【技术实现步骤摘要】
医学目标分类方法和装置、电子设备和存储介质
[0001]本申请属于机器学习
，具体涉及一种医学目标分类方法和装置、电子设备和存储介质。
技术介绍
[0002]医生制定治疗方案时，通常会参考多种医学影像信息，例如磁共振成像（Magnetic Resonance Imaging，MRI）、电子计算机断层扫描成像（Computed Tomography，CT）、超声成像等。其中，磁共振成像由于具有对人体没有电离辐射损伤，能够获得多序列成像和多种图像类型，为明确病变性质提供更丰富的影像信息等优势，在特别是针对软组织结构的检查中起到重要的辅助作用。然而，如何利用磁共振成像，对不同的成像目标进行分类，是一项亟待解决的技术问题。
[0003]公开于该
技术介绍
部分的信息仅仅旨在增加对本申请的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
[0004]本申请的目的在于提供一种医学目标分类方法，其用于解决如何利用磁共振成像对不同的成像目标进行分类的...
【技术保护点】
【技术特征摘要】
1.一种医学目标分类方法，其特征在于，所述方法包括：将待分类目标已配准的T1C图像、T2图像以及FLAIR图像联合输入预先训练好的第一深度神经网络模型，得到所述待分类目标的三维掩膜；分别在所述待分类目标的三维掩膜、T1C图像以及T2图像上确定对应的最大目标层面，其中，所述最大目标层面为所述待分类目标面积最大的轴位面；将所述待分类目标在三维掩膜、T1C图像以及T2图像上的最大目标层面联合输入预先训练好的第二深度神经网络模型，得到所述待分类目标的初步分类；将所述待分类目标的初步分类以及目标分类参考特征输入预先训练好的分类器，得到所述待分类目标的最终分类，其中，所述目标分类参考特征为所述目标的影像特征和临床信息特征中影响目标分类的权重在预设排名内的特征。2.根据权利要求1所述的医学目标分类方法，其特征在于，所述第一深度神经网络模型的训练过程包括：获取样本目标集并分割为样本训练集和样本验证集，其中，所述样本目标集包括若干组已配准的T1C图像、T2图像以及FLAIR图像，所述FLAIR图像上的样本目标区域标注有样本标签；以所述样本训练集中配准的T1C图像、T2图像以及FLAIR图像作为联合输入，并基于Dice损失函数和所述样本标签，沿梯度下降的方向更新所述第一深度神经网络模型的权重，直至Dice损失函数收敛；以所述样本验证集测试所述第一深度神经网络模型的效能，以获得最优模型参数。3.根据权利要求2所述的医学目标分类方法，其特征在于，所述第一深度神经网络模型的训练过程还包括：对所述样本目标集中的T1C图像、T2图像以及FLAIR图像进行零均值规范化处理，并裁剪为设定尺寸；基于所述样本标签，对所述样本目标集中FLAIR图像上的样本目标区域和背景区域进行二值化处理。4.根据权利要求1所述的医学目标分类方法，其特征在于，所述第一深度神经网络模型为3D
‑
Unet模型。5.根据权利要求2至3任一项所述的医学目标分类方法，其特征在于，所述样本目标集中的样本还标注有样本分类标签，所述影像特征包括三维影像组学特征和二维影像特征，所述方法还包括：将所述样本目标集中已配准的T1C图像、T2图像以及FLAIR图像联合输入预先训练好的第一深度神经网络模型，得到与所述样本目标集对应的三维掩膜；将与所述样本目标集对应的三维掩膜映射至所述样本目标集中对应的T1C图像，并在获得的T1C图像上的样本目标区域提取样本目标的三维影像组学特征；基于所述样本目标集中样本的临床信息特征、所述样本目标集中样本目标的三维影像组学特征和二维影像特征、以及所述样本分类标签，筛选影响样本目标分类的权重在预设排名内的特征，作为所述目标分类参考特征。6.根据权利要求5所述的医学目标分类方法，其特征在于，采用最小冗余最大相关性法筛选所述目标分类参考特征。
7.根据权利要求5所述的医学目标分类方法，其特征在于，所述三维影像组学特征包括一阶统计特征、形状特征以及纹理特征中一种...
【专利技术属性】
技术研发人员：聂可卉，杨俊，蔡鑫，
申请(专利权)人：浙江太美医疗科技股份有限公司，
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。