[发明专利]一种基于深度学习的致痫灶三维自动定位系统

说明书

本发明公开了一种基于深度学习的致痫灶三维自动定位系统，该系统包括：PET图像采集和标记模块；PET图像与标准对称脑模版的配准模块；PET图像数据预处理模块，生成左右脑图像块的镜像对；孪生网络SiameseNet训练模块，包含两个共享权重参数的深度残差卷积神经网络，输出层连接多层感知机和softmax层，利用携带致痫灶的图像和正常图像的训练集对所述网络进行训练获得网络模型；分类模块和致痫灶定位模块，利用训练好的网络模型对新输入的PET图像生成概率热图，先通过分类器判断图像为正常或者携带致痫灶样本，再预测致痫灶区域的位置。该系统通过引入图像块的镜像对和孪生网络SiameseNet，来自动定位PET图像的致痫灶，能有效地提高致痫灶定位的准确度和效率，并具有较高的鲁棒性。

技术领域

本发明涉及医疗影像工程技术领域，特别涉及一种基于深度学习的致痫灶三维自动定位系统。

背景技术

随着医学成像技术和人工智能技术的发展，自动和半自动的计算机辅助诊断系统被广泛应用于精准诊断和治疗中，以提高诊断准确率及预后。目前，针对癫痫疾病的检测系统包括正电子发射计算机断层扫描(PET)、核磁共振成像(MRI)、单光子发射计算机断层扫描(SPECT)和脑电图(EEG)，其中PET对于癫痫疾病的检测和预后具有更高的灵敏度。对癫痫疾病类型的确定、难治性癫痫的手术治疗等中，均需要用诊断系统精确地定位致痫灶的位置。然而，传统的对三维PET图像进行视觉评估的常规临床诊断非常耗时，且受到医生临床经验的影响。因此，提出一种准确、快速的致痫灶定位系统十分重要。

现有的技术面临的挑战主要有：1.影像学技术通常基于区域或体素的标准摄取值(SUV)和/或不对称指数(AI)的统计推断判断异常。区域统计方法通常将大脑分割成较大的感兴趣区域(ROI)，然后比较区域内的SUV或AI的平均值。由于区域常远大于病灶区，导致该方法会忽略细微变化，从而导致其检测灵敏度降低。体素统计方法通常使用统计参数映射(SPM)软件来比较单个病例和控制组的数据，然而，体素统计方法对配准误差高度敏感，容易在错位区域产生假阳性。2.现有的算法大多仅适用于二维自然图像处理，而由于PET成像是一个由平行扫描图像帧组成的三维结构，二维定位算法会忽略重要的帧间信息。3.由于医学图像数据量少、缺少高质量的标注数据和训练样本、正负样本数量差异较大导致样本的不平衡等问题，训练出来的模型可能是过拟合或者模型泛化能力不高。

综上，提供一种致痫灶区域的三维自动定位系统，利用PET图像帧内和帧间的对称性信息，以提高致痫灶定位的准确度和效率，成为目前亟待解决的重要技术问题。

发明内容

本发明的目的在于针对目前医学图像病灶定位技术的不足，提供了一种基于深度学习的脑部区域致痫灶三维定位系统，用于自动定位脑部致痫灶的位置，定位结果准确率高，模型具有较高的鲁棒性。

本发明的目的是通过以下技术方案来实现的：一种基于深度学习的致痫灶三维自动定位系统，所述系统包括以下模块：

(1)PET图像采集和标记模块，包括图像采集和致痫灶区域标记：

1.1)采集图像：使用3D PET/CT扫描仪采集脑部PET图像，受试者在采集过程中保持相同体位，获取PET图像。图像采集后进行图像格式转换，即将DICOM格式的原始采集图像序列转换成易处理的NIFTI格式图像。

1.2)标记样本：将PET图像分为正常样本集和携带致痫灶的样本集，并对携带致痫灶的样本集手动标记致痫灶区域，其中，致痫灶区域标记为1，其余区域标记为0。

(2)PET图像配准模块：以互相关作为图像间的相似性度量，运用对称微分同胚(SyN)算法将所有PET图像及其标记图像形变到同一对称标准空间，以实现PET采集图像、标记图像与标准对称脑模版的配准。配准后，采用高斯平滑算法减少个体差异带来的配准误差，高斯平滑处理选择高斯函数的半峰全宽FWHM为5～15mm。对平滑后的图像进行z-score标准化。