[发明专利]基于动态地图损失神经网络的CT颅内出血检测系统

权利要求书

1.一种基于动态地图损失神经网络的CT颅内出血检测系统，其特征是：包括：

数据集获取模块，被配置为获取脑部CT影像数据，标注颅内出血掩膜和背景；

特征提取模块，被配置为多次循环执行卷积操作和最大池化操作，得到每次的特征输出图；

计算特征提取模块，被配置为对特征输出图或联合特征进行卷积操作处理后再进行反卷积操作，得到相应的计算特征图；

联合模块，被配置为将计算特征图与经过裁切操作后的不同次的特征输出图进行堆叠操作，得到相应的联合特征；

分割模块，被配置为对最后的特征输出图进行卷积操作，获取最终的与输入影像图像尺寸一致的分割图；

动态地图损失计算模块，被配置为将分割图利用使用动态地图损失函数计算分割图与数据集获取模块中数据标注二者之间的损失，如果损失大于阀值则发送信号给优化模块；

优化模块，被配置为优化特征提取模块、计算特征提取模块、联合模块和分割模块的参数；

所述计算特征提取模块包括第五卷积模块、第六卷积模块和第一反卷积模块，其中：

所述第五卷积模块，接收第四特征输出图，进行卷积操作，得到第五特征输出图；

所述第六卷积模块，接收第五特征输出图，进行卷积操作处理，得到第六特征输出图；

所述第一反卷积模块，对第六特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第一计算特征图；

所述计算特征提取模块还包括第七卷积模块、第二反卷积模块、第八卷积模块、第三反卷积模块、第九卷积模块、第四反卷积模块，其中：

所述第七卷积模块接收第一联合特征，进行卷积操作处理，得到第七特征输出图；

所述第二反卷积模块，对第七特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第二计算特征图；

所述第八卷积模块接收第二联合特征，进行卷积操作处理，得到第八特征输出图；

所述第三反卷积模块，对第八特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第三计算特征图；

所述第九卷积模块接收第三联合特征，进行卷积操作处理，得到第九特征输出图；

所述第四反卷积模块，对第九特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第四计算特征图；

所述动态地图损失计算模块，使用动态地图损失函数计算分割图与数据标注二者之间的损失，如果损失小于阀值，则发送信号给数据集获取模块，重新获取数据，如果损失大于阀值发送信号给优化模块，使优化模块动作；

动态地图损失函数是在交叉熵损失函数的基础上修改，具体计算方式为：

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

假设M为掩膜总像素数量，N为掩膜边界像素数量：

掩膜的边界部分像素数的定义为：由边界像素点做两次腐蚀运算，被腐蚀掉的点；若像素数量不支持完成两次腐蚀运算，则该掩膜部分的损失按照交叉熵损失计算。

2.如权利要求1所述的一种基于动态地图损失神经网络的CT颅内出血检测系统，其特征是：所述特征提取模块，包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第一池化层、第二池化层、第三池化层、第四池化层，其中：

第一卷积模块接收CT影像，对其进行卷积操作处理，得到第一特征输出图；

第一池化层对第一特征输出图进行最大池化操作，得到更新后的第一特征输出图；

第二卷积模块接收更新后的第一特征输出图，对其进行卷积操作处理，得到第二特征输出图；

第二池化层对第二特征输出图进行最大池化操作，得到更新后的第二特征输出图；

第三卷积模块接收更新后的第二特征输出图，对其进行卷积操作处理，得到第三特征输出图；

第三池化层对第三特征输出图进行最大池化操作，得到更新后的第三特征输出图；

第四卷积模块接收更新后的第三特征输出图，对其进行卷积操作处理，得到第四特征输出图；

第四池化层对第四特征输出图进行最大池化操作，得到更新后的第四特征输出图。