一种检测脑动静脉畸形并判断其弥散性的方法和装置转让专利
申请号 : CN202011501330.0
文献号 : CN112633348B
文献日 : 2022-03-15
发明人 : 焦玉明 , 曹勇 , 张钧泽 , 吴振洲 , 赵琪 , 刘佳奇 , 严嘉欢 , 刘盼
申请人 : 首都医科大学附属北京天坛医院
摘要 :
权利要求 :
1.一种检测脑动静脉畸形并判断其弥散性的方法,其特征在于,包括:获取待检测的脑动静脉畸形病灶区域的图像特征,所述图像特征包括灰度特征、形状特征、尺寸特征中的至少一种;
所述获取待检测的脑动静脉畸形病灶区域的图像特征,包括:获取待检测的脑动静脉畸形的图像;
将所述图像输入至畸形团病灶分割模型,输出所述脑动静脉畸形病灶区域图像,所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得;
所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得,包括:获取脑动静脉畸形的图像的样本集合,所述样本集合中包括多个标注有病灶区域的脑动静脉畸形的图像;
所述获取脑动静脉畸形的图像的样本集合,包括:获取脑动静脉畸形的三维图像;
按照预设切割方向将所述三维图像中切割成多个子图像;
在所述多个子图像中标注脑动静脉畸形的病灶区域,得到脑动静脉畸形的图像的样本集合;
将所述图像特征输入至脑动静脉畸形的弥散性分类模型,输出所述脑动静脉畸形的弥散性类型,其中,所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得;
所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得,包括:获取脑动静脉畸形病灶区域的图像特征的样本集合,所述样本集合包括多个标注有脑动静脉畸形的弥散性类型的脑动静脉畸形病灶区域的图像特征;
构建脑动静脉畸形的弥散性分类模型,所述脑动静脉畸形的弥散性分类模型中设置有训练参数;
分别将所述脑动静脉畸形病灶区域的图像特征输入至所述脑动静脉畸形的弥散性分类模型,生成预测结果;
基于所述预测结果与标注的所述图像特征的脑动静脉畸形的弥散性类型之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测的脑动静脉畸形病灶区域的图像特征,包括:
获取待检测的脑动静脉畸形病灶区域的图像;
从所述图像中提取所述脑动静脉畸形病灶区域的图像特征。
3.根据权利要求2所述的方法,其特征在于,在所述从所述图像中提取所述脑动静脉畸形病灶区域的图像特征之后,还包括:从所述图像特征中获取两两图像特征之间的相关度;
筛选出其中与其它图像特征的相关度大于第一预设阈值的图像特征。
4.根据权利要求2所述的方法,其特征在于,在所述从所述图像中提取所述脑动静脉畸形病灶区域的图像特征之后,还包括:从所述图像特征中获取两两图像特征之间的相关度;
将相关度大于第二预设阈值的两图像特征分别与所述待检测的脑动静脉畸形病灶区域的图像做比较,筛选出所述相关度大于第二预设阈值的两图像特征中与所述图像相关度较高的图像特征。
5.根据权利要求1所述的方法,其特征在于,所述获取待检测的脑动静脉畸形病灶区域的图像特征,包括:
根据所述脑动静脉畸形病灶区域图像,提取图像特征。
6.根据权利要求1所述的方法,其特征在于,所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得,包括:构建畸形团病灶分割模型,所述畸形团病灶分割模型设置有训练参数;
分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型,生成预测结果;
基于所述预测结果与所述脑动静脉畸形的图像标注的病灶区域之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
7.根据权利要求1所述的方法,所述按照预设切割方向将所述三维图像中切割成多个子图像,包括:
按照预设方向从所述三维图像中提取多个原始子图像;
分别将所述原始子图像的尺寸缩小至预设尺寸,得到多个子图像。
8.根据权利要求1所述的方法,其特征在于,所述在所述多个子图像中标注脑动静脉畸形的病灶区域,得到脑动静脉畸形的图像的样本集合,包括:在所述多个子图像中标注脑动静脉畸形的病灶区域;
对标注后的所述子图像进行几何变换,得到所述子图像的几何变换图像;
将所述子图像及其几何变换图像作为脑动静脉畸形的图像的样本集合。
9.根据权利要求1或6所述的方法,其特征在于,所述畸形团病灶分割模型包括U‑Net网络结构模型,所述分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型,生成预测结果包括:
利用U‑Net网络中的编码器对输入的脑动静脉畸形的图像进行多次下采样,分别提取采样后的图像特征;
