一种基于深度学习的颅内出血CT图像分割方法

本发明涉及人工智能与医学图像处理领域，尤其涉及一种基于深度学习的颅内出血ct图像分割方法。

背景技术：

颅内出血(ich)指的是脑部血管破裂导致出血，血肿会压迫周围的神经组织，诱发功能性障碍。由于车祸、外伤、高血压、血管病变、脑部肿瘤等都可能导致颅内出血，该疾病已经成为一种常见疾病，病情恶化速度极快，存在极大可能性致残或致死，及时对颅内出血患者进行诊断并给出治疗方案具有极其重要的意义。随着成像技术的发展，临床诊断颅内出血主要是放射科医生检查电子计算机断层扫描(ct)图像来检测和定位颅内出血区域，但由于脑部结构复杂、出血区域大小形状不一、颅脑ct图像对比度低、出血区域边界模糊等问题，人工判别出血区域不仅费时费力，且具有一定主观意识误差。

技术实现要素：

为了改进现有颅内出血ct图像分割技术的不足，解决出血区域差异性过大对分割带来的影响，本发明提供一种基于深度学习的颅内出血ct图像分割方法。

本发明的技术方案包括如下步骤：

1)获取颅内出血ct图像；

2)对颅内出血ct图像进行预处理，预处理后部分颅内出血ct图像作为训练样本；

3)用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；

4)将预处理后的颅内出血ct图像输入训练好的深度卷积神经网络进行图像分割，输出分割好的颅内出血ct图像。

上述的基于深度学习的颅内出血ct图像分割方法中，步骤2)具体步骤为：

对于图像预处理模块接收的颅内出血ct图像，所述按照预设图像尺寸对每一张颅内出血ct图像进行尺寸调整，对不足预设尺寸的图像进行边缘填充0像素，对超过预设尺寸的图像进行中心切片裁剪；

对于图像尺寸调整后的颅内出血ct图像，采用区域生长法提取颅脑内部包含血肿块的区域，避免颅骨等其他ct值较高的组织在分割过程中产生干扰；所述区域生长法包括：

对于每一张颅内出血ct图像原图，生成与其尺寸相同的零矩阵；

在原图上选取像素值符合条件的种子点加入生长区域，同时令零矩阵上与种子点同样位置的点的灰度值为1；

从生长区域中任意选取一个未标记的像素点，计算该点和其所有邻域像素点的灰度值差异，若差异值满足阈值条件就将该邻域像素点加入生长区域，同时将零矩阵上与该领域像素点同样位置的像素点灰度值设置为1，当该点的所有领域像素点均处理完毕后，在生长区域中标记该像素点；

若生长区域中不存在未标记的像素点，则区域生长结束，否则继续选取像素点，重复上一步骤；

使用5×5矩形的结构元素对生成的图像矩阵做开运算，平滑图像边界，消除细小突出，再将得到的图像矩阵与原图叉乘，最终得到仅包含颅内结构的图像。

上述的基于深度学习的颅内出血ct图像分割方法中，所述步骤3)的具体步骤为：将图像训练样本数据转换为张量输入网络输入层，将输入变量逐层向前传递最后得到预测结果，计算预测结果和实际值之间的误差并逐层逆向反馈误差，更新网络中每层神经元的权重和偏置，最后重新进行前向传播，反复迭代上述过程完成对训练数据的拟合，得到训练好的深度卷积神经网络。

上述的基于深度学习的颅内出血ct图像分割方法中，步骤4)的具体步骤为：通过深度卷积神经网络提取图像高层的语义信息，从像素级别判断其是否属于颅内出血区域，进行颅内出血ct图像分割。

本发明的有益效果如下：本发明针对颅内出血ct图像分割存在的难点，使用融合注意力的深度卷积神经网络自动分割颅内出血ct图像，注意力重点关注并增强目标区域，多尺度卷积层能提取图像不同感受野大小的特征，有效针对极端尺寸的目标区域分割，可以做到高精度、高效率地分割出血区域，满足基本临床需求，且能有效避免人工分割时主观意识造成的误差，节约人力成本，对辅助放射科医生诊断颅内出血疾病具有积极意义。

附图说明

图1为本发明的流程图。

图2为本发明中深度卷积神经网络的结构图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。

如图1所示，本发明提供一种基于深度学习的颅内出血ct图像分割方法，具体包括以下步骤：

1)获取颅内出血ct图像；

2)对颅内出血ct图像进行预处理，由于使用的颅内出血ct图像数据采集自不同医院不同成像设备，不同病例的图像存在尺寸不一致的情况，需要将颅内出血ct图像调整至符合网络模型输入的预设大小，其过程为：对于获取的颅内出血ct图像，按照预设图像尺寸对每一张颅内出血ct图像进行尺寸调整，对不足预设尺寸的图像进行边缘填充0像素，对超过预设尺寸的图像进行中心切片裁剪；

