[发明专利]一种基于神经网络的脑出血辅助诊断系统

说明书

本发明公开了一种基于神经网络的脑出血辅助诊断系统，属于医学图像处理及分割技术领域，包括：获取模块，用于获取多张原始的CT图像，并标记出病灶区域；处理模块，用于对所述多张原始的CT图像进行图像增强，得到训练集；训练模块，用于利用所述训练集对神经网络进行训练；第一诊断模块，用于获取二次拍摄的CT图像并进行预处理，并将处理后的图像输入训练后的神经网络，得到与输入图像尺寸一致的表示每个像素置信度的灰度图；第二诊断模块，用于对所述灰度图依次进行阈值分割、形态学闭运算以及消除孔洞处理；并根据处理后的灰度图实现脑出血病灶检测以及出血量计算。如此，本发明能够提高脑出血诊疗的效率和准确率。

技术领域

本发明属于医学图像处理及分割技术领域，更具体地，涉及一种基于神经网络的脑出血辅助诊断系统。

背景技术

脑出血是指原发性非外伤性的脑实质出血，也称自发性脑出血，是急性脑血管病中病死率最高的疾病类型，占急性脑血管病的20％～30％。目前，急性脑血管相关的疾病已经成为第三大致人死亡的疾病。脑出血出血量多少的判定可作为后续医生所采取治疗手段的重要参照。

目前，临床上普遍采用X射线计算机断层扫描(X-ray computed tomography,CT)作为脑出血主要筛查手段，具有操作便捷、经济且无创等优点。但由于脑出血CT图像中的出血区域容易与其他正常脑组织混淆，诊断医生定性观察及定量化分析时难度较大；同时，脑出血发病急，且进展迅速，发病后症状在数分钟或数小时内达到高峰。但由于病理诊断需要镜下操作，肉眼观察工作量大，CT报告一般需6-24小时后才能得出，等候时间过久，且查验报告容易受病理医生经验及疲劳状态等影响。同时，部分偏远地区受限于医疗资源分布，尤其缺乏经验丰富的医生，难以快速明确CT诊断，易导致病人错过最佳治疗时机。

随着机器学习技术的发展及其在医学领域广泛应用，在脑出血辅助诊断领域，基于机器学习方法建立脑出血CT及病理切片图像辅助分析工具，可利用计算机强大的图像处理及矩阵运算能力，提高图像分析效率，减少医生工作量，有助于在一定程度上缓解区域医疗资源不平衡。但出于保护病人隐私等考虑，CT装置拍摄的CT图像存储于医院内部系统中，一般只支持打印成胶片，难以直接向外界程序开放数据接口，使得上述基于机器学习的辅助分析程序难以应用于原始拍摄图像。解决该问题的一种方式是对打印后的CT胶片进行二次拍摄并作为程序的输入，但二次拍摄CT图像的质量受拍摄视角和光照条件的影响较大，使得常规辅助分析程序难以得到准确的脑出血诊断结果。因此针对二次拍摄CT图像设计有效的脑出血辅助诊断系统，是当前有待解决的问题，且具有重要的实际应用价值。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于神经网络的脑出血辅助诊断系统，只需要利用手机拍摄患者CT图像进行上传，便可利用训练好的神经网络完成出血病灶检测、出血量计算等，从而帮助医生确定患者脑出血情况，提高诊断效率。

为实现上述目的，本发明提供了一种基于神经网络的脑出血辅助诊断系统，包括以下模块：

获取模块，用于获取多张原始的CT图像，并标记出病灶区域；

处理模块，用于对所述多张原始的CT图像进行图像增强，得到训练集；

训练模块，用于利用所述训练集对神经网络进行训练；

第一诊断模块，用于获取二次拍摄的CT图像并进行预处理，并将处理后的图像输入训练后的神经网络，得到与输入图像尺寸一致的表示每个像素置信度的灰度图；

第二诊断模块，用于对所述灰度图依次进行阈值分割、形态学闭运算以及消除孔洞处理；并根据处理后的灰度图实现脑出血病灶检测以及出血量计算。

进一步地，所述训练模块，还用于将多张相邻图像导入神经网络的输入层，进行联合训练。