CN110111296B - 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的新发皮层下小梗死病灶自动分割系统及其方法，该系统包括：影像预处理模块，用于读取脑部影像数据，对所述影像数据进行重采样，并进行归一化操作；以及使用配准算法将所述影像数据配准到标准的脑模板空间，并将处理完毕的结果传送到颅骨去除模块；颅骨去除模块，用于使用颅骨去除算法进行颅骨的去除，去除噪声干扰；RSSI分割模块，用于读取经颅骨去除模块处理后的影像数据，将其转化为影像信息数据，传送到残差Unet模型中进行分割。采用本发明，能够利用基于深度学习的分割技术，协助医生自动有效分割RSSI病灶区域，减少医生的工作量，方便医生后续的诊断和研究。

Description

深度学习的新发皮层下小梗死病灶自动分割系统及其方法

技术领域

本发明涉及医学影像和磁共振影像(MRI)图像处理技术，尤其涉及一种基于深度学习的新发皮层下小梗死病灶自动分割系统及其方法。

背景技术

新发皮层下小梗死(Recent small subcortical infarct,RSSI)是影像学上的分类方法，属于脑小血管病的一种。

RSSI是神经影像上穿支血管供血范围内的近期梗塞灶，轴位最大直径<20mm，利用磁共振成像(MRI)技术，在磁共振弥散加权成像(Diffusion weighted imaging，DWI)上表现为高信号(参考图2)，表观弥散系数(Apparent diffusion coefficient，ADC)上表现为低信号(参考图4)。其DWI是在某一个弥散敏感系数(简称为b值)下测定得出的信号强度成像，随着b值的增加,图像的弥散权重加大,病变组织和正常组织之间的对比度增加,提高了DWI的敏感性。所述DWI，是目前惟一能够检测活体组织内水分子扩散运动的无创方法。其原理是：射频脉冲使体素内质子的相位一致，射频脉冲关闭后，由于组织的T2弛豫和主磁场不均匀将造成质子逐渐失相位，从而造成宏观横向磁化矢量的衰减。因此，利用DWI可以帮助医生在临床上诊断急性脑梗死、缺氧缺血性脑病等。

DWI影像为新发皮层下小梗死的诊断提供了有效的影像学信息，其病灶体积作为主要的形态学标志，被广泛应用到了临床诊疗和学术研究中。但在现有的技术中，医生还需要对DWI影像数据(参考图2)进行手动标记，即需要使用鼠标或者键盘控制光标在屏幕上进行勾画梗死病灶，而RSSI病灶的形状复杂以及病灶边界不清晰，常常给医学的分割测量带来麻烦，其DWI影像数据常常包含数十层或者上百层，每一层都需要医生手动勾画，工作量巨大，容易引起医生的视觉疲劳从而导致出错概率增加，在稳定性、客观性、精确性和可重复性上存在较大的局限，而且人工分割非常耗时耗费精力。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于深度学习的新发皮层下小梗死病灶自动分割系统及其方法，将深度学习算法中的图像分割引入到医学影像领域，利用其基于深度学习的分割技术，协助医生自动有效分割RSSI病灶区域，减少医生的工作量，方便医生后续的诊断和研究。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于深度学习的新发皮层下小梗死病灶自动分割系统，包括影像预处理模块、颅骨去除模块、新发皮层下小梗死RSSI分割模块和影像组学特征模块；其中，

影像预处理模块，用于读取脑部影像数据，对所述影像数据进行重采样，并进行归一化操作；以及使用配准算法将所述影像数据配准到标准的脑模板空间，并将处理完毕的结果传送到颅骨去除模块；

颅骨去除模块，用于使用颅骨去除算法进行颅骨的去除，去除噪声干扰；

RSSI分割模块，用于读取经颅骨去除模块处理后的影像数据，将其转化为影像信息数据，传送到残差Unet模型中进行分割。

其中，还包括：

影像组学特征模块，用于对分割出的RSSI病灶区域进行量化分析和影像组学特征提取。

所述影像组学特征，包括形态特征或/和纹理特征。

所述形态特征，包括但不限于计算ROI区域的三维直径、球形度、表面积、体积、密度。

所述纹理特征包括但不限于与ROI内的灰度级频率分布有关的一阶特征、二阶特征；其中所述一阶特征包括但不限于能量、熵、最小值、最大值、均值、峰度、平均绝对偏差。

所述影像预处理模块执行的归一化操作，具体为对脑部影像数据进行均值处理和方差处理。

所述RSSI分割模块，包括粗分割子模块和精分割子模块；其中，

粗分割子模块，用于将DWI影像数据输入第一残差Unet模型进行初步分割，得到初步的分割结果；

精分割子模块，用于根据初步的分割结果，提取当前RSSI病灶位置的质心，反复截取其中的区域，将其输入到第二残差Unet模型进行进一步分割，得到所述截取区域的精分割结果；然后重复截取所述RSSI病灶的其中的区域进行精分割，直至当前RSSI病灶分割完毕。

