脑干缺血性卒中的病灶自动分割和评分方法及系统

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Atlas

说明书

技术领域

本发明涉及医学图像处理的技术领域，具体地，涉及深度学习的脑干缺血性卒中的病灶自动分割和评分方法，尤其涉及基于深度学习的脑干缺血性卒中的病灶自动分割和评分方法。

背景技术

脑干缺血性卒中是指由于脑的急性椎基底动脉闭塞导致的脑组织梗死，脑干梗死约占所有急性缺血性卒中的10％。脑干梗死的预后很差，会导致严重的神经功能损伤和极高的死亡率。早期诊断和干预对改善预后至关重要，但在临床中由于假性卒中的存在使得诊断存在较大难度。为了确定最佳再通方法，需要针对病症进行病灶检出和脑干评分。

缺血性卒中可使用扩散加权磁共振成像(Magnetic resonance imaging,MRI)、数字减影血管造影(Digital subtraction angiography，DSA)、CT血管造影(CTangiography，CTA)可用于进行检测脑干梗死病灶，但MRI设备和检查费用昂贵、普及率低、检查时间长，DSA和CTA则为有创检查且检查时间较长，均无法满足早发现、早诊断、早治疗的要求。与上述的成像技术相比，非对比增强CT(Non-contrast computerized CT，NCCT)具有无创、快速和普及率高的特点，能快速对梗死病灶进行成像，是在常规急性卒中治疗过程中的首选检查方法。

虽然拥有众多优点，但在卒中症状出现的早期，在NCCT图像中识别卒中病灶区域仍然具有较大难度，尤其是对脑干梗死病灶的识别。这是由于在梗死早期，梗死区域在图像上的密度、体积等的变化不显著，且脑干区域还容易受到颅骨伪影的干扰。人工智能(Artificial intelligence，AI)是当前科学技术发展中的一门前沿学科，其强大的后处理能力和进一步学习、分析能力逐渐得到医疗界的认可，广泛应用于医学领域。随着人工智能技术的发展，人眼难以识别的卒中病灶区域可通过卷积神经网络(Convolutional neuralnetworks,CNN)进行训练和自动检出，但在目前的病灶检出研究中，存在训练集标注不准确、耗费大量时间、人工标注标准因数据采集延迟而失效的问题。

在公开号为CN113808191A的专利文献中公开了一种急性缺血性脑卒中病灶区的自动量化及三维建模方法，包括：对DWI序列的脑部图像进行去颅骨操作；对ADC序列的脑部图像进行去颅骨操作；基于已经去除颅骨的DWI和ADC脑部图像，创建新的磁共振弥散加权影像序列；对病灶区进行分割；对计算出的T1序列的脑部图像进行去颅骨操作；基于已去除颅骨的T1脑部图像，进行两种脑部解剖结构分区；将识别的病灶区域映射至两种脑部解剖结构分区，基于解剖结构分别计算出各个脑部解剖结构的病灶区体积以及占比；基于映射的结果进行三维建模。

因此，需要提出一种新的技术方案以改善上述技术问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种脑干缺血性卒中的病灶自动分割和评分方法及系统。

根据本发明提供的一种脑干缺血性卒中的病灶自动分割和评分方法，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Atlas

