CN109003299A - 一种基于深度学习的计算脑出血量的方法 - Google Patents

Abstract

本发明提供了一种基于深度学习的计算脑出血量的方法，具体步骤为：S1：获取脑出血CT影像数据并进行标记；S2：设计基于深度学习的脑出血区域的分割模型，利用标记好的脑出血CT影像数据来训练所述分割模型；S3：将测试的脑出血CT影像数据输入至训练好的分割模型中，得到分割结果；S4：根据得到的分割结果计算脑出血体积；S5：生成包含脑出血位置和出血体积的结构化报告。本发明可以既准确又快速地计算脑出血量，为临床干预提供重要决策信息。

Description

一种基于深度学习的计算脑出血量的方法

技术领域

本发明涉及医学影像和人工智能领域，是一种基于深度学习的计算脑出血量的方法。

背景技术

出血性脑卒中在脑卒中各亚型中发病率仅次于缺血性脑卒中，居第2位。人群中脑出血的发病率为(12～15)/10万人年。脑出血具有发病凶险，病情变化快，致死致残率高的特点，超过70％的患者发生早期血肿扩大或累及脑室，3个月内的死亡率为20％-30％。脑出血也导致了沉重的社会经济负担，2003年我国统计显示脑出血的直接医疗费用为137.2亿元/年。早期、积极与合理的救治可以改善患者的临床转归。出血量是预后和死亡率的一个重要影响因子，也是决定是否进行手术干预的关键因素。因此，快速准确地估计出血量便于预后和适当的治疗。

出血量的常见估算方法是ABC/2，这是一种简化的椭球体近似算法。ABC/2这种方法的弊端在于过高估计出血量，尤其是对于形状不规则和/或多部位脑出血。

计算机断层扫描(CT)因其快速、简单、廉价，同时又具备较好的成像质量的特定，几乎在每一家医院使用。此外，CT还可能是第一个被引入到人类大脑研究的成像工具。像素是CT图像中的最小单位，根据脑CT扫描的像素可以更准确地计算脑出血量。然而，由放射科医生手动分割出血区域的时间成本太大，此方法不适用于临床应用。

本申请以CT影像为主要研究对象，为了降低在人工测量过程中可能出现的较大误差，利用深度学习分割算法对脑出血的CT影像数据进行分割和测量进行非监督的自动处理。

深度学习分割算法是实现目标物精确分割、快速量化计算的有效手段。建立基于深度学习的脑出血模型可以既准确又快速地计算脑出血量，为临床干预提供重要决策信息。

发明内容

本发明提供了一种基于深度学习的计算脑出血量的方法，其可以准确快速地计算出脑出血量。

本发明的一种基于深度学习的计算脑出血量的方法，其包括以下步骤：

S1：获取脑出血CT影像数据并进行标记；

S2：设计基于深度学习的脑出血区域的分割模型，利用标记好的脑出血CT影像数据来训练所述分割模型；

S3：将测试的脑出血CT影像数据输入至训练好的分割模型中，得到分割结果；

S4：根据得到的分割结果计算脑出血体积；

S5：生成包含脑出血位置和出血体积的结构化报告。

优选地，在S1步骤：对获取的脑出血CT影像数据进行像素级别的标记，同一个CT影像数据同时由三个人进行出血区域标记，一个像素如果被其中的两个人都认为属于出血区域时才被标记为属于出血区域的像素。

优选地，基于深度学习的脑出血区域的分割模型包含多尺度特征，并且所述多尺度特征被应用于训练的过程中。

优选地，所述多尺度特征是通过融合深度学习模型不同层的响应信息而构建的。

优选地，在S4步骤：根据CT影像数据每个层面的像素级别的分割结果，结合CT的厚度，利用如下公式来计算出血体积：

其中，V为脑出血体积，M为分割得到的CT每个层面的掩膜图，由0和1组成，0表示非出血区域，1表示出血区域，SX和SY分别代表层面中像素间的距离，τ表示CT的单层厚度，i＝1至N，N为CT的层数。

