垂体瘤影像分类方法、系统及电子设备技术方案

本申请实施例公开一种垂体瘤影像分类方法、系统及电子设备，该方法包括：获取待分类的脑部核磁影像；将所述待分类的脑部核磁影像输入分类模型，所述分类模型是包括注意力模块的人工神经网络，所述分类模型是以提取出垂体瘤所在区域的垂体瘤核磁影像作为第一训练样本进行训练后得到的；通过所述分类模型提取所述脑部核磁影像中的图像特征，并通过所述注意力模块确定所述脑部核磁影像中每个图像特征的重要程度，并基于所述每个图像特征的重要程度得到所述脑部核磁影像对应的分类结果。实施本申请实施例，能够通过注意力模块根据各个图像特征对分类任务的贡献确定图像特征的重要程度，从而提高分类准确率。

【技术实现步骤摘要】
垂体瘤影像分类方法、系统及电子设备
本专利技术涉及图像处理
，具体涉及垂体瘤影像分类方法、系统及电子设备。
技术介绍
垂体瘤是神经系统中常见的原发性肿瘤,占所有原发脑肿瘤的10％-25％,仅次于胶质瘤和脑膜瘤。垂体瘤的诊断主要基于核磁共振增强扫描和垂体激素检查，这需要临床经验丰富的医生做出初步的诊断。由此存在着以下的不足：垂体瘤发病率高，分类繁多。在对垂体瘤进行分类时一般依赖经验丰富的医生进行人工解读，因而容易受到医生认知能力和主观因素的干扰，分类准确率较低。因此，如何提高垂体瘤的分类准确率成了亟需解决的问题。
技术实现思路
本申请实施例公开了一种垂体瘤影像分类方法、系统及电子设备，能够提高垂体瘤的分类准确率。本申请实施例公开一种垂体瘤影像分类方法，所述方法包括：获取待分类的脑部核磁影像；将所述待分类的脑部核磁影像输入分类模型，所述分类模型是包括注意力模块的人工神经网络，所述分类模型是以提取出垂体瘤所在区域的垂体瘤核磁影像作为第一训练样本进行训练后得到的；通过所述分类模型提取所述脑部核磁影像中的图像特征，并通过所述注意力模块确定所述脑部核磁影像中每个图像特征的重要程度，并基于所述每个图像特征的重要程度得到所述脑部核磁影像对应的分类结果。本申请实施例公开一种用于垂体瘤影像分类的分类模型训练方法，所述分类模型至少包括：注意力模块和与所述注意力模块连接的第一编码层；所述方法包括：利用已训练好的分割模型中的第二编码层的参数对所述分类模型的所述第一编码层的参数进行初始化；所述分割模型是利用包括垂体瘤的原始核磁影像作为第二训练样本训练得到的人工神经网络，所述分割模型用于从核磁影像中预测分割出垂体瘤所在区域；将提取出垂体瘤所在区域的垂体瘤核磁影像作为第一训练样本对所述分类模型进行训练，以迭代调整所述分类模型包括的所述注意力模块和所述第一编码层的参数，直至满足预设结束条件。本申请实施例公开一种垂体瘤影像分类系统，包括：获取单元，用于获取待分类的脑部核磁影像；分类单元，用于将所述待分类的脑部核磁影像输入分类模型，所述分类模型是包括注意力模块的人工神经网络，所述分类模型是以提取出垂体瘤所在区域的垂体瘤核磁影像作为第一训练样本进行训练后得到的；以及，通过所述注意力模块确定所述脑部核磁影像中每个图像特征的重要程度，并基于所述每个图像特征的重要程度得到所述脑部核磁影像对应的分类结果。本申请实施例公开一种用于垂体瘤影像分类的分类模型训练系统，所述分类模型至少包括：注意力模块和与所述注意力模块连接的第一编码层；所述系统包括：初始化单元，用于利用已训练好的分割模型中的第二编码层的参数对所述分类模型的所述第一编码层的参数进行初始化；所述分割模型是利用包括垂体瘤的原始核磁影像作为第二训练样本训练得到的人工神经网络，所述分割模型用于从核磁影像中预测分割出垂体瘤所在区域；调整单元，用于将提取出垂体瘤所在区域的垂体瘤核磁影像作为第一训练样本对所述分类模型进行训练，以迭代调整所述分类模型包括的所述注意力模块和所述第一编码层的参数，直至满足预设结束条件。