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。

优选地，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。

优选地，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Stem

优选地，所述步骤S3包括如下步骤：

步骤S3.1：对脑干图像Stem

步骤S3.2：根据从脑干图谱Atlas

步骤S3.3：根据从脑干图谱Atlas

优选地，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Stem

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；

步骤S4.4：将步骤S4.2所得的脑干图像Stem

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M

其中，W

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F

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F

其中，

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S

其中，W

步骤S4.10：利用求和特征S

S

其中，⊙代表通道级相乘操作；

步骤S4.11：使用跳跃连接将S

步骤S4.12：对

其中，W

步骤S4.13：对

其中，

步骤S4.14：对融合系数图S

其中，

步骤S4.15：依据分割特征S

优选地，所述步骤S5包括如下步骤：

步骤S5.1：依据脑干病灶掩模在脑干图像Stem

步骤S5.2：依据脑干图谱Atlas

步骤S5.3：按体素计算中脑、脑桥和延髓各区域中病灶的体积；

步骤S5.4：按体素计算中脑、脑桥和延髓各区域的整体体积；

步骤S5.5：分别对各区域病灶进行评分，病灶体素体积大于单侧本部位体积50％时加2分，小于单侧本部位体积50％时加1分，无病灶不加分。

本发明还提供一种脑干缺血性卒中的病灶自动分割和评分系统，所述系统包括如下模块：

模块M1：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；

模块M2：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；

模块M3：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Atlas

模块M4：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；

模块M5：依据分割出的病灶进行预测评分。

优选地，所述模块M1包括如下模块：

模块M1.1：获取从脑CT平扫图像到标准脑图谱的变形场；

模块M1.2：使用变形场对脑CT图像进行配准；

模块M1.3：对模块M1.2所得图像进行颅骨去除；

模块M1.4：将模块M1.3所得图像的灰度值归一化至0-255；

模块M1.5：对模块M1.4所得图像进行特征标注；

所述模块M2包括如下模块：

模块M2.1：构建4层的3D U-net网络模型；

模块M2.2：利用模块M1.5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；

模块M2.3：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；

模块M2.4：生成并保存经过调参优化后的模型；

模块M2.5：保存模型分割的结果得到脑干图像Stem

优选地，所述模块M3包括如下模块：

模块M3.1：对脑干图像Stem

模块M3.2：根据从脑干图谱Atlas

模块M3.3：根据从脑干图谱Atlas

模块M4.1：构建脑干梗死病灶检出分割网络模型；

模块M4.2：将模块M3.4所得的脑干图像Stem

模块M4.3：三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；

模块M4.4：将模块M4.2所得的脑干图像Stem

模块M4.5：将模块M4.3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；

模块M4.6：在差别计算模块中首先对两个输入特征图M

其中，W

模块M4.7：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F

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；

模块M4.8：首先将两个密集特征F

其中，

模块M4.9：对两个激活密集特征进行元素级相加获得求和特征S

其中，W

模块M4.10：利用求和特征S

S

其中，⊙代表通道级相乘操作；

模块M4.11：使用跳跃连接将S

模块M4.12：对

其中，W

模块M4.13：对

其中，

模块M4.14：对融合系数图S

其中，

模块M4.15：依据分割特征S

优选地，所述模块M5包括如下模块：

模块M5.1：依据脑干病灶掩模在脑干图像Stem

模块M5.2：依据脑干图谱Atlas

模块M5.3：按体素计算中脑、脑桥和延髓各区域中病灶的体积；

模块M5.4：按体素计算中脑、脑桥和延髓各区域的整体体积；

模块M5.5：分别对各区域病灶进行评分，病灶体素体积大于单侧本部位体积50％时加2分，小于单侧本部位体积50％时加1分，无病灶不加分。

与现有技术相比，本发明具有如下的有益效果：

1、本发明通过一系列的深度卷积神经网络模型实现了极高的自动化和集成化使用流程，降低了医生的操作难度，提高了医生临床诊断效率，并通过快速诊断节约从发病到治疗的时间，有效减少病例的神经功能损伤和死亡等情况的发生；

2、本发明基于普及率较高且使用成本较低的非对比CT，对预后较差且诊断难度最大的脑干缺血性卒中病灶进行检测和分割，能够快速准确计算脑干各区域的病灶体积和占比，并针对病灶进行客观科学的评分，为医生临床诊断提供量化的参考意见。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例提供基于深度学习的脑干缺血性卒中的病灶检出和脑干评分方法的流程图；

图2为本发明实施例模型的结构示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

根据本发明提供的一种脑干缺血性卒中的病灶自动分割和评分方法，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。

