一种CT脑图像分割及血肿测量方法技术

本发明专利技术公开了一种CT脑图像分割及血肿测量方法，包括颅骨剥离、脑出血粗分割、脑出血细分割和脑出血体积测量，本发明专利技术采用基于深度学习两阶段的分割的方法，有着分割速度快、分割结果准确率更高的优势。使用新的脑出血血肿体积的测量方法，效率高、误差小。通过数据集使用不同层厚的脑图像，具有鲁棒性较好的特点。具有鲁棒性较好的特点。具有鲁棒性较好的特点。

【技术实现步骤摘要】
一种CT脑图像分割及血肿测量方法


[0001]本专利技术属于临床上脑出血血肿测量
，特别涉及一种CT脑图像分割及血肿测量方法。

技术介绍

[0002]计算机断层扫描(CT)图像因其可获得性广、成本低、获取迅速等优点使其成为评估脑出血患者血肿的最常用的神经成像手段。然而，基于人工的脑出血容积计量存在着主观性和不准确的问题。使用基于CT的平面测量术的半自动脑出血容积测量既耗时又充满大量的测量误差，特别是对于与脑室出血(IVH)或蛛网膜下腔出血相关的大血肿。ABC/2公式是临床实践和脑出血中常规使用的血肿量的估计方法。然而，对于大的、不规则的或大叶的血肿，这种方法的准确性会降低。

