医学影像分类方法、装置、系统和可读介质制造方法及图纸

本申请提供了一种医学影像分类方法、装置、系统和计算机可读介质，以及一种序列特征提取模型的训练方法和装置。该医学影像分类方法包括：获取待分类的医学影像序列，其中医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件；对多张医学影像进行排序；对每张医学影像进行图像特征提取并得到医学影像序列的图像特征向量序列；采用预设序列特征提取模型对图像特征向量序列进行序列特征提取并得到序列特征向量序列；以及根据序列特征向量序列对多张医学影像进行分类。该医学影像分类方法通过根据医学影像的位置坐标对医学影像进行排序，以及对图像特征向量序列进行序列特征提取，能够显著提高医学影像的分类准确率。

【技术实现步骤摘要】
医学影像分类方法、装置、系统和可读介质
本申请主要涉及数据处理领域，尤其涉及一种医学影像分类方法、装置、系统和计算机可读介质，以及一种序列特征提取模型的训练方法和装置。
技术介绍
医学影像序列是由多个二维切片（slice）组成，数量一般在百级别。通常而言，一次医学影像扫描不仅包含了所关注的部位，往往还包含有其它身体部位。但在扫描生成的医学影像序列中的部位标签中，通常只会填写当前扫描所关注的部位，而不会对每张切片所属的身体部位进行标注。由于不知道关注部位的起始位置和结束位置，阅片人员就需要从头翻看所有的切片来确定与关注部位相关的所有切片。因此，如何对医学影像序列中的医学影像（即切片）进行分类，是本领域技术人员亟需解决的问题。
技术实现思路
本申请要解决的技术问题是提供一种医学影像分类方法、装置、系统和计算机可读介质，以及一种序列特征提取模型的训练方法和装置，能够对医学影像序列中的医学影像进行分类。为解决上述技术问题，本申请提供了一种医学影像分类方法，包括：获取待分类的医学影像序列，其中医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件；根据元信息说明文件确定多张医学影像在扫描方向的位置坐标并对多张医学影像进行排序；对每张医学影像进行图像特征提取，并得到医学影像序列的图像特征向量序列；采用预设序列特征提取模型对图像特征向量序列进行序列特征提取，并得到序列特征向量序列，序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性；以及根据序列特征向量序列对多张医学影像进行分类处理，并得到每张医学影像的分类结果。可选地，该方法还包括：对医学影像序列进行预处理。可选地，对医学影像序列进行预处理包括：对医学影像序列进行归一化处理；和/或对医学影像序列进行样条插值处理。可选地，对每张医学影像进行图像特征提取，并得到医学影像序列的图像特征向量序列是采用基于卷积神经网络的图像特征提取模型。可选地，预设序列特征提取模型为基于递归神经网络的序列特征提取模型。可选地，基于递归神经网络的序列特征提取模型为双向长短期记忆网络模型。可选地，对序列特征向量序列进行分类处理，并得到分类结果是采用全连接分类网络模型。可选地，序列特征向量序列中的每个序列特征向量与相邻序列特征向量具有相关性。可选地，分类结果为身体部位。为解决上述技术问题，本申请还提供了一种序列特征提取模型的训练方法，包括：获取样本医学影像序列，其中样本医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张样本医学影像和元信息说明文件；根据元信息说明文件确定多张样本医学影像在扫描方向的位置坐标并对多张样本医学影像进行排序；对每张样本医学影像进行图像特征提取，并得到医学影像序列的图像特征向量序列；采用序列特征提取模型对图像特征向量序列进行序列特征提取，并得到序列特征向量序列，序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性；根据序列特征向量序列对多张样本医学影像进行分类处理，并得到每张医学影像的分类结果；以及根据分类结果与样本医学影像序列的标注类别，调整序列特征提取模型的参数。为解决上述技术问题，本申请还提供了一种医学影像分类装置，包括：获取模块，用于获取待分类的医学影像序列，其中医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件；排序模块，用于根据元信息说明文件确定多张医学影像在扫描方向的位置坐标并对多张医学影像进行排序；图像特征提取模块，用于对每张医学影像进行图像特征提取，并得到医学影像序列的图像特征向量序列；序列特征提取模型，用于对图像特征向量序列进行序列特征提取，并得到序列特征向量序列，序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性；以及分类模块，用于根据序列特征向量序列对多张医学影像进行分类处理，并得到每张医学影像的分类结果。可选地，序列特征提取模型为基于递归神经网络的序列特征提取模型。可选地，基于递归神经网络的序列特征提取模型为双向长短期记忆网络模型。为解决上述技术问题，本申请还提供了一种序列特征提取模型的训练装置，包括：获取模块，用于获取样本医学影像序列，其中样本医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张样本医学影像和元信息说明文件；排序模块，用于根据元信息说明文件确定多张样本医学影像在扫描方向的位置坐标并对多张样本医学影像进行排序；图像特征提取模块，用于对每张样本医学影像进行图像特征提取，并得到医学影像序列的图像特征向量序列；序列特征提取模型，用于对多张样本医学影像的图像特征进行序列特征提取，并得到序列特征向量序列，序列特征向量序列中的每个序列特征向量与扫描方向上的相邻序列特征向量具有在扫描方向上的相关性；分类模块，用于根据序列特征向量序列对多张医学影像进行分类处理，并得到每张医学影像的分类结果；以及调整模块，用于根据分类结果与样本医学影像序列的标注类别，调整序列特征提取模型的参数。为解决上述技术问题，本申请还提供了一种医学影像分类系统，包括：存储器，用于存储可由处理器执行的指令；以及处理器，用于执行所述指令以实现如上所述的医学影像分类方法。为解决上述技术问题，本申请还提供了一种存储有计算机程序代码的计算机可读介质，所述计算机程序代码在由处理器执行时实现如上所述的医学影像分类方法。与现有技术相比，本申请通过根据医学影像的位置坐标对医学影像进行排序，以及对图像特征向量序列进行序列特征提取，能够显著提高医学影像的分类准确率。附图说明包括附图是为提供对本申请进一步的理解，它们被收录并构成本申请的一部分，附图示出了本申请的实施例，并与本说明书一起起到解释本申请原理的作用。附图中：图1示出了根据本申请一实施例的医学影像分类方法的流程示意图。图2示出了根据本申请一实施例的医学影像分类装置的框图。图3示出了根据本申请一实施例的序列特征提取模型的训练方法的框图。图4示出了根据本申请一实施例的序列特征提取模型的训练装置的框图。图5示出了根据本申请一实施例示出的医学影像分类系统的系统框图。具体实施方式为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。...