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Stem

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Atlas

步骤S3.1：对脑干图像Stem

步骤S3.2：根据从脑干图谱Atlas

步骤S3.3：根据从脑干图谱Atlas

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Stem

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；

步骤S4.4：将步骤S4.2所得的脑干图像Stem

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M

其中，W

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F

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F

其中，

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S

其中，W

步骤S4.10：利用求和特征S

S

其中，⊙代表通道级相乘操作；

步骤S4.11：使用跳跃连接将S

步骤S4.12：对

其中，W

步骤S4.13：对

其中，

步骤S4.14：对融合系数图S

其中，

步骤S4.15：依据分割特征S

步骤S5：依据分割出的病灶进行预测评分。

步骤S5.1：依据脑干病灶掩模在脑干图像Stem

步骤S5.2：依据脑干图谱Atlas

步骤S5.3：按体素计算中脑、脑桥和延髓各区域中病灶的体积；

步骤S5.4：按体素计算中脑、脑桥和延髓各区域的整体体积；

步骤S5.5：分别对各区域病灶进行评分，病灶体素体积大于单侧本部位体积50％时加2分，小于单侧本部位体积50％时加1分，无病灶不加分。

实施例2为实施例1的优选例，以更为具体地对本发明进行说明。

本发明还提供一种脑干缺血性卒中的病灶自动分割和评分系统，所述系统包括如下模块：

模块M1：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；

模块M1.1：获取从脑CT平扫图像到标准脑图谱的变形场；

模块M1.2：使用变形场对脑CT图像进行配准；

模块M1.3：对模块M1.2所得图像进行颅骨去除；

模块M1.4：将模块M1.3所得图像的灰度值归一化至0-255；

模块M1.5：对模块M1.4所得图像进行特征标注。

模块M2：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；

模块M3：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Atlas

模块M4：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；

模块M5：依据分割出的病灶进行预测评分。

所述模块M2包括如下模块：

模块M2.1：构建4层的3D U-net网络模型；

模块M2.2：利用模块M1.5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；

模块M2.3：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；

模块M2.4：生成并保存经过调参优化后的模型；

模块M2.5：保存模型分割的结果得到脑干图像Stem

优选地，所述模块M3包括如下模块：

模块M3.1：对脑干图像Stem

模块M3.2：根据从脑干图谱Atlas

模块M3.3：根据从脑干图谱Atlas

模块M4.1：构建脑干梗死病灶检出分割网络模型；

模块M4.2：将模块M3.4所得的脑干图像Stem

模块M4.3：三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；

模块M4.4：将模块M4.2所得的脑干图像Stem

模块M4.5：将模块M4.3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；

模块M4.6：在差别计算模块中首先对两个输入特征图M

其中，W

模块M4.7：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F

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；

模块M4.8：首先将两个密集特征F

其中，

模块M4.9：对两个激活密集特征进行元素级相加获得求和特征S

其中，W

模块M4.10：利用求和特征S

S

其中，⊙代表通道级相乘操作；

模块M4.11：使用跳跃连接将S

模块M4.12：对

其中，W

模块M4.13：对

其中，

模块M4.14：对融合系数图S

其中，

模块M4.15：依据分割特征S

优选地，所述模块M5包括如下模块：

模块M5.1：依据脑干病灶掩模在脑干图像Stem

模块M5.2：依据脑干图谱Atlas

模块M5.3：按体素计算中脑、脑桥和延髓各区域中病灶的体积；

模块M5.4：按体素计算中脑、脑桥和延髓各区域的整体体积；

模块M5.5：分别对各区域病灶进行评分，病灶体素体积大于单侧本部位体积50％时加2分，小于单侧本部位体积50％时加1分，无病灶不加分。

实施例3为实施例1的优选例，以更为具体地对本发明进行说明。

本发明示例提供一种基于深度学习的脑干缺血性卒中的病灶检出和脑干评分方法，以弥补现有方法的不足。

本发明所采用的技术方案是：

一种基于深度学习的脑干缺血性卒中的病灶检出和脑干评分方法，所述方案包括以下步骤：

对脑CT图像进行预处理：

获取大脑平扫CT图像，获取标准脑图谱，获取从脑CT平扫图像到标准脑图谱的变形场，使用变形场对脑CT图像进行仿射配准，对配准后图像进行颅骨去除、图像灰度归一化至0-255，对处理后图像进行特征标注。

对脑干进行自动分割：

构建3D U-net脑干自动分割模型，将预处理后的脑CT图像输入进行训练，得到损失函数和分割结果，依据训练结果对网络模型进行参数调整和优化，生成并保存经过调参优化后的模型，保存模型分割的结果得到脑干图像Stem

3D U-net脑干自动分割模型：采用深度为4层的3D U-net网络模型进行分割脑干，该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和相应的线性修正单元(Rectified linear unit，ReLU)，编码器还包括有三次下采样操作。解码器包含三个子模块，每个子模块包含两个卷积层和相应的线性修正单元，解码器还包括有三次上采样操作。网络中使用跳跃连接(Skip connection)将解码器中的上采样结果与编码器中具有相同分辨率的子模块的输出进行连接，作为解码器中下一个子模块的输入。该模型的输入数据是具有三个通道的132×132×116个体素的图像，最后一层的输出是x、y、z方向的44×44×28个体素。通过训练模型，可分割输出脑CT图像中的脑干区域，获得脑干图像。

