本發(fā)明涉及醫(yī)學(xué)影像處理領(lǐng)域，具體涉及到一種大腦微出血的識別方法及裝置。

背景技術(shù)：

1、目前，醫(yī)學(xué)影像領(lǐng)域的自動檢測技術(shù)在診斷和治療過程中發(fā)揮著越來越重要的作用。特別是針對腦部磁共振圖像中的腦微出血（cerebral?microbleeds，cmbs）的自動檢測，對于早期診斷和疾病監(jiān)測至關(guān)重要。傳統(tǒng)的方法主要依賴于手工提取，這種方式存在著局限性，難以充分挖掘影像數(shù)據(jù)中的潛在信息。近年來，監(jiān)督式深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)（convolutional?neural?networks，cnns）在醫(yī)學(xué)影像領(lǐng)域備受關(guān)注，其能夠?qū)W習(xí)和提取有效的特征層級，從而顯著提高檢測性能。

2、現(xiàn)有技術(shù)的主要內(nèi)容包括利用cnns進行自動檢測和分類，通常采用兩階段的框架：檢測階段用于發(fā)現(xiàn)潛在的候選區(qū)域，分類或區(qū)分階段用于減少假陽性。這種兩階段的cnn方法已在腦部、乳腺、肺部和皮膚癌癥等醫(yī)學(xué)影像應(yīng)用中取得了顯著成果。在腦微出血的檢測中，通常利用swi圖像進行自動檢測，其中3d全卷積網(wǎng)絡(luò)（3d?fully?convolutionalnetwork，3d-fcn）和3d-cnn被用作篩選和區(qū)分階段。這種級聯(lián)網(wǎng)絡(luò)在提高敏感性的同時，也能減少假陽性的數(shù)量，從而提高了檢測的準(zhǔn)確性和效率。

3、然而，現(xiàn)有技術(shù)也存在一些問題和缺點。首先，傳統(tǒng)方法依賴于手工設(shè)計的特征，這種特征提取方式可能無法充分捕捉復(fù)雜的影像信息，導(dǎo)致檢測性能不穩(wěn)定。其次，一些方法在處理大量數(shù)據(jù)時可能面臨計算成本高和優(yōu)化困難的挑戰(zhàn)，影響了算法的實用性和效率。此外，部分方法在處理邊緣和復(fù)雜情況時可能存在識別困難，導(dǎo)致漏檢或誤檢的情況發(fā)生。

4、這些問題的根源部分在于傳統(tǒng)方法的特征提取方式和算法結(jié)構(gòu)設(shè)計上存在局限性，難以適應(yīng)復(fù)雜的醫(yī)學(xué)影像數(shù)據(jù)特征。此外，計算資源的限制和算法優(yōu)化的困難也限制了現(xiàn)有技術(shù)在大規(guī)模數(shù)據(jù)集上的應(yīng)用和推廣。因此，需要進一步研究和改進現(xiàn)有技術(shù)，以提高腦微出血自動檢測的準(zhǔn)確性、穩(wěn)定性和效率，為臨床診斷和治療提供更可靠的支持。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種大腦微出血的識別方法及裝置，以解決相關(guān)技術(shù)中存在的技術(shù)問題。

2、為了實現(xiàn)上述目的，根據(jù)本發(fā)明的第一方面，提供了一種大腦微出血的識別方法包括：獲取兩個頻道輸入的磁共振圖像，其中，兩個頻道分別為swi圖像輸入頻道、以及相位圖像輸入頻道；基于預(yù)設(shè)目標(biāo)檢測模型對磁共振圖像進行目標(biāo)檢測，以篩選出微出血候選區(qū)域，并將候選區(qū)域裁剪成3d補丁圖像，其中，在將候選區(qū)域裁剪成3d補丁圖像之前，基于bet將包含候選區(qū)域的磁共振圖像進行分割，以分割出腦組織區(qū)域和非腦組織區(qū)域；對腦組織區(qū)域包含的候選區(qū)域進行裁剪得到3d補丁圖像；將3d補丁圖像輸入至預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型中進行上下文學(xué)習(xí)，以確定微出血區(qū)域、以及假陽性區(qū)域。

