本發(fā)明實施例涉及醫(yī)療圖像處理，尤其涉及一種結(jié)合rpn和解剖信息的腦微出血精準檢測與定位方法。

背景技術(shù)：

1、腦微出血（cerebralmicrobleeds，cmbs）是腦組織中慢性沉積的小血制品，通常與多種腦血管疾病相關(guān)，如認知衰退、腦出血和腦梗死。cmbs的檢測對于疾病的早期診斷和治療具有重要意義。目前，cmbs的檢測主要依賴于mri（magnetic?resonance?imaging?，磁共振成像）技術(shù)，尤其是利用梯度回波序列生成的swi（susceptibility?weighted?imaging，磁敏感加權(quán)成像）圖像。swi圖像能夠清晰地顯示腦組織中的小血管和微出血，為cmbs的檢測提供了重要的影像學(xué)依據(jù)。

2、然而，目前的cmbs檢測方法均存在一些問題和局限性。比如，手動檢測效率低、主觀性強，容易導(dǎo)致結(jié)果不一致；傳統(tǒng)的基于深度學(xué)習(xí)的自動化方法基于手工特征，難以準確區(qū)分cmbs和類似物；深度學(xué)習(xí)的單階段檢測器計算成本高、假陽性率較高，而兩階段檢測器依賴于第一階段的檢測結(jié)果，且需要額外的分類步驟，增加了復(fù)雜性和計算成本。專利申請cn115908381a公開了一種腦部ct圖像中目標區(qū)域的定位方法裝置及設(shè)備，cn120108011a公開了一種利用深度學(xué)習(xí)算法對腦部圖像進行微出血病灶識別方法，均無法解決上述問題。

3、因此，亟待提供一種基于深度學(xué)習(xí)的腦微出血精準檢測與定位模型，并對其進行有效的使用和訓(xùn)練，以降低假陽性率，提高檢測效率。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供一種結(jié)合rpn和解剖信息的腦微出血精準檢測與定位方法，以解決上述技術(shù)問題。

2、第一方面，本發(fā)明實施例提供了一種結(jié)合rpn和解剖信息的腦微出血精準檢測與定位方法，基于一種基于深度學(xué)習(xí)的腦微出血精準檢測與定位模型實現(xiàn)，所述模型包括候選區(qū)域檢測模塊和解剖定位模塊，其中，候選區(qū)域檢測模塊用于根據(jù)患者的腦部圖像檢測腦微出血的候選區(qū)域，解剖定位模塊用于根據(jù)患者的腦部圖像分割腦部解剖區(qū)域；其特征在于，所述方法包括：

3、獲取同一患者的腦部圖像經(jīng)所述候選區(qū)域檢測模塊得到的至少一個腦微出血候選區(qū)域，以及經(jīng)所述解剖定位模塊得到的至少一個腦部解剖區(qū)域；

4、計算各候選區(qū)域與相交的各解剖區(qū)域的空間重疊度和結(jié)構(gòu)特征相似度；

5、根據(jù)各空間重疊度和結(jié)構(gòu)特征相似度，以及對應(yīng)的閾值，將不匹配的候選區(qū)域置信度調(diào)低。

6、第二方面，本發(fā)明實施例提供了一種電子設(shè)備，所述電子設(shè)備包括：

7、一個或多個處理器；

8、存儲器，用于存儲一個或多個程序，

9、當所述一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實現(xiàn)任一實施例所述的結(jié)合rpn和解剖信息的腦微出血精準檢測與定位方法。

10、第三方面，本發(fā)明實施例還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)任一實施例所述的結(jié)合rpn和解剖信息的腦微出血精準檢測與定位方法。

11、綜上所述，本發(fā)明實施例采用一種基于深度學(xué)習(xí)的腦微出血精準檢測與定位模型，實現(xiàn)了高效的腦微出血自動化檢測，減少手動檢測的時間和勞動強度，并降低檢測過程中的假陽性率，提高檢測的準確性；同時實現(xiàn)cmbs的自動解剖定位，進一步提高檢測的臨床價值。特別的，本實施例通過空間一致性和特征一致性判斷候選區(qū)域和解剖區(qū)域是否匹配，及時剔除與解剖結(jié)構(gòu)不匹配的候選區(qū)域；并針對誤識別的候選區(qū)域設(shè)置了擴大區(qū)域的補救措施，盡可能確定候選區(qū)域的合理歸屬，充分實現(xiàn)了解剖信息實現(xiàn)了候選區(qū)域的檢錯、糾錯。

