脑部影像的分割方法、装置、计算机设备和可读存储介质制造方法及图纸

本申请涉及一种脑部影像的分割方法、装置、计算机设备和可读存储介质。该方法包括：获取脑部CT影像，该脑部CT影像包括相邻的多层断层图像；将脑部CT影像输入预设的分割模型，得到脑部CT影像对应的颅内出血分割结果；其中，分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的，分类金标准用于表征样本影像中颅内出血的出血亚型。该方法中，以分类损失指导分割模型进行训练，由此可大大提高训练得到的分割模型的精度，进而提高脑部CT影像分割结果的精度。同时，脑部CT影像为相邻的多层断层图像，可充分考虑各层图像之间的上下文信息，进一步提高得到的脑部CT影像分割结果的精度。

【技术实现步骤摘要】
脑部影像的分割方法、装置、计算机设备和可读存储介质
本申请涉及图像处理
，特别是涉及一种脑部影像的分割方法、装置、计算机设备和可读存储介质。
技术介绍
颅内出血(intracerebralhemorrhage，ICH)是指脑中的血管破裂引起的出血，会造成脑细胞受到破坏的同时出血压迫周围的神经组织而引起其他障碍，对病人的健康影响较大。在当前的临床医学领域，通常由医生观看病人的CT影像来确定颅内出血的位置；随着深度学习技术的不断发展，已有基于深度学习的颅内出血分割方法来辅助医生确定颅内出血的位置，以提高医生的工作效率。在使用深度学习网络对CT影像进行颅内出血分割之前，需要对该深度学习网络进行训练。传统技术中，通常是将CT影像中的每张2D图像作为训练数据，根据该2D图像对应的输出结果与分割金标准之间的损失，对深度学习网络进行训练。然而，由传统技术训练得到的深度学习网络精度较低，得到的颅内出血分割结果准确度也较低。
技术实现思路
基于此，有必要针对由传统技术中深度学习网络得到的颅内出血分割结果准确度较低的问题，本文档来自技高网...

【技术保护点】
1.一种脑部影像的分割方法，其特征在于，所述方法包括：/n获取脑部CT影像，所述脑部CT影像包括相邻的多层断层图像；/n将所述脑部CT影像输入预设的分割模型，得到所述脑部CT影像对应的颅内出血分割结果；其中，所述分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的，所述分类金标准用于表征所述样本影像中颅内出血的出血亚型。/n

【技术特征摘要】
1.一种脑部影像的分割方法，其特征在于，所述方法包括：
获取脑部CT影像，所述脑部CT影像包括相邻的多层断层图像；
将所述脑部CT影像输入预设的分割模型，得到所述脑部CT影像对应的颅内出血分割结果；其中，所述分割模型为根据样本影像、分割金标准以及分类金标准进行训练所得到的，所述分类金标准用于表征所述样本影像中颅内出血的出血亚型。


2.根据权利要求1所述的方法，其特征在于，所述分割模型的训练方式包括：
将所述样本影像输入初始分割网络，得到所述样本影像对应的特征图和预测分割概率图；所述预测分割概率图用于表征所述样本影像中每个像素点属于颅内出血点的概率；
将所述特征图输入与所述初始分割网络连接的分类网络，得到所述样本影像对应的预测分类结果；
计算所述预测分割概率图与所述分割金标准之间的第一损失、以及所述预测分类结果与所述分类金标准之间的第二损失，根据所述第一损失和所述第二损失对所述初始分割网络进行训练，得到所述分割模型。


3.根据权利要求2所述的方法，其特征在于，所述分割金标准包括所述样本影像的颅内出血点掩膜，所述颅内出血点掩膜包括出血点位置、出血点类别和出血点中每个像素点的类别；所述方法还包括：
根据所述预测分割概率图，确定所述样本影像对应的预测掩膜；
相应的，所述计算所述预测分割概率图与所述分割金标准之间的第一损失，包括：
根据所述预测掩膜中的出血点类别，计算所述预测掩膜中出血点位置和所述颅内出血点掩膜中出血点位置之间的重合度损失、以及所述预测掩膜的出血点中每个像素点的预测类别和所述颅内出血点掩膜的出血点中每个像素点的类别之间的类别损失；
对所述重合度损失和所述类别损失进行求和操作，得到所述第一损失。


4.根据权利要求2或3所述的方法，其特征在于，在得到所述分割模型之后，所述方法还包括：<...

【专利技术属性】
技术研发人员：张朗，廖术，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31