一种基于图像序列分析的脑出血CT图像分类方法技术

本发明专利技术公开了一种基于图像序列分析的脑出血CT图像分类方法。属于医学影像分析技术领域，操作过程包括脑部CT影像数据的获取、数据的图像化处理、模型的构建及分类方法的实现；具体操作步骤是：获取脑部CT扫描结果得到脑部CT影像原始数据；对脑部CT影像原始数据进行图像化处理，形成三通道图像序列作为后续模型的输入；构建包含通道注意力模块和空间注意力模块的模型，以提取三通道图像序列的特征；训练模型优化参数，识别脑出血阳性并区分脑出血亚型，实现对脑出血CT图像的分类本模型能够充分利用CT扫描影像信息，并提高对图像序列中重点信息的关注，整体方法的判断流程符合医生在现实场景的诊断流程，有助于提升脑出血分类效果。果。果。

【技术实现步骤摘要】
一种基于图像序列分析的脑出血CT图像分类方法


[0001]本专利技术属于医学影像分析
，涉及一种基于图像序列分析的脑出血 CT图像分类方法。

技术介绍

[0002]随着计算机相关技术的不断发展，人工智能方法越来越多地应用在各个领域，而基于机器学习和深度学习方法的医学影像分析相关工作，能够提高临床相关疾病的诊断效率，减轻医生工作负担；在脑出血的临床诊断中，往往基于患者的脑部电子计算机断层扫描(CT)影像结果，这种医学影像对脑部进行预定间隔的断层扫描并获得多个影像层，扫描时间快并且图像具有足够的清晰度，临床中的 CT检查一般优先采用非造影增强的平扫方式；脑出血的发生往往比较突然，对患者自身造成较为强烈的影像，其本身也具有较高的致死率，快速的诊断具有很大的意义；同时，需要被检查的脑CT影像是大量的，因此在整个重要并且重复的工作中，要求负责阅片的放射科医生具有相当程度的专业知识、丰富的经验，以及一定的识别速度和工作效率；人工智能技术正在逐渐在CT影像的智能识别和脑出血疾病的快速诊断中发挥作用，其中许多技术具有较好的性能、较高的准确率和较快的诊断速度，并有希望在实际应用中对医生的诊疗工作进行辅助，达到对脑出血进行快速筛检从而尽快开始对症治疗的目的。
[0003]目前，基于脑CT影像进行脑出血诊断的相关工作主要可以分为两类：1)、针对患者脑出血区域的细节和形态进行识别和分割，2)、为待诊断对象进行脑出血的筛查和亚型分析，主要通过相关分类方法判断影像结果中是否出现脑出血，按所发生出血的状态和特征判断具体出血类型；在人工智能技术下的脑出血识别和分割工作中，模型的训练和验证一般需要图像级别甚至像素级别的标记，这往往是较难获得的，一方面由于工作量较大；另一方面，其本身步骤较为繁琐和严格，需要具有一定经验的医生来完成标记任务，这会耗费它们大量的时间和精力；同时，脑出血识别和分割模型的使用，能够使医生快速获得出血位置信息，但判断出血类别时显得不够直观，因此往往需要专门对出血情况和出血类别进行直接诊断的模型；基于这个目的，相比之下分类模型更能够满足这方面需求；在实现对脑出血分类任务中，任务具体目的分为有无出血二分类和出血亚型多分类，进一步地，在标签设置上，部分工作为单个扫描对象的各扫描层影像做标记，一部分工作则是为一个扫描对象赋予一个标记，因此在将扫描影像转换为适应于人工智能技术的图像表示后，前者利用单张图像进行模型的训练，并为独立图像生成诊断结果；后者考虑整个扫描的多个扫描面，利用图像序列来训练模型能够针对整个扫描得到诊断，其通过融合序列中的图像特征，避免丢弃一个扫描样本中的上下文图像信息，同时更符合临床上专家的诊断方式；除此之外，将CT扫描医学影像的DICOM标准格式向普通图像表示转化时，目前多数方法固定一个特定的显示整个脑部状态的窗位窗宽，并且这个单一的固定值没有确定的标准，同时也失去了一些其他窗口中的信息；一些方法通过设定多个窗口得到此时的图像显示，并在模型中进行特征的融合，但实际上窗口的重要程度是不同的，需要予以不同程度的关注；综上，为了提高
临床诊断效率，减轻医生工作负担，希望通过人工智能辅助诊断方法为脑出血的诊断提供直接地帮助，利用更全面更合适的扫描层内信息和层间信息，提出一种基于图像序列分析的脑出血CT图像分类方法。

