一种基于多模态融合的多弥散MRI图像肝纤维化识别方法技术

本申请实施例提供了一种基于多模态融合的多弥散MRI图像肝纤维化识别方法，通过获取检测对象的肝部图像和基础信息，将检测对象的肝部图像和基础信息输入目标的肝纤维化评估模型中，提取输入肝部图像对应的肝纤维化特征和基础信息的有效特征，其中，有效特征包括与肝纤维化相关的图像特征和/或人口学特征。通过目标的肝纤维化评估模型对肝纤维化特征和有效特征进行特征融合，得到检测对象的肝纤维化评估结果。本申请实施例通过融合多种不同类型数据的特征的肝纤维化评估模型对检测对象是否存在肝纤维进行评估，相较于传统仅对MRI图像一种类型的数据进行分析、识别的学习模型，具有更高准确率，且具有更强的鲁棒性。且具有更强的鲁棒性。且具有更强的鲁棒性。

【技术实现步骤摘要】
一种基于多模态融合的多弥散MRI图像肝纤维化识别方法


[0001]本申请涉及医学影像分类预测领域，尤其涉及一种基于多模态融合的多弥散MRI图像肝纤维化识别方法。

技术介绍

[0002]肝纤维化(hepatic fibrosis)是指肝脏内弥漫性细胞外基质(特别是胶原)过度沉积，是各种慢性肝病发展为肝硬化、肝癌的必经途径。核磁共振成像(Magnetic Resonance Imaging,MRI)作为一种以非入侵方式的弥散成像方式，能实现肝纤维化的特异性显像。
[0003]传统的肝纤维化的识别方法可以通过对肝部的MRI图像切片中的肝纤维化区域进行预测或者识别，得到肝纤维化的识别结果。然而，传统的肝纤维化的识别方法存在准确率低的问题。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供了一种能够提高躯体化障碍识别效率的一种基于多模态融合的多弥散MRI图像肝纤维化识别方法。
[0005]第一方面，本申请实施例提供一种基于多模态融合的多弥散MRI图像肝纤维化识别方法，包括：
[0006]获取检测对象的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态融合的多弥散MRI图像肝纤维化识别方法，其特征在于，包括：获取检测对象的肝部图像和基础信息；将所述检测对象的肝部图像和基础信息输入目标的肝纤维化评估模型中，提取所述输入肝部图像对应的肝纤维化特征和所述基础信息的有效特征；所述有效特征包括与肝纤维化相关的图像特征和/或人口学特征；通过所述目标的肝纤维化评估模型对所述肝纤维化特征和所述有效特征进行特征融合，得到所述检测对象的肝纤维化评估结果。2.根据权利要求1所述的方法，其特征在于，所述目标的肝纤维化评估模型的构建方式，包括：获取多个样本对象对应的输入肝部图像和基础信息；所述基础信息包括所述样本对象的病理学信息和人口学信息；将所述样本对象对应的输入肝部图像和基础信息输入至初始的肝纤维化评估模型中，通过所述初始的肝纤维化评估模型提取所述输入肝部图像对应的肝纤维化特征和所述基础信息的有效特征；所述有效特征包括与肝纤维化相关的图像特征和/或人口学特征；通过所述初始的肝纤维化评估模型对所述肝纤维化特征和所述有效特征进行特征融合，得到所述样本对象的肝纤维化识别图像；基于所述样本对象的肝纤维化识别图像调整所述初始的肝纤维化评估模型的参数，直至所述初始的肝纤维化评估模型达到收敛，得到所述目标的肝纤维化评估模型。3.根据权利要求2所述的方法，其特征在于，所述在将各所述输入肝部图像输入至所述初始的肝纤维化评估模型中之前，所述方法还包括：获取所述样本对象的多张参考肝部图像，各所述参考肝部图像的弥散参数不同；对各所述参考肝部图像中的肝部区域和病灶区域进行标记，并将标记后的各所述参考图像作为输入肝部图像。4.根据权利要求3所述的方法，其特征在于，所述弥散参数模型包括：连续时间随机游走模型、弥散峰度模型、分数微积分模型和磁共振体素不相干影像模型。5.根据权利要求2
‑
4任一项所述的方法，其特征在于，所述初始的肝纤维化评估模型包括3D Efficient Net，包括：第一卷积层、注意力机制模块、第二卷积层、平均池化层和全连接层；所述第一卷积层的卷积核大小为3*3*3；所述第二卷积层的卷积核大小为1*1*1；所述注意力机制模块包括4个注意力机制子模块，各所述注意力机制子模块的倍率因子为1或6，各所述注意力机制子模块包括：第三卷积层、逐通道卷积层、压缩与激励网络和直连层；所述第三卷积层的卷积核大小为1*1*1，所述倍率因子用于指示所述第三卷积层中输入特征矩阵的通道数的扩充倍数；所述3D Efficient Net，用于提取所述初始肝部图像的肝纤维化特...

【专利技术属性】
技术研发人员：胡斌，姚志军，郭昱辉，李同同，赵子阳，
申请(专利权)人：兰州大学，
类型：发明
国别省市：