[发明专利]一种基于深度学习的CTP非急性闭塞缺血评估方法和系统

说明书

本发明提供了一种基于深度学习的CTP非急性闭塞缺血评估方法和评估系统，在全卷积神经网络中建立多个输入通道，为每个编码器设定权重系数，通过进行模型训练确定最终的编码器权重系数集，从而实现了对CTP为代表的医学影像的自动分割和识别，实现了自动识别脑卒中医学影像中关键区域的自动识别和分割。

技术领域

本发明涉及医学影像的人工智能处理领域，尤其涉及一种基于深度学习的CTP非急性闭塞缺血评估方法和系统。

背景技术

脑动脉闭塞诊治是中国脑卒中防治工作的重中之重，脑卒中已经成为国人的第一位死亡及致残原因。缺血性卒中是我国境内的一种常见卒中疾病，占全部卒中病人的80％。脑动脉闭塞的诊断、评价和治疗决策与医生经验及专业知识等有关，预后与决策均依赖医生的经验，没有客观的标准可循。

本发明基于包括核心梗死区、缺血半暗带的组织学评价；包括大血管病变情况、侧支循环等的血管影像学评价；以及包括斑块易损性评价的斑块影像学评价作为基础，通过在全卷积神经网络中建立多个输入通道进行训练和推理，实现了对CTP为代表的医学影像的自动分割和识别，实现了自动识别脑卒中医学影像中关键区域的自动识别和分割。

发明内容

本发明提出了一种基于深度学习的CTP非急性闭塞缺血评估方法，分为训练阶段和推理阶段，所述推理阶段使用在训练阶段确定参数的人工智能模型对输入图像进行分析判断，其特征在于，所述训练阶段包括：

S11：收集同一病患的医学影像数据；

S12：对所收集的医学影像数据进行尺寸标准化；

S13：对尺寸标准化后的医学影像进行人工标注，得出评估及分割结果；

S14：提取医学影像特征，并形成参数图；

S15：将标准化后的医学影像和形成的参数图分不同通道输入进人工智能网络，输出推理结果；

S16：输出的推理结果与人工标注的结果进行比较，根据比较结果调整人工智能网络中各编码器的权重系数，确定最优的权重系数集。

所述推理阶段包括：

S21：收集同一病患相同病灶在不同时间段内的医学影像数据；

S22：提取所有医学影像特征，并形成参数图；

S23：将标准化后的医学影像和形成的参数图分不同通道输入进人工智能网络，输出推理结果。

进一步的，训练阶段中，人工标注后的医学影像需转化为二值图。

进一步的，训练阶段中，人工标注后的二值图中，人工标注的分割区域为二值图的前景。

进一步的，在训练阶段中，收集同一患者不同阶段和/或不同类型的医学影像分别进行人工标注，比较不同时间段医学影像的标注内容，对标注结果进行调整。

进一步的，在训练和推理阶段中，针对每张医学影像形成至少一张参数图。

进一步的，当生成的参数图数量小于人工智能网络输入通道数量时，在缺失输入的通道中输入一张空白图片。

本发明还提供了一种基于深度学习的CTP非急性闭塞缺血评估系统，包括a)获取医学影像的图像获取模块和b)智能神经网络，所述智能神经网络包括提取图像特征的编码器、识别和分割图像特征的解码器，其特征在于：

所述编码器的输出被输送到神经网络中的所有各级其他编码器的输入中。

进一步的，所述医学影像的特征参数图也同时作为初始信息，被输入到各级编码器中。

进一步的，每层编码器包含多个输入通道，每一输入通道的输入为本通道上一层的输出和本层前一通道的输出相加。