脑部影像分割模型训练方法、分割方法及装置与流程

1.本发明涉及影像处理技术领域，尤其涉及脑部影像分割模型训练方法、分割方法及装置。


背景技术：

2.脑动脉的急性或慢性闭塞使得部分脑组织得不到充足的血液供应而梗死从而形成缺血型卒中。基于ct或者磁共振等医学影像，对脑组织的梗死区域进行分割标注，是医学影像处理中的一个热点。然而，缺血性卒中容易复发，而陈旧性的梗死和新发的梗死区的影像学表现在ct平扫、磁共振弥散权重影像上表现极为接近。现有的影像处理方法难以进行区分。


技术实现要素：

3.有鉴于此，本发明提供一种脑部影像分割模型训练方法、分割方法及装置，用以解决上述背景技术中存在的技术问题。
4.第一方面，本发明提供一种脑部影像分割模型训练方法，包括：获取患者脑部的扫描影像以及患者的症状对应的脑部分区模板；
5.基于所述扫描影像和所述脑部分区模板的数据集建立神经网络，并训练神经网络分割模型；
6.对所述脑部分区模板中的脑部分区进行加权，以获得脑部影像分割模型。
7.根据本发明的一个实施例，在所述神经网络分割模型的解码层中加入注意力机制。
8.根据本发明的一个实施例，获取患者的症状对应的脑部分区模板，包括：
9.获取患者的症状；
10.基于所述患者的症状，在预先设置的脑部分区的集合中，找到与所述症状对应的脑部分区模板。
11.根据本发明的一个实施例，所述患者的症状包括视觉瘫痪、表达性失语、半侧忽视、感知性失语、方向错乱、中央面部神经或舌下神经瘫痪、同侧偏盲、上肢瘫痪、下肢瘫痪、上肢感觉丧失、下肢感觉丧失、半侧脸部感觉丧失和构音障碍中的一种或多种。
12.根据本发明的一个实施例，所述脑部分区包括：丘脑、放射冠、基底节、大脑前动脉供血区，额极至中央前沟区域、大脑前动脉供血区，中央旁小叶区域、大脑前动脉供血区，新皮质楔前叶及顶上小叶区域、大脑中动脉供血区分区和大脑后动脉供血区，其中，一个所述症状对应包括至少一个脑部分区。
13.根据本发明的一个实施例，所述扫描影像包括ct平扫、ct增强、ct灌注、mr弥散、mr灌注和mr
‑
自旋回波标记中一个或多个影像。
14.第二方面，本发明还提供一种脑部梗死影像分割模型训练装置，包括：
15.获取模块，用于获取患者脑部的扫描影像以及患者的症状对应的脑部分区模板；
16.训练模块，用于基于所述扫描影像和所述脑部分区模板的数据集建立神经网络，并训练神经网络分割模型；
17.确定模块，用于对所述脑部分区模板中的脑部分区进行加权，以获得脑部梗死影像分割模型。
18.根据本发明的一个实施例，所述确定模块用于：在所述神经网络分割模型的解码层中加入注意力机制。
19.根据本发明的一个实施例，所述获取模块用于：
20.获取患者的症状；
21.基于所述患者的症状，在预先设置的脑部分区的集合中，找到与所述症状对应的脑部分区模板。
22.第三方面，本发明还提供一种脑部影像分割方法，包括：
23.获取待处理的扫描影像；
24.通过脑部影像分割模型对所述扫描影像进行分割处理，其中所述脑部影像分割模型为上述第一方面实施例的方法训练得到。
25.第四方面，本发明还提供一种脑部影像分割装置，包括：
26.获取模块，用于获取待处理的扫描影像；
27.处理模块，通过脑部影像分割模型对所述扫描影像进行分割处理，其中所述脑部影像分割模型为上述第一方面实施例的方法训练得到。
28.第五方面，本发明提供一种电子设备，包括：
29.存储器，用于存储由设备的一个或多个处理器执行的指令，以及
30.处理器，用于执行上述实施例中第一方面所述的方法。
31.第六方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器运行时，使得处理器执行上述第一方面实施例的方法。
附图说明
32.图1为本发明一个实施例的脑部影像分割模型训练方法的流程图；
33.图2为本发明一个实施例的基于标准脑的脑部分区模板示意图；
34.图3为本发明一个实施例的基于u
‑
net及注意力机制的双输入深度神经网络结构特征图；
35.图4为本发明一个实施例的电子设备的结构示意图。
具体实施方式
36.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。
37.本发明实施例提供的脑部影像分割模型训练方法，可以应用于电子设备中。例如，医疗检测设备。
38.由于缺血性卒中容易复发，陈旧性的梗死和新发的梗死区的影像学表现在ct平扫、磁共振弥散权重影像上表现极为接近，这使得现有的技术难以对这两种影像加以区分，从而难以准确判断假阳性的问题。本发明以卒中患者的症状对应患病脑区，再以该脑区作
为高权重，结合卒中患者就诊时的影像进行分割标注。可以有效降低现有仅基于影像的假阳性问题。
39.图1示出了本发明的脑部影像分割模型训练方法的流程图，包括以下步骤：
