基于CNN和NLSTM神经网络应用于CT影像的颅内出血检测算法制造技术

一种基于CNN和NLSTM神经网络应用于CT影像的颅内出血检测算法，属于智能医学影像处理领域。使用CNN神经网络提取CT影像的图片特征。在提取CNN特征之前，CNN神经网络也是经过训练的，我们这里使用的预训练CNN网络为ResNeXt。提取的图像的embedding和病人的序列信息相结合作为NLSTM神经网络的输入，通过交叉熵损失函数计算损失反向传播网络，最后得到的网络结构去进行测试。这种CNN与RNN神经网络相结合的模式很适合处理CT序列影像，CNN与NLSM是一种新颖的颅内出血检测分类方法。本发明专利技术基于CNN和NLSTM相结合的颅内出血检测算法，是一种准确高效的自动出血检测和分类算法，对临床有着极其重要的价值，具有广阔的应用场景。

【技术实现步骤摘要】
基于CNN和NLSTM神经网络应用于CT影像的颅内出血检测算法
本专利技术属于智能医学影像处理领域，具体涉及一种基于CNN和NLSTM神经网络应用于CT影像的颅内出血检测算法。
技术介绍
深度学习是机器学习和人工智能研究的最新趋势之一。它也是当今最流行的科学研究趋势之一。深度学习方法为计算机视觉和机器学习带来了革命性的进步。近年来，深度学习方法在医学影像处理中得到了广泛的关注。对于一些特定的任务，深度学习方法已经显示出可以与医学专家相匹敌或超越医学专家的表现。颅内出血(ICH)，是指脑中的血管破裂引起出血，因此由血管获得血液的脑细胞受到破坏的同时，由于出血压迫周围的神经组织而引起障碍。它也叫脑出血、脑溢血、出血性中风，占全部脑卒中的20％-30％，急性期病死率为30％-40％。颅内出血包含：脑室内出血(IVH)、脑实质性出血(IPH)、蛛网膜下腔出血(SAH)、硬膜外出血(EDH)和硬膜下血肿(SDH)。可见，颅内出血分类主要是与出血位置有关。诊断颅内出血是医学领域的一个重要挑战。确定颅内出血的部位和类型是治疗病人的关键。目前的本文档来自技高网...

【技术保护点】
1.基于CNN和NLSTM神经网络应用于CT影像的颅内出血检测算法，其特征在于：所述方法为：/n步骤一：从dicom格式的医学CT影像得到CT图像值：/ndicom格式的图片要转化成CT图像值，转化公式如下：/nimage

【技术特征摘要】
1.基于CNN和NLSTM神经网络应用于CT影像的颅内出血检测算法，其特征在于：所述方法为：
步骤一：从dicom格式的医学CT影像得到CT图像值：
dicom格式的图片要转化成CT图像值，转化公式如下：
imagehu＝pixel×Rescaleslope+Rescaleintercept
其中，imagehu为CT图像值，又称hu值；pixel为dicom影像的像素值，Rescaleslope为缩放截距，Rescaleintercept为缩放斜率；
步骤二：Windowing操作
对步骤一得到的CT图像值进行windowing操作，使用的窗口如下：Brainwindow：[40，80]，Subduralwindow：[80，200]，Bonewindow：[40，380]，其中，方括号内第一位数字表示窗位，第二位数字表示窗宽；
步骤三：转化成jpg图像
Windowing操作完之后再进行归一化使得图像的像素值在[0，1]之间，将图片的像素值与255相乘得到[0，255]之间的值，随后使用opencv的imwrite()函数生成.jpg图像；
步骤四、训练CNN神经网络
预训练网络模型是ResNeXt101神经网络，数据集使用步骤三得到的jpg图像，并且在训练过程中对jpg图像做数据增强处理，使用的函数库为Albumentations函数库；
在训练过程中使用的损失函数是交叉熵损失，其公式如下：



其中，L为交叉熵损失，N为一个batchsize的样本数量，i为样本，yi为第i个样本的标签，xi为当前模型第i个样本的预测值；
使用的深度学习框架是Pytorch，使用的是torch.nn.BCEWithLogitsLoss()函数，该函数包括了交叉熵损失和SIGMOD函数；通过计算损失反向传播调整网络参数，得到训练好的网络参数；
步骤五：提取图片的embedding
通过步骤四中训练好的网络结构和参数，提取图片的embedding，将图片进行特征提取，从而将每一张图片映射成一个2048维的向量，并保存到.npz文件中，另外，将dataloader数据帧信息也保存到文件中；
步骤六：创建序列信息<...

【专利技术属性】
技术研发人员：刘萍萍，石立达，朱俊杰，陈儇，刘鹏程，周求湛，金百鑫，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22