[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

说明书

本发明公开了一种基于自监督的急性颅内ICH区域图像分割方法，包括将出血部位图A1送入认知网络，由认知网络学习生成颅内ICH区域图；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；比较ICH区域定位图与CT扫描图，判断ICH区域定位图与CT扫描图的出血区域一致性，并不断循环训练。本发明结合无监督的思想，基于知识约束生成式对抗网络的图像分割技术，实现医学影像中颅内ICH区域的自动分割。在生成式对抗网络的思想上对生成器进行改造，变形为分割网络。利用生成式对抗网络的特性，模型优化不再依靠精细标注样本，保证了分割准确性。

技术领域

本发明涉及一种颅内ICH区域识别技术，具体地说，是一种基于自监督的急性颅内ICH区域图像分割方法。

背景技术

颅内出血(Intracerebral hemorrhage，ICH)，是指脑中的血管破裂引起出血，因此由血管获得血液的脑细胞受到破坏的同时，由于出血压迫周围的神经组织而引起障碍。颅内出血是一种相对常见的疾病，其病因包括创伤、中风、动脉瘤、血管畸形、高血压、非法药物和凝血障碍等。它也叫脑出血、脑溢血、出血性中风/卒中，占全部脑卒中的20％～30％，急性期病死率为30％～40％。颅内出血，是一种会威胁到患者生命安全的严重疾病，需要进行迅速且复杂的医学治疗。

颅内出血过程中，从头痛到死亡，根据出血的大小、类型和部位，对神经系统的影响也大不相同。在临床诊断中，放射科医生需要对ICH区域进行手工测量，从而进一步判断患者的治疗方案。颅内ICH区域手工分割过程复杂、耗时，并且需要极高的专业水平和丰富的临床经验。该分割结果也极易受人的主观意识所影响。基于CT(computed tomography)医学影像研究的自动颅内ICH区域分割对指导临床诊断治疗有着重要的价值。可以简化诊断流程，显著减少诊断时间，让患者的治疗更及时，降低急性颅内出血导致的发病率和死亡率。在缺少放射科医生的偏远地区，自动分割还能够辅助医生进行决策。然而，一幅典型的医学影像十分复杂，可能包含了许多的器官和组织。准确地分割感兴趣区域要掌握医学影像的成像原理，熟悉成像特点，还需具备丰富的脑科知识。不管是CT还是MRI(magneticresonance imaging)，在成像过程中由于成像设备和人为因素等影响还会包含干扰信息，造成边界模糊。通常情况下，边界是通过医务人员相互之间协商来完成，可见医学影像中颅内出血自动精确的分割是一个极大的挑战。

近年来，深度学习技术在医学影像任务中不断取得重大突破，包括检测、分割和定位影像学异常，去量化病情。目前深度学习已经成为医学图像分割的主流技术。1995年，卷积神经网络(convolutional neural network,CNN)被应用于医学影像分析领域。因为CNN是基于像素分类的分割思路，无法有效地提取全局结构特征，后来逐渐被全卷积网络(fully convolutional network,FCN)所代替。全卷积的问题，2015年提出的U-Net在医学图像分割上展现出更好的效果，该结构在编码器上逐渐减少池化层的空间维度，同时在解码器层逐步修复物体的细节和空间维度。后来更多类似的网络出现，如郝晓宇等人提出的融合双注意力机制的肺肿瘤分割等。2019年，Xu等人对CT或MRI这样的多层切片成像，将扫描方向看作时间轴方向，使用循环神经网络(recurrent neural network,RNN)对脑肿瘤进行分割。

此外，网络的框架也有新的变化。使用生成式对抗网络(generative adversarialnetwork,GAN)进行医学图像的分割，已成为一个研究热点。Yang等人基于GAN还提出一种专门用于医学图像分割的框架模型。后面不断出现GAN网络的改进，2019年，Rezaei等人提出了条件生成细化网络，该网络由生成网络、判别网络和细化网络这3部分组成，其中细化网络处理误分类成本。同年，Xia等人提出了一种基于DeepLabv3基本框架的改进模型，并引入Pix2pix网络作为生成对抗模型，实现深度特征与多尺度语义特征相结合的分割框架，减少了空间结构的不一致性。