[發明專利]一種基于深度學習的三維腦積水CT圖像分割方法

在審

• 申請號: 202211215390.5
• 申請日: 2022-09-30
• 公開（公告）號: CN115409857A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 顏成鋼;張帥杰;劉思危;孫垚棋;陳楚翹;王鴻奎;胡冀;高宇涵;朱尊杰;何敏;殷海兵;張繼勇;李宗鵬
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明公開了一種基于深度學習的三維腦積水CT圖像分割方法，包括以下步驟：步驟(1)、獲取數據集；步驟(2)、數據預處理；步驟(3)、構建殘差U?net卷積網絡模型；步驟(4)、通過預處理后的數據對構建的殘差U?net卷積網絡模型進行訓練；步驟(5)、將測試數據輸入訓練好的殘差U?net卷積網絡模型，對模型進行測試。本發明引入殘差卷積作為基本卷積單元，增強分割模型得魯棒性本發明基于深度學習對CT圖像中的腦室區域構建三維分割模型，充分利用數據在三維空間上帶來的優勢，探究高維度信息給模型帶來的可能性，提高最終表現效果的準確度。

技術領域

本發明涉及計算機視覺，深度學習中醫學圖像區域分割等領域，也咨詢了專業醫生評估術后的恢復指標。

背景技術

腦積水是一種腦部疾病,其通常表現為腦室的異常擴張，進而壓迫了其他腦組織，存在著巨大的風險。腦室的定量評估對于早期檢測和治療監控都是必要的，而相關工作都必須基于醫學圖像中感興趣區域(region of interest，ROI)的分割，但目前相關的研究工作還比較少。

腦室在醫學圖像中通常會呈現出不規則邊界和區域模糊的狀態，這對相關工作的進行帶來了困難。基于傳統的方法通常只能針對固定特征的目標，難以對多態變化的目標進行有效的提取，因此采用傳統的方法較難開展相關工作。深度學習(Deep Learning，DL)是一種模仿人類神經元設計的算法模型，其最突出的特性在于可以通過自我學習的方式來完成任務目標，而不需要特定的設計數據特征，并且存在強擬合的特性，相比傳統方法有著巨大的優勢 。因此，開始有研究者基于深度學習的方法來對醫學圖像中腦室區域的分割進行研究。

Klimont等人提出了基于U-Net卷積神經網絡的應用，證明了基于深度學習的方法可以在CT圖像的腦室區域分割中達到幾近人類水平的表現，表明了深度學習模型具有潛在的實際應用前景，這鼓勵了在此領域上的進一步研究和促進了在臨床環境中的實施。該研究使用了CT圖像作為研究數據，并使用了包括1cycle學習率策略、遷移學習、廣義dice損失函數、混合浮點精度、self-attention和數據增強等模型方法。但該研究使用的數據量較少，在統計意義上缺乏驗證性，并且僅利用了二維圖像而沒有探究和利用醫學圖像在三維空間上的優勢。

Ono等人提出了一種基于2.5維空間的U-Net方法和基于遷移學習的深度學習方法，用于分割醫學圖像中患有腦積水病情的嬰兒的腦室。該研究中應用了一種結合低級特征和高級特征的網絡架構來提高學習效率并保持切片方向的相關性，同時模型應數量較多的成人數據集的遷移學習來處理腦積水嬰兒的數據。該研究證明了的高維空間對模型表現的有效性，并且表明了數據對獲取魯棒性模型的重要性，但其仍然沒有對完全基于三維的數據進行研究。

目前尚且沒有基于三維CT醫學圖像的腦積水定量估計相關的研究。本研究擬通過獲取腦積水患者治療前后頭部的CT醫學圖像，結合醫學圖像特征信息，采用基于深度學習方法來對CT圖像中的腦室區域進行分割，對腦室區域進行有效定量進而評估腦積水術后的治療質量，提高醫學圖像帶來的臨床診斷價值。

發明內容

針對現有技術中存在的不足，本發明提出一種基于深度學習的三維腦積水CT圖像分割方法。該方法可以更加方便快捷的判斷病人術后的恢復情況，幫助醫生更快速更精準的做出判斷。