CN113808085B 脑部ct图像的分割模型的训练方法、分割方法和训练装置 （深圳先进技术研究院）

本发明公开了一种脑部CT图像的分割模型码网络对若干不同通道数的特征图进行空间信2获取待训练的编码网络根据带标签信息的脑部CT样本图像得到获取待训练的解码网络根据所述输入特征图得到的分割结果，计算所述分割结果与脑部CT样本图像的标签信息之间的所述解码网络包括由高级别至低级别依次级联的若干融合模块，征图的空间信息进行加权处理，所述通道融合单元用于对特征图的通道信息进行加权处所述空间融合单元对特征图的空间信息进行加权处理的方法包括所述通道融合单元对特征图的通道信息进行加权处理的方法包括：3将所述脑部CT图像输入到根据权利要求1至2任一项所述的训练方法进行训练得到的第一获取单元，用于获取待训练的编码网络根据带标签信层特征图，每次卷积池化处理后输出一份中间层特征图并作为下一次卷积池化处理的输第二获取单元，用于获取待训练的解码网络根据所述输入中所述解码网络对若干不同通道数的特征图进行空间信息融合处理和通道信息融合处理，训练单元，用于计算所述分割结果与脑部CT样本图像所述差异更新所述编码网络和所述解码网络所述解码网络包括由高级别至低级别依次级联的若干融合模块，征图的空间信息进行加权处理，所述通道融合单元用于对特征图的通道信息进行加权处所述空间融合单元对特征图的空间信息进行加权处理的方法包括所述通道融合单元对特征图的通道信息进行加权处理的方法包括：4习中采用的卷积神经网络较为单一，且全连接层的加入使得网络整体训练参数较为庞大，5进行加权处理，所述聚合单元用于聚合所述空间融合单元和所述通道融合单元的输出数据，所述上采样卷积单元用于对上一级所述融合模块的聚合单元输出的数据进行上采样、[0022]分别对所述平均值特征图和所述最大值特征图进行卷积处理，并通过PReLu函数[0026]根据所述通道信息权重对所述输入的特征图进行sigmoid变换，得到所述通道融[0029]将所述脑部CT图像输入到根据上述的训练方法进行训练得到的脑部CT图像的分6[0032]第二获取单元，用于获取待训练的解码网络根据所述输入特征图得到的分割结根据所述差异更新所述编码网络和所述解码7脑部CT样本图像的标签信息之间的差异来调整[0049]步骤S10：获取待训练的编码网络根据带标签信息的脑部CT样本图像得到的输入由于在CT图像中各组织的HounsfieldUnit(HU)相差较大，需要选定窗口以更好表现脑实8进得到的，首先对脑部CT样本图像进行一次3×3卷积操作获得32通道的特征图像Conv1/图的通道信息进行加权处理，聚合单元CAT用于聚合空间融合单元SIF和通道融合单元CIF的融合模块的上采样卷积单元UWC的输入数据为高层特征图，各个融合模块的空间融合单输入数据的通道数随着级别递减，最低级的融合模块的聚合单元CAT的输出数据为分割结9[0067]示例性地，对特征图上的每一个通道的空间信息进行压缩融合到同一个通道后将获得的通道信息权重通过简单的矩阵乘法加权到该通道融合单元CIF的输入，得到通CAT将通道融合单元CIF得到的通道信息和空间融合单元SIF得到的空间信息进行简单的连[0071]实施例二还提供了一种用于脑部CT图像的分割方法，所述分割方法包括如下步该病患不存在缺血性脑梗死病变。从而有效地实现了超急性期脑缺血的自动分割与检测，采集的超急性期HLI数据集和超急性期缺血性脑卒中分割数据集上进行实验验证。具体算法是基于Keras框架与Tensorflow后端的Python语言实现的，并使用4个24G的TITANRTX用训练集数据对网络训练了50个epoch，batch_size设置为16。同时使用自适应矩估计[0078]因此，训练参数一致的前提下用不同方法对超急性期脑缺血数据集进行分割评本实施例一得到分割模型在超急性期大面积脑缺血的自动分割和检不同通道数的特征图；第二获取单元400用于获取待训练的解码网络根据输入特征图得到元500用于计算分割结果与脑部CT样本图像的标签信息之间的差异，并根据差异更新编码器执行时实现实施例一的脑部CT图像的分割模型的训练方法或者实施例二的用于脑部CT据。计算机可读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[0083]上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施