本技术涉及神经网络，特别是涉及一种基于swi的脑微出血分割方法、装置、介质及产品。
背景技术：
1、随着全球人口老龄化问题的日益严重，与之相关的大脑疾病，如脑微出血等，正逐渐给社会带来越来越大的负担。脑微出血是老年人脑部常见的小血管病变，随着年龄的增长，大脑的结构和功能会经历一些微妙的变化，这些变化可能会加剧并导致脑微出血的发生。脑微出血的发生与遗传、环境因素、基础疾病、以及外伤等多重因素紧密相关，它们可能显著加速大脑的老化过程。对脑微出血的量化评估尤为重要，因为它不仅能够帮助了解大脑衰老的速度和阶段，而且对于早期诊断、预防和治疗相关的神经退行性疾病具有重要意义。借助先进的脑部成像技术和生物标记物，能够更准确地评估大脑的微出血状况，进而监测和干预这一衰老过程中可能出现的病理变化，以减轻由此引发的社会和医疗负担。准确而有效的脑微出血检测和分析对于深入理解其病理机制和预防相关并发症具有重要的临床意义。
2、目前，脑微出血的评估主要采用视觉评分系统，如微出血解剖评分量表(microbleedanatomic rating scale，mars)和脑观察者微出血量表(brainobservermicrobleed scale，bombs)。在目前临床中，如果没有相应的辅助评估工具，这些方法在评估脑微出血的数量和位置上的可靠性相对较低。然而，这些方法在评估脑微出血的数量和位置方面的可靠性相对较低，除非使用专业的评估工具。
技术实现思路
1、本技术的目的是提供一种基于swi的脑微出血分割方法、装置、介质及产品，提高了脑微出血分割的可靠性。
2、为实现上述目的，本技术提供了如下方案：
3、第一方面，本技术提供了一种基于swi的脑微出血分割方法，包括：
4、获取目标磁敏感加权影像；所述目标磁敏感加权影像为待分割脑部的脑微出血磁敏感加权影像；
5、基于所述目标磁敏感加权影像和脑微出血分割模型，确定对应的脑微出血分割影像掩码的预测值；所述脑微出血分割模型是利用训练集对cemis-net进行训练得到的；所述训练集包括：多张预处理后的脑微出血磁敏感加权影像和对应的脑微出血分割影像掩码的实际值；所述cemis-net是基于sam模型和卷积神经网络构建的。
6、可选地，基于所述目标磁敏感加权影像和脑微出血分割模型，确定对应的脑微出血分割影像掩码的预测值，包括：
7、对所述目标磁敏感加权影像进行预处理，得到预处理后的目标磁敏感加权影像；所述预处理包括：标准化、数据增强、过采样和噪声剔除；
8、将预处理后的目标磁敏感加权影像输入至所述脑微出血分割模型中，得到对应的脑微出血分割影像掩码的预测值。
9、可选地，所述脑微出血分割模型的训练过程，包括：
10、获取所述训练集；
11、基于sam模型和卷积神经网络构建所述cemis-net；
12、利用所述训练集和总损失函数对所述cemis-net进行训练，得到所述脑微出血分割模型；所述总损失函数为dice损失函数、focal损失函数和交叉熵损失函数之和。
13、可选地，获取所述训练集，包括：
14、获取多张脑微出血磁敏感加权影像和对应的脑微出血分割影像掩码的实际值；
15、分别对各所述脑微出血磁敏感加权影像进行预处理，得到对应的预处理后的脑微出血磁敏感加权影像；
16、将所有预处理后的脑微出血磁敏感加权影像和对应的脑微出血分割影像掩码的实际值确定为初始数据集；
17、对所述初始数据集按照设定比例进行划分，得到所述训练集、验证集和测试集。
18、可选地，所述cemis-net，包括：sam编码器、卷积神经网络编码器、特征融合模块和卷积神经网络解码器；所述cemis-net采用多级跳跃结构；
19、所述sam编码器用于获取输入影像对应的脑部影像结构信息；所述输入影像为预处理后的脑微出血磁敏感加权影像或预处理后的目标磁敏感加权影像；
20、所述卷积神经网络编码器用于获取输入影像对应的脑微出血局部信息；
21、所述特征融合模块用于将输入影像对应的脑部影像结构信息和脑微出血局部信息进行融合，得到输入影像对应的融合特征图；
22、所述卷积神经网络解码器用于基于输入影像对应的融合特征图，得到对应的脑微出血分割影像掩码。
23、可选地，所述sam编码器，包括：线形变化层、嵌入式补丁层、标准化层、多头注意力层和多层感知机；
24、所述卷积神经网络编码器，包括：多个卷积神经网络编码块；
