[发明专利]一种用于CTA图像的颅内动脉瘤区域自动检测系统和检测方法

说明书

本发明公开了一种用于CTA图像的颅内动脉瘤区域自动检测系统及检测方法，包括：数据增强模块，其用于将采集后的CTA图像数据进行增强处理；疑似区域预选模块，其用于对增强后的CTA图像数据进行模型训练，确定疑似区域的中心坐标；精细目标检测模块，其用于根据所述中心坐标裁剪原始图像后，进行模型训练，在所述原始图像上标注颅内动脉瘤所在区域；多维度融合模块，其用于根据所述中心坐标裁剪三维立体图像后，进行模型训练，在所述三维立体图像上标注颅内动脉瘤所在区域，进而结合精细目标检测结果，在所述原始图像上标注颅内动脉瘤所在区域；增量训练模块，其用于采集新增的CTA图像，重新确定颅内动脉瘤所在区域。

技术领域

本发明涉及辅助医疗器械领域，具体涉及一种用于CTA图像的颅内动脉瘤区域自动检测系统和检测方法。

背景技术

颅内动脉瘤是造成非创伤性蛛网膜下腔出血的主要病因，破裂出血所引起的脑细胞损伤和血管痉挛会导致高致残率和高死亡率。据估计，约有3％的成年人患有颅内动脉瘤，且在肿瘤未发生破裂的情况下，极难被诊断出来。已有研究表明，造成颅内动脉瘤破裂的原因与颅内动脉瘤的位置和大小密切相关。因此，准确的检测方法是现阶段降低颅内动脉瘤破裂风险的有效手段。传统的颅内动脉瘤检测方法依赖于人工筛查和手动标注。这种方法不仅需要较高的人力资本，而且在时效上也无法满足医疗行业的需求。传统方法引发的种种不稳定因素极容易造成医生误诊病人的病情或是误判最佳的治疗时间，以至于影响到患者的后续治疗。针对颅内动脉瘤的自动检测技术在临床上具有较高的实用价值和社会意义。

传统肿瘤自动检测方法主要包括阈值法和区域生长法。阈值法的基本思想是，初始化一个阈值，根据像素值是否大于阈值来分类每一个像素点是否处于病灶区域。生长法是基于预定义的相似度计算规则不断合并相邻的种子像素或子区域，直到没有可以继续合并的区域或像素。但是这些传统方法有明显的缺陷，一是忽略了图像的空间结构，二是模型的效果过于依靠人工定义和设计。鉴于以上原因，这些方法尚没有获得广泛的应用。

卷积神经网络(英文全称：Convolutional Neural Network，简称：CNN)在肿瘤检测问题上的应用愈加广泛，其局部连接和权值共享的特点是解决各类图像任务的关键。经典的全卷积神经网络U-net架构可以在保留原始图片信息的同时完成像素级的分类。

区域卷积神经网络(英文全称：region with CNN features，简称：R-CNN)作为目标检测的主流框架，在多个数据集已经取得了很好的效果，逐渐成为常规目标检测领域的首选方法。然而，区别于常规目标检测领域的RGB图像，医疗领域成像设备所产生的多为灰度图，尤其CTA图像往往具有边界模糊、梯度复杂、无法提供高分辨率信息的特征。因此，现有R-CNN的方法无法直接应用于颅内动脉瘤区域的自动检测问题。

发明内容

基于上述技术问题，本发明设计开发了一种用于CTA图像的颅内动脉瘤区域自动检测系统，本发明的发明目的是解决了初始样本较少、背景噪音较大和病灶区域在整张CTA面积占比过小的问题。

本发明设计开发了一种用于CTA图像的颅内动脉瘤区域自动检测方法，本发明的发明目的是解决由于初始样本较少、颅内动脉瘤所在区域在整张CTA图像上面积占比过少，进而导致的CTA图像上颅内动脉瘤的检测不能精准分割的问题。

本发明提供的技术方案为：

一种用于CTA图像的颅内动脉瘤区域自动检测系统，包括：

数据增强模块，其用于将采集后的CTA图像进行增强处理后得到多个增强后的CTA图像；

疑似区域预选模块，其用于对增强后的CTA图像进行模型训练，确定疑似区域的中心坐标；

精细目标检测模块，其用于根据所述中心坐标裁剪原始图像后，进行模型训练，在所述原始图片上标注颅内动脉瘤所在区域；