[发明专利]基于动态地图损失神经网络的CT颅内出血检测系统

说明书

本发明提供了一种基于动态地图损失神经网络的CT颅内出血检测系统，本发明利用动态地图损失函数，减少了掩膜边界处的错误标注引起的模型偏差，配合U‑net网络，动态调整标注掩膜边界处的像素值在计算损失时的权重，让模型可以学习到应该学习到的知识，忽略边界处可能的错误知识。本发明能够动态调整出血区域边缘参与损失计算的权重，降低边缘错误标记像素对模型调整的影响。使模型可以较准确的拟合出血区域，精确计算出血量。

技术领域

本发明属于颅内出血检测技术领域，具体涉及一种基于动态地图损失神经网络的CT颅内出血检测系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

颅内出血，指发生在颅内的出血，是一个严重的健康问题，需要采取迅速的治疗措施，有时经常需要强化治疗。确定出血部位和类型是治疗病人的关键步骤。在临床中，医生很难将出血量精确统计出来，而小块的出血点，存在低年资医生发生疏漏的情况。在人工智能领域，已经有利用深度学习算法检测颅内出血的手段，但是多数现有方法，由于人工标注存在偏差，无法精确的逐像素确定标注边界，无法精确的计算出出血量。

发明内容

本发明为了解决上述问题，提出一种基于动态地图损失神经网络的CT颅内出血检测系统，本发明能够动态调整出血区域边缘参与损失计算的权重，降低边缘错误标记像素对模型调整的影响。使模型可以较准确的拟合出血区域，精确计算出血量。

根据一些实施例，本发明采用如下技术方案：

一种基于动态地图损失神经网络的CT颅内出血检测系统，包括：

数据集获取模块，被配置为获取脑部CT影像数据，标注颅内出血掩膜和背景；

特征提取模块，被配置为多次循环执行卷积操作和最大池化操作，得到每次的特征输出图；

计算特征提取模块，被配置为对特征输出图或联合特征进行卷积操作处理后再进行反卷积操作，得到相应的计算特征图；

联合模块，被配置为将计算特征图与经过裁切操作后的不同次的特征输出图进行堆叠操作，得到相应的联合特征；

分割模块，被配置为对最后的特征输出图进行卷积操作，获取最终的与输入影像图像尺寸一致的分割图；

动态地图损失计算模块，被配置为将分割图利用使用动态地图损失函数计算分割图与数据集获取模块中数据标注二者之间的损失，如果损失大于阀值则发送信号给优化模块；

优化模块，被配置为优化特征提取模块、计算特征提取模块、联合模块和分割模块的参数。

作为可选择的实施方式，所述特征提取模块，包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第一池化层、第二池化层、第三池化层、第四池化层，其中：

第一卷积模块接收CT影像，对其进行卷积操作处理，得到第一特征输出图；

第一池化层对第一特征输出图进行最大池化操作，得到更新后的第一特征输出图；

第二卷积模块接收更新后的第一特征输出图，对其进行卷积操作处理，得到第二特征输出图；

第二池化层对第二特征输出图进行最大池化操作，得到更新后的第二特征输出图；

第三卷积模块接收更新后的第二特征输出图，对其进行卷积操作处理，得到第三特征输出图；

第三池化层对第三特征输出图进行最大池化操作，得到更新后的第三特征输出图；

第四卷积模块接收更新后的第三特征输出图，对其进行卷积操作处理，得到第四特征输出图；

第四池化层对第四特征输出图进行最大池化操作，得到更新后的第四特征输出图。