《一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法.pdf》由会员分享，可在线阅读，更多相关《一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法.pdf（8页完整版）》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201710980214.3 (22)申请日 2017.10.19 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 黄凯 徐海波 邓明 肖锋 孙文博 (74)专利代理机构 武汉科皓知识产权代理事务 所(特殊普通合伙) 42222 代理人 魏波 (51)Int.Cl. A61B 5/055(2006.01) A61B 5/00(2006.01) G06K 9/34(2006.01) (54)发明名称 一种磁共振前列腺灌注图像的智能诊。
2、断恶 性肿瘤的方法 (57)摘要 本发明公开了一种磁共振前列腺灌注图像 的智能诊断恶性肿瘤的方法， 利用磁共振前列腺 灌注图像计算前列腺每个像素点的灌注过程特 征参数， 并将特征参数输入给第一层神经网络进 行识别， 将识别出的疑是病灶的像素点叠加到已 经分割出来的前列腺二值图中， 最后将二值图输 入给第二层神经网络识别出病人的前列腺是否 存在恶性肿瘤。 本发明将医学先验知识和神经网 络识别的能力相结合， 且分开独立训练两个神经 网络， 第一层神经网络对前列腺灌注的定量参数 进行训练， 第二层神经网络对叠加了疑似病灶像 素的二值图进行训练， 降低了网络训练的难度和 数据的运算量， 使原本需要上万。
3、病例才能达到较 高准确率的智能诊断系统， 只需要数百病例就可 以达到很好的效果。 权利要求书1页 说明书3页 附图3页 CN 107582058 A 2018.01.16 CN 107582058 A 1.一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法， 其特征在于， 包括以下步 骤： 步骤1： 采集前列腺患者的磁共振灌注图像； 步骤2： 计算前列腺区域每个像素的定量参数； 步骤3： 利用第一层神经网络对前列腺区域每个像素进行癌变分类识别； 步骤4： 利用第二层神经网络对前列腺区域二值图进行前列腺癌分类识别。 2.根据权利要求1所述的磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法， 其特征 在。
4、于： 步骤1中所述磁共振灌注图像包括多反转角T1扫描图像、 灌注扫描图像。 3.根据权利要求1所述的磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法， 其特征 在于： 步骤2中所述前列腺区域是通过自动提取或者手动提取获得； 所述每个像素点的定量 参数包括基于Tofts模型计算得到的转运常数Ktrans、 血管外细胞外间隙体积百分数Ve和 速率常数Kep， 以及与灌注曲线相关的曲线下面积IAUC、 达峰时间TTP、 最大流入速率、 平均 流入速率、 最大流出速率、 平均流出速率、 启动时间、 延时常数、 相对于前列腺质心的x与y的 坐标及远离前列腺质心的程度。 4.根据权利要求1所述的磁共振前列腺灌。
5、注图像的智能诊断恶性肿瘤的方法， 其特征 在于： 步骤3中所述第一层神经网络的输入节点数包括每个像素的定量参数。 5.根据权利要求1所述的磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法， 其特征 在于： 步骤4中所述前列腺区域的二值图为步骤2中自动提取或者手动提取的前列腺区域， 并叠加上第一层神经网络识别出的疑似病灶的像素的二值图。 6.根据权利要求1所述的磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法， 其特征 在于： 步骤4中所述第二层神经网络的输入为二值图像， 并基于卷积运算对图像进行识别， 给出0或1的结果来表示是否为前列腺癌。 7.根据权利要求1-6任意一项所述的磁共振前列腺灌注图像的智。
