CN110517241A - 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 - Google Patents
基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 Download PDFInfo
- Publication number
- CN110517241A CN110517241A CN201910781301.5A CN201910781301A CN110517241A CN 110517241 A CN110517241 A CN 110517241A CN 201910781301 A CN201910781301 A CN 201910781301A CN 110517241 A CN110517241 A CN 110517241A
- Authority
- CN
- China
- Prior art keywords
- image
- fat
- ideal
- sequence
- abdominal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000000579 abdominal fat Anatomy 0.000 title claims abstract description 18
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 23
- 210000003200 peritoneal cavity Anatomy 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 150000002632 lipids Chemical class 0.000 claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 210000004003 subcutaneous fat Anatomy 0.000 claims abstract description 11
- 230000003187 abdominal effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 210000001596 intra-abdominal fat Anatomy 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 13
- 206010033675 panniculitis Diseases 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 210000004490 abdominal subcutaneous fat Anatomy 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 11
- 210000000577 adipose tissue Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- RGCLLPNLLBQHPF-HJWRWDBZSA-N phosphamidon Chemical compound CCN(CC)C(=O)C(\Cl)=C(/C)OP(=O)(OC)OC RGCLLPNLLBQHPF-HJWRWDBZSA-N 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 208000008589 Obesity Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004130 lipolysis Effects 0.000 description 3
- 235000020824 obesity Nutrition 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 150000003626 triacylglycerols Chemical class 0.000 description 2
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 2
- 208000004611 Abdominal Obesity Diseases 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010065941 Central obesity Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000001789 adipocyte Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000003943 catecholamines Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 208000008338 non-alcoholic fatty liver disease Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000009278 visceral effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
- A61B5/4872—Body fat
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- High Energy & Nuclear Physics (AREA)
