CN118037699A - 基于深度学习的头颅ct图像识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的头颅CT图像识别方法及系统，包括：首先，对原始及缩减的头颅CT图像使用预训练体素分析模型的初步识别单元提取脑部病变元素。随后，整合这些病变结构以获取关键结构数据，目的是全面分析病变区域以提升识别准确性。最终，利用集成循环神经网络的精细识别单元进一步优化病变识别和定位，实现高精度脑部病变检测。如此设计，通过先进的深度学习模型和算法，有效提升了头颅CT图像中脑部病变识别的准确性和效率，为临床诊断提供强有力的技术支持。

Description

基于深度学习的头颅CT图像识别方法及系统

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种基于深度学习的头颅CT图像识别方法及系统。

背景技术

随着医学影像技术的发展，计算机断层扫描(CT)成为了临床诊断中不可或缺的工具之一。头颅CT作为脑部疾病检测的常用手段，对于脑部损伤、肿瘤、出血等病变的早期发现与治疗具有重要意义。然而，传统的头颅CT图像分析主要依赖放射科医生的经验进行手动解读，这不仅耗时长，而且容易受到个体经验差异的影响，导致诊断结果存在一定的主观性和不确定性。而近年来，深度学习技术在图像识别、自然语言处理等领域取得了显著进展。特别是在医学图像分析领域，基于深度学习的方法能够自动学习图像中的复杂特征，提高了疾病诊断的准确性和效率。尽管如此，头颅CT图像由于其高维度特性以及脑部病变区域的复杂性，给精确识别和定位脑部病变带来了挑战。

发明内容

本发明的目的在于提供一种基于深度学习的头颅CT图像识别方法及系统。

第一方面，本发明实施例提供一种基于深度学习的头颅CT图像识别方法，包括：

针对原始头颅CT图像和根据该原始头颅CT图像进行缩减获取的粗糙头颅CT图像，分别基于预先完成训练的体素分析模型中的初步识别单元进行针对病变元素的提取操作，获得对应的原始病变结构和粗糙病变结构；所述病变元素为所述原始头颅CT图像中包括的脑部病变区域；

整合所述原始病变结构和所述粗糙病变结构，获得整合病变结构；所述整合病变结构用于表征所述脑部病变区域的关键结构数据；

针对所述原始头颅CT图像和所述整合病变结构，基于所述体素分析模型中根据循环神经网络的精细识别单元进行针对所述病变元素的提取操作，获得与所述病变元素相应的病变结构提取结果。

第二方面，本发明实施例提供一种服务器系统，包括服务器，所述服务器用于执行第一方面所述的方法。

相比现有技术，本发明提供的有益效果包括：采用本发明公开的一种基于深度学习的头颅CT图像识别方法及系统，通过对原始及缩减的头颅CT图像使用预训练体素分析模型的初步识别单元提取脑部病变元素。随后，整合这些病变结构以获取关键结构数据，目的是全面分析病变区域以提升识别准确性。最终，利用集成循环神经网络的精细识别单元进一步优化病变识别和定位，实现高精度脑部病变检测。如此设计，通过先进的深度学习模型和算法，有效提升了头颅CT图像中脑部病变识别的准确性和效率，为临床诊断提供强有力的技术支持。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定。对于本领域普通技术人员来讲，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相关的附图。

图1为本发明实施例提供的基于深度学习的头颅CT图像识别方法的步骤流程示意图；

图2为本发明实施例提供的计算机设备的结构示意框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

下面结合附图，对本发明的具体实施方式进行详细说明。

为了解决前述背景技术中的技术问题，图1为本公开实施例提供的基于深度学习的头颅CT图像识别方法的流程示意图，下面对该基于深度学习的头颅CT图像识别方法进行详细介绍。

步骤S201，针对原始头颅CT图像和根据该原始头颅CT图像进行缩减获取的粗糙头颅CT图像，分别基于预先完成训练的体素分析模型中的初步识别单元进行针对病变元素的提取操作，获得对应的原始病变结构和粗糙病变结构；所述病变元素为所述原始头颅CT图像中包括的脑部病变区域；

步骤S202，整合所述原始病变结构和所述粗糙病变结构，获得整合病变结构；所述整合病变结构用于表征所述脑部病变区域的关键结构数据；

步骤S203，针对所述原始头颅CT图像和所述整合病变结构，基于所述体素分析模型中根据循环神经网络的精细识别单元进行针对所述病变元素的提取操作，获得与所述病变元素相应的病变结构提取结果。

在本发明实施例中，示例性的，服务器接收到一张原始的头颅CT图像。这张图像是高清的，细节丰富，但同时也包含了大量的数据。为了加速处理过程，服务器还生成了这张图像的一个粗糙版本，即通过缩减获得的粗糙头颅CT图像。服务器调用预先完成训练的体素分析模型中的初步识别单元。这个单元被设计用来识别图像中的病变元素，即脑部病变区域。服务器将原始图像和粗糙图像分别输入到初步识别单元中。初步识别单元对两张图像进行分析后，输出了原始病变结构和粗糙病变结构。这些结构数据分别代表了原始图像和粗糙图像中识别到的病变区域。服务器现在拥有了两套病变结构数据，一套来自原始图像，一套来自粗糙图像。服务器进行整合操作，将原始病变结构和粗糙病变结构合并起来。这个过程旨在提取出两套数据中的共同点和关键点，以形成一个更全面、更精确的病变区域描述。整合后，服务器得到了一个整合病变结构。这个结构综合了原始图像和粗糙图像中的信息，更准确地表征了脑部病变区域的关键结构数据。服务器现在有了原始的头颅CT图像和整合后的病变结构数据。服务器调用体素分析模型中的精细识别单元。这个单元基于循环神经网络构建，能够对图像进行更深入的分析。服务器将原始图像和整合病变结构一起输入到精细识别单元中。精细识别单元对输入的数据进行了深入的分析和处理后，输出了与病变元素相应的病变结构提取结果。这个结果是对原始图像中病变区域的最终识别和分析结果，可以用于后续的医学诊断和治疗计划制定。

