基于深度学习和影像组学的分层分类方法及系统技术方案

本发明专利技术提供了一种基于深度学习和影像组学的分层分类方法及系统，所述方法包括如下步骤：步骤S1：数据收集及目标结构检测，生成目标结构区域的检测框；步骤S2：从目标结构区域检测框内提取组学特征集F1，完成类别A与类别B的分类；步骤S3：基于深度卷积神经网络的目标结构对类别A进行自动分割；步骤S4：基于影像组学完成类别A的亚分类。本发明专利技术通过深度学习和机器学习的方法，构建了一套基于特定结构及其周围区域影像特征进行两个层级的自动分类的算法和系统，为与特定结构相关疾病的诊断流程提供了新思路。供了新思路。供了新思路。

【技术实现步骤摘要】
基于深度学习和影像组学的分层分类方法及系统


[0001]本专利技术涉及磁共振医学影像的
，具体地，涉及基于深度学习和影像组学的分层分类方法及系统。

技术介绍

[0002]在基于磁共振医学影像的疾病分类的研究中，大部分都使用某一种深度学习或影像组学方法、基于手动或自动分割的感兴趣区域，进行疾病的单次分类，不涉及分层分类。而事实上，某些感兴趣区域，可能涉及多种疾病；这些相关疾病的鉴别涉及到不同层次和范畴的特征，例如某些疾病可能涉及目标结构及其周围区域的信号、纹理、位置等特征的改变，而另外一些疾病则不存在临床影像上肉眼可见的前述特征异常、而是可能存在与微观形态学特征相关的微结构异常。在这些情况下，不宜使用传统多分类方法和流程，而应该针对不同层级使用不同的鉴别方法，即本专利提出的分层分类方法及系统。
[0003]文献A novel cascade machine learning pipeline for Alzheimer
’
s disease identification and prediction中，首先使用神经网络方法，进行海马结构的自动分割，并基于海马结构的感兴趣区域，使用影像组学方法，进行阿尔兹海默症和正常人的二分类。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术的目的是提供一种基于深度学习和影像组学的分层分类方法及系统。
[0005]根据本专利技术提供的一种基于深度学习和影像组学的分层分类方法，所述方法包括如下步骤：
[0006]步骤S1：数据收集及目标结构检测，生成目标结构区域的检测框；
[0007]步骤S2：从目标结构区域检测框内提取组学特征集F1，完成类别A与类别B的分类；
[0008]步骤S3：基于深度卷积神经网络的目标结构对类别A进行自动分割；
[0009]步骤S4：基于影像组学完成类别A的亚分类。
[0010]优选地，所述步骤S1：使用目标检测算法完成目标结构的检测，生成目标结构区域的检测框；目标检测模型包括但不限于yolo系列检测算法。
[0011]优选地，所述步骤S2包括如下步骤：
[0012]步骤S2.1：基于目标结构区域的检测框BB，使用影像组学方法从目标结构检测框内提取影像组学特征集F1；
[0013]步骤S2.2：使用特征筛选方法完成特征选择；
[0014]步骤S2.3：基于筛选后的特征集合，使用机器学习的方法完成目标结构区域的分类，分为类别A与类别B。
[0015]优选地，所述步骤S3：对目标结构区域为类别A的图像，使用基于深度学习方法的自动分割模型，进行目标结构的自动分割；所采用的医学图像真实标注，为步骤S1中目标结构的手动标注结果。
[0016]优选地，所述步骤S4包括如下步骤：
[0017]步骤S4.1：从目标结构的分割结果中，提取影像组学特征集F2；
[0018]步骤S4.2：将影像组学特征集F2与步骤S2中提取的目标区域的影像组学特征集F1合并，形成特征集F；
[0019]步骤S4.3：使用特征筛选方法完成特征选择；
[0020]步骤S4.4：基于筛选后的特征集合，使用机器学习的方法完成类别A的亚分类，分为A1，
…
，An。
[0021]本专利技术还提供一种基于深度学习和影像组学的分层分类系统，所述系统包括如下模块：
[0022]模块M1：数据收集及目标结构检测，生成目标结构区域的检测框；
[0023]模块M2：从目标结构区域检测框内提取组学特征集F1，完成类别A与类别B的分类；
[0024]模块M3：基于深度卷积神经网络的目标结构对类别A进行自动分割；
[0025]模块M4：基于影像组学完成类别A的亚分类。
[0026]优选地，所述模块M1：使用目标检测算法完成目标结构的检测，生成目标结构区域的检测框；目标检测模型包括但不限于yolo系列检测算法。
[0027]优选地，所述模块M2包括如下模块：
