一种脑卒中病灶区域图像分割方法及计算机可读介质

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种脑卒中病灶区域图像分割方法及计算机可读介质。

背景技术

脑卒中是一种致残率高、死亡率高的常见脑血管疾病。目前，脑卒中的诊断主要依靠高分辨率T1加权磁共振成像(MRI)。确定脑损伤和功能恢复情况是医生制定治疗计划的关键，主要通过观察病变的位置、形状、边界和大小来评估。因此脑卒中病灶分割是医学图像分析中的一个重要问题。MRI图像中脑卒中病变的精确分割问题仍有待解决，主要原因如下：

MRI中的运动伪影阻碍分割性能；

由于脑卒中多亚型的存在，病变的位置和形状存在显著差异。根据疾病的严重程度，病变的位置、形状和大小差异非常明显，损伤体积可以在数百至数万立方毫米的范围内；

部分病变边界模糊，不同放射科医师对病变不同区域的标记可能不一致。此外，手工标注在MRI图像中耗时费力，并可能引入医生的主观差异。

因此，建立脑卒中病灶自动准确分割方法，对于帮助医生快速确定病灶区域，缩短抢救时间，具有重要的现实意义。近年来，深度学习方法在解决各种计算机视觉问题(例如图像分类，目标检测和语义分割)方面显示出非常有前途的性能。许多基于深度学习的方法已应用于脑卒中病灶分割，并获得了令人印象深刻的分割效果。

以U-Net为代表的卷积神经网络，是一种对称的编码器和解码器结构，并通过跳跃连接来增强细节保留的神经网络。由于在局部特征提取方面的优势，它在医学图像分割任务中取得了不菲的成绩，但其由于卷积固有的局限性，仍然受感受野的限制，无法推断出长距离元素之间的关系。因此，当遇到病灶位置、形状、边界和大小不确定的脑卒中分割任务时，基于CNN的U形网络的方法的性能有些不足。

另一方面，由于自注意机制Transformer具有对远程依赖进行建模的能力，在自然语言处理领域取得了巨大的成功。Transformer同样在医学图像中显示出了强大的表现能力，结合Transformer的医学图像网络架构相比于纯卷积神经网络都有幅度不小的性能提升，特别是U-Net与Transformer的结合，但是对于局部细节提取存在一定不足，同时也仍存在U-Net感受野的限制。

发明内容

为了解决上述技术问题，本发明提出了一种脑卒中病灶区域图像分割方法及计算机可读介质。

本发明方法的技术方案为一种脑卒中病灶区域图像分割方法，具体包括如下步骤：

步骤1：获取多幅原始脑卒中磁共振图像，将每幅原始脑卒中磁共振图像依次进行裁剪处理、归一化处理、拼接处理、数据增强处理得到每幅预处理后图像，并标记每幅预处理后图像的每个像素脑卒中病灶的真实分类标签；

步骤2：构建病灶图像分割网络，将每幅预处理后图像输入至病灶图像分割网络进行病灶分割预测，得到每幅预处理后图像的脑卒中预测概率图，结合每幅预处理后图像的每个像素脑卒中病灶的真实分类标签，构建交叉熵戴斯加权损失函数，通过随机梯度下降算法优化训练得到训练后病灶图像分割网络；

步骤3：将实时采集的脑卒中磁共振图像通过训练后病灶图像分割网络进行预测分割，得到实时脑卒中磁共振图像的脑卒中预测概率图，结合概率阈值判断得到实时脑卒中磁共振图像的脑卒中病灶区域像素范围；

作为优选，步骤2所述病灶图像分割网络包括：

交叉双分支编码网络、特征融合网络、解码器网络；

所述的交叉双分支编码网络、特征融合网络、解码器网络依次连接；

所述交叉双分支编码网络，将每幅预处理后图像进行特征提取处理，得到每幅预处理后图像的局部特征、每幅预处理后图像的全局特征，将每幅预处理后图像的局部特征、每幅预处理后图像的全局特征输出至所述特征融合网络；

