对应的出血概率及所述待处理的NCCT影像数据对应的热图；基于所述待处理的NCCT影像数据与颅脑模板进行匹配获得的转换矩阵，将所述转换矩阵作用于所述待处理的NCCT影像数据对应的热图，获得所述待处理的NCCT影像数据的出血灶的位置，能够自动进行NCCT影像数据的出现检测，处理速度快、检测准确率高。检测准确率高。检测准确率高。

【技术实现步骤摘要】
颅内病灶的检测模型的训练方法、检测方法、装置及设备


[0001]本说明书涉及医学影像及人工智能
，尤其涉及一种颅内病灶的检测模型的训练方法、检测方法、装置及设备。

技术介绍

[0002]颅内病灶是指脑部损伤导致脑部出现细胞坏死，能够被影像学检查所观察到。常见的颅内病灶包括梗死灶、出血灶、占位灶。其中，颅内出血是常见的出血灶，即颅骨内发生的出血，是一种严重的急性脑血管疾病。其病因包括外伤、高血压、脑动静脉畸形、硬脑膜动静脉瘘、血管炎、静脉窦血栓形成等。对于临床治疗来说，确定出血的位置和类型是治疗患者的关键步骤。通过计算机断层(CT)扫描和磁共振成像(MRI)扫描可以更直接、更准确地反映颅内出血的严重程度和演化趋势。同时又因为CT检测的费用要比MRI检测的费用少得多，所以大多数人患者会选择CT检测的方式。在CT图像中新鲜血肿通常显示为边界模糊的高亮度区域。通常情况下，血肿的形状为肾形，圆形或不规则形，并常常被低密度水肿包围。
[0003]当患者出现严重的头痛或意识丧失等急性神经系统症状时，训练有素的医学专家会检查患者颅脑的NCCT医学图像，以确定出血的位置和类型。这个过程很复杂，而且通常很耗时。根据颅脑CT正确判断急性颅内出血的类型，对后续临床治疗起着决定性的作用，这也是决定紧急手术干预和选择手术方法的关键。
[0004]因此，需要一种新的方法，能够自动进行NCCT图像中病灶的识别及定位，为临床治疗提供辅助手段。

