基于头部CT平扫影像的颅内出血自动勾画方法及装置制造方法及图纸

本发明专利技术提供了一种基于头部CT平扫影像的颅内出血自动勾画方法及装置，其方法，包括：步骤1：对头部原始图像进行处理，读取处理后的CT值，并调整需要的窗宽窗位，对在窗宽窗位内的CT值进行预处理，转换为单通道矩阵；步骤2：将处理好的原始影像以及预处理结果，输入到预设勾画模型；步骤3：基于预设勾画模型对勾画数据进行预测，输出预测值；步骤4：基于预测值，获得输出预测图像的病灶勾画图像。对颅内出血进行精准分割勾画，减少诊断所需时间，提高检测效率和准确诊断的稳定性。率和准确诊断的稳定性。率和准确诊断的稳定性。

【技术实现步骤摘要】
基于头部CT平扫影像的颅内出血自动勾画方法及装置


[0001]本专利技术涉及AI医疗影像辅助诊断
，特别涉及一种基于头部CT平扫影像的颅内出血自动勾画方法及装置。

技术介绍

[0002]据统计从2017年起，脑卒中在我国已是主要死亡病因,发病率高居世界第一。在脑卒中的多种类型中，脑出血既非创伤性脑实质出血是最容易致死的卒中类型。脑出血的诊断通常采用平扫CT，医生通过CT影像上出血部位、颅内出血体积等方式诊断出血病因。除脑实质出血以外，颅内出血通常还包括多种亚类。其中包括，硬膜下出血，和硬膜外出血，脑室出血，主要由动脉瘤破裂引起的蛛网膜下腔出血。准确的出血分割和量化变得至关重要，康复和治疗规划都依赖于CT影像的诊断结果。临床上人工勾画耗费时间往往很长，并且也存在出现误差的可能。ABC/2多田公式是临床中主要估算出血量的方法，然而，当有多个出血病灶区域(multiple bleeding site)发生时，并不能达到很好的计算效果。公式的计算结果也受病灶形状影响，此方法并不适用于脑出血以外的出血亚型。基于卷积神经网络分割的计量方式能达到更高兼容度，因此需要一种卷积神经网络的分割方法。
[0003]目前基于神经网络的分割方法中，颅内出血分割主要以脑实质出血的分割为主。除脑实质以外的出血分割表现并不理想，蛛网膜下腔出血分割也难以体现。数据有限为其中主要原因，又或是硬膜下出血接近头骨部分特征提取有异于一般的脑实质出血,通常方法较难完整分割。在临床上对亚型的检测同样重要。因此，本专利技术提供一种较为全面的颅内出血分割方法，自动精准勾画脑出血等多种出血类型病灶区域。

