基于深度学习和磁共振影像的盆底量化评估方法和系统

1.本发明涉及人工智能技术领域，尤其涉及一种基于深度学习和磁共振影像的盆底量化评估方法和系统。


背景技术：

2.当盆底的组织和肌肉不再支撑盆腔器官导致盆腔器官从正常位置下降(脱垂)时，就会发生盆腔器官脱垂(pelvic organ prolapse,pop)，产生盆腔器官的向下位移和异常变形。
3.磁共振成像(magnetic resonance imaging，mri)可用于盆腔器官脱垂的量化分析。这种基于mri的盆腔器官脱垂的定量分析通常需要基于一些参考线或者关键标志点来测量并确定骨盆腔器官的位置，这些参考线包括耻骨中线(mid-pubic line，mpl)和骶尾下耻骨点(sacrococcygeal inferior
–
pubic point，scipp)线。
4.但是，在成像过程中，这些参考线和骨盆腔器官的标志点的标注需要医生手动进行，且分析结果无法实现在线可视化，盆底图像测量评估误差较大，效率较低。


技术实现要素：

5.本发明提供一种基于深度学习和磁共振影像的盆底量化评估方法和系统盆底量化评估方法，用以至少部分解决现有技术中盆底器官基于磁共振影像的量化分析过程中，图像测量评估误差大、效率低、及测评结果不便于可视化的缺陷。
6.本发明提供一种基于深度学习和磁共振影像的盆底量化评估方法盆底量化评估方法，所述方法包括：
7.获取目标位置的原始图像，所述原始图像包括盆底静态磁共振图像和盆底压力磁共振图像；
8.响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果。
9.根据本发明所提供的盆底量化评估方法，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果，具体包括：
10.根据所述图像量化分析评估模型和盆底静态磁共振图像，生成静态图像量化结果；
11.根据所述图像量化分析评估模型和盆底压力磁共振图像，生成压力图像量化结果；
12.基于所述静态图像量化结果和压力图像量化结果，得到所述目标位置的图像量化分析和评估结果。
13.根据本发明所提供的盆底量化评估方法，生成所述目标位置的图像量化分析和评估结果，之后还包括：
14.存储所述图像量化分析和评估结果。图像量化分析评估模型根据本发明所提供的
盆底量化评估方法盆底量化评估方法，所述图像量化分析评估模型为盆底脱垂评估关键点定位模型，所述图像量化分析和评估结果为目标位置的定位结果；
15.响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果，具体包括：
16.响应于生成定位结果的操作指令，基于预先训练的盆底脱垂评估关键点定位模型和所述原始图像，生成所述目标位置的定位结果；
17.其中，所述盆底脱垂评估关键点定位模型是利用具有定位标注结果的图像样本训练得到的。
18.根据本发明所提供的盆底量化评估方法盆底量化评估方法，训练所述盆底脱垂评估关键点定位模型，具体包括：
19.获取目标位置的第一原始图像样本，并在所述第一原始图像样本上标注出盆底关键点的定位结果，以得到具有定位标注结果的图像样本；
20.利用卷积神经网络对具有定位标注结果的图像样本进行训练，以得到盆底脱垂评估关键点定位模型；
21.获取所述盆底脱垂评估关键点定位模型的预测结果和具有定位标注结果的图像样本的真实标注结果之间的差值；
22.利用所述差值迭代优化所述盆底脱垂评估关键点定位模型，直至模型预测结果达到阈值时停止迭代。
23.根据本发明所提供的盆底量化评估方法盆底量化评估方法，所述图像量化分析评估模型为盆底器官分割模型；
24.响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果，具体包括：
25.响应于生成分割结果的操作指令，基于预先训练的盆底器官分割模型和所述原始图像，对所述原始图像进行器官分割，得到器官分割结果；
26.基于所述器官分割结果，生成所述目标位置中目标器官的三维重建结果；
27.其中，盆底器官分割模型是利用具有分割结果的图像样本训练得到的。
28.根据本发明所提供的盆底量化评估方法盆底量化评估方法，训练所述盆底器官分割模型，具体包括：
29.获取目标位置的第二原始图像样本，并在所述第二原始图像样本上进行位置分割，以得到具有分割结果的图像样本；
30.利用卷积神经网络对具有分割结果的图像样本进行训练，以得到盆底器官分割模型；
31.计算所述盆底器官分割模型的预测结果的损失函数；