利用U‑Net网络中的解码器将所述图像特征与编码器中同一尺寸的图像特征相拼接,并进行上采样;
通过激活函数对拼接后的图像特征进行分类,得到分类结果。
10.一种检测脑动静脉畸形并判断其弥散性的装置,其特征在于,包括:获取模块,用于获取待检测的脑动静脉畸形病灶区域的图像特征,所述图像特征包括灰度特征、形状特征、尺寸特征中的至少一种;
所述获取模块包括:
第三获取子模块,用于获取待检测的脑动静脉畸形的图像;
分割子模块,用于将所述图像输入至畸形团病灶分割模型,输出所述脑动静脉畸形病灶区域图像,所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形病灶区域图像的对应关系训练获得;
所述分割子模块包括:
第五获取子模块,用于获取脑动静脉畸形的图像的样本集合,所述样本集合中包括多个标注有病灶区域的脑动静脉畸形的图像;
所述第五获取子模块包括:
获取单元,用于获取脑动静脉畸形的三维图像;
切割单元,用于按照预设切割方向将所述三维图像中切割成多个子图像;
标注单元,用于在所述多个子图像中标注脑动静脉畸形的病灶区域,得到脑动静脉畸形的图像的样本集合;
检测模块,将所述图像特征输入至脑动静脉畸形的弥散性分类模型,输出所述脑动静脉畸形的弥散性类型,其中,所述脑动静脉畸形的弥散性分类模型被设置为利用脑动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得;
所述检测模块包括:
第四获取子模块,用于获取脑动静脉畸形病灶区域的图像特征的样本集合,所述样本集合包括多个标注有脑动静脉畸形的弥散性类型的脑动静脉畸形病灶区域的图像特征;
第一构建子模块,用于构建脑动静脉畸形的弥散性分类模型,所述脑动静脉畸形的弥散性分类模型中设置有训练参数;
第一生成子模块,用于分别将所述脑动静脉畸形病灶区域的图像特征输入至所述脑动静脉畸形的弥散性分类模型,生成预测结果;
第一调整子模块,用于基于所述预测结果与标注的所述图像特征的脑动静脉畸形的弥散性类型之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
11.根据权利要求10所述的装置,其特征在于,所述获取模块包括:第一获取子模块,用于获取待检测的脑动静脉畸形病灶区域的图像;
提取子模块,用于从所述图像中提取所述脑动静脉畸形病灶区域的图像特征。
12.根据权利要求11所述的装置,其特征在于,所述获取模块还包括:第二获取子模块,用于从所述图像特征中获取两两图像特征之间的相关度;
筛选子模块,用于筛选出其中与其它图像特征的相关度大于第一预设阈值的图像特征。
13.根据权利要求11所述的装置,其特征在于,所述获取模块还包括:第二获取子模块,用于从所述图像特征中获取两两图像特征之间的相关度;
将相关度大于第二预设阈值的两图像特征分别与所述待检测的脑动静脉畸形病灶区域的图像做比较,筛选出所述相关度大于第二预设阈值的两图像特征中与所述图像相关度较高的图像特征。
14.根据权利要求10所述的装置,其特征在于,所述获取模块包括:提取子模块,用于根据所述脑动静脉畸形病灶区域图像,提取图像特征。
15.根据权利要求10所述的装置,其特征在于,所述分割子模块包括:第二构建子模块,用于构建畸形团病灶分割模型,所述畸形团病灶分割模型设置有训练参数;
第二生成子模块,分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型,生成预测结果;
第二调整子模块,用于基于所述预测结果与所述脑动静脉畸形的图像标注的病灶区域之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
16.根据权利要求10所述的装置,其特征在于,所述获取单元包括:提取子单元,用于按照预设方向从所述三维图像中提取多个原始子图像;
调整子单元,用于分别将所述原始子图像的尺寸缩小至预设尺寸,得到多个子图像。
17.根据权利要求10所述的装置,其特征在于,所述标注单元包括:标注子单元,用于在所述多个子图像中标注脑动静脉畸形的病灶区域;
变换子单元,用于对标注后的所述子图像进行几何变换,得到所述子图像的几何变换图像;
作为子单元,将所述子图像及其几何变换图像作为脑动静脉畸形的图像的样本集合。
18.根据权利要求15所述的装置,其特征在于,所述畸形团病灶分割模型包括U‑Net网络结构模型,所述第二生成子模块包括:利用U‑Net网络中的编码器对输入的脑动静脉畸形的图像进行多次下采样,分别提取采样后的图像特征;
利用U‑Net网络中的解码器将所述图像特征与编码器中同一尺寸的图像特征相拼接,并进行上采样;
通过激活函数对拼接后的图像特征进行分类,得到分类结果。
19.一种检测脑动静脉畸形的装置,其特征在于,包括:处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1‑9中任一项所述的方法。