技术实现思路

[0004]本专利技术提供一种基于头部CT平扫影像的颅内出血自动勾画方法及装置，用以对颅内出血进行精准分割勾画，减少诊断所需时间，提高检测效率和准确诊断的稳定性。
[0005]本专利技术提供一种基于头部CT平扫影像的颅内出血自动勾画方法，包括：
[0006]步骤1：对头部原始图像进行处理，读取处理后的CT值，并调整需要的窗宽窗位，对在窗宽窗位内的CT值进行预处理，转换为单通道矩阵；
[0007]步骤2：将处理好的原始影像以及预处理结果，输入到预设勾画模型；
[0008]步骤3：基于预设勾画模型对勾画数据进行预测，输出预测值；
[0009]步骤4：基于预测值，获得输出预测图像的病灶勾画图像。
[0010]在一种可能实现的方式中，步骤1：对头部原始图像进行处理，读取处理后的CT值，并调整需要的窗宽窗位，对在窗宽窗位内的CT值进行预处理，转换为单通道矩阵，包括：
[0011]读取头部原始影像的CT值，筛选CT值中的符合第一条件的值进行保留，并将剩余值剔除，得到颅骨的坐标信息；
[0012]设置所需窗宽窗位，进而从头部原始影像的CT值中提取第一数值；
[0013]将提取的第一数值进行归一化处理，并将颅骨的坐标信息在设置的窗宽窗位对应
的矩阵中进行蒙版处理，并转换为0，构建得到单通道矩阵。
[0014]在一种可能实现的方式中，步骤2中，在输入到预设勾画模型之前，还包括：
[0015]构建基本颅内出血分割模型，并确定分割网络评价指标集合；
[0016]基于评价指标集合，对基本颅内出血分割模型进行测评；
[0017]根据测评结果，确定基本颅内出血分割模型的基本等级；
[0018]当基本等级为常规等级时，对基本颅内出血分割模型进行优化，得到预设勾画模型；
[0019]当基本等级为特殊等级时，将基本颅内出血分割模型进行保存，且保存的模型即为预设勾画模型。
[0020]在一种可能实现的方式中，对基本颅内出血分割模型进行优化，得到预设勾画模型，包括：
[0021]从模型优化数据库中，提取基本颅内出血分割模型的待优化集合；
[0022]确定基本颅内出血分割模型未精细识别的特殊部位，并确定特殊部位的勾画难度，进而根据勾画难度确定对应的精细勾画指标；
[0023]对基本颅内出血分割模型进行架构解析，根据解析结果，确定基本颅内出血分割模型中每层的基础信息以及相邻层之间的相关信息；
[0024]基于基础信息、相关信息，确定与待优化集合、精细勾画指标相关的匹配层；
[0025]对每个匹配层涉及到的待优化集合中的待优化指标以及涉及到的精细勾画指标进行确定，并构建每个匹配层中涉及指标与该匹配层的改进关系；
[0026]根据改进关系，判断匹配层中涉及指标是否唯一不可丢弃；
[0027]根据判断结果，确定对应匹配层中剩余的涉及指标对应的综合优化等级，并基于改进程度模型，分析每个匹配层的可改进程度以及可改进程度对基本颅内出血分割模型的改进效果；
[0028]根据匹配层的执行属性，确定顺序执行方案，按照对应顺序执行方案以及对应匹配层的改进程度、改进效果，对基本颅内出血分割模型的整体改进进行评估；
[0029]按照评估结果，对存在执行针对性的顺序执行方案进行标定，并按照勾画需求，匹配对应的顺序执行方案优化基本颅内出血分割模型，进行第一存储；
[0030]对不存在执行针对性的执行顺序方案进行效果筛选，得到最佳执行方案，并按照最佳执行方案优化基本颅内出血分割模型，进行第二存储；
[0031]其中，勾画难度与头部原始影像的识别清晰度以及勾画清晰度有关。
[0032]在一种可能实现的方式中，根据判断结果，确定对应匹配层中剩余的涉及指标对应的综合优化等级，包括：
[0033]基于改进关系，确定匹配层优化前的第一执行内容以及优化后的第二执行内容，以及匹配层全部涉及指标的第一改进内容；
[0034]确定第一执行内容与第一改进内容与第二执行内容的差异度Y1；
[0035][0036]其中，A表示第一执行内容，B表示第一改进内容，C表示第二执行内容；表
示第一执行内容和第一改进内容与第二执行内容的相似比值；
[0037]当差异度Y1小于预设度时，判断匹配层中的全部涉及指标是唯一不可丢弃，并将匹配层的全部涉及指标保留，并确定保留的指标对应的综合优化等级X1；
[0038][0039]其中，n表示全部涉及指标的个数；δ
i
表示第i个涉及指标在该匹配层的指标权重；s
i
表示第i个涉及指标在该匹配层的指标转换参数值；γ
i
表示该匹配层对第i个涉及指标的调整参数，且取值范围为[0.9,1.1]；表示该匹配层中对应的第i个涉及指标的标准参数值；表示该匹配层中对应的第i+1个涉及指标的标准参数值；s
i+1
表示第i+1个涉及指标在该匹配层的指标转换参数值；
