基于磁共振圖像的腦微出血計算機輔助檢測系統技術方案

本發明專利技術提供了一種基于磁共振圖像的腦微出血計算機輔助檢測系統，屬于醫學圖像計算機輔助檢測領域。本發明專利技術共包括圖像導入模塊、圖像預處理模塊、特征提取模塊、自動檢測模塊和《腦微出血自動檢測報告》輸出模塊五個部分。該系統綜合考慮了T1、T2和GRE?T2*圖像的特征并通過腦微出血灶先驗分布概率模板獲得大腦不同位置發生腦微出血的先驗信息，結合隨機森林分類器對腦微出血灶進行自動檢測。經測試系統敏感性為0.890，平均每個病例中包含1.530個假陽性灶。本系統較傳統人工判別方法更加客觀，重復性高，比已有的計算機輔助檢測方法更加準確可靠。本系統操作簡便，能夠較為客觀地給出腦微出血灶的識別結果，同時提供豐富信息供醫生參考。

【技術實現步驟摘要】
基于磁共振圖像的腦微出血計算機輔助檢測系統
本專利技術屬于醫學圖像計算機輔助檢測領域，具體是一種基于磁共振圖像中感興趣區域(圖像中的腦實質區域)的紋理特征、腦微出血灶先驗分布概率模板和隨機森林分類器的腦微出血計算機輔助檢測系統。
技術介紹
腦微出血是腦內微小血管病變所致的、以微小出血為主要特征的一種腦實質亞臨床損害。近年來，新的磁共振成像序列對腦微出血檢測率的提高使我們對腦微出血的認識進一步加深。腦微出血常見于缺血性中風患者或腦出血患者盧頁內，在老年人群中也普遍存在。它們的出現對疾病預后存在怎樣的影響，其分布情況是否與病因存在必然的聯系等問題目前還不明確。腦微出血的研究具有非常重要的臨床意義。 臨床上判別腦微出血的主要依據，描述如下: 典型腦微出血灶:面積小，圓，邊界清晰,在梯度回波(gradient-recalled echo,GRE) T2*圖像或磁敏感加權圖像(susceptibility weighted images, SffI)上呈現低信號，直徑約2?10mm，在T2圖像上幾乎不可見。 易與腦微出血灶混淆的結構: I)血管:蛛網膜下的線形或曲線形結構，通常出現在皮層與近皮層，在T2圖像上可見 2)蒼白球或鋸齒核礦化:呈對稱分布，在X射線電子計算機斷層掃描(ComputedTomography, CT)圖像上可能呈現亮斑 3)腦梗塞區域出血,可通過T2、液體衰減反轉恢復(fluid attenuated invers1nrecovery, Flair)或彌散加權成像(diffus1n-weighted imaging, DffI)序列圖像判別梗塞 4)氣骨交界面偽影，可通過檢查GRE T2*圖像中相鄰層面是否在同一位置出現異常信號來進行排查 5)部分容積效應，可通過檢查GRE T2*圖像中相鄰層面是否在同一位置出現異常信號來進行排查 6)小面積出血與新生兒顱內出血(T2*可見)或梗塞(T2，Flair或DWI序列圖像可見)非常近似 由此可見，腦微出血的判別問題十分復雜。病灶面積相對較小，在醫生進行較長時間人工判別后由于勞累容易錯判；病灶在整幅圖像中出現的位置不定，容易被漏判；腦微出血灶易與圖像中多種結構混淆，即使反復對照不同序列及層面圖像有時也難以判別，手工判別完全依賴于醫生的經驗，一致性差且非常耗時。這就使得腦微出血的計算機自動檢測以及定量分析越來越受到人們的關注。 然而目前已知的計算機輔助腦微出血檢測方法都沒有充分考慮不同序列圖像間的信息互補關系，腦微出血灶的多維圖像特征有待進一步挖掘。此外，所有已知的計算機輔助檢測方法均沒有考慮腦微出血先驗分布概率密度這一重要的位置信息。目前已有方法都無法做到全自動識別，不得不通過人工干預的方式排除大量的假陽性檢測結果，其敏感性和特異性都有待進一步提聞。
技術實現思路
