本发明属于智能医学影像处理领域，涉及一种基于cnn和rnn的颅内出血ct图像分类方法。
背景技术：
1、颅内出血是一种潜在的危及生命的神经急症，其特征是血管破裂并出血。其主要亚型是基于出血的位置，分为脑实质出血(ich)、蛛网膜下腔出血(sah)、脑室内出血(ivh)、硬膜外出血(edh)、硬膜下出血(sdh)。颅内出血亚型分类的准确性对于ich早期诊断非常重要，准确的分类有助于指导医生评估病情发展，尽早给与相应的临床干预，针对不同类别制定治疗方案，是降低脑出血死亡率的重要手段。传统的颅内出血检测方法是放射科医生对图像进行目视检查和定量评估，该诊断过程不仅耗时耗力，而且判断的准确性依赖放射科医生的工作经验。随着信息技术的进步和人工智能的不断发展，计算机辅助诊断(cad)利用医学图像处理技术和机器学习技术对病理数据和临床信息进行自动化分析和解读，开始被大量的医生、学者所关注。目前计算机辅助诊断颅内出血主流的方式是利用深度学习技术对医学图像进行分析、特征提取和预测。
2、现有的颅内出血检测方法存在多个方面的不足。第一，利用单个cnn模型进行检测的方法(如resnet、densenet)在颅内ct图像上的特征表达能力有限，难以充分捕捉到丰富的特征信息。由于颅内出血的形态和位置多样性，需要更强大的模型来提取具有判别性的特征，以实现准确的分类。第二，现有方法往往忽略了颅内ct图像切片间的空间关系，未能充分利用切片间的空间信息。切片间的空间信息对于准确的颅内出血分类和定位非常重要。为了提高检测的准确性和精度，需要开发新的方法，能够有效地利用切片间的空间信息。第三，在细粒度分类方面也存在局限性，难以准确区分不同亚型的颅内出血。这对于早期诊断和治疗至关重要。为了提高细粒度分类的效果，需要设计更具判别能力的模型，并结合更多的特征信息。第四，基于transformer变体的方法在处理序列数据时需要对所有位置进行自注意力计算，导致计算复杂度较高。这限制了在实时场景下快速进行颅内出血检测和诊断的能力。因此，需要寻找降低计算复杂度的方法，以提高检测的实时性和效率。第五，颅内ct图像数据集中正负样本的比例严重不均衡，这可能导致模型对少数类别的学习不足。此外，单张出血ct切片可能存在多种病灶类型，而这些病灶之间的相关关系常常被忽视。为了提高模型的泛化能力和鲁棒性，需要采用合适的数据均衡策略和关联建模方法，以更好地处理颅内ct图像中的多样性和复杂性。
技术实现思路
1、本发明的目的是为了解决目前颅内出血亚型分类依赖医生专业性、准确率低和耗时长的问题，提出了一种基于cnn和rnn的颅内出血ct图像分类方法。在cnn模块中，采用了细粒度的策略，通过运用较大的卷积核，精确捕捉颅内出血ct图像中的细微特征和局部信息。这种策略有助于模型更好地理解图像细节，提高分类的准确性。同时，引入rnn模块用于处理序列化的图像特征，利用rnn捕捉图像序列的时序信息，进一步增强模型对颅内出血ct图像的理解能力。为了降低数据维度并减少计算时间，本方法还应用了主成分分析技术。主成分分析能够对数据进行降维处理，从而有效提取最具代表性的特征，减少计算负担并加快分类过程。
2、为了实现上述目的，本发明提供如下技术方案：一种基于cnn和rnn的颅内出血ct图像分类方法，包括如下步骤：
3、步骤1：收集颅内出血数据集，去除无效化数据，整合真实标签信息。
4、步骤2：对获取的数据集进行数据预处理，包括将像素值转化为ct值，使用脑窗[40,80]、硬下膜窗[80,200]、软组织窗[40,380]增强图像对比度，通道数进行叠加、分离元数据信息、改变图像分辨率大小为512*512、使用albumentations库进行图像标准化、转化为png格式和去除边缘冗余信息，其中标准化的均值设为0.456，标准差设置为0.224，最大像素值设置为255；这些数值是通过对imagenet百万张图像进行计算和分析得出的经验值，标准化的公式如下所示：
5、
6、
7、其中image_standardization为标准化之后的图像，x为输入图像，μ为图像均值，adjusted_stdev为调整图像标准差，σ为输入图像标准差，n为输入图像像素数量。
8、步骤3：搭建网络模型，模型由cnn模块和rnn模块组成，其中cnn模块使用convnext模型，convnext由4个特征分辨率阶段构成，每个阶段选取的block块数为[3,3,9,3]，rnn模块选用双向gru模型。
9、步骤4：使用imagenet数据集训练convnext模型得到预训练权重，构建二进制交叉熵损失函数作为模型的优化目标，加载预训练权重到convnext模型上，使用预处理之后的png格式图像作为convnext模型的输入数据，并调整图像分辨率大小为224*224，以确保与预训练模型的输入尺寸相匹配，通过在训练过程中调整模型的权重和参数，尽力减小损失函数的值，从而使模型的预测结果与真实标签尽可能接近。当损失函数达到最小值时，获取convnext模型提取的特征值以及对六个类别的预测值，其中二进制交叉熵损失函数公式定义如下：
10、lbce＝-ylog(y′)-(1-y)log(1-y′)；
11、其中lbce表示损失值，y表示某个类别上的真实值，y∈{0,1}，表示y只能取值0或1，y′表示经过convnext神经网络预测得到的对应类别的概率，y′∈[0,1]，表示y′取值范围在0到1之间(包括0和1)。
12、步骤5：使用主成分分析方法将convnext提取的特征进行降维，将降维之后的特征保存成numpy格式，预备作为rnn模型的输入。
13、步骤6：读取降维之后的特征和元数据信息，对元数据信息进行排序，并根据排序后的元数据信息加载降维之后的特征，顺序通过双向gru的第一部分和第二部分进行训练，最终生成预测结果。
14、步骤7：根据预测结果，通过auc、准确率、敏感度、特异度进行模型性能的评估。
15、相比于现有技术，本发明具有如下优点：
16、(1)本发明在预处理阶段通过调整窗位和窗宽、通道数叠加以及去除黑边等操作，使模型能够更专注于关键的图像特征，从而增强模型的鲁棒性和抗干扰能力，减少误分类的可能性。
17、(2)本发明从细粒度的角度去解决颅内出血亚型分类的问题，使用convnext和双向gru组合的网络架构，充分利用切片内和切片间的信息，提高了神经网络的表达能力和分类的性能。
18、(3)本发明通过引入主成分分析方法，有效的降低了特征的维度和计算复杂度，提高了推理速度。
19、(4)本发明实验结果表明，在rsna intracranial hemorrhage detection公共数据集上auc达到了96.75％，领先其他方法0.76个百分点，准确率达到了97.71％，相比于其他方法提升0.2个百分点。在保证了算法速度的基础上，显著提高了颅内出血亚型分类的精度。
1.一种基于cnn和rnn的颅内出血ct图像分类方法，其特征包括以下步骤：
2.根据权利要求1所述的基于cnn和rnn的颅内出血ct图像分类方法，其特征在于所述步骤2中分离元数据信息包括patient id、study instance uid、series instance uid、image position、pixel spacing、pixel representation、window center、window width、rescale intercept、rescale slope、slice id；
3.根据权利要求1所述的基于cnn和rnn的颅内出血ct图像分类方法，其特征在于所述步骤5中使用主成分分析将提取的特征进行降维，降维之前的维度为768，降维之后的维度为120维。
