[发明专利]脑部CT图像的分割模型的训练方法、分割方法和训练装置

说明书

本发明公开了一种脑部CT图像的分割模型的训练方法、分割方法和训练装置。该训练方法包括：获取待训练的编码网络根据带标签信息的脑部CT样本图像得到的输入特征图，获取待训练的解码网络根据输入特征图得到的分割结果，解码网络对若干不同通道数的特征图进行空间信息融合处理和通道信息融合处理，并对得到的空间融合特征和通道融合特征进行聚合处理，得到分割结果；计算分割结果与脑部CT样本图像的标签信息之间的差异，并根据差异更新编码网络和解码网络的模型参数。在训练过程中通过空间信息融合提取编码阶段丰富的空间信息，提高分割的精度，同时通过通道信息融合建立通道之间的动态非依赖关系，简化学习过程，显著地增强了模型的表征能力。

技术领域

本发明属于医学图像处理技术领域，具体地讲，涉及一种用于CT图像的分割模型的训练方法、分割方法、训练装置、分割装置、计算机可读存储介质、计算机设备。

背景技术

脑梗死是临床发病率较高的脑血管疾病，该病症会因脑部血液循环受阻，致使局部脑组织缺血、缺氧，进而出现软化坏死的情况。超急性期大面积脑梗死是脑梗死中较为严重的类型，若未能及时为患者进行诊断及治疗则会对患者生命安全构成严重威胁。因为计算机断层扫描(CT)成像快、成本低的优势，其在临床中被广泛用于快速诊断缺血性脑梗死。当前，CT影像分析主要由医生根据经验完成的，受过良好训练的放射科医生能够较好地辨认，但对缺血程度的判断一致性较差。同时在临床上，医生很难判别早期缺血变化的程度，尤其在超急性期中。除此之外，当前多才用手动的方法分割缺血病灶，但手动分割十分耗时，同时分割结果也依赖操作者的主观判断。然而，现有的超急性期脑缺血图像处理的精度低，误差大，检测不准确；同时如果对脑卒中不能够及时的评估风险，导致不能及时的治疗，贻误病情。

值得注意的是，在现有的关于脑卒中CT影像的研究工作中，包括相关的研究论文和相关专利中，大部分脑缺血分割和检测方法都是基于传统图像处理算法的基于传统图像处理方法，往往需要花大量算力去计算图像的形状，灰度，纹理特征等，检测速度和精度都不高。

另外也有部分学者提出采用深度学习方法，基于卷积神经网络进行分割任务，克服前期的图像特征提取困难，提高了分割速度，同时也有较好的分割精度。然而目前深度学习中采用的卷积神经网络较为单一，且全连接层的加入使得网络整体训练参数较为庞大，计算较为复杂，信息量大，网络训练时间较长，分割精度较差。后基于此改进的全卷积网络的整体分割精度依然较低，且基于像素的分类没有考虑像素之间的关系，缺乏空间一致性。

发明内容

(一)本发明所要解决的技术问题

本发明解决的技术问题是：如何提供一种能充分关注图像的空间信息和通道间联系的分割模型。

(二)本发明所采用的技术方案

一种脑部CT图像的分割模型的训练方法，待训练的分割模型包括编码网络和解码网络，所述训练方法包括：

获取待训练的编码网络根据带标签信息的脑部CT样本图像得到的输入特征图，所述输入特征图包括若干不同通道数的特征图；

获取待训练的解码网络根据所述输入特征图得到的分割结果，其中所述解码网络对若干不同通道数的特征图进行空间信息融合处理和通道信息融合处理，并对得到的空间融合特征和通道融合特征进行聚合处理，得到分割结果；

计算所述分割结果与脑部CT样本图像的标签信息之间的差异，并根据所述差异更新所述编码网络和所述解码网络的模型参数。

优选地，所述待训练的编码网络根据带标签信息的脑部CT样本图像得到的输入特征图的方法包括：

对所述带标签信息的脑部CT样本图像进行卷积处理得到底层特征图；

对所述底层特征图依次进行若干次卷积池化处理，得多若干份通道数递增的中间层特征图，其中第一次卷积池化处理的输入为所述底层特征图，每次卷积池化处理后输出一份中间层特征图并作为下一次卷积池化处理的输入；