[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

说明书

本发明公开了急性缺血性脑卒中病灶自动分割方法，包括：头颅CT图像配准；剔除颅骨，获得脑实质三维掩膜；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；计算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；标注训练数据；训练分割卷积神经网络模型；将测试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，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。方法结合大脑解剖先验知识进行多任务训练，提高了卷积神经网络在NCCT卒中病灶自动分割方法的性能，能准确分割出急性缺血性卒中病灶。

技术领域

本发明涉及数据处理技术领域，具体涉及一种急性缺血性脑卒中病灶自动分割方法、系统、终端及介质。

背景技术

“脑卒中”(cerebral stroke)是一种急性脑血管疾病，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一组疾病，包括缺血性和出血性卒中。

2018年，中国卒中死亡率为149.49/10万，占我国居民总死亡率的22.3％，已成为造成过早死亡和疾病负担的首位原因。卒中住院患者平均年龄为66岁，其最主要的类型脑梗死、脑出血和蛛网膜下腔出血占比分别为81.9％、14.9％和3.2％。

急性缺血性脑卒中(急性脑梗死)是最常见的卒中类型，占我国脑卒中的69.6％～70.9％。目前对于急性期的时间划分尚不统一，一般指发病后2周内，轻型1周内，重型1个月内。我国住院急性缺血性脑卒中患者发病后1个月内病死率约为2.3％～3.2％，3个月病死率9％～9.6％，致死/残疾率为34.5％～37.1％，1年病死率14.4％～15.4％，致死/致残率33.4％～33.8％。

急诊平扫CT(NCCT)可准确识别绝大所数颅内出血，并帮助鉴别非血管性病变(如脑肿瘤)，是疑似脑卒中患者首选的影像学检查方法，亦是用于是用于中风病灶体积评估的最常见的影像学检查方法。但是，依靠影像医生进行手动病变分割，存在耗时过长，主观差异大等缺点。

现有的半自动病变分割工具，需要人机互动，这可能会产生偏差。深度卷积神经网络(CNN)在医学成像中的各种分割任务中表现出了卓越的性能，这是因为它们能够学习数据中的复杂模式和关系。现有CNN分割卒中病灶的研究中，大多只考虑了三维空间结构信息的添加，缺乏对NCCT影像与卒中的相关先验知识的利用。

发明内容

针对现有技术中的缺陷，本发明提供一种急性缺血性脑卒中病灶自动分割方法、系统、终端及介质，结合大脑解剖先验知识进行多任务训练，提高了卷积神经网络在NCCT卒中病灶自动分割方法的性能，能准确分割出急性缺血性卒中病灶。

第一方面，本发明实施例提供的一种急性缺血性脑卒中病灶自动分割方法，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；