本发明提供的技术方案带来的有益效果体现在：

第一，本发明针对现有的脑出血量计算不准确和复杂的情况，建立了基于深度学习的网络结构，以此提取更多更细节的特征信息。

第二，本发明利用基于深度学习的脑出血区域的分割模型，利用卷积神经网络模型进行分割，该分割算法考虑了医学影像DICOM文件中的信息，以像素为单位进行目标物分割，在提高了分割精度的同时具有更快的分割速度。

第三，本发明将提取、检测与识别集成于同一网络结构，实现了端到端的图像级别的医学图像检测。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明的基于深度学习的计算脑出血量的方法的流程图。

图2为根据本发明的基于深度学习的计算脑出血量的方法得出的分割结果的示意图。

图3是根据本发明的基于深度学习的计算脑出血量的方法与传统的ABC/2方法的误差比较示意图。

图4是根据本发明的基于深度学习的计算脑出血量的方法和传统ABC/2出血量计算方法与3个医生联合制定的金标准在不同病例上的比较示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式做进一步地详细描述。

本发明的总体构思为，利用自主构建的基于DenseNet的网络结构，将输入的脑出血CT影像数据进行网络的训练，使网络能够提取出最好的特征向量，并使用此特征向量对测试的脑出血CT影像数据做出分类。

图1是根据本发明的基于深度学习的计算脑出血量的方法的流程图。本发明的基于深度学习的计算脑出血量的方法包括以下步骤：

S1：获取脑出血CT影像数据并进行标记。

本发明收集了3000例CT影像作为CT影像训练集，其中出血类型包括：脑实质内血肿、硬膜外出血和硬膜下出血，并且收集了213例CT影像用于测试，其中脑实质内出血67例，硬膜外出血87例和硬膜下出血59例。

对获取的CT影像训练集进行预处理，即由三位医生对3000例CT影像同时进行标记，以其中至少两人达成的共识为标准。在本发明中，对脑出血CT影像数据进行像素级别的标记，同一个CT影像数据同时由三个人进行出血区域标记，一个像素如果被其中的两个人都认为属于出血区域时才被标记为属于出血区域的像素。医生的标记作为卷积神经网络监督学习的标准答案。

S2：设计基于深度学习的脑出血区域的分割模型，利用标记好的脑出血CT影像数据来训练所述分割模型，得到脑出血区域的分割模型。

在本发明中，预设的深度学习网络是基于密集卷积(Dense ConvolutionalNetwork,DenseNet)和Unet(全卷积神经网络)的网络结构。DenseNet提升了信息和梯度在网络中的传输效率，每层都能直接从损失函数拿到梯度，并且直接得到输入信号，这样就能训练更深的网络，这种网络结构还有正则化的效果。DenseNet还具有网络更窄，参数更少的优点，这很大一部分原因得益于密集块(Dense block)的设计，在密集块中每个卷积层的输出特征的数量都很小。同时这种连接方式使得特征和梯度的传递更加有效，网络也就更加容易训练。Unet适用于医学图像分割、自然图像生成，在医学图像分割表现好，利用了底层的特征(同分辨率级联)改善上采样的信息不足。

在本发明中，对基于DenseNet和UNET的网络结构进行了修改，具体参见下表1：

[表1]

修改的基于DenseNet和Unet的网络结构修改了原始DenseNet的输出尺寸，转换层中的最大池操作，以及每个密集块中的单元块数。

本发明的基于深度学习的脑出血区域的分割模型包含多尺度特征，并且多尺度特征被应用于训练的过程中，多尺度特征是通过融合深度学习模型不同层的响应信息而构建的。

模型训练过程中以DICOM影像横断面二维影像的原始像素信息为输入，特征主干网络是DenseNet，分割网络采用Unet结构，这种DensNet+Unet的整体网络结构保证了多尺度特征的提取和融合。

