【技术实现步骤摘要】
颅脑出血识别模型训练及颅脑出血识别方法、系统及装置
[0001]本专利技术涉及颅脑出血识别领域,尤其是涉及一种颅脑出血识别模型训练及颅脑出血识别方法
、
系统及装置
。
技术介绍
[0002]颅内出血是一种临床上较为常见的危急重症,它是头颅内不同部位创伤性和非创伤性出血的总称
。
具体治疗方案需要根据出血量的大小及出血部位决定,因此在确定治疗方案前医生往往需要使用医学成像技术对患者的颅内状况进行检查
。
[0003]当前,磁共振成像(
MRI
)和计算机断层扫描(
CT
)是两类最为常用的医学成像技术,而
CT
成像技术又以其速度快
、
成本低
、
且能够获得良好的对比图像以进行精确研究的特性在颅脑出血区域的检测和诊断中获得了更为广泛的应用
。
[0004]近年来,基于计算机算法的自动分割方法由于其不存在主观误差且省时省力的优点,逐渐被应用于辅助临床诊疗决策
。
相较于手工标记的方法,这种方法省时省力,能大幅提升效率,并且在准确性上,大部分患者的血肿边界的确定并不十分明确,手工标记的方法严重依赖医生的经验,会存在较大的分割误差,而计算机算法通过规范化标注的数据学习,在结果上具备更高的一致性
。
然而,目前的计算机分割算法往往只对出血区域进行预测和分割,这样虽然能够计算出血量的大小,但是并不能对出血灶在颅脑中所处的部位进行识别
。 ...
【技术保护点】
【技术特征摘要】
1.
一种颅脑出血识别模型训练方法,其特征在于,包括,
S1、
构建颅脑出血识别模型,所述识别模型包括:用于区域分割的第一阶段网络和用于出血识别的第二阶段网络;
S2、
训练第一阶段网络;
S3、
训练第二阶段网络,完成颅脑出血识别模型训练
。2.
根据权利要求1所述的方法,其特征在于,所述
S2
具体包括:
S21、
根据影像科医生标注出的正确出血区域及正确出血类别的
CT
影像来构建训练数据组,将训练数据组中的
CT
图像送入第一阶段网络;
S22、
第一阶段网络对
CT
图像进行特征提取得到图第一特征,根据第一特征得到每个
CT
图像像素属于出血区域的概率,高于设定概率为预测出血区域;
S23、
根据出血区域的概率与正确出血区域计算损失值并回传第一梯度,更新第一阶段网络;
S24、
重复
S21
到
S24
直至第一梯度不在下降,冻结第一阶段网络参数
。3.
根据权利要求2所述的方法,其特征在于,所述
S3
具体包括:
S31、
将训练数据组中的
CT
图像输入第一阶段网络得到预测出血区域,将预测出血区域的
CT
图像灰度值
、
预测出血区域的
CT
序列中的
3D
位置信息和预测出血区域的二值化图像输入到第二阶段网络;
S32、
第二阶段网络根据
CT
图像灰度值
、3D
位置信息和二值化图像获取出血类别特征,根据出血类别特征预测出血区域属于大脑哪个部位,根据大脑部位得到预测出血类别;
S33、
根据预测出血类别和正确出血类别计算损失值并回传第二梯度,进行第二阶段网络的参数更新;
S34、
重复
S31
到
S33
直至第二梯度不再下降,冻结第二阶段网络参数,完成模型训练
。4.
一种颅脑出血识别模型训练系统,其特征在于,包括,构建模块,用于构建颅脑出血识别模型,所述识别模型包括:用于区域分割的第一阶段网络和用于出血识别的第二阶段网络;第一训练模块:训练第一阶段网络;第二训练模块:训练第二阶段网络,完成颅脑出血识别模型训练
。5.
根据权利要求4所述的系统,其特征在于,所述第一训练模块具体用于:
S51、
根据影像科医生标注出的正确出血区域及正确出血类别的
CT<...
【专利技术属性】
技术研发人员:张成奋,徐枫,郭雨晨,何宇巍,谢晶,
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。