基于双向循环U-Net模型的脑卒中病灶分割方法

中风有很高的致残率和死亡率。研究脑卒中病灶的自动识别和分割方法具有重要的临床意义。卷积神经网络无法利用医学图像数据的时间相关性，存在特征利用率低的问题。为此，提出了一种基于双向循环u网（Biru网）模型的焦点分割方法。首先，介绍了循环神经网络的结构，并用改进的注意卷积门递归单元（ACGRU）代替u网络中的一些卷积层，使该分割模型不仅适用于小规模的标记医学图像数据集，而且具有长期记忆的特点。其次，采用双向融合训练机制，将单个视觉平面的正向和反向切片数据同时输入Biru网络，在模型的正向传播过程中实现双向特征融合，有效利用切片序列的双向依赖性。最后，对每个视图平面的分割结果进行重新融合，以有效利用数据的空间上下文信息。ATLAS数据集的实验结果表明，该方法的DSC值达到62.58%。与现阶段的其他方法相比，该方法能更准确地分割出焦点区域。