[发明专利]一种基于自监督的急性颅内ICH区域图像分割方法

权利要求书

1.一种基于自监督的急性颅内ICH区域图像分割方法，其特征在于：

步骤一、获取Q1张已经被医生勾勒出颅内出血区域CT图片，即出血部位图，获取Q2张完整的有颅内出血的CT扫描图；

步骤二、将第一张出血部位图A1送入认知网络，由认知网络学习生成颅内ICH区域图；

步骤三、将颅内ICH区域图和一张CT扫描图送入分割网络，由分割网络生成ICH区域定位图；

步骤四、比较ICH区域定位图与步骤三中的CT扫描图，判断二者展现出的出血区域的轮廓是否趋于完全接近，如果趋于完全接近，则确定当前认知网络和分割网络是一个合格的ICH区域图像分割模型；如果不是趋于完全接近，则进入步骤五；

步骤五、将第二张出血部位图A2和步骤四中的ICH区域定位图送入所述认知网络，再由认知网络学习生成新的颅内ICH区域图；

重复步骤三、四、五，直到步骤四判断出ICH区域定位图与步骤三中的CT扫描图的出血区域的轮廓趋于完全接近；

所述认知网络的模型结构为依次连接的：第一认知卷积层“conv2d”、第一认知逐元素相加单元“elementwise_add”、第一认知批正则化层“batch_norm”、第一认知激活函数“relu”、第一认知池化层“pool2d”、第二认知卷积层“conv2d”、第二认知逐元素相加单元“elementwise_add”、第二认知批正则化层“batch_norm”、第二认知激活函数“relu”、第二认知池化层“pool2d”、第二认知全连接层“matmul”、第三认知逐元素相加单元“elementwise_add”；

所述分割网络的模型结构为依次连接的：第一分割卷积层“conv2d”、第一分割逐元素相加单元“elementwise_add”、第一分割批正则化层“batch_norm”、第一分割激活函数“relu”、第一分割池化层“pool2d”、第二分割卷积层“conv2d”、第二分割逐元素相加单元“elementwise_add”、第二分割批正则化层“batch_norm”、第二分割激活函数“relu”、第二分割池化层“pool2d”、第三分割卷积层“conv2d_transpose”、第三分割逐元素相加单元“elementwise_add”。

2.根据权利要求1所述的一种基于自监督的急性颅内ICH区域图像分割方法，其特征在于：所述步骤二中，采用5x5窗口作为滤波器对出血部位图进行卷积，将ICH区域的特征进行抽取并转化为特征矩阵，对每个输入X，采用公式8：

Out＝σ(W*X+b) (8)

其中X为出血部位图，W为滤波器，*为卷积操作，b为偏移量，σ为激活函数，Out为输出值；

然后，通过认知全连接层对输出值Out的特征进行分析，输出值Out中所有像素被归一化处理，从而生成仅由255和0两种色度值组成颅内ICH区域图。

3.根据权利要求1所述的一种基于自监督的急性颅内ICH区域图像分割方法，其特征在于：所述步骤三中，采用第一、第二分割卷积层将CT扫描图转化为高纬度的矩阵向量，实现CT扫描图中各部位的特征抽象，然后再通过注意力机制对抽象出的特征进行筛选，根据筛选保留下的特征信息，同步生成出新的热力图，将新的热力图与输入的CT扫描图图像进行矩阵点乘，分割出所述ICH区域定位图，如公式9所示：

m＝c*z (9)

其中Z为真实的脑CT扫描图，C为的热力图像；m为ICH区域定位图。