[发明专利]一种基于深度学习的脑微出血自动检测方法及系统

说明书

本发明公开了一种基于深度学习的脑微出血自动检测方法及系统。本方法为：1）选取多个磁敏感加权成像作为训练样本，对每一训练样本进行标准化处理；2）对训练样本进行去非脑组织处理；3）对训练样本中的脑微出血点进行标注；4）利用标注后的训练样本训练Unet模型，然后用Unet模型提取训练样本中的脑微出血点候选区域；5）基于所提取的脑微出血候选区中的假阳性数据和GroundTruth数据训练3D CNN模型；6）对于一待检测的磁敏感加权成像，提取脑微出血点候选区域并将其输入到训练后的3D CNN模型，识别出该磁敏感加权成像中的脑微出血点。本方法鲁棒性好，能够辅助给出脑微出血的病灶识别结果。

技术领域

本发明属于医学图像计算机辅助检测领域，具体为一种基于深度学习的脑微出血自动检测系统，提取相关微出血点的特征信息，并提供脑微出血点自动检测报告。

背景技术

脑微出血（Cerebral Microbleeds，CMB）是一种微小血管病变导致的含铁血黄素沉积，是脑内微小血管病变所致，以微小出血为主要特征的一种脑实质亚临床损害，常见于患者的基底节、皮质以及皮质下白质等区域。典型的脑微出血病灶面积小、圆、边界清晰，基于磁共振成像（Magnetic Resonance Imaging，MRI）的磁敏感加权成像序列(Susceptibility Weighted Imaging，SWI)显示直径一般 2~5mm (最大可达 10mm)圆形无信号或低信号病灶， CT 或 MRI 其他序列(T1WI、T2WI 和 FLAIR)一般无明显表征。脑微出血常见于脑出血患者或缺血性中风患者颅内，在老年人群中普遍存在。脑微出血的研究具有非常重要的临床意义。

但对脑微出血的判别非常困难，存在很多易于脑微出血出现混淆的结构，包括了血管，通常出现在皮层与近皮层，蛛网膜下的线性或曲线形结构，在T2影像上可见；脑梗塞区域，可通过弥散加权成像(Diffusion-Weighted Imaging，DWI）、液体衰减反转成像（Fluid Attenuated Inversion，FLAIR）、T2来判别梗塞； 苍白球或锯齿核矿化 ，呈对称分布，在 X 射线电子计算机断层扫描 (Computed Tomography，CT) 图像上可能呈现亮斑；小面积出血与新生儿颅内出血 (在T2*影像上可见 ) 非常近似。

由上述可以看出，脑微出血点的病灶面积相对较小、判别也十分复杂，而且在颅内的位置不确定，在医生经过长时间的人工判别后十分容易出错或者造成漏筛。脑微出血病灶与其他结构容易混淆，即使医生反复对照不同的不同模态影像数据及多个角度观察有时也会难以判别，而且手动判别常常需要医生具备丰富的临床经验。对于大量的微小型脑微出血灶来说，医生手动进行标记定位和计数是一件十分消耗精力和时间的枯燥任务，并带有不同医生的主观性和不确定性，这样就造成了一致性差、缺乏客观性等问题。所以脑微出血的自动检测技术以及定量分析越来越受到研究者们的重视，以期更加科学便捷的帮助医生的诊断研究工作。

目前已有的方法依赖于手工提取特征。例如，提取描述CMB的几何形状信息、形状、大小和强度、比例和局部图像结构信息等特征。一些研究人员还采取首先快速去除明显的非CMB背景区域，并根据这些手工特征检索少量有希望的脑微出血点的候选集进行进一步分类。但是，这些手工特征的设计在很大程度上取决于CMB的领域知识。此外，这些低级特征通常不足以捕获CMB的复杂特征。

综上所述，现有技术存在以下缺点。

1. 目前的脑微出血自动检测技术往往没有考虑到不同模态影像数据间的信息互补。

2. 缺乏从多个角度或以3D的方式来对检测脑微出血。

3. 目前技术常常需要人工自定义特征的方式去对影像数据的特征进行提取。

4. 目前技术的假阳性普遍较高，算法判别之后还需要人工排除大量的假阳性检测结果，其检测精度有待进一步提高。

发明内容