所述特征融合网络，将每幅预处理后图像的局部特征、每幅预处理后图像的全局特征进行特征融合处理，得到每幅预处理后图像的融合后特征，并输出至所述解码器网络；

所述解码器网络，将每幅预处理后图像的融合后特征进行，得到每幅预处理后图像的预测病灶区域分割图像；

所述交叉双分支编码网络包括：CNN编码网络、Swin Transformer编码网络构成；

所述CNN编码网络与所述Swin Transformer编码网络；

所述CNN编码网络包括：

第1个CNN编码模块、第2个CNN编码模块、...、第K个CNN编码模块；

所述第1个CNN编码模块由多层卷积模块、池化层构成；

所述第k个CNN编码模块由多层卷积模块构成，k∈[2,K]；

所述Swin Transformer编码网络包括：

第1个Swin Transformer网络编码模块、第2个Swin Transformer网络编码模块、...、第K个Swin Transformer网络编码模块；

所述第1个Swin Transformer网络编码模块由分割图像块层、线性嵌入层、STrans模块依次级联构成

所述第k个Swin Transformer网络编码模块由图像块合并层、线性嵌入层、STrans模块依次级联构成，k∈[2,K]；

所述特征融合网络包括：

第1个特征融合模块、第2个特征融合模块、...、第K个特征融合模块；

所述第k个特征融合模块由维度转换模块、特征拼接模块、多层卷积模块依次级联构成，k∈[1,K]；

所述解码器网络包括：

第1个上采样模块、第2个上采样模块、...、第K个上采样模块；

所述的第1个上采样模块、第2个上采样模块、...、第K个上采样模块依次级联构成；

所述第k个上采样模块由上采样层、拼接层、卷积层依次级联构成；

所述第1个CNN编码模块，将多层卷积模块每幅预处理后图像通过多层卷积进行特征提取，得到每幅预处理后图像的第1阶段的特征，将每幅预处理后图像的第1阶段的特征输出至所述第1个上采样模块；

将每幅预处理后图像的第1阶段的特征通过池化层得到每幅预处理后图像的第1阶段局部特征，将每幅预处理后图像的第1阶段局部特征分别输出至所述的第2个SwinTransformer网络编码模块、第1个特征融合模块；

若k∈[2,K-1]，所述第k个CNN编码模块，将每幅预处理后图像的第k-1阶段全局特征通过多层卷积进行局部特征提取，得到每幅预处理后图像的第k阶段局部特征，将每幅预处理后图像的第k阶段局部特征分别输出至所述的第k+1个Swin Transformer网络编码模块、第k个特征融合模块；

所述第K个CNN编码模块，将每幅预处理后图像的第K-1阶段全局特征通过多层卷积进行局部特征提取，得到每幅预处理后图像的第K阶段局部特征，将每幅预处理后图像的第K阶段局部特征输出至所述的第K个特征融合模块；

所述第1个Swin Transformer网络编码模块，将每幅预处理后图像通过分割图像块层、线性嵌入层、STrans模块处理进行全局特征提取，得到每幅预处理后图像的第1阶段全局特征，将每幅预处理后图像的第1阶段全局特征分别输出至所述的第2个CNN编码模块、第1个特征融合模块；

若k∈[2,K-1]，所述第k个Swin Transformer网络编码模块，每幅预处理后图像的第k-1阶段局部特征依次通过图像块合并层、线性嵌入层、STrans模块处理进行全局特征提取，得到每幅预处理后图像的第k阶段全局特征，将每幅预处理后图像的第k阶段全局特征分别输出至所述的第k+1个CNN编码模块、第k个特征融合模块；

所述第K个Swin Transformer网络编码模块，每幅预处理后图像的第K-1阶段局部特征依次通过图像块合并层、线性嵌入层、STrans模块处理进行全局特征提取，得到每幅预处理后图像的第K阶段全局特征，将每幅预处理后图像的第k阶段全局特征输出至所述的第k个特征融合模块；

