【技术实现步骤摘要】
基于多模型结合的脑出血分割方法和系统
[0001]本专利技术涉及图像处理
，具体地，涉及基于多模型结合的脑出血分割方法和系统。
技术介绍
[0002]中风是全球第二大最常见的死亡原因和致残原因，每年有将近80万人经历新的或复发性的中风，超过2/3的幸存者将患有某种类型的残疾，中风治疗的“黄金时期”是发作后3至6个小时。中风主要分为缺血性中风和出血性中风两种类型。出血性中风约占中风病例的13％，占所有中风死亡的40％。出血性中风是由大脑血管破裂引起的周围脑组织出血(脑出血)，导致脑细胞死亡，大脑的受影响部分将停止工作。相比缺血性中风，出血性中风死亡率更高、危险更大。
[0003]目前，治疗脑出血，一般在头部X射线CT图像上对脑出血进行分割。但是这种分割是通过专业人员的介入而手动进行，操作复杂，对医生的经验要求较高。
技术实现思路
[0004]针对现有技术中的缺陷，本专利技术的目的是提供一种基于多模型结合的脑出血分割方法和系统。
[0005]第一方面，本专利技术提供一种基于多模型结合的脑出血
【技术保护点】
【技术特征摘要】
1.一种基于多模型结合的脑出血分割方法，其特征在于，包括：步骤1：获取待检测的脑部图像数据；步骤2：采用形态学方法，去除所述待检测的脑部图像数据中的颅骨部分，得到预处理后的数据；步骤3：将所述预处理后的数据输入目标检测模型，输出所述脑部图像数据的分割结果，其中，所述分割结果中包含有脑部出血区域。2.根据权利要求1所述的基于多模型结合的脑出血分割方法，其特征在于，在执行步骤3之前，还包括：构建包含有脑部出血区域的图像数据集；将所述图像数据集划分为训练集和测试集；基于模糊C-均值聚类方法，分别对所述训练集、所述测试集中的图像进行分类，得到标记有图像区域分类结果的中间图像数据；采用形态学方法，去除所述中间图像数据中的颅骨部分，得到目标数据；通过所述训练集对应的目标数据训练构建的初始检测模型，得到训练后的模型；其中，所述初始检测模型是结合空洞卷积建立改进的U-Net神经网络模型；通过所述测试集对应的目标数据测试所述训练后的模型，若测试通过，则得到所述目标检测模型。3.根据权利要求2所述的基于多模型结合的脑出血分割方法，其特征在于，所述构建包含有脑部出血区域的图像数据集，包括：对包含有脑部出血区域的图像进行筛选，筛选出图像大小、清晰度、完整度均符合要求的图像加入图像数据集。4.根据权利要求2所述的基于多模型结合的脑出血分割方法，其特征在于，基于模糊C-均值聚类方法，分别对所述训练集、所述测试集中的图像进行分类，得到标记有图像区域分类结果的中间图像数据，包括：基于模糊C-均值聚类方法，分别对所述训练集、所述测试集中的图像的每一像素的灰度值进行聚类，得到标记有脑灰质区域、脑白质区域、脑脊液区域、出血区域这四类区域分类结果的中间图像数据。5.根据权利要求2所述的基于多模型结合的脑出血分割方法，其特征在于，采用形态学方法，去除所述中间图像数据中的颅骨部分，得到目标数据，包括：调整所述中间图像数据的膨胀参数与腐蚀的参数，直至去除每张图像中的颅骨部分。6.根据权利要求2-5中任一项所述的基于多模型结合的脑出血分割方法，其特征在于，所述结合空洞卷积建立改进的U-Net神经网络模型包括七层卷积结构，其中：第一层用于：将输入数据做两个卷积和一个空洞卷积，卷积核大小为3...
【专利技术属性】
技术研发人员：曹国刚，王一杰，朱信玉，李梦雪，刘顺堃，毛红东，孔德卿，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。