一种基于深度学习的CT图像脑出血区域分割方法

本发明涉及机器视觉，尤其是涉及一种基于深度学习的ct图像脑出血区域分割方法。

背景技术：

1、针对国内外ct图像脑出血区域分割方法进行分析之后，发现在ct图像中标注脑出血区域存在两个难点：(1)脑出血区域和脑部钙化区域的辨别；(2)脑出血区域的边缘比较模糊，在边缘呈现低密度环绕。同时为了达到更高的分割精度，用于分割深度脑出血区域的深度学习模型结构越来越复杂，模型结构复杂带来的是参数量的增加，巨大的参数量增加了模型收敛的难度以及延长了训练时间。

2、消融实验中使用了resnet网络和密集连接作为对比。resnet作为一种特征提取的主干网络被广泛用于医学图像分割模型中。密集连接是一种深度神经网络的连接模式，指的是每个卷积层之间都相互连接。

技术实现思路

1、本发明的目的在于解决上述技术问题，并提出一种基于深度学习的ct图像脑出血区域分割方法。

2、为了达到上述目的，本发明提供的技术方案为：

3、所述基于深度学习的ct图像脑出血区域分割方法，包括：

4、获取脑出血ct图像，对脑出血ct图像中的脑出血区域进行标记，根据脑出血ct图像和对应的脑出血区域建立脑出血ct图像数据集，将脑出血ct图像数据集分为训练集和测试集；

5、对训练集进行数据增强，将数据增强后得到的增强图片加入到训练集中；

6、将训练集传入快速减法网络模型并进行训练获得最优权重；

7、将测试集传入基于最优权重的快速减法网络模型进行测试，输出测试通过的快速减法网络模型用于脑出血区域分割；

8、所述快速减法网络模型包括编码模块、多尺度跃迁模块和解码模块，所述编码模块、多尺度跃迁模块和解码模块均包括i层结构，编码模块的第i层输出输入多尺度跃迁模块的第i层，多尺度跃迁模块的第i层输出输入解码模块的第i层，其中i∈[1，i]。

9、进一步的，所述对训练集进行数据增强，包括：

10、计算训练集中的每个脑出血ct图像与多个无脑出血区域ct图像的图像相似度；

11、将当前脑出血ct图像所有的图像相似度进行排序，选择和当前脑出血ct图像相似度最高的无脑出血区域ct图像作为母本；

12、提取当前脑出血ct图像的脑出血区域，用脑出血ct图像的脑出血区域像素取代母本的相应区域的像素，得到当前脑出血ct图像的增强图片；

13、得到训练集中每个脑出血ct图像的增强图片。

14、进一步的，使用互信息算法计算无脑出血区域ct图像与训练集中的脑出血ct图像的图像相似度，互信息算法的计算公式如下：

15、

16、其中，i(x；y)表示互信息算法，(x；y)表示两个随机变量：无脑出血区域ct图像和脑出血ct图像，p(x；y)表示随机变量(x；y)的联合分布，p(x)、p(y)是两个随机变量的边缘分布。

17、进一步的，所述提取脑出血ct图像的脑出血区域，包括：

18、通过概率分布算法计算裁剪区域的大小，计算公式如下所示：

19、yi＝d(yj)～λ

20、xj＝xi+yi

21、其中，xi表示母本，yj表示脑出血ct图像数据集中的脑出血区域，λ表示概率分布，yi表示生成的剪裁区域，xj表示增强图片；

22、根据裁剪区域的大小，对脑出血ct图像的脑出血区域进行裁剪，获得裁剪后的脑出血区域。

23、进一步的，所述编码模块包括i组卷积层，所述编码模块的训练过程用公式表示如下：

24、a′(x)＝(1-λ)a(x)+λx

25、

26、其中，a′(x)为一组卷积层中的第2层的激活函数，λ为激活函数a′(x)的非线性的超参数，a(x)表示一组卷积层中的第1层的激活函数，x为输入到快速减法网络模型中的图像，e为当前训练的轮数，e为设定的训练总轮数；

27、在训练到预定轮数之前，a′(x)＝a(x)，在训练了预定轮数之后，a′(x)＝x。

28、进一步的，所述多尺度跃迁模块包括i-1个减法单元，多尺度跃迁模块用公式表示如下：

29、

30、

31、其中，dsi表示多尺度跃迁模块第i层输出的特征图，表示编码模块第i层输出的特征图，表示多尺度跃迁模块中第i层中减法模块输出的特征图，表示输入多尺度跃迁模块中第i+1层的特征图，表示多尺度跃迁模块中第i+1层中减法模块输出的特征图，表示特征图按元素相减之后再次输入卷积层。

