申请/专利权人:长春理工大学
申请日:2023-10-09
公开(公告)日:2024-04-26
公开(公告)号:CN117934497A
主分类号:G06T7/11
分类号:G06T7/11;G06T11/40;G06V10/82;G06V10/774;G06N3/0464;G06N3/0455;G06N3/082
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:颅内血肿是由外伤或脑血管疾病引起的严重脑损伤,对它的准确诊断十分重要。在临床上实现对CT脑图像中的血肿进行分割,能够辅助医生进行临床诊断提供更好的帮助,还有助于制定下一步的治疗计划,具有很好的临床意义。目前,临床上常用的分割方法主要有手工分割、半自动分割和传统的阈值分割。然而,对于形状不规则和复杂的血肿,这些方法不准确且耗时。本发明采用深度学习方法,利用卷积网络和注意力机制相结合的模型对其进行血肿分割,能够准确识别病灶区域与正常组织之间的边界,并将血肿区域分割出来。本发明能够对硬膜下血肿、硬膜外血肿、蛛网膜下腔血肿和脑实质内血肿进行分割,并进行可视化展示,能实现了85.07%的均交并比和91.73%的均精确度。
主权项:1.一种基于CNN和注意力机制的颅内血肿分割方法,其特征在于,具体步骤为:构建网络模型:构建包括编码器和解码器的轻量级颅内血肿分割网络;准备数据集:选择颅内血肿CT影像数据集进行筛选、划分数据集,并按照硬膜外血肿、硬膜下血肿、脑实质血肿、蛛网膜下腔血肿这四种类型进行标注;训练网络模型:利用筛选好的数据集对网络模型进行训练,直至损失值到达设定范围且趋于平衡;微调模型:利用未使用过的颅内血肿CT影像数据集对模型进行评估、再次训练和微调,获得最终模型;保存模型:将最终确定的模型参数保存后加载到模型并保存。
全文数据:
权利要求:
百度查询: 长春理工大学 一种基于CNN和注意力机制的颅内血肿分割方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。