基于多模型结合的脑出血分割方法和系统

技术领域

本发明涉及图像处理技术领域，具体地，涉及基于多模型结合的脑出血分割方法和系统。

背景技术

中风是全球第二大最常见的死亡原因和致残原因，每年有将近80万人经历新的或复发性的中风，超过2/3的幸存者将患有某种类型的残疾，中风治疗的“黄金时期”是发作后3至6个小时。中风主要分为缺血性中风和出血性中风两种类型。出血性中风约占中风病例的13％，占所有中风死亡的40％。出血性中风是由大脑血管破裂引起的周围脑组织出血(脑出血)，导致脑细胞死亡，大脑的受影响部分将停止工作。相比缺血性中风，出血性中风死亡率更高、危险更大。

目前，治疗脑出血，一般在头部X射线CT图像上对脑出血进行分割。但是这种分割是通过专业人员的介入而手动进行，操作复杂，对医生的经验要求较高。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于多模型结合的脑出血分割方法和系统。

第一方面，本发明提供一种基于多模型结合的脑出血分割方法，包括：

步骤1：获取待检测的脑部图像数据；

步骤2：采用形态学方法，去除所述待检测的脑部图像数据中的颅骨部分，得到预处理后的数据；

步骤3：将所述预处理后的数据输入目标检测模型，输出所述脑部图像数据的分割结果，其中，所述分割结果中包含有脑部出血区域。

可选地，在执行步骤3之前，还包括：

构建包含有脑部出血区域的图像数据集；

将所述图像数据集划分为训练集和测试集；

基于模糊C-均值聚类方法，分别对所述训练集、所述测试集中的图像进行分类，得到标记有图像区域分类结果的中间图像数据；

采用形态学方法，去除所述中间图像数据中的颅骨部分，得到目标数据；

通过所述训练集对应的目标数据训练构建的初始检测模型，得到训练后的模型；其中，所述初始检测模型是结合空洞卷积建立改进的U-Net神经网络模型；

通过所述测试集对应的目标数据测试所述训练后的模型，若测试通过，则得到所述目标检测模型。

可选地，所述构建包含有脑部出血区域的图像数据集，包括：

对包含有脑部出血区域的图像进行筛选，筛选出图像大小、清晰度、完整度均符合要求的图像加入图像数据集。

可选地，基于模糊C-均值聚类方法，分别对所述训练集、所述测试集中的图像进行分类，得到标记有图像区域分类结果的中间图像数据，包括：

基于模糊C-均值聚类方法，分别对所述训练集、所述测试集中的图像的每一像素的灰度值进行聚类，得到标记有脑灰质区域、脑白质区域、脑脊液区域、出血区域这四类区域分类结果的中间图像数据。

可选地，采用形态学方法，去除所述中间图像数据中的颅骨部分，得到目标数据，包括：

调整所述中间图像数据的膨胀参数与腐蚀的参数，直至去除每张图像中的颅骨部分。

可选地，所述结合空洞卷积建立改进的U-Net神经网络模型包括七层卷积结构，其中：

第一层用于：将输入数据做两个卷积和一个空洞卷积，卷积核大小为3×3，激活函数为relu，stride＝2，填充模式为nopadding，得到第一输出结果；

第二层用于：将所述第一输出结果做两个卷积和一个空洞卷积，卷积核大小为3×3，激活函数为relu，stride＝2，填充模式为nopadding，得到第二输出结果；

第三层用于：将所述第二输出结果做两个卷积和一个空洞卷积，卷积核大小为3×3，激活函数为relu，stride＝2，填充模式为nopadding，得到第三输出结果；

第四层用于：将所述第三输出结果做两个卷积，卷积核大小为3×3，激活函数为relu，填充模式为nopadding，得到第四输出结果；

第五层用于：将复制的第一输出结果、第二输出结果、第三输出结果做卷积、剪裁操作然后进行拼接并做上采样操作，卷积核大小为3×3，upsampling大小为2×2，得到第五输出结果；

第六层用于：将复制的第四输出结果和第五输出结果做两个卷积一个上采样，卷积核大小为3×3，激活函数为relu，upsampling大小为2×2，填充模式为nopadding，得到第六输出结果；

