一种基于深度学习的脑出血影响自动化分割方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的脑出血影响自动化分割方法及装置，方法包括包括：在获取脑出血影像后，将所述脑出血影像输入至训练完成的模型中，自动分割出脑出血区域图像并识别得到血肿类型，其中，所述血肿类型包括IPH类型和IVH类型；其中，所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后，输出脑出血类型；所述多尺度边界感知模块连接在所述编码器和解码器之间；所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。融合多尺度边界感知模块，使模型能够更好地区分血肿类型，减少误判，解决现有技术中存在的分割准确性不高、对复杂情况处理能力不足以及数据通用性差等问题。

【技术实现步骤摘要】

本申请涉及图像处理，尤其涉及一种基于深度学习的脑出血影响自动化分割方法及装置。

技术介绍

1、脑出血(intracerebral hemorrhage，ich)具有较高的死亡率，尤其是当出血导致继发性脑室内出血时。脑实质内出血(intraparenchymal hematoma，iph)是指出血发生在脑组织内部的情况，而继发性脑室内出血(intraventricular hemorrhage，ivh)是指脑实质内出血后，血液进一步流入脑室内的情况。这两种情况都属于脑出血的一种，但其位置和临床影响略有不同。脑实质内出血通常发生在脑组织内部，而继发性脑室内出血则是脑实质内出血后，血液进入脑室内，可能对脑部造成更严重的影响。因此，对这两种类型的出血进行准确的识别和分割对于临床治疗和手术规划至关重要。对于脑出血的手术治疗选择一直是神经外科领域最具争议的领域之一。医学影像处理和神经外科手术规划领域的现有技术主要包括基于数学模型和图像处理技术的手工设计算法，如椭圆拟合、阈值分割、形态学运算和纹理特征提取等。这些方法通常依赖于专家经验和人工制定的规则，其存在的问题和缺点本文档来自技高网...

【技术保护点】

1.一种基于深度学习的脑出血影响自动化分割方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法，其特征在于，所述方法还包括基于分割出的脑出血区域图像确定血肿体积：其中，Pi代表预测的第i个血肿，S代表空间中每个像素的体积，n代表发生脑出血的次数。

3.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法，其特征在于，在对所述模型训练时基于预设损失函数loss＝lossseg+lossconsistency进行训练，其中，所述其中，所述Pout代表模型的预测结果，GT代表真实值，ξ代表平滑系数；所述>

4.根据权利...

【技术特征摘要】

1.一种基于深度学习的脑出血影响自动化分割方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法，其特征在于，所述方法还包括基于分割出的脑出血区域图像确定血肿体积：其中，pi代表预测的第i个血肿，s代表空间中每个像素的体积，n代表发生脑出血的次数。

3.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法，其特征在于，在对所述模型训练时基于预设损失函数loss＝lossseg+lossconsistency进行训练，其中，所述其中，所述pout代表模型的预测结果，gt代表真实值，ξ代表平滑系数；所述

4.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法，其特征在于，在对模型训练时，将脑出血影像随机裁剪n个连续切片作为三维块，并将所述三维块输入至模型中进行训练。

5.一种基于深度学习的脑出血影响自动化分割装置，其特征在于，包括：

6.根据权利要求5所述的基于深度学习的脑出血影响自动化分割装置，其特征在于，装置还包括...

【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，左林雄，彭思源，陈韵如，
申请(专利权)人：浙江学时医疗科技有限公司，
类型：发明
国别省市：