- Geometry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于核磁成像IDEAL‑IQ序列全自动腹部脂肪定量分析的方法，包括以下步骤：S1：构建带有标注的核磁成像IDEAL‑IQ序列腹部影像作为深度学习训练样本集和测试样本集。本发明的计算算法包括机器学习中的U‑Net深度学习网络、3D U‑Net深度学习网络以及无监督AFKMC2聚类方法，本发明的算法需要用到IDEAL‑IQ序列中脂像和水像，其中，3D U‑Net深度学习网络和U‑Net深度学习网络分别用于分割脂像中皮下脂肪轮廓以及水像中腹膜腔轮廓，无监督AFKMC2聚类方法用于分割脂像中内脏脂肪轮廓，本发明可得到准确率更高，速度更快的全自动定量腹部脂肪组织结果。
Description
技术领域
本发明涉及计算机辅助诊断技术领域，尤其涉及一种基于核磁成像IDEAL-IQ序列全自动腹部脂肪定量分析的方法。
背景技术
肥胖是由于体内脂肪组织的过度积累造成的，并且已知它是多种慢性病的关键因素。腹部肥胖在不同类型的肥胖中对人体的健康具有最大的风险，腹部脂肪不仅与心血管危险因素有关，而且血浆和肝脏中的甘油三酯含量也与腹部脂肪含量密切相关。
现今的研究表明当人体脂肪异常积累时，其分布的不同对于心血管疾病危险评估是重要的因素之一，而且也指出特殊位置的脂肪堆积，例如腹内脂肪组织或许在调控心血管疾病中起到重要作用。内脏脂肪细胞的脂解作用是非酒精性脂肪肝的重要致病源。相对于腹内脂肪组织，皮下脂肪组织则是担当“保护性”的作用，是因为随着β2-肾上腺感受器的破坏从而降低了儿茶酚胺对于脂解的应答，这样反而增加了胰岛素的敏感性。尽管皮下脂肪组织在肥胖的进展中担当保护的角色，但是它并不能补偿内脏脂肪组织脂解作用带来的负面影响。在临床工作中，对于腹部脂肪的精确化测量尤为重要。
近年来，随着计算机技术的高速发展，计算机辅助诊断技术在一些医疗发达国家的相应领域取得了较快的发展，特别是在涉及医学影像学的领域。计算机辅助诊断的主要思想是通过使用专用计算机系统来提供“第二意见”，帮助放射科医师解释医学图像。计算机辅助诊断是通过同样考虑医生和计算机的角色而建立的概念。使用计算机辅助诊断，计算机在扮演一个与医生相辅相成的角色。对计算机辅助诊断系统和技术的研究表明，计算机辅助诊断可以帮助提高放射科医师的诊断准确性，减轻增加工作量的负担，减少由于疲劳而忽略的癌症，忽视或数据过载。最终的医疗决定由放射科医师做出。因此，放射科医师希望计算机辅助诊断系统能够基于放射科医师和计算机之间的协同效应，通过医学图像分析和机器学习技术来提高其诊断能力。因此，计算机辅助诊断系统在学习和识别脑疾病方面应具有与放射科医师类似的能力，包括机器学习在内的模式识别技术在计算机辅助诊断系统的开发中起着重要作用。实践证明，计算机辅助诊断在提高诊断准确率、减少漏诊、提高工作效率等方面起到了极大的积极促进作用。
目前，我们可以通过核磁共振成像技术的多回波IDEAL-IQ序列进行身体脂肪评估。IDEAL-IQ序列使用光谱模型从不同回波时间采集的多个源图像中的化学位移分离导出水图像和脂肪图像，正是这种技术的精准成像为全自动定量脂肪组织做好了准备。目前，身体脂肪评估也可以通过多回波Dixon技术进行。Dixon使用光谱模型从不同回波时间采集的多个源图像中导出水图像和脂肪图像的化学位移分离。在这项技术中，三点Dixon(3PD)方法能够进行适当的脂肪和水信号分配。除了用于肝脏脂肪定量外，根据T2*获得的R2*映射可以分析肝脏和其他部位的铁沉积。3PD的最先进技术是水和脂肪的迭代分解，具有回波不对称性和最小二乘估计-铁量化(IDEAL-IQ)。该算法旨在适应脂肪的多个光谱峰值，并导致更准确的甘油三酯脂肪分数测量建模和估计。通过去除多种化学成分的影响，IDEAL-IQ提高了脂肪组织量化的准确性。该技术已被证明是一种非常方便和有效的脂肪分数测量方法，并且有助于准确评估疾病期间脂肪含量的变化。
基于上述背景，提出一种基于核磁成像IDEAL-IQ序列全自动腹部脂肪定量分析的方法。
发明内容
基于背景技术存在的技术问题，本发明提供了一种基于核磁成像IDEAL-IQ序列全自动腹部脂肪定量分析的方法。
本发明提出的基于核磁成像IDEAL-IQ序列全自动腹部脂肪定量分析的方法，包括以下步骤：
S1：构建带有标注的核磁成像IDEAL-IQ序列腹部影像作为深度学习训练样本集和测试样本集；
S2：构建深度学习3D U-Net网络和U-Net网络模型，分别用于分割腹部皮下脂肪和腹膜腔轮廓；
S3：对深度学习模型参数进行初始化；
S4：进行特征提取,对腹部影像进行系列卷积、反卷积、池化和非线性运算,得到分割结果图；
S5：将U-Net网络训练得到的所有切片的腹膜腔轮廓对应到相同身体位置的脂像中；
S6：使用无监督AFKMC2聚类方法对脂像中腹膜腔进行内脏脂肪组织分割定量处理；
S7：利用所述S2中得到的深度学习模型和所述S6中所述的聚类方法,对实际中采集的待分割核磁成像IDEAL-IQ序列腹部影像图像进行处理,从而得到腹部脂肪定量结果。
优选的，所述S1中图像数据采用MRI中IDEAL-IQ序列采集，得到水像，脂像，同相位图像，反相位图像，脂肪百分比图像以及R2*图像数据，收集到的数据格式为DICOM文件，将DICOM头文件中的患者以及医院信息清除，利用软件MicroDicom构建带有标注的图片作为训练样本集和测试样本集,其中样本集包含MRI中IDEAL-IQ序列的水像和脂像，标注是脂像中皮下脂肪组织轮廓和水像中腹膜腔轮廓。
优选的，所述S2中，训练皮下脂肪组织和腹膜腔轮廓分别使用深度学习3D U-Net网络和U-Net网络进行分割处理。
