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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD