基于深度学习的CT影像脑卒中精准分割  

Accurate segmentation of stroke in CT image based on deep learning

作　　者：郜峰利[1,2] 陶敏 李雪妍[1,2] 何昕 杨帆[3] 王卓[3] 宋俊峰[1,2] 佟丹[3] GAO Feng-li;TAO Min;LI Xue-yan;HE Xin;YANG Fan;WANG Zhuo;SONG Jun-feng;TONG Dan(College of Electronic Science and Engineering,Jilin University,Changchun 130012,China;State Key Laboratory of Integrated Optoelectronics,Jilin University,Changchun 130012,China;Radiology,The First Hospital of Jilin University,Changchun 130021,China)

机构地区：[1]吉林大学电子科学与工程学院,长春130012 [2]吉林大学集成光电子学国家重点实验室,长春130012 [3]吉林大学第一医院放射科,长春130021

出　　处：《吉林大学学报（工学版）》2020年第2期678-684,共7页Journal of Jilin University:Engineering and Technology Edition

基　　金：吉林省卫生专项科研项目(2018SCZWSZX-001);吉林省自然科学基金学科布局项目(20180101038JC).

摘　　要：为解决脑卒中病变的人工定位和定量分析耗时且缺乏一致性的问题,提出了基于多尺度U-Net深度网络模型,从非增强计算机断层扫描影像中分割脑卒中病变的高密度征,同时使用Dice损失函数训练模型以对抗数据中类不平衡问题。实验数据表明:该模型可端到端的以数据驱动的方式自动学习高密度征显著特征,有效地分割脑部小病灶区域。In order to manual localization and quantitative analysis of stroke lesions is time-consuming and lacks consistency. This paper proposes a multi-scale U-Net deep network method to segment high density sign of ischemic stroke from non-enhanced Computed Tomography(CT),and use the Dice loss to train the model to combat the class imbalance in the image. Experiments show that the model can automatically learn salient features of high density sign in an end-to-end data-driven manner,effectively segmenting small lesions.

关 键 词：影像医学与核医学 图像分割 脑卒中 深度学习 多尺度分析 

分 类 号：TP391.4[自动化与计算机技术—计算机应用技术]