本发明的有益效果：本发明的计算算法包括机器学习中的U-Net深度学习网络、3DU-Net深度学习网络以及无监督AFKMC2聚类方法，本发明的算法需要用到IDEAL-IQ序列中脂像和水像，其中，3D U-Net深度学习网络和U-Net深度学习网络分别用于分割脂像中皮下脂肪轮廓以及水像中腹膜腔轮廓，无监督AFKMC2聚类方法用于分割脂像中内脏脂肪轮廓，本发明可得到准确率更高，速度更快的全自动定量腹部脂肪组织结果。
附图说明
图1为本发明的流程图；
图2为本发明实施中深度学习3D U-Net的网络结构；
图3为本发明实施中无监督AFKMC2聚类方法分割结果展示。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例
本发明提出基于核磁成像IDEAL-IQ序列全自动腹部脂肪定量分析的方法，包括以下步骤：
S1：构建带有标注的核磁成像IDEAL-IQ序列腹部影像作为深度学习训练样本集和测试样本集；
S2：构建深度学习3D U-Net网络和U-Net网络模型，分别用于分割腹部皮下脂肪和腹膜腔轮廓；
S3：对深度学习模型参数进行初始化；
S4：进行特征提取,对腹部影像进行系列卷积、反卷积、池化和非线性运算,得到分割结果图；
S5：将U-Net网络训练得到的所有切片的腹膜腔轮廓对应到相同身体位置的脂像中；
S6：使用无监督AFKMC2聚类方法对脂像中腹膜腔进行内脏脂肪组织分割定量处理；
S7：利用所述S2中得到的深度学习模型和所述S6中所述的聚类方法,对实际中采集的待分割核磁成像IDEAL-IQ序列腹部影像图像进行处理,从而得到腹部脂肪定量结果。
所述S1中图像数据采用MRI中IDEAL-IQ序列采集，得到水像，脂像，同相位图像，反相位图像，脂肪百分比图像以及R2*图像数据，收集到的数据格式为DICOM文件，将DICOM头文件中的患者以及医院信息清除，利用软件MicroDicom构建带有标注的图片作为训练样本集和测试样本集,其中样本集包含MRI中IDEAL-IQ序列的水像和脂像，标注是脂像中皮下脂肪组织轮廓和水像中腹膜腔轮廓，
通过一次扫描同时产生水像，脂像，脂肪百分数图像，同相位图像和反相位图像，这项技术建立在GE特有的IDEAL技术上，结合了快速三维多回波梯度成像序列和增强的图像重建技术提高图像获取速度，全部扫描可在单次屏气内完成。由于采用小翻转角激发，降低了水像，脂像，和脂肪分数图像中的T1效应。水脂分离的精度经常会收到多因素的影响，包括T2*衰减以及甘油三酯的多峰模型等等。为了去除T2*的影响因素，IDEAL-IQ重建采用了多回波技术来预测R2*(1/T2*)衰减率，并且把这个因素包含在水脂分离的计算之中。采用多回波幅度图计算R2*弛豫率，通过多峰脂肪模型精确模拟甘油三酯的多共振峰，已实现全自动计算R2*图像和R2*校正以后的脂像，水像和脂肪分数图。
所述S2中，训练皮下脂肪组织和腹膜腔轮廓分别使用深度学习3D U-Net网络和U-Net网络进行分割处理，其中，网络所使用的Soft-max分类器如下式：
式中ak(X)代表在特征通道k及X∈Ω像素位置的激活函数；Dice损失函数如下式：
式中p(X)为每个像素值的真实分类结果，θ代表特征图。Adam优化算法公式如下：
mt＝β1·mt-1+(1-β1)·gt
其中t为循环次数，mt和vt分别为第一次循环和第二次循环的参数值,并且以0为最初的参数设置。
本实施例为IDEAL-IQ序列梯度回波数据，MRI数据采集使用3T磁共振成像仪，数据接收采用8通道体部线圈。扫描序列为多回波IDEAL-IQ序列，序列参数为：重复时间(TR)＝3.8ms，回波时间(TE)＝1.724ms，翻转角(flip angle)＝12°，脉冲重复激发次数(NEX)＝1，视野(FOV)＝90mm，层数＝76，层面间隔(slice gap)＝0，矩阵大小＝512x 512，层厚(slicethickness)＝5.6mm，该序列总扫描时间共20秒，均在被试屏气时完成。
本实施中首先利用U-Net网络分割水像中的腹膜腔轮廓，脂像的腹膜腔轮廓勾勒难度偏大，所以将分割得到的水像中的腹膜腔对应到脂像中得到轮廓，在对其应用无监督AFKMC2聚类方法进行分割；皮下脂肪由3D U-Net网络分割得到；其中，3D U-Net网络和U-Net网络的训练集，验证集和测试集所需的金标准均由手工标注，并且经过三名放射科医生确认校正。
本实施中深度学习3D U-Net的网络结构；3D U Net分为编码器、解码器两部分，一共包括14个卷积层，3个最大池化层，3个复制层和3个反卷积层；编码时，使用卷积层获得输入图像的特征映射，每两个连续的卷积操作之后，进行一个最大池化操作；解码时，使用反卷积网络逐层恢复像素信息，并连接编码时获得的特征映射再进行连续两次的卷积操作；在最后一层通过一个像素级别的“Soft-max”分类器得到最终分割结果；网络中卷积核采用3×3×3大小，反卷积核采用2×2×2大小，卷积过程与反卷积过程的非线性映射采用“Relu”激活函数，卷积操作的填充(padding)是“same convolution”。
为无监督AFKMC2聚类方法分割结果展示，表示将水像中得到的腹膜腔轮廓对应到同一层面的脂像；在此基础上，在脂像的腹膜腔内进行内脏脂肪分割；按顺序排列分割后放大图像以及第二次像素级别放大；脂肪面积等于白色像素的数量乘以每个像素的实际尺寸。
以上结合附图及具体实施例，对本发明作进一步的详细说明；实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (3)
1.基于核磁成像IDEAL-IQ序列全自动腹部脂肪定量分析的方法，其特征在于，包括以下步骤：
S1：构建带有标注的核磁成像IDEAL-IQ序列腹部影像作为深度学习训练样本集和测试样本集；
S2：构建深度学习3D U-Net网络和U-Net网络模型，分别用于分割腹部皮下脂肪和腹膜腔轮廓；
