基于双向循环U-Net模型的脑卒中病灶分割方法

脑卒中具有极高致残率和致死率，研究脑卒中病变的自动识别和分割方法具有重要的临床意义。提出一种基于双向循环U-Net(BIRU-Net)模型的病灶分割方法。首先，引入循环神经网络结构，将改进的注意力卷积门递归单元(ACGRU)替代U-Net中的部分卷积层，使分割模型既适用于小规模标注的医学影像数据集，又具有长时记忆特性；其次，采用双路融合训练机制，将单一视面的正向、反向的切片数据同时输入BIRU-Net,并在模型前向传播过程实现双向特征融合，有效利用了切片序列的双向依赖特性。最后，将各单一视面的分割结果进行再融合，有效利用了数据的空间上下文信息。对于ATLAS数据集的实验结果表明，所提方法的DSC值达到了62.58%,与现阶段的其他方法相比，本文的方法能较为准确地分割出病灶区域。