CN112733715A - 一种用于分型的神经网络模型及其应用 - Google Patents

Abstract

本说明书实施例公开了一种用于分型的神经网络模型及其应用，属于医学影像和计算机技术领域。所述模型包括：输入模块，第一模块，第二模块和输出模块；其中，所述输入模块，用于接收待处理的影像数据；所述第一模块，用于提取所述待处理的影像数据的第一特征；所述第二模块，用于提取所述待处理的影像数据的第二特征；所述输出模块，用于基于所述待处理的影像数据的第一特征和所述待处理的影像数据的第二特征进行分型，获得所述待处理影像数据的分型结果。输入模块采用本说明书实施例提供的神经网络模型，能够应用于大脑中动脉非急性期闭塞的影像学诊断，为临床治疗提供参考依据。

Description

一种用于分型的神经网络模型及其应用

技术领域

本说明书涉及医学影像及计算机技术领域，尤其涉及一种用于分型的神经网络模型及其应用。

背景技术

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络广泛应用于图像分类分割等任务。

颅内动脉非急性期闭塞，是缺血性卒中的一个重要原因，约占全部缺血性脑卒中的10％，其卒中年复发风险为3.6％～22.0％；其中大脑中动脉闭塞临床多见，占闭塞性脑血管病的79.6％。目前对于颅内动脉闭塞时间超过24h的症状性非急性闭塞主要治疗方法仍是药物治疗，药物治疗无效的患者还可以采取颅内外搭桥手术和血管内治疗重建血运。

由于大脑中动脉闭塞后，无法通过初级侧支循环(Willis环)和眼动脉代偿，大脑中动脉闭塞后的主要代偿途径为软脑膜动脉侧支代偿，这种代偿存在延迟现象，影像诊断存在困难，进而限制了血管内治疗的有效性，且增加了并发症的发生。

由于卷积神经网络的卷积核与池化核进行的都是局部特征提取，大脑中动脉闭塞后，其代偿的复杂性，使得现有的卷积神经网络不能满足大脑中动脉的分型的需求。

发明内容

本说明书实施例提供一种用于分型的神经网络模型及其应用，用于解决以下技术问题：由于卷积神经网络的卷积核与池化核进行的都是局部特征提取，大脑中动脉闭塞后，其代偿的复杂性，使得现有的卷积神经网络不能满足大脑中动脉的分型的需求。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种用于分型的神经网络模型，所述模型包括：

输入模块，第一模块，第二模块和输出模块；

其中，

所述输入模块，用于接收待处理的影像数据；

所述第一模块，用于提取所述待处理的影像数据的第一特征；

所述第二模块，用于提取所述待处理的影像数据的第二特征；

所述输出模块，用于基于所述待处理的影像数据的第一特征和所述待处理的影像数据的第二特征进行分型，获得所述待处理影像数据的分型结果。

进一步地，所述模型还包括预处理模块，所述预处理模块用于对所述待处理的影像数据进行预处理，

其中：

所述预处理包括：去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据以进行所述待处理影像数据的第一特征和所述待处理影像数据的第二特征的提取。

进一步地，所述输出模块的全局池化层或一维化处理层用于将所述待处理处理的影像数据的第一特征和所述待处理的影像数据的第二特征的张量进行扁平化处理或者重构张量的维度，将多维向量拉平为一维向量。

进一步地，其特征在于，所述第一模块包括第一卷积模块和第二卷积模块。

进一步地，其特征在于，所述第一模块与所述第二模块为串联关系。

进一步地，所述输出模块的第一层为全局池化层或一维化处理层

进一步地，所述输出模块还包括全连接层。

输入模块本说明书实施例还提供一种用于分型的神经网络模型的应用，本说明书实施例提供的神经网络模型可用于影像数据的分型，所述影像数据优选为CTA影像数据或者MRA影像数据，所述分型为对所述影像数据进行大脑中动脉分型。

本说明书实施例提供一种用于分型的神经网络模型，包括：输入模块，第一模块，第二模块和输出模块；其中，所述输入模块，用于接收待处理的影像数据；所述第一模块，用于提取所述待处理的影像数据的第一特征；所述第二模块，用于提取所述待处理的影像数据的第二特征；所述输出模块，用于基于所述待处理的影像数据的第一特征和所述待处理的影像数据的第二特征进行分型，获得所述待处理影像数据的分型结果。输入模块本说明书实施例提供的用于分型的神经网络模型，能够实现全局特征的提取，满足大脑中动脉分型的需求。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的一种用于分型的神经网络模型的框架图；