S3：对深度学习模型参数进行初始化；
S4：进行特征提取,对腹部影像进行系列卷积、反卷积、池化和非线性运算,得到分割结果图；
S5：将U-Net网络训练得到的所有切片的腹膜腔轮廓对应到相同身体位置的脂像中；
S6：使用无监督AFKMC2聚类方法对脂像中腹膜腔进行内脏脂肪组织分割定量处理；
S7：利用所述S2中得到的深度学习模型和所述S6中所述的聚类方法,对实际中采集的待分割核磁成像IDEAL-IQ序列腹部影像图像进行处理,从而得到腹部脂肪定量结果。
2.根据权利要求1所述的基于核磁成像IDEAL-IQ序列全自动腹部脂肪定量分析的方法，其特征在于，所述S1中图像数据采用MRI中IDEAL-IQ序列采集，得到水像，脂像，同相位图像，反相位图像，脂肪百分比图像以及R2*图像数据，收集到的数据格式为DICOM文件，将DICOM头文件中的患者以及医院信息清除，利用软件MicroDicom构建带有标注的图片作为训练样本集和测试样本集,其中样本集包含MRI中IDEAL-IQ序列的水像和脂像，标注是脂像中皮下脂肪组织轮廓和水像中腹膜腔轮廓。
3.根据权利要求1所述的基于核磁成像IDEAL-IQ序列全自动腹部脂肪定量分析的方法，其特征在于，所述S2中，训练皮下脂肪组织和腹膜腔轮廓分别使用深度学习3D U-Net网络和U-Net网络进行分割处理，其中，网络所使用的Soft-max分类器如下式：
式中代表在特征通道k及像素位置的激活函数。Dice损失函数如下式：
式中为每个像素值的真实分类结果，代表特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910781301.5A CN110517241A (zh) | 2019-08-23 | 2019-08-23 | 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910781301.5A CN110517241A (zh) | 2019-08-23 | 2019-08-23 | 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110517241A true CN110517241A (zh) | 2019-11-29 |
Family
ID=68626222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910781301.5A Pending CN110517241A (zh) | 2019-08-23 | 2019-08-23 | 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517241A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681251A (zh) * | 2020-05-29 | 2020-09-18 | 上海联影智能医疗科技有限公司 | 组织器官参数确定方法、装置以及计算机设备 |
| CN112734869A (zh) * | 2020-12-15 | 2021-04-30 | 杭州电子科技大学 | 基于稀疏复数u型网络的快速磁共振成像方法 |
| CN112946003A (zh) * | 2019-12-11 | 2021-06-11 | 上海纽迈电子科技有限公司 | 一种奶粉中脂肪含量的检测方法 |
| CN113238460A (zh) * | 2021-04-16 | 2021-08-10 | 厦门大学 | 一种基于深度学习的用于超紫外的光学邻近校正方法 |
| CN113516671A (zh) * | 2021-08-06 | 2021-10-19 | 重庆邮电大学 | 一种基于U-net和注意力机制的婴幼儿脑组织分割方法 |
| CN113658699A (zh) * | 2021-08-10 | 2021-11-16 | 东莞市人民医院 | 克罗恩病的全面疾病严重程度指数的预测方法及相关设备 |
| CN114549417A (zh) * | 2022-01-20 | 2022-05-27 | 高欣 | 一种基于深度学习和核磁共振Dixon的腹部脂肪定量方法 |
| CN116245850A (zh) * | 2023-03-10 | 2023-06-09 | 复旦大学 | 一种肝脏病理切片图像的脂肪含量分析装置和方法 |
| CN116309385A (zh) * | 2023-02-27 | 2023-06-23 | 之江实验室 | 基于弱监督学习的腹部脂肪与肌肉组织测量方法及系统 |
| GB2621332A (en) * | 2022-08-08 | 2024-02-14 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
| CN119887993A (zh) * | 2025-03-27 | 2025-04-25 | 上海交通大学医学院附属仁济医院 | 一种生成磁共振质子密度脂肪分数与r2星定量图的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462650A (zh) * | 2014-11-10 | 2015-03-25 | 张建卿 | 一种可实现内外结构的实体化心脏3d模型制作方法 |
| CN105912874A (zh) * | 2016-04-29 | 2016-08-31 | 青岛大学附属医院 | 基于dicom医学图像构建的肝脏三维数据库系统 |
| US20180218502A1 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