对于图像尺寸调整后的颅内出血ct图像，采用区域生长法提取颅脑内部包含血肿块的区域，避免颅骨等其他ct值较高的组织在分割过程中产生干扰；所述区域生长法包括：

对于每一张颅内出血ct图像原图，生成与其尺寸相同的零矩阵；

在原图上选取像素值符合条件的种子点加入生长区域，同时令零矩阵上与种子点同样位置的点的灰度值为1；

从生长区域中任意选取一个未标记的像素点，计算该点和其所有邻域像素点的灰度值差异，若差异值满足阈值条件就将该邻域像素点加入生长区域，同时将零矩阵上与该领域像素点同样位置的像素点灰度值设置为1，当该点的所有领域像素点均处理完毕后，在生长区域中标记该像素点；

若生长区域中不存在未标记的像素点，则区域生长结束，否则继续选取像素点，重复上一步骤；

使用5×5矩形的结构元素对生成的图像矩阵做开运算，平滑图像边界，消除细小突出，再将得到的图像矩阵与原图叉乘，最终得到仅包含颅内结构的图像。

预处理后部分颅内出血ct图像作为训练样本；

3)用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；其过程为：将图像训练样本数据转换为张量输入网络输入层，将输入变量逐层向前传递最后得到预测结果，计算预测结果和实际值之间的误差并逐层逆向反馈误差，更新网络中每层神经元的权重和偏置，最后重新进行前向传播，反复迭代上述过程完成对训练数据的拟合，得到训练好的深度卷积神经网络。

本发明中的深度卷积神经网络如图2所示，本深度卷积神经网络是编码解码网络结构，编码部分由五个阶段构成，图中将这五个阶段命名为编码1阶段、编码2阶段、编码3阶段、编码4阶段、编码5阶段，参考图2右侧编码x阶段所示，编码部分的每个阶段都由两个卷积核大小为3×3的卷积层组成，每个卷积层之后使用relu激活函数；编码部分每个阶段之间通过过滤器参数为2×2的最大池化层连接，池化层逐渐降低输出特征图的空间分辨率，用于提取图像的位置信息和深层语义信息；解码部分由四个阶段构成，图中将这四个阶段命名为解码1阶段、解码2阶段、解码3阶段、解码4阶段，参考图2右侧解码x阶段所示，解码部分的每个阶段同样由两个卷积核大小为3×3的卷积层组成，每个卷积层之后使用relu激活函数；解码部分每个阶段都通过上采样层与前一个阶段连接，其中第一阶段通过上采样层与编码部分的第五阶段连接，上采样层逐层恢复特征图的空间分辨率，将特征图还原到原图尺寸大小。

所述深度卷积神经网络的编码部分前四个阶段和对应解码部分四个阶段之间通过含有注意力单元的跳跃连接进行拼接操作，参考图2所示，其中，编码1阶段和解码3阶段连接相同的注意力单元，并将该注意力单元的输出与解码4阶段的特征图进行拼接操作；编码2阶段和解码2阶段连接相同的注意力单元，并将该注意力单元的输出与解码3阶段的特征图进行拼接操作；编码3阶段和解码1阶段连接相同的注意力单元，并将该注意力单元的输出与解码2阶段的特征图进行拼接操作；编码4阶段和编码5阶段连接相同的注意力单元，并将该注意力单元的输出与解码1阶段的特征图进行拼接操作。

所述注意力单元利用高层语义信息得到注意力系数进而滤除低层特征图中的无用信息，帮助解码部分重点修复目标区域的细节特征，其中：

解码部分某一阶段前一阶段的特征图矩阵经过上采样层恢复到与对应编码阶段的特征图同样尺寸大小，两个特征图矩阵分别进行卷积核大小为1×1的卷积运算，然后逐点相加，相加的结果通过relu激活函数后输入并行的多尺度卷积模块中，分别通过卷积核大小为1×1、3×3和5×5的卷积层后执行拼接操作，融合结果接着进行卷积核大小为1×1的卷积运算，通过sigmoid激活函数，得到注意力系数α，取值[0,1]。利用得到的注意力系数α再与该编码阶段的特征图矩阵做乘法运算，消除不相关区域的影响，提高目标区域权重，最终输出结果与解码部分该阶段的特征图进行拼接操作，补充特征图分辨率降低时丢失的空间信息。

4)将预处理后的颅内出血ct图像输入训练好的深度卷积神经网络进行图像分割，输出分割好的颅内出血ct图像。

最后应说明的是，以上仅用作说明本发明的设计思路和实施方案，而非对其限制，本领域的技术人员应当理解，对本发明的技术方案进行修改或等同替换的其他方案理应包含在本申请的权利要求所限定范围之内。