图2为本说明书实施例提供的又一种用于分型的神经网络模型的框架图；

图3为本说明书实施例提供的一种用于分型的神经网络模型的训练过程的示意图；

图4为本说明书实施例1提供的一种分型方法的系统结构图；

图5为本说明书实施例1提供的一种分型方法的具体示意图；

图6为本说明书实施例2提供的又一种分型方法的具体示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

图1为本说明书实施例提供的一种用于分型的神经网络模型的框架图。如图1所示，本说明书实施例提供的一种用于分型的神经网络模型包括：

输入模块，第一模块，第二模块和输出模块；其中，所述输入模块，用于接收待处理的影像数据；所述第一模块，用于提取所述待处理的影像数据的第一特征；所述第二模块，用于提取所述待处理的影像数据的第二特征；所述输出模块，用于基于所述待处理的影像数据的第一特征和所述待处理的影像数据的第二特征进行分型，获得所述待处理影像数据的分型结果。

输入模块101，用于接收待处理的影像数据。

在本说明书实施例中，输入模块101接收的待处理的影像数据，具体可以为CTA或MRA影像数据，或者其他影像数据，诸如DSA、或者CT灌注/核磁灌注成像或者脑血管造影检查，或者高分辨磁共振(HR-MRI)。

第一模块103，用于提取所述待处理的影像数据的第一特征。

在本说明书实施例中，待处理影像数据的第一特征主要为待处理影像数据的局部特征，例如

在本说明书实施例中，所述第一模块包括第一卷积模块和第二卷积模块。

第二模块105，用于提取所述待处理的影像数据的第二特征。

在本说明书实施例中，待处理影像数据的第二特征主要为待处理影像数据的全局特征。

在本说明书实施例中，所述第一模块与所述第二模块为串联关系。

输出模块107，用于基于所述待处理的影像数据的第一特征和所述待处理的影像数据的第二特征进行分型，获得所述待处理影像数据的分型结果。

在本说明书实施例中，所述输出模块的第一层为全局池化层或一维化处理层。

在本说明书实施例中，所述输出模块还包括全连接层。

在本说明书实施例中，所述输出模块的全局池化层或一维化处理层用于将所述待处理的影像数据的第一特征和待处理的影像数据的第二特征的张量进行扁平化处理或者重构张量的维度，将多维向量拉平为一维向量。在本说明书实施例中，第一模块的全局池化层或一维化处理层的作用在于将前述步骤获得的预处理的影像数据的局部特征和预处理的影像数据的全局特征输入输出模块后，将预处理的影像数据的局部特征和预处理的影像数据的全局特征的张量进行扁平化处理或者重构张量的维度，将多维向量拉平为一维向量。在具体实施过程中，可以采用开源机器学习平台Tensorflow的框架进行扁平化处理(Flatten)，也可以采用开源机器学习平台Pytorch的框架下的view函数重构张量的维度。当然，其它开源机器学习平台框架下的能够将多维向量拉平为一维向量的方法，亦可以视为本申请的保护范围。

图2为本说明书实施例提供的又一种用于分型的神经网络模型的框架图。如图2所示，本说明书实施例中，用于分型的神经网络模型除了包括图1所示的模块外，还包括预处理模块209，所述预处理模块用于对所述待处理的影像数据进行预处理，

其中：

所述预处理步骤包括：去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据以进行所述待处理影像数据的第一特征和所述待处理影像数据的第二特征的提取。

由于待处理的影像数据中存在头骨等无关组织，为了保证后续分型的准确性，需要去除待处理影像数据中的颅骨。在具体实施过程中，去除待处理的影像数据中的颅骨，具体包括：通过阈值分割，根据第一阈值，从第一图像中提取出颅骨，得到颅骨掩膜(mask)图像，将颅脑分割为颅骨内和颅骨外两部分。在实际应用中，提取颅骨的阈值为>100。进一步，低于第二阈值的像素点属于颅骨内，从颅骨掩膜图像中取出颅骨，得到去除颅骨后的组织掩膜图像。在具体实施过程中，第二阈值可以为80。去除待处理影像数据中的颅骨，亦可以采取其他去除颅骨的方法，颅骨去除的具体方法并不构成对本申请的限定。

在本说明书实施例中，归一化处理包括：坐标中心化、x-shearing归一化、缩放归一化或旋转归一化中的一种或几种。归一化处理亦可以采用其他方法，归一化处理的具体方法并不构成对本申请的限定。

采用本说明书实施例提供的用于分型的神经网络模型，能够实现全局特征的提取，满足大脑中动脉分型的需求。

在本说明书实施例中，用于分型的神经网络模型的训练的过程，采用的是图3所示的过程。图3为本说明书实施例提供的一种用于分型的神经网络模型的训练过程的示意图，如图3所示，用于分型的神经网络模型的训练包括：

