CN112651959B - 基于动态地图损失神经网络的ct颅内出血检测系统 - Google Patents

基于动态地图损失神经网络的ct颅内出血检测系统 Download PDF

Info

Publication number
CN112651959B
CN112651959B CN202011641121.6A CN202011641121A CN112651959B CN 112651959 B CN112651959 B CN 112651959B CN 202011641121 A CN202011641121 A CN 202011641121A CN 112651959 B CN112651959 B CN 112651959B
Authority
CN
China
Prior art keywords
module
feature
convolution
output graph
graph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011641121.6A
Other languages
English (en)
Other versions
CN112651959A (zh
Inventor
樊昭磊
吴军
曲荣芳
颜红建
尚永生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongyang Health Technology Group Co ltd
Original Assignee
Zhongyang Health Technology Group Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongyang Health Technology Group Co ltd filed Critical Zhongyang Health Technology Group Co ltd
Priority to CN202011641121.6A priority Critical patent/CN112651959B/zh
Publication of CN112651959A publication Critical patent/CN112651959A/zh
Application granted granted Critical
Publication of CN112651959B publication Critical patent/CN112651959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于动态地图损失神经网络的CT颅内出血检测系统，本发明利用动态地图损失函数，减少了掩膜边界处的错误标注引起的模型偏差，配合U‑net网络，动态调整标注掩膜边界处的像素值在计算损失时的权重，让模型可以学习到应该学习到的知识，忽略边界处可能的错误知识。本发明能够动态调整出血区域边缘参与损失计算的权重，降低边缘错误标记像素对模型调整的影响。使模型可以较准确的拟合出血区域，精确计算出血量。

