摘要
脑微出血(Cerebralmicrobleeds,CMB)是一种微小的慢性脑出血，被认为是中风、功能障碍、痴呆和认知障碍等疾病的诊断指标。检测CMB对于权衡中风患者抗血栓治疗和风险评估具有重要的临床意义，CMB检测对颅脑损伤的诊断和预后判断有重要价值。 据估计,全世界每年有5000万人受到脑外伤的影响，其中超过75％的病例是轻度脑外伤病例。脑外伤中CMB的高患病率使其成为监测疾病进展程度的标志物。因此，准确、可靠的CMB检测是必不可少的。然而CMB尺寸较小在SWI图像上显示为低强度的小球状或椭圆形区域。而且存在各种与CMB形状相似的噪声，如静脉、基底节中的铁沉积和钙化等。因此以前的CMB自动检测算法通常会受到大量假阳性的限制。而人工检测CMB既费时又容易出错。随着深度学习技术的快速发展，有学者提出应用深度学习技术进行脑微出血检测，相较于传统算法检测效果有了明显提升，但普通的2D卷积神经网络的输入是独立的二维切片，它更关注二维邻域信息，因此不能充分利用物体的三维空间特征。而3D卷积神经网络与2D卷积相比，3D卷积增加了图像深度通道，一般是视频的连续帧或者图像的多个切片，所以更适合医疗图像处理。 本文主要提出了一种基于深度学习的两阶段的CMB检测框架，该框架包括脑微出血候选点筛选阶段和基于深度学习的脑微出血点识别阶段。首先在第一阶段,我们通过快速径向变换和阈值分割相结合的方法进行CMB候选点的筛选，排除大量的背景区域和和明显的非CMB区域。然后在第二阶段,利用敏感度加权成像(SWI)和相位图(Pha)拼接的两通道图像通过3D卷积神经网络进行假阳性判断，区分真正的CMB和CMB类似物。
NETL