步骤S301：将获取的学习样本集数据分为训练集数据、调优集数据和测试集数据。

在本说明书实施例中，学习样本集数据为颅脑影像数据，具体可以为CTA或MRA影像数据，或者其他影像数据，诸如DSA、或者CT灌注/核磁灌注成像或者脑血管造影检查，或者高分辨磁共振(HR-MRI)。将所述学习样本集数据进行标注，确定学习样本集数据中大脑中动脉闭塞的分类。将标注后的学习样本集数据按照5:2:3的比例随机分为训练集数据、调优集数据和测试集数据。

步骤S303：将学习样本集数据进行归一化后处理，获得归一化的学习样本集数据。

将学习样本集数据进行归一化处理，重采样后，获得512*512*256的矩阵，该矩阵与相应的大脑中动脉闭塞的分型的类别对应。

步骤S305：归一化的学习样本集数据进行训练，获得用于分型的神经网络模型。

基于构建的神经网络，选择最优的超参数。将训练集数据中的图像矩阵与相应的分型的类别成对输入搭建好的神经网络。首先采用较低的学习率预热模型，之后逐渐加大学习率。在训练过程中，可以采用交叉熵代价函数作为损失函数，对模型进行训练。在训练过程中，若调优数据上的损失函数不再下降，则停止训练，防止过拟合。每种模型结构，采用不同的超参数，均在同样的初始化条件下训练多个模型，取模型在调优集数据上的损失函数的平均值作为该组超参数的评价指标。取损失函数平均值最小的超参数作为每种模型结构的最优超参数。

随后，利用测试集数据对上述最优超参数对应的用于分型的神经网络模型进行测试，选出最优的用于分型的神经网络模型用于后续分型。

需要说明的是，测试集数据不足的情况下，亦可以采用交叉验证的方式，选择最优的用于分型的神经网络模型。

为进一步理解本说明书实施例提供的用于分型的神经网络模型的训练过程中的神经网络，下面将结合具体的实施例对神经网络的输出进行说明，以MCA分型为例，

对于一个影像数据，神经网络的输出为长度为9的向量，[p1,p2,...,p9]，pi代表了该影像数据属于第i类分型的概率，p1+p2+...+p9＝1，假如p2＝0.5，p3＝0.5，其余均为0，那该影像属于2型[MCA闭塞，M1主干显影，M1远端分叉显影，M2显影]或3型[MCA闭塞，M1主干显影，M1远端分叉显影，M2不显影]的概率均为0.5，提示M2可能是部分显影。

本说明书实施例还提供一种用于分型的神经网络模型的应用，本说明书实施例提供的神经网络模型可用于影像数据的分型，所述影像数据优选为CTA影像数据或者MRA影像数据，所述分型为对所述影像数据进行大脑中动脉分型。

为了便于理解用于分型的神经网络模型的应用，下面将结合具体应用的实施例进行说明。

下面以CTA或MRA影像数据为例，以具体的实施例来具体说明整个操作流程。在本说明书实施例中，第一模块与第二模块为串联关系，图4为本说明书实施例2提供的一种分型方法的系统结构图，如图4所示，第一卷积模块提取的特征，输入第二模块，经过第二模块处理后，输入第二卷积模块，进一步进行卷积和池化操作，以供后续输出模块进行分型。

为进一步理解图5所示的分型方法的系统结构图的具体实现过程，下面以CTA或MRA影像数据为例，以具体的实施例来具体说明整个操作流程。图5为本说明书实施例1提供的一种分型方法的具体示意图。

实施例1

CTA或MRA影像数据，归一化，重采样后，为512*512*256的矩阵，即图像为256帧断层图，每个断层图为512*512的灰度图像，故通道数为1，在开源机器学习平台Tensorflow的框架或者在开源机器学习平台Pytorch的框架下，网络的输入为512*512*256*1的矩阵。第一卷积模块(虚线框内)由三个卷积块组成，每个卷积块有卷积操作与池化操作，一般使用3*3*3的卷积核，卷积操作后可以做dropout(随机失活)操作，normalization(归一化)操作，激活操作等，池化操作可以是max pool(最大池)或者average pool(平均池)等，在当前实施例中，池化操作的步长为2。第一个卷积块使用了32个卷积核，得到了32张特征图。经过池化操作，图像大小由512*512*256降为256*256*128；第二个卷积块使用了64个卷积核，得到了64张特征图。经过池化操作，图像大小由256*256*128降为128*128*64；第三个卷积块使用了128个卷积核，得到了特征，并得到了128张特征图。经过池化操作，图像大小由128*128*64降为64*64*32，亦即第一特征图的大小为64*64*32，通道数为128。在本说明书实施例中，第一特征可以为局部特征。需要特别说明的是，开源机器学习平台的框架亦可以为其它框架，例如caffe，开源机器学习平台的框架的具体类型，并不构成对本申请的限定。

