[發(fā)明專利]一種基于深度學習的腦血腫分割方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010517019.9
• 申請日: 2020-06-09
• 公開（公告）號: CN111754520B
• 公開（公告）日: 2023-09-15
• 發(fā)明（設(shè)計）人: 余南南;于賀
• 申請（專利權(quán)）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(wù)所 11569
• 代理人: 杜陽陽

本發(fā)明公開了一種基于深度學習的腦血腫分割方法及系統(tǒng)。該方法包括：構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)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，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；獲取腦CT樣本圖像；以腦CT樣本圖像為輸入，以腦CT樣本圖像中各像素點的出血情況為標簽，對神經(jīng)網(wǎng)絡(luò)模型進行訓練；采用訓練好的神經(jīng)網(wǎng)絡(luò)模型對待分割腦CT圖像進行腦出血識別。本發(fā)明能夠?qū)δXCT圖像中出血區(qū)域進行準確而高效的分割。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像分割技術(shù)領(lǐng)域，特別是涉及一種基于深度學習的腦血腫分割方法及系統(tǒng)。

背景技術(shù)

腦卒中屬于腦血管類疾病，主要是由非外腦性實質(zhì)內(nèi)血管破裂引起的出血所導(dǎo)致，其中導(dǎo)致腦出血的原因有很多種，例如高血壓，高血脂，糖尿病以及其他的心血管疾病，在生活中發(fā)病率極高，根據(jù)世界衛(wèi)生組織發(fā)布數(shù)據(jù)，每年的死亡人口中，約有百分之三十到四十是由于腦部出血所引起，目前腦出血已經(jīng)成為當今人類死亡率最高的疾病之一。然而目前關(guān)于定量測量疑似血腫區(qū)域體積的方法是很少的，快速、準確、可重復(fù)的體積估算對于許多醫(yī)學診斷、治療、評估是至關(guān)重要的，是決定病人是否需要動手術(shù)的一個重要指標，因此，精確的體積測量具有重要的臨床應(yīng)用價值。

圖像分割的目的就是改變對一幅圖像中感興趣的疑似病灶區(qū)域的描述，使其分析起來更加容易并且更有意義。然而醫(yī)學圖像不同于一般的圖像，常會伴隨著出現(xiàn)弱邊界、低對比度、強噪音等現(xiàn)象，正因為醫(yī)學圖像自身所具有多樣性和特殊性，才導(dǎo)致了分割的復(fù)雜性。目前，國內(nèi)外大部分醫(yī)院對患者顱內(nèi)疑似血腫體積的臨床測量主要是通過手動分割和人工計算兩大歩驟來實現(xiàn)的。手動分割極其浪費時間且非常艱辛，精確度和可重復(fù)性比較差。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于深度學習的腦血腫分割方法及系統(tǒng)。

為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種基于深度學習的腦血腫分割方法，包括：

構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)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(shù)，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(jīng)網(wǎng)絡(luò)模型進行訓練；

采用訓練好的神經(jīng)網(wǎng)絡(luò)模型對待分割腦CT圖像進行腦出血識別。

可選的，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(shù)，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(jié)構(gòu)參數(shù)相同。

可選的，所述采用訓練好的神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型，確定出血區(qū)域的位置。

可選的，所述采用訓練好的神經(jīng)網(wǎng)絡(luò)模型對待分割腦CT圖像進行腦出血識別，還包括：