为了能够更加清楚的描述本申请实施例提供的方案，下面进行详细的说明。

在本发明实施例中，示例性的，原始头颅CT图像指的是通过计算机断层扫描(CT)技术获得的、未经任何处理或仅经过基本预处理的脑部影像数据。这种图像通常具有高分辨率和丰富的细节，能够清晰地展示脑部的结构和潜在的病变。比如，一个病人因为头痛来到医院，医生怀疑可以是脑部病变引起的，于是安排进行头颅CT扫描。扫描完成后，得到的图像就是原始头颅CT图像，它清晰地展示了病人的脑部结构，包括颅骨、脑组织、脑室等，以及可能存在的病变，如肿瘤、出血等。粗糙头颅CT图像是基于原始头颅CT图像进行缩减处理后得到的。缩减处理可以包括降低分辨率、减少数据维度或进行图像压缩等操作，目的是为了减少计算量和加速后续的处理过程。由于这种处理会导致图像细节的丢失，因此称为“粗糙”图像。继续上面的例子，为了加快分析速度，服务器可以对原始头颅CT图像进行缩减处理，比如将图像的分辨率降低一半。这样得到的图像就是粗糙头颅CT图像。虽然它的细节没有原始图像丰富，但仍然能够大致展示出脑部的结构和病变情况。体素分析模型是一种深度学习模型，专门用于处理三维图像数据(如CT图像)。它能够学习并识别图像中的特征，如脑部结构或病变区域。这种模型通常包括多个处理单元或层，用于提取不同级别的图像特征。研究人员使用大量的头颅CT图像训练了一个体素分析模型，该模型能够识别并标记出图像中的脑部病变区域。当服务器接收到新的头颅CT图像时，就可以调用这个模型来进行病变区域的自动识别和提取。初步识别单元是体素分析模型中的一个组成部分，负责进行初步的病变元素提取操作。它通常被设计为能够快速而准确地识别出图像中可能存在的病变区域，为后续的更精细分析提供基础。在体素分析模型中，初步识别单元可以是一个卷积神经网络(CNN)的某几层，这些层被训练来识别图像中的边缘、纹理等低级特征，并结合这些特征来判断哪些区域可以是病变区域。当服务器将原始或粗糙的头颅CT图像输入到初步识别单元时，它就会输出这些图像中可能存在的病变结构。病变元素指的是在头颅CT图像中能够表示脑部病变的特征或标记。脑部病变区域则是指图像中实际存在病变的脑部区域，如肿瘤、出血、梗塞等。在一张头颅CT图像中，一个明显的亮斑可能表示一个出血点，这个亮斑就是一个病变元素。而包含这个亮斑的整个区域(可以是一个圆形或不规则形状的区域)就是脑部病变区域。初步识别单元的任务就是识别出这些病变元素和病变区域，为后续的诊断和治疗提供依据。原始病变结构指的是从原始头颅CT图像中提取出的病变区域的结构信息。这些信息通常包括了病变的大小、形状、位置以及与周围组织的相对关系等。由于原始图像具有高分辨率和丰富的细节，因此提取出的原始病变结构也相对更加准确和详细。在一张原始头颅CT图像中，医生发现了一个疑似肿瘤的区域。通过深度学习模型的初步识别单元，服务器能够自动提取出这个肿瘤区域的结构信息，包括它的大小、形状、边缘是否清晰等，这些信息就构成了原始病变结构。粗糙病变结构是从粗糙头颅CT图像中提取出的病变区域的结构信息。由于粗糙图像是经过缩减处理的，因此提取出的病变结构信息可能不如原始病变结构详细和准确。然而，它仍然能够提供病变区域的大致位置和范围等信息，对于后续的快速分析和处理是有帮助的。继续上面的例子，服务器也可以对粗糙头颅CT图像进行同样的病变区域提取操作。虽然由于图像分辨率的降低，提取出的肿瘤区域的结构信息不如原始图像中的详细，但仍然能够大致确定肿瘤的位置和范围，这些信息就构成了粗糙病变结构。整合病变结构是通过整合原始病变结构和粗糙病变结构获得的一种更全面的病变区域描述。这个过程通常包括了对两种病变结构信息的对齐、融合和筛选等操作，旨在提取出它们之间的共同点和关键点，以形成一个更准确、更可靠的病变区域表征。服务器在获得原始病变结构和粗糙病变结构后，可以对它们进行整合操作。比如，它可以首先进行对齐操作，确保两种病变结构信息是在同一坐标系下的；然后进行融合操作，将两种信息结合起来形成一个更全面的病变区域描述；最后进行筛选操作，去除一些由于图像质量或识别误差导致的错误信息。这样得到的整合病变结构就能够更准确地表征脑部病变区域的关键结构数据。脑部病变区域的关键结构数据指的是对于医学诊断和治疗计划制定至关重要的病变区域结构信息。这些信息可以包括病变的大小、形状、位置、与周围组织的相对关系以及可能的病理类型等。通过准确地提取和表征这些关键结构数据，医生能够更好地理解病人的病情，并制定出更有效的治疗方案。在上面的例子中，整合病变结构提供了关于肿瘤区域的更全面和准确的信息。医生可以根据这些信息来判断肿瘤的大小、位置是否对周围脑组织造成了压迫或侵犯等关键结构数据。这些数据对于医生制定手术方案、选择放疗或化疗等后续治疗措施具有重要的指导意义。

此外，循环神经网络是一种深度学习模型，特别适用于处理序列数据。与传统的神经网络不同，RNN在处理当前输入时还会考虑之前的输入信息，因此具有记忆能力。在医学图像处理中，RNN可以用于分析图像序列(如CT扫描中的连续断层图像)或提取图像中的空间依赖关系。在头颅CT图像分析中，服务器可以利用RNN来构建一个精细识别单元，该单元能够结合之前识别的病变结构信息来更准确地提取当前图像中的病变元素。具体来说，服务器可以将整合病变结构和原始头颅CT图像一起输入到RNN中，RNN会根据这些输入信息来更新其内部状态，并输出与病变元素相应的更精细的病变结构提取结果。精细识别单元是体素分析模型中的一个重要组成部分，负责进行更精细、更准确的病变元素提取操作。它通常基于更复杂的深度学习结构(如RNN)构建而成，并结合了多种图像特征和分析技术来实现对病变区域的精确识别和定位。在头颅CT图像分析中，精细识别单元可以是一个基于RNN的深度学习模型。服务器将原始头颅CT图像和整合病变结构作为输入数据输入到这个模型中，模型会根据这些输入信息来识别并提取出图像中更精细的病变结构信息。这些信息可以用于后续的医学诊断和治疗计划制定中。病变元素是指在医学图像中能够表示疾病或异常结构的特征或标记。而病变结构提取结果则是指通过深度学习模型等图像处理技术从医学图像中提取出的关于病变区域的结构化信息描述。这些信息可以包括病变的大小、形状、位置以及与周围组织的相对关系等关键数据。在头颅CT图像分析中，病变元素可以是图像中的异常密度区域、结构变形或占位效应等特征。而病变结构提取结果则可以是关于这些异常区域的具体描述，如肿瘤的大小、形状和位置信息，以及它是否对周围的脑组织造成了压迫或侵犯等关键数据。这些数据对于医生制定个性化的治疗方案具有重要的指导意义。

在本发明实施例中，所述初步识别单元包括浅层特征提取器和深层特征提取器；所述浅层特征提取器包括采用跳跃连接结构设置的初步特征编码路径和初步特征解码路径；所述初步特征解码路径中各个特征扩展层都与所述深层特征提取器级联；前述步骤S201可以通过以下示例执行实施。

基于所述初步特征编码路径，针对待处理头颅CT图像进行针对所述病变元素的特征抽取处理；所述待处理头颅CT图像为所述原始头颅CT图像或所述粗糙头颅CT图像；

基于所述初步特征解码路径，针对所述初步特征编码路径的输出进行针对所述病变元素的特征整合处理；

基于所述深层特征提取器，针对所述初步特征解码路径中各个特征扩展层的输出进行针对所述病变元素的特征处理操作，获得所述初步识别单元输出的病变结构。

在本发明实施例中，示例性的，初步识别单元包括浅层特征提取器和深层特征提取器。浅层特征提取器设计有跳跃连接结构的初步特征编码路径和初步特征解码路径。这种结构有助于在特征提取过程中保留更多的空间信息和细节特征。初步特征解码路径中的每个特征扩展层都与深层特征提取器级联，以结合低层次和高层次的特征信息，提高识别精度。服务器接收了一张原始头颅CT图像和经过缩减处理的粗糙头颅CT图像。服务器首先调用预先训练好的体素分析模型中的初步识别单元。这个初步识别单元就像一个复杂的特征加工厂，它有两部分组成：浅层特征提取器和深层特征提取器。浅层特征提取器是一个初步筛选机器，负责快速捕捉图像中的基本特征，如边缘、纹理等，这些信息对于后续的病变识别至关重要。而深层特征提取器则像是一个精细分析机器，它会对这些基本特征进行更深入的分析和处理，以提取出更高级别的抽象特征。服务器将待处理头颅CT图像(无论是原始图像还是粗糙图像)输入到初步特征编码路径中，进行病变元素的特征抽取处理。这一步的目的是提取出图像中与病变相关的基本特征信息。当服务器接收到待处理的头颅CT图像后，它会首先将其送入初步特征编码路径中。这个路径就像是一条生产线，它会对待处理图像进行一系列的处理操作，如卷积、池化等，以提取出图像中的基本特征信息。这些基本特征信息就像是图像中的“指纹”，它们能够唯一地标识出图像中的不同部分，包括可能存在的病变区域。服务器将初步特征编码路径的输出送入初步特征解码路径中，进行病变元素的特征整合处理。这一步的目的是整合编码路径中提取出的特征信息，形成更具表征能力的特征表示。初步特征编码路径提取出的基本特征信息被送入初步特征解码路径中。这个路径就像是一个特征整合器，它会将这些基本特征信息进行整合和加工，形成更具表征能力的特征表示。这个过程就像是将多个碎片拼接成一个完整的图像，使得服务器能够更准确地识别出图像中的病变区域。同时，初步特征解码路径中的每个特征扩展层都与深层特征提取器级联，这意味着在特征整合的过程中，还会结合深层次的特征信息，进一步提高识别的准确性。服务器将初步特征解码路径中各个特征扩展层的输出送入深层特征提取器中进行针对病变元素的特征处理操作。这一步的目的是利用深层次的特征信息对病变元素进行更精细的识别和分析。初步特征解码路径输出的特征表示被送入深层特征提取器中。这个提取器就像是一个高级分析师，它会对这些特征表示进行更深入的分析和处理，以提取出更高级别的抽象特征。这些抽象特征能够更准确地描述图像中的病变区域，包括它们的大小、形状、位置等信息。通过这个过程，服务器能够更准确地识别出图像中的病变元素，为后续的诊断和治疗提供有力的支持。经过上述步骤的处理后，服务器获得初步识别单元输出的病变结构信息。这些信息包括了病变区域的位置、大小和形状等关键数据，对于医生进行疾病诊断和治疗计划制定具有重要的指导意义。最终，服务器输出了初步识别单元提取的病变结构信息。这些信息以数据的形式呈现给医生，帮助他们更准确地理解病人的病情。医生可以根据这些信息来制定个性化的治疗方案，提高治疗效果和病人的生活质量。同时，这些病变结构信息也可以作为后续深度学习和医学研究的宝贵数据资源。

