本發(fā)明涉及影像學技術領域，具體地，涉及一種通用智能自動化讀片方法。

背景技術：

隨著影像學技術的進展，無創(chuàng)性神經影像在診療中發(fā)揮重要作用。在腦部病變，如腦血管病、外傷、炎癥、腫瘤、發(fā)育畸形等性質的判斷，同時對于腦部病變情況變化的隨訪中均發(fā)揮重要作用。

對于影像學結果的判斷，目前常采用目測法，也即傳統(tǒng)的人工讀片。具體流程是醫(yī)師開具檢測要求，影像學醫(yī)師完成檢測并讀片，出具讀片報告，臨床醫(yī)師再依據報告建立診療方案。隨著中國醫(yī)療條件的發(fā)展，X線、CT等基本檢查早已普及到縣級基層醫(yī)院，而近幾年基層醫(yī)院也紛紛引進了MRI診斷設備，為基層醫(yī)院提高疾病的診斷水平、普及放射科相關治療技術提供了可能。但另一方面，各級醫(yī)師專業(yè)教育水平判斷水平不盡相同，神經系統(tǒng)病例及病種豐富，傳統(tǒng)人工影像讀片存在診斷規(guī)范化，病變隨訪可比較性差等問題。臨床醫(yī)師在建立診療方案時迫切需要規(guī)范化的結果和可視化的功能分析，以建立正確及時的診療方案。同時，為避免對患者的過度診療，需要建立能夠分析歸納各個系統(tǒng)檢測結果的系統(tǒng)。

由于目前讀片方案都采用目測方法，對特定病變的大小、特定解剖結構的受累，常依據個人經驗評定結果，存在較大隨意性和不確定性。隨著計算機技術的發(fā)展，已經有基于體素的計算機分析方案，如VBM分析等，然而，上述分析方法需要磁共振掃描參數的一致性，以及一定樣本量的受試者數量始可分析，常受限在單個中心研究，難以推廣，所需分析需要專業(yè)技術人員，難以在臨床上廣泛應用。目前也有計算機網絡上提供公開的可以下載的軟件系統(tǒng)用于分析腦片，如brain image等，然而，具體解剖結構需要使用者自己判斷，腦片分析的結果也缺少可靠性，缺少大樣本量的分析驗證。

目前沒有發(fā)現同本發(fā)明類似技術的說明或報道，也尚未收集到國內外類似的資料。

技術實現要素：

針對現有技術中存在的上述不足，本發(fā)明的目的是提供一種應用于影像學結果判斷的通用智能自動化讀片方法。該方法可針對不同掃描參數所得到的影像，自動獲取異常信號體積、比值等數據，可簡便用于臨床判斷病情嚴重程度及隨訪。

為實現上述目的，本發(fā)明是通過以下技術方案實現的。

一種通用智能自動化讀片方法，包括如下步驟：

步驟S1，獲取樣本大腦檢測影像的基礎結構影像與待測結構影像；

步驟S2，對步驟S1中獲取的待測結構影像進行數據處理，找出待測結構影像上的異常信號點，分析并繪制蒙版；

步驟S3，將蒙版基于待測結構影像剛體變換到基礎結構影像之上；

步驟S4，將蒙版覆蓋后的樣本大腦基礎結構影像與標準空間進行配準，獲得轉換矩陣，從而將樣本大腦根據轉換矩陣映射至標準腦模板；

步驟S5，將樣本大腦分為灰質、白質和腦脊液；

步驟S6，在步驟S5的基礎上，利用步驟S4中所得的轉換矩陣，將待測結構影像映射至標準腦模板；

步驟S7，提取每個樣本大腦在神經通路蒙版內的待測信號，并計算異常信號值的體素數量。

優(yōu)選地，所述步驟S2采用基于影像信號強度的自動化算法，針對待測結構影像上的異常信號點進行分析，具體包括如下子步驟：

步驟S21，通過樣本大腦待測結構影像的影像掃描值大小將樣本大腦與周邊背景噪音區(qū)分并提??；

步驟S22，將樣本大腦的二維分層掃描的待測結構影像合并為三維待測結構影像；

步驟S23，將三維待測結構影像粗略地線性剛體與標準待測結構影像進行比較；

步驟S24，找出標準待測結構影像上面皮層、神經核團、神經通路的位置；

步驟S25，通過標準待測結構影像上步驟S24所給出的特定區(qū)域位置的影像掃描值大小，找出三維待測結構影像異常信號點，繪制蒙版。

優(yōu)選地，所述步驟S4基于Cost function算法，實現將樣本大腦根據轉換矩陣映射至標準腦模板。

優(yōu)選地，所述步驟S4中，重采樣分辨率至1×1×1mm³。

優(yōu)選地，所述步驟S5采用SPM軟件自帶的Segmentation算法完成。

優(yōu)選地，還包括：

步驟S8，在一組訓練集上比較步驟S7中得到的異常信號值的體素數量與多名神經科醫(yī)生手動得出的異常信號值的體素數量，并進行擬合。

優(yōu)選地，所述步驟S4和步驟S6中還包括對映射結果逐一檢查的過程，以確保映射結果正確。

優(yōu)選地，所述檢測影像包括如下任一種或任多種：

CT影像；

MRI影像。

與現有技術相比，本發(fā)明具有如下有益效果：

1、相較于之前通過神經科醫(yī)生手動觀測待測結構影像數據來得出樣本信息的做法，本發(fā)明創(chuàng)造性地利用大數據算法將這一過程完全的自動化呈現。在初步的結果中，可以得出，我們的準確率可以達到90％的水平，達到世界先進水平，另外，本發(fā)明可以大大提高醫(yī)生的效率，分析不同來源的片子，從而能夠造福更多的病人。

2、本發(fā)明利用類腦人工智能算法，在影像數據的基礎上，實現了一種針對卒中病人磁共振(MRI)和/或電腦掃描(CT)數據神經通路指標分數自動提取的自動化讀片方法，其中的核心方法包括腦白質、灰質、腦脊液的自動分割以及不同區(qū)域的腦白質損傷體積的自動測算。

3、本發(fā)明提供的方法可以融入軟硬件開發(fā)，制成智能讀片機器人、APP，進而可以大幅度提升腦卒中的診斷水平和預防水平，將以大數據智能運算整合腦影像特征、基因信息、生理指標與腦卒中高危險因子，建立腦卒中的預防管理機制，并適度給予干預與治療，以預防及降低腦卒中的發(fā)生。這必將降低腦卒中的致殘率、復發(fā)率與死亡率，提升醫(yī)療時效，并建立腦卒中病患族群的醫(yī)療、康復與愈后大數據庫，建立醫(yī)療規(guī)范與最佳康復策略，提升腦卒中的治愈率；以上內容可以在腦卒中以及未來其他重大腦疾病的智能診療中發(fā)揮巨大的作用，具備極大的市場潛力，經濟與社會效益。

4、本發(fā)明利用成像體素變化的特點，結合特定神經解剖的結構，利用智能化方法可以比目測法更好的分辨效果，能夠自動化對不同解剖結構放射學表現異常部位自動歸納分析，得到具體數值?？晒┡R床醫(yī)師判斷并定期隨訪損傷部位、嚴重程度。

5、在每個變換步驟均由神經科醫(yī)師對結果進行逐一檢查，確保映射結果正確，進一步提高本發(fā)明的準確率，最終提出高智能自動化得到神經通路異常值的讀片方法。

附圖說明

通過閱讀參照以下附圖對非限制性實施例所作的詳細描述，本發(fā)明的其它特征、目的和優(yōu)點將會變得更明顯：

圖1為腦卒中智能讀片示意圖，其中，畫圈處為識別出的腦白質發(fā)生損傷的部位；

圖2為本發(fā)明流程演示圖；

圖3為本發(fā)明與人工讀片的結果評分比較圖。

具體實施方式

下面對本發(fā)明的實施例作詳細說明：本實施例在以本發(fā)明技術方案為前提下進行實施，給出了詳細的實施方式和具體的操作過程。應當指出的是，對本領域的普通技術人員來說，在不脫離本發(fā)明構思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。

實施例

本實施例提供了一種通用智能自動化讀片方法，包括如下步驟：

步驟S1，首先獲得樣本大腦檢測影像(如CT影像和/或MRI影像)的基礎結構影像與待測結構影像數據。

步驟S2，在對待測結構影像的數據處理過程中，采用一套基于影像信號強度的自動化算法，將待測結構影像上的異常信號點找出，繪制蒙版；

具體為，針對待測結構影像上的異常信號值進行分析，包括：

步驟S21，通過樣本大腦待測結構影像的影像掃描值大小將人腦(樣本大腦)與周邊背景噪音區(qū)分并提?。?/p>

步驟S22，將樣本大腦的二維分層掃描的待測結構影像合并為三維待測結構影像；

步驟S23，將三維待測結構影像粗略地線性剛體與標準待測結構影像進行比較；

步驟S24，找出標準待測結構影像上面皮層、神經核團、神經通路(卒中常發(fā)區(qū)域)的位置；

步驟S25，通過標準待測結構影像上S24所給出的特定區(qū)域位置的影像掃描值大小，將三維待測結構影像異常信號點找出，繪制蒙版。

步驟S3，之后將蒙版基于待測結構影像剛體變換到基礎結構影像之上。

步驟S4，之后基于Cost function(損失函數)的算法，將蒙版覆蓋后的樣本大腦基礎結構影像與標準空間(Montreal Neurological Institute，MNI)進行配準，獲得轉換矩陣(Transformation matrix)，從而將樣本大腦根據轉換矩陣映射至標準腦模板(MNI template)，重采樣分辨率至1×1×1mm³。

步驟S5，采用SPM軟件自帶的Segmentation(分割)算法，將大腦分為灰質(grey matter)、白質(white matter)和腦脊液(CSF)。

步驟S6，在步驟S5的基礎上，同樣利用步驟S4所得的轉換矩陣，也將待測結構影像映射至標準腦模板。

步驟S7，提取每個樣本大腦在神經通路蒙版內的待測信號，并計算異常高信號值的體素數量。

進一步地，每個變換步驟均由神經科醫(yī)師對映射結果進行逐一檢查，確保映射結果正確。

進一步地，還包括如下步驟：

在一組訓練集上比較步驟S7提取的信息(異常高信號值的體素數量)與多名神經科醫(yī)生手動得出的信息，并進行擬合，從而可以最終得出神經通路待測異常值的通用智能自動化讀片方法。

下面結合附圖對本實施例進一步描述。

卒中(Stroke)，又稱作腦血管事件(Cerebrovascular Event、CVE)、腦血管意外(Cerebrovascular Accident、CVA)、腦血管病變(Cerebrovascular Insult、CVI)或腦病突發(fā)(Brain Attack)，是指腦部缺血造成的腦細胞死亡。卒中分為兩種類型：一種是由血管阻塞所造成的缺血性腦卒中；一種是由出血所造成的出血性腦卒中。不論是缺血性或是出血性腦卒中都會造成腦功能異常。常見的卒中癥狀包括無法移動單側的肢體或者是一邊的身體沒有感覺、無法理解別人的話、不能說話、感覺天旋地轉、其中一邊的視野看不到等等。卒中的癥狀通常在發(fā)生后很快就會出現，如果癥狀在一兩小時內消失，我們有時會稱它為“暫時性腦缺血(Transient ischemic attack、TIA)”。出血性卒中的患者可能會伴隨著突發(fā)而嚴重的頭痛。卒中的癥狀有可能會成為永久性的后遺癥，卒中的患者也可能會有肺炎、尿失禁等長期后遺癥。卒中患者如果能盡快接受治療，可以減少留下永久損傷的機會。

在磁共振影像中，有一種特殊的掃描序列，被稱之為，FLAIR序列，也就是通俗所說的壓水像，在這個序列中，腦灰質是高信號，也就是亮一些的，腦白質是低信號－－這些類似于T2WI序列－－但是在壓水像上，腦脊液的信號是低的，也就是黑色的。這也是之所以稱之為壓水像的原因。FLAIR序列可發(fā)現驗證腦小血管病等隱匿性卒中。

膽堿通路(神經通路)白質上的異常FLAIR高信號是一個甄別卒中早期認知功能下降高風險病人的良好手段，但受限于熟練影像科醫(yī)生的數量不足，這項指標遲遲得不到大量推廣。本實施例利用類腦人工智能算法，在影像數據的基礎上，實現了針對卒中病人磁共振數據膽堿通路指標分數的自動提取。

如圖2所示，選取具有不同膽堿通路白質異常FLAIR高信號評分(熟練影像科醫(yī)生人工識別得出)的四個樣本。之后，通過通用智能自動化讀片方法對其進行分析，具體為：

首先針對CT和/或MRI影像上的異常信號值進行分析。第一步先是通過CT和/或MRI影像的影像掃描值大小將人腦與周邊背景噪音區(qū)分并提取。第二步將二維分層掃描的CT和/或MRI影像合并為三維CT和/或MRI影像。第三步將三維CT和/或MRI影像粗略地線性剛體與標準CT和/或MRI影像進行比較。第四步找出標準CT和/或MRI上面諸如基底節(jié)等部分的區(qū)域位置。第五步通過標準CT和/或MRI影像特定部分的影像掃描值大小將CT和/或MRI影像異常信號點找出，繪制蒙版。之后將蒙版基于CT和/或MRI影像剛體變換到T1-weighted結構影像(基礎結構影像)之上。之后基于Cost function的算法，將蒙版覆蓋后的樣本個體腦T1-weighted結構影像(基礎結構影像)與(Montreal Neurological Institute，MNI)標準空間進行配準，獲得轉換矩陣(Transformation matrix)，從而將樣本大腦根據轉換矩陣映射至標準腦模板(MNI template)，重采樣分辨率至1×1×1mm³。采用SPM軟件自帶的Segmentation算法，將大腦分為灰質(grey matter)、白質(white matter)和腦脊液(CSF)。同樣利用所得的轉換矩陣，也將FLAIR結構影像(待測結構影像)映射至標準腦模板。最后，提取了每個樣本大腦在膽堿通路蒙版內的FLAIR信號(待測信號)，并計算了異常高信號值的體素數量。如此可以發(fā)現，通過本實施例提供的通用智能自動化讀片方法找出的FLAIR信號異常的白質體積確實隨著人工識別的評分升高而升高。從而說明了通用智能自動化讀片方法的可行性。

如圖3所示，在300例病人上面，通過通用智能自動化讀片方法得出的分數與人工得出的評分高度相關。并且它們之間的誤差不到15％。

以上對本發(fā)明的具體實施例進行了描述。需要理解的是，本發(fā)明并不局限于上述特定實施方式，本領域技術人員可以在權利要求的范圍內做出各種變形或修改，這并不影響本發(fā)明的實質內容。