所述精分割子模块，还用于将粗分割结果和精分割结果的分割区域进行融合，得到最终的分割结果。

一种基于深度学习的新发皮层下小梗死病灶自动分割方法，包括如下步骤：

A、读取脑部影像数据，对所述影像数据进行重采样，并进行归一化操作；以及使用配准算法将所述影像数据配准到标准的脑模板空间，并将处理完毕的结果传送到颅骨去除模块的步骤；

B、采用颅骨去除算法去除影像中非脑组织部分，以去除噪声干扰的步骤；

C、对脑部影像数据依次进行粗分割和精分割处理，得到RSSI病灶的粗分割结果和精分割结果，并进行粗分割结果和精分割结果的分割区域的融合，得到最终的分割结果的步骤。

步骤C之后进一步包括：D、对分割出的RSSI病灶区域进行量化分析和影像组学特征提取的步骤，具体为：利用影像组学特征模块，定量分析ROI区域的属性，即用于分析RSSI病灶的属性；所述属性包括形态特征和纹理特征。

步骤C具体包括：

C1、输入图像对DWI影像数据进行预处理的步骤；

C2、对所述DWI影像数据进行初步分割的步骤；

C3、根据所述初步的分割结果，采取形态学中提取质心的算法，提取当前病灶位置质心；

C4、截取其中的区域，将其输入到第二残差Unet模型的步骤；

C5、将截取的区域输入到所述第二残差Unet模型中，对其病灶边缘的细节信息进行进一步分割的步骤；

C6、得到截取所述区域的精分割结果；然后跳转到步骤C4，对下一个截取区域进行进一步分割，直至当前病灶的所有截取区域分割完毕，然后执行步骤C7；

C7、将粗分割结果和精分割结果的分割区域进行融合，得到最终的分割结果，并输出。

步骤C7所述将粗分割结果和精分割结果的分割区域进行融合的方式，为取平均值，或者为粗分割和精分割设置相应的权重的方式。

本发明的基于深度学习的新发皮层下小梗死病灶自动分割系统及其方法，具有如下有益效果：

1)本发明采用了脑科学领域中颅骨去除算法，剥离了与RSSI无关的颅骨，只保留了脑组织区域，可以在分割RSSI病灶时，减少分割时对算法造成的图像干扰。

2)采用本发明，能够克服或避免现有技术下医生使用人工标记或者阀值设定的方式来对RSSI进行分割，但存在上述所说的RSSI病灶的形状复杂以及病灶边界不清晰，常常给医学的分割测量带来麻烦，由于其DWI影像数据常常包含数十层或者上百层，每一层都需要医生手动勾画，工作量巨大，容易引起医生的视觉疲劳从而导致出错概率增加，在稳定性、客观性、精确性和可重复性上存在较大的局限。而本发明采用RSSI自动分割技术，解决了RSSI分割任务量大、费时等问题，并且实现了基于Coarse to fine的2D和3D Unet模型来分割白质高信号，其中3D Unet利用了MRI图像中的更多的上下文的语义信息，2D Unet模型注重于每层病灶的更加精细地分割。

3)现有技术在判断RSSI时，通常需要使用DWI影像数据来查看RSSI的病灶区域，而在获得其影像数据后，需要利用影像学医生对RSSI的区域进行进行标注，即进行人工分割，为后续进一步的研究诊断提供数据支持，但现有技术方法区分和分割RSSI时非常耗时且耗费精力。而本发明的实施例中利用深度学习技术和图形处理器(GPU)加速技术，可以做到毫秒级的预测能力，为医学提供实时的分割结果，无需医生等待计算结果，方便医生实时查看每一层的DWI影像分割结果。