32.利用所述损失函数值迭代优化所述盆底器官分割模型，直至损失函数低于损失阈值时停止迭代。
33.根据本发明所提供的盆底量化评估方法盆底量化评估方法，响应于生成结果信息的操作指令，之前还包括：
34.将预先训练的图像量化分析评估模型生成插件，并布置于开源软件平台上，所述开源软件平台用于响应所述操作指令。
35.本发明还提供一种基于深度学习和磁共振影像的盆底量化评估系统，所述系统包括：
36.图像获取单元，用于获取目标位置的原始图像，所述原始图像包括盆底静态磁共振图像和盆底压力磁共振图像；
37.结果生成单元，用于响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成并存储所述目标位置的图像量化评估结果。
38.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度学习和磁共振影像的盆底量化评估盆底量化评估方法。
39.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度学习和磁共振影像的盆底量化评估盆底量化评估方法。
40.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于深度学习和磁共振影像的盆底量化评估盆底量化评估方法。
41.本发明提供的基于深度学习和磁共振影像的基于深度学习和磁共振影像的盆底量化评估盆底量化评估方法和系统，通过获取目标位置的原始图像，响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果。本发明所提供的方法和系统在实施过程中，可根据操作指令调取预存的图像量化分析评估模型，并生成对应的图像量化分析和评估结果，使得盆底器官的磁共振影像测评效率得以提高；同时可以将分析结果以可视化的方式呈现在图形用户界面上。这样，本发明所提供的盆底量化评估方法和系统，解决了现有技术中盆底器官基于磁共振影像的量化评估过程中，图像测量评估误差大、效率低、及测评结果不便于可视化的缺陷。
附图说明
42.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
43.图1为本发明提供的盆底量化评估盆底量化评估方法的流程示意图之一；
44.图2为本发明提供的盆底量化评估盆底量化评估方法的流程示意图之二；
45.图3为图2所示方法中盆底脱垂评估关键点定位模型训练流程示意图；
46.图4为图3所示模型训练中盆底关键点定位结果的场景图；
47.图5为用于训练图3所示模型的卷积神经网络的网络结构图；
48.图6为本发明提供的盆底量化评估盆底量化评估方法的流程示意图之三；
49.图7为图6所示方法中盆底器官分割模型训练流程示意图；
50.图8为用于训练图7所示模型的卷积神经网络的网络结构图；
51.图9为本发明所提供的模型加载于开源软件场景下的操作界面示意图；
52.图10为本发明提供的盆底量化评估系统的结构示意图之一；
53.图11为本发明提供的盆底量化评估系统的结构示意图之二；
54.图12为本发明提供的电子设备的结构示意图。
55.附图标记：
56.1210：处理器；1220：通信接口；1230：存储器；
57.1240：通信总线。
具体实施方式
58.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
59.下面结合图1-图10描述本发明的盆底量化评估方法，本发明实施例以女性盆底智能量化评估场景为例。
60.请参考图1，图1为本发明提供的盆底量化评估方法的流程示意图之一。
61.在一种具体实施方式中，如图1所示，本发明所提供的基于深度学习的盆底量化评估方法包括以下步骤：
62.s101：获取目标位置的原始图像。在实际使用场景中，该原始图像可以是预先输入的图像，也可以是利用医疗设备实时采集到的图像，例如核磁共振得到的图像等。在该实施例中，以女性盆底量化为例，原始图像为核磁共振得到的图像，原始图像包括盆底静态磁共振图像和盆底压力磁共振图像。其中，目标位置即为整个盆腔区域或者盆腔的部分区域，例如，膀胱区域或子宫区域等。
63.s102：响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果。
64.具体地，根据所述图像量化分析评估模型和盆底静态磁共振图像，生成静态图像量化结果；
65.根据所述图像量化分析评估模型和盆底压力磁共振图像，生成压力图像量化结果；