第k个特征融合模块,将每幅预处理后图像的第k阶段局部特征、每幅预处理后图像的第k阶段全局特征依次通过维度转换模块、特征拼接模块、多层卷积模块处理进行特征融合，得到每幅预处理后图像的第k阶段融合后特征，将每幅预处理后图像的第k阶段融合后特征输出至所述解码网络，k∈[1,K]；

所述第K个上采样模块,将每幅预处理后图像的第K阶段融合后特征进行上采样，得到第K阶段的上采样融合特征，将第K阶段的上采样融合特征与每幅预处理后图像的第K-1阶段融合后特征进行通道维度拼接，得到第K阶段的上采样拼接融合特征，将第K阶段的上采样拼接融合特征进行多层卷积得到第k阶段上采样卷积拼接融合特征，并输出至所述第K-1阶段解码器；

若k∈[2,K-1]，所述第k个上采样模块，将每幅第k+1阶段上采样卷积拼接融合特征进行上采样，得到第k阶段的上采样融合特征，将第k阶段的上采样融合特征与每幅预处理后图像的第k-1阶段融合后特征进行通道维度拼接，得到第k阶段的上采样拼接融合特征，将第k阶段的上采样拼接融合特征进行多层卷积得到第k阶段上采样卷积拼接融合特征，并输出至所述第k-1阶段解码器；

所述第1个上采样模块，将每幅第2阶段上采样卷积拼接融合特征进行上采样，得到第1阶段的上采样融合特征，将第1阶段的上采样融合特征与每幅预处理后图像的第1阶段的特征进行通道维度拼接，得到第1阶段的上采样拼接融合特征，将第1阶段的上采样拼接融合特征进行多层卷积得到每幅预处理后图像的脑卒中预测概率图；

步骤2所述交叉熵戴斯加权损失函数，定义如下：

Loss＝α×L

其中,Loss表示交叉熵戴斯加权损失函数，L

所述交叉熵损失函数，定义如下：

其中，NUM表示预处理图像的数量，M表示第i幅预处理图像的行数，N表示第i幅预处理图像的列数，g

所述戴斯损失函数，定义如下：

其中，δ∈[0，1],δ表示梯度传播可调系数；

作为优选，步骤3所述结合概率阈值判断得到实时脑卒中磁共振图像的脑卒中病灶区域像素范围，具体如下：

将实时脑卒中磁共振图像的脑卒中预测概率图中像素属于脑卒中病灶区域分类的预测概率值大于概率阈值的像素筛选出来作为病灶区域像素，进一步得到实时脑卒中磁共振图像的脑卒中病灶区域像素范围；

本发明还提供了一种计算机可读介质，所述计算机可读介质存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，执行所述脑卒中病灶区域图像分割方法的步骤。

本发明提高了脑卒中病灶像素区域分割预测的准确度，通过结合卷积神经网络和Transformer使得网络对于不同大小的脑卒中病变区域，以及病变区域与正常区域之间差异不明显时，都能做到很好的分割效果，能够帮助医生更加准确地确定病灶区域。另外，本发明在训练时能够更快收敛，可以节省大量训练时间。

附图说明

图1：本发明实施例的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。

下面结合图1介绍本发明实施例的技术方案为一种脑卒中病灶区域图像分割方法，具体如下：

步骤1：获取多幅原始脑卒中磁共振图像，将每幅原始脑卒中磁共振图像依次进行裁剪处理、归一化处理、拼接处理、数据增强处理得到每幅预处理后图像，并标记每幅预处理后图像的每个像素脑卒中病灶的真实分类标签；

步骤2：构建病灶图像分割网络，将每幅预处理后图像输入至病灶图像分割网络进行病灶分割预测，得到每幅预处理后图像的脑卒中预测概率图，结合每幅预处理后图像的每个像素脑卒中病灶的真实分类标签，构建交叉熵戴斯加权损失函数，通过随机梯度下降算法优化训练得到训练后病灶图像分割网络；