Description

基于动态地图损失神经网络的CT颅内出血检测系统
技术领域
本发明属于颅内出血检测技术领域，具体涉及一种基于动态地图损失神经网络的CT颅内出血检测系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
颅内出血，指发生在颅内的出血，是一个严重的健康问题，需要采取迅速的治疗措施，有时经常需要强化治疗。确定出血部位和类型是治疗病人的关键步骤。在临床中，医生很难将出血量精确统计出来，而小块的出血点，存在低年资医生发生疏漏的情况。在人工智能领域，已经有利用深度学习算法检测颅内出血的手段，但是多数现有方法，由于人工标注存在偏差，无法精确的逐像素确定标注边界，无法精确的计算出出血量。
发明内容
本发明为了解决上述问题，提出一种基于动态地图损失神经网络的CT颅内出血检测系统，本发明能够动态调整出血区域边缘参与损失计算的权重，降低边缘错误标记像素对模型调整的影响。使模型可以较准确的拟合出血区域，精确计算出血量。
根据一些实施例，本发明采用如下技术方案：
一种基于动态地图损失神经网络的CT颅内出血检测系统，包括：
数据集获取模块，被配置为获取脑部CT影像数据，标注颅内出血掩膜和背景；
特征提取模块，被配置为多次循环执行卷积操作和最大池化操作，得到每次的特征输出图；
计算特征提取模块，被配置为对特征输出图或联合特征进行卷积操作处理后再进行反卷积操作，得到相应的计算特征图；
联合模块，被配置为将计算特征图与经过裁切操作后的不同次的特征输出图进行堆叠操作，得到相应的联合特征；
分割模块，被配置为对最后的特征输出图进行卷积操作，获取最终的与输入影像图像尺寸一致的分割图；
动态地图损失计算模块，被配置为将分割图利用使用动态地图损失函数计算分割图与数据集获取模块中数据标注二者之间的损失，如果损失大于阀值则发送信号给优化模块；
优化模块，被配置为优化特征提取模块、计算特征提取模块、联合模块和分割模块的参数。
作为可选择的实施方式，所述特征提取模块，包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第一池化层、第二池化层、第三池化层、第四池化层，其中：
第一卷积模块接收CT影像，对其进行卷积操作处理，得到第一特征输出图；
第一池化层对第一特征输出图进行最大池化操作，得到更新后的第一特征输出图；
第二卷积模块接收更新后的第一特征输出图，对其进行卷积操作处理，得到第二特征输出图；
第二池化层对第二特征输出图进行最大池化操作，得到更新后的第二特征输出图；
第三卷积模块接收更新后的第二特征输出图，对其进行卷积操作处理，得到第三特征输出图；
第三池化层对第三特征输出图进行最大池化操作，得到更新后的第三特征输出图；
第四卷积模块接收更新后的第三特征输出图，对其进行卷积操作处理，得到第四特征输出图；
第四池化层对第四特征输出图进行最大池化操作，得到更新后的第四特征输出图。
作为可选择的实施方式，所述计算特征提取模块包括第五卷积模块、第六卷积模块和第一反卷积模块，其中：
所述第五卷积模块，接收第四特征输出图，进行卷积操作，得到第五特征输出图；
所述第六卷积模块，接收第五特征输出图，进行卷积操作处理，得到第六特征输出图；
所述第一反卷积模块，对第六特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第一计算特征图。
作为可选择的实施方式，所述计算特征提取模块还包括第七卷积模块、第二反卷积模块、第八卷积模块、第三反卷积模块、第九卷积模块、第四反卷积模块，其中：
所述第七卷积模块接收第一联合特征，进行卷积操作处理，得到第七特征输出图；
所述第二反卷积模块，对第七特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第二计算特征图；
所述第八卷积模块接收第二联合特征，进行卷积操作处理，得到第八特征输出图；
所述第三反卷积模块，对第八特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第三计算特征图；
所述第九卷积模块接收第三联合特征，进行卷积操作处理，得到第九特征输出图；
所述第四反卷积模块，对第九特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第四计算特征图。
作为可选择的实施方式，所述联合模块，包括第一堆叠模块、第二堆叠模块、第三堆叠模块和第四堆叠模块，其中：
