[发明专利]一种基于深度学习的三维脑积水CT图像分割方法

说明书

本发明公开了一种基于深度学习的三维脑积水CT图像分割方法，包括以下步骤：步骤(1)、获取数据集；步骤(2)、数据预处理；步骤(3)、构建残差U‑net卷积网络模型；步骤(4)、通过预处理后的数据对构建的残差U‑net卷积网络模型进行训练；步骤(5)、将测试数据输入训练好的残差U‑net卷积网络模型，对模型进行测试。本发明引入残差卷积作为基本卷积单元，增强分割模型得鲁棒性本发明基于深度学习对CT图像中的脑室区域构建三维分割模型，充分利用数据在三维空间上带来的优势，探究高维度信息给模型带来的可能性，提高最终表现效果的准确度。

技术领域

本发明涉及计算机视觉，深度学习中医学图像区域分割等领域，也咨询了专业医生评估术后的恢复指标。

背景技术

脑积水是一种脑部疾病,其通常表现为脑室的异常扩张，进而压迫了其他脑组织，存在着巨大的风险。脑室的定量评估对于早期检测和治疗监控都是必要的，而相关工作都必须基于医学图像中感兴趣区域(region of interest，ROI)的分割，但目前相关的研究工作还比较少。

脑室在医学图像中通常会呈现出不规则边界和区域模糊的状态，这对相关工作的进行带来了困难。基于传统的方法通常只能针对固定特征的目标，难以对多态变化的目标进行有效的提取，因此采用传统的方法较难开展相关工作。深度学习(Deep Learning，DL)是一种模仿人类神经元设计的算法模型，其最突出的特性在于可以通过自我学习的方式来完成任务目标，而不需要特定的设计数据特征，并且存在强拟合的特性，相比传统方法有着巨大的优势 。因此，开始有研究者基于深度学习的方法来对医学图像中脑室区域的分割进行研究。

Klimont等人提出了基于U-Net卷积神经网络的应用，证明了基于深度学习的方法可以在CT图像的脑室区域分割中达到几近人类水平的表现，表明了深度学习模型具有潜在的实际应用前景，这鼓励了在此领域上的进一步研究和促进了在临床环境中的实施。该研究使用了CT图像作为研究数据，并使用了包括1cycle学习率策略、迁移学习、广义dice损失函数、混合浮点精度、self-attention和数据增强等模型方法。但该研究使用的数据量较少，在统计意义上缺乏验证性，并且仅利用了二维图像而没有探究和利用医学图像在三维空间上的优势。

Ono等人提出了一种基于2.5维空间的U-Net方法和基于迁移学习的深度学习方法，用于分割医学图像中患有脑积水病情的婴儿的脑室。该研究中应用了一种结合低级特征和高级特征的网络架构来提高学习效率并保持切片方向的相关性，同时模型应数量较多的成人数据集的迁移学习来处理脑积水婴儿的数据。该研究证明了的高维空间对模型表现的有效性，并且表明了数据对获取鲁棒性模型的重要性，但其仍然没有对完全基于三维的数据进行研究。

目前尚且没有基于三维CT医学图像的脑积水定量估计相关的研究。本研究拟通过获取脑积水患者治疗前后头部的CT医学图像，结合医学图像特征信息，采用基于深度学习方法来对CT图像中的脑室区域进行分割，对脑室区域进行有效定量进而评估脑积水术后的治疗质量，提高医学图像带来的临床诊断价值。

发明内容

针对现有技术中存在的不足，本发明提出一种基于深度学习的三维脑积水CT图像分割方法。该方法可以更加方便快捷的判断病人术后的恢复情况，帮助医生更快速更精准的做出判断。