40.s110,获取患者脑部的扫描影像以及患者的症状对应的脑部分区模板。
41.以脑梗为例，在开展医学护理的过程中，会存有大量的关于脑梗的脑部的扫描影像，将这些扫描影像作为模型训练的第一种输入数据。例如，扫描影像可以使用ct平扫、ct增强、ct灌注、mr弥散、mr灌注、mr
‑
自旋回波标记等对脑梗死显影敏感的影像。
42.患者的症状对应的脑部分区模板，基于临床的表现就行症状与分区进行对应。如表1所示。
43.表1症状与梗死所在脑区对应表
44.脑部分区症状m1,m4凝视、或视觉瘫痪m1,m4表达性失语a3,m6半侧忽视m3,m6感知性失语a1,m1,m4方向错乱m5,cr,bg中央面部神经或舌下神经瘫痪p,m2,m3同侧偏盲m5,cr,bg上肢瘫痪a2,cr,bg下肢瘫痪m5,cr,bg,t上肢感觉丧失a2,cr,bg,t下肢感觉丧失m5,cr,t半侧脸部感觉丧失a1,m1,m4,bg构音障碍
45.其中：t为thalamus丘脑，cr为corona radiata放射冠，bg为basalganglion基底节,a1为大脑前动脉供血区，额极至中央前沟区域，a2为大脑前动脉供血区，中央旁小叶区域，a3为大脑前动脉供血区，新皮质楔前叶及顶上小叶区域，m1
‑
m6为经典的大脑中动脉供血区分区(参考aspects评分区域划分)，p为大脑后动脉供血区，包括了枕极、大脑内侧皮层以及大脑颞叶的内侧基底部。
46.图2为本发明基于标准脑的脑部分区模板示意图。从图2中可以看出脑部被分为多个区域，即这些区域与表1的分区对应，并且表1中的症状可以与这些分区出现闭塞有对应关系，根据患者的症状获得对应的脑区对应关系。
47.s120,基于所述扫描影像和所述脑部分区模板的数据集建立神经网络，并训练神经网络分割模型。
48.在本发明的一个实施例中，神经网络可以是包括深度神经网络等。优选地，可以为u
‑
net神经网落。
49.参考图3所示，图3示出了基于u
‑
net及注意力机制的双输入深度神经网络结构特征图。如图3所示，将卒中患者的扫描影像作为输入1(第一个输入数据)，将症状对应的脑区模板作为输入2(第二个输入数据)，在经过对输入1的数据进行5*5卷积处理，输入数据2的
数据进行3*3的卷积处理，用于特征提取，将提取的特征进行融合，最后输出结果。例如，梗死区分割标注。
50.其中，图3中的编码块定义为：
[0051][0052]
其中，f为卷积运算，表示为：
[0053][0054]
g为池化运算，表示为：
[0055][0056]
其中x为输入，k是卷积核，5*5编码块即k为5*5大小的卷积核。
[0057]
解码块定义为：
[0058][0059]
其中φ定义为双线性插值的上采样操作。
[0060]
mam模块的定义为：
[0061][0062]
α
x
＝σ(q
att
(x,g；θ
att
))
[0063][0064]
设输入的影像为i，模板图为a，编码块所在d层，
[0065]
模板图分支的第i层的解码块的输入为：
[0066]
e
a,d
‑
i
(a) φ(d
a，i
‑1(a))
[0067]
其中，d
.,i
‑1与e
.,d
相同，e
.,0
即与输入模板图矩阵大小一样的特征图。
[0068]
图像分支(上半部分)第i层解码块的输入为：
[0069]
e
i,i
‑
i
(i) φ(d
i,i
‑1(i),d
a,i
‑1(a))
[0070]
整个网络代表为φ，网络的最终输出即：
[0071]
φ
(i,a)
＝f(d
i,d
(i)
×
lbs(d
a,d
(a)))
[0072]
其中lbs代表使用阶梯线性归一化及sigmoid激活层。
[0073]
s130,对所述脑部分区模板中的脑部分区进行加权，以获得脑部影像分割模型。例如：结合表1，该患者右侧上肢瘫痪、中央面部神经及舌神经瘫痪，则m5、cr、bg区域图像标注为1，其余为0。
[0074]
根据本发明的一个实施例，在所述神经网络分割模型的解码层中加入注意力机制。基于此机制，利用区域检测网络提取的感兴趣区域作为注意力信息，使得网络更集中可能发生的病变区域，从而可以避免其它信息的干扰，能够提高模型的精准性，提高诊断效率。
[0075]
在本发明的一个实施例中，获取患者的症状对应的脑部分区模板，包括：获取患者的症状，其中症状可以是人为输入，也可以是机器自动检测得到。基于所述患者的症状，在预先设置的脑部分区的集合中，找到与所述症状对应的脑部分区模板。
[0076]
根据本发明实施例的模型训练方法得到的模型，以卒中患者的症状对应患病脑区，再以该脑区作为高权重，结合卒中患者就诊时的影像进行分割标注。可以有效降低现有仅基于影像的假阳性问题。例如蛛网膜下腔囊肿与卒中梗死病灶在ct平扫上均表现为低密度影，直接以影像进行分割，会将其它低密度影误认为梗死。本发明结合症状进行脑区权重，则可找到准确的症状对应的梗死灶。