为了能够更加清楚的描述本申请实施例提供的方案，下面进行更为详细的说明。

在本发明实施例中，示例性的，服务器接收了一张原始头颅CT图像，该图像显示了一个疑似肿瘤的区域。服务器首先会调用预先训练好的体素分析模型中的初步识别单元来处理这张图像。初步识别单元中的浅层特征提取器类似于一个初步筛选器，它会快速扫描图像并捕捉基本的特征信息，如边缘、纹理和密度变化等。这些特征信息对于后续的病变识别非常重要。而深层特征提取器则会对这些基本特征进行更深入的分析和处理。它类似于一个精细分析器，能够提取出更高级别的抽象特征，如病变区域的形状、大小和位置等。服务器将原始头颅CT图像输入到初步特征编码路径中。这个路径由多个卷积层和池化层组成，它们会依次对图像进行处理，提取出与病变相关的基本特征信息。例如，卷积层可以捕捉图像中的边缘和纹理信息，而池化层则可以对这些信息进行降维和抽象，提取出更具表征能力的特征。最终，初步特征编码路径会输出一个包含基本特征信息的特征图。服务器将初步特征编码路径输出的特征图送入初步特征解码路径中。这个路径由多个上采样层和卷积层组成，它们会对特征图进行逐步的解码和整合。上采样层可以将特征图的分辨率逐步提高，恢复出更多的空间信息。而卷积层则可以对这些空间信息进行进一步的加工和处理，形成更具表征能力的特征表示。在这个过程中，初步特征解码路径中的每个特征扩展层都会与深层特征提取器进行级联操作，将低层次的特征信息与高层次的特征信息进行融合和提炼。最终，初步特征解码路径会输出一个整合了多层次特征信息的病变结构图，其中高亮显示了疑似肿瘤的区域。服务器将初步特征解码路径输出的病变结构图送入深层特征提取器中进行进一步的处理。深层特征提取器由多个卷积层和全连接层组成，它们会对病变结构图进行更深入的分析和处理。卷积层可以进一步捕捉病变区域的形状、大小和位置等高级特征信息，而全连接层则可以对这些信息进行整合和提炼，形成更抽象的特征表示。通过这个过程，服务器能够更准确地识别出图像中的病变元素，并对其进行分类和定位。最终，深层特征提取器会输出一个包含病变元素详细信息的特征向量或分类结果。经过上述步骤的处理后，服务器获得了初步识别单元输出的病变结构信息。这些信息包括了疑似肿瘤区域的位置、大小和形状等关键数据。服务器可以将这些信息以可视化的方式呈现给医生，帮助他们更准确地理解病人的病情。医生可以根据这些信息来制定个性化的治疗方案，如手术切除、放疗或化疗等。同时，这些病变结构信息也可以作为后续深度学习和医学研究的宝贵数据资源，用于改进和优化模型性能。

在本发明实施例中，前述步骤S202可以通过以下示例执行实施。

针对所述粗糙病变结构进行尺度提升处理，以使尺度提升处理后的粗糙病变结构尺寸与所述原始病变结构相同；

针对所述原始病变结构和所述尺度提升处理后的粗糙病变结构进行融合处理，获得总体病变结构；

针对所述原始病变结构和所述尺度提升处理后的粗糙病变结构进行差异数据计算，获得片段病变结构；

根据所述总体病变结构和所述片段病变结构，针对所述病变元素的关键结构数据执行关键特征提取处理，获得增强的整合病变结构。

在本发明实施例中，示例性的，服务器首先接收到了一个粗糙的头颅CT图像，这个图像是对原始头颅CT图像进行缩减处理后得到的。服务器利用预先训练好的模型中的初步识别单元对粗糙图像进行处理，提取出了一个粗糙病变结构。然而，由于粗糙图像的分辨率较低，提取出的病变结构在尺寸上与原始病变结构存在较大的差异。为了解决这个问题，服务器对粗糙病变结构进行了尺度提升处理。这就像是将一幅小尺寸的图片放大到与另一幅大尺寸图片相同的尺寸。服务器采用了插值算法或超分辨率重建技术等方法，对粗糙病变结构进行放大和细节增强，使其尺寸与原始病变结构相同。这样，服务器就可以将两者进行后续的比较和融合处理。服务器现在拥有两个尺寸相同的病变结构：一个是基于原始头颅CT图像提取出的原始病变结构，另一个是经过尺度提升处理后的粗糙病变结构。这两个结构都包含了关于病变区域的信息，但由于来源和处理方式的不同，它们之间存在一些差异和互补性。为了充分利用这两个结构的信息，服务器对它们进行了融合处理。这就像是将两幅图片叠加在一起，使它们的信息相互融合和补充。服务器采用了加权平均、最大值融合或特征级联等方法，将原始病变结构和粗糙病变结构中的信息进行融合，获得了一个总体病变结构。这个总体病变结构综合了两个来源的信息，具有更高的可靠性和准确性。尽管服务器已经通过融合处理获得了一个总体病变结构，但原始病变结构和粗糙病变结构之间仍然存在一些细微的差异。这些差异可以是由于图像质量、处理算法或病变区域的特异性等因素引起的。为了进一步捕捉这些差异信息，服务器对原始病变结构和尺度提升处理后的粗糙病变结构进行了差异数据计算。这就像是对两幅图片进行逐像素的比较，找出它们之间的差异部分。服务器采用了差值计算、特征对比或深度学习等方法，对两个病变结构中的像素值、特征表示或分类结果进行比较和计算，获得了一个片段病变结构。这个片段病变结构突出了两个来源之间的差异部分，有助于服务器更全面地理解病变区域的特性和复杂性。最后，服务器根据总体病变结构和片段病变结构对病变元素的关键结构数据执行了关键特征提取处理。这就像是从一幅复杂的图片中提取出最关键和最具有代表性的特征信息。服务器利用了特征选择、特征融合或深度学习等方法，对总体病变结构和片段病变结构中的关键特征进行了提取和整合，获得了一个增强的整合病变结构。这个增强的整合病变结构不仅包含了原始病变结构和粗糙病变结构中的基本信息，还突出了它们之间的差异部分和关键特征。这使得服务器能够更全面、准确地理解病变区域的特性和复杂性，为后续的疾病诊断和治疗提供了有力的支持。同时，这个增强的整合病变结构也可以作为后续深度学习和医学研究的宝贵数据资源，用于改进和优化模型性能。