6、能诊断恶性肿瘤的方 法， 其特征在于： 步骤3中所述第一层神经网络为第一层串级前馈神经网络或其他BP神经网 络。 8.根据权利要求1-6任意一项所述的磁共振前列腺灌注图像的智能诊断恶性肿瘤的方 法， 其特征在于： 步骤4中所述第二层神经网络为第二层卷积神经网络。 权 利 要 求 书 1/1 页 2 CN 107582058 A 2 一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法 技术领域 0001 本发明属于医学图像计算机辅助分析技术领域， 具体涉及一种基于磁共振前列腺 灌注图像识别恶性肿瘤的方法。 背景技术 0002 前列腺癌是男性中常见的恶性肿瘤， 在人群中有着很高的病发率。 目前， 前。
7、列腺癌 的诊断方法有： 前列腺穿刺活检术和PSA血清检查。 前列腺穿刺活检术给病人带来较大的不 适， 并且有感染风险。 而前列腺癌与良性前列腺增生的血清PSA结果存在相当程度的重叠。 0003 近几年， 由于磁共振成像技术的进步和诊断经验的积累， 磁共振检查在前列腺癌 诊断方面也表现出了很多优势。 如T2加权成像提供了很好的组织结构对比， 扩散加权成像 (DWI)提供了组织中水分子扩散受限程度的信息， 灌注成像技术能够提供多种反应组织微 循环状态的定量参数， 在前列腺癌的诊断中有重要价值。 0004 由于磁共振图像的复杂性， 对于前列腺癌的诊断要求经验丰富的放射科医生从不 同磁共振序列的图像中。
8、提取信息， 劳动量十分巨大。 并且在诊断过程中， 人为疏忽和感知错 误也会造成一定概率的误诊， 对于经验不足的诊断医生， 要结合各种不同磁共振序列图像 的信息来对前列腺癌进行诊断具有一定挑战性。 0005 计算机辅助诊断系统是计算机通过提取医学图像的各种特征进行分析后， 自动得 到诊断参考意见， 由医生进行诊断。 目前， 在前列腺癌计算机辅助诊断系统领域， 有研究者 使用Ktrans图像， ADC图像和T2加权图像同时输入给神经网络进行训练学习， 但是这样计算 资源消耗较大， 需要的数据资源也非常巨大。 发明内容 0006 为了解决上述技术问题， 本发明提供了一种多层次人工神经网络的前列腺癌智。
9、能 诊断方法， 能帮助放射科医生识别出前列腺癌并给出具体位置。 0007 本发明所采用的技术方案是： 一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的 方法， 其特征在于， 包括以下步骤： 0008 步骤1： 采集前列腺患者的磁共振灌注图像； 0009 步骤2： 计算前列腺区域每个像素的定量参数； 0010 步骤3： 利用第一层神经网络对前列腺区域每个像素进行癌变分类识别； 0011 步骤4： 利用第二层神经网络对前列腺区域二值图进行前列腺癌分类识别。 0012 本发明将医学先验知识和神经网络识别的能力结合起来， 并且分开独立训练的两 个神经网络， 第一层神经网络对前列腺灌注的定量参数进行训练， 。
10、第二层神经网络对叠加 了疑似病灶像素的前列腺二值图进行训练， 使原本需要上万病例才能达到较高准确率的智 能诊断系统， 只需要数百病例就可以达到很好的效果。 附图说明 说 明 书 1/3 页 3 CN 107582058 A 3 0013 图1是本发明实施例的原理示意图； 0014 图2是本发明实施例中计算的前列腺区域单个像素的定量参数示意图； 0015 图3是本发明实施例中第一层神经网络数据处理示意图； 0016 图4是本发明实施例中第二层神经网络数据处理示意图； 0017 图5是本发明实施例中第一层神经网络训练结果图； 0018 图6是本发明实施例中第二层神经网络输入的训练样本图； 0019。
11、 图7是本发明实施例中第二层神经网络训练结果图。 具体实施方式 0020 为了便于本领域普通技术人员理解和实施本发明， 下面结合附图及实施例对本发 明作进一步的详细描述， 应当理解， 此处所描述的实施示例仅用于说明和解释本发明， 并不 用于限定本发明。 0021 请见图1， 本发明提供的一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法， 包括以下步骤： 0022 步骤1： 采集前列腺患者的磁共振灌注图像； 0023 本实施例采集前列腺患者的磁共振灌注图像应包括多反转角T1扫描图像和灌注 扫描图像， 并可用于计算前列腺组织的T1map图像。 为了获得较为准确的T1map图像， 多反转 角T1扫描。
