[发明专利]基于深度学习的脑出血CT影像分割方法、装置及系统

权利要求书

1.基于深度学习的脑出血CT影像分割方法，其特征在于，包括：

获取CT断层图像；将所述CT断层图像输入训练好的CT图像分割模型，所述CT图像分割模型分割出所述CT断层图像中的出血区域并输出分割图像；

所述CT图像分割模型的分割网络基于Unet网络架构构建，包括依次连接的N层下采样模块和N层上采样模块，下采样模块和上采样模块一一对应，每层上采样模块和对应下采样模块的上一层下采样模块之间设有第一跳接路径，所述第一跳接路径上设有AG模块，相邻层下采样模块之间设有第二跳接路径，所述第二跳接路径上设有Focus模块，所述N为正整数。

2.如权利要求1所述的基于深度学习的脑出血CT影像分割方法，其特征在于，所述CT图像分割模型的分割网络包括依次连接的第一下采样模块、第二下采样模块、第三下采样模块、第四下采样模块、第五下采样模块、第五上采样模块、第四上采样模块、第三上采样模块、第二上采样模块和第一上采样模块；

所述第一下采样模块包括编码卷积，所述第二下采样模块、第三下采样模块、第四下采样模块和第五下采样模块均包括依次连接的最大池化层和编码卷积，相邻层下采样模块之间的第二跳接路径连接上一层下采样模块的编码卷积和下一层下采样模块的最大池化层；

第一上采样模块包括解码卷积，所述第五上采样模块、第四上采样模块、第三上采样模块和第二上采样模块均包括依次连接的上采样层和解码卷积，每层上采样模块连接的第一跳接路径连接本层上采样模块的上采样层和本层上采样模块对应下采样模块的上一层下采样模块的编码卷积。

3.如权利要求2所述的基于深度学习的脑出血CT影像分割方法，其特征在于，相邻层下采样模块之间的第二跳接路径上的Focus模块执行：

对上一层下采样模块中编码卷积的输出图像以步长2进行取样，所述输出图像的通道数为C，所述C为正整数；

对取样获得的图像进行卷积操作输出包括C/2个通道的特征图；

将所述特征图与下一层下采样模块的最大池化层的输出图像进行特征融合，将获得的特征融合图像输入下一层下采样模块的编码卷积处理。

4.如权利要求2或3所述的基于深度学习的脑出血CT影像分割方法，其特征在于，每层上采样模块连接的第二跳接路径上的AG模块执行：

对本层上采样模块的上采样层的输出图像进行卷积操作获得第一卷积图像，对本层上采样模块对应下采样模块的上一层下采样模块的编码卷积输出图像进行卷积操作获得第二卷积图像；

合并第一卷积图像和第二卷积图像，将合并图像输入第一激活层，将第一激活层输出图像进行卷积操作后输入第二激活层，第二激活层输出注意力系数矩阵；

将所述注意力系数矩阵与本层上采样模块对应下采样模块的上一层下采样模块的编码卷积输出图像相乘获得AG处理图像；

第二跳接路径将所述AG处理图像与本层上采样模块的上采样层的输出图像合并后输入本层上采样模块的解码卷积处理。

5.如权利要求1或2或3所述的基于深度学习的脑出血CT影像分割方法，其特征在于，在获取CT断层图像之后，根据出血区域的CT值取值区间对CT断层图像进行开窗处理，对开窗处理后的图像进行归一化处理，将归一化处理后的图像输入CT图像分割模型。

6.一种基于深度学习的脑出血CT影像分割装置，其特征在于，包括：

图像获取模块，用于获取CT断层图像；

CT图像分割模块，将图像获取模块获得的CT断层图像输入训练好的CT图像分割模型，所述CT图像分割模型对所述CT断层图像中的出血区域进行分割并输出分割图像；所述CT图像分割模型分割出所述CT断层图像中的出血区域并输出分割图像，包括依次连接的N层下采样模块和N层上采样模块，下采样模块和上采样模块一一对应，每层上采样模块和对应下采样模块的上一层下采样模块之间设有第一跳接路径，所述第一跳接路径上设有AG模块，相邻层下采样模块之间设有第二跳接路径，所述第二跳接路径上设有Focus模块，所述N为正整数。