[发明专利]脑干缺血性卒中的病灶自动分割和评分方法及系统

说明书

本发明提供了一种脑干缺血性卒中的病灶自动分割和评分方法及系统，包括对脑CT图像进行预处理；对脑干进行自动分割；获取镜像脑干图像和包含中脑、脑桥和延髓区域的脑干图谱Atlas_stem，对脑干和镜像脑干图像划分区域；构建脑干梗死病灶检出分割网络模型；脑干梗死病灶检出分割网络模型含有三个编码器、一个解码器和六个差别计算模块，每个编码器由三层卷积层组成，每个解码器由三层逆卷积层组成，差别计算模块包含多尺度的金字塔卷积和每个尺度上的特征融合模块；依据分割出的病灶进行预测评分。本发明的病灶检出分割方法可以对病灶进行快速、准确而客观的检出与分割。

技术领域

本发明涉及医学图像处理的技术领域，具体地，涉及深度学习的脑干缺血性卒中的病灶自动分割和评分方法，尤其涉及基于深度学习的脑干缺血性卒中的病灶自动分割和评分方法。

背景技术

脑干缺血性卒中是指由于脑的急性椎基底动脉闭塞导致的脑组织梗死，脑干梗死约占所有急性缺血性卒中的10％。脑干梗死的预后很差，会导致严重的神经功能损伤和极高的死亡率。早期诊断和干预对改善预后至关重要，但在临床中由于假性卒中的存在使得诊断存在较大难度。为了确定最佳再通方法，需要针对病症进行病灶检出和脑干评分。

缺血性卒中可使用扩散加权磁共振成像(Magnetic resonance imaging,MRI)、数字减影血管造影(Digital subtraction angiography，DSA)、CT血管造影(CTangiography，CTA)可用于进行检测脑干梗死病灶，但MRI设备和检查费用昂贵、普及率低、检查时间长，DSA和CTA则为有创检查且检查时间较长，均无法满足早发现、早诊断、早治疗的要求。与上述的成像技术相比，非对比增强CT(Non-contrast computerized CT，NCCT)具有无创、快速和普及率高的特点，能快速对梗死病灶进行成像，是在常规急性卒中治疗过程中的首选检查方法。

虽然拥有众多优点，但在卒中症状出现的早期，在NCCT图像中识别卒中病灶区域仍然具有较大难度，尤其是对脑干梗死病灶的识别。这是由于在梗死早期，梗死区域在图像上的密度、体积等的变化不显著，且脑干区域还容易受到颅骨伪影的干扰。人工智能(Artificial intelligence，AI)是当前科学技术发展中的一门前沿学科，其强大的后处理能力和进一步学习、分析能力逐渐得到医疗界的认可，广泛应用于医学领域。随着人工智能技术的发展，人眼难以识别的卒中病灶区域可通过卷积神经网络(Convolutional neuralnetworks,CNN)进行训练和自动检出，但在目前的病灶检出研究中，存在训练集标注不准确、耗费大量时间、人工标注标准因数据采集延迟而失效的问题。

在公开号为CN113808191A的专利文献中公开了一种急性缺血性脑卒中病灶区的自动量化及三维建模方法，包括：对DWI序列的脑部图像进行去颅骨操作；对ADC序列的脑部图像进行去颅骨操作；基于已经去除颅骨的DWI和ADC脑部图像，创建新的磁共振弥散加权影像序列；对病灶区进行分割；对计算出的T1序列的脑部图像进行去颅骨操作；基于已去除颅骨的T1脑部图像，进行两种脑部解剖结构分区；将识别的病灶区域映射至两种脑部解剖结构分区，基于解剖结构分别计算出各个脑部解剖结构的病灶区体积以及占比；基于映射的结果进行三维建模。

因此，需要提出一种新的技术方案以改善上述技术问题。

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脑干缺血性卒中的病灶自动分割和评分方法及系统。

根据本发明提供的一种脑干缺血性卒中的病灶自动分割和评分方法，所述方法包括如下步骤：

步骤S1：获取脑CT平扫图像，获取标准脑图谱，对脑CT图像进行配准和预处理；