一种基于神经网络的脑部出血体积计算方法技术

本发明专利技术涉及机器学习技术领域，具体涉及一种基于神经网络的脑部出血体积计算方法，包括以下步骤：获得若干个脑部医学影像序列；建立UNet神经网络模型，使用无标脑部医学影像序列进行预训练；人工标记脑部医学影像的出血区域，获得样本图像序列；使用样本图像序列训练UNet神经网络模型；将待评估出血体积的患者的脑部医学影像序列输入训练后的UNet神经网络模型，获得出血区域；建立出血区域的3D连通区域；根据3D连通区域获得出血体积。本发明专利技术的有益技术效果包括：提供了高效的预训练机制，实现患者脑部出血体积的计算，具有训练效率高，出血量计算准确度高的有益技术效果。出血量计算准确度高的有益技术效果。出血量计算准确度高的有益技术效果。

【技术实现步骤摘要】
一种基于神经网络的脑部出血体积计算方法


[0001]本专利技术涉及机器学习
，具体涉及一种基于神经网络的脑部出血体积计算方法。

技术介绍

[0002]在临床中，医生对于治疗脑出血的病人，判断是否需要手术，主要判断依据是出血量。遇到脑出血患者，拿到CT的第一件事自然是查看出血部位、评估出血量。其中，出血部位的判断是神内、神外医生的基本功，基本不存在争议，不再赘述；但是，出血量的估算却常常不尽相同。即在脑部CT扫描影像中，找出出血部位，再根据影像计算。通常，医生判断出血量是根据多田公式，将出血区域拟合成椭球计算。计算出血体积V的具体办法是：V=axbxcxpi/6，其中a：最大血肿面积层面血肿的最长径，b：最大血肿面积层面上与最长径垂直的最长径，c：CT片中出现出血的层面数，默认层厚为1cm。这种算法有其优点比如便利，但缺点也明显，即不准确。特别是对于影像密度高低不等、形状不规则的病灶，简单用球形体积计算公式套用容易导致误差较大。因此有必要研究更为准确的判断出血量的技术。
[0003]如中国专利CN114299052A，公开日2022年4月8日，公开了一种基于脑部影像的出血区域确定方法、装置、设备及介质。其中方法包括：确定脑部CT图像序列中每个图像的脑组织区域；根据每个脑组织区域，确定与每个脑组织区域对应的脑室边缘；对每个脑室边缘进行霍夫变换直线检测，得到每个脑室边缘的目标线段；根据每个脑室边缘的目标线段确定目标区域，对目标区域像素点进行抛物线拟合得到拟合结果，并根据拟合结果确定目标区域是否存在出血区域。其技术方案实现了基于脑部CT图像自动化的确定出出血区域，从而无需人工参与，不仅识别速度快，且准确率高。但其仅能够识别出血区域，无法计算出患者的出血量。

