CN117197162B - 一种基于差分卷积的颅内出血ct图像分割方法 - Google Patents

Abstract

本发明一种基于差分卷积的颅内出血CT图像分割方法，属于图像处理技术领域，为解决现有方法对于切片间的上下文信息提取不够充分，难以对多变性的颅内出血病灶的CT图像进行准确分割的问题。包括：S1、构建颅内出血CT图像数据集；S2、对数据进行归一化处理，包括空间归一化和信号归一化；S3、构建颅内出血CT图像分割网络模型，所述模型基于3D U‑Net网络，模型构建有3D CDC模块，以实现挖掘CT图像数据中切片间的上下文信息，还构建有3D CA注意力模块，在通道注意力中嵌入位置信息，使网络更加关注有效的脑血肿区域；S4、采用所述颅内出血CT图像分割网络模型对颅内出血CT图像的出血病灶进行分割。本发明模型具有较高的分割精度。

Description

一种基于差分卷积的颅内出血CT图像分割方法

技术领域

本发明属于图像处理技术领域，具体而言，涉及一种基于差分卷积的颅内出血CT图像分割方法。

背景技术

颅内出血(Intracranial Hemorrhage,ICH)是一种发生于脑组织或者脑室内的严重的脑部出血性重症疾病，且近年来其发病率逐年增高，其具有高发病率、高致残率、高死亡率、发病迅猛等特点，严重危害着病人的生命健康，同时给社会和患者家庭都带来了沉重的负担。计算机断层扫描(Computed-Tomography,CT)凭借其扫描时间短、价格便宜、无创、结果获取效率高且准确等特点，在诊治颅内出血疾病中发挥着越来越重要的作用，已经成为临床上检测颅内出血的首选工具。在实际临床上，目前的诊断方法大多都是由放射科医生肉眼观察ICH患者的CT图像，并且手动勾画分割出ICH区域，一例ICH患者血肿区域的精准手工分割往往超过15分钟，这个过程往往依赖医生的临床经验丰富程度，这不仅耗时耗力，而且存在主观因素造成的差异，且数量巨大的CT图像给影像科医生阅片也带来了很大压力，一定程度上增加了误诊和漏诊的可能性。除此之外，尽管ICH患者的CT图像已经描述了颅内出血病灶，但对于一些病灶不明显的细小病灶或者是阅片经验较少的低年资医生，准确的识别病灶是极具挑战性的。因此，开发自动快速准确的计算机辅助分割颅内血肿的方法是亟待解决的问题。

不少学者对颅内出血病灶自动分割方法展开了一些研究。目前颅内出血分割的算法研究总的来说可以分成两大类:一类是基于数学概率模型及机器学习等传统分割方法来对颅内出血区域进行分割，另一类则是基于深度学习(Deep Learning,DL)方法来进行颅内出血区域的获取。传统的分割方法通常要对图像进行预处理操作，同时去除颅骨和一些噪声，通常使用自适应数学模型，主要包括阈值法、扫描法、边界提取法、水平集法、主动轮廓法、基于图论的方法等，且这些方法在脑出血分割方面均有着不错的表现。传统的分割方法虽然在一定程度上可以解决颅内出血分割问题，但是也存在一定局限。如基于阈值的分割方法中最佳阈值的选取往往需要进行广泛的尝试才能获得；基于聚类模糊的方法存在聚类中心选取的问题，如选取不当，则会直接影响最终的分割效果。此外，传统的分割方法本身无法学习，依赖于先验知识，需要人员的干预且严重依赖操作员的主观经验，调参过程也较为复杂，且脑血肿区域的分割精度普遍不高，不利于实际应用。

