一种基于深度学习的颅内出血CT图像分割方法技术

本发明专利技术提供了一种基于深度学习的颅内出血CT图像分割方法，其步骤为：获取颅内出血CT图像；对颅内出血CT图像进行预处理，预处理后部分颅内出血CT图像作为训练样本；用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；将预处理后的颅内出血CT图像输入训练好的深度卷积神经网络进行图像分割，输出分割好的颅内出血CT图像，通过GUI界面展示颅内出血CT图像的出血区域分割结果。本发明专利技术借助深度卷积神经网络自动提取图像高层次特征，并分割出血区域，有效解决出血区域差异性过大造成的数据不平衡问题，实现高精度的分割。

【技术实现步骤摘要】
一种基于深度学习的颅内出血CT图像分割方法
本专利技术涉及人工智能与医学图像处理领域，尤其涉及一种基于深度学习的颅内出血CT图像分割方法。
技术介绍
颅内出血(ICH)指的是脑部血管破裂导致出血，血肿会压迫周围的神经组织，诱发功能性障碍。由于车祸、外伤、高血压、血管病变、脑部肿瘤等都可能导致颅内出血，该疾病已经成为一种常见疾病，病情恶化速度极快，存在极大可能性致残或致死，及时对颅内出血患者进行诊断并给出治疗方案具有极其重要的意义。随着成像技术的发展，临床诊断颅内出血主要是放射科医生检查电子计算机断层扫描(CT)图像来检测和定位颅内出血区域，但由于脑部结构复杂、出血区域大小形状不一、颅脑CT图像对比度低、出血区域边界模糊等问题，人工判别出血区域不仅费时费力，且具有一定主观意识误差。
技术实现思路
为了改进现有颅内出血CT图像分割技术的不足，解决出血区域差异性过大对分割带来的影响，本专利技术提供一种基于深度学习的颅内出血CT图像分割方法。本专利技术的技术方案包括如下步骤：1)获取颅内出血CT图像；2)对颅本文档来自技高网...

【技术保护点】
1.一种基于深度学习的颅内出血CT图像分割方法，其特征在于，包括以下步骤：/n1)获取颅内出血CT图像；/n2)对颅内出血CT图像进行预处理，预处理后部分颅内出血CT图像作为训练样本；/n3)用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；/n4)将预处理后的颅内出血CT图像输入训练好的深度卷积神经网络进行图像分割，输出分割好的颅内出血CT图像。/n

【技术特征摘要】
1.一种基于深度学习的颅内出血CT图像分割方法，其特征在于，包括以下步骤：
1)获取颅内出血CT图像；
2)对颅内出血CT图像进行预处理，预处理后部分颅内出血CT图像作为训练样本；
3)用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；
4)将预处理后的颅内出血CT图像输入训练好的深度卷积神经网络进行图像分割，输出分割好的颅内出血CT图像。


2.根据权利要求1所述的基于深度学习的颅内出血CT图像分割方法，其特征在于：所述步骤2)的具体步骤为：
对获取的颅内出血CT图像，按照预设图像尺寸对每一张颅内出血CT图像进行尺寸调整，对不足预设尺寸的图像进行边缘填充0像素，对超过预设尺寸的图像进行中心切片裁剪；
对于图像尺寸调整后的颅内出血CT图像，采用区域生长法提取颅脑内部包含血肿块的区域，避免颅骨等其他CT值较高的组织在分割过程中产生干扰；所述区域生长法包括：
对于每一张颅内出血CT图像原图，生成与其尺寸相同的零矩阵；
在原图上选取像素值符合条件的种子点加入生长区域，同时令零矩阵上与种子点同样位置的点的灰度值为1；
从生长区域中任意选取一个未标记的像素点，计算该点和其所有邻域像素点的灰度值差异，若差异值满足阈值条件就将该邻域像素点加入生长区域，同时将零矩阵上与该邻域像素点同样位置的像素点灰度值设置为1，当该点的所有邻域像素点均处理完毕后，在生长区域中标记该像素点；
若生长区域中不存在未标记的像素点，则区域生长结束，否则继续选取像素点，重复上一步骤；
使用5×5矩形的结构元素对生成的图像矩阵做开运算，平滑图像边界，消除细小突出，再将得到的图像矩阵与原图叉乘，最终得到仅包含颅内结构的图像。


3.根据权利要求1所述的基于深度学习的颅内出血CT图像分割方法，其特征在于：所述步骤3)的具体步骤为：将图像训练样本数据转换为张量输入网络输入层，将输入变量逐层向前传递最后得到预测结果，计算预测结果和实际值之间的误差并逐层逆向反馈误差，更新网络中每层神经元的权重和偏置，最后重新进行前向传播，反复迭代上述过程完成对训练数据的拟合，得到训练好的深度卷积神经网络。


4.根据权利要求1所述...

【专利技术属性】
技术研发人员：胡凯，侯媛媛，张园，高协平，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：湖南;43