12、图像的反转角数量优选5个。 0024 步骤2： 计算前列腺区域每个像素的定量参数； 0025 本实施例计算前列腺区域每个像素的定量参数中的前列腺区域应通过算法自动 提取或者手动提取。 0026 本实施例计算前列腺区域每个像素的定量参数中的定量参数应包括基于Tofts模 型计算得到的转运常数(Ktrans)、 血管外细胞外间隙体积百分数(Ve)和速率常数(Kep)， 以 及与灌注曲线相关的曲线下面积(IAUC)、 达峰时间(TTP)、 最大流入速率、 平均流入速率、 最 大流出速率、 平均流出速率、 启动时间、 延时常数、 相对于前列腺质心的x与y的坐标及远离 前列腺质心的程度， 如图2所示。 。
13、0027 步骤3： 利用第一层串级前馈神经网络或者其他BP神经网络对前列腺区域每个像 素进行癌变分类识别； 0028 本实施例利用第一层神经网络对前列腺区域每个像素进行癌变分类识别， 神经网 络的输入节点数应包括每个像素的定量参数， 如图3所示。 0029 步骤4： 利用第二层卷积神经网络对前列腺区域二值图进行前列腺癌分类识别。 0030 本实施例利用第二层神经网络对前列腺区域二值图进行前列腺癌分类识别， 前列 腺区域的二值图应为自动提取或者手动提取的前列腺区域， 并叠加上第一层神经网络识别 出的疑似病灶的像素的二值图。 0031 本实施例利用第二层神经网络对前列腺区域二值图进行前列腺癌分类识。
14、别， 神经 网络的输入应为二值图像， 并基于卷积运算对图像进行识别， 给出0或1的结果来表示是否 为前列腺癌， 如图4所示。 0032 本实施例实现对磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法中的神经网 络进行训练。 说 明 书 2/3 页 4 CN 107582058 A 4 0033 下面结合附图及实施例对本发明作进一步的详细描述； 0034 实施例1 0035 采集前列腺患者的磁共振多反转角T1扫描图像和灌注扫描图像， 手动提取前列腺 区域并计算前列腺区域每个像素的定量参数， 包括基于Tofts模型计算得到的转运常数 (Ktrans)、 血管外细胞外间隙体积百分数(Ve)和速率常数(K。
15、ep)， 以及与灌注曲线相关的曲 线下面积(IAUC)、 达峰时间(TTP)、 最大流入速率、 平均流入速率、 最大流出速率、 平均流出 速率、 启动时间、 延时常数、 相对于前列腺质心的x与y的坐标及远离前列腺质心的程度， 将 良性患者的前列腺区域像素标记上0， 将恶性患者的病变区域像素标记上1， 利用第一层神 经网络对前列腺区域每个像素进行癌变分类识别， 识别的结果如图5所示， 横坐标目标类中 应该输出1， 而纵坐标实际输出为2的只有4个， 应该输出2， 实际输出1的只有11个， 蓝色方块 中显示总的准确率为99.9。 0036 利用第二层神经网络对叠加了疑似病灶像素的前列腺区域二值图进行。
16、前列腺癌 分类识别， 给出0或1的结果来表示是否为前列腺癌， 如图6所示， 输入训练样本29个。 如图7 所示， 训练结果准确率为100。 0037 本实施例实现对磁共振前列腺灌注图像的智能诊断恶性肿瘤。 0038 实施例2 0039 采集前列腺患者的磁共振多反转角T1扫描图像和灌注扫描图像， 手动提取前列腺 区域并计算前列腺区域每个像素的定量参数， 包括基于Tofts模型计算得到的转运常数 (Ktrans)、 血管外细胞外间隙体积百分数(Ve)和速率常数(Kep)， 以及与灌注曲线相关的曲 线下面积(IAUC)、 达峰时间(TTP)、 最大流入速率、 平均流入速率、 最大流出速率、 平均流出。
17、 速率、 启动时间、 延时常数、 相对于前列腺质心的x与y的坐标及远离前列腺质心的程度， 利 用第一层神经网络对前列腺区域每个像素进行癌变分类识别； 利用第二层神经网络对叠加 了疑似病灶像素的前列腺区域二值图进行前列腺癌分类识别， 给出0或1的结果来表示是否 为前列腺癌。 0040 应当理解的是， 本说明书未详细阐述的部分均属于现有技术。 0041 应当理解的是， 上述针对较佳实施例的描述较为详细， 并不能因此而认为是对本 发明专利保护范围的限制， 本领域的普通技术人员在本发明的启示下， 在不脱离本发明权 利要求所保护的范围情况下， 还可以做出替换或变形， 均落入本发明的保护范围之内， 本发 明的请求保护范围应以所附权利要求为准。 说 明 书 3/3 页 5 CN 107582058 A 5 图1 图2 图3 说 明 书 附 图 1/3 页 6 CN 107582058 A 6 图4 图5 说 明 书 附 图 2/3 页 7 CN 107582058 A 7 图6 图7 说 明 书 附 图 3/3 页 8 CN 107582058 A 8 。