[发明专利]基于人工智能的脑部PET影像识别方法

说明书

本发明提供了一种基于人工智能的脑部PET影像识别方法，该方法包括：接收目标患者的脑部的PET图像序列；分析PET图像序列以识别多个图像，创建PET图像序列的多通道图像，计算所述多通道图像的PET图像序列的病变的分类。本发明提出了一种基于人工智能的脑部PET影像识别方法，通过自动学习提取特征信息，有助于总结脑结节影像学特征的规律，达到较高的检测率，分割得到更精确的三维模型，帮助脑结节病变识别和医生的精确诊断。

技术领域

本发明涉及数据挖掘，特别涉及一种基于人工智能的脑部PET影像识别方法。

背景技术

计算机辅助诊断在提高诊断准确率、提高工作效率、减少漏诊等方面取得了极大的促进作用。随着计算机技术和人工智能技术的发展，计算机辅助诊断也在走向智能化。探测和识别脑结节对于早期脑瘤的诊断具有十分重要的意义。脑结节是一些PET影像中的小病灶、高密度阴影的统称。脑结节在影像学的表现十分复杂。已有多种图像算法应用于脑结节探测和分割，例如阈值法、形态学算法、活动轮廓法以及非线性回归等。近年来，研究者提出了一些深度学习模型，用于脑结节探测与分割，效果较以前的方法有明显改善，但也面临着如下问题：二维网络无法很好的利用三维形状和纹理信息，难以正确分割三维边界；脑区域影像和结节特征具有较高复杂性，难以区分结节和其他类似组织。

发明内容

为解决上述现有技术所存在的问题，本发明提出了一种基于人工智能的脑部PET影像识别方法，包括：

接收目标患者的脑部的PET图像序列；

从所述PET图像序列中识别多个图像，所述多个图像包括基础图像、峰值灰度增强图像、初始拍摄图像和延迟响应图像；所述基础图像表示无灰度的PET图像序列，所述峰值灰度增强图像表示具有最高相对亮度值的图像，所述初始拍摄图像表示所述PET图像序列中最初检测到的灰度图像，所述延迟响应图像表示所述PET图像序列中结尾部分，即经过预定义时间的最后一个图像；

创建PET图像序列的多通道图像，所述多通道图像包括亮度通道、灰度更新通道和灰度清除通道，其中所述亮度通道包括所述峰值灰度增强图像，所述灰度更新通道为所述峰值灰度增强图像和基础图像之间的运算差值，所述灰度清除通道为所述初始拍摄图像和所述延迟响应图像之间的运算差值；

其中所述分析是通过将根据像素周围的区域内高于阈值的显著值分配给每个像素的分值来计算分值图像，并且对分值图像应用非最大抑制以获得包括表示局部最大值位置的候选区域的二进制检测掩模来执行的；

该方法还包括：从所述图像中裁剪所述候选区域，并且根据所述深度RNN的输入来调整每个裁剪的候选区域的大小，其中所述深度RNN计算表示每个候选区域的病变的分类；

对去噪后的PET脑部图像进行小波变换，获得PET图像中的高频信息；通过提升树分解将PET脑部图像分成多个区域，对每一局部区域分别进行处理；若每个局部区域大小为Φ×Φ，将可采样角度设为Φ²-1个，即投影角度为uπ/Φ²-1，其中u取1，2，…，L²-1；

构造与子区域同样大小的Φ×Φ窗口，计算该区域在采样角度上的正交投影η_u(i)：

η_u(i)＝-x(i)*(sinu)+y(i)*(cosu)

u为投影角度，x(i)，y(i)为窗口坐标，对每一角度投影得到的弯曲系数η_d；

计算指示PET图像中该区域在每一点的变化方向的梯度向量场；对η_d进行小波变换，得到其变换系数{ε_k}，预先确定阈值T，并对ε_k进行阈值化处理：

ε_k’(x)＝0 |x|≤T