第一堆叠模块，利用第一计算特征图与经过裁切操作后的第四特征输出图进行堆叠操作，得到第一联合特征；
第二堆叠模块，利用第二计算特征图与经过裁切操作后的第三特征输出图进行堆叠操作，得到第二联合特征；
第三堆叠模块，利用第三计算特征图与经过裁切操作后的第二特征输出图进行堆叠操作，得到第三联合特征；
第四堆叠模块，利用第四计算特征图与经过裁切操作后的第一特征输出图进行堆叠操作，得到第四联合特征。
作为可选择的实施方式，所述分割模块，包括第十卷积模块和第十一卷积模块，其中：
第十卷积模块获取第四联合特征进行卷积操作处理，得到第十特征输出图；
第十一卷积模块，对第十特征输出图进行卷积操作处理，得到与输入影像图像尺寸一致的分割图。
作为可选择的实施方式，所述动态地图损失计算模块，使用动态地图损失函数计算分割图与数据标注二者之间的损失，如果损失小于阀值，则发送信号给数据集获取模块，重新获取数据，如果损失大于阀值发送信号给优化模块，使优化模块动作。
作为可选择的实施方式，所述优化模块被配置为当参数已经优化完毕，则发送信号给数据集获取模块。
作为可选择的实施方式，各个卷积模块均包括卷积层、Batch Norm层、3D激活函数层、卷积层及Batch Norm层、relu激活函数层依次顺序串联构成。
作为可选择的实施方式，各个卷积模块依次顺序连接。
与现有技术相比，本发明的有益效果为：
颅内出血的识别与分割，现有技术可以完成一个大概的分割过程，但是由于人眼的模糊性，不能保证标注数据是完美的，在边界部分会有错误，由此训练出来的模型，也是无法达到一个令人满意的精确分割效果。本发明利用动态地图损失函数，减少了掩膜边界处的错误标注引起的模型偏差，配合U-net网络，动态调整标注掩膜边界处的像素值在计算损失时的权重，让模型可以学习到应该学习到的知识，忽略边界处可能的错误知识。使得精确的颅内出血分割可以实现精确的出血量统计。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明的模型示意图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一：
基于动态地图损失神经网络的CT颅内出血检测系统，包括：
数据集获取模块，被配置为获取脑部CT影像数据，标注颅内出血掩膜和背景；
特征提取模块，被配置为多次循环执行卷积操作和最大池化操作，得到每次的特征输出图；
计算特征提取模块，被配置为对特征输出图或联合特征进行卷积操作处理后再进行反卷积操作，得到相应的计算特征图；
联合模块，被配置为将计算特征图与经过裁切操作后的不同次的特征输出图进行堆叠操作，得到相应的联合特征；
分割模块，被配置为对最后的特征输出图进行卷积操作，获取最终的与输入影像图像尺寸一致的分割图；
动态地图损失计算模块，被配置为将分割图利用使用动态地图损失函数计算分割图与数据集获取模块中数据标注二者之间的损失，如果损失大于阀值则发送信号给优化模块；
优化模块，被配置为优化特征提取模块、计算特征提取模块、联合模块和分割模块的参数。
特征提取模块，包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第一池化层、第二池化层、第三池化层、第四池化层，其中：
第一卷积模块接收CT影像，对其进行卷积操作处理，得到第一特征输出图；
第一池化层对第一特征输出图进行最大池化操作，得到更新后的第一特征输出图；
第二卷积模块接收更新后的第一特征输出图，对其进行卷积操作处理，得到第二特征输出图；
第二池化层对第二特征输出图进行最大池化操作，得到更新后的第二特征输出图；
第三卷积模块接收更新后的第二特征输出图，对其进行卷积操作处理，得到第三特征输出图；
第三池化层对第三特征输出图进行最大池化操作，得到更新后的第三特征输出图；
第四卷积模块接收更新后的第三特征输出图，对其进行卷积操作处理，得到第四特征输出图；
第四池化层对第四特征输出图进行最大池化操作，得到更新后的第四特征输出图。
计算特征提取模块包括第五卷积模块、第六卷积模块和第一反卷积模块，其中：
所述第五卷积模块，接收第四特征输出图，进行卷积操作，得到第五特征输出图；
所述第六卷积模块，接收第五特征输出图，进行卷积操作处理，得到第六特征输出图；
所述第一反卷积模块，对第六特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第一计算特征图。
