[发明专利]一种颅脑CT图像出血区域自动分割方法

说明书

本发明公开了一种颅脑CT图像出血区域自动分割方法：S1获取需要进行出血区域自动分割的颅脑CT图像；S2：将颅脑CT图像依次通过预先构建并训练的改进U‑Net卷积神经网络，网络整体结构为三层下采样层三层上采样层，在跳跃连接过程中将下采样获取的特征图分别经复制、卷积、裁剪后，与各自对应的上采样层后的特征图进行拼接，对应的上采样层对拼接后的特征图进行上采样和卷积。改进U‑Net卷积神经网络一共包括七层，保证特征提取的同时减少信息的丢失，节省时间提升整体效率；在跳跃连接步骤中对下采样的特征图增加了卷积操作，可以在不改变模型层数的同时为上采样层提供更多的信息，从而提高后续对颅脑出血CT图像的图像分割。

技术领域

本发明属于医学图像处理领域，尤其涉及一种颅脑CT图像出血区域自动分割方法。

背景技术

根据《全球疾病负担》了解到中风是第二大最常见的死亡原因，也是全球致残的主要原因之一。中风发生在血液流向大脑特定区域时的中断，发生这种情况时，脑细胞将被剥夺氧气并死亡。当中风导致脑细胞死亡时，由大脑该区域控制的功能(例如记忆力和肌肉控制力)就会丧失。出血性中风发生在血管的破裂,而缺血性中风则发生在血管的阻塞，与缺血性中风相比，出血性中风所造成的损害更大。

在医学领域中，为了满足病情诊断、治疗方案制定等需求，常常需要对病人进行扫描，从而确定各内部器官的情况。计算机断层扫描CT比其他检查更快更便宜，是评估可疑中风患者最常用的检查方法。通过此项检查，专家可以通过视觉评估来检查损坏的严重程度。现有技术中通过传统U-Net卷积神经网络对颅脑CT图像的出血部位进行分割以方便识别，然而传统的U-Net卷积神经网络对图像处理时间长，图像丢失信息多从而导致精度低等技术缺陷。

发明内容

本发明的技术目的是提供一种颅脑CT图像出血区域自动分割方法，以解决图像识别速度慢、精度低的技术问题。

为解决上述问题，本发明的技术方案为：

一种颅脑CT图像出血区域自动分割方法，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，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，下采样层与上采样层一一对应，三次下采样获取的特征图分别经复制、卷积、裁剪后，与各自对的上采样层前一层输出的特征图进行拼接，对应的上采样层对拼接后的特征图进行上采样和卷积。

进一步优选地，步骤S1之前还包括步骤S0：

S01：构建改进U-Net卷积神经网络；

S02：收集颅脑CT训练图像，并通过颅脑CT训练图像对改进U-Net卷积神经网络进行训练。

具体地，步骤S02进一步包括：

A1：对颅脑CT训练图像进行收集；

A2：对收集的颅脑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：将颅脑CT标准化数据输入改进U-Net卷积神经网络进行训练。

具体地，在步骤A3中，对筛选后的颅脑CT训练图像进行预处理进一步包括：

A31：对筛选后的颅脑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，将颅脑CT扩增图像归一化映射到[0，1]，得到颅脑CT标准化数据。

具体地，步骤A4进一步包括：