66.基于所述静态图像量化结果和压力图像量化结果，得到所述目标位置的图像量化分析和评估结果。
67.进一步地，生成所述目标位置的图像量化分析和评估结果，之后还包括：
68.存储所述图像量化分析和评估结果。
69.本发明所提供的方法可基于开源软件平台实现，例如3d slicer，需要说明的是，本发明以3d slicer为例，但是基于深度学习和磁共振影像的盆底量化评估方法和系统的实现并不局限于3d slicer的平台。
70.在上述具体实施方式中，本发明提供的基于深度学习的盆底量化评估方法，通过获取目标位置的原始图像，响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果，并存储所述图像量化分析和评估结果。本发明所提供的方法和系统在实施过程中，可根据操作指令调
取预存的图像量化分析评估模型，并根据输入的括盆底静态磁共振图像和盆底压力磁共振图像，生成所述目标位置的图像量化分析和评估结果；这样，本发明所提供的盆底量化评估方法和系统，解决了基于磁共振影像的量化评估过程中，图像测量评估误差大、效率低、及测评结果不便于可视化的缺陷。
71.在检测盆腔器官是否存在脱垂的具体使用场景中，盆底量化评估得到的结果一般为定位结果和目标器官的三维重建结果。其中，由于盆腔器官脱垂的定量评估通常需要基于一些参考线或者关键标志点来测量并确定骨盆腔器官的位置，这些参考线包括耻骨中线(mid-pubic line，mpl)和骶尾下耻骨点(sacrococcygeal inferior
–
pubic point，scipp)线定位结果则可作为本发明所提供的图像识别方法的定位结果。
72.为了实现对上述关键点的定位，本发明所提供的盆底量化评估方法中，所述图像量化分析评估模型为盆底脱垂评估关键点定位模型，所述图像量化分析和评估结果为目标位置的定位结果。
73.据此，在一些实施例中，如图2所示，响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果；存储所述图像量化分析和评估结果，具体包括以下步骤：
74.s201：响应于生成定位结果的操作指令，基于预先训练的盆底脱垂评估关键点定位模型和所述原始图像，生成所述目标位置的定位结果；
75.s202：存储所述图像量化分析和评估结果。
76.其中，所述盆底脱垂评估关键点定位模型是利用具有定位标注结果的图像样本训练得到的。
77.进一步地，如图3所示，根据本发明所提供的盆底量化评估方法，训练所述盆底脱垂评估关键点定位模型，具体包括以下步骤：
78.s301：获取目标位置的第一原始图像样本，并在所述第一原始图像样本上标注出盆底关键点的定位结果，以得到具有定位标注结果的图像样本。
79.具体地，在对样本数据集进行处理时，例如，可以在已存在盆腔器官脱垂的妇女中，随机选取96名妇女的中央矢状位的核磁共振图像，包括54张静息状态的图像和42张受腹压状态的图像，使用人工标注耻骨联合和骶骨作为参考进行定位，将这些核磁共振图像作为第一原始图像样本。
80.以人工标注的方式在各第一原始图像样本中标注出盆底关键点的定位结果，如图4所示，这些盆底关键点包括软组织关键点(宫颈骨[p1])，以及三个骨关键点(mpl终点[p2和p3]和scipp线终点[p3和p4])，从而得到具有定位标注结果的图像样本。在训练深度学习模型时，为节省计算时间，mri大小调整为256
×
256像素，并将数据集随机分为训练集和测试集，例如，训练集可包括73张图像，测试集可包括23张图像。
[0081]
应当理解的是，图像样本的数量越多，模型训练的准确度越高，图像样本的具体数量、训练集的具体图像数量，以及测试集的具体图像数量均为举例说明，并非任何限定。
[0082]
s302：利用卷积神经网络对具有定位标注结果的图像样本进行训练，以得到盆底脱垂评估关键点定位模型。
[0083]
在利用上述图像样本进行训练时，可采用卷积神经网络实现样本训练。卷积神经网络(cnn)是深度学习方法的实现，通常用于面向图像的任务，本发明通过训练一个深度卷
积神经网络来定位盆底关键点。具体地，如图5所示，输入的mri经过cnn模型的不同层，最终输出预测结果。该模型具有编码器-解码器模型结构，即左侧部分从输入中提取特征信息，右侧部分将根据特征信息进行预测。编码器和解码器之间的几个“桥”，称为跳跃连接，用于促进网络内信息流动并避免过度拟合。由于使用了监督学习，因此使用配对的输入和输出数据来训练模型。
[0084]