获取镜像脑干图像和配准脑干图谱：

对分割出的脑干图像Stem

a)镜像脑干：镜像脑干也是三维图像，和脑干图像互为镜像。

b)脑干图谱：建立了一个标注中脑、脑桥和延髓的模板Atlas

基于脑干镜像和图谱检出分割病灶：

构建病灶检出分割网络模型，脑干图像Stem

a)病灶检出分割网络模型：模型含有三个编码器、一个解码器和六个差别计算模块。编码器由三层卷积层组成，每个编码器对应一个输入。每个解码器由三层逆卷积层组成，解码器只对应脑干图像输入的解码。

b)差别计算模块：位于编码器每层卷积层之间，每个模块的输入为编码器中该层卷积层的脑干图像、镜像脑干的卷积结果或脑干图像、脑干图谱的卷积结果，在差别计算模块中首先对两个输入特征图M

c)特征融合模块：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(Average pooling)提取密集特征F

d)分割特征S

病灶预测评分模型：

将脑干病灶掩模作为输入进行预测评分，分别对脑干中三个部位中脑、脑桥和延髓进行定量评分。利用脑干病灶掩模在脑干图像中定位到感兴趣区域(Region ofinterest，ROI)，将感兴趣区域的轮廓标出，获得包含病灶区域的脑干图像Stem

评分方法：分别根据中脑、脑桥和延髓中的病灶区域体积占单侧部位的比例进行评分。对于每个病灶，当其体素体积大于单侧部位50％体积时，总评分加2分；小于单侧部位50％体积时，总评分加1分；无病灶则不加分。

如图一所示，是本发明方法的流程图，包括如下步骤：

步骤一：对脑CT图像进行预处理；

获取脑CT平扫图像，获取标准脑图谱；

步骤101：获取从脑CT平扫图像到标准脑图谱的变形场；

步骤102：使用变形场对脑CT图像进行配准；

步骤103：对步骤102所得图像进行颅骨去除；

步骤104：将步骤103所得图像的灰度值归一化至0-255；

步骤105：对步骤104所得图像进行特征标注；

步骤二：对脑干进行自动分割；

使用3D U-net网络模型分割脑干，该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201：构建4层的3D U-net网络模型；

步骤202：利用步骤105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203：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204：生成并保存经过调参优化后的模型；

步骤205：保存模型分割的结果得到脑干图像Stem

步骤三：获取镜像脑干图像和配准脑干图谱；

获取包含中脑、脑桥和延髓区域的脑干图谱Atlas

步骤301：对脑干图像Stem

步骤302：根据从脑干图谱Atlas

步骤303：根据从脑干图谱Atlas

如图二所示，为本发明中脑干梗死病灶检出分割模型的结构示意图，该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401：构建脑干梗死病灶检出分割网络模型；

步骤402：将步骤304所得的脑干图像Stem

步骤402：三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；

步骤403：将步骤402所得的脑干图像Stem

步骤404：将步骤402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405：在差别计算模块中首先对两个输入特征图M

其中，W

步骤406：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(Average pooling)提取密集特征F

并使用最大化输出(Max-out)提取密集特征F

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407：首先将两个密集特征F

其中，

步骤408：对两个激活密集特征进行元素级相加获得求和特征S

其中，W

步骤409：利用求和特征S

S

其中，⊙代表通道级相乘操作；

步骤410：使用跳跃连接将S

步骤411：对

其中，W

步骤412：对

其中，

步骤413：对融合系数图S

其中，

步骤414：依据分割特征S

步骤五：依据分割出的病灶进行预测评分；

步骤501：依据脑干病灶掩模在脑干图像Stem

步骤502：依据脑干图谱Atlas

步骤503：按体素计算中脑、脑桥和延髓各区域中病灶的体积；

步骤504：按体素计算中脑、脑桥和延髓各区域的整体体积；

步骤505：分别对各区域病灶进行评分，病灶体素体积大于单侧本部位体积50％时加2分，小于单侧本部位体积50％时加1分，无病灶不加分。

本领域技术人员可以将本实施例理解为实施例1、实施例2的更为具体的说明。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。