3、可選地，將3d補丁圖像輸入至預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型中進行上下文學(xué)習(xí)包括：基于swi和相位圖像的相鄰切片的平均值確定3d上下文信息：

4、，其中，代表第個切片的第個通道的值，其中為通道編號，代表swi通道，代表互補相位通道；表示第個切片的swi值，表示第個切片的相位值，是當(dāng)前切片的索引，是相鄰切片的索引，范圍是從到。

5、可選地，基于預(yù)設(shè)目標(biāo)檢測模型對磁共振圖像進行目標(biāo)檢測包括：基于預(yù)設(shè)結(jié)構(gòu)的yolo檢測模型對磁共振圖像進行目標(biāo)檢測，其中，yolo檢測模型包括n個卷積層，卷積層的核大小為3?×?3；m個最大池化層，池化層的大小為2?×?2，步幅為2;每兩個連續(xù)的3?×3卷積層之間插入一個1?×?1卷積層，稱為瓶頸層;每個卷積層后面都附有批量歸一化和leaky激活函數(shù)，最后一個卷積層后為線性激活函數(shù)，最后一個卷積層的特征數(shù)量：在頂層放置了一個多模態(tài)邏輯回歸層，用于生成包含檢測到的邊界框信息和預(yù)測類別的張量；其中，在訓(xùn)練過程中，通過最小化損失函數(shù)來優(yōu)化網(wǎng)絡(luò)，該損失函數(shù)是根據(jù)地面真實值和預(yù)測邊界框確定。

6、可選地，所述預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型包括五個卷積層，卷積核大小為3?×?3?×3，輸出為：y=x×w+b,其中，y為卷積層的輸出，x為卷積層的輸入，w為卷積核，偏置項為b；每個卷積層后面附加批量歸一化和修正線性單元激活函數(shù)，歸一化后的輸入為，其中為歸一化后的輸入，為輸入均值，為方差，為誤差項，最終輸出為，為批量歸一化后的輸出，為縮放參數(shù)，為偏移參數(shù);對歸一化后的輸出應(yīng)用relu激活函數(shù)：,隨后使用池化層進行下采樣;卷積層提取的特征被展平并傳遞到三個全連接層,最后一個全連接層的單元數(shù)量對應(yīng)于分類類別數(shù)量，即微出血區(qū)域類別、以及假陽性區(qū)域類別，其中，在第一個全連接層后使用一個隨機丟棄層，以正則化網(wǎng)絡(luò)并防止過擬合。

7、根據(jù)本發(fā)明的第二方面，提供了一種大腦微出血的識別裝置，包括圖像獲取單元，用于獲取兩個頻道輸入的磁共振圖像，其中，兩個頻道分別為swi圖像輸入頻道、以及相位圖像輸入頻道；微出血候選區(qū)域檢測單元，用于基于預(yù)設(shè)目標(biāo)檢測模型對磁共振圖像進行目標(biāo)檢測，以篩選出微出血候選區(qū)域，并將候選區(qū)域裁剪成3d補丁圖像，其中，在將候選區(qū)域裁剪成3d補丁圖像之前，基于bet將包含候選區(qū)域的磁共振圖像進行分割，以分割出腦組織區(qū)域和非腦組織區(qū)域；對腦組織區(qū)域包含的候選區(qū)域進行裁剪得到3d補丁圖像；分類單元，用于將3d補丁圖像輸入至預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型中進行上下文學(xué)習(xí)，以確定微出血區(qū)域、以及假陽性區(qū)域。

8、可選地，將3d補丁圖像輸入至預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型中進行上下文學(xué)習(xí)包括：基于swi和相位圖像的相鄰切片的平均值確定3d上下文信息：

