一种脑卒中CT影像分割方法技术

本发明专利技术公开了一种脑卒中CT影像分割方法，包括对缺血性脑卒中CT影像翻转，并将原始CT影像和翻转CT影像进行预处理；构建孪生多级编码器，计算模块来计算两个编码器每一级的特征差异，利用多级特征融合模块来融合特征；构建共享解码器；设计联合损失函数，在训练集上训练到最优分割模型；最后利用训练好的分割模型对未知分割标签的测试集进行缺血性脑卒中梗死分割。本发明专利技术利用特征差异计算模块来计算两个编码器每一级的特征差异，利用多级特征融合模块来融合的全局和局部特征；能够较准确的分割出CT影像中的梗死，为提升缺血性脑卒中诊断效率和准确度、降低致死率和致残率，提供了技术支撑和参考。

【技术实现步骤摘要】
一种脑卒中CT影像分割方法
本专利技术属于图像数据处理
，具体涉及一种脑卒中CT影像分割方法。
技术介绍
脑卒中严重危害中国国民健康。急性缺血性脑卒中大约占我国脑卒中的70%，是最常见的脑卒中类型。由于缺血性脑卒中治疗时间窗短，采集时间较短、费用较低的计算机断层扫描（CT）成为了缺血性脑卒中临床中首选的影像检查技术。缺血性脑卒中的梗死病灶体积是评估患者脑卒中严重程度和治疗决策的重要指标，现在一般通过专家人工对CT影像进行梗死分割，但专家进行梗死分割是非常耗时的，并且存在较大的主观性和个体差异。因此越来越多的研究者关注基于CT影像的自动缺血性脑卒中梗死分割。缺血性脑卒中梗死分割方法可以分为基于机器学习和深度学习这两种。尽管传统的机器学习比如随机森林（RF）和支持向量机（SVM）比较高效，但分割性能欠佳。随着深度学习和计算机技术的不断发展和进步，基于深度学习的梗死分割方法成为了CT影像分割非常重要的工具。目前基于核磁共振成像（MRI）的深度学习梗死分割方法取得了较好的分割性能。但由于CT中梗死与正常组织对比度较低等挑战，因此目前基于CT的深度学习梗死分割方法的效率还需要进一步提升。大多数基于CT的梗死分割方法是一些通用模型和技术的改进，比如U-Net和注意力机制等，几乎没有考虑具体疾病的特性。缺血性脑卒中梗死有以下特点：（1）梗死区域的亮度会比大脑对侧具有相同解剖结构的正常区域低；（2）梗死在空间位置上具有一定的连续性。同时现有基于CT的梗死分割方法中应用的注意力机制大多是通道注意力机制，无法处理空间位置注意力机制来模拟梗死的空间位置连续性，准确度低。
技术实现思路
本专利技术的目的在于提供一种脑卒中CT影像分割方法，该方法能够提高缺血性脑卒中CT影像梗死分割的准确度。本专利技术提供的这种脑卒中CT影像分割方法，包括如下步骤：S1.获取原始CT影像，并进行预处理；S2.构建一个孪生编码器，每个编码器具有相同结构和参数，用于提取多级卷积特征来表征梗死；S3.计算孪生编码器每一级的左右特征差异；S4.将原始CT影像对应编码器的所有特征进行融合，并输入到对应解码器中；S5.构建一个共享的、与编码器结构对称的解码器，利用原始CT影像对应编码器的多级融合特征和每一级差异特征来生成与原始CT影像大小一致的特征图；S6.生成联合损失函数，训练出一个最优的CT影像梗死分割模型；S7.通过训练得到的CT影像梗死分割模型，对未知分类标签的实际CT影像进行梗死分割。所述的步骤S1具体为，将获得的每个脑部CT影像进行横断面左右翻转及配准以获取翻转CT影像，对原始CT影像和翻转CT影像进行处理；将每位患者的三维CT影像在横断面上进行左右翻转，为了确保翻转后影像中大脑解剖结构与原始CT影像相同，再将左右翻转生成的翻转CT影像配准到原始CT影像空间，并对原始CT影像和翻转CT影像进行预处理，预处理包括去脑颅和归一化；同时，将脑部CT影像以横断面上的中心线为基准进行左右翻转；去脑颅包括像素亮度阈值法，去掉亮度大于第一设定值的像素；同时为了去除脑脊髓液的干扰，去除亮度小于第二设定值的像素；归一化用于克服不同患者CT影像中亮度分布差异，具体包括Z-score标准化方法：其中，zi为像素i归一化之后的亮度值；xi为像素i的亮度值；μ为所有像素亮度的均值；σ为所有像素亮度的方差。所述的步骤S2具体包括如下步骤：A1.构建原始5维张量和翻转5维张量；A2.构建孪生编码器，孪生编码器包括原始CT影像对应的编码器Enorigin和翻转CT影像对应的编码器Enflip。所述的步骤A1具体包括，选取N个原始CT影像及其对应的翻转CT影像，构建原始5维张量和翻转5维张量，大小均为N*H*W*Z*1；其中，N为用来训练的患者个数；H为CT影像横断面每一帧的高；W为CT影像横断面每一帧的宽；Z为CT影像横断面的帧数；1是输入张量的特征通道数。所述的步骤A2具体包括，原始CT影像对应的编码器Enorigin和翻转CT影像对应的编码器Enflip具有相同的网络结构，均包含L级，每一级包含一个批归一化层和一个ReLU层，卷积核为3*3*3；级与级之间进行一个2*2*2的最大值池化下采样操作；第l级的卷积层中卷积核个数为2l-1C，C为第1级卷积层的卷积核个数；输入层对应的级为编码器的第1级，下采样之后的级为第2级，以此类推给每一个层级编号。所述的步骤S3具体包括如下步骤：B1.对孪生编码器的第l级特征相减，并进行1*1*1卷积得到粗略差异特征，具体为；其中，为1*1*1卷积的参数；表示卷积操作；为原始CT影像对应的编码器的特征；为翻转CT影像对应的编码器的特征；、和的特征通道个数均为2l-1C，C为第1级卷积层的卷积核个数；B2.构建特征通道注意力机制模块CAM；构建第一空间位置注意力机制模块HAM、第二空间位置注意力机制模块WAM和第三空间位置注意力机制模块ZAM，第一空间位置注意力机制模块HAM对应CT影像的维度H，第二空间位置注意力机制模块WAM对应CT影像的维度W，第三空间位置注意力机制模块ZAM对应CT影像的维度Z；H为CT影像横断面每一帧的高；W为CT影像横断面每一帧的宽；Z为CT影像横断面的帧数；计算特征通道注意力机制模块在特征通道维度上的修正后差异特征：其中，σ(·)表示Sigmoid函数；ReLU(·)表示ReLU激励函数；表示特征通道上FC层（全连接层）的参数；GAPCh(·)表示特征通道维度方向上的全局平均池化操作；表示卷积操作；表示特征通道方向相乘；的特征通道个数为2l-1C，C为第1级卷积层的卷积核个数；计算经过第一空间注意力机制模块HAM后，得到在CT影像的维度H上的修正后差异特征；H为CT影像横断面每一帧的高；其中，σ(·)表示Sigmoid函数；ReLU(·)表示ReLU激励函数；表示HAM中FC层的参数；GAPH(·)表示特征H维度方向上的全局平均池化操作；表示卷积操作；表示特征空间位置方向相乘；的特征通道个数为2l-1C，C为第1级卷积层的卷积核个数；计算经过第二空间位置注意力机制模块WAM后，得到在CT影像的维度W上的修正后差异特征；W为CT影像横断面每一帧的宽；其中，σ(·)表示Sigmoid函数；ReLU(·)表示ReLU激励函数；表示WAM中FC层的参数；GAPW(·)表示特征W维度方向上的全局平均池化操作；表示卷积操作；表示特征空间位置方向相乘；的特征通道个数为2l-1C，C为第1级卷积层的卷积核个数；计算经过第三空间位置注意力机制模块ZAM后，得到在CT影像的维度Z上的修正后差异特征；Z为CT影像横断面的帧数；其中，σ(·)表示Sigmoid函本文档来自技高网...