步骤2所述病灶图像分割网络包括：

交叉双分支编码网络、特征融合网络、解码器网络；

所述的交叉双分支编码网络、特征融合网络、解码器网络依次连接；

所述交叉双分支编码网络，将每幅预处理后图像进行特征提取处理，得到每幅预处理后图像的局部特征、每幅预处理后图像的全局特征，将每幅预处理后图像的局部特征、每幅预处理后图像的全局特征输出至所述特征融合网络；

所述特征融合网络，将每幅预处理后图像的局部特征、每幅预处理后图像的全局特征进行特征融合处理，得到每幅预处理后图像的融合后特征，并输出至所述解码器网络；

所述解码器网络，将每幅预处理后图像的融合后特征进行，得到每幅预处理后图像的预测病灶区域分割图像；

所述交叉双分支编码网络包括：CNN编码网络、Swin Transformer编码网络构成；

所述CNN编码网络与所述Swin Transformer编码网络；

所述CNN编码网络包括：

第1个CNN编码模块、第2个CNN编码模块、...、第K个CNN编码模块，K＝4；

所述第1个CNN编码模块由多层卷积模块、池化层构成；

所述第k个CNN编码模块由多层卷积模块构成，k∈[2,K]；

所述第1个至第K个CNN编码模块的卷积模块数量依次为2、1、1、1；

所述Swin Transformer编码网络包括：

第1个Swin Transformer网络编码模块、第2个Swin Transformer网络编码模块、...、第K个Swin Transformer网络编码模块；

所述第1个Swin Transformer网络编码模块由分割图像块层、线性嵌入层、STrans模块依次级联构成；

所述第k个Swin Transformer网络编码模块由图像块合并层、线性嵌入层、STrans模块依次级联构成，k∈[2,K]；

所述第1个至第K个Swin Transformer网络编码模块的STrans模块数量依次为2、2、18、2；

所述特征融合网络包括：

第1个特征融合模块、第2个特征融合模块、...、第K个特征融合模块；

所述第k个特征融合模块由维度转换模块、特征拼接模块、多层卷积模块依次级联构成，k∈[1,K]；

所述解码器网络包括：

第1个上采样模块、第2个上采样模块、...、第K个上采样模块；

所述的第1个上采样模块、第2个上采样模块、...、第K个上采样模块依次级联构成；

所述第k个上采样模块由上采样层、拼接层、卷积层依次级联构成；

所述第1个CNN编码模块，将多层卷积模块每幅预处理后图像通过多层卷积进行特征提取，得到每幅预处理后图像的第1阶段的特征，将每幅预处理后图像的第1阶段的特征输出至所述第1个上采样模块；

将每幅预处理后图像的第1阶段的特征通过池化层得到每幅预处理后图像的第1阶段局部特征，将每幅预处理后图像的第1阶段局部特征分别输出至所述的第2个SwinTransformer网络编码模块、第1个特征融合模块；

若k∈[2,K-1]，所述第k个CNN编码模块，将每幅预处理后图像的第k-1阶段全局特征通过多层卷积进行局部特征提取，得到每幅预处理后图像的第k阶段局部特征，将每幅预处理后图像的第k阶段局部特征分别输出至所述的第k+1个Swin Transformer网络编码模块、第k个特征融合模块；

所述第K个CNN编码模块，将每幅预处理后图像的第K-1阶段全局特征通过多层卷积进行局部特征提取，得到每幅预处理后图像的第K阶段局部特征，将每幅预处理后图像的第K阶段局部特征输出至所述的第K个特征融合模块；

所述第1个Swin Transformer网络编码模块，将每幅预处理后图像通过分割图像块层、线性嵌入层、STrans模块处理进行全局特征提取，得到每幅预处理后图像的第1阶段全局特征，将每幅预处理后图像的第1阶段全局特征分别输出至所述的第2个CNN编码模块、第1个特征融合模块；