20.一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器执行时,使得处理器能够执行根据权利要求的1‑9中任一项所述方法。
说明书 :
一种检测脑动静脉畸形并判断其弥散性的方法和装置
技术领域
背景技术
的短路,导致一系列脑血流动力学的紊乱。临床上常表现为反复的颅内出血、部分性或全身
性癫痫发作、短暂性脑缺血发作和进行性神经功能障碍。脑动静脉畸形表现为紧凑型和弥
散型两种:紧凑型表现为病灶中间有较少的脑组织,边界清晰;弥散型表现为动静脉畸形血
管之间夹杂有较多的脑组织,边界不清晰。目前,脑动静脉畸形手术预后的考虑因素包括脑
动静脉畸形的弥散性、畸形团的大小、畸形团的位置以及深静脉引流。其中,弥散性是预测
动静脉畸形自然出血的重要因素,弥散性判断与预后直接相关,在目前所有的预测评级中,
弥散性是非常重要的评估因素之一。
模糊、则考虑为弥散型脑动静脉畸形;如畸形血管走形紧凑、血管团边界清晰、中间无脑组
织夹杂,则考虑为紧凑型脑动静脉畸形。人工判读存在一定缺陷,判断结果的主观性强,耗
时耗力,并且不同级别的治疗中心、不同经验和素质的医生判读结果存在差异。
发明内容
灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得。
像的对应关系训练获得;
静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得。
畸形病灶区域图像的对应关系训练获得;
征;
弥散性分类模型,相较于人工判断脑动静脉畸形的弥散性类型,具有更高的准确性,并且判
断速度快,可以有效降低临床医师的工作量。
附图说明
具体实施方式
中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附
权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
方法,将不需要的组织影响删除掉,只保留血管的影像。因此,人工判读时仅看到显示畸形
团的血管,无法对脑组织成像,并且DSA图像的血管之间存在重叠,使得人工对边界的判断
有失准确。相关技术中,有对DSA图像的畸形团处的灰度值进行计算的方法,但所应用方法
技术繁琐,硬件要求高,过程复杂,应用价值较低。
的的方法的流程图。虽然本公开提供了如下述实施例或附图所示的方法操作步骤,但基于
常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上
不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本公开实施例提供的执行顺
序。
静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得。
(Gray Level Co‑occurrence Matrix Features,GLCM)、相邻灰度差分矩阵(Neigbouring
Gray Tone Difference Matrix Features,NGTDM)、灰度相关矩阵(Gray Level
Dependence Matrix Features,GLDM)等,所述一阶统计特征用于描述病灶区域的体素亮度
分布;所述灰度共生矩阵特征用于描述病灶区域的二阶联合概率函数;所述相邻灰度差分
矩阵用于量化距离δ内相邻灰度值与其平均灰度值之间的差异;所述灰度相关矩阵用于量
化图像中的灰度相关性,其中,灰度相关性被定义为距离δ内依赖于中心体素的连接体素的
数量。所述形状特征用于描述病灶区域三维大小和形状,所述形状特征独立于感兴趣区域
的灰度强度分布。所述尺寸特征可以包括:灰度大小区域矩阵特征(Gray Level Size Zone
Matrix Features,GLSZM)、灰度游程长度矩阵特征(Gray Level Run Length Matrix
Features,GLRLM),所述灰度大小区域矩阵特征用于量化病灶区域图像的灰度区域。灰度区
域定义为具有相同灰度强度的连接体素的数量;所述灰度游程长度矩阵特征用于量化具有
相同灰度值的连续像素的灰度运行,其定义为以像素数为单位的连续像素的长度。需要说
明的是,所述图像特征的描述方式不限于上述举例,例如,病灶区域的方向梯度直方图也可
以作为所述图像特征,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变
更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
出来,并对分割后的病灶区域的图像采用特征提取的算法,将所述图像特征提取出来。所述
特征提取的算法可以包括上述灰度特征、形状特征和尺寸特征的方法,需要说明的是,所述
图像特征的提取算法也不限于上述举例,例如,尺度不变特征变换(Scale‑invariant
feature transform,SIFT)、方向梯度直方图(Histogram Of Gradient,HOG)和加速稳健特