[0028]模块M2.1：基于目标结构区域的检测框BB，使用影像组学系统从目标结构检测框内提取影像组学特征集F1；
[0029]模块M2.2：使用特征筛选系统完成特征选择；
[0030]模块M2.3：基于筛选后的特征集合，使用机器学习的系统完成目标结构区域的分类，分为类别A与类别B。
[0031]优选地，所述模块M3：对目标结构区域为类别A的图像，使用基于深度学习系统的自动分割模型，进行目标结构的自动分割；所采用的医学图像真实标注，为模块M1中目标结构的手动标注结果。
[0032]优选地，所述模块M4包括如下模块：
[0033]模块M4.1：从目标结构的分割结果中，提取影像组学特征集F2；
[0034]模块M4.2：将影像组学特征集F2与模块M2中提取的目标区域的影像组学特征集F1合并，形成特征集F；
[0035]模块M4.3：使用特征筛选系统完成特征选择；
[0036]模块M4.4：基于筛选后的特征集合，使用机器学习的系统完成类别A的亚分类，分为A1，
…
，An。
[0037]与现有技术相比，本专利技术具有如下的有益效果：
[0038]本专利技术通过深度学习和机器学习的方法，构建了一套基于特定结构及其周围区域影像特征进行两个层级的自动分类的算法和系统，为与特定结构相关疾病的诊断流程提供了新思路，弥补了当前基于单个结构进行单次分类鉴别的方法的不足。
附图说明
[0039]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0040]图1为本专利技术分层分类疾病诊断方法流程图；
[0041]图2为本专利技术分层分类疾病诊断方法和系统使用流程图；
[0042]图3为本专利技术用于海马自动分割的网络示意图。
具体实施方式
[0043]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。
[0044]实施例1：
[0045]根据本专利技术提供的一种基于深度学习和影像组学的分层分类方法，所述方法包括如下步骤：
[0046]步骤S1：数据收集及目标结构检测，生成目标结构区域的检测框；使用目标检测算法完成目标结构的检测，生成目标结构区域的检测框；目标检测模型包括但不限于yolo系列检测算法。
[0047]步骤S2：从目标结构区域检测框内提取组学特征集F1，完成类别A与类别B的分类；
[0048]步骤S2.1：基于目标结构区域的检测框BB，使用影像组学方法从目标结构检测框内提取影像组学特征集F1；
[0049]步骤S2.2：使用特征筛选方法完成特征选择；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和影像组学的分层分类方法，其特征在于，所述方法包括如下步骤：步骤S1：数据收集及目标结构检测，生成目标结构区域的检测框；步骤S2：从目标结构区域检测框内提取组学特征集F1，完成类别A与类别B的分类；步骤S3：基于深度卷积神经网络的目标结构对类别A进行自动分割；步骤S4：基于影像组学完成类别A的亚分类。2.根据权利要求1所述的基于深度学习和影像组学的分层分类方法，其特征在于，所述步骤S1：使用目标检测算法完成目标结构的检测，生成目标结构区域的检测框；目标检测模型包括但不限于yolo系列检测算法。3.根据权利要求1所述的基于深度学习和影像组学的分层分类方法，其特征在于，所述步骤S2包括如下步骤：步骤S2.1：基于目标结构区域的检测框BB，使用影像组学方法从目标结构检测框内提取影像组学特征集F1；步骤S2.2：使用特征筛选方法完成特征选择；步骤S2.3：基于筛选后的特征集合，使用机器学习的方法完成目标结构区域的分类，分为类别A与类别B。4.根据权利要求1所述的基于深度学习和影像组学的分层分类方法，其特征在于，所述步骤S3：对目标结构区域为类别A的图像，使用基于深度学习方法的自动分割模型，进行目标结构的自动分割；所采用的医学图像真实标注，为步骤S1中目标结构的手动标注结果。5.根据权利要求1所述的基于深度学习和影像组学的分层分类方法，其特征在于，所述步骤S4包括如下步骤：步骤S4.1：从目标结构的分割结果中，提取影像组学特征集F2；步骤S4.2：将影像组学特征集F2与步骤S2中提取的目标区域的影像组学特征集F1合并，形成特征集F；步骤S4.3：使用特征筛选方法完成特征选择；步骤S4.4：基于筛选后的特征集合，使用机器学习的方法完成类别A的亚分类，分为A1，
…
，An。6.一种基于深...

【专利技术属性】
技术研发人员：杨丽琴，辛恩慧，李郁欣，罗啸，朴思蓉，
申请(专利权)人：复旦大学附属华山医院，
类型：发明
国别省市：