基于文本提示的脑部出血块分割方法

摘要

针对脑部计算机断面扫描（CT）图像采用深度学习模型快速识别出血位置与形状，对于定位脑出血区域、判断脑出血成因有着重要的临床意义。然而，目前大部分主流的医学分割模型在脑出血分割任务中容易出现欠分割问题，尤其是在颅骨附近出血以及出血量较少区域。为此，提出一种基于文本提示的脑部出血块分割方法。先采用语言-视觉预训练模型contrastive language-image pre-training(CLIP)对设计出的文本提示词进行编码，文本提示词包含了相对位置、包含关系等信息；再结合U-net模型执行脑出血分割任务。该方法利用灵活的文本提示解决了部分脑出血部位位置难以识别的问题，提高了分割模型的识别准确率。所提方法的分割性能指标Dice系数在公开数据集Brain Hemorrhage Segmentation Dataset(BHSD)和自建医院脑出血数据集中分别达到了43.32%和58.78%，优于其他常见的单一医学分割模型，证明了所提方法的有效性。

关键词

脑出血 / 多模态信息 / U-net / contrastive language-image pre-training(CLIP)