技术实现思路

[0004]专利技术目的：本专利技术的目的是根据现有的基于脑CT影像的脑出血诊断相关工作中存在一些问题，包括：识别和分割任务中的精细化标记获取复杂，针对单个扫描层的诊断方法忽略了整个样本扫描序列中包含的上下文关系，在DICOM数据的图像化显示过程中窗位窗宽的设定容易丢失信息，模型方法中缺少对重要特征的特殊关注等；提供了一种基于图像序列分析的脑出血CT图像分类方法，通过人工智能辅助临床诊断脑出血疾病具有其意义；具体的是，本专利技术对上述问题进行一定的解决；其中，通过多窗口和关注整体扫描层序列的方式提高影像信息的利用程度，引入了通道注意力和空间注意力机制卷积长短时记忆(Convolutionallong short term memory，CLSTM)网络对多通道图像序列中的特征进行提取和区别关注，基于从扫描样本中提取的合理全局特征表示，训练一个端到端的脑出血分类模型，智能诊断脑出血发生情况并分辨脑出血亚型，从而为临床上脑出血疾病的筛检提供帮助。
[0005]技术方案：本专利技术所述的一种基于图像序列分析的脑出血CT图像分类方法，，首先对脑出血CT图像进行分类；其具体的是：
[0006]从脑部CT扫描中确定脑出血有无发生，即判断脑部CT扫描结果是否为脑出血阳性或脑出血阴性；针对脑出血阳性样本，识别脑出血亚型，即判断脑部 CT扫描结果中显示的脑出血是否为脑室内出血、脑实质性出血、蛛网膜下腔出血、硬膜外出血或硬膜下出血。
[0007]进一步的，一种基于图像序列分析的脑出血CT图像分类方法，其操作过程包括脑部CT影像数据的获取、数据的图像化处理、模型的构建及分类方法的实现；
[0008]具体的：获取脑部CT扫描结果得到脑部CT影像原始数据；对脑部CT影像原始数据进行图像化处理，形成三通道图像序列作为后续模型的输入；构建包含通道注意力模块和空间注意力模块的模型，以提取三通道图像序列的特征；训练模型优化参数，识别脑出血阳性并区分脑出血亚型，实现对脑出血CT图像的分类。
[0009]进一步的，其操作步骤具体如下：
[0010](1)、脑部CT影像数据的处理：
[0011](1.1)、获取脑部CT扫描结果，将获取的脑部CT扫描结果以DICOM医学图像格式的标准方式进行储存，并将储存的脑部CT扫描结果作为脑部CT影像原始数据；
[0012](1.2)、对储存的脑部CT影像原始数据中各样本的粗粒度类别标签进行确定，
[0013]依据影像中是否显示出代表脑出血发生的高密度影，将脑部CT影像原始数据标记为脑出血阳性和脑出血阴性，即ICH阳性和ICH阴性；
[0014](1.3)、对标记的ICH阳性的脑部CT影像原始数据进行各样本的细粒度类别标签的确定；
[0015](1.4)、对所有DICOM格式的脑CT影像原始数据进行图像化处理，将脑 CT影像原始数据中的各样本提取为三通道图像序列；
[0016](2)、模型的构建：
[0017](2.1)、利用通道注意力模块，对三通道图像序列中提取的特征赋予权重，再对赋予了权重的特征进行融合；
[0018](2.2)、利用带有空间注意力模块的CLSTM网络，为融合后的特征生成空间区域注意力，提取三通道图像序列的时空特征并进行分类；
[0019](3)、分类方法的实现：
[0020]以图像化处理后得到的三通道图像序列作为所构建模型的输入，再利用确定的粗粒度和细粒度类别标签训练模型中的参数，以得到最终用于脑出血CT图像分类的模型。
[0021]进一步的，在步骤(1.3)中，所述对ICH阳性数据进行各样本的细粒度类别标签的确定具体是：依据影像中所示高密度影的位置形态等特征，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像序列分析的脑出血CT图像分类方法，其特征在于，首先对脑出血CT图像进行分类；其具体的是：从脑部CT扫描中确定脑出血有无发生，即判断脑部CT扫描结果是否为脑出血阳性或脑出血阴性；针对脑出血阳性样本，识别脑出血亚型，即判断脑部CT扫描结果中显示的脑出血是否为脑室内出血、脑实质性出血、蛛网膜下腔出血、硬膜外出血或硬膜下出血。2.根据权利要求1所述的一种基于图像序列分析的脑出血CT图像分类方法，其特征在于，其操作过程包括脑部CT影像数据的获取、数据的图像化处理、模型的构建及分类方法的实现；具体的：获取脑部CT扫描结果得到脑部CT影像原始数据；对脑部CT影像原始数据进行图像化处理，形成三通道图像序列作为后续模型的输入；构建包含通道注意力模块和空间注意力模块的模型，以提取三通道图像序列的特征；训练模型优化参数，识别脑出血阳性并区分脑出血亚型，实现对脑出血CT图像的分类。3.根据权利要求2所述的一种基于图像序列分析的脑出血CT图像分类方法，其特征在于，其操作步骤具体如下：(1)、脑部CT影像数据的处理：(1.1)、获取脑部CT扫描结果，将获取的脑部CT扫描结果以DICOM医学图像格式的标准方式进行储存，并将储存的脑部CT扫描结果作为脑部CT影像原始数据；(1.2)、对储存的脑部CT影像原始数据中各样本的粗粒度类别标签进行确定，依据影像中是否显示出代表脑出血发生的高密度影，将脑部CT影像原始数据标记为脑出血阳性和脑出血阴性，即ICH阳性和ICH阴性；(1.3)、对标记的ICH阳性的脑部CT影像原始数据进行各样本的细粒度类别标签的确定；(...

【专利技术属性】
技术研发人员：张道强，祝小惟，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：