在本发明实施例中，前述针对所述原始病变结构和所述尺度提升处理后的粗糙病变结构进行融合处理，获得总体病变结构的步骤，可以通过以下示例执行实施。

针对所述尺度提升处理后的粗糙病变结构进行结构关联性评估，以清洗所述粗糙病变结构中的误检病变结构，获得评估后的粗糙病变结构；

针对所述评估后的粗糙病变结构，提取结构中所述病变元素的关键结构数据，并对该关键结构数据执行扩张处理，获得扩张后的粗糙病变结构；

将所述原始病变结构和所述扩张后的粗糙病变结构进行融合处理，获得总体病变结构。

在本发明实施例中，示例性的，服务器首先对经过尺度提升处理后的粗糙病变结构进行结构关联性评估。这个评估的目的是为了识别和清除由于图像处理过程中引入的误检病变结构，即那些实际上并不属于病变区域但被错误地标记为病变的部分。在实际操作中，服务器会利用预先定义的评估标准或算法，比如基于形态学特征、空间位置关系、纹理特征等，对粗糙病变结构中的各个部分进行关联性评估。例如，服务器会检查病变区域的形状是否规则、大小是否合适、与周围组织的边界是否清晰等。通过这一步骤，服务器能够识别并清除那些明显不符合病变特征的误检结构，从而获得一个更为准确和可靠的评估后的粗糙病变结构。在清除了误检病变结构后，服务器接下来会针对评估后的粗糙病变结构进行进一步处理。它首先会提取结构中病变元素的关键结构数据，这些数据可以包括病变区域的边界坐标、面积大小、密度值等关键信息。提取到这些关键结构数据后，服务器会对它们执行扩张处理。扩张处理的目的是为了增强病变区域的特征表示，使其在后续的融合处理中能够发挥更大的作用。扩张处理可以采用多种方法，比如基于形态学的膨胀操作、基于像素值的邻域扩张等。通过扩张处理，服务器能够获得一个扩大了的病变区域表示，即扩张后的粗糙病变结构。这个结构在保持了原始病变信息的基础上，进一步强调了病变区域的特征和重要性。最后，服务器将原始病变结构和扩张后的粗糙病变结构进行融合处理。融合处理的目的是为了将两个来源的病变信息有效地结合在一起，形成一个更为全面和准确的病变表示。在实际操作中，服务器可以采用多种融合方法，比如加权平均融合、最大值融合、特征级联融合等。具体选择哪种融合方法取决于病变区域的特性和处理需求。通过融合处理，服务器能够获得一个总体病变结构。这个总体病变结构综合了原始病变结构和扩张后的粗糙病变结构中的信息，既保留了原始病变的详细特征，又增强了病变区域的表示能力。这样的总体病变结构为后续的疾病诊断和治疗提供了更为准确和可靠的数据支持。

在本发明实施例中，所述病变元素包括尺寸不超过预置尺寸阈值的小尺寸病变元素和尺寸超过所述预置尺寸阈值的大尺寸病变元素；前述根据所述总体病变结构和所述片段病变结构，针对所述病变元素的关键结构数据执行关键特征提取处理，获得增强的整合病变结构的步骤，可以通过以下示例执行实施。

针对所述总体病变结构中所述病变元素的关键结构数据执行关键特征提取处理，获得第一关键结构数据；

针对所述第一关键结构数据与所述片段病变结构进行加权合并，获得所述小尺寸病变元素的关键结构数据；

针对所述第一关键结构数据与所述小尺寸病变元素的关键结构数据进行差异数据计算，获得所述大尺寸病变元素的关键结构数据；

针对所述小尺寸病变元素的关键结构数据指示的关键结构数据执行扩张处理，并根据扩张后的小尺寸病变元素的关键结构数据、所述总体病变结构和扩张前的小尺寸病变元素的关键结构数据获得所述小尺寸病变元素除关键结构数据外的小尺寸病变补充数据；

根据扩张后的小尺寸病变元素的关键结构数据、所述大尺寸病变元素的关键结构数据和所述总体病变结构获得所述大尺寸病变元素除关键结构数据外的大尺寸病变补充数据；

根据预设基础图像与所述总体病变结构的差异确定所述原始头颅CT图像中的非目标区域数据；

根据所述非目标区域数据、所述小尺寸病变元素的关键结构数据、所述小尺寸病变补充数据、所述大尺寸病变元素的关键结构数据、所述大尺寸病变补充数据获得整合病变结构。

在本发明实施例中，示例性的，服务器首先会对接收到的头颅CT图像中的病变元素进行尺寸分类。根据预设的尺寸阈值，病变元素被分为两类：尺寸不超过预置尺寸阈值的小尺寸病变元素和尺寸超过该阈值的大尺寸病变元素。例如，尺寸阈值可以设定为5毫米，那么小于或等于5毫米的病变元素被视为小尺寸病变元素，而大于5毫米的则被视为大尺寸病变元素。服务器接下来会对总体病变结构中的病变元素进行关键特征提取处理。这些关键特征可以包括病变区域的形状、大小、密度、纹理等，它们是描述病变特性的重要指标。通过专门的算法或模型，服务器能够从总体病变结构中提取出这些关键特征，形成第一关键结构数据。对于小尺寸病变元素，服务器会采用一种加权合并的方法来处理。具体来说，它会将第一关键结构数据与片段病变结构进行加权合并。加权合并的过程类似于将两个不同来源的信息按照一定的权重进行融合，以获得更为准确和全面的结果。通过这种方式，服务器能够获得小尺寸病变元素的关键结构数据。对于大尺寸病变元素，服务器会采用差异数据计算的方法来进一步提取其关键结构数据。具体来说，它会将第一关键结构数据与小尺寸病变元素的关键结构数据进行差异数据计算。这个过程类似于找出两个数据集之间的差异部分，以突出大尺寸病变元素特有的特征。通过这种方式，服务器能够获得大尺寸病变元素的关键结构数据。在获得了小尺寸和大尺寸病变元素的关键结构数据后，服务器会进行进一步的扩张处理和补充数据获取。对于小尺寸病变元素的关键结构数据，服务器会执行扩张处理，以增强其在整合病变结构中的表示能力。同时，根据扩张后的小尺寸病变元素的关键结构数据、总体病变结构和扩张前的小尺寸病变元素的关键结构数据，服务器能够获得小尺寸病变元素除关键结构数据外的小尺寸病变补充数据。类似地，对于大尺寸病变元素，服务器也会根据相应的数据获得大尺寸病变补充数据。最后，服务器会根据预设的基础图像与总体病变结构的差异来确定原始头颅CT图像中的非目标区域数据。这些非目标区域数据可以包括正常的脑组织、血管、骨骼等，它们在病变检测和分析中不是主要关注的对象。在确定了非目标区域数据后，服务器会将其与小尺寸病变元素的关键结构数据、小尺寸病变补充数据、大尺寸病变元素的关键结构数据和大尺寸病变补充数据进行整合，最终获得一个完整的整合病变结构。这个整合病变结构综合了原始头颅CT图像中的各类信息，为后续的疾病诊断和治疗提供了全面、准确的数据支持。

在本发明实施例中，所述精细识别单元包括深度特征提取网络和特征细化网络；所述深度特征提取网络包括采用跳跃连接结构设置的精细特征编码路径和精细特征解码路径；所述精细特征编码路径包括多个特征抽取架构，该特征抽取架构包括级联的由特征加权层和与该特征加权层连接的特征聚合层组成的单元组，和由特征扩展层和与该特征扩展层连接的特征聚合层组成的单元组；所述精细特征解码路径包括多个特征合并架构，该特征合并架构包括级联的由特征扩展层和与该特征扩展层连接的特征扩展层组成的单元组，和由特征加权层和与该特征加权层连接的特征扩展层组成的单元组；所述精细特征解码路径中的各个特征扩展层和各个特征加权层均与所述特征细化网络连接；前述步骤S203可以通过以下示例执行实施。

