[发明专利]基于三维卷积的缺血性脑卒中分割系统

说明书

本发明针对缺血性脑卒中分割难度大，缺血性脑卒中形态多样，样本之间差异性大，拥有三维信息，且传统基于散度测度等方法的精度不高的问题，提出一种基于3D卷积神经网络的系统，该系统包括：首先对训练样本进行数据增强，归一化处理，然后训练带有膨胀卷积的分割网络，再在网络结构上调整，直到得到的结构最优网络。提高分割精度。

技术领域

本发明涉及图像处理，深度学习，尤其涉及一种基于多三位卷积的缺血性脑卒中分割系统。

背景技术

随着计算机技术的显著发展，针对医学病理图像进行自动分析的图像处理算法也应用得越来越广泛。脑血管病已经成为我国疾病致死的第一死亡原因。缺血性脑卒中主要通过磁共振影像学手段进行诊断。而确定不可逆转损伤的脑组织的位置和范围是急性卒中决策过程的关键部分。由于CT检测的速度，可用性和没有禁忌症，CT已被用于对卒中患者进行分类。但是基于CT图像的识别不可逆转的受损组织非常具有挑战性。并且许多商业软件努力使用CT方法检测。但是现在缺乏一种非常先进的数据分析技术，才能够帮助以重复和准确的方式去分割这些区域用于诊断，并最终用于临床医生进行决策过程。

现在该方向的研究者已经提出了很多方法，有基于灰度直方图散度测度的分割方法，基于ADC(表观弥散系数图像)和DWI(弥撒加权图像)灰度约束的脑缺血区域分割方法。但是这个些方法精度都较低，且泛化性不强的缺点，提出了一种基于三维卷积的编解码结构的网络，以随机连接的构建网络方式，得到多种网络，并训练得出最优的网络结构。在脑缺血性脑卒中分割中得到了比之前方法更优的结果。

本文主要依托深度学习的快速发展，借助硬件设备计算能力的巨大提升，针对缺血性脑卒中的难识别，个体的多样性，大小不一等问题，提出一种基于三维卷积的端到端的神经网络。

发明内容

本发明的目的针针对缺血性脑卒中的难识别，个体的多样性，大小不一，很难分割的问题，提出了一种基于三维卷积的，随机连接构建最优的网络，去分割缺血性脑卒中的系统。

为了实现上述目的，本发明采用的技术方案是：

本发明公开了一种基于三维卷积的缺血性脑卒中分割系统，具体的实现步骤如下：

(1)对样本库的缺血性脑卒中图片样本，进行预处理，得到训练样本和验证样本。

(2)利用(1)中得到的训练样本，依批次输入如图1的设计的神经网络，进行训练。采用以交叉熵为损失函数带动量的随机梯度下降法训练网络。得到训练好的网络。

(3)采用随机连接的方式构建(2)中网络，并再按照(2)中步骤训练，得到最优模型。

(4)对测试图片按照(1)中的预处理方法，得到处理后的测试图片。

(5)利用(3)中训练好的网络，预测(4)中处理后的预测图片，再对预测图片后处理，完成对测试图片的分割。

所述步骤(1)中的预处理步骤如下：

(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行翻转，随机下采样，形变，以及改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是100×100×100。

(12)对(11)中训练样本和验证样本图片对应的标签图片，使用(11)中一样的旋转，翻转，同样的下采样，形变，保证标签样本与训练样本或验证样本对应，得到数据增强后的标签样本，样本大小是100×100×100。

(13)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。

所述步骤(2)中的构建网络和训练的步骤如下：