一种基于深度学习的脑卒中图像分割方法

本发明涉及图像处理领域，具体设计了一种基于深度学习的脑卒中图像分割方法。

背景技术：

1、医学图像分割在计算机辅助诊断中起着关键作用，因为它可以帮助医生高效、准确地做出医疗决策。皮肤病变分割、脑卒中病变分割、脑肿瘤分割、视网膜血管分割等已引起众多研究者的兴趣。脑卒中是全球范围内导致成人残疾和死亡的主要原因之一。在医学影像分析领域，脑卒中分割，特别是对缺血性和出血性脑卒中区域的精确分割是脑卒中治疗的关键，分割结果将直接影响治疗决策和术后恢复。近年来，随着深度学习技术的快速发展，基于深度学习的脑卒中分割方法已成为研究热点。计算机断层扫描(ct)可以快速诊断病情和识别中风类型，而磁共振成像(mri)提供脑组织和血管的清晰扫描，以清楚地诊断脑梗死的部位。

2、脑卒中病灶的边界分割仍然面临挑战和困难。由于脑卒中患者的个体差异，其病变区域的分布存在显著的可变性。尽管mri提供了改进的高对比度图像，但大脑区域的复杂结构以及健康组织和局灶组织的相似灰度导致常用方法产生不准确的分割，即使对于经验丰富的医生也是如此。而且本身脑卒中的病变极其不规则，对于模糊和那些隐藏的边界很难分辨出来。随着人工智能技术的突飞猛进，研究者们积极探索使用深度学习技术，特别是卷积神经网络(cnn)和u-net架构，但是在训练样本极其有限的情况下，u-net依然存在过拟合的风险。

3、针对这些存在的问题，国内外研究人员设计如何有效融合ct、mri等多种医学影像模式，以多模态融合输入来获得更全面的脑卒中特征表示，进而提高分割的性能。同时也开发了多种自动化和半自动化的脑卒中分割方法，以减少人工标注的需求。这些方法往往结合了深度学习与传统图像处理技术，以达到高效、准确分割的目的。研究人员不断探索创新的深度网络架构，如nnu-net、深度可分离卷积网络等，来应对脑卒中分割中的特定挑战；如不同脑卒中类型的区分、小区域的精细分割等，并尝试保留精细边缘信息。虽然这些方法是有价值的，但它们的性能可能严重依赖于目标位置和轮廓点群。

技术实现思路

1、本发明公开一种基于深度学习的脑卒中图像分割方法。旨在针对人脑卒中图像分割效果有待提升的问题，并针对于技术背景中存在的问题进行探索。

2、为实现上述目标，本发明采用的技术方案如下：

3、一种基于深度学习的脑卒中图像分割方法主要包括三大重要板块。板块1、数据预处理，板块2、模型设计及模型训练；板块3、模型验证获得最佳模型。数据预处理作为人脑卒中图像分割任务的开端，其非常重要。将获得的原始人脑卒中数据集经图像裁剪、图像重塑、数据增强等操作实现板块1主要功能，再把数据集按比例(一般按8：2或8：1：1的比例)分为训练集和验证集两类数据。将训练数据集作为输入，按一定数据量，批次输入到所设计的人脑卒中分割网络模型中以实现板块2的主要目的，对设计的分割网络模型进行训练。根据实际条件选择进行单次训练后验证或多次训练后验证的方式，将验证数据集作为输入对训练的模型进行验证，通过比较dice值大小判断所设计模型的效果，以此完成板块3的主要任务。

4、其中板块2中人脑卒中分割模型的设计尤为重要。本发明受u-net网络以及res-net网络结构的启发，将残差结构添加到网络模型中。由于u-net网络的深度有限，一般只有4-5个上采样和下采样层，针对于脑卒中分割这类复杂问题中还有一定的提升空间，而res-net网络则更适用于复杂任务的处理。标准的残差块(residual block)公式表示如下：y＝f(x)+x。f(x)综合卷积、归一化、非线性激活函数等操作的功能，y则表示输入x通过若干卷积层处理以及激活函数后所得到的输出结果。但残差结构所构建的另一捷径能使信息避免通过梯度计算及网络深度直接给到输出，这有效改善模型性能以及训练效率。