深度学习是目前图像分割的一种主流解决方案的技术支撑方式，现有的医学图像分割的网络架构普遍是基于全卷积网络(FCN)或是U型全卷积网络进行改进设计。虽然基于深度学习的颅内血肿自动分割方法极大的提高了分割的速度和自动化程度，但这些方法往往对于切片间的上下文信息提取不够充分，且大多数模型通过极大增加模型复杂度和参数量的形式来获得微弱的性能提升。因此，这些方法得到的分割结果仍有很大提升空间。此外，由于人脑结构的复杂性、差异性以及颅内血肿病灶在CT影像上存在不规则性、渐变性和尺度的多变性，采用深度学习的方法分割颅内血肿仍然存在很大挑战。

发明内容

本发明要解决的技术问题是：

现有的基于深度学习的CT图像分割方法，对于切片间的上下文信息提取不够充分，难以对存在不规则性、渐变性和尺度的多变性的颅内出血病灶的CT图像进行准确分割。

本发明为解决上述技术问题所采用的技术方案：

本发明提供了一种基于差分卷积的颅内出血CT图像分割方法，包括如下步骤：

S1、采集颅内出血患者的头部平扫CT图像数据，构建颅内出血CT图像数据集；

S2、对数据进行归一化处理，包括空间归一化和信号归一化；

S3、构建颅内出血CT图像分割网络模型，所述模型基于3D U-Net网络，模型构建有3D CDC模块，以实现挖掘CT图像数据中切片间的上下文信息，还构建有3D CA注意力模块，在通道注意力中嵌入位置信息，使网络更加关注有效的脑血肿区域；

S4、采用所述颅内出血CT图像分割网络模型对颅内出血CT图像的出血病灶进行分割。

进一步地，所述归一化处理包括空间归一化和信号归一化，所述空间归一化对原始CT数据进行重采样以统一体素间距，具体为首先依据搜集的临床真实的数据集定义了一个可以覆盖正常人大脑的标准的体素空间大小250×250×N mm³，N由切片数量和层厚决定，然后将每一张切片的分辨率大小统一为512×512，数据和标签的重采样均通过插值实现。

进一步地，所述信号归一化为：

首先对数据的HU值进行截断至[0，100],然后对数据进行了开窗操作，具体开窗公式为：

其中I_ow(x,y)表示坐标(x,y)的像素开窗后的像素值，I(x,y)表示原像素,WW代表窗宽，I_min＝0,I_max＝100；

完成开窗操作后在像素值大于0的区域内进行了像素归一化操作，其中归一化的公式为：

其中I_ow代表开窗后的大脑体素，Mean为像素值大于0的区域内所有体素的均值，Std为像素值大于0的区域内所有体素的标准差，I_normalized代表信号归一化后的大脑体素。

进一步地，所述的3D CDC模块在切片维度上进行差分操作，即通过在卷积中引入差分信息以表征边缘上下切片的突变和细节特征，进一步挖掘蕴含于医学图像中切片间的上下文信息。

进一步地，所述3D CDC模块的构建方法为：

其中，w(c_n)为卷积权重，x(c₀+c_n)为c₀的R邻域内的其它值，θ为超参数，y(c₀)_final为使用超参数θ的3D CDC卷积公式。

进一步地，超参数θ取值为0.3。

进一步地，所述的3D CA注意力模块将2D CA模块扩展到3D形式，将三维图像的三个维度获得位置信息嵌入到通道注意力。

进一步地，3D CA注意力模块基于的计算公式为：

f＝δ(F₁([z^h,z^w,z^d]))

gⁱ＝σ(F_i(fⁱ)),i＝h,w,d

其中，z^h、z^w、z^d分别为沿3D CT影像数据的宽度、高度、深度上进行平均池化得到的特征图，f为在宽度、高度、深度轴上编码得到的位置注意力特征图，[]为级联操作，δ为LeakyReLU激活函数，F为1x1卷积，σ为sigmoid激活函数，F_i为改变宽度、高度、深度轴的通道数的1x1卷积，y和x分别代表模块的输入和输出，gⁱ为不同轴的CA注意力的输出掩码图，将其与输入x进行运算之后得到经过3D CA注意力模块增强后的特征图y。

