一种基于深度学习的脑出血检测系统技术方案

本发明专利技术公开了一种基于深度学习的脑出血检测系统，包括如下模块：原始数据集构建模块、预处理模块、标注模块、Mask‑RCNN网络模块、模型训练模块和脑出血检测模块，本发明专利技术结合深度学习算法、采用Resnet50和FPN网络相结合的方式对特征值进行提取，能够实现对图片中脑出血的定位与分割功能，而且测试结果的准确性较高，对基于深度学习的脑出血检测的实现产生了重要影响，从而可以降低了人工检测的工作量。

【技术实现步骤摘要】
一种基于深度学习的脑出血检测系统
本专利技术涉及计算机视觉图像处理领域，特别是涉及一种基于深度学习的脑出血检测系统。
技术介绍
脑出血(cerebralhemorrhage)是指非外伤性脑实质内血管破裂引起的出血，占全部脑卒中的20％～30％，急性期病死率为30％～40％。发生的原因主要与脑血管的病变有关，即与高血脂、糖尿病、高血压、血管的老化、吸烟等密切相关。若能较早的发现脑出血，就可以对病人提早进行治疗，从而增大治愈的机会。CT扫描是一种特异性较高、快捷以及无创的诊断手段，在脑出血的临床诊断中占有重要地位，CT检查可作为临床诊断首选。深度学习的概念于2006年由Hinton等人提出，其作为机器学习的一个分支，由于它善于发现高维数据的复杂结构，使用泛化目标的学习过程可以自动学习好的特征，所以近年来发展十分迅速。相较于人工设计特征的方法，卷积神经网络的适用范围更广，对图像的特征提取更加深刻全面。国内知名学者也曾表明深度学习将取代人工特征加机器学习的方法而逐渐成为主流图像识别方法。所以将深度学习应用到脑出血检测也越来越成为了国内外在该领域本文档来自技高网...

【技术保护点】
1.一种基于深度学习的脑出血检测系统，其特征在于，包括如下模块：/n原始数据集构建模块：用以构建原始数据集，所述原始数据集包括：测试集和训练集；/n预处理模块：用以对训练集中的图片进行预处理；/n标注模块：用以对经过预处理之后的图片进行标注，标注图片中脑部出血点，将标注后的图片构成脑出血CT数据集；/nMask-RCNN网络模块：用以作为模型训练模块的输入；/n模型训练模块：用以将脑出血CT数据集输入Mask-RCNN网络模块进行迭代训练，直到损失函数收敛或者达到迭代次数时，保存模型，得到最终的Mask-RCNN网络模块；/n脑出血检测模块：用以通过最终的Mask-RCNN网络模块对测试集中的...

【技术特征摘要】
1.一种基于深度学习的脑出血检测系统，其特征在于，包括如下模块：
原始数据集构建模块：用以构建原始数据集，所述原始数据集包括：测试集和训练集；
预处理模块：用以对训练集中的图片进行预处理；
标注模块：用以对经过预处理之后的图片进行标注，标注图片中脑部出血点，将标注后的图片构成脑出血CT数据集；
Mask-RCNN网络模块：用以作为模型训练模块的输入；
模型训练模块：用以将脑出血CT数据集输入Mask-RCNN网络模块进行迭代训练，直到损失函数收敛或者达到迭代次数时，保存模型，得到最终的Mask-RCNN网络模块；
脑出血检测模块：用以通过最终的Mask-RCNN网络模块对测试集中的图片进行测试，输出图片中脑出血点的BoundingBox，完成对脑出血点的检测。


2.根据权利要求1所述一种基于深度学习的脑出血检测系统，其特征在于，在所述原始数据集构建模块中，从医院或者医疗公司获取脑部CT图片形成初始数据集，对初始数据集中的脑部CT图片进行筛选，筛选出适合训练的脑...

【专利技术属性】
技术研发人员：冯玄，谢世朋，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32