[0077]
本发明还公开一种脑部梗死影像分割模型训练装置，包括：
[0078]
获取模块，用于获取患者脑部的扫描影像以及患者的症状对应的脑部分区模板；
[0079]
训练模块，用于基于所述扫描影像和所述脑部分区模板的数据集建立神经网络，并训练神经网络分割模型；
[0080]
确定模块，用于对所述脑部分区模板中的脑部分区进行加权，以获得脑部梗死影像分割模型。
[0081]
在本发明的一个实施例中，所述确定模块用于：在所述神经网络分割模型的解码层中加入注意力机制。
[0082]
在本发明的一个实施例中，所述获取模块用于：
[0083]
获取患者的症状；
[0084]
基于所述患者的症状，在预先设置的脑部分区的集合中，找到与所述症状对应的脑部分区模板。
[0085]
本发明的装置中的各模块的作用在上述实施例中已经详细说明，具体可参见上述图1所述的方法，此处不再赘述。
[0086]
此外，本发明还公开脑部影像分割方法，包括：获取待处理的扫描影像；
[0087]
通过脑部影像分割模型对所述扫描影像进行分割处理，其中所述脑部影像分割模型为图1所示的方法训练得到。
[0088]
参考图4，本发明还提供一种电子设备，包括：
[0089]
存储器410，用于存储由设备的一个或多个处理器执行的指令，以及
[0090]
处理器420，用于执行上述实施例中结合图1所解释的方法。
[0091]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器运行时，使得所述处理器执行上述实施例中图1所解释的方法。
[0092]
本发明公开的机制的各实施例可以被实现在硬件、软件、固件或这些实现方法的组合中。本发明的实施例可实现为在可编程系统上执行的计算机程序或程序代码，该可编程系统包括至少一个处理器、存储系统(包括易失性和非易失性存储器和/或存储元件)、至少一个输入设备以及至少一个输出设备。
[0093]
可将程序代码应用于输入指令，以执行本发明描述的各功能并生成输出信息。可以按已知方式将输出信息应用于一个或多个输出设备。为了本发明的目的，处理系统包括具有诸如例如数字信号处理器(digital signal processor，dsp)、微控制器、专用集成电路(application specific integrated circuit，asic)或微处理器之类的处理器的任何
系统。
[0094]
程序代码可以用高级程序化语言或面向对象的编程语言来实现，以便与处理系统通信。在需要时，也可用汇编语言或机器语言来实现程序代码。事实上，本发明中描述的机制不限于任何特定编程语言的范围。在任一情形下，该语言可以是编译语言或解释语言。
[0095]
在一些情况下，所公开的实施例可以以硬件、固件、软件或其任何组合来实现。所公开的实施例还可以被实现为由一个或多个暂时或非暂时性机器可读(例如，计算机可读)存储介质承载或存储在其上的指令，其可以由一个或多个处理器读取和执行。例如，指令可以通过网络或通过其他计算机可读介质分发。因此，机器可读介质可以包括用于以机器(例如，计算机)可读的形式存储或传输信息的任何机制，包括但不限于，软盘、光盘、光碟、光盘只读存储器(compact disc read only memory，cd
‑
roms)、磁光盘、只读存储器(read only memory，rom)、随机存取存储器(ram)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、电可擦除可编程只读存储器(electrically erasable programmable read only memory，eeprom)、磁卡或光卡、闪存、或用于利用因特网以电、光、声或其他形式的传播信号来传输信息(例如，载波、红外信号数字信号等)的有形的机器可读存储器。因此，机器可读介质包括适合于以机器(例如，计算机)可读的形式存储或传输电子指令或信息的任何类型的机器可读介质。
[0096]
在附图中，可以以特定布置和/或顺序示出一些结构或方法特征。然而，应该理解，可能不需要这样的特定布置和/或排序。而是，在一些实施例中，这些特征可以以不同于说明书附图中所示的方式和/或顺序来布置。另外，在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征，并且在一些实施例中，可以不包括这些特征或者可以与其他特征组合。
[0097]
虽然通过参照本发明的某些优选实施例，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。