基于所述精细特征编码路径，结合所述整合病变结构，根据循环神经网络针对所述原始头颅CT图像进行针对所述病变元素的特征抽取处理；

基于所述精细特征解码路径，结合所述整合病变结构，根据循环神经网络针对所述精细特征编码路径的输出进行针对所述病变元素的特征整合处理；

基于所述特征细化网络，针对所述精细特征解码路径中各个特征扩展层和各个特征加权层的输出进行针对所述病变元素的特征处理操作，获得与所述病变元素相应的病变结构提取结果。

在本发明实施例中，示例性的，首先，服务器会构建精细识别单元，该单元包括深度特征提取网络和特征细化网络。深度特征提取网络设计有跳跃连接结构的精细特征编码路径和精细特征解码路径。这种结构有助于在特征提取过程中保留更多的空间信息和细节特征。精细特征编码路径由多个特征抽取架构组成，每个特征抽取架构包括级联的单元组。这些单元组由特征加权层和与该特征加权层连接的特征聚合层组成，以及由特征扩展层和与该特征扩展层连接的特征聚合层组成。这种设计使得网络能够同时关注到不同层级的特征，并通过加权和聚合操作进行特征的有效融合。精细特征解码路径则包括多个特征合并架构，每个特征合并架构同样由级联的单元组构成。这些单元组由特征扩展层和与该特征扩展层连接的特征扩展层组成，以及由特征加权层和与该特征加权层连接的特征扩展层组成。这种结构有助于在解码过程中逐步恢复空间分辨率，并通过特征扩展和加权操作进行特征的细化和增强。此外，精细特征解码路径中的各个特征扩展层和各个特征加权层均与特征细化网络连接。这意味着在特征解码的过程中，特征细化网络可以对各个层级的特征进行进一步的细化和优化，从而提升病变元素的识别准确性。当服务器接收到原始头颅CT图像和整合病变结构后，它会首先基于精细特征编码路径，结合整合病变结构，根据循环神经网络对原始头颅CT图像进行针对病变元素的特征抽取处理。这个过程类似于使用专业的筛子(循环神经网络和精细特征编码路径)从原始的矿石(头颅CT图像)中筛选出有价值的矿石颗粒(病变元素的特征)。升病变元素的识别准确性。在完成了特征抽取处理后，服务器会进一步基于精细特征解码路径，结合整合病变结构，根据循环神经网络对精细特征编码路径的输出进行针对病变元素的特征整合处理。这个过程类似于将筛选出的矿石颗粒(病变元素的特征)进行精细的加工和组合，以形成更有价值的成品(整合后的病变元素特征)。最后，服务器会基于特征细化网络，针对精细特征解码路径中各个特征扩展层和各个特征加权层的输出进行针对病变元素的特征处理操作。这个过程类似于对加工后的成品进行最后的质量检验和优化，以确保其满足特定的标准(病变元素的准确识别)。最终，服务器会获得与病变元素相应的病变结构提取结果，这些结果将为后续的疾病诊断和治疗提供重要的参考依据。

在本发明实施例中，所述特征加权层包括用于根据输入的病变结构进行权重分配的病变结构导向的注意力计算分支和用于根据所述整合病变结构特征获取标记的病变数据提取分支；所述病变结构导向的注意力计算分支包括依次连接的特征提取子网络、权重分配网络和特征重构子网络；所述特征提取子网络的出书节点与所述特征重构子网络的出书节点直通连接；所述病变数据提取分支与所述权重分配网络连接；前述基于所述特征加权层针对输入的病变结构和所述整合病变结构进行权重分配的步骤，可以通过以下示例执行实施。

基于所述特征提取子网络，针对输入的病变结构进行特征处理操作，获得待处理病变结构；

基于所述权重分配网络，根据所述待处理病变结构针对所述病变数据提取分支输出的各个局部区域计算查询因子，针对所述病变数据提取分支输出的各个局部区域中的各个标记计算匹配标签和内容实体，并根据所述查询因子、所述匹配标签和所述内容实体进行权重分配，获得权重分布图；

基于所述特征重构子网络，针对所述权重分布图进行特征处理操作，获得所述特征重构子网络的输出，并将该输出与特征提取子网络的输出累加获得当前特征加权层输出的病变结构。

在本发明实施例中，示例性的，服务器首先构建特征加权层，该层包括病变结构导向的注意力计算分支和病变数据提取分支。注意力计算分支依次由特征提取子网络、权重分配网络和特征重构子网络组成，其中特征提取子网络的输出节点与特征重构子网络的输出节点直接相连。病变数据提取分支则与权重分配网络连接。当服务器接收到输入的病变结构时，它会基于特征提取子网络对这些结构进行特征处理操作。例如，特征提取子网络可以通过卷积操作、池化操作等提取输入病变结构的边缘、纹理等特征，从而获得待处理病变结构。接下来，服务器会基于权重分配网络，根据待处理病变结构针对病变数据提取分支输出的各个局部区域计算查询因子。查询因子的计算涉及到病变区域的尺寸、形状、密度等特性。同时，服务器还会针对病变数据提取分支输出的各个局部区域中的各个标记计算匹配标签和内容实体。匹配标签可以表示病变的类型、位置等信息，而内容实体则可以包含病变的具体数据，如大小、形状等。在获得了查询因子、匹配标签和内容实体后，服务器会根据这些信息进行权重分配，生成一个权重分布图。这个权重分布图反映了不同病变区域和标记在后续处理中的重要性程度。最后，服务器会基于特征重构子网络对权重分布图进行特征处理操作。这可以包括将权重分布图与原始特征图进行融合，或者根据权重分布图对原始特征图进行加权等操作。经过特征重构子网络的处理后，服务器会获得该网络的输出，并将这个输出与特征提取子网络的输出进行累加，从而获得当前特征加权层输出的病变结构。这个输出的病变结构已经经过了权重的调整和优化，为后续的疾病诊断和治疗提供了更为准确和全面的数据支持。

在本发明实施例中，前述基于所述病变数据提取分支根据所述整合病变结构特征获取标记的步骤，可以通过以下示例执行实施。

针对所述整合病变结构进行划分，获得多个局部区域；

针对各个局部区域中包括的区域屏蔽数据进行集群化操作，获得每个数据对应的标记；

其中，所述区域屏蔽数据包括非目标区域数据、小尺寸病变元素的关键结构数据、小尺寸病变补充数据、大尺寸病变元素的关键结构数据、大尺寸病变补充数据；所述小尺寸病变元素包括所述病变元素中尺寸不超过预置尺寸阈值的元素；所述大尺寸病变元素包括所述病变元素中尺寸超过所述预置尺寸阈值的元素；所述小尺寸病变补充数据包括所述小尺寸病变元素中除关键结构数据外的数据；所述大尺寸病变补充数据包括所述大尺寸病变元素除关键结构数据外的数据。

在本发明实施例中，示例性的，服务器首先接收一个整合病变结构的图像，这是一个包含了多种病变元素的图像。为了更精细地处理这些病变元素，服务器会对这个整合病变结构进行划分，获得多个局部区域。每个局部区域都包含一部分病变元素，这样可以确保在处理过程中能够关注到每一个细节。在每个局部区域中，都可以包含一些区域屏蔽数据。这些数据可以是非目标区域的数据，也可以是小尺寸或大尺寸病变元素的关键结构数据或补充数据。服务器会针对这些区域屏蔽数据进行集群化操作。这意味着服务器会将这些数据按照其特性和属性进行分类和标记。例如，非目标区域数据可以是指那些与病变无关的区域，如正常的组织或器官部分。小尺寸病变元素可以是指那些尺寸较小的病变，如微小的肿瘤或结节。大尺寸病变元素则是指那些尺寸较大的病变，如大型肿瘤或器官的大范围病变。关键结构数据可以是指那些对于病变诊断和治疗至关重要的部分，如病变的边缘、形状或密度等信息。而补充数据则可以是指那些虽然不是关键结构，但对于全面了解病变情况有帮助的数据。通过集群化操作，服务器会为每个区域屏蔽数据分配一个标记。这个标记可以是一个数字、一个符号或一个字符串，用于表示该数据的类型和属性。例如，非目标区域数据可以被标记为“0”，小尺寸病变元素的关键结构数据可以被标记为“1”，小尺寸病变补充数据可以被标记为“2”，大尺寸病变元素的关键结构数据可以被标记为“3”，而大尺寸病变补充数据可以被标记为“4”。这些标记将有助于服务器在后续的处理中快速识别和区分不同类型的区域屏蔽数据，从而更准确地提取和分析病变元素的特征。