技术实现思路

[0003]为了克服以上技术问题，本专利技术的目的在于提供一种CT脑图像分割及血肿测量方法，具有测量速度快、准确率高、鲁棒性好、效率高的特点。
[0004]为了实现上述目的，本专利技术采用的技术方案是：
[0005]一种CT脑图像分割及血肿测量方法，包括以下步骤；
[0006]颅骨剥离：
[0007]对从医院采集的CT脑部图像(使用飞利浦Brilliance64获得，其曝光参数为120kVp，400
‑
500mAs)进行预处理：首先将DICOM格式的图像转化为NIFTI格式的三维图像，并将其重采样为160*160*80大小作为输入矩阵。为了限制卷积神经网络输入的动态范围，对重采样之后的三维CT图像应用0到100Hu的阈值进行加窗，归一化是按照最小值中心化后，再按极差(最大值—最小值)缩放，将数据归一化到[0,1]之间；
[0008]将归一化之后大小为160*160*80的三维图像输入到颅骨分割网络中(如图1所示)，颅骨分割网络是一种三维卷积神经网络，网络的输出是去除完颅骨之后的三维脑图像，之后将该三维图像重采样到原始空间(即将该三维图像重采样回其初始大小)就得到了最终的去除颅骨之后的三维图像，完成了颅骨剥离；
[0009]脑出血粗分割：
[0010]脑出血粗分割旨在得到脑出血的ROI(RegionofInterest，感兴趣区域)，即脑出血的大体范围，同样的，将去除颅骨之后的图像和脑出血标签重采样为160*160*80大小作为输入矩阵，输入到脑出血粗分割网络，脑出血粗分割网络与颅骨剥离网络是相同的架构，输出是脑出血的大体区域，之后返回到原始空间得到脑出血ROI；
[0011]脑出血细分割：
[0012]脑出血细分割使用与颅骨分割相似的框架，脑出细血分割网络是一种二维卷积神经网络，不同的是在第四次下采样之后多添加了一个残差块用于调整特征图通道数(如图3所示)。除此之外，将粗分割得到的ROI区域以轴向位生成二维切片，得到了脑出血区域的二
维切片，将每相邻的三张切片进行拼接形成一个3*512*512大小的伪彩色图像作为输入矩阵输入到脑出血细分割网络当中(如图4所示)。为了限制网络输入的动态范围，对脑出血二维切片应用30到130Hu的阈值进行加窗，最后输出的便是脑出血标签的二维切片，之后将所有二维切片在第三个维度上堆叠成三维图像，就得到了最后的三维脑出血标签；
[0013]脑出血体积测量：
[0014]将细分的得到的三维脑出血标签的分割体素(体积像素)的数量乘以x、y和z维度中每个体素之间的距离计算脑出血体积。
[0015]本专利技术的有益效果。
[0016]本专利技术采用基于深度学习两阶段的分割的方法，有着分割速度快、分割结果准确率更高(DICE＝0.912)的优势。使用新的脑出血血肿体积的测量方法，效率高、误差小。数据集使用不同层厚的脑图像，鲁棒性较好。
附图说明：
[0017]图1是本专利技术的去颅骨卷积神经网络模型示意图。
[0018]图2是本专利技术的应用于去颅骨卷积神经网络的两个子模块示意图。
[0019]图3为本专利技术的脑出血细分割卷积神经网络示意图。
[0020]图4为本专利技术相邻的三张切片拼接示意图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]实施例：
[0023]将采集到的一张3DCT脑图像重采样为160*160*80大小，并使用0到100Hu的阈值进行加窗输入到颅骨分割网络中，得到去除颅骨之后的图像。之后将去除颅骨之后的图像与脑出血标签从重采样为160*160*80大小输入到脑出血粗分割网络得到脑出血ROI区域。将脑出血ROI区域用30到130Hu的阈值进行加窗并进行二维切片操作，将所有切片输入到脑出血细分割网路中便得到了最终的脑出血三维标签。之后根据三维脑出血标签计算脑出血体积。
[0024]一种新的基于深度学习的两阶段的脑出血分割的方法并用于计算脑出血血肿体积。两阶段的脑出血分割方法大体包括颅骨剥离，脑出血粗分割和脑出血细分割这三个步骤。
[0025]在用CT对头部扫描后，获取的图像包含脑实质、骨骼等组织，但由于骨骼的不规则性会对脑出血分割造成影响，所以在进行脑出血分割之前需要去除颅骨，以排除掉颅骨对脑出血分割的影响。但是现有的CT图像颅骨剥离方法存在着计算量大，鲁棒性差的问题。
[0026]本专利技术提出了一种新的基于深度学习的颅骨剥离的方法，该方法可以大大减少计算量，提高效率，并且具有良好的鲁棒性，可以适应不同层厚的CT三维脑图像。
[0027]如图1所示：为了使颅骨剥离网络获得良好的适应性，搜集的数据包括三种不同厚
度的三维脑图像(0.625mm,1.25mm和5mm)。使用多种不同层厚的数据参与训练，从而提高模型的鲁棒性。为了减少计算量提高计算效率，我们在数据的预处理过程中，将原始数据重切片和重采样为160*160*80大小，相较于原始图像，这大大减小了模型的计算量。将经过预处理的脑图像输入到颅骨剥离网络，输出得到的是剥离掉颅骨的脑图像。
[0028]颅骨剥离网络是在U
‑
Net框架的基础上改进而来的。该网络包括4层下采样和4层上采样，跟普通U
‑
Net框架不同的是，我们的下采样与上采样是通过参差模块(Res
‑
block)实现的，残差模块替代上采样和下采样中的标准卷积，这不仅能够解决网络深度带来的难以训练的问题并且还能够更好的融合上下文特征，从而更利于网络特征的提取。除此之外，我们还把注意力模块融合在网络的跳转连接中，进一步减少语义隔阂问题。网络的输入为经过重切片和重采样之后尺寸为160*160*80大小的三维图像，在每次下采样之后特征图就会缩小一倍，第四次下采样之后特征图变为10*10*5大小。之后通过四次上采样和拼接融合操作得到最后一张特征图。最后经过一个Softmax操作得到最终的输出结果。输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种CT脑图像分割及血肿测量方法，其特征在于，包括以下步骤；颅骨剥离：对从医院采集的CT脑部图像(使用飞利浦Brilliance 64获得，其曝光参数为120kVp，400
‑
500mAs)进行预处理：首先将DICOM格式的图像转化为NIFTI格式的三维图像，并将其重采样为160*160*80大小作为输入矩阵。为了限制卷积神经网络输入的动态范围，对重采样之后的三维CT图像应用0到100Hu的阈值进行加窗，归一化是按照最小值中心化后，再按极差(最大值—最小值)缩放，将数据归一化到[0,1]之间；将归一化之后大小为160*160*80的三维图像输入到颅骨分割网络中，颅骨分割网络是一种三维卷积神经网络，网络的输出便是去除完颅骨之后的三维脑图像，之后将该三维图像重采样到原始空间(即将该三维图像重采样回其初始大小)就得到了最终的去除颅骨之后的三维图像，完成了颅骨剥离；脑出血粗分割：脑出血粗分割旨在得到脑出血的ROI(Region of Interest，感兴趣区域)，即脑出血的大...

【专利技术属性】
技术研发人员：郑强，姜晓林，
申请(专利权)人：烟台大学，
类型：发明
国别省市：