[发明专利]一种基于深度学习的动脉瘤分割方法和装置

权利要求书

1.一种基于深度学习的动脉瘤分割方法，其特征在于，包括以下步骤：

获取头部扫描CT血管造影CTA图像；

将所述CTA图像输入到预训练的深度学习模型，基于所述预训练的深度学习模型对所述CTA图像进行图像分析处理；其中，所述预训练的深度学习模型是基于全局定位损失和局部分割损失两个损失函数训练得到；

基于所述图像分析处理，使用动脉瘤分割网络输出相应的脑动脉瘤区域识别分割标签图像。

2.根据权利要求1所述的方法，其特征在于，所述预训练的深度学习模型是基于全局定位损失和局部分割损失两个损失函数训练得到，包括：

获取训练集，并对所述训练集中的CTA图像进行数据预处理；

基于所述数据预处理，在所述训练集中的CTA图像的整图中随机抽取预设大小的滑窗，以输入到全局定位描述子网络得到位置特征；以及将滑窗位置的预设区域CTA图像输入到动脉瘤分割网络进行分割；

基于所述动脉瘤分割网络对所述深度学习模型进行训练，以得到所述预训练的深度学习模型；其中，所述局部分割损失使用金字塔权重损失函数的形式进行加权处理。

3.根据权利要求2所述的方法，其特征在于，所述获取训练集，并对所述训练集中的CTA图像进行数据预处理，包括：

采集样本CTA图像，对所述样本CTA图像进行数据预处理，以识别脑部区域并将不属于所述脑部区域的其他位置区域剔除；其中，所述样本CTA图像的HU值保留0-600的区间，并归一化到0-1。

4.根据权利要求3所述的方法，其特征在于，所述在所述训练集中的CTA图像的整图中随机抽取预设大小的滑窗，以输入到全局定位描述子网络得到位置特征，包括：

在所述训练集中的CTA图像的整图中随机抽取大小为128*128*128的滑窗，并将滑窗在整图中的位置编码为二值图像；

将所述整图和位置编码的二值图像输入到全局定位描述子网络，得到位置特征。

5.根据权利要求4所述的方法，其特征在于，所述全局定位损失通过所述全局定位描述子网络输出计算得到，形式为Softmax交叉熵分类函数；所述局部分割损失通过局部分割网络输出计算得到，形式为Softmax交叉熵分割函数。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

对所述训练集中的CTA图像的整图进行重叠长度为64的顺序滑窗法，依次扫描图像每个区域；

使用动脉瘤分割网络得到所述图像每个区域的动脉瘤分割标签图；以及，

基于所述动脉瘤分割标签图使用平均值法融合为整图的分割标签图。

7.根据权利要求2所述的方法，其特征在于，所述动脉瘤分割网络使用U-net结构。

8.根据权利要求1所述的方法，其特征在于，对输入的所述CTA图像通过多种处理方式进行数据增广；其中，所述多种处理方式包括随机翻转、旋转和增加噪声方式中的多种。

9.一种基于深度学习的动脉瘤分割装置，其特征在于，包括：

获取模块，用于获取头部扫描CT血管造影CTA图像；

分析模块，用于将所述CTA图像输入到预训练的深度学习模型，基于所述预训练的深度学习模型对所述CTA图像进行图像分析处理；其中，所述预训练的深度学习模型是基于全局定位损失和局部分割损失两个损失函数训练得到；

输出模块，用于基于所述图像分析处理，使用动脉瘤分割网络输出相应的脑动脉瘤区域识别分割标签图像。

10.根据权利要求9所述的装置，其特征在于，还包括训练模块，包括：

预处理模块，用于获取训练集，并对所述训练集中的CTA图像进行数据预处理；

分割定位模块，用于基于所述数据预处理，在所述训练集中的CTA图像的整图中随机抽取预设大小的滑窗，以输入到全局定位描述子网络得到位置特征；以及将滑窗位置的预设区域CTA图像输入到动脉瘤分割网络进行分割；

预训练模块，用于基于所述动脉瘤分割网络对所述深度学习模型进行训练，以得到所述预训练的深度学习模型；其中，所述局部分割损失使用金字塔权重损失函数的形式进行加权处理。