[发明专利]基于多模型结合的脑出血分割方法和系统

权利要求书

1.一种基于多模型结合的脑出血分割方法，其特征在于，包括：

步骤1：获取待检测的脑部图像数据；

步骤2：采用形态学方法，去除所述待检测的脑部图像数据中的颅骨部分，得到预处理后的数据；

步骤3：将所述预处理后的数据输入目标检测模型，输出所述脑部图像数据的分割结果，其中，所述分割结果中包含有脑部出血区域。

2.根据权利要求1所述的基于多模型结合的脑出血分割方法，其特征在于，在执行步骤3之前，还包括：

构建包含有脑部出血区域的图像数据集；

将所述图像数据集划分为训练集和测试集；

基于模糊C-均值聚类方法，分别对所述训练集、所述测试集中的图像进行分类，得到标记有图像区域分类结果的中间图像数据；

采用形态学方法，去除所述中间图像数据中的颅骨部分，得到目标数据；

通过所述训练集对应的目标数据训练构建的初始检测模型，得到训练后的模型；其中，所述初始检测模型是结合空洞卷积建立改进的U-Net神经网络模型；

通过所述测试集对应的目标数据测试所述训练后的模型，若测试通过，则得到所述目标检测模型。

3.根据权利要求2所述的基于多模型结合的脑出血分割方法，其特征在于，所述构建包含有脑部出血区域的图像数据集，包括：

对包含有脑部出血区域的图像进行筛选，筛选出图像大小、清晰度、完整度均符合要求的图像加入图像数据集。

4.根据权利要求2所述的基于多模型结合的脑出血分割方法，其特征在于，基于模糊C-均值聚类方法，分别对所述训练集、所述测试集中的图像进行分类，得到标记有图像区域分类结果的中间图像数据，包括：

基于模糊C-均值聚类方法，分别对所述训练集、所述测试集中的图像的每一像素的灰度值进行聚类，得到标记有脑灰质区域、脑白质区域、脑脊液区域、出血区域这四类区域分类结果的中间图像数据。

5.根据权利要求2所述的基于多模型结合的脑出血分割方法，其特征在于，采用形态学方法，去除所述中间图像数据中的颅骨部分，得到目标数据，包括：

调整所述中间图像数据的膨胀参数与腐蚀的参数，直至去除每张图像中的颅骨部分。

6.根据权利要求2-5中任一项所述的基于多模型结合的脑出血分割方法，其特征在于，所述结合空洞卷积建立改进的U-Net神经网络模型包括七层卷积结构，其中：

第一层用于：将输入数据做两个卷积和一个空洞卷积，卷积核大小为3×3，激活函数为relu，stride＝2，填充模式为nopadding，得到第一输出结果；

第二层用于：将所述第一输出结果做两个卷积和一个空洞卷积，卷积核大小为3×3，激活函数为relu，stride＝2，填充模式为nopadding，得到第二输出结果；

第三层用于：将所述第二输出结果做两个卷积和一个空洞卷积，卷积核大小为3×3，激活函数为relu，stride＝2，填充模式为nopadding，得到第三输出结果；

第四层用于：将所述第三输出结果做两个卷积，卷积核大小为3×3，激活函数为relu，填充模式为nopadding，得到第四输出结果；

第五层用于：将复制的第一输出结果、第二输出结果、第三输出结果做卷积、剪裁操作，然后进行拼接并做上采样操作，卷积核大小为3×3，upsampling大小为2×2，得到第五输出结果；

第六层用于：将复制的第四输出结果和第五输出结果做两个卷积一个上采样，卷积核大小为3×3，激活函数为relu，upsampling大小为2×2，填充模式为nopadding，得到第六输出结果；

第七层用于：将复制的第五输出结果和第六输出结果做两个卷积，卷积核大小为3×3，激活函数为relu，填充模式为nopadding，得到第七输出结果；

将第七输出结果做一个1×1的卷积，激活函数为relu，得到所述脑部图像数据的分割结果。