(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210941267.5 (22)申请日 2022.08.08 (71)申请人 四川大学 地址 610065 四川省成 都市武侯区一环路 南一段24号 (72)发明人 章毅　李林　何涛　蔡华伟　皮勇　 赵祯　李芳兰　 (74)专利代理 机构 成都弘毅天承知识产权代理 有限公司 5123 0 专利代理师 谢建 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/62(2017.01) G06T 7/73(2017.01) G06V 10/26(2022.01)G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) (54)发明名称 一种癫痫病灶自动分割与预测方法、 系统及 设备 (57)摘要 本发明公开了一种癫痫病灶自动分割与预 测方法、 系统及设备， 涉及图像处理技术领域中 的癫痫病灶的分割， 其目的在于解决现有技术中 存在的癫痫病灶分割效率低、 分割精度差以及无 法预测病灶术后疗效预测的问题， 其深度神经网 络模型对原始 图像数据以及原始图像数据翻转 后的翻转图像数据分别单独进行下采样特征提 取， 深度神经网络模型对原始图像数据和 翻转图 像数据融合后的融合图像数据进行上采样特征 提取； 并根据分割出来的病灶计算出来的参数、 方差后最终计算得出术后疗效预测值。 该方案可 针对癫痫分割， 提高了分割的效率与精度， 通过 引入术后疗效预测值， 预测出术后疗效预测值， 对病人术后疗效能够 及时进行 预测、 跟踪。 权利要求书3页 说明书8页 附图1页 CN 115018836 A 2022.09.06 CN 115018836 A 1.一种癫痫病灶自动分割与预测方法， 其特 征在于， 包括： 步骤S1、 采集并标注图像数据 采集原始图像数据， 并对原 始图像数据发生癫痫病灶的位置进行 标注； 步骤S2、 搭建深度神经网络模型 搭建深度神经网络模型， 深度神经网络模型对原始图像数据以及原始图像数据翻转后 的翻转图像数据分别单独进行下采样特征提取， 深度神经网络模型对原始图像数据和翻转 图像数据融合后的融合图像数据进行 上采样特 征提取； 步骤S3、 训练深度神经网络模型 采用步骤S1中采集的原 始图像数据对深度神经网络模型进行训练； 步骤S4、 分割 病灶 获取癫痫的实时图像数据， 并将实时图像数据输入深度神经网络模型， 分割出病灶； 步骤S5、 计算 术后疗效预测值 根据步骤S4分割出来的病灶， 计算病灶的低代谢病灶体积HLV、 病灶代谢减低量TLH； 并 基于低代谢病 灶体积HLV的数据集、 病 灶代谢减低量TLH的数据集计算方差 、 方差 、 聚 类内方差 ， 基于方差 、 方差 、 聚类内方差 计算术后疗效预测值 。 2.如权利要求1所述的一种癫痫病灶自动分割与预测方法， 其特 征在于： 步骤S1中， 采集的原 始图像数据进行 标注和预处 理， 具体为： 步骤S11， 数据标注 分别对患者的患病部位及相关部位采集多张原始图像数据， 将单次检查所得的原始图 像数据为 一组图像数据， 再对每组图像数据发生癫痫病灶的区域进行 标注； 步骤S12， 图像预处 理 对步骤S1 1采集的原 始图像数据进行裁 剪、 勾画； 步骤S13， 数据集划分 将经过预处理的原始图像数据按照5:1分为训练集和 测试集。 3.如权利要求1所述的一种癫痫病灶自动分割与预测方法， 其特 征在于： 步骤S2中， 搭建包括特征提取模块、 特征融合模块以及特征判断模块的深度神经网络 模型； 特征提取模块， 包括一个输入层和多个卷积结构， 每个卷积结构包括多个不同尺度的 卷积层以及池化层； 图像数据通过输入层输入卷积结构， 卷积结构提取出图像数据中的图 像特征； 特征融合模块， 包括一个全局均值池化层， 全局均值池化层在图像的通道维度上对特 征提取模块 提取出的图像特 征进行融合； 特征判断模块， 包括softmax二分类器， softmax二分类器用于判断特征融合模块融合 后的特征是否代表原有信息 。 4.如权利要求1所述的一种癫痫病灶自动分割与预测方法， 其特 征在于： 步骤S3在训练深度神经网络模型时， 对步骤S1中采集的原始图像数据进行包括旋转、 剪裁、 加噪声的数据增广处 理。 5.如权利要求1所述的一种癫痫病灶自动分割与预测方法， 其特 征在于：权　利　要　求　书 1/3 页 2 CN 115018836 A 2步骤S5中， 对于低代谢病灶体积HLV的数据集， 标记为 ， 对于病灶代谢 减低量TLH的数据集， 则标记为 ， 定义 代表所有集合中的有限集， 分别 计算方差 ： 、 方差 ： 和聚类内方差 ： ， 其中 代表整体数据集， 代 表整体数据集的加权平均； 计算术后疗效预测值 ： ； 其中 代表TLH的数据集中的数据， 即在计算和其 他数据的相关性时， 去掉数据自身。 6.一种癫痫病灶自动分割与预测系统， 其特 征在于， 包括： 数据采集模块， 用于采集原始图像数据， 并对原始图像数据发生癫痫病灶的位置进行 标注； 网络模型搭建模块， 用于搭建深度神经网络模型， 深度神经网络模型对原始图像数据 以及原始图像数据翻转后的翻转图像数据分别单独进 行下采样特征提取， 深度神经网络模 型对原始图像数据和翻转图像数据融合后的融合图像数据进行 上采样特 征提取； 网络模型训练模块， 用于采用数据采集模块采集的原始图像数据对深度神经网络模型 进行训练； 病灶分割模块， 用于获取癫痫的实时图像数据， 并将实时图像数据输入深度神经网络 模型， 分割出病灶； 疗效预测值生成模块， 用于根据病灶分割模块分割出来的病灶， 计算病灶的低代谢病 灶体积HLV、 病灶代谢减低量TLH； 并基于低代谢病灶体积 HLV的数据集、 病灶代谢减低量TLH 的数据集计算方差 、 方差 、 聚类内方差 ， 基于方差 、 方差 、 聚类内方差 计算 术后疗效预测值 。 7.如权利要求6所述的一种癫痫病灶自动分割与预测系统， 其特 征在于： 网络模型搭建模块搭建包括特征提取模块、 特征融合模块以及特征判断模块的深度神 经网络模型； 特征提取模块， 包括一个输入层和多个卷积结构， 每个卷积结构包括多个不同尺度的权　利　要　求　书 2/3 页 3 CN 115018836 A 3