s303：获取所述盆底脱垂评估关键点定位模型的预测结果和具有定位标注结果的图像样本的真实标注结果之间的差值；也就是说，将测试集中的样本依次输入训练出的模型，得到该样本的预测结果后，将该预测结果与测试集中样本上已经标注好的真实标注结果进行比较，得到两者的差值，以供模型优化。
[0085]
s304：利用所述差值迭代优化所述盆底脱垂评估关键点定位模型，直至模型预测结果达到阈值时停止迭代。
[0086]
也就是说，训练通过最小化模型预测结果和真实标注之间的差异来迭代优化模型，以确保模型学习此任务背后的一般性特征。在该实施例中，由于样本数较少导致训练数据集不够大(深度学习模型通常使用“大数据”进行训练)，可采用迁移学习算法，首先基于人类骨骼特征点定位数据集训练盆底脱垂评估关键点定位模型得到预训练模型，再继续使用盆腔mri数据集训练预训练模型，以得到优化后的盆底脱垂评估关键点定位模型。
[0087]
更进一步地，为了对该盆底脱垂评估关键点定位模型进行评估，使用均方误差(mean squared error，mse)来测量预测值与真实值之间的差异并优化模型，其定义如下：
[0088][0089]
其中，c为4，这是标志点的数量；n是输出特征图上的像素数；p
cn
是c
th
预测特征图上第n个位置的像素值；g
cn
是c
th
真实特征图上第n个位置的像素值。
[0090]
在模型测试过程中，使用预测坐标和真实坐标之间的平方根误差(root square error，rse)来评估模型的性能，其定义如下：
[0091][0092]
其中p
x
和py是一个预测标志点的x和y坐标，g
x
和gy是此标志点的真实坐标。
[0093]
由于参考线对于盆底器官脱垂的定量分析至关重要，该实施例中还可以根据其长度和方向与真实情况之间的差异，评估mpl和scipp线的预测性能。参考线的长度定义如下：
[0094][0095]
其中，g
1x
和g
1y
是参考线第一个端点的x和y坐标；g
2x
和g
2y
是参考线第二个端点的x和y坐标。因此，直线的角度可以如下计算：
[0096][0097]
从原理上来讲，器官分割对于三维几何模型重建，对患者特定的盆腔器官脱垂的生物力学计算机有限元准确模拟评估至关重要，而现有技术采用的手动分割方法不仅耗时，而且分割准确性较差。在一些实施例中，本发明采用深度学习方法解决上述问题，由于卷积神经网络(cnn)通常不依赖于对数据的太多先验知识，并且它使用来自不同受试者的
mr数据进行训练，具有良好的泛化能力，从而能够通过三维模型重建提高了图像中器官分割的效率和准确性。据此，在基于盆底区域进行图像识别时，除了上述对定位结果的处理外，还可基于盆腔器官分割进行三维模型的重建。
[0098]
为了实现盆底器官的三维几何重建，本发明所提供的盆底量化评估方法中，所述图像量化分析评估模型为盆底器官分割模型，具体地，盆底器官分割模型先分割出区域，再进行三维几何重建。
[0099]
此时，如图6所示，响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果，具体包括以下步骤：
[0100]
s601：响应于生成分割结果的操作指令，基于预先训练的盆底器官分割模型和所述原始图像，对所述原始图像进行器官分割，得到器官分割结果；
[0101]
s602：基于所述器官分割结果，生成并存储所述目标位置中目标器官的三维重建结果；
[0102]
其中，盆底器官分割模型是利用具有分割结果的图像样本训练得到的。
[0103]
在深度cnn分割模型中，将多分辨率特征金字塔(mrfp)模型插入u-net跳跃连接中，以捕获来自不同尺度的语义信息，从而提高模糊区域的分割性能。采用深度可分离卷积技术改进了编码器网络卷积。迁移学习用于处理不充分的训练数据。在后处理中，使用水平集方法来进一步提高cnn性能。
[0104]
据此，如图7所示，根据本发明所提供的盆底量化评估方法，训练所述盆底器官分割模型，具体包括以下步骤：
[0105]
s701：获取目标位置的第二原始图像样本，并在所述第二原始图像样本上进行分割，以得到具有分割结果的图像样本。
[0106]
具体地，在对样本数据集进行处理时，例如，可以在已存在盆腔器官脱垂的妇女中，随机选取24个病例的共528张mri(核磁共振图像)作为第二原始图像样本，在每张第二原始图像样本中分别标注子宫、直肠、膀胱和肛提肌的轮廓，以生成具有分割结果的图像样本。
[0107]
s702：利用卷积神经网络对具有分割结果的图像样本进行训练，以得到盆底器官分割模型。
[0108]