进一步地，所述的颅内出血CT图像分割网络模型为编码解码网络结构，编码部分由六个阶段构成，前三个阶段中每一个阶段的卷积部分由两个卷积核大小为1x3x3的3D卷积组成，卷积过程中使用InstanceNorm归一化和LeakyReLU激活函数，完成每个阶段的卷积激活之后使用池化层对特征图大小进行减半，经过池化层之后逐渐降低输出特征图的空间分辨率，后三个阶段中每一个阶段的卷积部分由两个卷积核大小为3x3x3的3D CDC卷积组成，卷积过程中使用InstanceNorm归一化和LeakyReLU激活函数，同样在每个阶段后采用池化层对特征图的大小进行减半，通过六个阶段的卷积池化操作依次完成特征提取，解码部分的每一个阶段经过转置卷积后与下采样的对应层进行特征融合，同时卷积形式与编码层相对应的阶段的卷积设定一致，同时构建有3D CA注意力模块，实现上采样过程，逐步恢复特征图的空间分辨率，最终完成分割任务。

进一步地，所述颅内出血CT图像分割网络模型的损失函数通过将Dice Loss以及交叉熵损失函数相结合构建，公式为：

Loss＝CELoss+DiceLoss

CELoss＝-P*log(GT)-(1-P)*log(1-GT)

其中，P_i和GT_i分别表示像素i的预测值和标签值，N为像素点总个数。

相较于现有技术，本发明的有益效果是：

本发明一种基于差分卷积的颅内出血CT图像分割方法，将3D CA注意力机制用于三维医学图像分割，通过在通道注意力中嵌入位置信息，让网络更加关注有效的脑血肿区域，解决了现有注意力方法无法有效提取长程信息、忽略空间位置信息导致精度不足的问题，进一步提升了模型的分割性能。本发明采用了3D CDC(中心差分卷积)，通过利用差分卷积可以充分挖掘蕴含在切片上下文的信息，解决了医学图像的三维分割过程中难以有效提取蕴含于切片间的切片间梯度信息导致的分割不准确问题，提升了CT图像血肿分割的精度。

附图说明

图1为本发明实施例中的基于差分卷积的颅内出血CT图像分割方法流程图；

图2为本发明实施例中的数据预处理结果图；

图3为本发明实施例中的CDC卷积结构示意图；

图4为本发明实施例中的2D CA模块结构示意图；

图5为本发明实施例中的3D CA模块结构示意图；

图6为本发明实施例中的CDC-UNet网络结构示意图；

图7为本发明实施例中的空间归一化、信号归一化及分割结果图。

具体实施方式

在本发明的描述中，应当说明的是，在本发明的实施例中所提到的术语“第一”、“第二”、“第三”仅用于描述目的，并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

具体实施方案一：如图1所示，本发明提供一种基于差分卷积的颅内出血CT图像分割方法，包括如下步骤：

S1、采集颅内出血患者的头部平扫CT图像数据，构建颅内出血CT图像数据集；

S2、对数据进行归一化处理，包括空间归一化和信号归一化；

S3、构建颅内出血CT图像分割网络模型，所述模型基于3D U-Net网络，模型构建有3D CDC模块，以实现挖掘CT图像数据中切片间的上下文信息，还构建有3D CA注意力模块，在通道注意力中嵌入位置信息，使网络更加关注有效的脑血肿区域；

S4、采用所述颅内出血CT图像分割网络模型对颅内出血CT图像的出血病灶进行分割。

具体实施方案二：如图2所示，由于收集到的原始的临床数据是通过不同的扫描仪或不同的采集参数进行采集，其体素间距、分辨率、切片数量往往存在较大差异而无法被神经网络直接处理，因而在送入模型训练前需要进行归一化处理将其格式统一。所述归一化处理包括空间归一化和信号归一化。神经网络无法理解医学图像中的体素间距(spacing)，且网络的输入一般为固定大小。为了避免体素间距差异对于网络性能的影响，对原始CT数据进行重采样以实现空间归一化统一体素间距。具体为首先依据搜集的临床真实的数据集定义了一个可以覆盖正常人大脑的标准的体素空间大小250×250×N mm³，N由切片数量和层厚决定，然后将每一张切片的分辨率大小统一为512×512，数据和标签的重采样均通过插值实现。本实施方案其它与具体实施方案一相同。

