[發明專利]一種基于深度學習的腦血腫分割方法及系統

有效

• 申請號: 202010517019.9
• 申請日: 2020-06-09
• 公開（公告）號: CN111754520B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 余南南;于賀
• 申請（專利權）人: 江蘇師范大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/0464;G06N3/045;G06N3/084
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 杜陽陽

1.一種基于深度學習的腦血腫分割方法，其特征在于，包括：

構建神經網絡模型，所述神經網絡模型包括若干順序連接的圖像信息壓縮模塊和若干順序連接的圖像信息融合模塊，其中，所述圖像信息壓縮模塊包括依次順序連接的第一自注意力卷積單元、第二自注意力卷積單元和池化層，所述圖像信息融合模塊包括依次順序連接的上采樣單元、特征圖拼接單元和第三自注意力卷積單元，所述第一自注意力卷積單元用于降低其輸入圖像的通道數，所述第二自注意力卷積單元用于對其輸入的圖像進行特征提取，所述池化層用于對其輸入的圖像進行降維處理，所述上采樣單元用于對其輸入的圖像進行上采樣，所述特征圖拼接單元用于將其輸入的采樣圖像與同一級第二注意力卷積單元輸出的降維圖像在通道方向拼接，所述第三自注意力卷積單元用于對拼接后的圖像進行多尺度融合；同一級的第二注意力卷積單元和特征圖拼接單元滿足如下條件：所述第二注意力卷積單元輸出圖像的維度與所述特征圖拼接單元輸入圖像的維度相同；

獲取腦CT樣本圖像；

以所述腦CT樣本圖像為輸入，以所述腦CT樣本圖像中各像素點的出血情況為標簽，對所述神經網絡模型進行訓練；

采用訓練好的神經網絡模型對待分割腦CT圖像進行腦出血識別。

2.根據權利要求1所述的基于深度學習的腦血腫分割方法，其特征在于，所述第三自注意力卷積單元包括順序連接的第一自注意力卷積子單元和第二自注意力卷積子單元，所述第一自注意力卷積單元用于降低其輸入圖像的通道數，所述第二自注意力卷積子單元與所述第二自注意力卷積單元的結構參數相同。

3.根據權利要求1所述的基于深度學習的腦血腫分割方法，其特征在于，所述采用訓練好的神經網絡模型對待分割腦CT圖像進行腦出血識別，具體包括：

將所述待分割腦CT圖像輸入訓練好的神經網絡模型，確定出血區域的位置。

4.根據權利要求3所述的基于深度學習的腦血腫分割方法，其特征在于，所述采用訓練好的神經網絡模型對待分割腦CT圖像進行腦出血識別，還包括：

統計出血像素點，根據出血像素點計算出血面積。

5.根據權利要求4所述的基于深度學習的腦血腫分割方法，其特征在于，所述采用訓練好的神經網絡模型對待分割腦CT圖像進行腦出血識別，還包括：

根據所述腦CT圖像的切片厚度、切片層數以及每層腦CT圖像的出血面積，計算腦血腫的體積。

6.一種基于深度學習的腦血腫分割系統，其特征在于，包括：

神經網絡模型構建模塊，用于構建神經網絡模型，所述神經網絡模型包括若干順序連接的圖像信息壓縮模塊和若干順序連接的圖像信息融合模塊，其中，所述圖像信息壓縮模塊包括依次順序連接的第一自注意力卷積單元、第二自注意力卷積單元和池化層，所述圖像信息融合模塊包括依次順序連接的上采樣單元、特征圖拼接單元和第三自注意力卷積單元，所述第一自注意力卷積單元用于降低其輸入圖像的通道數，所述第二自注意力卷積單元用于對其輸入的圖像進行特征提取，所述池化層用于對其輸入的圖像進行降維處理，所述上采樣單元用于對其輸入的圖像進行上采樣，所述特征圖拼接單元用于將其輸入的采樣圖像與同一級第二注意力卷積單元輸出的降維圖像在通道方向拼接，所述第三自注意力卷積單元用于對拼接后的圖像進行多尺度融合；同一級的第二注意力卷積單元和特征圖拼接單元滿足如下條件：所述第二注意力卷積單元輸出圖像的維度與所述特征圖拼接單元輸入圖像的維度相同；

樣本圖像獲取模塊，用于獲取腦CT樣本圖像；

神經網絡模型訓練模塊，用于以所述腦CT樣本圖像為輸入，以所述腦CT樣本圖像中各像素點出血情況為標簽，對所述神經網絡模型進行訓練；

腦出血識別模塊，用于采用訓練好的神經網絡模型對待分割腦CT圖像進行腦出血識別。

7.根據權利要求6所述的基于深度學習的腦血腫分割系統，其特征在于，所述第三自注意力卷積單元包括順序連接的第一自注意力卷積單元和第二自注意力卷積子單元，所述第一自注意力卷積單元用于降低其輸入圖像的通道數，所述第二自注意力卷積子單元與所述第二自注意力卷積單元的結構參數相同。