在本发明实施例中，所述体素分析模型基于以下方式获取。

获取样本实例，所述样本实例中包括多张样本头颅CT图像，且各个样本头颅CT图像配置有对应于所述病变元素的关键结构数据上的实际位置点的实际类别标签；

根据所述样本实例对体素分析模型进行增量式训练，获得完成训练的体素分析模型；

其中，在每次增量式训练中，基于预置代价函数，根据模型处理获得的病变结构预测提取结果中对应于所述病变元素的关键结构数据上的推断位置点的推断类别标签与所述实际类别标签，计算模型处理获得的推断值与实际值之间的目标代价参量，并根据该目标代价参量优化模型的模型结构。

在本发明实施例中，示例性的，服务器首先会从医疗数据库中获取一组样本实例。这些样本实例是多张已经标注好的样本头颅CT图像。每张图像上都配置有对应于病变元素的关键结构数据上的实际位置点的实际类别标签。例如，一个实际的病变点可以被标记为“肿瘤”或“出血”等具体的类别，并且这个点的位置信息也会被记录下来。服务器接下来会使用这些样本实例对体素分析模型进行增量式训练。增量式训练意味着模型会在每次训练后保留已学到的知识，并在新的训练数据上进行进一步的优化。在每次训练中，服务器会输入一张样本头颅CT图像，并通过模型处理获得病变结构的预测提取结果。这个结果中包含了对应于病变元素的关键结构数据上的推断位置点的推断类别标签。在每次增量式训练后，服务器会根据预置的代价函数来计算模型处理获得的推断值与实际值之间的目标代价参量。这个代价函数可以是交叉熵损失函数、均方误差损失函数等，用于衡量模型的预测结果与实际结果之间的差距。如果预测结果与实际结果相差较大，那么目标代价参量就会比较大，反之则会比较小。根据计算出的目标代价参量，服务器会对体素分析模型的模型结构进行优化。这个优化过程可以包括调整模型的参数、增加或减少模型的层数、改变模型的激活函数等。优化的目标是使得模型在下一次训练中能够更好地拟合样本数据，即使得目标代价参量尽可能小。通过多次增量式训练和优化，服务器最终会获得一个完成训练的体素分析模型。这个模型能够根据输入的头颅CT图像准确地识别出病变元素的位置和类别，为后续的医疗诊断和治疗提供有力的支持。

在本发明实施例中，所述预置代价函数包括采用协同代价函数的主要代价函数；前述基于预置代价函数，根据模型处理获得的病变结构预测提取结果中对应于所述病变元素的关键结构数据上的推断位置点的推断类别标签与所述实际类别标签，计算模型处理获得的推断值与实际值之间的目标代价参量的步骤，可以通过以下示例执行实施。

针对当前样本头颅CT图像中的各个所述实际位置点，确定当前点位置到该实际位置点的位置差异的加权系数；

基于所述主要代价函数，根据所述加权系数、所述推断类别标签和所述实际类别标签，计算模型处理获得的推断值与实际值之间的协同代价参量，并根据该协同代价参量确定目标代价参量。

在本发明实施例中，示例性的，在训练体素分析模型之前，服务器会先确定一个预置代价函数。这个函数是用来衡量模型预测结果与实际结果之间差距的。在这个场景中，预置代价函数包括一个主要代价函数，这里称其为“协同代价函数”。协同代价函数的设计目的是为了更全面地考虑模型在不同方面的表现，比如位置预测的准确性和类别预测的准确性。当服务器开始处理一张样本头颅CT图像时，它会针对图像中的每一个实际位置点进行计算。对于当前处理的点，服务器会确定该点位置到实际位置点的位置差异的加权系数。这个加权系数是根据位置差异的大小来计算的，差异越大，加权系数越大，表示这个位置点的预测结果对整体代价的贡献越大。有了加权系数之后，服务器会基于主要代价函数(即协同代价函数)来计算模型处理获得的推断值与实际值之间的协同代价参量。这个计算过程会同时考虑推断类别标签与实际类别标签之间的差异以及加权系数的影响。如果推断类别标签与实际类别标签相差很大，或者加权系数很大(即位置差异很大)，那么协同代价参量就会比较大。最后，服务器会根据计算出的协同代价参量来确定目标代价参量。目标代价参量是衡量模型整体表现的一个指标，它会综合考虑所有位置点的协同代价参量。如果协同代价参量普遍较大，那么目标代价参量也会比较大，表示模型的整体表现不佳。反之，如果协同代价参量普遍较小，那么目标代价参量也会比较小，表示模型的整体表现较好。通过这样的计算过程，服务器能够更全面地评估体素分析模型的表现，并根据评估结果对模型进行优化。这有助于提高模型的预测准确性，为后续的医疗诊断和治疗提供更可靠的支持。

在本发明实施例中，所述预置代价函数还包括次要代价函数，该次要代价函数包括结构性约束调节因子；前述基于预置代价函数，根据模型处理获得的病变结构预测提取结果中对应于所述病变元素的关键结构数据上的推断位置点的推断类别标签与所述实际类别标签，计算模型处理获得的推断值与实际值之间的目标代价参量的步骤，可以通过以下示例执行实施。

针对当前样本头颅CT图像中的各个小尺寸病变元素，根据所述推断类别标签对应的推断位置点进行样本抽取操作获得推断样本抽取数据，并根据所述实际类别标签对应的实际位置点进行样本抽取操作获得实际样本抽取数据；所述小尺寸病变元素为所述病变元素中尺寸不超过预置尺寸阈值的元素；

基于所述次要代价函数，根据所述推断样本抽取数据和所述实际样本抽取数据计算模型处理获得的推断值与实际值之间的皮尔逊相关系数；

将所述协同代价参量和所述皮尔逊相关系数的求和结果作为目标代价参量。

在本发明实施例中，示例性的，在训练体素分析模型之前，服务器除了确定包括主要代价函数(协同代价函数)的预置代价函数外，还会引入一个次要代价函数。这个次要代价函数特别针对小尺寸病变元素，并包含一个结构性约束调节因子，用于调整模型对小尺寸病变元素的敏感性。当服务器处理当前样本头颅CT图像时，它会特别关注图像中的小尺寸病变元素。这些元素是病变中尺寸较小、可能难以检测的部分。对于每个小尺寸病变元素，服务器会根据模型推断的类别标签和对应的推断位置点进行样本抽取操作，获得推断样本抽取数据。同时，服务器也会根据实际的类别标签和对应的实际位置点进行样本抽取操作，获得实际样本抽取数据。有了推断样本抽取数据和实际样本抽取数据后，服务器会基于次要代价函数来计算这两者之间的皮尔逊相关系数。皮尔逊相关系数是衡量两个变量之间线性相关程度的一个指标，其值域范围在-1到1之间。如果推断样本抽取数据与实际样本抽取数据高度相关，那么皮尔逊相关系数会接近1；如果两者无关或负相关，那么皮尔逊相关系数会接近0或负数。最后，服务器会将协同代价参量(由主要代价函数计算得出)和皮尔逊相关系数相加，得到的结果作为目标代价参量。这个目标代价参量综合考虑了模型在位置预测、类别预测以及小尺寸病变元素检测方面的表现。如果目标代价参量较小，说明模型在这三个方面的表现都较好；反之，则说明模型在某些方面需要进一步优化。通过这样的计算过程，服务器能够更全面、更准确地评估体素分析模型的表现，并根据评估结果对模型进行有针对性的优化。这有助于提高模型对小尺寸病变元素的检测能力，为后续的医疗诊断和治疗提供更全面、更准确的支持。