计算特征提取模块还包括第七卷积模块、第二反卷积模块、第八卷积模块、第三反卷积模块、第九卷积模块、第四反卷积模块，其中：
所述第七卷积模块接收第一联合特征，进行卷积操作处理，得到第七特征输出图；
所述第二反卷积模块，对第七特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第二计算特征图；
所述第八卷积模块接收第二联合特征，进行卷积操作处理，得到第八特征输出图；
所述第三反卷积模块，对第八特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第三计算特征图；
所述第九卷积模块接收第三联合特征，进行卷积操作处理，得到第九特征输出图；
所述第四反卷积模块，对第九特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第四计算特征图。
联合模块，包括第一堆叠模块、第二堆叠模块、第三堆叠模块和第四堆叠模块，其中：
第一堆叠模块，利用第一计算特征图与经过裁切操作后的第四特征输出图进行堆叠操作，得到第一联合特征；
第二堆叠模块，利用第二计算特征图与经过裁切操作后的第三特征输出图进行堆叠操作，得到第二联合特征；
第三堆叠模块，利用第三计算特征图与经过裁切操作后的第二特征输出图进行堆叠操作，得到第三联合特征；
第四堆叠模块，利用第四计算特征图与经过裁切操作后的第一特征输出图进行堆叠操作，得到第四联合特征。
分割模块，包括第十卷积模块和第十一卷积模块，其中：
第十卷积模块获取第四联合特征进行卷积操作处理，得到第十特征输出图；
第十一卷积模块，对第十特征输出图进行卷积操作处理，得到与输入影像图像尺寸一致的分割图。
动态地图损失计算模块，使用动态地图损失函数计算分割图与数据标注二者之间的损失，如果损失小于阀值，则发送信号给数据集获取模块，重新获取数据，如果损失大于阀值发送信号给优化模块，使优化模块动作。
优化模块被配置为当参数已经优化完毕，则发送信号给数据集获取模块。
各个卷积模块均包括卷积层、Batch Norm层、3D激活函数层、卷积层及Batch Norm层、relu激活函数层依次顺序串联构成。
当然，各个卷积模块的连接关系如图1所示。
实施例二：
具体的工作流程，包括如下步骤：
a)构建颅内出血分割数据集：收集脑部CT影像数据，标注颅内出血掩膜和背景。
b)将颅脑CT影像X输入卷积模块C1，利用计算机经卷积层C12次3维的卷积操作处理，得到特征输出图C1(X)；
c)利用计算机将特征输出图C1(X)进行最大池化操作，压缩特征图C1(X)，得到更新后的特征输出图C’1(X)；
d)将更新后的特征输出图C’1(X)输入卷积模块C2，利用计算机经卷积层C22次3维的卷积操作处理，得到特征输出图C2(X)；
e)利用计算机将特征输出图C2(X)进行最大池化操作，压缩特征图C2(X)，得到更新后的特征输出图C’2(X)；
f)将更新后的特征输出图C’2(X)输入卷积模块C3，利用计算机经残差卷积模块C32次3维的卷积操作处理，得到特征输出图C3(X)。
g)利用计算机将特征输出图C3(X)进行最大池化操作，压缩特征图C3(X)，得到更新后的特征输出图C3(X)；
h)将更新后的特征输出图C’3(X)输入卷积模块C4，利用计算机经残差卷积模块C32次3维的卷积操作处理，得到特征输出图C4(X)。
i)利用计算机将特征输出图C4(X)进行最大池化操作，压缩特征图C4(X)，得到更新后的特征输出图C’4(X)；
j)将更新后的特征输出图C’4(X)输入卷积模块C5，利用计算机经残差卷积模块C51次3维的卷积操作处理，得到特征输出图C5(X)；
k)将更新后的特征输出图C5(X)输入卷积模块C6，利用计算机经残差卷积模块C61次3维的卷积操作处理，得到特征输出图C6(X)。
l)利用计算机将特征输出图C6(X)输入反卷积模块D1中进行反卷积操作，反卷积模块D1将特征输出图的C6(X)高维特征往原图掩膜的过渡性计算得到特征图D1(X)；
m)利用计算机特征图D1(X)与经过裁切操作后的特征输出图C4(X)进行堆叠操作，得到联合特征CF1(X)；
n)将联合特征CF1(X)输入卷积模块C7，利用计算机经残差卷积模块C72次3维的卷积操作处理，得到特征输出图C7(X)；
o)利用计算机将特征输出图C7(X)输入反卷积模块D2中进行反卷积操作，反卷积模块D2将特征输出图的C7(X)高维特征往原图掩膜的过渡性计算得到特征图D2(X)；