[0040]否则，判断匹配层中涉及指标不是唯一不可丢弃，寻找可丢弃指标，并将可丢弃指标待留，同时，建立对可丢弃指标的调用索引；
[0041]确定可丢弃指标的丢弃值F；
[0042][0043]其中，n1表示可丢弃指标的个数；D<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于头部CT平扫影像的颅内出血自动勾画方法，其特征在于，包括：步骤1：对头部原始图像进行处理，读取处理后的CT值，并调整需要的窗宽窗位，对在窗宽窗位内的CT值进行预处理，转换为单通道矩阵；步骤2：将处理好的原始影像以及预处理结果，输入到预设勾画模型；步骤3：基于预设勾画模型对勾画数据进行预测，输出预测值；步骤4：基于所述预测值，获得输出预测图像的病灶勾画图像。2.如权利要求1所述的颅内出血自动勾画方法，其特征在于，步骤1：对头部原始图像进行处理，读取处理后的CT值，并调整需要的窗宽窗位，对在窗宽窗位内的CT值进行预处理，转换为单通道矩阵，包括：读取所述头部原始影像的CT值，筛选CT值中的符合第一条件的值进行保留，并将剩余值剔除，得到颅骨的坐标信息；设置所需窗宽窗位，进而从所述头部原始影像的CT值中提取第一数值；将提取的第一数值进行归一化处理，并将颅骨的坐标信息在设置的窗宽窗位对应的矩阵中进行蒙版处理，并转换为0，构建得到单通道矩阵。3.如权利要求1所述的颅内出血自动勾画方法，其特征在于，步骤2中，在输入到预设勾画模型之前，还包括：构建基本颅内出血分割模型，并确定分割网络评价指标集合；基于所述评价指标集合，对所述基本颅内出血分割模型进行测评；根据测评结果，确定所述基本颅内出血分割模型的基本等级；当所述基本等级为常规等级时，对所述基本颅内出血分割模型进行优化，得到预设勾画模型；当所述基本等级为特殊等级时，将所述基本颅内出血分割模型进行保存，且保存的模型即为预设勾画模型。4.如权利要求3所述的颅内出血自动勾画方法，其特征在于，对所述基本颅内出血分割模型进行优化，得到预设勾画模型，包括：从模型优化数据库中，提取所述基本颅内出血分割模型的待优化集合；确定所述基本颅内出血分割模型未精细识别的特殊部位，并确定所述特殊部位的勾画难度，进而根据勾画难度确定对应的精细勾画指标；对所述基本颅内出血分割模型进行架构解析，根据解析结果，确定所述基本颅内出血分割模型中每层的基础信息以及相邻层之间的相关信息；基于基础信息、相关信息，确定与所述待优化集合、精细勾画指标相关的匹配层；对每个匹配层涉及到的待优化集合中的待优化指标以及涉及到的精细勾画指标进行确定，并构建每个匹配层中涉及指标与该匹配层的改进关系；根据所述改进关系，判断所述匹配层中涉及指标是否唯一不可丢弃；根据判断结果，确定对应匹配层中剩余的涉及指标对应的综合优化等级，并基于改进程度模型，分析每个匹配层的可改进程度以及所述可改进程度对所述基本颅内出血分割模型的改进效果；根据所述匹配层的执行属性，确定顺序执行方案，按照对应顺序执行方案以及对应匹配层的改进程度、改进效果，对所述基本颅内出血分割模型的整体改进进行评估；
按照评估结果，对存在执行针对性的顺序执行方案进行标定，并按照勾画需求，匹配对应的顺序执行方案优化所述基本颅内出血分割模型，进行第一存储；对不存在执行针对性的执行顺序方案进行效果筛选，得到最佳执行方案，并按照所述最佳执行方案优化所述基本颅内出血分割模型，进行第二存储；其中，勾画难度与头部原始影像的识别清晰度以及勾画清晰度有关。5.如权利要求4所述的颅内出血自动勾画方法，其特征在于，根据判断结果，确定对应匹配层中剩余的涉及指标对应的综合优化等级，包括：基于改进关系，确定所述匹配层优化前的第一执行内容以及优化后的第二执行内容，以及所述匹配层全部涉及指标的第一改进内容；确定所述第一执行内容与第一改进内容与所述第二执行内容的差异度Y1；其中，A表示第一执行内容，B表示第一改进内容，C表示第二执行内容；表示第一执行内容和第一改进内容与所述第二执行内容的相似比值；当所述差异度Y1小于预设度时，判断所述匹配层中的全部涉及指标是唯一不可丢弃，并将所述匹配层的全部涉及指标保留，并确定保留的指标对应的综合优化等级X1；其中，n表示全部涉及指标的个数；δ
i
表示第i个涉及指标在该匹配层的指标权重；s
i
表示第i个涉及指标在该匹配层的指标转换参数值；γ
i
表示该匹配层对第i个涉及指标的调整参数，且取值范围为[0.9,1.1]；表示该匹配层中对应的第i个涉及指标的标准参数值；表示该匹配层中对应的第i+1个涉及指标的标准参数值；s
i+1
表示第...

【专利技术属性】
技术研发人员：王思伦，刘涵川，
申请(专利权)人：深圳市铱硙医疗科技有限公司，
类型：发明
国别省市：