[发明专利]基于双线性池化应用于CT影像的颅内出血亚类型分类算法

说明书

本发明公开了一种基于双线性池化应用于CT影像的颅内出血亚类型分类算法，所述算法创新性地以细粒度分类的角度去解决颅内出血亚类型分类这个问题，在CNN部分使用了紧凑双线性池化的网络架构，提高了神经网络的特征表达能力，提升了分类性能。双线性池化已经被证明是解决细粒度分类问题的有效方法。它通过对高阶统计信息进行建模，将来自两个不同源的CNN或者同源的CNN的特征看作是两种不同的特征。并对两个特征进行外积计算，然后通过池化操作进行特征融合以捕获不同特征之间的关系，进而得到更强的全局特征表示。该方法用图像平移不变的方法，对局部的成对特征进行交互式建模。

技术领域

本发明属于智能医学影像处理领域，涉及一种基于双线性池化的应用于颅内出血亚类型分类算法。

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)。颅内出血亚类型分类的研究是判断CT图像中是否存在颅内出血和对其5种亚类型(IPH、IVH、EDH、SDH、SAH)进行分类。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和类型是治疗病人的关键。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。传统的分类方法由放射科医生负责目视检查和定量评估。这个过程不仅非常耗时而且需要有长期工作经验、训练有素的放射科医生才能判别准确。

随着信息技术和人工智能的不断发展，计算机辅助诊断(Computer AidedDiagnosis,CAD)逐渐受到医学专家和研究者们的关注。通过为计算机设计识别算法，CAD以自动或半自动地对医学影像进行计算机分析得到辅助诊断报告。随后影像科医师根据辅助诊断的报告进行下一步分析与核验。

发明内容

为了解决目前颅内出血亚类型分类耗时且对医生的专业性依赖较大的问题，本发明提供了一种基于双线性池化应用于CT影像的颅内出血亚类型分类算法。本发明提出了一个新的CNN-RNN网络架构用于进行ICH的亚类型分类，在CNN模块中，从颅内CT图像的特性入手，以细粒度视角看待这个问题，解决了ResNet和DenseNet等网络在颅内CT图像上的缺陷。因此，本发明的方法将紧凑双线性池化的方法引入到本发明中，并针对数据分布不均衡和标签之间的依赖关系被忽视等问题，提出了MWF损失和SRE损失，将这三部分与CNNs融合成一个新的ICH亚类型多标签细粒度网络架构。通过CNN模块得到图像特征之后，进入RNN模块。与其他先进方法对比，本发明的方法达到了更优的性能，对临床有着极其重要的价值，具有广阔的应用场景。

本发明的目的是通过以下技术方案实现的：

一种基于双线性池化应用于CT影像的颅内出血亚类型分类算法，包括如下步骤：

步骤一、从dicom格式的医学CT影像得到CT图像值；

步骤二、Windowing操作

对步骤一得到的CT图像值进行windowing操作，使用的窗口如下：Brain window：[40，80]，Subdural window：[80，200]，Bone window：[40，380]，其中，方括号内第一位数字表示窗位，第二位数字表示窗宽；

步骤三、转化成jpg图像

Windowing操作完之后进行归一化使得图像的像素值在[0，1]之间，将图片的像素值与255相乘得到[0，255]之间的值，随后使用opencv的imwrite()函数生成.jpg图像；

步骤四、训练CNN网络使用