具体实施方案三：CT中使用HounsfieldUnits(HU)来反映组织对X射线的吸收程度，其同时可以用来反映组织的密度。在临床实践中，为了观察脑部组织的病变情况，影像学专家往往需要设定脑窗来观察。所述信号归一化为：

首先对数据的HU值进行截断至[0，100],然后对数据进行了开窗操作，具体开窗公式为：

其中I_ow(x,y)表示坐标(x,y)的像素开窗后的像素值，I(x,y)表示原像素,WW代表窗宽，I_min＝0,I_max＝100；

完成开窗操作后在像素值大于0的区域内进行了像素归一化操作，其中归一化的公式为：

其中I_ow代表开窗后的大脑体素，Mean为像素值大于0的区域内所有体素的均值，Std为像素值大于0的区域内所有体素的标准差，I_normalized代表信号归一化后的大脑体素。本实施方案其它与具体实施方案二相同。

具体实施方案四：如图3所示，所述的3D CDC模块在切片维度上进行差分操作，即通过在卷积中引入差分信息以表征边缘上下切片的突变和细节特征，进一步挖掘蕴含于医学图像中切片间的上下文信息。本实施方案其它与具体实施方案一相同。

具体实施方案五：所述3D CDC模块的构建方法为：

传统卷积算子在卷积核的初始化过程中没有显示的梯度编码限制导致其在训练过程中难以聚焦对于图像梯度信息的提取，进而影响到了边缘信息和切片间信息的分割精度。本实施方案根据目前三维医学图像分割中最常用的3x3x3卷积出发，定义基本的3D CDC卷积，假定邻域R为3x3x3的区域，其中基本的卷积公式如式(3)，3D CDC卷积的公式如式(4)，其在切片维度上进行差分操作，可以充分提取切片上下文信息。

差分卷积可以更好的提取边缘及切片间的信息，同时其容易受到噪声的影响，但是基本卷积可以有效的提取图像中的非梯度信息且抗噪声干扰的能力强于差分卷积。为了充分利用基本卷积和差分卷积的能力，引入超参数θ将基本卷积与3D CDC卷积进行了统一，统一后的公式如式(5)所示。

其中，y(c₀)为普通的3x3x3卷积的输出值，w(c_n)为卷积权重，x(c₀+c_n)为c₀的R邻域内的其它值，θ为调节普通卷积和CDC卷积权重的超参数，y(c₀)_cdc为原始CDC卷积，y(c₀)_final为使用超参数θ将基本卷积与3D CDC卷积进行了统一的最终公式。本实施方案其它与具体实施方案四相同。

具体实施方案六：超参数θ取值为0.3。本实施方案其它与具体实施方案五相同。

具体实施方案七：如图5所示，所述的3D CA注意力模块将2D CA模块扩展到3D形式，将三维图像的三个维度获得位置信息嵌入到通道注意力。本实施方案其它与具体实施方案一相同。

具体实施方案八：3D CA注意力模块基于的计算公式为：

f＝δ(F₁([z^h,z^w,z^d])) (6)

gⁱ＝σ(F_i(fⁱ)),i＝h,w,d (7)

其中，z^h、z^w、z^d分别为沿3D CT影像数据的宽度、高度、深度上进行平均池化得到的特征图，f为在宽度、高度、深度轴上编码得到的位置注意力特征图，[]为级联操作，δ为LeakyReLU激活函数，F为1x1卷积，σ为sigmoid激活函数，F_i为改变宽度、高度、深度轴的通道数的1x1卷积，y和x分别代表模块的输入和输出，gⁱ为不同轴的CA注意力的输出掩码图，将其与输入x进行运算之后得到经过3D CA注意力模块增强后的特征图y。本实施方案其它与具体实施方案七相同。