| CN110097557A (zh) * | 2019-01-31 | 2019-08-06 | 卫宁健康科技集团股份有限公司 | 基于3D-UNet的医学图像自动分割方法及系统 |
-
2019
- 2019-08-23 CN CN201910781301.5A patent/CN110517241A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462650A (zh) * | 2014-11-10 | 2015-03-25 | 张建卿 | 一种可实现内外结构的实体化心脏3d模型制作方法 |
| CN105912874A (zh) * | 2016-04-29 | 2016-08-31 | 青岛大学附属医院 | 基于dicom医学图像构建的肝脏三维数据库系统 |
| US20180218502A1 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
| CN110097557A (zh) * | 2019-01-31 | 2019-08-06 | 卫宁健康科技集团股份有限公司 | 基于3D-UNet的医学图像自动分割方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| NING SHEN，ET AL.: "Automated and accurate quantification of subcutaneous and visceral adipose", 《MAGNETIC RESONANCE IMAGING》 * |
| POORNACHANDRA SANDUR,ET AL.: "Segmentation of Brain Tumor Tissues in HGG and LGG MR Images Using 3D U-net Convolutional Neural Network", 《INTERNATIONAL JOURNAL OF NATURAL COMPUTING RESEARCH》 * |
| 刘欢等: "磁共振FSE-IDEAL与IDEAL-IQ序列在水脂混合模型脂肪定量中的对比研究", 《放射学实践》 * |
| 孙明建等: "基于新型深度全卷积网络的肝脏CT影像三维区域自动分割", 《中国生物医学工程学报》 * |
| 焦志云等: "运用3.0T磁共振IDEAL-IQ技术进行肝脏脂肪定量分析的可行性研究", 《中华临床医师杂志(电子版)》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112946003A (zh) * | 2019-12-11 | 2021-06-11 | 上海纽迈电子科技有限公司 | 一种奶粉中脂肪含量的检测方法 |
| CN111681251A (zh) * | 2020-05-29 | 2020-09-18 | 上海联影智能医疗科技有限公司 | 组织器官参数确定方法、装置以及计算机设备 |
| CN111681251B (zh) * | 2020-05-29 | 2023-09-26 | 上海联影智能医疗科技有限公司 | 组织器官参数确定方法、装置以及计算机设备 |
| CN112734869A (zh) * | 2020-12-15 | 2021-04-30 | 杭州电子科技大学 | 基于稀疏复数u型网络的快速磁共振成像方法 |
| CN112734869B (zh) * | 2020-12-15 | 2024-04-26 | 杭州电子科技大学 | 基于稀疏复数u型网络的快速磁共振成像方法 |
| CN113238460A (zh) * | 2021-04-16 | 2021-08-10 | 厦门大学 | 一种基于深度学习的用于超紫外的光学邻近校正方法 |
| CN113238460B (zh) * | 2021-04-16 | 2022-02-11 | 厦门大学 | 一种基于深度学习的用于超紫外的光学邻近校正方法 |
| CN113516671B (zh) * | 2021-08-06 | 2022-07-01 | 重庆邮电大学 | 一种基于U-net和注意力机制的婴幼儿脑组织图像分割方法 |
| CN113516671A (zh) * | 2021-08-06 | 2021-10-19 | 重庆邮电大学 | 一种基于U-net和注意力机制的婴幼儿脑组织分割方法 |
| CN113658699A (zh) * | 2021-08-10 | 2021-11-16 | 东莞市人民医院 | 克罗恩病的全面疾病严重程度指数的预测方法及相关设备 |
| CN114549417A (zh) * | 2022-01-20 | 2022-05-27 | 高欣 | 一种基于深度学习和核磁共振Dixon的腹部脂肪定量方法 |
| GB2621332A (en) * | 2022-08-08 | 2024-02-14 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
| GB2621332B (en) * | 2022-08-08 | 2024-09-11 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
| CN116309385A (zh) * | 2023-02-27 | 2023-06-23 | 之江实验室 | 基于弱监督学习的腹部脂肪与肌肉组织测量方法及系统 |
| CN116309385B (zh) * | 2023-02-27 | 2023-10-10 | 之江实验室 | 基于弱监督学习的腹部脂肪与肌肉组织测量方法及系统 |