4)采用本发明，具有不依赖医生经验、能够自动分割病灶，使分割RSSI病灶变得更加的简单、直接有效，为临床和科研提供客观依据。

附图说明

图1为本发明实施例基于深度学习的新发皮层下小梗死(RSSI)自动分割系统功能框图；

图2为本发明实施例提供的一种DWI图像数据示意图；

图3为本发明实施例提供的新发皮层下小梗死(RSSI)区域示意图；

图4为本发明实施例提供的一种ADC图像数据示意图；

图5为本发明实施例基于深度学习的RSSI自动分割方法中的粗分割(Coarse)到精分割(Fine)网络结构示意图；

图6为本发明基于深度学习的RSSI自动分割系统采用的残差Unet结构示意图。

具体实施方式

下面结合附图及本发明的实施例对本发明基于深度学习的新发皮层下小梗死病灶自动分割系统及其方法作进一步详细的说明。

图1为本发明实施例基于深度学习的新发皮层下小梗死(RSSI)自动分割系统功能框图。

如图1所示，该实施例的所述新发皮层下小梗死自动分割系统，能够将DWI影像数据依次通过影像预处理模块、颅骨去除模块、RSSI分割模块、影像组学特征模块，实时的对新发皮层下小梗死进行自动精确地分割，并提供影像学特征。其中，

影像预处理模块，用于读取脑部影像数据，对所述影像数据进行重采样，并进行归一化操作；以及使用配准算法将所述影像数据配准到标准的脑模板空间，并将处理完毕的结果传送到颅骨去除模块。

以处理DWI影像数据为例，具体包括如下过程：1)首先，读取NIfTI格式的脑部DWI影像数据，并将图像信息数据转换到numpy数组中，对输入DWI影像数据进行重采样，采样成0.8×0.8×0.8mm³的体素尺寸，之后对输入DWI影像数据进行归一化操作，即对该图像信息数据进行均值处理和方差处理。因为在扫描DWI影像时，会因为扫描仪参数配置或者被试的扰动等原因造成DWI成像的影像数据不一致，这样对于算法来说就是噪音，不利于算法进行处理，所以使用预处理的方式尽可能的去除干扰，以提供分割的精度。2)然后，再使用nibabel库将格式为numpy的图像信息数据转换成NIfTI格式进行保存，其中nibabel也是一个Python库，用于操作NIfTI影像数据的读取等操作，非常简便实用。3)之后，再使用配准算法将所有影像数据配准到标准的脑模板空间(如，MNI-ICBM152 template)。4)最后，将其处理完毕的结果传送到颅骨去除模块。

颅骨去除模块，用于使用颅骨去除算法进行颅骨的去除，即从整个头部影像中去除非脑组织部分，有许多与脑成像有关的应用要么需要或者受益于从非脑组织准确分割脑的能力。例如，DWI图像通常包含有一些非脑组织部分，如果图像的这些非大脑部分可以在分割前自动删除，则分割的稳健性将会得到极大改善。使用该算法会将DWI影像数据中的颅骨等边缘组织部分进行去除，只保留对分割有益的区域，这就相当于去除了更多的噪音，使分割算法得以更加稳定的运行，从而提高分割算法的性能。

RSSI分割模块，所述RSSI分割模块的主要工作过程如下：首先，使用nibabel库将保存为NIfTI格式的DWI影像数据进行读取，方便分割算法进行处理。将其转换成的numpy数组影像信息数据传递到如图5所示的深度学习模型，利用残差Unet模型进行分割。所述RSSI分割模块，包括粗分割子模块和精分割子模块(详见图5)。

影像组学模块，用于对分割出的病灶区域进行影像组学特征提取，包括了能量(Energy)、总能量(Total Energy)、熵(Entropy)、最小值(Minimum)、最大值(Maximum)、均值(Mean)、范围(Range)、球度(Sphericity)、球形比例(Spherical Disproportion)、最小二维直径(Minimum 2D diameter)、最大二维直径(Maximum 2D diameter)等影像组学特征，涵盖了包括强度、形状、纹理、小波等方面的特征，用来为后续科研、诊疗提供数据分析支持。

进一步的，所述影像组学特征模块的作用在于从磁共振影像的感兴趣区域(ROI)提取大量的影像特征，用于描述其生物学特征和异质性等信息的一种定量分析手段，为医生提供更加精准的信息。本发明对基于磁共振弥散加权成像的新发皮层下小梗死的病灶进行量化分析，用于推断新发皮层下小梗死的各种表现，从而提供更加准确的诊断信息。