S3：将测试的脑出血CT影像数据输入至训练好的分割模型中，得到分割结果。

其中，测试的脑出血CT影像数据无需处理，以原始DICOM影像的数值输入分割模型。

图2为根据本发明的基于深度学习的计算脑出血量的方法得出的分割结果的示意图。由图2可以看出，基于DenseNet和Unet的修改的网络结构的脑出血区域的分割模型能够对形状不规则、边界不连续、不明显的CT图像具有较好的分割效果、更好的分割效率和更好的鲁棒性。

S4：根据得到的分割结果计算脑出血体积。

在利用分割模型得到CT每个层面的脑出血区域之后，根据CT的层厚信息，利用如下的公式来最终计算得到出血体积：

其中，V为脑出血体积，M为分割得到的CT每个层面的掩膜(mask)图，由0和1组成，0表示非出血区域，1表示出血区域，SX和SY分别代表层面中像素间的距离，τ表示CT的单层厚度，i＝1至N，N为CT的层数。

上述计算公式是计算每个出血层的体积，然后各层体积叠加求和。

S4：生成包含脑出血位置及出血体积的结构化报告。

在本发明中，针对不规则的脑出血区域，给出了基于深度学习的计算脑出血量的方法，基于该方法能够辅助医生准确、快速地得到出血位置和出血体积。

图3是根据本发明的基于深度学习的计算脑出血量的方法与传统的ABC/2方法的误差比较示意图。

1983年Kawk提供出了ABC/2来计算出血体积，实践证明，当血肿为椭圆形时，ABC/2法的估算结果较准确，而对不规则血肿区域测量结果不精确。如图3所示，依据本发明的方法相对于ABC/2更加精准和稳定，能够更加快速、方便、稳定地用于脑部CT前后片出血量的对比观察。

图4是根据本发明的基于深度学习的计算脑出血量的方法和传统ABC/2出血量计算方法与3个医生联合制定的金标准在不同病例上的比较示意图。

对测试集中的50个病例，由3名高年资医生联合标注，形成出血量的金标准，然后本发明的基于深度学习计算脑出血量方法与传统ABC/2的方法进行比较，可以发现本发明所提方法与医生金标准更加接近，进而表面出血量的计算更加精确。

以上详细描述了本发明的具体实施例，但可以理解，在不脱离本发明的精神下可以对其做出修改。本发明的权利要求旨在覆盖这些修改，以保证其落入本发明的真实范围和精神内。

Claims (5)

1.一种基于深度学习的计算脑出血量的方法，其特征在于包括以下步骤：

S1：获取脑出血CT影像数据并进行标记；

S2：设计基于深度学习的脑出血区域的分割模型，利用标记好的脑出血CT影像数据来训练所述分割模型；

S3：将测试的脑出血CT影像数据输入至训练好的分割模型中，得到分割结果；

S4：根据得到的分割结果计算脑出血体积；

S5：生成包含脑出血位置和出血体积的结构化报告。

2.根据权利要求1所述的基于深度学习的计算脑出血量的方法，其特征在于，在S1步骤：

对获取的脑出血CT影像数据进行像素级别的标记，同一个CT影像数据同时由三个人进行出血区域标记，一个像素如果被其中的两个人都认为属于出血区域时才被标记为属于出血区域的像素。

3.根据权利要求1所述的基于深度学习的计算脑出血量的方法，其特征在于，基于深度学习的脑出血区域的分割模型包含多尺度特征，并且所述多尺度特征被应用于训练的过程中。

4.根据权利要求3所述的基于深度学习的计算脑出血量的方法，其特征在于，所述多尺度特征是通过融合深度学习模型不同层的响应信息而构建的。

5.根据权利要求1所述的基于深度学习的计算脑出血量的方法，其特征在于，在S4步骤：

根据CT影像数据每个层面的像素级别的分割结果，结合CT的厚度，利用如下公式来计算出血体积：

利用如下公式来计算出血体积：

其中，V为脑出血体积，M为分割得到的CT每个层面的掩膜图，由0和1组成，0表示非出血区域，1表示出血区域，SX和SY分别代表层面中像素间的距离，τ表示CT的单层厚度，i＝1至N，N为CT的层数。