在一些实施例中，上述盆底器官分割模型的网络结构如图8所示。该模型具有编码器-解码器网络结构，为了提取不同尺度的上下文信息，在编码器和解码器之间的跳跃连接中使用了多分辨率特征金字塔(mrfp)模块。mrfp(multiresolution feature pyramid)模块能够捕获多尺度的上下文信息。为了合并多个尺度的上下文信息，采用了空洞卷积。每个mrfp模块由四个空洞卷积层和一个平均池化层组成。不同分支中的所有特征映射都连接在一起，用于解码器网络，卷积图层用于混合来自不同比例的要素图。编码器网络采用了xception的思想，利用深度可分离卷积来实现将无序卷积分解为通道卷积和逐点卷积。为了保留更多的细节，采用步长为2的卷积替换了池化层。
[0109]
s703：计算所述盆底器官分割模型的预测结果的损失函数。仍以上述模型结构为例，模型训练中采用两种不同的损失函数，即像素化多类交叉熵损失(ce)和多类dice损失(dl)：
[0110][0111][0112]
其中n＝5，表示背景、子宫、直肠、膀胱和肛提肌类，t
ln
是第l类第n个像素位置上的真实标记，p
ln
是第l类第n个像素位置的预测结果。
[0113]
使用四个指标进行单个器官分割评估，即dice相似系数(dsc)，平均对称表面偏差(asd)，相对绝对体积差(ravd)和器官检测召回率(odr)。它们的定义如下：
[0114][0115][0116][0117][0118]
其中s
t
和s
p
分别是真实标记和模型预测的表面，s
t
和s
p
是其中的对应点；v
t
和v
p
分别是真实标记和模型预测的体积；t
p
是正确检测到器官的图像数量，f
p
是未正确检测到同一器官的图像数量。
[0119]
s704：利用所述损失函数值迭代优化所述盆底器官分割模型，直至损失函数低于损失阈值时停止迭代。
[0120]
运行神经网络模型需要使用者具备计算机能力和python代码能力，在使用此方法进行实际操作时，经常需要专业人员操作，无法直接进行应用的推广。在后续程序更新的过程中也会存在此类问题。由于神经网络的开发与实验不是为医疗应用设计的，因此缺乏对临床环境中常见的接口和显示约定的支持。部署供临床研究人员使用的开发工具需要将代码转换为医学工作者所熟悉的方式，以最大限度地减少依赖关系并简化集成。
[0121]
因此，将该技术整合到易操作且结果可视化能力强的软件或设备上，只需要学会使用方法就可以获得图像量化分析和评估结果，为临床工作者使用深度学习模型提供了极大的便利。
[0122]
这样，为了提高可视化程度，且降低操作难度，根据本发明所提供的盆底量化评估方法，响应于生成结果信息的操作指令，之前还包括：
[0123]
将预先训练的图像量化分析评估模型集成为插件，并布置于开源软件平台上，所述开源软件平台用于响应所述操作指令。
[0124]
该开源软件平台可以为3d slicer，3d slicer是一种开源可扩展软件应用程序，用于医学图像计算和可视化。slicer将许多功能强大的开源项目集成到适合临床研究人员的最终用户应用程序中。slicer的使用不仅限于单个处理任务或研究应用程序，它具有很
强的通用性和可扩展性。尽管最近在开发高精度深度模型方面取得了进展，但在临床实践中部署这些技术需要将这些软件包和组件集成到现有平台中。此过程通常需要技术软件知识和对每个平台功能的详细了解。因此，经过医学培训的研究人员依旧会受到图像识别软件中已有工具的限制，从而产生与尖端技术间的差距。因此，需要将深度学习技术集成到医疗图像识别平台上。
[0125]
在该实施例中，将上述训练完成的盆底脱垂评估关键点定位模型和盆底器官分割模型两组模型打包并部署到3d slicer中，便于临床研究人员使用而无需进一步的软件开发与配置。与3d slicer的集成使用户能够利用其强大而通用的可视化和分析功能，并可以将传统的图像识别工具与深度学习方法相结合。根据规则将配置好的模型打包部署到3d slicer软件中，用户可以根据配置文件里的说明在3dslicer里加载我们的扩展包，扩展包名称为pelvic floor。
[0126]
也就是说，将实现自动盆底脱垂评估关键点的盆底脱垂评估关键点定位模型和盆底器官重建的盆底器官分割模型配置为一个扩展包，只需要在gui上操作，就可以实现调用模型对输入图像进行图像识别。
[0127]
以膀胱定位和三维重建为例，图9为在3d slicer中加载pelvic floor扩展包后，该扩展的具体功能组成部分包括图中的a-e部分。
[0128]