其具体处理过程如下：利用该影像组学特征模块，定量分析ROI区域的属性，即用于分析RSSI病灶的属性。所述属性主要为基本的形态特征，包括计算ROI区域的三维直径、球形度、表面积、体积、密度等，其中最大的三维直径、体积、表面积提供了病变组织的尺寸信息，而球形度、球形不均匀度等可描述球形、圆形或者细长形状的RSSI。另外，还包含了纹理特征，所述纹理特征包括与ROI内的灰度级频率分布有关的一阶特征(也称为强度特征)、二阶特征等，其中一阶特征包括了能量(Energy)，熵(Entropy)，最小值(Minimum)，最大值(Maximum)，均值(Mean)，峰度(Kurtosis)，平均绝对偏差(MAD)等。

图3为本发明实施例提供的新发皮层下小梗死(RSSI)区域示意图。

如图3所示，本发明实施例中，为了消除伪影、更加精确的判断RSSI的位置形状，还利用了不同b值的DWI图像，从不同的敏感系数上观察RSSI的病灶区域，并对不同b值DWI图像进行分割，然后进行融合，最后得到最终的分割结果。其中b值表示了扩散敏感系数，即DWI技术中施加的扩散敏感梯度场参数。

如图3所示，在本实施例中获取了b值(其中b为扫描参数，可以自行设定)为1000和0的DWI影像数据。具体的，b值为1000的图像上一个病灶显示为高信号，并不能直接说该病灶扩散受限(表现为高信号)，因为高信号有可能是因为该组织的T2WI高信号而不是真正的扩散受限导致的，这称为“穿透效应”。其b值为1000信号低也不能说病灶扩散不受限，因为有可能是因为病灶的T2WI信号很低，抵消了扩散受限产生的高信号，这称为“暗化效应”。而确定b值1000的图像上信号高低是不是代表扩散受限、不受限就需要结合表观扩散系数(ADC)图像，如图4所示。

所述表观弥散系数(ADC)图是ADC值大小的直接反映，值越大，代表ADC图上的信号越高。因此，ADC值越高，扩散越自由；而ADC值越低，扩散越不自由。ADC图像，利用低b值DWI上的组织信号强度(比如，b-value＝0的DWI影像)除以高b值的DWI上的组织信号强度(比如，b-value＝1000的DWI影像)得到的结果，然后除以高b值和低b值的差，最后对其得到结果取自然对数，即可得到ADC图像。利用重建的ADC图就能如实反映质子的扩散情况。ADC图能真正区分DWI上高信号是因扩散受限引起还是T2透射引起的，目前此方法较常用。由于DWI信号受T2对比的影响，通过ADC才能真实反映扩散情况，当DWI高信号时应该注意观察ADC图，在DWI表现为高信号，ADC低信号，ADC值下降才真正反应水分子弥散受限。

根据述的不同的b值的DWI影像数据和对应生成的ADC图像并对其进行如图5所示的粗(Coarse)到精(Fine)分割的方式进行分割，去除疑似的RSSI的伪影区域，得到真正的RSSI病灶区域，并最后分析计算影像组学特征。具体地，设置b值为0和1000，得到不同b值的DWI影像数据(参考图3)。利用如图5所示分割算法确定出不同的疑似RSSI病灶区域，然后在利用不同b值的DWI影像数据获得ADC图像，并对其也进行病灶分割，因此可以根据ADC图得到的分割结果数据来将疑似的RSSI的伪影区域进行去除，确保只保留真正地RSSI区域，使得算法的鲁棒性进一步提高。

图5为本发明实施例基于深度学习的RSSI自动分割方法中的粗分割(Coarse)到精分割(Fine)网络结构示意图。

如图5所示，该实施例中包括粗分割(Coarse Segmentation)和精分割(FineSegmentation)两个过程。其中，

所述粗分割(Coarse Segmentation)过程，包括：

步骤50：输入图像对DWI影像数据进行预处理的步骤。

具体为：对输入的DWI影像数据进行预处理，即使用nibabel读取NIfTI格式的DWI影像数据，并转换成numpy数组格式。

步骤51：对所述DWI影像数据进行初步分割的步骤。

具体为：将所述numpy数组格式的DWI影像数据输入到第一残差Unet模型(Residual-Unet Model1)中进行处理，得到初步的分割结果。

所述精分割(Fine Segmentation)过程，包括：

步骤52：根据所述初步的分割结果，采取形态学中提取质心的算法，提取当前病灶位置质心。

具体包括：根据第一残差Unet模型得到初步的分割结果，该分割结果是整体脑部的影像分割结果，为了后续为精分割处理提供局部影像数据，还需要在步骤52中提供相应的局部部位的坐标。使用形态学中质心提取算法提取被分割结果中的病灶质心位置，用于为后续步骤53提供截取位置的坐标。