如图4所示，2D CA模块通过将位置信息嵌入到通道注意力中，在保持较少计算开销的同时关注对于捕捉结构重要的位置信息。CA模块通过精确的位置信息对通道关系和长期依赖性进行编码，具体操作为Coordinate信息嵌入和Coordinate Attention成两个步骤，先将输入特征图沿着宽度和高度两个方向分别进行全局平均池化，分别获得两个方向的特征图，接着将拼接后的特征图送入共享的卷积模块，并进行一系列操作直到最后得到最终在宽度和高度方向上带有注意力权重的特征图。本实施方案在2D CA模块的基础上，通过2D CA模块的公式将其拓展至3D形式，如公式(6)至(8)所示。仅通过添加少量的参数就能在通道注意力中嵌入3D图像的位置信息。对于三维医学图像的分割具有重要意义。

具体实施方案九：如图6所示，所述的颅内出血CT图像分割网络模型为编码解码网络结构，编码部分由六个阶段构成，前三个阶段中每一个阶段的卷积部分由两个卷积核大小为1x3x3的普通3D卷积组成，卷积过程中使用InstanceNorm归一化和LeakyReLU激活函数，完成每个阶段的卷积激活之后使用池化层对特征图大小进行减半，经过池化层之后逐渐降低输出特征图的空间分辨率，后三个阶段中每一个阶段的卷积部分由两个卷积核大小为3x3x3的3D CDC卷积组成，卷积过程中使用InstanceNorm归一化和LeakyReLU激活函数，同样在每个阶段后采用池化层对特征图的大小进行减半，通过六个阶段的卷积池化操作依次完成特征提取，解码部分的每一个阶段经过转置卷积后与下采样的对应层进行特征融合，同时卷积形式与编码层相对应的阶段的卷积设定一致，同时构建有3D CA注意力模块，实现上采样过程，逐步恢复特征图的空间分辨率，最终完成分割任务。本实施方案其它与具体实施方案一相同。

具体实施方案十：所述颅内出血CT图像分割网络模型的损失函数通过将DiceLoss以及交叉熵损失函数相结合构建，公式为：

Loss＝CELoss+DiceLoss (9)

CELoss＝-P*log(GT)-(1-P)*log(1-GT) (11)

其中，P_i和GT_i分别表示像素i的预测值和标签值，N为像素点总个数。本实施方案其它与具体实施方案一相同。

实施例1

为验证本发明的分割效果，采用本发明方法与现有网络的分割效果进行对比。

实验所用数据集来自天津医科大学总医院的颅内出血患者的头部平扫CT图像，CT切片的层厚为4.26-5.12mm，切片的分辨率为512×512，体素间距为(0.4492-0.625)mm×(0.4492-0.625)mm，切片数量为20-40不等。所有的数据都由天津医科大学总医院经验丰富的影像科医生进行精细的手动分割，同时在多位影像科医生之间进行交叉验证减轻标签受个人主观因素的干扰。对原始获取到的DICOM图像进行检查筛选，得到原始图像的CT图像值，保存成NIFTI格式便于后续网络训练。实验中将240例颅内出血脑部平扫CT数据按照6：2：2的比例随机划分为144个病例的训练集、48个病例的验证集、48个病例的测试集，对数据集数据进行归一化处理，包括空间归一化和信号归一化，归一化后的CT数据的每一个体素大小为在重采样过程中，数据的重采样使用Lanczos插值实现，标签的重采样使用最近邻插值实现。