【技术保护点】
1.一种脑卒中CT影像分割方法，其特征在于包括如下步骤：/nS1. 获取原始CT影像，并进行预处理；/nS2. 构建一个孪生编码器，每个编码器具有相同结构和参数，用于提取多级卷积特征来表征梗死；/nS3. 计算孪生编码器每一级的左右特征差异；/nS4. 将原始CT影像对应编码器的所有特征进行融合，并输入到对应解码器中；/nS5. 构建一个共享的、与编码器结构对称的解码器，利用原始CT影像对应编码器的多级融合特征和每一级差异特征来生成与原始CT影像大小一致的特征图；/nS6. 生成联合损失函数，训练出一个最优的CT影像梗死分割模型；/nS7. 通过训练得到的CT影像梗死分割模型，对未知分类标签的实际CT影像进行梗死分割。/n

【技术特征摘要】
1.一种脑卒中CT影像分割方法，其特征在于包括如下步骤：
S1.获取原始CT影像，并进行预处理；
S2.构建一个孪生编码器，每个编码器具有相同结构和参数，用于提取多级卷积特征来表征梗死；
S3.计算孪生编码器每一级的左右特征差异；
S4.将原始CT影像对应编码器的所有特征进行融合，并输入到对应解码器中；
S5.构建一个共享的、与编码器结构对称的解码器，利用原始CT影像对应编码器的多级融合特征和每一级差异特征来生成与原始CT影像大小一致的特征图；
S6.生成联合损失函数，训练出一个最优的CT影像梗死分割模型；
S7.通过训练得到的CT影像梗死分割模型，对未知分类标签的实际CT影像进行梗死分割。