12、進一步的，為保證訓(xùn)練過程中各模塊的有效融合，本實施例通過逐步解鎖模塊+動態(tài)調(diào)整損失項+參數(shù)凍結(jié)與解凍機制的多階段優(yōu)化策略，使訓(xùn)練的重點逐步從病灶檢測轉(zhuǎn)向精細分割與解剖匹配，確保每個模塊的優(yōu)化順序合理，也使各模塊在不同階段充分發(fā)揮各自的優(yōu)勢，最終實現(xiàn)整體系統(tǒng)的協(xié)同優(yōu)化，提高整體檢測的穩(wěn)定性與精準度。

技術(shù)特征：

1.一種結(jié)合rpn和解剖信息的腦微出血精準檢測與定位方法，基于一種基于深度學(xué)習(xí)的腦微出血精準檢測與定位模型實現(xiàn)，所述模型包括候選區(qū)域檢測模塊和解剖定位模塊，其中，候選區(qū)域檢測模塊用于根據(jù)患者的腦部圖像檢測腦微出血的候選區(qū)域，解剖定位模塊用于根據(jù)患者的腦部圖像分割腦部解剖區(qū)域；其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)各空間重疊度和結(jié)構(gòu)特征相似度，以及對應(yīng)的閾值，將不匹配的候選區(qū)域置信度調(diào)低，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述如果一候選區(qū)域與相交的各解剖區(qū)域的空間重疊度均小于重疊度閾值，且所述一候選區(qū)域與相交的各解剖區(qū)域的結(jié)構(gòu)特征相似度均小于相似度閾值，將所述一候選區(qū)域的置信度調(diào)低，包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述模型通過以下方式訓(xùn)練得到：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述解剖匹配損失函數(shù)包括空間一致性損失函數(shù)lspatial和結(jié)構(gòu)特征匹配損失函數(shù)lfeat，表示為：

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，在lspatial和lfeat的計算中，如果一候選區(qū)域rcand對應(yīng)多個解剖分割區(qū)域ri，采用加權(quán)匹配策略，計算各解剖分割區(qū)域的匹配得分：

7.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述加入解剖分割損失函數(shù)，根據(jù)分割結(jié)果對所述解剖定位模塊中解鎖的參數(shù)進行訓(xùn)練，同時對所述候選區(qū)域檢測模塊進行微調(diào)，包括：

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述加入候選區(qū)域與解剖區(qū)域間的解剖匹配損失函數(shù)，對所述訓(xùn)練后的解剖定位模塊和微調(diào)后的候選區(qū)域檢測模塊繼續(xù)優(yōu)化，包括：

9.一種電子設(shè)備，其特征在于，包括：

10.一種計算機可讀存儲介質(zhì)，其特征在于，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-8任一所述的結(jié)合rpn和解剖信息的腦微出血精準檢測與定位方法。

技術(shù)總結(jié)
本發(fā)明實施例公開了一種結(jié)合RPN和解剖信息的腦微出血精準檢測與定位方法，基于一種基于深度學(xué)習(xí)的腦微出血精準檢測與定位模型實現(xiàn)，所述模型包括候選區(qū)域檢測模塊和解剖定位模塊，所述方法包括：獲取同一患者的腦部圖像經(jīng)所述候選區(qū)域檢測模塊得到的至少一個腦微出血候選區(qū)域，以及經(jīng)所述解剖定位模塊得到的至少一個腦部解剖區(qū)域；計算各候選區(qū)域與相交的各解剖區(qū)域的空間重疊度和結(jié)構(gòu)特征相似度；根據(jù)各空間重疊度和結(jié)構(gòu)特征相似度，以及對應(yīng)的閾值，將不匹配的候選區(qū)域置信度調(diào)低。本實施例提供了一種有效的模型使用和訓(xùn)練方法，能夠降低假陽性率，提高檢測效率。

技術(shù)研發(fā)人員：劉鵬,劉清源,蔣佳,桂思銘
受保護的技術(shù)使用者：首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/8/28