| CN116245850A (zh) * | 2023-03-10 | 2023-06-09 | 复旦大学 | 一种肝脏病理切片图像的脂肪含量分析装置和方法 |
| CN119887993A (zh) * | 2025-03-27 | 2025-04-25 | 上海交通大学医学院附属仁济医院 | 一种生成磁共振质子密度脂肪分数与r2星定量图的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110517241A (zh) | 基于核磁成像ideal-iq序列全自动腹部脂肪定量分析的方法 | |
| Van Hespen et al. | An anomaly detection approach to identify chronic brain infarcts on MRI | |
| Somasundaram et al. | Automatic brain extraction methods for T1 magnetic resonance images using region labeling and morphological operations | |
| Langner et al. | Fully convolutional networks for automated segmentation of abdominal adipose tissue depots in multicenter water–fat MRI | |
| Li et al. | MMAN: Multi-modality aggregation network for brain segmentation from MR images | |
| Vos et al. | Computational modeling for assessment of IBD: to be or not to be? | |
| Xu et al. | Deformed2self: Self-supervised denoising for dynamic medical imaging | |
| CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和系统 | |
| Mehta et al. | Propagating uncertainty across cascaded medical imaging tasks for improved deep learning inference | |
| CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
| CN111598864A (zh) | 一种基于多模态影像贡献度融合的肝细胞癌分化评估方法 | |
| Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
| WO2024060842A1 (zh) | 分类模型获取方法、表达类别确定方法、装置、设备及介质 | |
| Hess et al. | Deep learning for multi-tissue segmentation and fully automatic personalized biomechanical models from BACPAC clinical lumbar spine MRI | |
| WO2020056196A1 (en) | Fully automated personalized body composition profile | |
| Jiménez del Toro et al. | Epileptogenic lesion quantification in MRI using contralateral 3D texture comparisons | |
| CN116309385A (zh) | 基于弱监督学习的腹部脂肪与肌肉组织测量方法及系统 | |
| CN115953416A (zh) | 基于深度学习的膝骨关节核磁共振图像自动分割方法 | |
| CN114847922A (zh) | 一种基于纤维束自动识别的脑年龄预测方法 | |
| Devi et al. | Automatic segmentation of infant brain MR images: With special reference to myelinated white matter | |
| Chen et al. | Image segmentation and nonuniformity correction methods | |
| Tang et al. | Automatic abdominal fat assessment in obese mice using a segmental shape model | |
| Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
| Skandha et al. | Magnetic resonance based Wilson’s disease tissue characterization in an artificial intelligence framework using transfer learning | |
| CN117036824A (zh) | 基于机器学习算法的胶质瘤idh突变状态无创预测系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
| RJ01 | Rejection of invention patent application after publication |