p)利用计算机将特征图D2(X)与经过裁切操作后的特征输出图C3(X)进行堆叠操作，得到联合特征CF2(X)；
q)将联合特征CF2(X)输入卷积模块C8，利用计算机经残差卷积模块C82次3维的卷积操作处理，得到特征输出图C8(X)；
r)利用计算机将特征输出图C8(X)输入反卷积模块D3中进行反卷积操作，反卷积模块D3将特征输出图的C8(X)高维特征往原图掩膜的过渡性计算得到特征图D3(X)；
s)利用计算机将特征图D3(X)与经过裁切操作后的特征输出图C2(X)进行堆叠操作，得到联合特征CF3(X)；
t)将联合特征CF3(X)输入卷积模块C9，利用计算机经残差卷积模块C92次3维的卷积操作处理，得到特征输出图C9(X)；
n)u利用计算机将特征输出图C9(X)输入反卷积模块D4中进行反卷积操作，反卷积模块D4将特征输出图的C9(X)高维特征往原图掩膜的过渡性计算得到特征图D4(X)；
v)利用计算机将特征图D4(X)与经过裁切操作后的特征输出图C1(X)进行堆叠操作，得到联合特征CF4(X)；
w)将联合特征CF4(X)输入卷积模块C10，利用计算机经残差卷积模块C102次3维的卷积操作处理，得到特征输出图C10(X)；
x)利用计算机将特征C10(X)输入卷积层C11，进行卷积核为1*1的卷积操作，得到与输入影像X图像尺寸一致的分割图O(X)；
y)使用动态地图损失函数计算分割图P(X)与步骤a)中数据标注二者之间的损失，如果损失小于阀值则跳转至步骤ɑ)，如果损失大于阀值再执行步骤z)；
z)使用Adam优化算法优化模型参数，如果模型已经收敛则执行步骤ɑ)，如果没有收敛则执行步骤b)；
ɑ)保存模型参数，运行结束；
β)将颅脑CT影像数据输入到步骤a)至步骤x)中得到肺叶识别模型中得到颅内出血分割的结果。
上述动态地图损失函数是在交叉熵损失函数的基础上修改。以2分类为例，在计算类别1时，对掩膜内部损失进行加权计算，假设：掩膜部分共有N个像素，掩膜的边界部分像素数为M(定义见下文)占的权重为α，则掩膜内部剩余部分的权重β为α初始化为0.2。
具体计算方式为：
L＝-ylogy’-α(1-y)log(1-y’)-β(1-y)log(1-y’)
假设M为掩膜总像素数量，N为掩膜边界像素数量：
掩膜的边界部分像素数的定义为：由边界像素点做两次腐蚀运算，被腐蚀掉的点。若像素数量不支持完成两次腐蚀运算，则该掩膜部分的损失按照交叉熵损失计算。
上述卷积模块C1～C11由卷积层、Batch Norm层、3D激活函数层、卷积层及BatchNorm层、relu激活函数层依次顺序串联构成。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.一种基于动态地图损失神经网络的CT颅内出血检测系统，其特征是：包括：
数据集获取模块，被配置为获取脑部CT影像数据，标注颅内出血掩膜和背景；
特征提取模块，被配置为多次循环执行卷积操作和最大池化操作，得到每次的特征输出图；
计算特征提取模块，被配置为对特征输出图或联合特征进行卷积操作处理后再进行反卷积操作，得到相应的计算特征图；
联合模块，被配置为将计算特征图与经过裁切操作后的不同次的特征输出图进行堆叠操作，得到相应的联合特征；
分割模块，被配置为对最后的特征输出图进行卷积操作，获取最终的与输入影像图像尺寸一致的分割图；
动态地图损失计算模块，被配置为将分割图利用使用动态地图损失函数计算分割图与数据集获取模块中数据标注二者之间的损失，如果损失大于阀值则发送信号给优化模块；
优化模块，被配置为优化特征提取模块、计算特征提取模块、联合模块和分割模块的参数；
所述计算特征提取模块包括第五卷积模块、第六卷积模块和第一反卷积模块，其中：
所述第五卷积模块，接收第四特征输出图，进行卷积操作，得到第五特征输出图；
所述第六卷积模块，接收第五特征输出图，进行卷积操作处理，得到第六特征输出图；
所述第一反卷积模块，对第六特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第一计算特征图；
所述计算特征提取模块还包括第七卷积模块、第二反卷积模块、第八卷积模块、第三反卷积模块、第九卷积模块、第四反卷积模块，其中：
所述第七卷积模块接收第一联合特征，进行卷积操作处理，得到第七特征输出图；
所述第二反卷积模块，对第七特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第二计算特征图；
