[发明专利]识别和分割不同模态不同解剖部位动脉瘤的系统和方法

说明书

本发明属于生物医药技术领域，涉及医学图像应用系统和方法，具体涉及一种可以识别和分割不同模态不同解剖部位动脉瘤的系统和方法。本发明包括模型训练部分或者模型预测部分，通过将目标血管段与正常血管三维表面分别建模并且进行比较，识别或者分割动脉瘤。本发明可提取和保留所有动脉瘤共同的形态学特征如，管壁结构的局限性或弥漫性扩张与膨出，使得深度学习的应用成为可能；并能显著地降低动脉瘤数据标注的工作量与难度，增加标注数据的质量与数量，增强深度学习方案的泛化能力。

技术领域

本发明属于生物医药领域，涉及医学图像应用系统和方法，具体涉及一种可以识别和分割不同模态不同解剖部位动脉瘤的系统和方法。

背景技术

近年来，深度学习在医学图像领域获得了广泛的关注和应用，并且已越来越多地用于动脉瘤的识别。然而，目前的深度学习方案仍存在以下局限：1)训练模型局限于单个模态、单个部位。如基于MRA图像的颅内动脉瘤识别[1]，基于CTA的颅内动脉瘤识别[2]，基于CT的腹主动脉瘤识别[3]等，这主要是由于基于灰度信息的影像数据在不同解剖部位、不同模态上的表现差异过大，从而导致深度学习模型的泛化能力下降[4]，2)训练数据量较小。基于医学影像的深度学习模型，数据量普遍在百数量级[1-3]。主要原因在于影像数据的标注需要耗费大量的时间和精力，导致高质量标注数据较少，从而间接影响模型的泛化能力。

基于现有技术的现状，本申请的发明人拟提供一种可以识别和分割不同模态不同解剖部位动脉瘤的系统和方法。

与本发明相关的现有技术有：

[1]Dai ju Ueda,Akira Yamamoto,Masataka Nishimoriet,et al.(2018).DeepLearning for MR Angiography:Automated Detection of CerebralAneurysms.Radiology.290.180901.

[2]Allison Park,Chris Chute,Pranav Rajpurkar,et,al.(2019).DeepLearning-Assisted Diagnosis of Cerebral Aneurysms Using the HeadXNetModel.JAMA network open.2.e195600.10.1001/jamanetworkopen.2019.5600.

[3]Jen-Tang Lu,Rupert Brooks,Stefan Hahn,et,al.(2019).DeepAAA:clinically applicable and generalizable detection of abdominal aorticaneurysm using deep learning.10.1007/978-3-030-32245-8_80.

[4]John Zech,Marcus Badgeley,Manway Liu,et al.(2018).Variablegeneralization performance of a deep learning model to detect pneumonia inchest radiographs:A cross-sectional study.PLOS Medicine.15.e1002683.10.1371/journal.pmed.1002683.。

发明内容

本发明的目的旨在基于现有技术中动脉瘤可发生在人体动脉系统的各个部位的基础，提供一种可以识别和分割不同模态不同解剖部位动脉瘤的系统和方法。本发明可以提取和保留所有动脉瘤共同的形态学特征(管壁结构的局限性或弥漫性扩张与膨出)，使得深度学习的应用成为可能；同时可显著地降低动脉瘤数据标注的工作量与难度，从而增加标注数据的质量与数量，增强深度学习方案的泛化能力。