[发明专利]基于神经网络的脑组织分层方法、装置、计算机设备

说明书

本申请实施例属于人工智能领域，涉及一种基于神经网络的脑组织分层方法、装置、计算机设备及存储介质，方法包括：获取脑CT的影像信息；通过预训练好的脑切割卷积神经网络提取所述脑CT影像信息的特征，得到所述脑CT影像的特征图；将所述脑CT影像的特征图进行候选框对齐操作之后获取实例类别的语义信息和实例像素级的位置信息；将所述实例类别的语义信息和实例像素级的位置信息输入到预训练好的分层神经网络，输出所述脑CT影像的分层结果。通过融合脑切割卷积神经网络和脑分层神经网络，以一个模型同时得到脑分割以及脑分层的结果，减少了运算时间以及运算资源的消耗，并使得脑分割和脑分层两个任务可以共享特征信息，从而提高了脑分层的准确率。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于神经网络的脑组织分层方法、装置、计算机设备及存储介质。

背景技术

近年来，深度学习技术被广泛运用在各大领域，特别是计算机视觉，被用来实现脸部识别、目标检测、图像分割等。在医学领域，通常需要对脑部CT影像进行分析，包含很多信息的分析，可能需要脑出血检测、脑组织分割以外，甚至脑分层也是很重要的一项信息需要提供。目前，普遍采用深度学习技术中的神经网络来构建模型以实现检测、分类、预测等任务，但通常采用多个模型分别对应处理多个任务，比如说针对脑出血出一个检测模型，脑组织分割出一个分割模型，脑分层再出一个分类模型，这样的多个模型解决多个任务的策略会造成运算时间加倍、运算资源消耗也加倍，并因为单一分类模型信息不全面导致模型对没见过的脑部CT影像错误分类的状况，从而降低了脑分层的准确度。

发明内容

本申请实施例的目的在于提出一种基于神经网络的脑组织分层方法、装置、计算机设备及存储介质，提高脑组织分层的准确率。

为了解决上述技术问题，本申请实施例提供一种基于神经网络的脑组织分层方法，包括下述步骤：

获取脑CT的影像信息；

通过预训练好的脑切割卷积神经网络提取所述脑CT影像信息的特征，得到所述脑CT影像的特征图；

将所述脑CT影像的特征图进行候选框对齐操作之后获取实例类别的语义信息和实例像素级的位置信息；

将所述实例类别的语义信息和实例像素级的位置信息输入到预训练好的分层神经网络，输出所述脑CT影像的分层结果。

进一步的，在所述获取脑CT的影像信息的步骤之前，还包括步骤：

将脑CT图进行通道预处理得到脑CT影像信息。

进一步的，所述通过预训练好的脑切割卷积神经网络提取所述脑CT影像信息的特征，得到所述脑CT影像的特征图的步骤具体包括：

将获取到的脑CT影像信息输入到训练好的ResNet卷积神经网络，提取所述脑CT影像的特征图。

进一步的，所述将所述脑CT影像的特征图进行候选框对齐操作之后获取实例类别的语义信息和实例像素级的位置信息的步骤具体包括：

获取脑CT影像的特征图上每一个像素点的候选框并对获取到的候选框进行候选框对齐操作；

将进行候选框对齐操作后的特征图输入到全连接层网络，得到特征图的实例类别的语义信息和实例像素级的位置信息。

进一步的，在所述获取脑CT影像的特征图上每一个像素点的候选框并对获取到的候选框进行候选框对齐操作的步骤之后，还包括步骤：

通过全卷积神经网络为每一个候选框对齐操作后的像素点生成掩码，将实例分割出来。

进一步的，所述将所述实例类别的语义信息和实例像素级的位置信息输入到预训练好的分层神经网络，输出所述脑CT影像的分层结果的步骤具体包括：