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.