第七层用于：将复制的第五输出结果和第六输出结果做两个卷积，卷积核大小为3×3，激活函数为relu，填充模式为nopadding，得到第七输出结果；

将第七输出结果做一个1×1的卷积，激活函数为relu，得到所述脑部图像数据的分割结果。

可选地，通过所述训练集对应的目标数据训练构建的初始检测模型时，采用二值化交叉熵、骰子损失、焦点损失三种损失函数来观察对训练结果的影响。

第二方面，本发明提供一种基于多模型结合的脑出血分割系统，包括存储器、处理器，所述存储器中存储有计算机程序，当处理器调用所述存储器中存储的计算机程序时，执行如第一方面中任一项所述的基于多模型结合的脑出血分割方法。

与现有技术相比，本发明具有如下的有益效果：

本发明提供的一种基于多模型结合的脑出血分割方法和系统，通过获取待检测的脑部图像数据；采用形态学方法，去除所述待检测的脑部图像数据中的颅骨部分，得到预处理后的数据；将所述预处理后的数据输入目标检测模型，输出所述脑部图像数据的分割结果，其中，所述分割结果中包含有脑部出血区域。从而可以对脑部图像的出血区域进行准确分割，图像处理效率更高，方便医生迅速找出脑部出血区域，提高手术的成功率。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例提供的基于多模型结合的脑出血分割方法的流程图；

图2为本发明实施例提供的U-Net神经网络模型改进的示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明提供一种基于多模型结合的脑出血分割方法，包括：步骤1：获取待检测的脑部图像数据；步骤2：采用形态学方法，去除待检测的脑部图像数据中的颅骨部分，得到预处理后的数据；步骤3：将预处理后的数据输入目标检测模型，输出脑部图像数据的分割结果，其中，分割结果中包含有脑部出血区域。

本发明提供的方法，可以对脑部图像的出血区域进行准确分割，图像处理效率更高，方便医生迅速找出脑部出血区域，提高手术的成功率。

示例性的，在执行步骤3之前，还需要构建目标检测模型，具体地，包括如下步骤：构建包含有脑部出血区域的图像数据集；将图像数据集划分为训练集和测试集；基于模糊C-均值聚类方法，分别对训练集、测试集中的图像进行分类，得到标记有图像区域分类结果的中间图像数据；采用形态学方法，去除中间图像数据中的颅骨部分，得到目标数据；通过训练集对应的目标数据训练构建的初始检测模型，得到训练后的模型；其中，初始检测模型是结合空洞卷积建立改进的U-Net神经网络模型；通过测试集对应的目标数据测试训练后的模型，若测试通过，则得到目标检测模型。

图1为本发明实施例提供的基于多模型结合的脑出血分割方法的流程图，如图1所示，本实施例中的方法可以包括：

步骤(a)：实验所需数据的收集。

示例性的，在步骤(a)中，首先获取脑出血图像的数据集，检查每张图像数据的大小、清晰度、完整度，选择适合实验所需的图像数据，确认最终数据集大小，将其划分为训练集和测试集。

步骤(b)：用FCM方法将搜集到的数据聚类成脑灰质、脑白质、脑脊液和出血区域这4类。

示例性的，在步骤(b)中，将脑出血图像用FCM算法对每一像素的灰度值进行聚类。例如，取参数c＝4，把图像聚类成4类，即脑灰质区域、脑白质区域、脑脊液区域、出血区域。

本实施例中，用FCM方法对图像进行预分割。颅脑CT图像具有不确定性和模糊性，不同组织之间难以找到清晰边界，而FCM聚类算法适合于灰度图像中存在不确定性和模糊性的特点，使边界更加清晰便于后续去颅骨以及分割操作。

