(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210513505.2 (22)申请日 2022.05.11 (71)申请人 复旦大学附属华 山医院 地址 200040 上海市 静安区乌鲁 木齐中路 12号 (72)发明人 张军　陈泓亦　耿道颖　王剑虹　 (74)专利代理 机构 上海汉声知识产权代理有限 公司 3123 6 专利代理师 胡晶 (51)Int.Cl. G06T 7/11(2017.01) G06T 7/33(2017.01) G06T 7/62(2017.01) G06V 10/25(2022.01) G06V 10/28(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G16H 30/20(2018.01) G16H 50/20(2018.01) G06N 3/04(2006.01) G06V 10/774(2022.01) (54)发明名称 脑干缺血性卒中的病灶自动分割和评分方 法及系统 (57)摘要 本发明提供了一种脑干缺血性卒中的病灶 自动分割和评分方法及系统， 包括对脑CT图像进 行预处理； 对脑干进行自动分割； 获取镜像脑干 图像和包含中脑、 脑桥和延髓区域的脑干图谱 Atlasstem， 对脑干和镜像脑干图像划分区域； 构 建脑干梗 死病灶检出分割网络模 型； 脑干梗 死病 灶检出分割网络模型含有三个编码器、 一个解码 器和六个差别计算模块， 每个编码器由三层卷积 层组成， 每个解码器由三层逆卷积层组成， 差别 计算模块包含多尺度的金字塔卷积和每个尺度 上的特征融合模块； 依据分割出的病灶进行预测 评分。 本发 明的病灶检出分割方法可以对病灶进 行快速、 准确而客观的检出与分割。 权利要求书6页 说明书17页 附图2页 CN 114926475 A 2022.08.19 CN 114926475 A 1.一种脑干缺血性卒中的病灶自动分割和评分方法， 其特征在于， 所述方法包括如下 步骤： 步骤S1： 获取脑CT平扫图像， 获取 标准脑图谱， 对脑CT图像进行配准和预处 理； 步骤S2： 对脑干进行自动分割， 使用3D  U‑net网络模型分割脑干， 3D  U‑net网络模型包 括编码器和解码 器， 编码器有三个子模块， 每个子模块包含两个卷积层， 解码 器包含三个子 模块， 每个子模块包 含两个卷积层， 损失函数为标准Dice分数； 步骤S3： 获取镜像脑干图像和包含中脑、 脑桥和延髓区域的脑干图谱Atlasstem， 对脑干 和镜像脑干图像划分区域； 步骤S4： 构建脑干梗死病灶检出分割网络模型； 脑干梗死病灶检出分割网络模型含有 三个编码器、 一个解码 器和六个差别计算模块， 每个编 码器由三层卷积层组成， 每个解码 器 由三层逆卷积层组成， 差别计算模块包含多尺度的金字塔卷积和每个尺度上的特征融合模 块； 步骤S5： 依据分割出的病灶进行 预测评分。 2.根据权利要求1所述的脑干缺血性卒中的病灶自动分割和评分方法， 其特征在于， 所 述步骤S1包括如下步骤： 步骤S1.1： 获取从脑CT平扫图像到标准脑图谱的变形场； 步骤S1.2： 使用变形场对脑CT图像进行配准； 步骤S1.3： 对步骤S1.2所 得图像进行颅骨去除； 步骤S1.4： 将步骤S1.3所 得图像的灰度值归一 化至0‑255； 步骤S1.5： 对步骤S1.4所 得图像进行 特征标注。 3.根据权利要求1所述的脑干缺血性卒中的病灶自动分割和评分方法， 其特征在于， 所 述步骤S2包括如下步骤： 步骤S2.1： 构建4层的3D  U‑net网络模型； 步骤S2.2： 利用步骤S1.5处理后的数据集输入3D  U‑net网络模型进行训练， 得到损失 函数和分割结果； 步骤S2.3： 依据损失函数和分割结果对网络模型进行参数调整和优化； 步骤S2.4： 生成并保存经 过调参优化后的模型； 步骤S2.5： 保存 模型分割的结果得到脑干图像Stemorigin。 4.根据权利要求1所述的脑干缺血性卒中的病灶自动分割和评分方法， 其特征在于， 所 述步骤S3包括如下步骤： 步骤S3.1： 对脑干图像Stemorigin做镜像操作， 获取镜像脑干Stemmirror； 步骤S3.2： 根据从脑干图谱A tlasstem到脑干图像Stemorigin的映射划分脑干区域； 步骤S3.3： 根据从脑干图谱A tlasstem到镜像脑干Stemmirror的映射划分脑干区域。 5.根据权利要求1所述的脑干缺血性卒中的病灶自动分割和评分方法， 其特征在于， 所 述步骤S4包括如下步骤： 步骤S4.1： 构建脑干梗死病灶检出分割网络模型； 步骤S4.2： 将步骤S3.4所得的脑干图像Stemorigin、 镜像脑干Stemmirror和获得的脑干图 谱Atlasstem输入模型； 步骤S4.3： 三个输入数据集分别通过模型中的三个编码器进行编码得到特 征图；权　利　要　求　书 1/6 页 2 CN 114926475 A 2步骤S4.4： 将步骤S4.2所 得的脑干图像Stemorigin的特征图输入解码器进行解码； 步骤S4.5： 将步骤S4.3所得的特征图按照脑干图像与镜像脑干、 原始图像与脑干图谱 的组合方式输入至 差别计算模块； 步骤S4.6： 在差别计算模块中首先对两个输入特征图M1和M2进行元素级相减得到差别 特征图S， 再分别在多尺度上进行金字塔卷积， 假设第i个尺度上的差别特征图为Si， 得到卷 积结果 其中， W1表示相减操作后的卷积层的参数， 代表卷积操作， 代表元素级相减， wi代表 在金字塔卷积中第i个尺度上的卷积层的参数； 步骤S4.7： 将每个尺度上的金字塔卷积结果输入特征融合模块， 假设在第n个尺度上的 输入为X， 在其第c个 通道使用平均池化提 取密集特征F1(Xc)， 并使用最 大化输出提 取密集特 征F2(Xc)： 其中， H、 W、 Z、 C分别代表所获取脑CT平扫图像的高度、 宽度、 层厚和通道数， h、 w、 z、 c分 别代表在计算时某个特定 输入的坐标； 步骤S4.8： 首先将两个密集特征F1(Xc)和F2(Xc)分别依次通过降维全连接层、 ReLU激活 函数、 升维全连接层和sigmo id激活函数， 获得激活密集特 征 和 其中， 代表卷积操作， Wi1代表降维全 连接层的参数， μ代表ReLU函数， Wi2代表升维全连 接层的参数， ω代 表sigmoid函数； 步骤S4.9： 对两个激活密集特 征进行元素级相加获得求和特 征Ssum； 其中， W2表示相加操作后的卷积层的参数， 代表元素级加法， 代表卷积操作； 步骤S4.10： 利用求和特征Ssum与特征融合模块第n个尺度上的输入X做通道级乘法进行 融合， 获得融合差别特 征Smix； Smix＝Ssum⊙X 其中，⊙代表通道级相乘操作； 步骤S4.11： 使用跳跃连接将Smix与步骤S4.4所得的解码器中对应分辨率的特征连接获 得连接特征Sskip， 共计三次连接依次得到连接特 征 和 步骤S4.12： 对 做逆卷积操作， 获得与 相同空间分辨率的特征结果 权　利　要　求　书 2/6 页 3 CN 114926475 A 3