步骤53：截取其中的区域，将其输入到第二残差Unet模型(Residual-UnetModel2)的步骤。

具体为：截取出二维尺寸的区域，如68×68(可自定义)大小；也可以截取3D尺寸的区域，如68×68×8(可自定义)大小，如图5中的步骤53所示。其截取区域尺寸的单位可以是毫米(mm)，也可以是按像素进行截取。

步骤54：将所述截取区域输入到所述第二残差Unet模型中，对其病灶边缘等细节信息进行进一步分割。

步骤55：得到所述截取区域的精分割结果。然后跳转到步骤53，对下一个截取区域进行进一步分割，具体步骤为重复执行步骤53～步骤55，直至当前病灶的所有截取区域分割完毕，然后执行步骤56。

步骤56：将粗分割结果和精分割结果的分割区域进行融合，得到最终的分割结果，并输出(Output)。在本实施例中，其中融合的方式为取平均值，或者为粗分割和精分割设置相应的权重的方式。

需要进一步说明的是，图5中所示残差Unet模型中的第一残差模型、第二残差模型，其定义的模型结构一致，区别仅在于输入数据的尺寸不同。结合本发明的实施例，对于第一残差模型而言，输入尺寸为192×192(或者三维数据的尺寸是192×192×60)，第二残差模型的输入尺寸是68×68(或者三维数据的68×68×8)；在训练阶段子模块中，会采集大量对应第一残差模型和第二残差模型对应尺寸的训练数据，其中还包含了对应尺寸的医生手工标注的RSSI病灶标注数据，用于分别训练第一残差模型和第二残差模型；训练所述两个模型过程中都采用了相同的损失函数(Dice系数)，使用Adam优化器进行优化，训练到模型无法提高后，自动保存第一残差模型和第二残差模型的权重和模型结构，用于后续自动分割病灶使用。

如图6所示，其中的残差Unet模型结构，包含了15个残差模块(Residual Block)、4个转置卷积单元(Transpose Convolution)、3个最大池化单元(Max Pooling)、1个输入单元(Input)、1个输出单元(Ouput)

其中第1个残差模块连接到第2个残差模块，然后连接到第1个最大池化模块，然后第1个最大池化模块会连接到第3个残差模块和第14个残差模块；之后，第3个残差模块的输出端会连接到第4个残差模块，第4个残差模块的输出端会连接到第2个最大池化模块，而第2个最大池化模块的输出会连接到第5个和第12个残差模块；之后，第5个残差模块的输出端会连接到第6个残差模块，第6个残差模块处理之后的结果会输出到第3个池化模块，然后第3个池化模块会连接到第7个残差模块和第10个残差模块，之后第7个残差模块的输出会连接到第8个残差模块，然后第8个残差模块会连接到第1个转置卷积模块，其转置卷积模块会将输入数据的维度利用双线性插值算法扩大的尺度到2倍，之后第1个转置卷积模块，会连接到第10个残差模块，顺次的，第10个残差模块输出到第11个残差模块，然后第11个残差模块会连接到第2个转置卷积模块，其第2个转置卷积模块会连接到第12个残差模块，顺次连接到第13个残差模块，之后再输出到第3个转置卷积模块，第3个转置卷积模块的输出连接到第14个残差模块，之后第14个残差模块的输出连接到第15个残差模块，而第15个残差模块的输出会连接到一个1x1的卷积，实现像素级别的分割预测。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (11)

1.一种基于深度学习的新发皮层下小梗死病灶自动分割系统，其特征在于，包括影像预处理模块、颅骨去除模块、新发皮层下小梗死RSSI分割模块和影像组学特征模块；其中，

影像预处理模块，用于读取脑部影像数据，对所述影像数据进行重采样，并进行归一化操作；以及使用配准算法将所述影像数据配准到标准的脑模板空间，并将处理完毕的结果传送到颅骨去除模块；