在本说明书实施例中，第一模块中的第一卷积模块的第一特征输入第二模块中，获得第二特征。由于第一模块与第二模块为串联关系，因此，第二模块得到的第二特征图的大小与第一卷积模块的特征图的大小是一致的。在本说明书实施例中，第二模块由两个卷积块组成，均使用了128个卷积核，第一卷积模块的第一特征输入第二模块中，得了第二特征，并得到了大小为64*64*32的第二特征图，该第二特征图的通道数为128。在本说明书实施例中，第二特征可以为全局特征。

在本说明书实施例中，第二卷积模块仅由一个卷积块组成，第二卷积模块使用了64个卷积核，第二卷积模块经过卷积加池化操作，将第二模块中的大小为64*64*32的第二特征图输出为大小为32*32*16的第三特征图，第三特征图的通道数为64。

在本说明书的一个实施例中，第一卷积模块由三个卷积块组成，每个卷积块有卷积操作和池化操作。在卷积层，卷积核的大小为3*3*3，卷积操作的步长为1，第一个卷积块中卷积核的个数为32，第二个卷积块中卷积核的个数为64，第三个卷积块中卷积核的个数为128，池化操作的步长为2。第二卷积模块由一个卷积块组成，其中，卷积核的个数为128。在第二模块中，由两个卷积块组成，每个卷积块的卷积核的个数均为128。

实施例2

实施例2的分型方法的系统结构图与实施例1相同，具体实施过程如图6所示。图6为本说明书实施例2提供的又一种分型方法的具体示意图。

输入模块、第一卷积模块、第二模块、第二卷积模块与实施例1均相同，输出模块的第一层为将上一模块的输出拉平，成为一个向量，由于该向量很长，通过2层全连接层，输出分型结果。

在本说明书实施例中，输入模块，第一模块，第二模块和输出模块共同组成MCA分型模型，MCA分型模型是基于颅脑影像数据及其对应的临床特征，经过神经网络预先训练获得的模型。需要说明的是，神经网络可以采用本说明书实施例1、2所示的模型结构、模型的层数及卷积核的个数。

需要特别说明的是，在本说明书附图5和6中，以图5中的第一卷积模块为例，64*64*32*128中，64*64*32表示对应的每个特征图的尺寸或者大小，128表示对应的通道数为128，128亦表示卷积核的个数为128。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。

本说明书是参照根据本说明书实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (8)

1.一种用于分型的神经网络模型，其特征在于，所述模型包括：

输入模块，第一模块，第二模块和输出模块；

其中，

所述输入模块，用于接收待处理的影像数据；

所述第一模块，用于提取所述待处理的影像数据的第一特征；

所述第二模块，用于提取所述待处理的影像数据的第二特征；

所述输出模块，用于基于所述待处理的影像数据的第一特征和所述待处理的影像数据的第二特征进行分型，获得所述待处理影像数据的分型结果。

2.如权利要求1所述的模型，其特征在于，所述模型还包括预处理模块，所述预处理模块用于对所述待处理的影像数据进行预处理，

其中：

所述预处理包括：去除所述待处理的影像数据中的颅骨后，进行归一化处理，获得预处理的影像数据以进行所述待处理影像数据的第一特征和所述待处理影像数据的第二特征的提取。

3.如权利要求1所述的模型，其特征在于，所述输出模块的全局池化层或一维化处理层用于将所述待处理处理的影像数据的第一特征和所述待处理的影像数据的第二特征的张量进行扁平化处理或者重构张量的维度，将多维向量拉平为一维向量。

4.如权利要求1所述的模型，其特征在于，所述第一模块包括第一卷积模块和第二卷积模块。

5.如权利要求1所述的模型，其特征在于，所述第一模块与所述第二模块为串联关系。

6.如权利要求1所述的模型，其特征在于，所述输出模块的第一层为全局池化层或一维化处理层。

7.如权利要求1所述的模型，其特征在于，所述输出模块还包括全连接层。

8.一种用于分型的神经网络模型的应用，其特征在于，所述权利要求1-7中任一项所述的神经网络模型可用于影像数据的分型，所述影像数据优选为CTA影像数据或者MRA影像数据，所述分型为对所述影像数据进行大脑中动脉分型。

Images