基于自动生成标签的脑出血和周围水肿的协同交叉分割系统技术方案

本发明专利技术涉及基于自动生成标签的脑出血和周围水肿的协同交叉分割系统。所述系统包括：预处理模块，其对采集到的3D颅脑CT图像进行预处理；标签图像生成模块，其对预处理后的3D脑实质CT图像自动生成标签图像；监督标签图像生成模块，对标签图像进行标签融合处理，以获得监督标签图像；训练模块，其利用监督标签图像来训练基于深度学习的脑出血和周围水肿的协同交叉分割模型；测量模块，其利用深度学习分割结果进行形态学测量并进行结果呈现。该协同交叉分割模型包括两个结构相同的出血分割网络和周围水肿分割网络，出血分割网络的编码器与周围水肿分割网络的解码器交叉连接以及周围水肿分割网络的编码器与出血分割网络的解码器交叉连接。码器交叉连接。码器交叉连接。

【技术实现步骤摘要】
基于自动生成标签的脑出血和周围水肿的协同交叉分割系统


[0001]本专利技术涉及医疗图像的处理的
，尤其涉及基于自动生成标签的脑出血和周围水肿的协同交叉分割系统。

技术介绍

[0002]脑出血是指原发性非外伤性的脑实质内出血，也称为自发性脑出血，它具有高发病率、高致残率以及高死亡率的特点。颅内出血(Intracranial Hemorrhage，ICH)准确的定位和容积测量是观察神经功能障碍和颅脑损伤的首要任务，而血肿周围水肿(Perihematomal edema，PHE)是颅内出血继发性损伤的重要标志。在临床上，由于计算机断层扫描(Computer Tomography，CT)成本低、成像时间短、对骨细节检测良好，并且相对于核磁共振成像(MRI)而言在不稳定的病人中更加可行，因此CT已成为检测脑出血的首选方式。目前，大部分医院对出血的临床测量主要是通过手动分割和多田氏公式来实现的。其中，通过传统多田氏公式手工计算脑出血量，过程繁琐、效率低、可重复性差；除此之外，该公式通常高估真正的脑出血量达30％。虽然手动分割脑出血可以准确的估计体积，但是分割繁琐并且依赖于操作者，操作时长限制其在紧急情况下不可行。
[0003]因此，需要一种能够同时自动完成脑出血和周围水肿的分割和测量的智能辅助颅脑CT图像分割和显示系统。
[0004]上述对
技术介绍
的陈述仅是为了方便对本专利技术技术方案(使用的技术手段、解决的技术问题以及产生的技术效果等方面)的深入理解，而不应当被视为承认或以任何形式暗示该消息构成已为本领域技术人员所公知的现有技术。

