[发明专利]MRI病变位置检测方法、装置、计算机设备和存储介质在审

专利信息
申请号: 201810361427.2 申请日: 2018-04-20
公开(公告)号: CN108765368A 公开(公告)日: 2018-11-06
发明(设计)人: 王健宗;吴天博;刘新卉;刘莉红;马进;肖京 申请(专利权)人: 平安科技(深圳)有限公司
主分类号: G06T7/00 分类号: G06T7/00;G06N3/04
代理公司: 深圳市明日今典知识产权代理事务所(普通合伙) 44343 代理人: 王杰辉
地址: 518000 广东省深*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 病变位置 检测 卷积神经网络 待检测样本 计算机设备 存储介质 训练参数 预测 全自动检测 参数训练 人力物力 训练样本 自动检测 准确率 诊断 主观 节约 替代 申请 应用
【权利要求书】:

1.一种MRI病变位置检测方法,其特征在于,包括以下步骤:

将训练样本输入至卷积神经网络中进行参数训练,通过训练计算出所述卷积神经网络的训练参数,将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置的检测模型;所述训练样本为已知病变位置的MRI数据;

接收待检测样本,将所述待检测样本输入至所述检测模型中进行预测,预测出所述待检测样本中的病变位置;所述待检测样本为未知病变位置的MRI数据。

2.根据权利要求1所述的MRI病变位置检测方法,其特征在于,所述将训练样本输入至卷积神经网络中进行参数训练,通过训练计算出所述卷积神经网络的训练参数的步骤之前,包括:

对原始MRI数据进行预处理,得到所述训练样本;所述原始MRI数据为患者的患病部位MRI数据。

3.根据权利要求2所述的MRI病变位置检测方法,其特征在于,所述对原始MRI数据进行预处理,得到所述训练样本的步骤,包括:

将所述原始MRI数据中包含的四种序列数据进行矫正对齐,消除四种所述序列数据之间的异质性;四种所述序列数据分别为扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据;

在所述扩散加权成像数据、表观扩散系数数据、动态增强定量参数数据以及加权图像数据中随机选出三种不同的数据组合成RGB三通道图像,得到所述训练样本;所述RGB三通道图像为3D图像。

4.根据权利要求3所述的MRI病变位置检测方法,其特征在于,所述对原始MRI数据进行预处理,得到所述训练样本的步骤之后,包括:

对所述训练样本进行数据增广处理,以增加所述训练样本的数据量。

5.根据权利要求4所述的MRI病变位置检测方法,其特征在于,所述对所述训练样本进行数据增广处理,以增加所述训练样本的数据量的步骤,包括:

针对所述RGB三通道图像,从多个不同方向进行切片;

对每个所述切片进行平面旋转、剪切以及归一化处理,并将每个所述切片作为一个训练样本。

6.根据权利要求1-5中任一项所述的MRI病变位置检测方法,其特征在于,所述卷积神经网络使用Adam方法进行参数训练。

7.根据权利要求1-5中任一项所述的MRI病变位置检测方法,其特征在于,所述将训练样本输入至卷积神经网络中进行参数训练,通过训练计算出所述卷积神经网络的训练参数,将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型的步骤之后,包括:

将测试样本输入至所述检测模型中进行验证,验证所述训练参数;所述测试样本为已知病变位置的MRI数据。

8.一种MRI病变位置检测装置,其特征在于,包括:

训练单元,用于将训练样本输入至卷积神经网络中进行参数训练,通过训练计算出所述卷积神经网络的训练参数,将训练出所述训练参数的卷积神经网络作为检测MRI数据中病变位置检测模型;所述训练样本为已知病变位置的MRI数据;

检测单元,用于接收待检测样本,将所述待检测样本输入至所述检测模型中进行预测,预测出所述待检测样本中的病变位置;所述待检测样本为未知病变位置的MRI数据。

9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于平安科技(深圳)有限公司,未经平安科技(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810361427.2/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top