颅脑出血识别模型训练及颅脑出血识别方法技术

本发明专利技术公开了一种颅脑出血识别模型训练及颅脑出血识别方法

【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
。
不同部位的出血往往会产生不同的症状，诊疗和预后也会有所不同
。
比如基底节区的出血如果出血量小于
30
毫升，患者往往意识清楚，可以给予保守治疗
。
而小脑出血在出血量大于
10
毫升时病人可以出现昏迷，要考虑手术清除血肿
。

技术实现思路

[0005]本专利技术的目的在于提供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，旨在解决颅脑出血识别模型训练及出血识别
。
[0006]本专利技术提供一种颅脑出血识别模型训练及颅脑出血识别方法，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
。
[0007]本专利技术提供一种颅脑出血识别模型识别方法：获取患者扫描的
CT
图像，将
CT
图像输入颅脑出血识别模型，输出预测出血区域和出血类别
。
[0008]本专利技术还提供一种颅脑出血识别模型训练及颅脑出血识别系统，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
。
[0009]识别模块，用于获取患者扫描的
CT
图像，将
CT
图像输入颅脑出血识别模型，输出预测出血区域和出血类别
。
[0010]本专利技术实施例还提供一种颅脑出血识别模型训练及颅脑出血识别装置，包括：存储器
、
处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤
。
[0011]采用本专利技术实施例，本专利技术提出了二阶段的颅脑出血分析模型，此模型能够同时对颅脑出血进行区域分割和部位识别，有助于在实际应用中给出更具体有效的辅助诊断意见
。
[0012]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的
、
特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式
。
附图说明
[0013]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0014]图1是本专利技术实施例的颅脑出血识别模型训练方法的流程图；图2是本专利技术实施例的颅脑出血识别模型训练方法的模型示意图；图3是本专利技术实施例的颅脑出血识别方法的使用流程图；图4是本专利技术实施例的颅脑出血识别模型训练系统的示意图；图5是本专利技术实施例的颅脑出血识别模型训练装置的示意图
。
具体实施方式
[0015]下面将结合实施例对本专利技术的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0016]方法实施例根据本专利技术实施例，提供了一种颅脑出血识别模型训练及颅脑出血识别方法，图1是本专利技术实施例的颅脑出血识别模型训练方法的流程图，如图1所示，具体包括：本专利技术提出一种基于深度神经网络的出血病灶分割和部位识别方法，旨在解决现有的
CT
颅脑出血识别算法仅能进行病灶分割和出血体积计算的问题
。
本方法构建了一个两阶段的卷积神经网络，首先通过一个编解码器结构的网络提取出
CT
图像上出血灶的区域，之后通过一个包含图像
CT
值信息
、3d
序列信息
、
以及病灶区域信息的多通道输入网络，精确得到每一个出血灶所处的颅脑
。
本方法在现有的基于颅脑
CT
影像的出血灶分割算法基础上，充分了利用序列位置信息，将颅脑分为
42
个部位分区，分析得到每个出血灶处于颅脑中的哪些位置，在辅助诊疗提供了更多有价值的信息
。
[0017]一种颅脑出血识别模型训练方法，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
。
[0018]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，根据第一特征本文档来自技高网...

【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：