[发明专利]一种基于深度学习的脑血肿分割方法及系统

说明书

本发明公开了一种基于深度学习的脑血肿分割方法及系统。该方法包括：构建神经网络模型，所述神经网络模型包括若干顺序连接的图像信息压缩模块和若干顺序连接的图像信息融合模块，所述图像信息压缩模块包括依次顺序连接的第一自注意力卷积单元、第二自注意力卷积单元和池化层，所述图像信息融合模块包括依次顺序连接的上采样单元、特征图拼接单元和第三自注意力卷积单元；获取脑CT样本图像；以脑CT样本图像为输入，以脑CT样本图像中各像素点的出血情况为标签，对神经网络模型进行训练；采用训练好的神经网络模型对待分割脑CT图像进行脑出血识别。本发明能够对脑CT图像中出血区域进行准确而高效的分割。

技术领域

本发明涉及图像分割技术领域，特别是涉及一种基于深度学习的脑血肿分割方法及系统。

背景技术

脑卒中属于脑血管类疾病，主要是由非外脑性实质内血管破裂引起的出血所导致，其中导致脑出血的原因有很多种，例如高血压，高血脂，糖尿病以及其他的心血管疾病，在生活中发病率极高，根据世界卫生组织发布数据，每年的死亡人口中，约有百分之三十到四十是由于脑部出血所引起，目前脑出血已经成为当今人类死亡率最高的疾病之一。然而目前关于定量测量疑似血肿区域体积的方法是很少的，快速、准确、可重复的体积估算对于许多医学诊断、治疗、评估是至关重要的，是决定病人是否需要动手术的一个重要指标，因此，精确的体积测量具有重要的临床应用价值。

图像分割的目的就是改变对一幅图像中感兴趣的疑似病灶区域的描述，使其分析起来更加容易并且更有意义。然而医学图像不同于一般的图像，常会伴随着出现弱边界、低对比度、强噪音等现象，正因为医学图像自身所具有多样性和特殊性，才导致了分割的复杂性。目前，国内外大部分医院对患者颅内疑似血肿体积的临床测量主要是通过手动分割和人工计算两大歩骤来实现的。手动分割极其浪费时间且非常艰辛，精确度和可重复性比较差。

发明内容

本发明的目的是提供一种基于深度学习的脑血肿分割方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的脑血肿分割方法，包括：

构建神经网络模型，所述神经网络模型包括若干顺序连接的图像信息压缩模块和若干顺序连接的图像信息融合模块，其中，所述图像信息压缩模块包括依次顺序连接的第一自注意力卷积单元、第二自注意力卷积单元和池化层，所述图像信息融合模块包括依次顺序连接的上采样单元、特征图拼接单元和第三自注意力卷积单元，所述第一自注意力卷积单元用于降低其输入图像的通道数，所述第二自注意力卷积单元用于对其输入的图像进行特征提取，所述池化层用于对其输入的图像进行降维处理，所述上采样单元用于对其输入的图像进行上采样，所述特征图拼接单元用于将其输入的采样图像与同一级第二注意力卷积单元输出的降维图像在通道方向拼接，所述第三自注意力卷积单元用于对拼接后的图像进行多尺度融合；同一级的第二注意力卷积单元和特征图拼接单元满足如下条件：所述第二注意力卷积单元输出图像的维度与所述特征图拼接单元输入图像的维度相同；

获取脑CT样本图像；

以所述脑CT样本图像为输入，以所述脑CT样本图像中各像素点的出血情况为标签，对所述神经网络模型进行训练；

采用训练好的神经网络模型对待分割脑CT图像进行脑出血识别。

可选的，所述第三自注意力卷积单元包括顺序连接的第一自注意力卷积子单元和第二自注意力卷积子单元，所述第一自注意力卷积单元用于降低其输入图像的通道数，所述第二自注意力卷积子单元与所述第二自注意力卷积单元的结构参数相同。

可选的，所述采用训练好的神经网络模型对待分割脑CT图像进行脑出血识别，具体包括：

将所述待分割脑CT图像输入训练好的神经网络模型，确定出血区域的位置。

可选的，所述采用训练好的神经网络模型对待分割脑CT图像进行脑出血识别，还包括：