图7中CT列为进行数据空间归一化和信号归一化后的数据，GT列为影像和临床专家标注的结果，其余各列分别展示了现有网络CDC-UNet、ResUNet、Attention UNet、3DVNet的分割结果及本发明的3D UNet的分割结果。从图中可以明显看出，本发明提出的CDC-UNet网络模型由于可以提取切片上下文信息进而减少错误分割和漏分割情况的出现，分割结果明显优于3D UNet和3D VNet模型。从数据a和d行可以看出，本发明的CDC-UNet具有更少的错分情况，较少出现将正常的组织分割为血肿的情况。同时与Attention UNet相比，CDC-UNet可以更加精准捕获血肿区域，漏掉的分割区域更少。在数据b、c和e行中，其它模型均存在没有精准捕获血肿区域的情况，且部分模型中遗漏的血肿区域较大，这会严重影响到临床计算血肿体积以进行治疗计划的制定。

利用提出的CDC-UNet颅内出血分割方法，可以实现颅内血肿病灶的自动精确分割,与目前较为主流的颅内血肿分割方法比较可以看出，该方法具有显著的优势，根据表1的结果表明，本方法可以有效提升颅内出血CT图像中血肿区域的分割精度，CDC-UNet以仅13.83M的参数量在DSC达到88.39％。与次优的Attention UNet相比，DSC提升了3.15％，HD95降低了7.88mm，在较少的参数量的情况下取得了优秀的分割性能。

表1

为了探究本发明提出的各个模块的有效性，通过消融实验评估提出模块的性能，其中消融实验的baseline为ICH数据驱动的3D U-Net变体，其中消融实验中使用除变动外其它所有设置均相同，消融实验结果如表2所示，其中向上的箭头表示数值越大实验结果越好，向下的箭头表示数值越小实验结果越好。

如表2所示，首先将Baseline中的普通卷积替换为了CDC卷积后，模型的DSC提升了4.33％，HD95降低了18.19mm，RVD降低了19.21％，NSD提升了2.84％，模型的参数量与Baseline保持一致。特别是在HD95及NSD两个指标上的变化充分表明边缘和切片上下文信息对于颅内出血CT图像分割的重要性，验证了差分卷积可以充分利用边缘信息及切片上下文信息，从而有效的提升了分割的整体精度和血肿边缘的精度。同时在Baseline中添加了3D CA模块，模型的DSC提升了2.49％，HD95降低了3.52mm，RVD降低了17.71％，NSD降低了1.17％，表明融合位置的通道注意力3D CA模块可以有效的增加模型的分割性能，但是对于肿瘤边缘及切片上下文信息的提取效果提升不大。最终将CDC与3D CA组合形成的CDC-UNet模型在DSC上较Baseline提升了4.66％，HD95下降了21.75mm，RVD下降了24.04％，NSD提升了2.38％，在颅内出血CT图像分割中实现了最佳的分割精度，表明两者的结合可以有效提升模型整体的分割性能和血肿边缘的分割能力，同时模型的参数量仅有微小的增加。

表2

虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本发明领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (9)

1.一种基于差分卷积的颅内出血CT图像分割方法，其特征在于，包括如下步骤：

S1、采集颅内出血患者的头部平扫CT图像数据，构建颅内出血CT图像数据集；

S2、对数据进行归一化处理，包括空间归一化和信号归一化；

S3、构建颅内出血CT图像分割网络模型，所述模型基于3D U-Net网络，模型构建有3DCDC模块，以实现挖掘CT图像数据中切片间的上下文信息，还构建有3D CA注意力模块，在通道注意力中嵌入位置信息，使网络更加关注有效的脑血肿区域；

S4、采用所述颅内出血CT图像分割网络模型对颅内出血CT图像的出血病灶进行分割；

所述的颅内出血CT图像分割网络模型为编码解码网络结构，编码部分由六个阶段构成，前三个阶段中每一个阶段的卷积部分由两个卷积核大小为1x3x3的3D卷积组成，卷积过程中使用InstanceNorm归一化和LeakyReLU激活函数，完成每个阶段的卷积激活之后使用池化层对特征图大小进行减半，经过池化层之后逐渐降低输出特征图的空间分辨率，后三个阶段中每一个阶段的卷积部分由两个卷积核大小为3x3x3的3D CDC卷积组成，卷积过程中使用InstanceNorm归一化和LeakyReLU激活函数，同样在每个阶段后采用池化层对特征图的大小进行减半，通过六个阶段的卷积池化操作依次完成特征提取，解码部分的每一个阶段经过转置卷积后与下采样的对应层进行特征融合，同时卷积形式与编码层相对应的阶段的卷积设定一致，同时构建有3D CA注意力模块，实现上采样过程，逐步恢复特征图的空间分辨率，最终完成分割任务。