技术实现思路

[0005]针对现有技术中存在的缺陷，本专利技术提出了一种能够同时自动完成脑出血和周围水肿的分割和测量的智能辅助颅脑CT图像分割和显示系统，该系统普适性强，智能化程度高，不依赖于人工或专家标签，也不局限于单一来源或单一扫描协议的CT颅脑数据。
[0006]根据本专利技术的一个实施方案，提供了一种基于自动生成标签的脑出血和周围水肿的协同交叉分割系统，其包括以下模块：预处理模块，其对采集到的3D颅脑CT图像进行预处理；标签图像生成模块，其利用计算机视觉和机器学习的算法对预处理后的3D脑实质CT图像自动生成脑出血标签图像和周围水肿标签图像；监督标签图像生成模块，其对自动生成的脑出血标签图像和周围水肿标签图像进行标签融合处理，以获得脑出血监督标签图像和周围水肿标签图像；训练模块，其利用脑出血监督标签图像和周围水肿监督标签图像来训练基于深度学习的脑出血和周围水肿的协同交叉分割模型，以对脑出血和周围水肿同时进行分割；测量模块，其利用脑出血和周围水肿的深度学习分割结果，进行形态学测量并进行结果呈现；其中，基于深度学习的脑出血和周围水肿的协同交叉分割模型包括两个结构相同的出血分割网络和周围水肿分割网络；出血分割网络和周围水肿分割网络分别包括一个编码器和一个解码器；出血分割网络的编码器与周围水肿分割网络的解码器交叉连接以及
周围水肿分割网络的编码器与出血分割网络的解码器交叉连接。
[0007]优选地，出血分割网络的编码器和周围水肿分割网络的编码器共享或者不共享权重；出血分割网络和周围水肿分割网络具有相同的输入，分别输出脑出血的深度学习分割结果和周围水肿的深度学习分割结果；出血分割网络和周围水肿分割网络分别以编码
‑
解码的3D残差U
‑
Net框架作为骨干网络；出血分割网络和周围水肿分割网络的编码器中下采样的层数与出血分割网络和周围水肿分割网络的解码器中上采样的层数相等；出血分割网络的编码器的除最底层外的各层或部分层与周围水肿分割网络的解码器的相对应层交叉连接；周围水肿分割网络的编码器的除最底层外的各层或部分层与出血分割网络的解码器的相对应层交叉连接。
[0008]优选地，基于深度学习的脑出血和周围水肿的协同交叉分割模型进一步包括通道注意力模块和空间注意力模块；所述通道注意力模块设置在出血分割网络的编码器与周围水肿分割网络的解码器之间以及周围水肿分割网络的编码器与出血分割网络的解码器之间的交叉连接处；所述空间注意力模块设置在同一分割网络内的编码器和解码器之间。
[0009]优选地，在预处理模块中：对采集到的3D颅脑CT图像进行预处理包括：对采集到的3D颅脑CT图像进行数据清洗、格式转换、重命名、转向、零体素填充、配准以及窗宽窗位调整，最终提取出脑实质图像。
[0010]优选地，在标签图像生成模块中，分别利用阈值分割方法和聚类分割方法来生成脑出血标签图像；基于阈值分割方法生成脑出血标签图像是对预处理后的3D脑实质CT图像进行平滑处理，然后将平滑处理的图像进行全局阈值分割；基于聚类分割方法生成脑出血标签图像是对预处理后的3D脑实质CT图像进行平滑处理，然后将平滑处理的图像进行模糊聚类分割。
[0011]优选地，在标签图像生成模块中，分别利用阈值分割方法、聚类分割方法和对侧差值方法来生成周围水肿标签图像；基于阈值分割方法生成周围水肿标签图像是将同一3D颅脑CT图像的脑出血标签图像按照一定的半径向外膨胀，并与预处理后的3D脑实质CT图像点乘确定水肿初始区域，然后将水肿初始区域进行单阈值分割；基于聚类分割方法生成周围水肿标签图像是将同一3D颅脑CT图像的脑出血标签图像按照一定的半径向外膨胀，并与预处理后的3D脑实质CT图像点乘确定水肿初始区域，然后将水肿初始区域进行模糊聚类分割；基于对侧差值方法生成周围水肿标签图像是将同一3D颅脑CT图像的脑出血标签图像按照一定半径向外膨胀，并与预处理后的3D脑实质CT图像点乘确定初始水肿区域，然后以中线为基准进行镜像反转提取对侧脑相应区域，最后将两区域相减，保留差值在一定范围内的区域作为目标水肿区域。
[0012]优选地，对自动生成的脑出血标签图像和周围水肿标签图像进行标签融合处理包括：对自动生成的脑出血标签图像，通过选取一定的膨胀半径进行扩增，然后对自动生成的脑出血标签图像和膨胀之后的脑出血标签图像进行标签融合处理并进行二值化处理；对自动生成的周围水肿标签图像，通过选取一定的半径进行孔洞闭合处理，然后对自动生成的周围水肿标签图像和相应闭合之后的周围水肿标签图像进行标签融合处理并进行二值化处理。
[0013]根据本专利技术的一个实施方案，提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现以下步骤：对采集到的3D颅脑CT图像进行预处
