[发明专利]一种基于熵选择策略的深度学习脑部动脉瘤分割的装置

说明书

本发明公开了一种基于熵选择策略的深度学习脑部动脉瘤分割的装置，包括：数据预处理模块，将样本切割成图像子切片，采用梯度‑熵策略将含有动脉瘤的样本放到训练集中，提高训练集中含有阳性样本的比例，以及进行数据的归一化；编码器模块，通过残差网络进行多尺度特征的提取；通过变形器提取长程注意力，对局部信息和全局信息进行整合；解码器模块，利用跳跃连接将各个尺度的特征融合，实现细节分割；后处理模块，将生成的每个子切片的预测结果拼接成原始分辨率，通过随机拼接实现全局稳定以及保证病灶分割的完整性。本发明实现了精确的边界轮廓提取，通过有效的拼接策略生成最后的分割结果，实现对3D样本的分割预测。

技术领域

本发明涉及基于深度学习的图像分割领域，尤其涉及一种基于熵选择策略的深度学习脑部动脉瘤分割的装置。

背景技术

脑血管疾病由于其致残率和病死率均处于较高水平，已经超越心脏病和癌症(恶性肿瘤)，位居对健康威胁最大的三种疾病之首。颅内动脉瘤(intracranial aneurysms，IA)是一种由脑部血管发生结构性改变而引起的异常囊状突起，一般表现为瘤状形态，是引起蛛网膜下腔出血的最主要原因。颅内动脉瘤在脑血管疾病中有较高的发病率，病死率也高达50％。动脉瘤由于形状异常，很容易发生破裂出血，如果出现出血情况，在短期内可以达到30％的死亡率。颅内动脉瘤第一次出血后，后续发生多次出血的风险很高，如果能及时诊疗，可以提高患者的存活率。

近年来，得益于医学影像技术的发展，颅内动脉瘤的检查手段逐渐增多，其中数字剪影血管造影(Digital Subtraction Angiography，DSA)，由于该检查方式图像质量较好，诊断可靠，在临床上被视为脑血管疾病诊断的金标准。

诊断颅内动脉瘤的传统方式是通过医生对影像进行手动勾画瘤体位置，以及标注长短直径，瘤颈位置等参数，但是无法量化动脉路的体积以及瘤颈大小，这十分不利于医生的诊断。所以颅内动脉瘤的分割面临着诸多挑战：

1)医生的主观因素会影响勾画结果；2)造影过程中，由于患者的呼吸、位移以及造影剂等客观因素会降低图像质量，影响医生判断；3)脑血管的复杂结构也会导致医生漏诊、误诊；4)没有考虑到类失衡的问题，并且大部分使用2D分割的装置，丢失了大部分3D信息，也不利于分割完整的动脉瘤。而选择补丁训练策略的装置，在后处理阶段忽略了要保证病灶的完整性。

因此，基于深度学习实现准确、简单、高效、全自动地分割颅内动脉瘤具有重要的临床意义。

发明内容

由于动脉瘤的尺寸占整个大脑的区域比例过小，导致了数据极大地类不平衡，并且数据的样本量过小是医学影像分割的一大共同难点，所以克服类失衡以及扩充数据集成为颅内动脉瘤分割的关键，本发明提供了一种基于熵选择策略的深度学习脑部动脉瘤分割的装置，本发明通过对DSA图像进行补丁化处理，用基于熵的子切片选择策略，缓解类失衡，对数据进行归一化；再利用具有多尺度残差结构的特征提取器和能捕获长程注意力的变形器组件对颅内动脉瘤的多样性特征进行有效且细粒度的提取，再使用跳跃连接传递丰富的上下文信息，实现精确的边界轮廓提取，通过有效的拼接策略生成最后的分割结果，实现对3D样本的分割预测，详见下文描述：

一种基于熵选择策略的深度学习脑部动脉瘤分割的装置，所述装置包括：数据预处理模块、编码器模块、变形器模块、解码器模块和后处理模块，

数据预处理模块，将样本切割成子切片，采用梯度-熵策略将含有动脉瘤的样本放到训练集中，提高训练集中含有阳性样本的比例，以及进行数据的归一化；

编码器模块，通过残差网络进行多尺度特征的提取；通过变形器提取长程注意力，对局部信息和全局信息进行整合；

解码器模块，利用跳跃连接将各个尺度的特征融合，实现细节分割；

后处理模块，将生成的每个子切片的预测结果拼接成原始分辨率，通过随机拼接实现全局稳定以及保证病灶分割的完整性。