System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及图像处理,尤其涉及一种基于深度学习的脑出血影响自动化分割方法及装置。
技术介绍
1、脑出血(intracerebral hemorrhage,ich)具有较高的死亡率,尤其是当出血导致继发性脑室内出血时。脑实质内出血(intraparenchymal hematoma,iph)是指出血发生在脑组织内部的情况,而继发性脑室内出血(intraventricular hemorrhage,ivh)是指脑实质内出血后,血液进一步流入脑室内的情况。这两种情况都属于脑出血的一种,但其位置和临床影响略有不同。脑实质内出血通常发生在脑组织内部,而继发性脑室内出血则是脑实质内出血后,血液进入脑室内,可能对脑部造成更严重的影响。因此,对这两种类型的出血进行准确的识别和分割对于临床治疗和手术规划至关重要。对于脑出血的手术治疗选择一直是神经外科领域最具争议的领域之一。医学影像处理和神经外科手术规划领域的现有技术主要包括基于数学模型和图像处理技术的手工设计算法,如椭圆拟合、阈值分割、形态学运算和纹理特征提取等。这些方法通常依赖于专家经验和人工制定的规则,其存在的问题和缺点主要包括以下几个方面:首先,传统方法在复杂场景下难以取得理想的分割效果,特别是对于脑出血等病变的精确分割存在一定困难;其次,传统方法的泛化能力较差,往往无法适应不同数据集和不同病例的分割需求;此外,传统方法需要大量的人工干预和参数调整,存在主观性和耗时性的问题;最后,传统方法往往无法充分利用大规模数据集中的信息,难以挖掘和表征复杂的影像特征。
2、目前,针对iph和
技术实现思路
1、本申请提供一种基于深度学习的脑出血影响自动化分割方法及装置,以解决相关技术中存在的问题。
2、第一方面,本专利技术提供一种基于深度学习的脑出血影响自动化分割方法,包括在获取脑出血影像后,将所述脑出血影像输入至训练完成的模型中,自动分割出脑出血区域图像并识别得到血肿类型,其中,所述血肿类型包括iph类型和ivh类型;其中,所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后,输出脑出血类型;所述多尺度边界感知模块连接在所述编码器和解码器之间;所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。
3、可选地,所述方法还包括基于分割出的脑出血区域图像确定血肿体积:其中,pi代表预测的第i个血肿,s代表空间中每个像素的体积,n代表发生脑出血的次数。
4、可选地,在对所述模型训练时基于预设损失函数loss=lossseg+lossconsistency进行训练,其中,所述其中,所述pout代表模型的预测结果,gt代表真实值,ξ代表平滑系数;所述
5、可选地,在对模型训练时,将脑出血影像随机裁剪n个连续切片作为三维块,并将所述三维块输入至模型中进行训练。
6、第二方面,本专利技术提供一种基于深度学习的脑出血影响自动化分割装置,包括模型预测单元,在获取脑出血影像后,将所述脑出血影像输入至训练完成的模型中,自动分割出脑出血区域图像并识别得到血肿类型,其中,所述血肿类型包括iph类型和ivh类型;其中,所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后,输出脑出血类型;所述多尺度边界感知模块连接在所述编码器和解码器之间;所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。
7、可选地,装置还包括血肿体积确定单元,被配置成基于分割出的脑出血区域图像确定血肿体积:其中,pi代表预测的第i个血肿,s代表空间中每个像素的体积,n代表发生脑出血的次数。
8、可选地,在对所述模型训练时基于预设损失函数loss=lossseg+lossconsistency进行训练,其中,所述其中,所述pout代表模型的预测结果,gt代表真实值,ξ代表平滑系数;所述
9、可选地,在获取脑出血影像后,随机裁剪n个连续切片作为三维块,并将所述三维块输入至训练完成的模型中。
10、第三方面,本专利技术提供一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一项所述的方法。
11、第四方面,本专利技术提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面提供的方法。
12、本专利技术公开了一种基于深度学习的脑出血影响自动化分割方法及装置,方法包括包括:在获取脑出血影像后,将所述脑出血影像输入至训练完成的模型中,自动分割出脑出血区域图像并识别得到血肿类型,其中,所述血肿类型包括iph类型和ivh类型;其中,所述训练完成的脑出血影像在经过编码器、多尺度边界感知模块和解码器的处理后,输出脑出血类型;所述多尺度边界感知模块连接在所述编码器和解码器之间;所述多尺度边界感知模块利用不同扩张卷积捕捉不同出血类型的边界。融合多尺度边界感知模块,可以解决上述iph和ivh的自动化分割问题,使模型能够更好地区分它们,减少误判,解决现有技术中存在的分割准确性不高、对复杂情况处理能力不足以及数据通用性差等问题。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的脑出血影响自动化分割方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法,其特征在于,所述方法还包括基于分割出的脑出血区域图像确定血肿体积:其中,Pi代表预测的第i个血肿,S代表空间中每个像素的体积,n代表发生脑出血的次数。
3.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法,其特征在于,在对所述模型训练时基于预设损失函数loss=lossseg+lossconsistency进行训练,其中,所述其中,所述Pout代表模型的预测结果,GT代表真实值,ξ代表平滑系数;所述
4.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法,其特征在于,在对模型训练时,将脑出血影像随机裁剪N个连续切片作为三维块,并将所述三维块输入至模型中进行训练。
5.一种基于深度学习的脑出血影响自动化分割装置,其特征在于,包括:
6.根据权利要求5所述的基于深度学习的脑出血影响自动化分割装置,其特征在于,装置还包括血肿体积确定单元,被配置成基于分割出的脑出血区域图像确定血肿
7.根据权利要求5所述的基于深度学习的脑出血影响自动化分割装置,其特征在于,在对所述模型训练时基于预设损失函数loss=lossseg+lossconsistency进行训练,其中,所述其中,所述Pout代表模型的预测结果,GT代表真实值,ξ代表平滑系数;所述
8.根据权利要求5所述的基于深度学习的脑出血影响自动化分割装置,其特征在于,在获取脑出血影像后,随机裁剪N个连续切片作为三维块,并将所述三维块输入至训练完成的模型中。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~4任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~4任一项所述的方法。
...【技术特征摘要】
1.一种基于深度学习的脑出血影响自动化分割方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法,其特征在于,所述方法还包括基于分割出的脑出血区域图像确定血肿体积:其中,pi代表预测的第i个血肿,s代表空间中每个像素的体积,n代表发生脑出血的次数。
3.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法,其特征在于,在对所述模型训练时基于预设损失函数loss=lossseg+lossconsistency进行训练,其中,所述其中,所述pout代表模型的预测结果,gt代表真实值,ξ代表平滑系数;所述
4.根据权利要求1所述的基于深度学习的脑出血影响自动化分割方法,其特征在于,在对模型训练时,将脑出血影像随机裁剪n个连续切片作为三维块,并将所述三维块输入至模型中进行训练。
5.一种基于深度学习的脑出血影响自动化分割装置,其特征在于,包括:
6.根据权利要求5所述的基于深度学习的脑出血影响自动化分割装置,其特征在于,装置还包括...
【专利技术属性】
技术研发人员:刘伟奇,马学升,陈金钢,左林雄,彭思源,陈韵如,
申请(专利权)人:浙江学时医疗科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。