其中，a部分用于为静息(rest)状态下的盆底脱垂关键点自动评估提供操作指令。点击feature points，响应于该操作，模型会产生对输入mri的关键标志点以及关键参考线的预测结果，显示在gui右侧的界面中。定位结果生成后，可以任意添加想要测量的其他标志点，apply进行自定义标志点的添加，cancel进行标志点的删除，undo撤回操作。b部分用于rest状态到strain状态(valsalva)下的自动盆底标志点定位提供操作指令，操作过程同上。c部分对上述过程生成的最终标志点标记进行存储，并生成结果报告文件。结果可在操作界面上直接显示，点击generate report file，设置文件名与存储路径，可将结果报告存储。d部分实现了膀胱的三维重建，e部分是膀胱的三维重建结果，d部分集合了盆底器官自动三维重建的神经网络模型，使用者只需点击bladder 3d reconstruction，就会显示膀胱三维重建的结果。e部分为膀胱三维重建显示界面，可用鼠标拖动控制观测视图。
[0129]
应当理解的是，上述盆底脱垂评估关键点定位模型和盆底器官分割模型融合后，自动评估盆底脱垂关键点，为自动参考线测定和盆腔器官脱垂的量化分析提供了可行的解决方案，这对于大规模基于自动测量的盆底脱垂筛查、诊断和治疗计划至关重要。盆底脱垂评估关键点定位模型和盆底器官分割模型的融合，既实现了盆底脱垂关键点的自动评估，又同时进行盆底器官分割，两者结合可以更好地实现盆腔器官脱垂的图像量化分析和评估结果。
[0130]
除了上述方法，本发明还提供一种基于深度学习的盆底量化评估系统，下面对本发明提供的盆底量化评估系统进行描述，下文描述的盆底量化评估系统与上文描述的盆底量化评估方法可相互对应参照。
[0131]
在一种具体实施方式中，如图10所示，本发明提供的盆底量化评估系统包括：
[0132]
图像获取单元100，用于获取目标位置的原始图像，所述原始图像包括盆底静态磁共振图像和盆底压力磁共振图像；
[0133]
结果生成单元200，用于响应于生成结果信息的操作指令，基于预先训练的图像量
化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果；
[0134]
结果存储单元300，存储所述图像量化分析和评估结果。
[0135]
在一些实施例中，所述图像量化分析评估模型为盆底脱垂评估关键点定位模型；
[0136]
此时，结果生成单元200，用于响应于生成定位结果的操作指令，基于预先训练的盆底脱垂评估关键点定位模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果；
[0137]
结果存储单元300，存储所述图像量化分析和评估结果；
[0138]
其中，所述盆底脱垂评估关键点定位模型是利用具有定位标注结果的图像样本训练得到的。
[0139]
训练所述盆底脱垂评估关键点定位模型，具体包括：
[0140]
获取目标位置的第一原始图像样本，并在所述第一原始图像样本上标注出盆底关键点的定位结果，以得到具有定位标注结果的图像样本；
[0141]
利用卷积神经网络对具有定位标注结果的图像样本进行训练，以得到盆底脱垂评估关键点定位模型；
[0142]
获取所述盆底脱垂评估关键点定位模型的预测结果和具有定位标注结果的图像样本的真实标注结果之间的差值；
[0143]
利用所述差值迭代优化所述盆底脱垂评估关键点定位模型，直至模型预测结果达到阈值时停止迭代。
[0144]
在一些实施例中，所述图像量化分析评估模型为盆底器官分割模型；
[0145]
则结果生成单元200，用于响应于生成分割结果的操作指令，基于预先训练的盆底器官分割模型和所述原始图像，对所述原始图像进行器官分割，得到器官分割结果；
[0146]
结果存储单元300，基于所述器官分割结果，生成并存储所述目标位置中目标器官的三维重建结果。
[0147]
其中，盆底器官分割模型是利用具有分割结果的图像样本训练得到的。
[0148]
训练所述盆底器官分割模型，具体包括：
[0149]
获取目标位置的第二原始图像样本，并在所述第二原始图像样本上进行分割，以得到具有分割结果的图像样本；
[0150]
利用卷积神经网络对具有分割结果的图像样本进行训练，以得到盆底器官分割模型；
[0151]
计算所述盆底器官分割模型的预测结果的损失函数；
[0152]
利用所述损失函数值迭代优化所述盆底器官分割模型，直至损失函数低于损失阈值时停止迭代。
[0153]
进一步地，为了降低系统对人工智能专业度的要求，提高可操作性和功能集成性，如图11所示，本发明提供的女性盆底智能量化评估系统，还包括：