32、进一步的，所述解码模块的第一层至第i-1层包括上采样层和卷积层，解码模块的第i层包括卷积层，上采样层将多尺度跃迁模块输出的特征图上采样到和上一层相同的大小并输出到同一层的卷积层，卷积层将多尺度跃迁模块输出的特征图和解码模块上一层输出经过上采样后的特征图融合解码后输入解码模块的下一层，解码模块的第一层输出分割结果图。

33、进一步的，根据所述分割结果图和输入快速减法网络模型的脑出血ct图像获得快速减法网络模型的最优权重。

34、本发明与现有技术相比，其显著优点为：

35、(1)本申请提供的新的分割ct图像脑出血区域分割方法构建了快速减法网络模型，快速减法网络模型包括三个模块，编码模块、多尺度跃迁模块和解码模块。编码模块用于编码ct图像各个层次的特征并将其输入多尺度跃迁模块，多尺度跃迁模块通过处理各个层次的特征之后输出到解码模块，解码模块融合多尺度跃迁模块的输出之后输出最终的分割结果图。快速减法网络模型在脑出血ct图像数据集上的分割结果的平均交并比(miou)为0.553，平均dice系数(mdice)为0.6266，精度(acc)为0.9971，加权dice系数为0.8316，结构相似性系数(sα)为0.7743，增强对齐系数为0.8588。相比于最前沿的医学图像分割模型msnet、pranet、u2net，本发明的快速减法网络模型在多个评价指标上的精度均占优，提供了一种新的方法，为临床应用提供了理论依据。

36、(2)本发明设计了一个新的适用于脑部病变ct图像的数据增强方法，首先选择一张脑出血ct图像，再通过互信息算法计算它和无脑出血区域ct图像的相似度，选择最相似的无脑出血区域ct图像作为母本，将脑出血ct图像的脑出血区域提取出来，无脑出血区域ct图像的相应区域的像素被脑出血ct图像的脑出血区域像素取代，最后得到全新的脑出血ct图像和标记。有助于缓解医学图像数据集图像数量匮乏的问题。

技术特征：

1.一种基于深度学习的ct图像脑出血区域分割方法，其特征在于，所述基于深度学习的ct图像脑出血区域分割方法，包括：

2.根据权利要求1所述的基于深度学习的ct图像脑出血区域分割方法，其特征在于，所述对训练集进行数据增强，包括：

3.根据权利要求2所述的基于深度学习的ct图像脑出血区域分割方法，其特征在于，使用互信息算法计算无脑出血区域ct图像与训练集中的脑出血ct图像的图像相似度，互信息算法的计算公式如下：

4.根据权利要求2所述的基于深度学习的ct图像脑出血区域分割方法，其特征在于，所述提取脑出血ct图像的脑出血区域，包括：

5.根据权利要求1所述的基于深度学习的ct图像脑出血区域分割方法，其特征在于，所述编码模块包括i组卷积层，所述编码模块的训练过程用公式表示如下：

6.根据权利要求1所述的基于深度学习的ct图像脑出血区域分割方法，其特征在于，所述多尺度跃迁模块包括i-1个减法单元，多尺度跃迁模块用公式表示如下：

7.根据权利要求1所述的基于深度学习的ct图像脑出血区域分割方法，其特征在于，所述解码模块的第一层至第i-1层包括上采样层和卷积层，解码模块的第i层包括卷积层，上采样层将多尺度跃迁模块输出的特征图上采样到和上一层相同的大小并输出到同一层的卷积层，卷积层将多尺度跃迁模块输出的特征图和解码模块上一层输出经过上采样后的特征图融合解码后输入解码模块的下一层，解码模块的第一层输出分割结果图。

8.根据权利要求7所述的基于深度学习的ct图像脑出血区域分割方法，其特征在于，根据所述分割结果图和输入快速减法网络模型的脑出血ct图像获得快速减法网络模型的最优权重。

技术总结
本发明涉及机器视觉技术领域，尤其是涉及一种基于深度学习的CT图像脑出血区域分割方法。本发明获取脑出血CT图像，标注脑出血CT图像中的脑出血区域，根据脑出血CT图像和对应的脑出血区域建立脑出血CT图像数据集，将脑出血CT图像数据集分为训练集和测试集；对训练集进行数据增强，将数据增强后得到的增强图片加入到训练集中；将训练集传入快速减法网络模型并进行训练获得最优权重；将测试集传入快速减法网络模型进行测试，输出测试通过的快速减法网络模型用于脑出血区域分割。本发明在多个评价指标上的精度均较高，数据增强方法有助于缓解医学图像数据集图像数量匮乏的问题。

技术研发人员：李宏,顾骏鸿,徐晓剑
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/3/12