所述第八卷积模块接收第二联合特征，进行卷积操作处理，得到第八特征输出图；
所述第三反卷积模块，对第八特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第三计算特征图；
所述第九卷积模块接收第三联合特征，进行卷积操作处理，得到第九特征输出图；
所述第四反卷积模块，对第九特征输出图进行反卷积操作，将其高维特征往原图掩膜的过渡性计算得到第四计算特征图；
所述动态地图损失计算模块，使用动态地图损失函数计算分割图与数据标注二者之间的损失，如果损失小于阀值，则发送信号给数据集获取模块，重新获取数据，如果损失大于阀值发送信号给优化模块，使优化模块动作；
动态地图损失函数是在交叉熵损失函数的基础上修改，具体计算方式为：
L＝-ylogy'-α(1-y)log(1-y')-β(1-y)log(1-y')
假设M为掩膜总像素数量，N为掩膜边界像素数量：
掩膜的边界部分像素数的定义为：由边界像素点做两次腐蚀运算，被腐蚀掉的点；若像素数量不支持完成两次腐蚀运算，则该掩膜部分的损失按照交叉熵损失计算。
2.如权利要求1所述的一种基于动态地图损失神经网络的CT颅内出血检测系统，其特征是：所述特征提取模块，包括第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第一池化层、第二池化层、第三池化层、第四池化层，其中：
第一卷积模块接收CT影像，对其进行卷积操作处理，得到第一特征输出图；
第一池化层对第一特征输出图进行最大池化操作，得到更新后的第一特征输出图；
第二卷积模块接收更新后的第一特征输出图，对其进行卷积操作处理，得到第二特征输出图；
第二池化层对第二特征输出图进行最大池化操作，得到更新后的第二特征输出图；
第三卷积模块接收更新后的第二特征输出图，对其进行卷积操作处理，得到第三特征输出图；
第三池化层对第三特征输出图进行最大池化操作，得到更新后的第三特征输出图；
第四卷积模块接收更新后的第三特征输出图，对其进行卷积操作处理，得到第四特征输出图；
第四池化层对第四特征输出图进行最大池化操作，得到更新后的第四特征输出图。
3.如权利要求1所述的一种基于动态地图损失神经网络的CT颅内出血检测系统，其特征是：所述联合模块，包括第一堆叠模块、第二堆叠模块、第三堆叠模块和第四堆叠模块，其中：
第一堆叠模块，利用第一计算特征图与经过裁切操作后的第四特征输出图进行堆叠操作，得到第一联合特征；
第二堆叠模块，利用第二计算特征图与经过裁切操作后的第三特征输出图进行堆叠操作，得到第二联合特征；
第三堆叠模块，利用第三计算特征图与经过裁切操作后的第二特征输出图进行堆叠操作，得到第三联合特征；
第四堆叠模块，利用第四计算特征图与经过裁切操作后的第一特征输出图进行堆叠操作，得到第四联合特征。
4.如权利要求1所述的一种基于动态地图损失神经网络的CT颅内出血检测系统，其特征是：所述分割模块，包括第十卷积模块和第十一卷积模块，其中：
第十卷积模块获取第四联合特征进行卷积操作处理，得到第十特征输出图；
第十一卷积模块，对第十特征输出图进行卷积操作处理，得到与输入影像图像尺寸一致的分割图。
5.如权利要求1所述的一种基于动态地图损失神经网络的CT颅内出血检测系统，其特征是：所述优化模块被配置为当参数已经优化完毕，则发送信号给数据集获取模块。
6.如权利要求1所述的一种基于动态地图损失神经网络的CT颅内出血检测系统，其特征是：各个卷积模块均包括卷积层、Batch Norm层、3D激活函数层、卷积层及Batch Norm层、relu激活函数层依次顺序串联构成。
7.如权利要求1所述的一种基于动态地图损失神经网络的CT颅内出血检测系统，其特征是：各个卷积模块依次顺序连接。
CN202011641121.6A 2020-12-31 2020-12-31 基于动态地图损失神经网络的ct颅内出血检测系统 Active CN112651959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011641121.6A CN112651959B (zh) 2020-12-31 2020-12-31 基于动态地图损失神经网络的ct颅内出血检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011641121.6A CN112651959B (zh) 2020-12-31 2020-12-31 基于动态地图损失神经网络的ct颅内出血检测系统