【技术保护点】
1.一种医学影像分类方法，包括：/n获取待分类的医学影像序列，其中所述医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件；/n根据所述元信息说明文件确定所述多张医学影像在所述扫描方向的位置坐标并对所述多张医学影像进行排序；/n对每张所述医学影像进行图像特征提取，并得到所述医学影像序列的图像特征向量序列；/n采用预设序列特征提取模型对所述图像特征向量序列进行序列特征提取，并得到序列特征向量序列，所述序列特征向量序列中的每个序列特征向量与所述扫描方向上的相邻序列特征向量具有在所述扫描方向上的相关性；以及/n根据所述序列特征向量序列对所述多张医学影像进行分类处理，并得到每张医学影像的分类结果。/n

【技术特征摘要】
1.一种医学影像分类方法，包括：
获取待分类的医学影像序列，其中所述医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张医学影像和元信息说明文件；
根据所述元信息说明文件确定所述多张医学影像在所述扫描方向的位置坐标并对所述多张医学影像进行排序；
对每张所述医学影像进行图像特征提取，并得到所述医学影像序列的图像特征向量序列；
采用预设序列特征提取模型对所述图像特征向量序列进行序列特征提取，并得到序列特征向量序列，所述序列特征向量序列中的每个序列特征向量与所述扫描方向上的相邻序列特征向量具有在所述扫描方向上的相关性；以及
根据所述序列特征向量序列对所述多张医学影像进行分类处理，并得到每张医学影像的分类结果。


2.如权利要求1所述的方法，其特征在于，还包括：
对所述医学影像序列进行预处理。


3.如权利要求2所述的方法，其特征在于，所述对所述医学影像序列进行预处理包括：
当所述医学影像序列进行归一化处理；和/或
对所述医学影像序列进行样条插值处理。


4.如权利要求1所述的方法，其特征在于，所述对每张所述医学影像进行图像特征提取，并得到所述医学影像序列的图像特征向量序列是采用基于卷积神经网络的图像特征提取模型。


5.如权利要求1所述的方法，其特征在于，所述预设序列特征提取模型为基于递归神经网络的序列特征提取模型。


6.如权利要求5所述的方法，其特征在于，所述基于递归神经网络的序列特征提取模型为双向长短期记忆网络模型。


7.如权利要求1所述的方法，其特征在于，所述对所述序列特征向量序列进行分类处理，并得到分类结果是采用全连接分类网络模型。


8.如权利要求1所述的方法，其特征在于，所述分类结果为身体部位。


9.一种序列特征提取模型的训练方法，包括：
获取样本医学影像序列，其中所述样本医学影像序列包含沿着扫描对象在扫描方向上的多个位置的多张样本医学影像和元信息说明文件；
根据所述元信息说明文件确定所述多张样本医学影像在所述扫描方向的位置坐标并对所述多张样本医学影像进行排序；
对每张所述样本医学影像进行图像特征提取，并得到所述医学影像序列的图像特征向量序列；
采用序列特征提取模型对所述图像特征向量序列进行序列特征提取，并得到序列特征向量序列，所述序列特征向量序列中的每个序列特征向量与所述扫描方向上的相邻序列特征向量具有在所述扫描方向上的相关性；
根据所述序列特征向量序列对所述多张样本医学影像进行分类处理，并得到每张...

【专利技术属性】
技术研发人员：蔡鑫，李风玲，余超，潘伟凡，
申请(专利权)人：嘉兴太美医疗科技有限公司，
类型：发明
国别省市：浙江;33