9、，其中，代表第個切片的第個通道的值，其中為通道編號，代表swi通道，代表互補相位通道；表示第個切片的swi值，表示第個切片的相位值，是當(dāng)前切片的索引，是相鄰切片的索引，范圍是從到。

10、可選地，基于預(yù)設(shè)目標(biāo)檢測模型對磁共振圖像進行目標(biāo)檢測包括：基于預(yù)設(shè)結(jié)構(gòu)的yolo檢測模型對磁共振圖像進行目標(biāo)檢測，其中，yolo檢測模型包括n個卷積層，卷積層的核大小為3?×?3；m個最大池化層，池化層的大小為2?×?2，步幅為2;每兩個連續(xù)的3?×3卷積層之間插入一個1?×?1卷積層，稱為瓶頸層;每個卷積層后面都附有批量歸一化和leaky激活函數(shù)，最后一個卷積層后為線性激活函數(shù)，最后一個卷積層的特征數(shù)量：在頂層放置了一個多模態(tài)邏輯回歸層，用于生成包含檢測到的邊界框信息和預(yù)測類別的張量；其中，在訓(xùn)練過程中，通過最小化損失函數(shù)來優(yōu)化網(wǎng)絡(luò)，該損失函數(shù)是根據(jù)地面真實值和預(yù)測邊界框確定。

11、可選地，所述預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型包括五個卷積層，卷積核大小為3?×?3?×3，輸出為：y=x×w+b,其中，y為卷積層的輸出，x為卷積層的輸入，w為卷積核，偏置項為b；每個卷積層后面附加批量歸一化和修正線性單元激活函數(shù)，歸一化后的輸入為，其中為歸一化后的輸入，為輸入均值，為方差，為誤差項，最終輸出為，為批量歸一化后的輸出，為縮放參數(shù)，為偏移參數(shù);對歸一化后的輸出應(yīng)用relu激活函數(shù)：,隨后使用池化層進行下采樣;卷積層提取的特征被展平并傳遞到三個全連接層,最后一個全連接層的單元數(shù)量對應(yīng)于分類類別數(shù)量，即微出血區(qū)域類別、以及假陽性區(qū)域類別，其中，在第一個全連接層后使用一個隨機丟棄層，以正則化網(wǎng)絡(luò)并防止過擬合。

12、根據(jù)本發(fā)明的第三方面，提供了一種計算機可讀存儲介質(zhì)，存儲有計算機指令，所述計算機指令用于使所述計算機執(zhí)行第一方面任意一項所述的方法。

13、根據(jù)本發(fā)明的第四方面，提供了一種電子設(shè)備，包括：至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的計算機程序，所述計算機程序被所述至少一個處理器執(zhí)行，以使所述至少一個處理器執(zhí)行第一方面任意一項實現(xiàn)方式所述的方法。

14、本實施例大腦微出血的識別方法及裝置，其中方法包括獲取兩個頻道輸入的磁共振圖像，其中，兩個頻道分別為swi圖像輸入頻道、以及相位圖像輸入頻道；基于預(yù)設(shè)目標(biāo)檢測模型對磁共振圖像進行目標(biāo)檢測，以篩選出微出血候選區(qū)域，并將候選區(qū)域裁剪成3d補丁圖像，其中，在將候選區(qū)域裁剪成3d補丁圖像之前，基于bet將包含候選區(qū)域的磁共振圖像進行分割，以分割出腦組織區(qū)域和非腦組織區(qū)域；對腦組織區(qū)域包含的候選區(qū)域進行裁剪得到3d補丁圖像；將3d補丁圖像輸入至預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型中進行上下文學(xué)習(xí)，以確定微出血區(qū)域、以及假陽性區(qū)域。通過引入深度學(xué)習(xí)技木，解決現(xiàn)有研究技術(shù)中特征提取不充分、計算成本高、識別困難等問題，從而提高腦微出血的自動檢測效率和準(zhǔn)確性，為臨床醫(yī)學(xué)影像診斷提供更可靠的支持。