本申请实施例公开一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现本申请实施例公开的垂体瘤影像分类方法。与现有技术相比，本申请实施例具有以下有益效果：将待分类的脑部核磁影像输入至包括注意力模块的分类模型，可以通过注意力模块确定脑部核磁影像中每个图像特征的重要程度，并基于每个图像特征的重要程度得到所述脑部核磁影像对应的分类结果。注意力模块可以预先学习到相对于垂体瘤分类任务而言较为重要的图像特征，通过注意力模块根据各个图像特征对分类任务的贡献确定图像特征的重要程度，可以在对垂体瘤进行分类时获得更高的分类准确率。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例公开的一种垂体瘤影像分类方法的流程示意图；图2是本申请实施例公开的一种分类模型的结构示意图；图3是本申请实施例公开的一种CBAM模块的结构示意图；图4是本申请实施例公开的一种残差单元的结构示意图；图5是本申请实施例公开的一种分类模型训练方法的流程示意图；图6是本申请实施例公开的一种执行步骤520对原始核磁影像进行预处理的流程示意图；图7是本申请实施例公开的一种分割模型的结构示意图；图8是本申请实施例公开的另一种分类模型的结构示意图；图9A是本申请实施例公开的基于轴位的三种不同模型在训练集上得到的ROC曲线；图9B是本申请实施例公开的基于矢状位的三种不同模型在训练集上得到的ROC曲线；图9C是本申请实施例公开的基于冠状位的三种不同模型在训练集上得到的ROC曲线；图9D是本申请实施例公开的组合后的三种不同模型在训练集上得到的ROC曲线；图10A是本申请实施例公开的组合后的Att模型在验证集上得到的ROC曲线；图10B是本申请实施例公开的组合后的Att模型在验证集上得到的PR曲线；图10C是本申请实施例公开的组合后的Att模型在测试集上得到的ROC曲线；图10D是本申请实施例公开的组合后的Att模型在测试集上得到的PR曲线；图11是本申请实施例公开的一种垂体瘤影像分类系统的结构示意图；图12是本申请实施例公开的一种用于垂体瘤影像分类的分类模型训练系统的结构示意图；图13为本申请公开的一种电子设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，本申请实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。垂体瘤是一种颅内肿瘤，可以分为功能性垂体瘤和非功能性垂体瘤。功能性垂体瘤根据瘤细胞分泌的激素又可再进一步分为生长激素(GrowthHormone，GH)分泌型垂体瘤、垂体泌乳素(Prolactin，PRL)分泌型垂体瘤、促肾上腺皮质激素(Adrenocorticotropichormone，ACTH)分泌型垂体瘤等。在相关的技术中，可以通过深度学习(DeepLearning，DL)的机器学习方法对垂体瘤的医学影像数据进行识别，从而实现对垂体瘤的分类。人工神经网络是当前最成熟的深度学习算法本文档来自技高网...

