CN114119546B 检测mri影像的方法及装置 （推想医疗科技股份有限公司）

AU2021101379A4,2021.05.13提供一种检测MRI影像的方法及装置，所述述MRI影像检测方法包括：获取待检测的MRI影像在不同尺度的特征图；对所述多个序列的MRI所述MRI影像的病灶区域。本申请实施例中的方2获取待检测的MRI影像，所述待检测的MRI影像包括多个不同序列的MRI影像在不同尺对所述多个不同序列的MRI影像分别在每个尺度的特征图进行融合，得到第一融合特2.根据权利要求1所述的方法，其特征在于，所述对所述多获取不同序列的MRI影像，分别构造所述不同序列MRI影像计算所述多个不同序列的MRI影像在不同尺度的特征图与所述原型特征库中的每个原过将所述第一融合特征图与所述第一重组特征图对所述原型特征库中的原型特征图进行相似度训练，每个原型特对所述第一融合特征图中所述MRI影像的病灶区域的特征信号进行增强和优化，识别确定训练样本图像，所述训练样本图像包括融合特征图，所基于所述第一标注数据和所述第一训练数据来训练所述学习模型，3存储模块，用于获取不同序列的MRI影像，分别构造所述不同序列M寻址模块，用于计算所述多个不同序列的MRI影像在不同尺度的特征图与所述原型特述融合模块通过将所述第一融合特征图与所述第一重组特征图进行对所述原型特征库中的原型特征图进行相似度训练，每个原型特特征增强模块，用于对所述第一融合特征图中所述MRI影像的病灶区域的特征信号进生成针对所述不同序列的MRI影像识别出病灶区4由于不同序列扫描所得到的MRI影像所反映的侧重点有所区别，且所呈现的病灶区域较小[0004]为了解决现有技术中存在的上述问题，本申请实施例提供了一种MRI影像的检测解决了单一序列的MRI影像带来的识别效率低和准确[0006]在本申请的一个实施例中，所述对所述多个序列的MRI影像分别在每个尺度的特列MRI影像所对应的原型特征库，所述原型特征库对所述不同序列的MRI影像进行分类存的特征图与所述原型特征库中的每个原型特征图之间的相似度，得到N个相似的原型特征5一标注数据和所述第一训练数据来训练所述学习模型，以生成针对所述不同序列的MRI影数据来训练所述学习模型，以生成针对所述不同序列的MRI影像识别出病灶区域的检测结6[0029]磁共振成像(MagneticResonanceImaging，MRI)通过对静磁场中的人体施加某合，不同序列的MRI所反映的侧重点不尽相同。常见的扫描序列包括自旋回波(SinEho，时间的反转恢复(ShortTIInversionRecovery，Stir)和液体抑制反转恢复序列(Fluid的信号幅度主要反映各组织的T1弛豫(纵向弛豫)差别，T1序列用于观察解剖结构效果较[0034]Flair序列也是MRI技术中的一种常用的序列技术，可以认为是一种MRI的一种模权、自旋回波序列(FastSpinEcho，FSE)、梯度回波序列(GradientEchoPulse7％～[0038]CT(ComputedTomography)可作为检测CVST的一种影像学方法，但是头颅CT阳性[0039]MRI是识别脑静脉和静脉窦血栓异常信号的有效方法，也是目前最常用的一线筛的MRI影像进行对照比较，来实现对CVST更加准确地判断是否存在CVST以及血栓的发生的[0040]上述困难增加了阅读MRI影像所需要的时间，显著降低了医生(尤其是初级/脑静[0041]为了解决上述存在的问题，本申请旨在提出一种基于多序列MRI影像进行CVST的[0042]应当理解，该方法可以具体由本地的电子设备的处理器执行(例如本地的医疗设8述MRI检测模型可以是基于深度学习方法预先训[0050]如图3所示的为本申请一实施例提供的MRI检测模型的示例图，该MRI检测的网络9[0059]为了获取到多个尺度的MRI影像的特征图，例如可以将特征图的获取过程分为多[0060]参照图3，MRI检测模型是提取的三个序列所生成的MRI影像在四个不同尺度的特别在第二阶段提取到的第二特征图输入到多序列特征融合模块323中进行特征融合，得到息融合特征图440(也称为原始多序列信息融合特征图)。所述加法计算例如可以是通过调[0070]作为一个实施例，为了使所得的第一融合特征图能够更加凸显出MRI影像中正常[0072]首先，获取不同序列的MRI影像分别构造不同序列MRI影像所对应的原型特征[0073]为了使得原型特征库中每个原型更具代表性，需要通过可以对每个序列生成的MRI影像构建一个原型特征库，原型特征库中的训练样本可以包含[0075]相似性程度Ri和相似性距离D是衡量个体之间的相似程度的两个主要因素。相似[0079]作为一个实施例，原型寻址模块基于原型特征库计算出步骤S210中提取到的MRI[0083]原型寻址模块基于原型特征库对获取到的MRI影像的特征进行有针对性的增强，[0084]参照图4的特征融合过程，第一融合特征图可以是原始多序列信息融合特征图440，第一重组特征图可以包括T1重组特征图451、T2重组特征图452和Flair重组特征图重组特征图加强了正常特征和异常特征的区分度，使得更利于对CVST的病灶区域进行识[0086]作为一个实施例，可以对第一融合特征图中MRI影像的病灶区域的特征信号进行[0090]特征金字塔网络(FeaturePyramidNetworks，FPN)332，其输入例如为特征图[0091]区域建议网络(regionproposalnetwork，RPN)333可以负责产生候选区域。例通过相关程序实现ROI的对齐和识别。ROI识别335的输出的特征图335中包含感兴趣区域，[0093]非极大值抑制(nonmaximumsuppression，NMS)336可以用来抑制冗余的感兴趣像，如正常或非正常的MRI影像。该训练样本可以尽可能包含多种不同的序列扫描生成的[0098]以图7所示的训练模型为例，其训练样本图像例如可以为训练用多序列MRI影像[0110]将步骤S620的得到的第一标注数据和步骤S630得到的第一训练数据一起输入到720和预处理730输出的第一训练数据输入到深度学习模型740中进行训练。深度学习模型740会将第一标注数据和第一训练数据进行一一匹配的训练，直到最终生成准确的检测结[0116]融合模块820，用于对所述多个序列的MRI影像分别在每个尺度的特征图进行融分别构造所述不同序列MRI影像所对应的原型特征库，所述原型特征库对所述不同序列的[0119]寻址模块，用于计算所述多个序列的MRI影像在不同尺度的特征图与所述原型特征图中所述MRI影像的病灶区域的特征信号进行增强和优化，识别所述MRI影像的病灶区[0125]作为一个示例，本申请实施例提供的检测MRI影像的装置800可以是处理器或芯[0130]训练模块940，用于基于所述第一标注数据和所述第一训练数据来训练所述学习[0132]图10是本申请一实施例提供的检测MRI影像的装置1000的示意性框图。图10所示申请实施例的测量骨密度的方法的各个步骤可以通过处理器1020的集成逻辑电路或者软[0136]上述处理器1020通用处理器、数字信号处理器(digitalsignalprocessing，[0137]结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完[0141]应理解，本申请实施例中的处理器可以为中央处理单元(centralprocessingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digit