征(Speeded Up Robust Features,SURF)等,所属领域技术人员在本申请技术精髓的启示
下,还可能做出其它变更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本
申请保护范围内。
畸形的弥散性分类模型是一种预先训练的机器学习模型,其中,机器学习的方法可以包括:
逻辑回归、支持向量机、决策树、K近邻分类(k‑nearest neighbor classification,knn)、
随机森林、自适应提升树(Adaptive Boosting)、梯度提升决策树(Gradient Boosting
Decision Tree,GBDT)和极端梯度提升(extreme gradient boosting,xgboost)中的至少
一种。在一个示例中,为了防止随机数据集的影响,本公开采用十折交叉验证的方法,将数
据集分成十份,轮流将其中的九份作为训练数据,一份作为测试数据进行训练。
类型,具有更高的准确性,并且判断速度快,可以有效降低临床医师的工作量,提高临床诊
疗水平。
所述脑动静脉畸形病灶区域的图像特征可以包括通过利用影响组学(Radiomics)的特征提
取工具,如Pyradiomics、Artificial Intelligent Kit(A.K.)、3D Slicer等,实现脑动静
脉畸形病灶区域的图像特征的提取。
数,筛选出其中与其它图像特征的皮尔逊相关系数大于第一预设阈值的图像特征。在一个
示例中,所述第一预设阈值可以包括0.25。通过本公开实施例,可以过滤掉一些非核心的图
像特征,减少数据的冗余度。需要说明的是,所述相关度的表征方式不限于上述举例,例如,
秩相关系数(Spearman)、肯德尔等级相关系数(Kendall's tau‑b)也可以作为所述相关度
的表征,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变更,但只要其实
现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
特征,用于表征两图像特征高度相关,可以将所述第二预设阈值设置包括:皮尔逊相关系数
0.97。从两个高度相关的图像特征中,筛选出其中与病灶区域的图像相关度较高的一个,去
除与病灶区域的图像相关度较低的一个,以减少数据的冗余度。
灶区域图像的对应关系训练获得;
影术(CT angiography)图像,将所述图像输入畸形团病灶分割模型,输出病灶区域的图像。
本方案应用MRA图像、CT血管造影术(CT angiography)图像,无需传统DSA图像,可以有效减
少行DSA引起的电离辐射。在一个示例中,所述输出病灶区域的图像可以包括分割好的病灶
区域的图像,即除病灶区域以外,其它区域空白或统一设置相同值,在另一个示例中,所述
输出病灶区域的图像可以包括病灶区域图像的掩模,即病灶区域的像素值为1,其它区域的
像素值为0。所述畸形团病灶分割模型被设置为利用脑动静脉畸形的图像与脑动静脉畸形
病灶区域图像的对应关系训练获得,其中所述畸形团病灶分割模型可以包括机器学习模
型,所述机器学习模型包括但不限于利用无监督的预训练网络、卷积神经网络、循环神经网
络和递归神经网络的算法,对带有脑动静脉畸形的图像样本进行训练。本公开实施例中,根
据所述畸形团病灶分割模型输出的脑动静脉畸形病灶区域图像,提取图像特征具体方式与
上述实施例中图像特征的提取方式相同,在这里不再赘述。
准确度高的有益效果。
脉畸形的弥散性类型可以包括紧凑型和弥散型两种。在一个示例中,为了防止随机数据集
的影响,本公开采用十折交叉验证的方法,将数据集分成十份,轮流将其中的九份作为所述
样本集合,一份作为测试样本进行训练。所述脑动静脉畸形的弥散性分类模型的方法可以
包括逻辑回归、支持向量机、决策树、K近邻分类(k‑nearest neighbor classification,
knn)、随机森林、自适应提升树(Adaptive Boosting)、梯度提升决策树(Gradient
Boosting Decision Tree,GBDT)和极端梯度提升(extreme gradient boosting,xgboost)
中的至少一种。将所述脑动静脉畸形病灶区域的图像特征输入至所述脑动静脉畸形的弥散
性分类模型,生成预测结果;基于所述预测结果与标注的所述图像特征的脑动静脉畸形的
弥散性类型之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
管造影术(CT angiography)图像。在一个示例中,每个图像样本都标记出病灶区域,用来训
练畸形团病灶分割模型。标记样本按照8:1:1的比例随机分为训练集、验证集和测试集。其
中训练集和验证集用于训练畸形团分割模型,测试集用于测试该模型的性能。在另一个示
