一种基于多视角图像特征融合的脑膜瘤自动分级方法技术

本发明专利技术公开了一种基于多视角图像特征融合的脑膜瘤自动分级方法，包括如下步骤：S1：针对模型输入端，将Dicom格式数据的病变图像转换成PNG数据后无需进行任何图像增强以及数据扩增处理，作为三个通路输入进多视角图像特征融合模型；S2：去掉ResNet的全连接层以及最大池化，作为每个视图特征提取的基础网络，引入迁移学习，并在模型上增加归一化的注意力模块抑制相关视图的不显著特征，以提取到每个视图最佳的特征信息；S3：在对每个视图提取的特征信息进行融合后，进行特征再提取，进一步过滤干扰信息，本发明专利技术利用三个不同通路的预训练残差神经网络模型和一个融合网络组成模型，端到端地训练融合模型，可以达到精准区分低级别脑膜瘤和高级别脑膜瘤的效果。膜瘤和高级别脑膜瘤的效果。膜瘤和高级别脑膜瘤的效果。

【技术实现步骤摘要】
一种基于多视角图像特征融合的脑膜瘤自动分级方法


[0001]本专利技术涉及深度学习和医学数据分类检测
，尤其涉及一种基于多视角图像特征融合的脑膜瘤自动分级方法。

技术介绍

[0002]脑膜瘤是成年人最常见的原发性颅内肿瘤，约占所有颅内肿瘤的33.8％。，根据2016年世界卫生组织(WHO)标准，可以将其分成I级、II级和III级。一般来说，低级别的脑膜瘤(I级)经过完全的手术切除可以获得良好的生存结果，而高级别脑膜瘤(II级、III级)往往更容易复发，复发率分别为30％
‑
40％和50％
‑
80％，五年后的总体生存率分别为78.4％和44.0％。已有详细研究表明，II级和III级脑膜瘤与复发性和侵袭性风险增加有关，即使在完全切除后，也需要额外的治疗策略，如放疗或者化疗。因此，手术前准确分级对于临床环境中的脑膜瘤患者至关重要。
[0003]磁共振成像(MRI)能够提供脑肿瘤解剖、细胞结构和血管供应的详细信息，是一项非常有价值的疾病诊断、治疗和检测的重要工具。一些研究人员已经证明，MRI图像可以为脑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多视角图像特征融合的脑膜瘤自动分级方法，其特征在于，包括如下步骤：S1：针对模型输入端，将Dicom格式数据的病变图像转换成PNG数据后无需进行任何图像增强以及数据扩增处理，作为三个通路输入进多视角图像特征融合模型；S2：去掉ResNet的全连接层以及最大池化，作为每个视图特征提取的基础网络，引入迁移学习，并在模型上增加归一化的注意力模块抑制相关视图的不显著特征，以提取到每个视图最佳的特征信息；S3：在对每个视图提取的特征信息进行融合后，进行特征再提取，进一步过滤干扰信息。2.根据权利要求1所述的一种基于多视角图像特征融合的脑膜瘤自动分级方法，其特征在于，所述S1中，采用新的模型输入方式，对于不同方向的核磁数据以不同的输入端并行进入网络，同时提取各自的特征信息。3.根据权利要求1所述的一种基于多视角图像特征融合的脑膜瘤自动分级方法，其特征在于，所述S2中，不同方向的特征提取采用不同深度的网络，并且针对其中两个方向加入NAM通道注意力机制模块，具体步骤为：S21：横截面输入的支路网络采用浅层网络ResNet 18，并在网络的末端去掉全连接层；S22：在冠状面和矢状面这两个输入通路中，采用深层网络ResNet 101，并且在每个Layer后加入NAM通道注意力机制模块来抑制各自通路中不显著的特征信息，在网络的末端去掉全连接层；S23：在冠状面和矢状面提取特征后，通过转换层，由7
×
7卷积层组成，并且加入批量归一化层以及Re...

【专利技术属性】
技术研发人员：白华，张琢，马全锋，杨勇，高强，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：