Publications (2)

Publication Number Publication Date
CN112651959A CN112651959A (zh) 2021-04-13
CN112651959B true CN112651959B (zh) 2023-08-15

Family

ID=75367036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011641121.6A Active CN112651959B (zh) 2020-12-31 2020-12-31 基于动态地图损失神经网络的ct颅内出血检测系统

Country Status (1)

Country Link
CN (1) CN112651959B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373137A (zh) * 2016-08-24 2017-02-01 安翰光电技术（武汉）有限公司 用于胶囊内窥镜的消化道出血图像检测方法
CN108986132A (zh) * 2018-07-04 2018-12-11 华南理工大学 一种使用全卷积神经网络生成证件照Trimap图的方法
CN109886971A (zh) * 2019-01-24 2019-06-14 西安交通大学 一种基于卷积神经网络的图像分割方法及系统
CN109978002A (zh) * 2019-02-25 2019-07-05 华中科技大学 基于深度学习的内窥镜图像胃肠道出血检测方法和系统
CN110786824A (zh) * 2019-12-02 2020-02-14 中山大学 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统
CN110942453A (zh) * 2019-11-21 2020-03-31 山东众阳健康科技集团有限公司 一种基于神经网络的ct影像肺叶识别方法
CN110956634A (zh) * 2020-02-26 2020-04-03 南京慧脑云计算有限公司 一种基于深度学习的脑微出血自动检测方法及系统
CN111178211A (zh) * 2019-12-20 2020-05-19 北京迈格威科技有限公司 图像分割方法、装置、电子设备及可读存储介质
CN111257341A (zh) * 2020-03-30 2020-06-09 河海大学常州校区 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法
CN111489318A (zh) * 2020-03-20 2020-08-04 上海联影智能医疗科技有限公司 医学图像增强方法和计算机可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373137A (zh) * 2016-08-24 2017-02-01 安翰光电技术（武汉）有限公司 用于胶囊内窥镜的消化道出血图像检测方法
CN108986132A (zh) * 2018-07-04 2018-12-11 华南理工大学 一种使用全卷积神经网络生成证件照Trimap图的方法
CN109886971A (zh) * 2019-01-24 2019-06-14 西安交通大学 一种基于卷积神经网络的图像分割方法及系统
CN109978002A (zh) * 2019-02-25 2019-07-05 华中科技大学 基于深度学习的内窥镜图像胃肠道出血检测方法和系统
CN110942453A (zh) * 2019-11-21 2020-03-31 山东众阳健康科技集团有限公司 一种基于神经网络的ct影像肺叶识别方法
CN110786824A (zh) * 2019-12-02 2020-02-14 中山大学 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统
CN111178211A (zh) * 2019-12-20 2020-05-19 北京迈格威科技有限公司 图像分割方法、装置、电子设备及可读存储介质
CN110956634A (zh) * 2020-02-26 2020-04-03 南京慧脑云计算有限公司 一种基于深度学习的脑微出血自动检测方法及系统
CN111489318A (zh) * 2020-03-20 2020-08-04 上海联影智能医疗科技有限公司 医学图像增强方法和计算机可读存储介质
CN111257341A (zh) * 2020-03-30 2020-06-09 河海大学常州校区 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法

Also Published As

Publication number Publication date
CN112651959A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
US11908244B2 (en) Human posture detection utilizing posture reference maps
CN109784149B (zh) 一种人体骨骼关键点的检测方法及系统
CN111784700B (zh) 肺叶分割、模型训练、模型构建与分割方法、系统及设备
WO2022001623A1 (zh) 基于人工智能的图像处理方法、装置、设备及存储介质
CN110349147B (zh) 模型的训练方法、眼底黄斑区病变识别方法、装置及设备
CN111046717A (zh) 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
JP6505124B2 (ja) 適応性放射線治療における自動輪郭抽出システム及び方法
Wu et al. Residual attention based network for hand bone age assessment
CN104978764A (zh) 三维人脸网格模型处理方法和设备
CN111860528B (zh) 基于改进U-Net网络的图像分割模型及训练方法
WO2023151237A1 (zh) 人脸位姿估计方法、装置、电子设备及存储介质
US20220335600A1 (en) Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection
CN115345938B (zh) 基于全局到局部的头影标记点定位方法、设备及介质
CN111681247B (zh) 肺叶肺段分割模型训练方法和装置
CN108268840B (zh) 一种人脸跟踪方法及装置
Sokooti et al. Hierarchical prediction of registration misalignment using a convolutional LSTM: Application to chest CT scans
CN112102384A (zh) 一种非刚性医学影像配准方法及系统
CN114170212A (zh) 一种基于ct影像中肺小结节假阳检测方法及系统
Liu et al. An enhanced neural network based on deep metric learning for skin lesion segmentation
CN113256657B (zh) 一种高效医学图像分割方法及系统、终端、介质
CN108597589B (zh) 模型生成方法、目标检测方法及医学成像系统
CN112651959B (zh) 基于动态地图损失神经网络的ct颅内出血检测系统
CN108549899A (zh) 一种图像识别方法及装置
CN112884792A (zh) 肺部图像分割的方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 12 / F, building 1, Aosheng building, 1166 Xinluo street, hi tech Zone, Jinan City, Shandong Province

Applicant after: Zhongyang Health Technology Group Co.,Ltd.

Address before: 12 / F, building 1, Aosheng building, 1166 Xinluo street, hi tech Zone, Jinan City, Shandong Province

Applicant before: SHANDONG MSUNHEALTH TECHNOLOGY GROUP Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant