AI技术在颅脑影像的应用

最近尝试把视频中动作识别的一些方法融合进入医学图像的目标检测和分类问题中,看到几篇很不错的文章,略作小结。

MRI、CT(三维图像)之类的医疗图像和视频非常类似——它们都是在第三个维度上对二维空间信息进行编码。要建立一个能够捕获时空信息的构架,可以有以下策略:1)一个网络同时捕捉时空信息或者两个网络,分别得到时间和空间信息。2)跨多个剪辑的融合预测。3)端到端训练或者特征提取分类。

医疗图像与传统的动作识别有不同点:医学图像时间上下文可能不如动作识别那样重要。例如,头部大出血 CT 扫描检测应该较少涉及跨片段的时间上下文。颅内大出血能够从单个片段中检测出来。与之相反的是,从胸部 CT 扫描中进行肺结节检测会涉及捕捉时间上下文,因为结节与支气管和血管在二维扫描中看起来都像圆形物体。只有捕捉三维上下文,球形物体的结节才能与圆柱形物体的血管区分开。

在讨论颅脑影像处理前,先理解几个概念。

颅内出血:(intracerebral hemorrhage,缩写:ICH )是指脑中的血管破裂引起出血,因此由血管获得血液的脑细胞受到破坏的同时,由于出血压迫周围的神经组织而引起障碍。根据出血点位置不同,颅内出血有很多类别,包括脑实质出血intraparenchymal (IPH), 脑室出血intraventricular (IVH), 硬膜下出血subdural (SDH), 硬膜外出血extradural (EDH)和蛛网膜下出血subarachnoid (SAH), and 颅顶骨折。

中线偏移:正常情况下脑中线是居中的,当颅腔内某一分腔有占位性病变时,该分腔的压力比邻近分腔的压力高,脑组织从高压区向低压区移位,从而引起一系列临床综合征,称为脑疝。脑疝会引起脑中线偏移。

占位效应:往往由胶质瘤引起,从名称可以理解异常组织对正常脑空间产生挤压,引发的一系列头痛、恶心及呕吐等反应。


常见颅脑问题

脑CT是临床常用方法,分析颅脑影像是一个紧急性和时效性兼备的任务。潜在的脑出血患者需要及时进行手术,此外,脑骨折也是一类容易被忽略疾病,特别是当骨折点位于轴向面时。因此,基于深度学习的颅脑影像分析方法有其临床医学价值。

训练一个可以准确分类和定位脑损伤的深度学习网络,在需要大量标注数据的同时,网络本身的设计也会面临种种问题。一个是CT图像集是三维的,由于“维度灾难”,增加一个维度会使得计算量呈指数上升;另一个问题是缺乏可用于迁移学习的预训练权重,目前大部分研究理念都借助于使用预训练的二维卷积神经网络作为起点来获取更好的收敛结果。就医疗图像来说,没有这样可用的预训练网络。

有一些比较新的针对这些问题的解决方案,比如在颅内出血的分类问题上,使用ResNet18,该方法对网络结构做了修改,在最后一层用了五层FC取代原来的一层FC;颅内出血的定位上,用Unet去预测每个像素;在诊断占位效应和中线偏移时使用ResNet18; 在诊断颅骨骨折时;利用目标识别中的box去识别骨折处的位置。

你可能感兴趣的:(AI技术在颅脑影像的应用)