[发明专利]基于MRA影像的颅内动脉瘤检测方法及装置

说明书

本发明提出了一种基于MRA影像的颅内动脉瘤检测方法及装置，该方法包括：对MRA影像样本进行预处理；基于预处理后的MRA影像样本提取目标图像块；其中，目标图像块为包含动脉的图像块；基于目标图像块生成MIP图像；基于MIP图像和与MIP图像对应的目标图像块生成训练数据集；基于构建的动脉瘤检测模型和训练数据集，得到训练好的动脉瘤检测模型；基于训练好的动脉瘤检测模型和待测MRA影像，预测待测MRA影像是否含有动脉瘤。通过对MRA影像进行充分分解，以便动脉瘤检测模型可以更精确地识别及提取动脉瘤的特征，利用深度学习算法，结合人工读图的逻辑，对MRA影像中动脉瘤的检测具有较高的灵敏度和准确度，减少了假阳性结果的出现。

技术领域

本发明涉及医学影像处理的技术领域，尤其涉及一种基于MRA影像的颅内动脉瘤检测方法及装置。

背景技术

磁共振血管成像(TOF-MRA)是一种对颅脑中的血流敏感的成像技术，与需要辐射暴露和注射造影剂的数字减影血管造影(DSA)和CT血管造影(CTA)不同，MRA可以让病人在没有辐射暴露和造影剂的情况下进行，因此，它在临床上被广泛应用于无症状患者的未破裂的颅内动脉瘤(UIAs)识别。在健康的成年人中，未破裂的颅内动脉瘤的患病率约为3.2％，但如果不及时治疗，UIA很有可能会破裂而后导致蛛网膜下腔出血,其死亡率高达40％，且预后较差、存活者的残疾率也较高。

筛查动脉瘤是一项具有挑战性和费时费力的任务，因而医护人员需要结合机器自动化分析的方式来提高效率和对病症判断的准确性。现有的大多数传统的机器学习算法很难处理原始形式的输入图像；为了获得良好的性能，通常需要提取计算出来的“图像特征”。例如，在动脉瘤检测问题中，经常使用曲率或Hessian矩阵衍生特征。但CNN可以将图像本身作为输入，并通过类似于人类视觉识别的处理方式自动学习到好的特征，从而达到更好的性能。因此，人们很自然地将CNN用于CAD，并使用简单的图像作为输入，通常大部分动脉瘤检测模型均以原始影像作为输入，通过卷积神经网络作为检测模型，来判断影像上哪块区域含有动脉瘤。但现有方法中，依靠纯粹的机器识别，缺乏与医学发展中积累的临床经验和人工读图的逻辑有效结合，并且以原始MRA影像作为输入,对动脉瘤判断的灵敏度较低，容易出现假阳性的结果。

发明内容

本发明的目的是提供一种基于MRA影像的颅内动脉瘤检测方法及装置，为解决现有技术中，依靠纯粹的机器识别，缺乏与医学发展中积累的临床经验和人工读图的逻辑有效结合，并且对MRA影像中动脉瘤判断的灵敏度较低，容易出现假阳性结果等问题。

为解决上述技术问题，根据一些实施例，本发明一方面提供了一种基于MRA影像的颅内动脉瘤检测方法，包括：对MRA影像样本进行预处理；基于预处理后的MRA影像样本提取目标图像块；其中，所述目标图像块为包含动脉的图像块；基于目标图像块生成MIP图像；基于所述MIP图像和与所述MIP图像对应的所述目标图像块生成训练数据集；基于构建的动脉瘤检测模型和所述训练数据集，得到训练好的动脉瘤检测模型；基于训练好的动脉瘤检测模型和待测MRA影像，预测所述待测MRA影像是否含有动脉瘤。

进一步地，所述对MRA影像样本进行预处理，包括：人工标注所述MRA影像样本中的动脉瘤影像；基于所述动脉瘤影像生成动脉瘤的掩膜信息；将人工标注后的所述MRA影像样本和所述动脉瘤的掩膜信息分别转换为三维矩阵，得到MRA矩阵影像和动脉瘤的掩膜矩阵。

进一步地，所述基于预处理后的MRA影像样本提取目标图像块，包括：将MRA矩阵影像分成若干个预设图像块；对所述MRA矩阵影像进行血管分割，得到目标区域；其中，目标区域为包含动脉的区域；筛选出目标区域的多个预设图像块，得到目标图像块；基于目标图像块和动脉瘤的掩膜矩阵筛选出含有动脉瘤的图像块。

进一步地，所述基于预处理后的MRA影像样本提取目标图像块之后，包括：对所述含有动脉瘤的图像块进行数据增强；对所有的目标图像块进行打标签，以实现对目标图像块进行标记为是否含有动脉瘤的图像块；其中，含有动脉瘤的图像块标记的概率为1，未含有动脉瘤的图像块标记的概率为0。