步骤(c)：用形态学图像方法膨胀和腐蚀法去除颅骨。

示例性的，在步骤(c)中，首先将步骤(b)中的聚类结果，用形态学的膨胀和腐蚀法去除颅骨部分，然后调整膨胀与腐蚀的参数直至每张图像的颅骨都去除干净。

步骤(d)：结合空洞卷积建立改进的U-Net神经网络模型。

图2为本发明实施例提供的U-Net神经网络模型改进的示意图，参见图2所示，结合空洞卷积搭建改进的U-Net神经网络模型包括七层卷积结构，其中：

第一层用于：将输入数据做两个卷积和一个空洞卷积，卷积核大小为3×3，激活函数为relu，stride＝2，填充模式为nopadding，得到第一输出结果。

第二层用于：将第一输出结果做两个卷积和一个空洞卷积，卷积核大小为3×3，激活函数为relu，stride＝2，填充模式为nopadding，得到第二输出结果。

第三层用于：将第二输出结果做两个卷积和一个空洞卷积，卷积核大小为3×3，激活函数为relu，stride＝2，填充模式为nopadding，得到第三输出结果。

第四层用于：将第三输出结果做两个卷积，卷积核大小为3×3，激活函数为relu，填充模式为nopadding，得到第四输出结果。

第五层用于：将复制的第一输出结果、第二输出结果、第三输出结果做卷积、剪裁操作然后进行拼接并做上采样操作，卷积核大小为3×3，upsampling大小为2×2，得到第五输出结果。

第六层用于：将复制的第四输出结果和第五输出结果做两个卷积一个上采样，卷积核大小为3×3，激活函数为relu，upsampling大小为2×2，填充模式为nopadding，得到第六输出结果。

第七层用于：将复制的第五输出结果和第六输出结果做两个卷积，卷积核大小为3×3，激活函数为relu，填充模式为nopadding，得到第七输出结果。

将第七输出结果做一个1×1的卷积，激活函数为relu，得到脑部图像数据的分割结果。

本实施例中，将模型整体结构调整为七层。因为医学图像的数据获取相对较难，涉及到病人的隐私，且数据量不大。所以设计的模型不宜过大，架构层数越多其参数越多，结构越复杂，计算所花费的时间越多，容易导致过拟合。用空洞卷积代替最大池化。最大池化操作会使特征数减半，用空洞卷积代替最大池化层，可以在增加视野的同时防止特征的丢失，为上采样提供更多有用的信息。通过添加多条跨尺度拼接操作，并在跨尺度拼接过程中增加卷积操作，可以在不增加网络层数、不减少特征的同时更好的提取特征。

步骤步(e)：将划分好的数据集输入到步骤(d)的模型中训练。

如图2所示，图2为本发明提供的U-Net神经网络模型改进的示意图。与经典U-Net神经网络模型不同的是，首先整个网络结构调整为七层，其次用空洞卷积代替了传统的最大池化操作，最后将整个下采样过程中每一层获取的所有特征图做复制、卷积、剪裁操作，并分别拼接到上采样过程当中，获取最终的结果。

示例性的，在步骤(e)中，首先将步骤(c)中所获得的结果输入到步骤(d)建立好的模型中进行训练，然后分别选用二值化交叉熵、骰子损失、焦点损失三种损失函数来观察对训练结果的影响，训练结束后保留最优训练模型。

步骤(f)：将划分好的测试数据集输入到步骤(e)中训练好的模型中进行测试获取分割结果。

示例性的，在步骤(f)中，首先将划分好的测试数据输入到步骤(e)所训练好的模型中进行测试，然后确定评价指标，最后获取分割结果。

如图1所示，本发明从实验所需数据集的获取出发，然后对所获的数据集进行预处理，用FCM方法将其聚类成脑灰质、脑白质、脑脊液和出血区域这4类，然后用形态学图像方法膨胀和腐蚀法去除颅骨，接着结合空洞卷积建立改进的U-Net神经网络模型，将划分好的训练集输入到模型中训练，分别使用二值化交叉熵、骰子损失、焦点损失三种损失函数来观察对训练结果的影响，保存最优的训练结果，最后将划分好的测试集输入训练好的模型中进行测试，确定评价指标，获取分割结果。

本实施例，首先主要运用模糊C-均值聚类方法对数据进行预处理，将其聚类成4类，包括脑灰质、脑白质、脑脊液和出血区域；然后用形态学的膨胀和腐蚀方法去颅骨；最后结合空洞卷积提出一种改进的U-Net神经网络模型，并将其用于脑部图像的出血性中风区域分割，从而便于医生手术的判断和操作。精准的图像分割改进方法能够有效降低机器人手术难度，节约手术时间，减少病人痛苦。

需要说明的是，本发明提供的基于多模型结合的脑出血分割方法中的步骤，可以利用基于多模型结合的脑出血分割系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照系统的技术方案实现方法的步骤流程，即，系统中的实施例可理解为实现方法的优选例，在此不予赘述。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。