[发明专利]基于深度学习的脑出血CT影像分割方法、装置及系统

说明书

本发明提供了基于深度学习的脑出血CT影像分割方法、装置及系统。分割方法包括：获取CT断层图像；将CT断层图像输入训练好的CT图像分割模型，CT图像分割模型输出分割图像；CT图像分割模型包括依次连接的N层下采样模块和N层上采样模块，每层上采样模块和对应下采样模块的上一层下采样模块之间设有第一跳接路径，第一跳接路径上设有AG模块，相邻层下采样模块之间设有第二跳接路径，第二跳接路径上设有Focus模块。分割网络利用Focus模块能有效保留出血区域整体特征的完整性，通过AG模块使分割网络更加聚焦于任务相关的重要特征，Focus模块和AG模块的结合使得CT图像分割模型的分割网络具有优异的分割效果。

技术领域

本发明涉及机器学习和图像处理技术领域，尤其涉及一种基于深度学习的脑出血CT影像分割方法、装置及系统。

背景技术

CT作为临床诊断脑出血的首选检查，具有方便快捷、效果确定等特点。目前，临床上多采用“多田法”测量脑出血体积，其原理为将出血形状理想化为椭球体，根据公式V＝A×B×D×1/2计算，其中V为脑出血体积，A为CT最大出血层面病灶的最长径，B为该层面上与A垂直的最大宽径，D为出血层数×层厚。该方法的优点是简单快捷，当出血形状规则时，其准确率尚可。然而，临床上绝大多数脑出血的形状不规则，且受阅片者的经验限制，造成脑出血体积的测量精度出现较大误差，给临床决策的制定造成一定程度的不确定性。通过在CT影像上逐层精准勾画出血部位并计算体积的方法称为CT定量法，可认为是无创测量脑出血体积的金标准，但其操作复杂，耗时较长，难以在临床中应用。

近年来，随着以深度学习为代表的人工智能技术蓬勃发展，基于深度学习的分割方法在大脑组织分割测量方面得到广泛应用，并取得了一定的效果。在脑出血方面，Cho等构建了一个级联深度学习模型，同时用于脑出血的检测与分割，但在脑出血区域分割上仍存在精确度不足的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，能够对出血区域精确分割，提供基于深度学习的脑出血CT影像分割方法、装置及系统。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种基于深度学习的脑出血CT影像分割方法，包括：获取CT断层图像；将所述CT断层图像输入训练好的CT图像分割模型，所述CT图像分割模型分割出所述CT断层图像中的出血区域并输出分割图像；所述CT图像分割模型的分割网络基于Unet网络架构构建，包括依次连接的N层下采样模块和N层上采样模块，下采样模块和上采样模块一一对应，每层上采样模块和对应下采样模块的上一层下采样模块之间设有第一跳接路径，所述第一跳接路径上设有AG模块，相邻层下采样模块之间设有第二跳接路径，所述第二跳接路径上设有Focus模块，所述N为正整数。

为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种基于深度学习的脑出血CT影像分割装置，包括：图像获取模块，用于获取CT断层图像；CT图像分割模块，将图像获取模块获得的CT断层图像输入训练好的CT图像分割模型，所述CT图像分割模型分割出所述CT断层图像中的出血区域并输出分割图像；所述CT图像分割模型的分割网络基于Unet网络架构构建，包括依次连接的N层下采样模块和N层上采样模块，下采样模块和上采样模块一一对应，每层上采样模块和对应下采样模块的上一层下采样模块之间设有第一跳接路径，所述第一跳接路径上设有AG模块，相邻层下采样模块之间设有第二跳接路径，所述第二跳接路径上设有Focus模块，所述N为正整数。