[发明专利]急性缺血性脑卒中病灶自动分割方法、系统、终端及介质

权利要求书

1.一种急性缺血性脑卒中病灶自动分割方法，其特征在于，包括以下步骤：

将患者头颅CT图像刚体配准至标准空间；

剔除颅骨，获得脑实质三维掩膜；

通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合，得到正中矢状面数据；

对正中矢状面数据进行水平翻转，得到翻转后的对称图像，通过正中矢状面数据逐像素减去翻转后的对称图像的方式，得到大脑的左右侧对称参数图；

对正中矢状面数据设置不同的窗宽窗位，得到多级窗宽窗位的影像数据；

对正中矢状面数据进行手动标注，得到卷积神经网络的训练数据，以二维图像标注的方式标注出大脑实质区域的脑实质、脑脊液和卒中病灶，并得到每个二维图像是否存在卒中病灶的二值分类标签；

构建分割卷积神经网络模型，将左右侧对称参数图和多级窗宽窗位的影像数据作为分割卷积神经网络模型的输入训练分割卷积神经网络模型，以二维图像标注结果作为分割卷积神经网络模型的输出，得到训练好的分割模型；

将左右侧对称参数图和多级窗宽窗位的影像数据输入训练好的分割模型中分割，得到对应体素的脑实质、脑脊液和卒中病灶分割概率图，以及对应的二维图像是否存在卒中病灶的预测概率；

根据预测概率的不同输出不同的分割结果。

2.如权利要求1所述的方法，其特征在于，所述根据预测概率的不同输出不同的分割结果具体包括：

当预测概率大于等于0.5时，将分割模型的卒中病灶分割概率图作为分割结果输出；

当预测概率小于0.5时，以对应的体素的脑实质、脑脊液和卒中病灶分割概率最大的一类作为分割结果输出。

3.如权利要求1所述的方法，其特征在于，所述通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合，得到正中矢状面数据具体包括：

根据脑实质三维掩膜计算每层图像是脑实质体积，得到脑实质面积最大的图像层；

根据对应的脑实质三维掩膜得到非零像素的坐标矩阵；

计算横纵坐标均值向量机协方差矩阵；

根据协方差矩阵求解特征方程，得到特征值分别为拟合椭圆的半长轴和半短轴；

根据特征值计算椭圆长短轴特征向量；

通过反三角函数计算旋转角，根据非零像素坐标矩阵定位拟合椭圆长轴坐标；

通过长轴坐标和旋转角对三维图像进行旋转得到正中矢状面数据。

4.如权利要求1所述的方法，其特征在于，设置不同的窗宽窗位具体包括：分别采用(30，60)、(40，80)、(50,100)作为窗宽和窗位。

5.一种急性缺血性脑卒中病灶自动分割系统，包括：刚体配准模块、脑实质提取模块、正中矢状面数据获取模块、对称性参数图计算模块、多级窗宽窗位图像生成模块、分割模型预测模块和结果输出模块，

所述刚体配准模块将患者头颅CT图像刚体配准至标准空间；

所述脑实质提取模块用于剔除颅骨，获得脑实质三维掩膜；

所述正中矢状面数据获取模块用于通过对脑实质三维掩膜用PCA特征降维进行椭圆拟合，得到正中矢状面数据；

所述对称性参数图计算模块用于对正中矢状面数据进行水平翻转，得到翻转后的对称图像，通过正中矢状面数据逐像素减去翻转后的对称图像的方式，得到大脑的左右侧对称参数图；

所述多级窗宽窗位图像生成模块对正中矢状面数据设置不同的窗宽窗位，得到多级窗宽窗位的影像数据；

所述分割模型预测模块构建分割卷积神经网络模型，将左右侧对称参数图和多级窗宽窗位的影像数据作为分割卷积神经网络模型的输入训练分割卷积神经网络模型，以二维图像标注结果作为分割卷积神经网络模型的输出，得到训练好的分割模型；

将左右侧对称参数图和多级窗宽窗位的影像数据输入训练好的分割模型中分割，得到对应体素的脑实质、脑脊液和卒中病灶分割概率图，以及对应的二维图像是否存在卒中病灶的预测概率；

所述结果输出模块根据预测概率的不同输出不同的分割结果。