技术实现思路

[0004]本专利技术所要解决的技术问题：目前判断患者脑部出血体积由人工判断，存在判断准确度低的技术问题。提出了一种基于神经网络的脑部出血体积计算方法，借助神经网络模型实现出血体积的自动计算，提高了出血体积计算的准确度。
[0005]解决上述技术问题，本专利技术采用如下技术方案：一种基于神经网络的脑部出血体积计算方法，包括以下步骤：获得若干个脑部医学影像序列；建立UNet神经网络模型，使用无标脑部医学影像序列对UNet神经网络模型进行预训练；使用样本图像序列继续训练UNet神经网络模型；将待评估出血体积的患者的脑部医学影像序列输入训练后的UNet神经网络模型，获得每张医学影像的出血区域；建立出血区域的3D连通区域；
根据3D连通区域获得出血体积。
[0006]作为优选，使用无标脑部医学影像对UNet神经网络模型进行预训练的方法包括：将无标脑部医学影像序列中的任意一层脑部医学影像的部分区域进行遮挡；所述UNet神经网络模型尝试对遮挡区域进行复原，损失函数为区域的复原图像与原区域图像的差别。
[0007]作为优选，遮挡脑部医学影像的部分区域的方法包括：设定遮挡区域的长宽为固定值，设置像素值阈值区间；调整遮挡区域的位置，使遮挡区域遮挡的处于像素值阈值区间的像素数量最多或者满足预设的数量下限值。
[0008]作为优选，使用样本图像序列继续训练UNet神经网络模型的方法包括：依次将样本图像序列中的每张医学影像划分区域，每个区域视为被遮挡区域；使用UNet神经网络模型复原每个区域的图像，将区域的复原图像与样本图像中相应的原区域图像对比；若差别超过预设阈值，则判定该区域内存在出血区域，并将差别超过预设阈值的区域作为出血区域；将UNet神经网络模型损失函数设置为识别出的出血区域与人工标注的出血区域的差别；当损失函数小于预设阈值或训练达到预设次数时，完成UNet神经网络模型的训练。
[0009]作为优选，复原图像与原区域图像的差别为原区域图像与原区域图像左上角像素对齐后，每个像素值差值的总和。
[0010]作为优选，使用样本图像序列继续训练UNet神经网络模型时，在初始的n次训练时，锁定UNet神经网络模型的左半边的权重参数，n次训练后，允许UNet神经网络模型的左半边权重参数的调整。
[0011]作为优选，使用3D生长算法建立出血区域的3D连通区域，3D生长算法包括：以任一层脑部医学影像的出血区域的像素开始，向像素的周围8个像素以及上下相邻层脑部医学影像的相应像素位置的2个像素为搜索范围，搜索出血区域像素；依次将搜索出的出血区域像素再以像素的周围8个像素以及上下相邻层脑部医学影像的相应像素位置的2个像素为搜索范围，继续搜索；搜索到的全部出血区域像素构成出血区域的3D连通区域。
[0012]作为优选，根据3D连通区域获得出血体积的方法包括：计算每个3D连通区域的出血体积V_i，i表示3D连通区域序号；依次遍历3D连通区域的两两组合，两个3D连通区域分别记为V_1和V_2；计算两个3D连通区域的外体积交并比V_iou；若外体积交并比V_iou大于预设阈值，则判定两个3D连通区域同属一个聚类，将两个3D连通区域合并，视为一个3D连通区域；遍历全部3D连通区域的两两组合后，完成全部3D连通区域的聚类；计算经聚类后每个3D连通区域的出血体积V_j，全部V_j的和即为最终的出血体积。
[0013]作为优选，3D连通区域的出血体积Vi的计算方法为：V_i=sum(P_Vi)*SliceThickness*PixelSpacing^2，其中sum(P_V_i)表示连通区域的像素总数，SliceThickness为层间距，PixelSpacing为像素间距离。
[0014]作为优选，外体积交并比V_iou的计算方法为：V_outter=(xmax
‑
xmin)*(ymax
‑
ymin)*(zmax
‑
zmin)，V_iou=(V_1UV_2)/V_outter，其中，xmax、xmin、ymax、ymin、zmax及zmin分别表示两个3D连通区域包含的像素，在x、y及z轴坐标的最大值和最小值，V_outter即表示包裹两个体积块的最小外围体积块的体积，(V_1UV_2)表示两个3D连通区域取并集后的体积。
[0015]本专利技术的有益技术效果包括：提供了高效的预训练机制，利用大量的无标数据以及U型网络本身的结构特点，提前训练神经网络模型对于脑部影像特征的提取及重建能力，结合3D连通区域融合的处理办法，实现患者脑部出血体积的计算，具有训练效率高，出血量计算准确度高的有益技术效果。
[0016]本专利技术的其他特点和优点将会在下面的具体实施方式、附图中详细的揭露。
附图说明
[0017]下面结合附图对本专利技术做进一步的说明：图1为本专利技术实施例脑部出血体积计算方法流程示意图。
[0018]图2为本专利技术实施例进行预训练方法流程示意图。
[0019]图3为本专利技术实施例遮挡脑部医学影像部分区域方法流程示意图。
[0020]图4为本专利技术实施例预训练过程示意图。
[0021]图5为本专利技术实施例训练UNet神经网络模型方法流程示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的脑部出血体积计算方法，其特征在于，包括以下步骤：获得若干个脑部医学影像序列；建立UNet神经网络模型，使用无标脑部医学影像序列对UNet神经网络模型进行预训练；使用样本图像序列继续训练UNet神经网络模型；将待评估出血体积的患者的脑部医学影像序列输入训练后的UNet神经网络模型，获得每张医学影像的出血区域；建立出血区域的3D连通区域；根据3D连通区域获得出血体积。2.根据权利要求1所述的一种基于神经网络的脑部出血体积计算方法，其特征在于，使用无标脑部医学影像对UNet神经网络模型进行预训练的方法包括：将无标脑部医学影像序列中的任意一层脑部医学影像的部分区域进行遮挡；所述UNet神经网络模型尝试对遮挡区域进行复原，损失函数为区域的复原图像与原区域图像的差别。3.根据权利要求2所述的一种基于神经网络的脑部出血体积计算方法，其特征在于，遮挡脑部医学影像的部分区域的方法包括：设定遮挡区域的长宽为固定值，设置像素值阈值区间；调整遮挡区域的位置，使遮挡区域遮挡的处于像素值阈值区间的像素数量最多或者满足预设的数量下限值。4.根据权利要求2或3所述的一种基于神经网络的脑部出血体积计算方法，其特征在于，使用样本图像序列继续训练UNet神经网络模型的方法包括：依次将样本图像序列中的每张医学影像划分区域，每个区域视为被遮挡区域；使用UNet神经网络模型复原每个区域的图像，将区域的复原图像与样本图像中相应的原区域图像对比；若差别超过预设阈值，则判定该区域内存在出血区域，并将差别超过预设阈值的区域作为出血区域；将UNet神经网络模型损失函数设置为识别出的出血区域与人工标注的出血区域的差别；当损失函数小于预设阈值或训练达到预设次数时，完成UNet神经网络模型的训练。5.根据权利要求2或3所述的一种基于神经网络的脑部出血体积计算方法，其特征在于，复原图像与原区域图像的差别为原区域图像与原区域图像左上角像素对齐后，每个像素值差值的总和。6.根据权利要求1至3任一项所述的一种基于神经网络的脑部出血体积计算方法，其特征在于，使用样本图像序列继续训练UNet神经网络模型时，在初始的n次训练时，锁定UNet神经网络模型的左半边的权重参数，n次训练后，允许UNet神经网络模型的左半边权重参数的调
整。7.根据权利要求...

【专利技术属性】
技术研发人员：李德轩，徐枫，郭雨晨，
申请(专利权)人：杭州涿溪脑与智能研究所，
类型：发明
国别省市：