[發明專利]基于動態地圖損失神經網絡的CT顱內出血檢測系統

有效

• 申請號: 202011641121.6
• 申請日: 2020-12-31
• 公開（公告）號: CN112651959B
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 樊昭磊;吳軍;曲榮芳;顏紅建;尚永生
• 申請（專利權）人: 眾陽健康科技集團有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06V10/44;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

1.一種基于動態地圖損失神經網絡的CT顱內出血檢測系統，其特征是：包括：

數據集獲取模塊，被配置為獲取腦部CT影像數據，標注顱內出血掩膜和背景；

特征提取模塊，被配置為多次循環執行卷積操作和最大池化操作，得到每次的特征輸出圖；

計算特征提取模塊，被配置為對特征輸出圖或聯合特征進行卷積操作處理后再進行反卷積操作，得到相應的計算特征圖；

聯合模塊，被配置為將計算特征圖與經過裁切操作后的不同次的特征輸出圖進行堆疊操作，得到相應的聯合特征；

分割模塊，被配置為對最后的特征輸出圖進行卷積操作，獲取最終的與輸入影像圖像尺寸一致的分割圖；

動態地圖損失計算模塊，被配置為將分割圖利用使用動態地圖損失函數計算分割圖與數據集獲取模塊中數據標注二者之間的損失，如果損失大于閥值則發送信號給優化模塊；

優化模塊，被配置為優化特征提取模塊、計算特征提取模塊、聯合模塊和分割模塊的參數；

所述計算特征提取模塊包括第五卷積模塊、第六卷積模塊和第一反卷積模塊，其中：

所述第五卷積模塊，接收第四特征輸出圖，進行卷積操作，得到第五特征輸出圖；

所述第六卷積模塊，接收第五特征輸出圖，進行卷積操作處理，得到第六特征輸出圖；

所述第一反卷積模塊，對第六特征輸出圖進行反卷積操作，將其高維特征往原圖掩膜的過渡性計算得到第一計算特征圖；

所述計算特征提取模塊還包括第七卷積模塊、第二反卷積模塊、第八卷積模塊、第三反卷積模塊、第九卷積模塊、第四反卷積模塊，其中：

所述第七卷積模塊接收第一聯合特征，進行卷積操作處理，得到第七特征輸出圖；

所述第二反卷積模塊，對第七特征輸出圖進行反卷積操作，將其高維特征往原圖掩膜的過渡性計算得到第二計算特征圖；

所述第八卷積模塊接收第二聯合特征，進行卷積操作處理，得到第八特征輸出圖；

所述第三反卷積模塊，對第八特征輸出圖進行反卷積操作，將其高維特征往原圖掩膜的過渡性計算得到第三計算特征圖；

所述第九卷積模塊接收第三聯合特征，進行卷積操作處理，得到第九特征輸出圖；

所述第四反卷積模塊，對第九特征輸出圖進行反卷積操作，將其高維特征往原圖掩膜的過渡性計算得到第四計算特征圖；

所述動態地圖損失計算模塊，使用動態地圖損失函數計算分割圖與數據標注二者之間的損失，如果損失小于閥值，則發送信號給數據集獲取模塊，重新獲取數據，如果損失大于閥值發送信號給優化模塊，使優化模塊動作；

動態地圖損失函數是在交叉熵損失函數的基礎上修改，具體計算方式為：

L＝-ylogy'-α(1-y)log(1-y')-β(1-y)log(1-y')

假設M為掩膜總像素數量，N為掩膜邊界像素數量：

掩膜的邊界部分像素數的定義為：由邊界像素點做兩次腐蝕運算，被腐蝕掉的點；若像素數量不支持完成兩次腐蝕運算，則該掩膜部分的損失按照交叉熵損失計算。

2.如權利要求1所述的一種基于動態地圖損失神經網絡的CT顱內出血檢測系統，其特征是：所述特征提取模塊，包括第一卷積模塊、第二卷積模塊、第三卷積模塊、第四卷積模塊、第一池化層、第二池化層、第三池化層、第四池化層，其中：

第一卷積模塊接收CT影像，對其進行卷積操作處理，得到第一特征輸出圖；

第一池化層對第一特征輸出圖進行最大池化操作，得到更新后的第一特征輸出圖；

第二卷積模塊接收更新后的第一特征輸出圖，對其進行卷積操作處理，得到第二特征輸出圖；

第二池化層對第二特征輸出圖進行最大池化操作，得到更新后的第二特征輸出圖；

第三卷積模塊接收更新后的第二特征輸出圖，對其進行卷積操作處理，得到第三特征輸出圖；

第三池化層對第三特征輸出圖進行最大池化操作，得到更新后的第三特征輸出圖；

第四卷積模塊接收更新后的第三特征輸出圖，對其進行卷積操作處理，得到第四特征輸出圖；

第四池化層對第四特征輸出圖進行最大池化操作，得到更新后的第四特征輸出圖。