[发明专利]基于MU-Net应用于CT影像的颅内出血病灶分割算法

说明书

本发明公开了一种基于MU‑Net应用于CT影像的颅内出血病灶分割算法，所述颅内出血病灶分割算法在基于U‑Net的基础上提出了一个新的分割结构MU‑Net，并将其应用到颅内出血分割任务中。在编码器模块，引入了Res2Net的网络模块。这样的设计可以提取更精细的多尺度特征，并增加特征图的感受野。为了减少编码层和解码层对应层次之间存在的语义鸿沟，提出了多编码信息融合模块(MIF)，通过对特征进行信息融合有效地弥补解码器丢失的全局信息。除此之外，为了进一步减小编码器解码器之间的语义鸿沟并且聚集多尺度信息，本发明提出了新的解码器模块(MDB)。

技术领域

本发明属于智能医学影像处理领域，涉及一种基于MU-Net应用于CT影像的颅内出血病灶分割算法。

背景技术

颅内出血(Intracranial Hemorrhage,ICH)是一种发生在脑室内或脑组织中的出血性疾病。颅内出血包含：脑室内出血(IVH)、脑实质性出血(IPH)、蛛网膜下腔出血(SAH)、硬膜外出血(EDH) 和硬膜下血肿(SDH)。诊断颅内出血是医学领域的一个重要挑战。确定颅内出血的部位是治疗病人的关键。目前的诊断颅内出血的方法是对大脑进行CT扫描。由于脑组织、血液、肌肉和骨骼等对X射线吸收特性不同，CT扫描会产生高对比度图像，然后供医生查看。颅内出血病灶分割的研究针对的是存在颅内出血的CT切片，进一步得到出血病灶的区域。这类研究可以辅助医师估计出血量、预测死亡率等。

在颅内出血病灶分割领域，U-Net网络已经展现了显著的性能优势。然而，U-Net的网络设计仍存在以下问题：U-Net的编码层的卷积操作过于简单，并不能提取更精细的特征；U-Net的跳跃连接设计使得浅层编码层的特征将直接与深层解码层的特征进行连接，这意味着解码层将引入不相关的噪声从而导致像素的错误分类；解码层的双线性插值的上采样方法无法聚集多尺度特征信息，从而影响图像病灶的边缘和细节的还原，限制了网络的分割性能。

发明内容

为了解决目前颅内出血病灶分割领域U-Net分割性能不佳的问题，本发明提供了一种基于MU-Net应用于CT影像的颅内出血病灶分割算法。

本发明的目的是通过以下技术方案实现的：

一种基于MU-Net应用于CT影像的颅内出血病灶分割算法，包括如下步骤：

步骤一、数据获取

从DICOM格式的医学CT影像得到CT图像值，对得到的CT图像值进行开窗操作，合成图片并保存成NIFTI格式；

步骤二、数据扩充

(1)CT图像和标签进行通道融合得到融合图像；

(2)将融合图像进行数据增强处理，得到新融合图像；

(3)将新融合图像进行通道拆分，得到新CT图像；

步骤三、在特征编码器模块中加入Res2Block

(1)输入1×1卷积计算，其输出的特征图通道数设为n，引入超参数s表示将特征图的通道分成多少个组，则每个尺度的特征图的通道数w＝n/s；

(2)均分后每个组的特征设为x_i,i∈{1,2,...,s}，定义K_i()为3×3 的卷积核，其输出为y_i，每个子特征x_i与K_i-1()相加，然后作为K_i()的输入，y_i的表达式：

(3)将每个尺度的输出特征进行通道拼接；

(4)将拼接之后的特征图进行1×1的卷积操作，进而得到这个 block的输出；

步骤四、在解码器模块中设计加入MD模块