[发明专利]一种CT脑图像分割及血肿测量方法

说明书

本发明公开了一种CT脑图像分割及血肿测量方法，包括颅骨剥离、脑出血粗分割、脑出血细分割和脑出血体积测量，本发明采用基于深度学习两阶段的分割的方法，有着分割速度快、分割结果准确率更高的优势。使用新的脑出血血肿体积的测量方法，效率高、误差小。通过数据集使用不同层厚的脑图像，具有鲁棒性较好的特点。

技术领域

本发明属于临床上脑出血血肿测量技术领域，特别涉及一种CT脑图像分割及血肿测量方法。

背景技术

计算机断层扫描(CT)图像因其可获得性广、成本低、获取迅速等优点使其成为评估脑出血患者血肿的最常用的神经成像手段。然而，基于人工的脑出血容积计量存在着主观性和不准确的问题。使用基于CT的平面测量术的半自动脑出血容积测量既耗时又充满大量的测量误差，特别是对于与脑室出血(IVH)或蛛网膜下腔出血相关的大血肿。ABC/2公式是临床实践和脑出血中常规使用的血肿量的估计方法。然而，对于大的、不规则的或大叶的血肿，这种方法的准确性会降低。

发明内容

为了克服以上技术问题，本发明的目的在于提供一种CT脑图像分割及血肿测量方法，具有测量速度快、准确率高、鲁棒性好、效率高的特点。

为了实现上述目的，本发明采用的技术方案是：

一种CT脑图像分割及血肿测量方法，包括以下步骤；

颅骨剥离：

对从医院采集的CT脑部图像(使用飞利浦Brilliance64获得，其曝光参数为120kVp，400-500mAs)进行预处理：首先将DICOM格式的图像转化为NIFTI格式的三维图像，并将其重采样为160*160*80大小作为输入矩阵。为了限制卷积神经网络输入的动态范围，对重采样之后的三维CT图像应用0到100Hu的阈值进行加窗，归一化是按照最小值中心化后，再按极差(最大值—最小值)缩放，将数据归一化到[0,1]之间；

将归一化之后大小为160*160*80的三维图像输入到颅骨分割网络中(如图1所示)，颅骨分割网络是一种三维卷积神经网络，网络的输出是去除完颅骨之后的三维脑图像，之后将该三维图像重采样到原始空间(即将该三维图像重采样回其初始大小)就得到了最终的去除颅骨之后的三维图像，完成了颅骨剥离；

脑出血粗分割：

脑出血粗分割旨在得到脑出血的ROI(RegionofInterest，感兴趣区域)，即脑出血的大体范围，同样的，将去除颅骨之后的图像和脑出血标签重采样为160*160*80大小作为输入矩阵，输入到脑出血粗分割网络，脑出血粗分割网络与颅骨剥离网络是相同的架构，输出是脑出血的大体区域，之后返回到原始空间得到脑出血ROI；

脑出血细分割：

脑出血细分割使用与颅骨分割相似的框架，脑出细血分割网络是一种二维卷积神经网络，不同的是在第四次下采样之后多添加了一个残差块用于调整特征图通道数(如图3所示)。除此之外，将粗分割得到的ROI区域以轴向位生成二维切片，得到了脑出血区域的二维切片，将每相邻的三张切片进行拼接形成一个3*512*512大小的伪彩色图像作为输入矩阵输入到脑出血细分割网络当中(如图4所示)。为了限制网络输入的动态范围，对脑出血二维切片应用30到130Hu的阈值进行加窗，最后输出的便是脑出血标签的二维切片，之后将所有二维切片在第三个维度上堆叠成三维图像，就得到了最后的三维脑出血标签；

脑出血体积测量：

将细分的得到的三维脑出血标签的分割体素(体积像素)的数量乘以x、y和z维度中每个体素之间的距离计算脑出血体积。

本发明的有益效果。

本发明采用基于深度学习两阶段的分割的方法，有着分割速度快、分割结果准确率更高(DICE＝0.912)的优势。使用新的脑出血血肿体积的测量方法，效率高、误差小。数据集使用不同层厚的脑图像，鲁棒性较好。