在本发明实施例中，所述样本抽取操作可以通过以下示例执行实施。

以位于所述小尺寸病变元素的关键结构数据上的位置点为基准点，以该小尺寸病变元素的平均尺寸的二分之一为样本抽取间距，针对关键结构数据上的各个位置点进行间隔样本抽取，获得与该位置点相关的其他预设数目个样本选取位置，并以该样本选取位置对应的位置数据获得样本抽取数据。

在本发明实施例中，示例性的，在处理当前样本头颅CT图像时，服务器特别关注到其中一个小尺寸病变元素，比如一个微小的肿瘤。这个肿瘤在图像中占据的像素数量较少，但仍然包含重要的诊断信息。为了更准确地分析这个小尺寸病变元素，服务器会执行样本抽取操作。首先，服务器会确定这个微小肿瘤的关键结构数据上的位置点，这些位置点是肿瘤的边缘或中心点等重要位置。接下来，服务器会以这些关键位置点为基准点，计算该小尺寸病变元素(即微小肿瘤)的平均尺寸。平均尺寸可以通过测量肿瘤在图像中的长度、宽度和高度等参数得出。然后，服务器会取这个平均尺寸的二分之一作为样本抽取间距。确定了样本抽取间距后，服务器会针对关键结构数据上的各个位置点进行间隔样本抽取。具体来说，服务器会从每个基准点出发，按照样本抽取间距向四周扩散，在每个间隔处选取一个样本选取位置。这样，服务器就能获得与该基准点相关的其他预设数目个样本选取位置。最后，服务器会根据这些样本选取位置对应的位置数据来获取样本抽取数据。这些样本抽取数据可以包括像素值、颜色信息、纹理特征等，它们共同构成了小尺寸病变元素的详细信息。通过这样的样本抽取操作，服务器能够从小尺寸病变元素中提取出更具代表性的数据，为后续的分析和处理提供更准确、更全面的信息支持。这对于提高医疗诊断的准确性和可靠性具有重要意义。

在本发明实施例中，所述获取样本实例可以通过以下示例执行实施。

将获取到的样本实例划分为学习实例集、评估实例集与校验实例集；所述评估实例集对应的模型输出用于确定体素分析模型中的优化调控参数；

其中，所述样本实例包括应用在脑部结构识别提取任务、应用在脑部异常区域识别提取任务和应用在脑部病变区域识别提取任务中的任意任务所对应的训练实例集；

其中，体素分析模型的模型结构优化利用梯度递减策略，根据设置的第一更新速率进行训练前期所设置高更新速率的训练，并根据设置的第二更新速率进行训练后期所设定高更新速率的训练；所述第一更新速率超过所述第二更新速率。

在本发明实施例中，示例性的，服务器从医疗数据库中获取到一组样本实例，这些样本实例是多张已经标注好的样本头颅CT图像，用于训练体素分析模型。在获取到这些样本实例后，服务器会将其划分为三个集合：学习实例集、评估实例集和校验实例集。学习实例集用于训练模型，让模型学习如何识别和处理头颅CT图像中的病变元素。评估实例集用于在训练过程中评估模型的性能，帮助确定模型中的优化调控参数。这些参数可以包括学习率、批量大小等，它们会影响模型的训练速度和效果。校验实例集用于在训练结束后验证模型的最终性能，确保模型在实际应用中具有良好的泛化能力。这些样本实例可以应用在脑部结构识别提取任务、脑部异常区域识别提取任务和脑部病变区域识别提取任务中的任意任务。服务器会根据具体的任务需求来选择合适的样本实例进行训练和验证。在训练体素分析模型的过程中，服务器会采用梯度递减策略来优化模型的模型结构。这意味着在训练前期，服务器会设置一个相对较高的第一更新速率进行快速训练，让模型迅速学习到样本实例中的基本信息和特征。随着训练的进行，服务器会逐渐降低更新速率到第二更新速率，进行更细致的训练和优化，以确保模型能够更准确地识别和处理复杂的病变元素。通过这样的训练策略，服务器能够在保证训练速度的同时提高模型的准确性和稳定性。最终得到的体素分析模型将能够更好地辅助医生进行脑部疾病的诊断和治疗工作。

本发明实施例提供一种计算机设备100，计算机设备100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，计算机设备100执行前述的基于深度学习的头颅CT图像识别方法。如图2所示，图2为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括存储器111、处理器112及通信单元113。为实现数据的传输或交互，存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如，可通过一条或多条通讯总线或信号线实现这些元件相互之间电性连接。

出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用配置有不同修改的各种实施例以适于预期的特定应用。

Claims (10)

1.基于深度学习的头颅CT图像识别方法，其特征在于，包括：

针对原始头颅CT图像和根据该原始头颅CT图像进行缩减获取的粗糙头颅CT图像，分别基于预先完成训练的体素分析模型中的初步识别单元进行针对病变元素的提取操作，获得对应的原始病变结构和粗糙病变结构；所述病变元素为所述原始头颅图像中包括的脑部病变区域；

整合所述原始病变结构和所述粗糙病变结构，获得整合病变结构；所述整合病变结构用于表征所述脑部病变区域的关键结构数据；

针对所述原始头颅CT图像和所述整合病变结构，基于所述体素分析模型中根据循环神经网络的精细识别单元进行针对所述病变元素的提取操作，获得与所述病变元素相应的病变结构提取结果。

2.根据权利要求1所述的方法，其特征在于，所述初步识别单元包括浅层特征提取器和深层特征提取器；所述浅层特征提取器包括采用跳跃连接结构设置的初步特征编码路径和初步特征解码路径；所述初步特征解码路径中各个特征扩展层都与所述深层特征提取器级联；

所述针对原始头颅CT图像和根据该原始头颅CT图像进行缩减获取的粗糙头颅CT图像，分别基于预先完成训练的体素分析模型中的初步识别单元进行针对病变元素的提取操作，获得对应的原始病变结构和粗糙病变结构，包括：

基于所述初步特征编码路径，针对待处理头颅CT图像进行针对所述病变元素的特征抽取处理；所述待处理头颅CT图像为所述原始头颅CT图像或所述粗糙头颅CT图像；

基于所述初步特征解码路径，针对所述初步特征编码路径的输出进行针对所述病变元素的特征整合处理；

基于所述深层特征提取器，针对所述初步特征解码路径中各个特征扩展层的输出进行针对所述病变元素的特征处理操作，获得所述初步识别单元输出的病变结构。

3.根据权利要求1所述的方法，其特征在于，所述整合所述原始病变结构和所述粗糙病变结构，获得整合病变结构，包括：

针对所述粗糙病变结构进行尺度提升处理，以使尺度提升处理后的粗糙病变结构尺寸与所述原始病变结构相同；

针对所述尺度提升处理后的粗糙病变结构进行结构关联性评估，以清洗所述粗糙病变结构中的误检病变结构，获得评估后的粗糙病变结构；

针对所述评估后的粗糙病变结构，提取结构中所述病变元素的关键结构数据，并对该关键结构数据执行扩张处理，获得扩张后的粗糙病变结构；

将所述原始病变结构和所述扩张后的粗糙病变结构进行融合处理，获得总体病变结构；

针对所述原始病变结构和所述尺度提升处理后的粗糙病变结构进行差异数据计算，获得片段病变结构；所述病变元素包括尺寸不超过预置尺寸阈值的小尺寸病变元素和尺寸超过所述预置尺寸阈值的大尺寸病变元素；

针对所述总体病变结构中所述病变元素的关键结构数据执行关键特征提取处理，获得第一关键结构数据；

针对所述第一关键结构数据与所述片段病变结构进行加权合并，获得所述小尺寸病变元素的关键结构数据；

针对所述第一关键结构数据与所述小尺寸病变元素的关键结构数据进行差异数据计算，获得所述大尺寸病变元素的关键结构数据；

针对所述小尺寸病变元素的关键结构数据指示的关键结构数据执行扩张处理，并根据扩张后的小尺寸病变元素的关键结构数据、所述总体病变结构和扩张前的小尺寸病变元素的关键结构数据获得所述小尺寸病变元素除关键结构数据外的小尺寸病变补充数据；