[0154]
插件生成单元400，用于将预先训练的图像量化分析评估模型生成插件，并布置于开源软件平台上，所述开源软件平台用于响应所述操作指令。
[0155]
该开源软件平台可以为3d slicer，3d slicer是一种开源可扩展软件应用程序，用于医学图像计算和可视化。slicer将许多功能强大的开源项目集成到适合临床研究人员的最终用户应用程序中。slicer的使用不仅限于单个处理任务或研究应用程序，它具有很
强的通用性和可扩展性。尽管最近在开发高精度深度模型方面取得了进展，但在临床实践中部署这些技术需要将这些软件包和组件集成到现有平台中。此过程通常需要技术软件知识和对每个平台功能的详细了解。因此，经过医学培训的研究人员依旧会受到图像识别软件中已有工具的限制，从而产生与尖端技术间的差距。因此，需要将深度学习技术集成到医疗图像识别平台上。
[0156]
在该实施例中，将上述训练完成的盆底脱垂评估关键点定位模型和盆底器官分割模型两组模型打包并部署到3d slicer中，便于临床研究人员使用而无需进一步的软件开发与配置。与3d slicer的集成使用户能够利用其强大而通用的可视化和分析功能，并可以将传统的图像识别工具与深度学习方法相结合。根据规则将配置好的模型打包部署到3d slicer软件中，用户可以根据配置文件里的说明在3d slicer里加载我们的扩展包，扩展包名称为pelvic floor。
[0157]
也就是说，将实现盆底脱垂关键点自动评估的盆底脱垂评估关键点定位模型和盆底器官重建的盆底器官分割模型配置为一个扩展包，只需要在gui上操作，就可以实现调用模型对输入图像进行图像识别。
[0158]
在上述具体实施方式中，本发明提供的基于深度学习的女性盆底智能量化评估系统，通过获取目标位置的原始图像，响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果；存储所述图像量化分析和评估结果。本发明所提供的系统在实施过程中，可根据操作指令调取预存的图像量化分析评估模型，并生成对应的图像量化分析和评估结果，使得盆底器官的图像量化分析效率得以提高；这样，本发明所提供的女性盆底智能量化评估系统，解决了现有技术中盆底器官基于磁共振影像的量化评估过程中，图像测量评估误差大、效率低、及测评结果不便于可视化的缺陷。
[0159]
图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)1210、通信接口(communications interface)1220、存储器(memory)1230和通信总线1240，其中，处理器1210，通信接口1220，存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令，以执行基于深度学习的盆底量化评估方法，该包括：获取目标位置的原始图像；响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果；并存储所述图像量化分析和评估结果。
[0160]
此外，上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0161]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行
时，计算机能够执行上述各方法所提供的基于深度学习的盆底量化评估方法，该方法包括：获取目标位置的原始图像；响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果；并存储所述图像量化分析和评估结果。
[0162]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于深度学习的盆底量化评估方法，该方法包括：获取目标位置的原始图像；响应于生成结果信息的操作指令，基于预先训练的图像量化分析评估模型和所述原始图像，生成所述目标位置的图像量化分析和评估结果；并存储所述图像量化分析和评估结果。
[0163]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0164]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0165]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。