例中,可以先用已有的头骨分割模型找到头骨轮廓,然后按照头骨轮廓边缘进行裁剪,将图
像进行去均值化,即像素值进行的范围规范化到(0,1)。
进行训练时,可以包括对样本集合中的样本图形进行多次卷积和池化,以提取图像特征,并
减小图像的尺寸。再对得到的图像进行多次交替转置卷积和特征融合,所述特征融合包括
将转置卷积后的图像特征与同尺寸的图像特征每个像素点的相加,最后对得到的图像的每
个像素点利用softmax函数进行分类。分类结果可以包括属于病灶区域、不属于病灶区域。
当使用U‑Net网络模型对畸形团病灶分割模型进行训练时,可以包括:利用U‑Net网络中的
收缩网络多次下采样以提取样本图形中的特征,每一次下采样图像尺寸变成原来的1/2,特
征数量变成原来的2倍。利用U‑Net网络中的扩张网络进行上采样,每一次上采样,图片大小
变成原来的2倍,特征数量变成原来的1/2,在上采样的过程中,特征融合的方式包括将每一
次的输出特征与收缩网络同尺寸的特征进行合并。
基于所述预测结果与所述脑动静脉畸形的图像标注的病灶区域之间的差异,对所述训练参
数进行迭代调整,直至所述差异满足预设要求。本公开实施例中使用的网络模型,可以利用
少量的样本数据获得训练结果。
angiography)三维图像。所述预设切割方向可以包括水平方向、垂直方向以及对角线方向
等。在一个示例中,对所述三维图像在水平方向,步长为1,每5层切割一次,得到多个片层的
子图像。在一个示例中,可以对切割后的图像标注其中的病灶区域。在另一个示例中,可以
对三维图像预先标注好病灶区域,然后再进行切割。在一个示例中,对于每个切割后的图
像,带有脑动静脉畸形病灶区域的设置为正样本、不带脑动静脉畸形病灶区域的设置为负
样本,为了控制每类数据项的均衡性,我们使用所有的正样本,并随机选择相同数量的负样
本,对分割标签进行同样的操作。
灶区域的比值要比三维图像中的比值要大。并且切割后,图像样本数量得到有效的扩充。
图像,包括对所述三维图像在水平方向进行切割得到多个片层的子图像,并在其冠状位,矢
状位方向将尺寸缩放为256x256,最终输入模型的训练样本的尺寸为5*256x256。
的鲁棒性。
203表示卷积Conv(1*1*1)+GN;204表示复制与合并;205表示卷积Conv(3*3*3)+GN+ReLU;
206表示Conv(3*3*3)+GN+SE;207表示Leaky ReLU;x,n表示通道个数,k表示SE‑Res‑Block
(挤压激励残差块)的个数,N表示类的个数。所述畸形团病灶分割模型包括U‑Net网络结构
模型,所述步骤S119,分别将所述脑动静脉畸形的图像输入至所述畸形团病灶分割模型,生
成预测结果包括:
端到端的过程,输入可以包括一个包含有脑动静脉畸形的图像,输出可以包括与输入大小
相同的脑动静脉畸形的掩模。假设输入的脑动静脉畸形的图像尺寸为5x256x256,输出的掩
模的尺寸为5x256x256,其值为0和1,1所在的位置即为病灶区域的位置。所述U‑Net网络包
括编码器和解码器两部分,编码器和解码器部分分别进行4次下采样和4次上采样。编码器
和解码器每部分主要由4个SE‑Res‑Block(挤压激励残差块)组成,每个SE‑Res‑Block含有
两个Squeeze‑and‑Excitation Layer(SE Layer,挤压层)的Residual Block(残差快)结
构。SE Layer设置在残差上,增加通道的注意力,另当残差通道变化或尺寸变化时,在短连
接(shortcut)上增加一层1x1x1的卷积适应变化。在encode部分,每个SE‑Res‑Block之后使
用maxpooling进行一次下采样,特征层通道逐渐增加,模型表示能力提高。在编码器到解码
器的过渡阶段,使用1个SE‑Res‑Block结构,该结构包含1个SE的Res结构,对特征进行融合,
提高网络表达能力。在解码器部分,由步长为2的转置卷积进行上采样,还原特征层分辨率,
每次解码器与编码器对应部分的特征层跳联融合不同深度的特征。最后,使用一个1x1x1的
卷积核进行卷积操作提取特征,再通过softmax激活函数得到每个像素的二分类,即畸形团
的分割结果。对分割输出进行训练,使用加权交叉熵损失的,背景与前景的权值比为1:10,
最后,我们将预测的图像块进行合并,通过投票的方式决定重合部分的像素类别,最终输出
和。总训练总的轮次为40,每个轮次包含4033个训练步骤。在训练过程中,我们采用NVIDIA
Tesla P100 GPU和Intel i7 10750H CPU加速计算。对训练好的模型在测试集验证其性能:
将测试样本输入训练好的畸形团分割模型中,对AVM区域进行分割得到其对应的掩模。测试
集的dice值(戴斯相似性系数)为0.775,dice值可以衡量预测结果与标签的相似程度。
Y轴。给定一个二元分类模型和它的阈值,就能从所有样本的(阳性/阴性)真实值和预测值
计算出一个(X=FPR,Y=TPR)座标点。从(0,0)到(1,1)的对角线将ROC空间划分为左上/右
