[发明专利]基于多模型结合的脑出血分割方法和系统

说明书

本发明提供了一种基于多模型结合的脑出血分割方法和系统，该方法包括：获取待检测的脑部图像数据；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；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。从而可以对脑部图像的出血区域进行准确分割，图像处理效率更高，方便医生迅速找出脑部出血区域，提高手术的成功率。

技术领域

本发明涉及图像处理技术领域，具体地，涉及基于多模型结合的脑出血分割方法和系统。

背景技术

中风是全球第二大最常见的死亡原因和致残原因，每年有将近80万人经历新的或复发性的中风，超过2/3的幸存者将患有某种类型的残疾，中风治疗的“黄金时期”是发作后3至6个小时。中风主要分为缺血性中风和出血性中风两种类型。出血性中风约占中风病例的13％，占所有中风死亡的40％。出血性中风是由大脑血管破裂引起的周围脑组织出血(脑出血)，导致脑细胞死亡，大脑的受影响部分将停止工作。相比缺血性中风，出血性中风死亡率更高、危险更大。

目前，治疗脑出血，一般在头部X射线CT图像上对脑出血进行分割。但是这种分割是通过专业人员的介入而手动进行，操作复杂，对医生的经验要求较高。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于多模型结合的脑出血分割方法和系统。

第一方面，本发明提供一种基于多模型结合的脑出血分割方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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：