本專利技術針對現有技術存在的上述不足，提供了一種基于磁共振圖像的腦微出血計算機輔助檢測系統，具體是一種基于不同序列圖像中感興趣區域(圖像中的腦實質區域)的紋理特征、腦微出血灶先驗分布概率模板和隨機森林分類器的腦微出血計算機輔助檢測系統。 本專利技術能夠通過機器讀片，完成以下任務: 1、從磁共振圖像中自動檢測腦微出血灶，保證較高的敏感性、特異性、陽性預測率和陰性預測率； 2、利用先驗信息構造能夠反映腦微出血位置特征的腦微出血灶先驗分布概率模板； 3、輸出包含圖像各層面腦微出血灶數目、大小、形狀、位置等形態或結構信息的《腦微出血自動檢測報告》，供醫生在臨床診斷時作為參考。 為實現上述目的，本專利技術采取以下技術方案:一種基于磁共振圖像的腦微出血計算機輔助檢測系統，包括以下模塊: 1、圖像導入模塊:將來自同一病人的Tl、T2和GRE T2*腦磁共振圖像導入腦微出血計算機輔助檢測系統。 [0021 ] 2、圖像預處理模塊: I)將圖像統一縮放到512X512像素大小； 2)圖像位置配準； 3)借助于Tl和T2圖像，去掉GRE T2*圖像中對應于顱骨、腦室、腦脊液以及腦膜這些不可能出現腦微出血灶的區域； 4)基于“統計能量法”進行局部閾值分割，初選出潛在的腦微出血灶。 3、特征提取模塊: I)提取潛在腦微出血灶的七個特征，即面積、圓度、局部灰度均值、邊緣灰度均值、對比度、位置評分和形色值； 2)構建特征向量。 4、自動檢測模塊:將步驟3提取的特征向量輸入到事先訓練好的隨機森林分類器中，得到檢測結果。 5、輸出模塊:輸出包含圖像各層面腦微出血灶數目、大小、形狀、位置等形態或結構信息的《腦微出血自動檢測報告》。 一種基于磁共振圖像的腦微出血計算機輔助檢測系統，其特征在于: 本專利技術由于采取以上技術方案，具有以下優點: 1、本專利技術使用隨機森林分類器對特征數據集進行分類，實驗結果證明與已有的半自動識別系統相比，敏感性、特異性、陽性預測率和陰性預測率均有明顯提高。結合隨機森林算法本身分類方面的諸多優點，隨機森林可以作為一種可靠的腦微出血特征選擇與分類手段。 2、本專利技術綜合考慮了 T1、T2和GRET2*圖像的特征，與已有方法相比使用的圖像信息更加全面。利用Tl和Τ2圖像排除了顱骨、腦室、腦脊液以及腦膜等結構的干擾，提高了識別特異性。 3、本專利技術首先提出了“腦微出血先驗分布概率”這一概念，通過大量樣本數據的累積，可以獲得精確的腦微出血灶先驗分布概率模板，不僅可以指導腦微出血檢測過程，還對腦微出血發生的規律研究具有重要意義。 4、本專利技術的陽性預測率較已有論文有顯著提高，使得檢測結果更為可信，大大縮短了醫生重復檢查所花銷的時間。 5、本專利技術在檢測過程中記錄了腦微出血灶數目、大小、形狀、位置等重要信息可供醫生做臨床診斷時參考。 【附圖說明】 圖1是本專利技術的系統設計流程圖。 圖2是從GRE Τ2*圖像中去除干擾組織的過程示意圖。 圖3是單一典型層面腦微出血灶先驗分布概率模板。 圖4是隨機森林分類器的結構示意圖。 【具體實施方式】 下面結合附圖和實施例對本專利技術進行詳細的描述。本專利技術共包含五個主要模塊，如圖1所不，具體介紹如下: 1、圖像導入模塊:將來自同一病人的Tl、Τ2和GRE Τ2*腦磁共振圖像導入腦微出血計算機輔助檢測系統。 2、圖像預處理模塊: I)將圖像統一縮放到512X512像素大小； 2)圖像位置配準； 3)如圖2所示，借助于Tl和Τ2圖像，去掉GRE Τ2*圖像中對應于顱骨、腦室、腦脊液以及腦膜這些不可能出現腦微出血灶的區域，包括以下細節: ①采用全局閾值分割算法去除原始Tl圖像中顱骨和明顯的腦脊液區域，通過形態學操作(采用半徑為15的“盤型”因子向內腐蝕)去掉腦膜區域，因為腦微出血通常不會發生在這些部位 ②通過形態學操作填補蒙片I中的洞，得到蒙片2 ③將原始Τ2圖像與蒙片2對應像素相乘，去除原始Τ2圖像中的顱骨、腦膜和部分腦脊液區域 ④對步驟③得到的結果進行閾值分割和形態學操作，標記出原始Τ2圖像中的腦室和腦脊液區域 ⑤將蒙片I與蒙片3相減，若值為-1則將該位置像素值賦為0，得到最終模板 ⑥將⑤得到的模板用于原始GRE Τ2*圖像中 4)基于“統計能量法”進行局部閾值分本文檔來自技高網...

