【技术实现步骤摘要】
脑部医学影像分类方法、装置、计算机设备和存储介质
[0001]本申请涉及计算机
，特别是涉及一种脑部医学影像分类方法、装置、计算机设备和存储介质。
技术介绍
[0002]医学影像是指为了医疗或医学研究，对人体或人体某部分以非侵入方式取得的内部组织影像。对医学影像如脑部医学影像进行分类处理以得到该医学影像分类类别可以为医学工作者提供有效地医学辅助。
[0003]传统医学影像分类方案中，通常是医生通过查看医学影像的可见变化来区分患者的医学影像和正常人的医学影像，这种方式主观性强，且需要丰富的临床知识和经验，从而影响医学影像分类的效率以及准确性。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种提高分类效率以及准确率的脑部医学影像分类方法、装置、计算机设备和存储介质。
[0005]一种脑部医学影像分类方法，包括：获取目标分类任务对应的脑部医学影像；对所述脑部医学影像进行预处理，以分割出与所述脑部医学影像对应的灰质图像和白质图像；将所述灰质图像与所述白质图像共同输入深度学习分类...
【技术保护点】
【技术特征摘要】
1.一种脑部医学影像分类方法，其特征在于，包括：获取目标分类任务对应的脑部医学影像；对所述脑部医学影像进行预处理，以分割出与所述脑部医学影像对应的灰质图像和白质图像；将所述灰质图像与所述白质图像共同输入深度学习分类模型，通过所述深度学习分类模型的各模块对所述灰质图像与所述白质图像进行处理；其中，所述深度学习分类模型为引入至少一个注意力机制模块的密集卷积网络，所述注意力机制模块包括空间注意力机制模块和通道注意力机制模块；根据所述深度学习分类模型的输出，得到所述目标分类任务的分类结果。2.如权利要求1所述的脑部医学影像分类方法，其特征在于，所述密集卷积网络包括一个卷积模块、三个稠密模块、两个过渡模块、一个分类模块和两个注意力机制模块；其中，任意两个稠密模块之间存在一个过渡模块，一个所述注意力机制模块位于第一个所述稠密模块与第一个所述过渡模块之间，另一个所述注意力机制模块位于第二个所述稠密模块与第二个所述过渡模块之间，每个所述注意力机制模块包括一个空间注意力机制模块和一个通道注意力机制模块。3.如权利要求1所述的脑部医学影像分类方法，其特征在于，所述获取目标分类任务对应的脑部医学影像，包括：获取与目标分类任务对应的至少两个模态的脑部医学影像；所述对所述脑部医学影像进行预处理，以分割出与所述脑部医学影像对应的灰质图像和白质图像，包括：对所述各模态下的脑部医学影像进行预处理，以分割出与每个模态的脑部医学影像对应的灰质图像和白质图像；所述将所述灰质图像与所述白质图像共同输入深度学习分类模型，通过所述深度学习分类模型的各模块对所述灰质图像与所述白质图像进行处理，包括：将多个所述灰质图像进行特征合并，并将合并后的图像输入多层感知机，通过反向传播对合并后的图像进行优化，以得到融合灰质图像；将多个所述白质图像进行特征合并，并将合并后的图像输入多层感知机，通过反向传播对合并后的图像进行优化，以得到融合白质图像；将所述融合灰质图像与所述融合白质图像共同输入深度学习分类模型，通过所述深度学习分类模型的各模块进行处理。4.如权利要求1所述的脑部医学影像分类方法，其特征在于，所述获取目标分类任务对应的脑部医学影像，包括：获取与目标分类任务对应的历史脑部医学影像和实时脑部医学影像；所述对所述脑部医学影像进行预处理，以分割出与所述脑部医学影像对应的灰质图像和白质图像，包括：对所述历史脑部医学影像和所述实时脑部医学影像分别进行预处理，以分割出各自对应的灰质图像和白质图像；所述将所述灰质图像与所述白质图像共同输入深度学习分类模型，通过所述深度学习分类模型的各模块对所述灰质图像与所述白质图像进行处理，包括：
提取两所述灰质图像间的第一差量图像，及两所述白质图像间的第二差量图像，将两所述灰质图像、两所述白质图像、所述第一差量图像和所述第二差量图像共同输入深度学习分类模型，通过所述深度学习分类模型的各模块进行处理。5.如权利要求1所述的脑部医学影像分类方法，其特征在于，所述对所述脑部医学影像进行预处理，以分割出与所述脑部医学影像对应的灰质图像以及与所述脑部医学影像对应的白质图像，包括：对所述脑部医学影像进行预处理，以分割出与所述脑部医学影像对应的全局灰质图像以及与所述脑部医学影像对应的全局白质图像，所述将所述...
【专利技术属性】
技术研发人员：王思伦，肖焕辉，刘志华，
申请(专利权)人：深圳市铱硙医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。