[发明专利]基于深度学习的CT医学影像处理模型训练方法及诊疗系统

权利要求书

1.一种基于深度学习的CT医学影像处理模型训练方法，其特征在于，包括以下步骤：

S1)采用ISLE数据集训练出磁共振DWI图像语义分割模型；

S2)采集预设时间窗口内脑卒中患者磁共振DWI图像和CT图像；

S3)将所述磁共振DWI图像和CT图像在空间解剖结构上进行配准；

S4)利用S1)所述磁共振DWI图像语义分割模型分割所述磁共振DWI图像中的病灶；

S5)利用S3)所述磁共振DWI图像和CT图像在空间解剖结构上的配准，将S4)中磁共振DWI图像中的病灶分割结果映射到CT图像中，对CT图像中的病灶进行分割标注；

S6)重复S2)-S5)，将S5)所述CT图像中的病灶分割结果制作成CT图像语义分割数据集；

S7)利用S6)所述CT图像语义分割数据集训练出CT图像语义分割模型。

2.根据权利要求1所述的一种基于深度学习的CT医学影像处理模型训练方法，其特征在于，S1)所述磁共振DWI图像语义分割模型基于全卷积神经网络U-net训练得到。

3.根据权利要求1所述的一种基于深度学习的CT医学影像处理模型训练方法，其特征在于，所述S3)的具体过程是：

S3.1)对所述磁共振DWI图像和CT图像进行预处理，滤除影响配准效果的因素；

S3.2)对所述CT图像进行空间变化，通过仿射变换，建立磁共振DWI图像和CT图像的空间对应关系；

S3.3)对所述CT图像进行插值操作，得到可以存储在计算机中的数字图像；

S3.4)对所述磁共振DWI图像和CT图像的配准效果进行相似性检测，其中相似性通过计算互信息值来判断；

S3.5)判断所述相似性检测结果是否最优，如果最优则输出配准参数和配准后的图像，否则修改初始变换参数，重复配准过程。

4.根据权利要求1所述的一种基于深度学习的CT医学影像处理模型训练方法，其特征在于，S7)所述CT图像语义分割模型基于全卷积神经网络FCN8s训练得到。