【技术保护点】
1.一种垂体瘤影像分类方法，其特征在于，所述方法包括：/n获取待分类的脑部核磁影像；/n将所述待分类的脑部核磁影像输入分类模型，所述分类模型是包括注意力模块的人工神经网络，所述分类模型是以提取出垂体瘤所在区域的垂体瘤核磁影像作为第一训练样本进行训练后得到的；/n通过所述分类模型提取所述脑部核磁影像中的图像特征，并通过所述注意力模块确定所述脑部核磁影像中每个图像特征的重要程度，并基于所述每个图像特征的重要程度得到所述脑部核磁影像对应的分类结果。/n

【技术特征摘要】
1.一种垂体瘤影像分类方法，其特征在于，所述方法包括：
获取待分类的脑部核磁影像；
将所述待分类的脑部核磁影像输入分类模型，所述分类模型是包括注意力模块的人工神经网络，所述分类模型是以提取出垂体瘤所在区域的垂体瘤核磁影像作为第一训练样本进行训练后得到的；
通过所述分类模型提取所述脑部核磁影像中的图像特征，并通过所述注意力模块确定所述脑部核磁影像中每个图像特征的重要程度，并基于所述每个图像特征的重要程度得到所述脑部核磁影像对应的分类结果。


2.根据权利要求1所述的方法，其特征在于，所述分类模型包括：基于轴位的分类模型、基于矢状位的分类模型以及基于冠状位的分类模型；基于轴位、矢状位、冠状位的分类模型分别以基于轴位、矢状位、冠状位三个方向从所述垂体瘤核磁影像中提取出的核磁影像作为第一训练样本进行训练后得到；
以及，所述将所述待分类的脑部核磁影像输入分类模型，包括：
分别基于轴位、矢状位和冠状位三个方向从所述待分类的脑部核磁影像中提取出基于轴位的脑部核磁影像、基于矢状位的脑部核磁影像、基于冠状位的脑部核磁影像；
将所述基于轴位的脑部核磁影像输入至所述基于轴位的分类模型，将所述基于矢状位的脑部核磁影像输入至所述基于矢状位的分类模型，并将所述基于冠状位的脑部核磁影像输入至所述基于冠状位的分类模型；
以及，所述通过所述注意力模块确定所述脑部核磁影像中每个图像特征的重要程度，并基于所述每个图像特征的重要程度得到所述脑部核磁影像对应的分类结果，包括：
通过所述基于轴位的分类模型中的注意力模块确定基于轴位的脑部核磁影像中每个图像特征的重要程度，并根据基于轴位的脑部核磁影像中每个图像特征的重要程度得到基于轴位的脑部核磁影像对应的第一分类结果；
通过所述基于矢状位的分类模型中的注意力模块确定基于矢状位的脑部核磁影像中每个图像特征的重要程度，并根据基于矢状位的脑部核磁影像中每个图像特征的重要程度得到基于矢状位的脑部核磁影像对应的第二分类结果；
通过所述基于冠状位的分类模型中的注意力模块确定基于冠状位的脑部核磁影像中每个图像特征的重要程度，并根据基于冠状位的脑部核磁影像中每个图像特征的重要程度得到基于冠状位的脑部核磁影像对应的第三分类结果；
对所述第一分类结果、所述第二分类结果和所述第三分类结果进行融合，得到待分类的脑部核磁影像最终的分类结果。


3.根据权利要求1所述的方法，其特征在于，所述分类模型还包括：与所述注意力模型连接的第一编码层；
以及，在所述将所述待分类的脑部核磁影像输入分类模型之前，所述方法还包括：
在对所述分类模型进行训练时，利用已训练好的分割模型中的第二编码层的参数对所述分类模型的第一编码层的参数进行初始化；所述分割模型是利用包括垂体瘤的原始核磁影像作为第二训练样本训练得到的人工神经网络，所述分割模型用于从核磁影像中预测分割出垂体瘤所在区域；
将提取出垂体瘤所在区域的垂体瘤核磁影像作为第一训练样本对初始化后的分类模型进行训练，以迭代调整所述初始化后的分类模型包括的所述注意力模块和所述第一编码层的参数，直至满足预设结束条件。


4.根据权利要求3所述的方法，其特征在于，所述分类模型至少还包括：平均池化层、全连接层和归一化层；所述平均池化层分别与所述第一编码层和所述全连接层连接，所述全连接层还与所述归一化层连接，所述归一化层的输出为所述分类模型的分类结果；
以及，所述预设结束条件包括：
第一阶段迭代训练的第一结束条件；所述第一结束条件包括：第一阶段迭代训练的迭代次数到达第一数量；和/或，所述分类模型的损失函数收敛；
第二阶段迭代训练第二结束条件；所述第二结束条件包括：第二阶段迭代训练的迭代次数到达第二数量；和/或，所述分类模型的损失函数收敛；
以及，所述将提取出垂体瘤所在区域的垂体瘤核磁影像作为第一训练样本对所述分类模型进行训练，以迭代调整所述分类模型包括的所述注意力模块和所述第一编码层的参数，直至满足预设结束条件，包括：
利用提取出垂体瘤所在区域的垂体瘤核磁影像作为第一训练样本，对所述注意力模块、所述平均池化层和所述全连接层的参数进...

【专利技术属性】
技术研发人员：任间，蒋小兵，李弘于，赵齐，
申请(专利权)人：中山大学肿瘤防治中心，
类型：发明
国别省市：广东;44