【技術保護點】
一種基于磁共振圖像的腦微出血計算機輔助檢測系統，具體是一種基于磁共振圖像中感興趣區域(圖像中的腦實質區域)的紋理特征、腦微出血灶先驗分布概率模板和隨機森林分類器的腦微出血計算機輔助檢測系統，其特征是包括以下部分：1)圖像導入模塊：將來自同一病人的T1、T2和GRE?T2*腦磁共振圖像導入腦微出血計算機輔助檢測系統；2)圖像預處理模塊：首先將圖像統一縮放到512×512像素大小并進行位置配準，借助于T1和T2圖像，去掉GRE?T2*圖像中對應于顱骨、腦室、腦脊液以及腦膜這些不可能出現腦微出血灶的區域，之后基于“統計能量法”對圖像進行局部閾值分割，初選出潛在的腦微出血灶；3)特征提取模塊：提取潛在腦微出血灶的灰度、形狀、位置等特征信息并構建特征向量；4)自動檢測模塊：將步驟3)提取的特征向量輸入到事先訓練好的隨機森林分類器中，得到檢測結果；5)輸出模塊：輸出包含圖像各層面腦微出血灶數目、大小、形狀、位置等形態或結構信息的《腦微出血自動檢測報告》。

【技術特征摘要】
1.一種基于磁共振圖像的腦微出血計算機輔助檢測系統，具體是一種基于磁共振圖像中感興趣區域(圖像中的腦實質區域)的紋理特征、腦微出血灶先驗分布概率模板和隨機森林分類器的腦微出血計算機輔助檢測系統，其特征是包括以下部分: 1)圖像導入模塊:將來自同一病人的T1、T2和GREΤ2*腦磁共振圖像導入腦微出血計算機輔助檢測系統； 2)圖像預處理模塊:首先將圖像統一縮放到512X512像素大小并進行位置配準，借助于Tl和Τ2圖像，去掉GRE Τ2*圖像中對應于顱骨、腦室、腦脊液以及腦膜這些不可能出現腦微出血灶的區域，之后基于“統計能量法”對圖像進行局部閾值分割，初選出潛在的腦微出血灶； 3)特征提取模塊:提取潛在腦微出血灶的灰度、形狀、位置等特征信息并構建特征向量; 4)自動檢測模塊:將步驟3)提取的特征向量輸入到事先訓練好的隨機森林分類器中，得到檢測結果； 5)輸出模塊:輸出包含圖像各層面腦微出血灶數目、大小、形...

【專利技術屬性】
技術研發人員：李彥，黃一寧，張玨，方競，
申請(專利權)人：北京大學，
類型：發明
國別省市：北京;11