5、但这要解决技术背景中所提到的现存问题还远不够，脑卒中病灶图像精细且复杂，对模型的学习能力要求很高；因此注意力机制必不可少。传统的单头或多头注意力机制分别存在对信息的表达不够以及不一定能同时学习到有效信息甚至融合学习信息后得到错误信息且计算资源消耗大等问题。因此需要对注意力机制学习到的信息进行再自适应融合学习，且不是简单的单头注意力，而是在不同维度上增加相应合适的的注意力机制，然后将同一阶段的特征进行融合。假设对于3d图像的三个注意力学习输出分别为y1、y2、y3，经过再自适应学习后总的特征为：

6、y*＝ay1+by2+cy3

7、其中y*表示最终的注意力机制特征结果，a,b,c分别表示对应维度上学习所占的权重，根据实际情况进行调整；这一设计将强有效的增加三维图像分割的准确性。

8、同时本模型还对于输入数据有着自适应调整结构，便于针对不同维度值的数据进行处理，防止在进行维度调整时出现数据变形缺失的可能性。

技术特征：

1.一种基于深度学习的脑卒中图像分割方法的大致内容包括以下部分：

2.根据权利要求1所述的一种基于深度学习的脑卒中图像分割方法，其特征在于步骤(1)中，获取人脑卒中图像数据集并进行预处理具体方法为：

3.根据权利要求1所述的一种基于深度学习的脑卒中图像分割方法，其特征在于步骤(2)中，对于处理好的数据集按照设定比例划分为训练集和测试集具体方法为：

4.根据权利要求1所述的一种基于深度学习的脑卒中图像分割方法，其特征在于步骤(3)中，建立基于深度学习的级联脑卒中分割模型具体方法为：

5.根据权利要求1所述的一种基于深度学习的脑卒中图像分割方法，其特征在于步骤(3)中，引入的注意力机制具体为：

6.根据权利要求1所述的一种基于深度学习的脑卒中图像分割方法，其特征在于步骤(4)中，设置初始的学习率lr(常态设置为0.0001)，总训练轮次epoch(根据模型学习情况进行调整)，批量大小batch-size(根据实验条件进行调整)。在训练集上模型将对神经网络的权重进行迭代优化，直到损失函数收敛，完成训练过程。

7.根据权利要求1所述的一种基于深度学习的脑卒中图像分割方法，其特征在于步骤(5)中，加载经过训练的网络模型，将测试集作为训练完成所得到的人脑卒中分割模型的输入，以此获取该模型的分割结果；若想要使得更好地验证模型的稳定性和准确性，k折交叉验证的方式比较适合。

技术总结本发明提供一种基于深度学习的人脑卒中图像分割方法，方法包括：获取人脑卒中三维图像数据集并进行预处理；将处理好的数据集按比例划分为训练集和测试集；建立基于深度学习的包含残差、注意力融合以及输入自适应调整机制等和三维卷积的级联脑卒中分割模型；将所述人脑卒中图像数据集中的训练集输入所述基于深度学习的脑卒中分割模型，得到训练后的脑卒中分割模型，Dice损失函数值为其分割效果指标；将人脑卒中图像数据集中的测试集作为训练完成所得到的人脑卒中分割模型的输入，以此获取该模型的分割结果；且通过多次实验来验证模型的鲁棒性。通过本发明提出的方法，可以精准高效的分割出脑卒中图像中的目标区域，相较于目前所存在的其它脑卒中分割网络模型，在分割效果上有明显的提升。技术研发人员：陈真诚,刘东洪,孙鹏,许赢龙,王峥亮,龙威受保护的技术使用者：桂林电子科技大学技术研发日：技术公布日：2024/8/20