2.根据权利要求1所述的基于差分卷积的颅内出血CT图像分割方法，其特征在于，所述归一化处理包括空间归一化和信号归一化，所述空间归一化对原始CT数据进行重采样以统一体素间距，具体为首先依据搜集的临床真实的数据集定义了一个覆盖正常人大脑的标准的体素空间大小250×250×N mm³，N由切片数量和层厚决定，然后将每一张切片的分辨率大小统一为512×512，数据和标签的重采样均通过插值实现。

3.根据权利要求2所述的基于差分卷积的颅内出血CT图像分割方法，其特征在于，所述信号归一化为：

首先对数据的HU值进行截断至[0，100],然后对数据进行了开窗操作，具体开窗公式为：

其中I_ow(x,y)表示坐标(x,y)的像素开窗后的像素值，I(x,y)表示原像素,WW代表窗宽，I_min＝0,I_max＝100；

完成开窗操作后在像素值大于0的区域内进行了像素归一化操作，其中归一化的公式为：

其中I_ow代表开窗后的大脑体素，Mean为像素值大于0的区域内所有体素的均值，Std为像素值大于0的区域内所有体素的标准差，I_normalized代表信号归一化后的大脑体素。

4.根据权利要求1所述的基于差分卷积的颅内出血CT图像分割方法，其特征在于，所述的3D CDC模块在切片维度上进行差分操作，即通过在卷积中引入差分信息以表征边缘上下切片的突变和细节特征，进一步挖掘蕴含于医学图像中切片间的上下文信息。

5.根据权利要求4所述的基于差分卷积的颅内出血CT图像分割方法，其特征在于，所述3D CDC模块的构建方法为：

其中，w(c_n)为卷积权重，x(c₀+c_n)为c₀的R邻域内的其它值，θ为超参数，y(c₀)_final为使用超参数θ的3D CDC卷积公式。

6.根据权利要求5所述的基于差分卷积的颅内出血CT图像分割方法，其特征在于，超参数θ取值为0.3。

7.根据权利要求1所述的基于差分卷积的颅内出血CT图像分割方法，其特征在于，所述的3D CA注意力模块将2D CA模块扩展到3D形式，将三维图像的三个维度获得位置信息嵌入到通道注意力。

8.根据权利要求7所述的基于差分卷积的颅内出血CT图像分割方法，其特征在于，3DCA注意力模块基于的计算公式为：

f＝δ(F₁([z^h,z^w,z^d]))

gⁱ＝σ＝(F_i(fⁱ)),i＝h,w,d

其中，z^h、z^w、z^d分别为沿3D CT影像数据的宽度、高度、深度上进行平均池化得到的特征图，f为在宽度、高度、深度轴上编码得到的位置注意力特征图，[]为级联操作，δ为LeakyReLU激活函数，F为1x1卷积，σ为sigmoid激活函数，F_i为改变宽度、高度、深度轴的通道数的1x1卷积，y和x分别代表模块的输入和输出，gⁱ为不同轴的CA注意力的输出掩码图，将其与输入x进行运算之后得到经过3D CA注意力模块增强后的特征图y。

9.根据权利要求1所述的基于差分卷积的颅内出血CT图像分割方法，其特征在于，所述颅内出血CT图像分割网络模型的损失函数通过将Dice Loss以及交叉熵损失函数相结合构建，公式为：

Loss＝CELoss+DiceLoss

CELoss＝-P*log(GT)-(1-P)*log(1-GT)

其中，P_i和GT_i分别表示像素i的预测值和标签值，N为像素点总个数。