基于三维卷积的缺血性脑卒中分割系统技术方案

本发明专利技术针对缺血性脑卒中分割难度大，缺血性脑卒中形态多样，样本之间差异性大，拥有三维信息，且传统基于散度测度等方法的精度不高的问题，提出一种基于3D卷积神经网络的系统，该系统包括：首先对训练样本进行数据增强，归一化处理，然后训练带有膨胀卷积的分割网络，再在网络结构上调整，直到得到的结构最优网络。提高分割精度。

【技术实现步骤摘要】
基于三维卷积的缺血性脑卒中分割系统
本专利技术涉及图像处理，深度学习，尤其涉及一种基于多三位卷积的缺血性脑卒中分割系统。
技术介绍
随着计算机技术的显著发展，针对医学病理图像进行自动分析的图像处理算法也应用得越来越广泛。脑血管病已经成为我国疾病致死的第一死亡原因。缺血性脑卒中主要通过磁共振影像学手段进行诊断。而确定不可逆转损伤的脑组织的位置和范围是急性卒中决策过程的关键部分。由于CT检测的速度，可用性和没有禁忌症，CT已被用于对卒中患者进行分类。但是基于CT图像的识别不可逆转的受损组织非常具有挑战性。并且许多商业软件努力使用CT方法检测。但是现在缺乏一种非常先进的数据分析技术，才能够帮助以重复和准确的方式去分割这些区域用于诊断，并最终用于临床医生进行决策过程。现在该方向的研究者已经提出了很多方法，有基于灰度直方图散度测度的分割方法，基于ADC(表观弥散系数图像)和DWI(弥撒加权图像)灰度约束的脑缺血区域分割方法。但是这个些方法精度都较低，且泛化性不强的缺点，提出了一种基于三维卷积的编解码结构的网络，以随机连接的构建网络方式，得到多种网本文档来自技高网...

【技术保护点】
1.一种基于三维卷积的缺血性脑卒中分割系统，所述方法包括：/n(1)对样本库的缺血性脑卒中图片样本，进行预处理，得到训练样本和验证样本；/n(2)利用(1)中得到的训练样本，依批次输入如图1的设计的神经网络，进行训练；采用以交叉熵为损失函数带动量的随机梯度下降法训练网络；得到训练好的网络；/n(3)采用随机连接的方式构建(2)中网络，并再按照(2)中步骤训练，得到最优模型；/n(4)对测试图片按照(1)中的预处理方法，得到处理后的测试图片；/n(5)利用(3)中训练好的网络，预测(4)中处理后的预测图片，再对预测图片后处理，完成对测试图片的分割。/n

【技术特征摘要】
1.一种基于三维卷积的缺血性脑卒中分割系统，所述方法包括：
(1)对样本库的缺血性脑卒中图片样本，进行预处理，得到训练样本和验证样本；
(2)利用(1)中得到的训练样本，依批次输入如图1的设计的神经网络，进行训练；采用以交叉熵为损失函数带动量的随机梯度下降法训练网络；得到训练好的网络；
(3)采用随机连接的方式构建(2)中网络，并再按照(2)中步骤训练，得到最优模型；
(4)对测试图片按照(1)中的预处理方法，得到处理后的测试图片；
(5)利用(3)中训练好的网络，预测(4)中处理后的预测图片，再对预测图片后处理，完成对测试图片的分割。


2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中具体包括：
(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行翻转，随机下采样，形变，以及改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是100×100×100；
(12)对(11)中训练样本和验证样本图片对应的标签图片，使用(11)中一样的旋转，翻转，同样的下采样，形变，保证标签样本与训练样本或验证样本对应，得到数据增强后的标签样本，样本大小是100×100×100；
(13)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。


3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中具体包括：
(21)首先构建一个如图(1)的3D分割网络；图像数据依次进入三个残差模块和下采样，提出去特征；再由一个残差模块整合特征，之后分别输入四个不同膨胀系数的膨胀卷积模块；其中膨胀系数分别是2，4，6，10；之后在一个残差模块特征融合之后；依次进入三个残差模块和上采样得到最终的分割概率图；整个网络输出一个维度是100×100×100×2概率特征图；
图(1)中的残差模块由两个如图(2)的卷积模块组成，图(2...

【专利技术属性】
技术研发人员：漆进，胡顺达，秦金泽，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51