颅骨去除模块，用于使用颅骨去除算法进行颅骨的去除，去除噪声干扰；

RSSI分割模块，用于读取经颅骨去除模块处理后的影像数据，将其转化为影像信息数据，传送到残差Unet模型中进行分割；

所述RSSI分割模块，包括粗分割子模块和精分割子模块；

粗分割子模块，用于将DWI影像数据输入第一残差Unet模型进行初步分割，得到初步的分割结果；

精分割子模块，用于根据初步的分割结果，提取当前RSSI病灶位置的质心，反复截取其中的区域，将其输入到第二残差Unet模型进行进一步分割，得到截取所述区域的精分割结果；然后重复截取所述RSSI病灶的下一个截取区域进行精分割，直至当前RSSI病灶分割完毕。

2.根据权利要求1所述基于深度学习的新发皮层下小梗死病灶自动分割系统，其特征在于，还包括：

影像组学特征模块，用于对分割出的RSSI病灶区域进行量化分析和影像组学特征提取。

3.根据权利要求2所述基于深度学习的新发皮层下小梗死病灶自动分割系统，其特征在于，所述影像组学特征，包括形态特征或/和纹理特征。

4.根据权利要求3所述基于深度学习的新发皮层下小梗死病灶自动分割系统，其特征在于，所述形态特征，包括但不限于计算ROI区域的三维直径、球形度、表面积、体积、密度。

5.根据权利要求3所述基于深度学习的新发皮层下小梗死病灶自动分割系统，其特征在于，所述纹理特征包括但不限于与ROI内的灰度级频率分布有关的一阶特征、二阶特征；其中所述一阶特征包括但不限于能量、熵、最小值、最大值、均值、峰度、平均绝对偏差。

6.根据权利要求1所述基于深度学习的新发皮层下小梗死病灶自动分割系统，其特征在于，所述影像预处理模块执行的归一化操作，具体为对脑部影像数据进行均值处理和方差处理。

7.根据权利要求1所述基于深度学习的新发皮层下小梗死病灶自动分割系统，其特征在于，所述精分割子模块，还用于将粗分割结果和精分割结果的分割区域进行融合，得到最终的分割结果。

8.一种基于深度学习的新发皮层下小梗死病灶自动分割方法，其特征在于，包括如下步骤：

A、读取脑部影像数据，对所述影像数据进行重采样，并进行归一化操作；以及使用配准算法将所述影像数据配准到标准的脑模板空间，并将处理完毕的结果传送到颅骨去除模块的步骤；

B、采用颅骨去除算法去除影像中非脑组织部分，以去除噪声干扰的步骤；

C、将脑部影像数据转化为影像信息数据，传送到残差Unet模型中，依次经粗分割子模块、精分割子模块进行粗分割和精分割处理，得到RSSI病灶的粗分割结果和精分割结果，并进行粗分割结果和精分割结果的分割区域的融合，得到最终的分割结果的步骤。

9.根据权利要求8 所述基于深度学习的新发皮层下小梗死病灶自动分割方法，其特征在于，步骤C之后进一步包括：

D、对分割出的RSSI病灶区域进行量化分析和影像组学特征提取的步骤，具体为：利用影像组学特征模块，定量分析ROI区域的属性，即用于分析RSSI病灶的属性；所述属性包括形态特征和纹理特征。

10.根据权利要求9所述基于深度学习的新发皮层下小梗死病灶自动分割方法，其特征在于，步骤C具体包括：

C1、输入图像对DWI影像数据进行预处理的步骤；

C2、对所述DWI影像数据进行初步分割的步骤；

C3、根据所述初步的分割结果，采取形态学中提取质心的算法，提取当前病灶位置质心；

C4、截取其中的区域，将其输入到第二残差Unet模型的步骤；

C5、将截取的区域输入到所述第二残差Unet模型中，对其病灶边缘的细节信息进行进一步分割的步骤；

C6、得到截取所述区域的精分割结果；然后跳转到步骤C4，对下一个截取区域进行进一步分割，直至当前病灶的所有截取区域分割完毕，然后执行步骤C7；

C7、将粗分割结果和精分割结果的分割区域进行融合，得到最终的分割结果，并输出。

11.根据权利要求10 所述基于深度学习的新发皮层下小梗死病灶自动分割方法，其特征在于，步骤C7所述将粗分割结果和精分割结果的分割区域进行融合的方式，为取平均值，或者为粗分割和精分割设置相应的权重的方式。

Images