根据扩张后的小尺寸病变元素的关键结构数据、所述大尺寸病变元素的关键结构数据和所述总体病变结构获得所述大尺寸病变元素除关键结构数据外的大尺寸病变补充数据；

根据预设基础图像与所述总体病变结构的差异确定所述原始头颅CT图像中的非目标区域数据；

根据所述非目标区域数据、所述小尺寸病变元素的关键结构数据、所述小尺寸病变补充数据、所述大尺寸病变元素的关键结构数据、所述大尺寸病变补充数据获得整合病变结构。

4.根据权利要求1所述的方法，其特征在于，所述精细识别单元包括深度特征提取网络和特征细化网络；所述深度特征提取网络包括采用跳跃连接结构设置的精细特征编码路径和精细特征解码路径；所述精细特征编码路径包括多个特征抽取架构，该特征抽取架构包括级联的由特征加权层和与该特征加权层连接的特征聚合层组成的单元组，和由特征扩展层和与该特征扩展层连接的特征聚合层组成的单元组；所述精细特征解码路径包括多个特征合并架构，该特征合并架构包括级联的由特征扩展层和与该特征扩展层连接的特征扩展层组成的单元组，和由特征加权层和与该特征加权层连接的特征扩展层组成的单元组；所述精细特征解码路径中的各个特征扩展层和各个特征加权层均与所述特征细化网络连接；

所述针对所述原始头颅CT图像和所述整合病变结构，基于所述体素分析模型中根据循环神经网络的精细识别单元进行针对所述病变元素的提取操作，获得与所述病变元素相应的病变结构提取结果，包括：

基于所述精细特征编码路径，结合所述整合病变结构，根据循环神经网络针对所述原始头颅CT图像进行针对所述病变元素的特征抽取处理；

基于所述精细特征解码路径，结合所述整合病变结构，根据循环神经网络针对所述精细特征编码路径的输出进行针对所述病变元素的特征整合处理；

基于所述特征细化网络，针对所述精细特征解码路径中各个特征扩展层和各个特征加权层的输出进行针对所述病变元素的特征处理操作，获得与所述病变元素相应的病变结构提取结果。

5.根据权利要求4所述的方法，其特征在于，所述特征加权层包括用于根据输入的病变结构进行权重分配的病变结构导向的注意力计算分支和用于根据所述整合病变结构特征获取标记的病变数据提取分支；所述病变结构导向的注意力计算分支包括依次连接的特征提取子网络、权重分配网络和特征重构子网络；所述特征提取子网络的出书节点与所述特征重构子网络的出书节点直通连接；所述病变数据提取分支与所述权重分配网络连接；

基于所述特征加权层针对输入的病变结构和所述整合病变结构进行权重分配，包括：

基于所述特征提取子网络，针对输入的病变结构进行特征处理操作，获得待处理病变结构；

基于所述权重分配网络，根据所述待处理病变结构针对所述病变数据提取分支输出的各个局部区域计算查询因子，针对所述病变数据提取分支输出的各个局部区域中的各个标记计算匹配标签和内容实体，并根据所述查询因子、所述匹配标签和所述内容实体进行权重分配，获得权重分布图；

基于所述特征重构子网络，针对所述权重分布图进行特征处理操作，获得所述特征重构子网络的输出，并将该输出与特征提取子网络的输出累加获得当前特征加权层输出的病变结构。

6.根据权利要求5所述的方法，其特征在于，基于所述病变数据提取分支根据所述整合病变结构特征获取标记，包括：

针对所述整合病变结构进行划分，获得多个局部区域；

针对各个局部区域中包括的区域屏蔽数据进行集群化操作，获得每个数据对应的标记；

其中，所述区域屏蔽数据包括非目标区域数据、小尺寸病变元素的关键结构数据、小尺寸病变补充数据、大尺寸病变元素的关键结构数据、大尺寸病变补充数据；所述小尺寸病变元素包括所述病变元素中尺寸不超过预置尺寸阈值的元素；所述大尺寸病变元素包括所述病变元素中尺寸超过所述预置尺寸阈值的元素；所述小尺寸病变补充数据包括所述小尺寸病变元素中除关键结构数据外的数据；所述大尺寸病变补充数据包括所述大尺寸病变元素除关键结构数据外的数据。

7.根据权利要求1所述的方法，其特征在于，所述体素分析模型基于以下方式获取，包括：

获取样本实例，所述样本实例中包括多张样本头颅CT图像，且各个样本头颅CT图像配置有对应于所述病变元素的关键结构数据上的实际位置点的实际类别标签；

根据所述样本实例对体素分析模型进行增量式训练，获得完成训练的体素分析模型；

其中，在每次增量式训练中，基于预置代价函数，根据模型处理获得的病变结构预测提取结果中对应于所述病变元素的关键结构数据上的推断位置点的推断类别标签与所述实际类别标签，计算模型处理获得的推断值与实际值之间的目标代价参量，并根据该目标代价参量优化模型的模型结构。

8.根据权利要求7所述的方法，其特征在于，所述预置代价函数包括采用协同代价函数的主要代价函数；

所述基于预置代价函数，根据模型处理获得的病变结构预测提取结果中对应于所述病变元素的关键结构数据上的推断位置点的推断类别标签与所述实际类别标签，计算模型处理获得的推断值与实际值之间的目标代价参量，包括：

针对当前样本头颅CT图像中的各个所述实际位置点，确定当前点位置到该实际位置点的位置差异的加权系数；

基于所述主要代价函数，根据所述加权系数、所述推断类别标签和所述实际类别标签，计算模型处理获得的推断值与实际值之间的协同代价参量，并根据该协同代价参量确定目标代价参量；

所述预置代价函数还包括次要代价函数，该次要代价函数包括结构性约束调节因子；

所述基于预置代价函数，根据模型处理获得的病变结构预测提取结果中对应于所述病变元素的关键结构数据上的推断位置点的推断类别标签与所述实际类别标签，计算模型处理获得的推断值与实际值之间的目标代价参量，还包括：

针对当前样本头颅CT图像中的各个小尺寸病变元素，根据所述推断类别标签对应的推断位置点进行样本抽取操作获得推断样本抽取数据，并根据所述实际类别标签对应的实际位置点进行样本抽取操作获得实际样本抽取数据；所述小尺寸病变元素为所述病变元素中尺寸不超过预置尺寸阈值的元素；所述样本抽取操作包括：以位于所述小尺寸病变元素的关键结构数据上的位置点为基准点，以该小尺寸病变元素的平均尺寸的二分之一为样本抽取间距，针对关键结构数据上的各个位置点进行间隔样本抽取，获得与该位置点相关的其他预设数目个样本选取位置，并以该样本选取位置对应的位置数据获得样本抽取数据；

基于所述次要代价函数，根据所述推断样本抽取数据和所述实际样本抽取数据计算模型处理获得的推断值与实际值之间的皮尔逊相关系数；

将所述协同代价参量和所述皮尔逊相关系数的求和结果作为目标代价参量。

9.根据权利要求7所述的方法，其特征在于，所述获取样本实例包括：

将获取到的样本实例划分为学习实例集、评估实例集与校验实例集；所述评估实例集对应的模型输出用于确定体素分析模型中的优化调控参数；

其中，所述样本实例包括应用在脑部结构识别提取任务、应用在脑部异常区域识别提取任务和应用在脑部病变区域识别提取任务中的任意任务所对应的训练实例集；

其中，体素分析模型的模型结构优化利用梯度递减策略，根据设置的第一更新速率进行训练前期所设置高更新速率的训练，并根据设置的第二更新速率进行训练后期所设定高更新速率的训练；所述第一更新速率超过所述第二更新速率。

10.一种服务器系统，其特征在于，包括服务器，所述服务器用于执行权利要求1-9中任意一项所述的方法。