2.根据权利要求1所述的脑卒中CT影像分割方法，其特征在于所述的步骤S1具体为，将获得的每个脑部CT影像进行横断面左右翻转及配准以获取翻转CT影像，对原始CT影像和翻转CT影像进行处理；将每位患者的三维CT影像在横断面上进行左右翻转，为了确保翻转后影像中大脑解剖结构与原始CT影像相同，再将左右翻转生成的翻转CT影像配准到原始CT影像空间，并对原始CT影像和翻转CT影像进行预处理，预处理包括去脑颅和归一化；同时，将脑部CT影像以横断面上的中心线为基准进行左右翻转；去脑颅包括像素亮度阈值法，去掉亮度大于第一设定值的像素；同时为了去除脑脊髓液的干扰，去除亮度小于第二设定值的像素；归一化用于克服不同患者CT影像中亮度分布差异，具体包括Z-score标准化方法：



其中，zi为像素i归一化之后的亮度值；xi为像素i的亮度值；μ为所有像素亮度的均值；σ为所有像素亮度的方差。


3.根据权利要求2所述的脑卒中CT影像分割方法，其特征在于所述的步骤S2具体包括如下步骤：
A1.构建原始5维张量和翻转5维张量；
A2.构建孪生编码器，孪生编码器包括原始CT影像对应的编码器Enorigin和翻转CT影像对应的编码器Enflip。


4.根据权利要求3所述的脑卒中CT影像分割方法，其特征在于所述的步骤A1具体包括，选取N个原始CT影像及其对应的翻转CT影像，构建原始5维张量和翻转5维张量，大小均为N*H*W*Z*1；其中，N为用来训练的患者个数；H为CT影像横断面每一帧的高；W为CT影像横断面每一帧的宽；Z为CT影像横断面的帧数；1是输入张量的特征通道数。


5.根据权利要求4所述的脑卒中CT影像分割方法，其特征在于所述的步骤A2具体包括，原始CT影像对应的编码器Enorigin和翻转CT影像对应的编码器Enflip具有相同的网络结构，均包含L级，每一级包含一个批归一化层和一个ReLU层，卷积核为3*3*3；级与级之间进行一个2*2*2的最大值池化下采样操作；第l级的卷积层中卷积核个数为2l-1C，C为第1级卷积层的卷积核个数；输入层对应的级为编码器的第1级，下采样之后的级为第2级，以此类推给每一个层级编号。


6.根据权利要求5所述的脑卒中CT影像分割方法，其特征在于所述的步骤S3具体包括如下步骤：
B1.对孪生编码器的第l级特征相减，并进行1*1*1卷积得到粗略差异特征，具体为；



其中，为1*1*1卷积的参数；表示卷积操作；为原始CT影像对应的编码器的
特征；为翻转CT影像对应的编码器的特征；、和的特征通道个数均为2l-1C，C为第1级卷积层的卷积核个数；
B2.构建特征通道注意力机制模块CAM；构建第一空间位置注意力机制模块HAM、第二空间位置注意力机制模块WAM和第三空间位置注意力机制模块ZAM，第一空间位置注意力机制模块HAM对应CT影像的维度H，第二空间位置注意力机制模块WAM对应CT影像的维度W，第三空间位置注意力机制模块ZAM对应CT影像的维度Z；H为CT影像横断面每一帧的高；W为CT影像横断面每一帧的宽；Z为CT影像横断面的帧数；
计算特征通道注意力机制模块在特征通道维度上的修正后差异特征：



其中，σ(·)表示Sigmoid函数；ReLU(·)表示ReLU激励函数；表示特征通道上FC层的
参数；GAPCh(·)表示特征通道维度方向上的全局平均池化操作；表示卷积操作；表示特
征通道方向相乘；的特征通道个数为2l-1C，C为第1级卷积层的卷积核个数；
计算经过第一空间注意力机制模块HAM后，得到在CT影像的维度H上的修正后差异特征；H为CT影像横断面每一帧的高；



其中，σ(·)表示Sigmoid函数；ReLU(·)表示ReLU激励函数；表示HAM中FC层的参
数；GAPH(·)表示特征H维度方向上的全局平均池化操作；表示卷积操作；表示特征空
间位置方向相乘；的特征通道个数为2l-1C，C为第1级卷积层的卷积核个数；
计算经过第二空间位置注意力机制模块WAM后，得到在CT影像的维度W上的修正后差异
特征；W为CT影像横断面每一帧的宽；



其中，σ(·)表示Sigmoid函数；ReLU(·)表示ReLU激励函数；表示WAM中FC层的参
数；GAPW(·)表示特征W维度方向上的全局平均池化操作；表示卷积操作；表示特征空
间位置方向相乘；的特征通道个数为2l-1C，C为第1级卷积层的卷积核个数；
计算经过第三空间位置注意力机制模块ZAM后，得到在CT影像的维度Z上的修正后差异
特征；Z为CT影像横断面的帧数；


<...

【专利技术属性】
技术研发人员：匡湖林，刘锦，王建新，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43