[发明专利]一种颅脑CT图像出血区域自动分割方法

权利要求书

1.一种颅脑CT图像出血区域自动分割方法，其特征在于，包括如下步骤：

S1：获取需要进行出血区域自动分割的颅脑CT图像；

S2：将所述颅脑CT图像输入预先构建的改进U-Net卷积神经网络的模型中，所述改进U-Net卷积神经网络的结构依次为三层下采层和三层上采层，以对出血区域进行自动分割，得到分割结果，其中，所述下采样层与所述上采样层一一对应，三次下采样获取的特征图分别经复制、卷积、裁剪后，与各自对的所述上采样层前一层输出的特征图进行拼接，对应的所述上采样层对拼接后的特征图进行上采样和卷积。

2.根据权利要求1所述颅脑CT图像出血区域自动分割方法，其特征在于，所述步骤S1之前还包括步骤S0：

S01：构建所述改进U-Net卷积神经网络；

S02：收集颅脑CT训练图像，并通过所述颅脑CT训练图像对所述改进U-Net卷积神经网络进行训练。

3.根据权利要求2所述的颅脑CT图像出血区域自动分割方法，其特征在于，所述步骤S02进一步包括：

A1：对所述颅脑CT训练图像进行收集；

A2：对收集的所述颅脑CT训练图像进行筛选，获取图像清晰的颅脑CT训练图像；

A3：对所述筛选后的颅脑CT训练图像进行预处理，得到颅脑CT标准化数据；

A4：将所述颅脑CT标准化数据输入所述改进U-Net卷积神经网络进行训练。

4.根据权利要求3所述的颅脑CT图像出血区域自动分割方法，其特征在于，在所述步骤A3中，所述对所述筛选后的颅脑CT训练图像进行预处理进一步包括：

A31：对所述筛选后的颅脑CT训练图像进行取图像块操作，得到数据量增大的颅脑CT扩增图像；

A32：对所述颅脑CT扩增图像进行对比度受限的自适应直方图均衡化，其中，将所述颅脑CT扩增图像归一化映射到[0，1]，得到所述颅脑CT标准化数据。

5.根据权利要求3所述的颅脑CT图像出血区域自动分割方法，其特征在于，所述步骤A4进一步包括：

对所述颅脑CT标准化数据进行划分，得到训练集数据、测试集数据，所述训练集数据的数量大于所述测试集数据的数量；

将所述训练集数据输入所述改进U-Net卷积神经网络，得到若干个训练模型，选取并保留训练性能最佳的训练模型，得到最优训练模型；

将所述测试集数据输入所述最优训练模型进行出血区域自动分割操作，得到所述最优训练模型的自动分割性能指标，并获取所述测试集数据的出血区域的分割结果。

6.根据权利要求1所述的颅脑CT图像出血区域自动分割方法，其特征在于，所述步骤S2进一步包括：

S21：所述颅脑CT图像依次通过所述改进U-Net卷积神经网络的三次所述下采样，三次所述下采样均包括两次卷积和一次最大池化；

S22：对所述步骤S21的最后一次所述下采样输出的特征图进行两次卷积；

S23：对三次所述下采样获取的特征图分别经复制、卷积、裁剪后，与各自对应的所述上采样层前一层输出的特征图进行拼接，并且对应的所述上采样层对拼接后的特征图进行一次上采样和两次卷积。

7.根据权利要求6所述的颅脑CT图像出血区域自动分割方法，其特征在于，所述步骤S21中的卷积的卷积核大小均为3×3，最大池化操作的池化层大小均为2×2，所述下采样层的激活函数均为relu，所述下采样层的填充模式均为nopadding。

8.根据权利要求6所述的颅脑CT图像出血区域自动分割方法，其特征在于，所述步骤S22中的卷积的卷积核大小均为3×3，所述跳跃连接层的激活函数均为relu，所述跳跃连接层的填充模式均为nopadding。

9.根据权利要求6所述的颅脑CT图像出血区域自动分割方法，其特征在于，所述步骤S23中的卷积操作的卷积核大小均为3×3，所述上采样的卷积核大小均为2×2，所述上采样层的激活函数均为relu，所述上采样层的填充模式均为nopadding。