25、所述特征融合模块，包括：多个特征融合子模块；所述特征融合子模块的数量与所述卷积神经网络编码块的数量相等；
26、所述卷积神经网络解码器，包括：多个卷积神经网络解码块；所述卷积神经网络解码块的数量比所述特征融合子模块的数量少1。
27、可选地，所述卷积神经网络编码块是由一层第一卷积层、批标准化层、relu激活函数层、第二卷积层反复堆叠成的解码块；所述卷积神经网络解码块是由一层反卷积层、批标准化层、relu激活函数层、第三卷积层反复堆叠成的解码块；
28、第一卷积层的卷积为3×3×3，步幅为2×2×2；
29、第二卷积层的卷积为3×3×3，步幅为1×1×1；
30、反卷积层的卷积为3×3×3，步幅为2×2×2；
31、第三卷积层的卷积为3×3×3，步幅为1×1×1。
32、第二方面，本技术提供了一种计算机装置，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述任一项所述的基于swi的脑微出血分割方法。
33、第三方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述的基于swi的脑微出血分割方法。
34、第四方面，本技术提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一项所述的基于swi的脑微出血分割方法。
35、根据本技术提供的具体实施例，本技术公开了以下技术效果：
36、本技术公开了一种基于swi的脑微出血分割方法、装置、介质及产品，首先，获取目标磁敏感加权影像；目标磁敏感加权影像为待分割脑部的脑微出血磁敏感加权影像；然后，基于目标磁敏感加权影像和脑微出血分割模型，确定对应的脑微出血分割影像掩码的预测值；脑微出血分割模型是利用训练集对cemis-net进行训练得到的；训练集包括：多张预处理后的脑微出血磁敏感加权影像和对应的脑微出血分割影像掩码的实际值；cemis-net是基于sam模型和卷积神经网络构建的。本技术将基于脑部医学影像预训练的sam模型融入卷积神经网络中，并将sam提取出来的信息与卷积神经网络提取出来的信息进行融合操作，位模型提供更好的信息提取能力，提高了脑微出血分割的可靠性；根据脑微出血的特点，本技术在编码层与解码层之间采用多级跳跃方式，弥补由于网络层数加深而造成的信息损失，进一步提升模型对于微小病灶的检测能力；在模型训练时，采用交叉熵损失(cross-entropy loss，ce loss)与dice损失函数和focal损失函数进行加权操作，针对小病灶的特点进行训练，提高了脑微出血分割的可靠性。
1.一种基于swi的脑微出血分割方法，其特征在于，所述基于swi的脑微出血分割方法包括：
2.根据权利要求1所述的基于swi的脑微出血分割方法，其特征在于，基于所述目标磁敏感加权影像和脑微出血分割模型，确定对应的脑微出血分割影像掩码的预测值，包括：
3.根据权利要求1所述的基于swi的脑微出血分割方法，其特征在于，所述脑微出血分割模型的训练过程，包括：
4.根据权利要求2所述的基于swi的脑微出血分割方法，其特征在于，获取所述训练集，包括：
5.根据权利要求2所述的基于swi的脑微出血分割方法，其特征在于，所述cemis-net，包括：sam编码器、卷积神经网络编码器、特征融合模块和卷积神经网络解码器；所述cemis-net采用多级跳跃结构；
6.根据权利要求5所述的基于swi的脑微出血分割方法，其特征在于，所述sam编码器，包括：线形变化层、嵌入式补丁层、标准化层、多头注意力层和多层感知机；
7.根据权利要求6所述的基于swi的脑微出血分割方法，其特征在于，所述卷积神经网络编码块是由一层第一卷积层、批标准化层、relu激活函数层、第二卷积层反复堆叠成的解码块；所述卷积神经网络解码块是由一层反卷积层、批标准化层、relu激活函数层、第三卷积层反复堆叠成的解码块；
8.一种计算机装置，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述基于swi的脑微出血分割方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述基于swi的脑微出血分割方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述基于swi的脑微出血分割方法。