理；利用计算机视觉和机器学习的算法对预处理后的3D脑实质CT图像自动生成脑出血标签图像和周围水肿标签图像；对自动生成的脑出血标签图像和周围水肿标签图像进行标签融合处理，以获得脑出血和周围水肿监督标签图像；利用脑出血和周围水肿的监督标签图像来训练基于深度学习的脑出血和周围水肿的协同交叉分割模型，以对脑出血和周围水肿同时进行分割；利用脑出血和周围水肿的深度学习分割结果，进行形态学测量并进行结果呈现；其中，基于深度学习的脑出血和周围水肿的协同交叉分割模型包括两个结构相同的出血分割网络和周围水肿分割网络；出血分割网络和周围水肿分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自动生成标签的脑出血和周围水肿的协同交叉分割系统，其特征在于包括以下模块：预处理模块，其对采集到的3D颅脑CT图像进行预处理；标签图像生成模块，其利用计算机视觉和机器学习的算法对预处理后的3D脑实质CT图像自动生成脑出血标签图像和周围水肿标签图像；监督标签图像生成模块，其对自动生成的脑出血标签图像和周围水肿标签图像进行标签融合处理，以获得脑出血监督标签图像和周围水肿标签图像；训练模块，其利用脑出血监督标签图像和周围水肿监督标签图像来训练基于深度学习的脑出血和周围水肿的协同交叉分割模型，以对脑出血和周围水肿同时进行分割；测量模块，其利用脑出血和周围水肿的深度学习分割结果，进行形态学测量并进行结果呈现；其中，基于深度学习的脑出血和周围水肿的协同交叉分割模型包括两个结构相同的出血分割网络和周围水肿分割网络；出血分割网络和周围水肿分割网络分别包括一个编码器和一个解码器；出血分割网络的编码器与周围水肿分割网络的解码器交叉连接以及周围水肿分割网络的编码器与出血分割网络的解码器交叉连接。2.根据权利要求1所述的基于自动生成标签的脑出血和周围水肿的协同交叉分割系统，其特征在于，出血分割网络的编码器和周围水肿分割网络的编码器共享或者不共享权重；出血分割网络和周围水肿分割网络具有相同的输入，分别输出脑出血的深度学习分割结果和周围水肿的深度学习分割结果；出血分割网络和周围水肿分割网络分别以编码
‑
解码的3D残差U
‑
Net框架作为骨干网络；出血分割网络和周围水肿分割网络的编码器中下采样的层数与出血分割网络和周围水肿分割网络的解码器中上采样的层数相等；出血分割网络的编码器的除最底层外的各层或部分层与周围水肿分割网络的解码器的相对应层交叉连接；周围水肿分割网络的编码器的除最底层外的各层或部分层与出血分割网络的解码器的相对应层交叉连接。3.根据权利要求1所述的基于自动生成标签的脑出血和周围水肿的协同交叉分割系统，其特征在于，基于深度学习的脑出血和周围水肿的协同交叉分割模型进一步包括通道注意力模块和空间注意力模块；所述通道注意力模块设置在出血分割网络的编码器与周围水肿分割网络的解码器之间以及周围水肿分割网络的编码器与出血分割网络的解码器之间的交叉连接处；所述空间注意力模块设置在同一分割网络内的编码器和解码器之间。4.根据权利要求1所述的基于自动生成标签的脑出血和周围水肿的协同交叉分割系统，其特征在于，在预处理模块中：对采集到的3D颅脑CT图像进行预处理包括：对采集到的3D颅脑CT图像进行数据清洗、
格式转换、重命名、转向、零体素填充、配准以及窗宽窗位调整，最终提取出脑实质图像。5.根据权利要求1所述的基于自动生成标签的脑出血和周围水肿的协同交叉分割系统，其特征在于，在标签图像生成模块中，分别利用阈值分割方法和聚类分割方法来生成脑出血标签图像；基于阈值分割方法生成脑出血标签图像是对预处理后的3D脑实质CT图像进行平滑处理，然后将平滑处理的图像进行全局阈值分割；基于聚类分割方法生成脑出血标签图像是对预处理后的3D脑实质CT图像进行平滑处理，然后将平滑处理的图像进行模糊聚类分割。6.根据权利要求5所述的基于自动生成标签的脑出血和周围水肿的协同交叉分割系统，其特征在于，在标签图像生成模块中，分别利用阈值分割方法、聚类分割方法和对侧差值方法来生成周围水肿标签图像；基于阈值分割方法生成周围水肿标签图像是将同一3D颅脑CT图像的脑出血标签图像按照一定的半径向外膨胀，并与预处理后的3D脑实质CT图像点乘确定水肿初始区域，然后将水肿初始区域进行单阈值分割；基于聚类分割方法生成周围水肿标签图像是将同一3D颅脑CT图像的脑出血标签图像按照一定的半径向外膨胀，并与预处理后的3D脑实质CT图像点乘确定水肿初始区域，然后将水肿初始区域进行模糊聚类分割；基于对侧差值方法生成周围水肿标签图像是将同一3D颅脑CT图像的脑出血标签图像按照一定半径向外膨胀，并与预处理后的3D脑实质CT图像点乘确定初始水肿区域，然后以中线为基准进行镜像反转提取对侧脑相应区域，最后将两区域相减，保留差值在一定范围内的区域作为目标水肿区域。7.根据权利要求1所述的基于自动生成标签的脑出血和周围水肿的协同交叉分割系统，其特征在于，对自动生成的脑出血标签图像和周围水肿标签图像进行标签融合处理包括：对自动生成的脑出血标签图像，通过选取一定的膨胀半径进行扩增，然后对自动生成的脑出血标签图像和膨胀之后的脑出血标签图像进行标签融合处理并进行二值化处理；对自动...

【专利技术属性】
技术研发人员：张唯唯，张童禹，李振宇，李恩慧，
申请(专利权)人：中国医学科学院基础医学研究所，
类型：发明
国别省市：