技术实现思路

[0005]本说明书实施例提供一种颅内病灶的检测模型的训练方法、检测方法、装置及设备，用于解决以下技术问题：
[0006]为解决上述技术问题，本说明书实施例是这样实现的：
[0007]本说明书实施例提供的一种颅内病灶的检测模型的训练方法，所述方法包括：
[0008]获取弱标签标注的待处理的影像数据集；
[0009]基于所述弱标签标注的待处理的影像数据集建立神经网络，以训练颅内病灶的检测模型，所述颅内病灶的检测模型包括编码模块、分类模块及热图生成模块；
[0010]其中，
[0011]所述编码模块是基于所述弱标签标注的待处理的影像数据集，经过第一子模块的卷积操作及池化操作、第二子模块的卷积操作及池化操作、第三子模块的卷积操作及池化操作、第四子模块的卷积操作与池化操作及第五子模块的卷积操作，获得的编码模块。
[0012]所述分类模块是对所述编码模块的输出进行池化操作及全连接，获得的分类模块；
[0013]所述热图生成模块是基于所述神经网络编码模块及所述分类模块，进行加权求和及缩放操作，获得的热图生成模块。
[0014]本说明书实施例还提供一种颅内病灶的检测方法，所述方法包括：
[0015]获取待处理的影像数据；
[0016]将所述待处理的影像数据输入颅内病灶的检测模型中，获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图；
[0017]基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵，将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上，获得所述待处理的影像数据的病灶位置和/或所述待处理的影像数据的病灶体积。
[0018]本说明书实施例还提供一种颅内病灶的检测装置，包括：
[0019]获取模块，获取待处理的影像数据；
[0020]检测模块，将所述待处理的影像数据输入颅内病灶的检测模型中，获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图；
[0021]定位模块，基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵，将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上，获得所述待处理的影像数据的病灶位置和/或所述待处理的影像数据的病灶体积。
[0022]本说明书实施例还提供一种电子设备，包括：
[0023]至少一个处理器；以及，
[0024]与所述至少一个处理器通信连接的存储器；其中，
[0025]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
[0026]获取待处理的影像数据；
[0027]将所述待处理的影像数据输入颅内病灶的检测模型中，获得所述待处理的影像数据对应病灶的概率及所述待处理的影像数据对应的热图；
[0028]基于所述待处理的影像数据与颅脑模板配准获得的转换矩阵，将所述转换矩阵作用于所述颅脑模块或所述待处理的影像数据对应的热图上，获得所述待处理的影像数据的病灶位置和/或所述待处理的影像数据的病灶体积。
[0029]本说明书实施例通过弱标签信息，用深度学习的方法训练模型，学习病灶特征，从而确定是否具有病灶，定位病灶区域，能够自动进行影像数据的病灶检测，处理速度快、检测准确率高。
附图说明
[0030]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本说明书实施例提供的一种颅内病灶的检测模型的训练方法的示意图；
[0032]图2为本说明书实施例提供的一种颅内病灶的检测模型的系统结构的示意图；
[0033]图3为本说明书实施例提供的一种颅内病灶的检测方法的示意图；
[0034]图4为本说明书实施例提供的一种颅内病灶的检测方法的框架图；
[0035]图5为本说明书实施例提供一种颅内病灶的检测装置的示意图。
具体实施方式
[0036]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0037]颅内病灶，例如颅内出血、颅内缺血等，在现有技术中，采用人工方法进行颅内病灶诊断时，在临床实践中经常出现延迟或漏诊的情况。以颅内出血为例，因为即使对有经验的放射科医生来说，根据CT图像正确诊断急性脑出血亚型并进行颅内出血区域定位也是非常具有挑战性的。同时由于放射科医生的工作量增加，超负荷的工作引起的疲劳可能会导致误诊或漏诊。因此，现有技术中，也出现了一些通过机器方法进行颅内出血判断的方法，例如基于人工构造的特征(如梯度，图像亮度等)，采用聚类和阈值等简单分割算法，识别出血灶，该种方式在复杂的情况下，如出血区域与脑组织重叠或出血的边缘模糊时，效果并不好。还有一种方法是，基于人工勾勒的梗死灶，采用监督学习的方式，做出血灶分割。但是现有的方法存在如下问题：对于一些出血边缘不清晰的出血灶，人工勾勒难度很大，存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种颅内病灶的检测模型的训练方法，其特征在于，所述方法包括：获取弱标签标注的待处理的影像数据集；基于所述弱标签标注的待处理的影像数据集建立神经网络，以训练颅内病灶的检测模型，所述颅内病灶的检测模型包括编码模块、分类模块及热图生成模块；其中，所述编码模块是基于所述弱标签标注的待处理的影像数据集，经过第一子模块的卷积操作及池化操作、第二子模块的卷积操作及池化操作、第三子模块的卷积操作及池化操作、第四子模块的卷积操作与池化操作及第五子模块的卷积操作，获得的编码模块。所述分类模块是对所述编码模块的输出进行池化操作及全连接，获得的分类模块；所述热图生成模块是基于所述神经网络编码模块及所述分类模块，进行加权求和及缩放操作，获得的热图生成模块。2.如权利要求1所述的方法，其特征在于，所述第一子模块的卷积操作采用7
×
7的卷积核，所述第一子模块的卷积操作的步长为2，所述第一子模块的池化操作的步长为2；所述第二子模块、所述第三子模块及所述第四子模块的卷积操作均有1个1
×
1的卷积核、1个3
×
3的卷积层和1个1
×
1的卷积层组成，所述第二子模块、所述第三子模块和所述第四子模块的卷积操作的步长为2，所述第二子模块、所述第三子模块和所述第四子模块的池化操作的步长为2；所述第五子模块的卷积操作由1个1
×
1的卷积核、1个3
×
3的卷积层组成，所述第五子模块的卷积操作的步长为2。3.如权利要求1所述的方法，其特征在于，所述第一子模块的卷积操作为数据标准化操作或Relu激活操作，所述第一子模块的池化操作为最大池化或平均池化，所述第一子模块的池化操作优选为平均池化；所述第二子模块、所述第三子模块、所述第四子模块的池化操作为平均池化。4.如权利要求1所述的方法，其特征在于，所述第一模块的卷积核的个数为64个，所述第二模块的卷积核的个数为128，所述第三模块的卷积核的个数为256，所述第四模块的卷积核的个数为512，所述第五模块的卷积核的个数为1024。5.如权利要求1所述的方法，其特征在于，所述分类模块是对所述编码模块的输出进行池化操作及全连接，获得的分类模块，具体包括：将所述编码模块输出的特征图进行平均池化操作，获得特征向量；将所述特征向量进行全连接，获得颅内病灶的概率值，从而获得所述分类模块。6.如权利要求1所述的方法，其特征在于，所述热图生成模块是基于所述编码模块及所述分类模块，进行加权求和及缩放操作，获得的热图生成模块，具体包括：将所述编码模块输出的特征图与所述分类模块的全连接层的权重结果，进行矩阵加权求和，生成热图；将所述热图进行缩放操作，以便所述热图的尺寸与所述待处理的影像数据集的尺寸相同，获得所述热图生成模块。7.如权利要求1所述的方法，其特征在于，所述颅内病灶为颅内出血，所述弱标签为长度为6的列表，所述弱标签包括是否有颅内出血及是否存在某种出血亚型，所述出血亚型包括蛛网膜下腔出血、脑室内出血、硬膜下出血、脑实质性出血和硬...

【专利技术属性】
技术研发人员：金海岚，陈麒宇，廖文凯，宋凌，印胤，杨光明，秦岚，
申请(专利权)人：强联智创北京科技有限公司，
类型：发明
国别省市：