若k∈[2,K-1]，所述第k个Swin Transformer网络编码模块，每幅预处理后图像的第k-1阶段局部特征依次通过图像块合并层、线性嵌入层、STrans模块处理进行全局特征提取，得到每幅预处理后图像的第k阶段全局特征，将每幅预处理后图像的第k阶段全局特征分别输出至所述的第k+1个CNN编码模块、第k个特征融合模块；

所述第K个Swin Transformer网络编码模块，每幅预处理后图像的第K-1阶段局部特征依次通过图像块合并层、线性嵌入层、STrans模块处理进行全局特征提取，得到每幅预处理后图像的第K阶段全局特征，将每幅预处理后图像的第k阶段全局特征输出至所述的第k个特征融合模块；

第k个特征融合模块,将每幅预处理后图像的第k阶段局部特征、每幅预处理后图像的第k阶段全局特征依次通过维度转换模块、特征拼接模块、多层卷积模块处理进行特征融合，得到每幅预处理后图像的第k阶段融合后特征，将每幅预处理后图像的第k阶段融合后特征输出至所述解码网络，k∈[1,K]；

所述第K个上采样模块,将每幅预处理后图像的第K阶段融合后特征进行上采样，得到第K阶段的上采样融合特征，将第K阶段的上采样融合特征与每幅预处理后图像的第K-1阶段融合后特征进行通道维度拼接，得到第K阶段的上采样拼接融合特征，将第K阶段的上采样拼接融合特征进行多层卷积得到第k阶段上采样卷积拼接融合特征，并输出至所述第K-1阶段解码器；

若k∈[2,K-1]，所述第k个上采样模块，将每幅第k+1阶段上采样卷积拼接融合特征进行上采样，得到第k阶段的上采样融合特征，将第k阶段的上采样融合特征与每幅预处理后图像的第k-1阶段融合后特征进行通道维度拼接，得到第k阶段的上采样拼接融合特征，将第k阶段的上采样拼接融合特征进行多层卷积得到第k阶段上采样卷积拼接融合特征，并输出至所述第k-1阶段解码器；

所述第1个上采样模块，将每幅第2阶段上采样卷积拼接融合特征进行上采样，得到第1阶段的上采样融合特征，将第1阶段的上采样融合特征与每幅预处理后图像的第1阶段的特征进行通道维度拼接，得到第1阶段的上采样拼接融合特征，将第1阶段的上采样拼接融合特征进行多层卷积得到每幅预处理后图像的脑卒中预测概率图；

步骤2所述交叉熵戴斯加权损失函数，定义如下：

Loss＝α×L

其中,Loss表示交叉熵戴斯加权损失函数，L

所述交叉熵损失函数，定义如下：

其中，NUM＝1000表示预处理图像的数量，M＝192表示第i幅预处理图像的行数，N＝192表示第i幅预处理图像的列数，g

所述戴斯损失函数，定义如下：

其中，δ∈[0，1],δ＝10

步骤3：将实时采集的脑卒中磁共振图像通过训练后病灶图像分割网络进行预测分割，得到实时脑卒中磁共振图像的脑卒中预测概率图，结合概率阈值判断得到实时脑卒中磁共振图像的脑卒中病灶区域像素范围；

步骤3所述结合概率阈值判断得到实时脑卒中磁共振图像的脑卒中病灶区域像素范围，具体如下：

将实时脑卒中磁共振图像的脑卒中预测概率图中像素属于脑卒中病灶区域分类的预测概率值大于概率阈值的像素筛选出来作为病灶区域像素，进一步得到实时脑卒中磁共振图像的脑卒中病灶区域像素范围；

本发明的具体实施例还提供了一种计算机可读介质。

所述计算机可读介质为服务器工作站；

所述服务器工作站存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行本发明实施例的脑卒中病灶区域图像分割方法的步骤。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。