下两个区域,在这条线的以上的点代表了一个好的分类结果(胜过随机分类),而在这条线
以下的点代表了差的分类结果(劣于随机分类)。完美的预测是一个在左上角的点,在ROC空
间座标(0,1)点,X=0代表着没有伪阳性,Y=1代表着没有伪阴性(所有的阳性都是真阳
性);也就是说,不管分类器输出结果是阳性或阴性,都是100%正确。一个随机的预测会得
到位于从(0,0)到(1,1)对角线(也叫无识别率线)上的一个点。参考图3所示,基于分割结果
的AUC为0.95,优于人工标注的结果训练的模型。
的预测置信度评分,可以在一定程度上反映离散度的高低。例如(a)离散度的置信度为
0.83,我们可以看到右半脑病变边缘分散不清,这与主观判断相一致。图像的离散度从左到
右逐渐减小,最后一幅置信分数最小的图像边缘清晰,形态紧凑,也被模型正确地识别为非
离散。
动静脉畸形病灶区域的图像特征与脑动静脉畸形的弥散性类型的对应关系训练获得。
畸形病灶区域图像的对应关系训练获得;
征;
制台,平板设备,医疗设备,健身设备,个人数字助理等。
通信组件616。
令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便
于处理组件602和其他组件之间的交互。例如,处理组件602可以包括多媒体模块,以方便多
媒体组件608和处理组件602之间的交互。
息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组
合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编
程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储
器,磁盘或光盘。
幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感
器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作
的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒
体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式,如拍摄模式或
视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和
后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组
件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
定按钮。
组件为装置600的显示器和小键盘,传感器组件614还可以检测装置600或装置600一个组件
的位置改变,用户与装置600接触的存在或不存在,装置600方位或加速/减速和装置600的
温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测
附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成
像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感
器,磁传感器,压力传感器或温度传感器。
例中,通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。
在一个示例性实施例中,所述通信组件616还包括近场通信(NFC)模块,以促进短程通信。例
如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,
蓝牙(BT)技术和其他技术来实现。
(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD‑ROM、磁带、软盘
和光数据存储设备等。
进一步包括一个或多个处理器,以及由存储器732所代表的存储器资源,用于存储可由处理
组件722的执行的指令,例如应用程序。存储器732中存储的应用程序可以包括一个或一个
以上的每一个对应于一组指令的模块。此外,处理组件722被配置为执行指令,以执行上述
方法。
置700可以操作基于存储在存储器732的操作系统,例如Windows ServerTM,Mac OS XTM,
UnixTM,LinuxTM,FreeBSDTM或类似。
如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD‑ROM、磁带、软
盘和光数据存储设备等。
者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识
或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的
权利要求指出。