肿瘤分类系统与存储介质技术方案

本发明专利技术公开了一种肿瘤分类系统与存储介质。该系统包括处理器，所述处理器被配置为执行以下方法，包括：获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；确定各模态的医学图像的组学特征；对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征；将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。达到了可准确确定各个时期的肿瘤分类结果的技术效果。果。果。

【技术实现步骤摘要】
肿瘤分类系统与存储介质


[0001]本专利技术涉及医学图像处理
，尤其涉及一种肿瘤分类系统与存储介质。

技术介绍

[0002]脑转移瘤是中枢神经系统中最常见的恶性肿瘤，是原发性颅内肿瘤发病率的十倍之多。近些年来，脑转移瘤癌症患者大部分是肺癌脑转移患者。对于肺癌脑转移患者，非小细胞肺癌在临床上最为常见，发病率达到80％，小细胞肺癌患者仅占到20％左右；针对非小细胞肺癌患者，60％表达为EGFR突变，是患者的重要治疗靶点，比如EGFR外显子19位点突变、21位点突变、野生型等。现有技术通过病理学方法确定肺癌脑转移患者的(非)小细胞的病理类型或者EGFR表达，该方法并不适用于所有场景。因为病理学检测方法需要通过有创手术获取分析样本，许多晚期脑转移瘤患者无法耐受该手术。
[0003]综上，现有技术的肿瘤分类方法或系统存在应用场景受限的问题。

技术实现思路

[0004]本专利技术提供了一种肿瘤分类系统与存储介质，以解决现有肿瘤分类系统存在应用场景受限的问题。
[0005]根据本专利技术的一方面，提供了一种肿瘤分类系统，该系统包括处理器，所述处理器被配置为执行以下方法，包括：
[0006]获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；
[0007]确定各模态的医学图像的组学特征；
[0008]对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征；
[0009]将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。
[0010]根据本专利技术的另一方面，提供了一种肿瘤分类装置，包括：
[0011]获取模块，用于获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；
[0012]组学特征模块，用于确定各模态的医学图像的组学特征；
[0013]特征融合模块，用于对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征；
[0014]预测模块，用于将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。
[0015]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的肿瘤分类方法。
[0016]本专利技术实施例提供的肿瘤分类方法的技术方案，获取目标对象的至少两个模态的
医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；确定各模态的医学图像的组学特征；对所有模态的医学图像的组学特征进行特征融合以得到混合组学特征，从整体上减少了分类预测过程的参数量，也减少了分类预测过程中对服务器显存和内存的占用，使得分类算法结构更加轻量化；将混合组学特征输入已训练的图网络分类器以得到目标区域的预测分类结果，可有效防止图网络分类器对小批量数据集的过拟合，使得自动分类算法具有更好的分类性能和更高的效率。
[0017]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0018]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1是根据本专利技术实施例提供的肿瘤分类系统的流程图；
[0020]图2A是根据本专利技术实施例提供的肿瘤分类方法的流程图；
[0021]图2B是根据本专利技术实施例提供的图网络分类器的结构示意图；
[0022]图3A是根据本专利技术实施例提供的组学特征确定方法的流程图；
[0023]图3B是根据本专利技术实施例提供的组学特征确定方法的流程示意图；
[0024]图4A是根据本专利技术实施例提供的组学特征融合方法的流程图；
[0025]图4B是根据本专利技术实施例提供的组学特征融合方法的流程示意图；
[0026]图5是根据本专利技术实施例提供的肿瘤分类装置的结构示意图。
具体实施方式
[0027]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0028]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0029]图1为本专利技术实施例提供的肿瘤分类系统的结构图。肿瘤分类系统10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器
11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
[0030]肿瘤分类系统10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0031]处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行下文所描述的各个方法和处理，例如肿瘤分类方法。
[0032]图2A为本专利技术实施例提供的肿瘤分类方法的流程图，本实施例可适用于基于目标扫描部位的多模态的医学图像确定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肿瘤分类系统，其特征在于，该系统包括处理器，所述处理器被配置为执行以下方法，包括：获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；确定各模态的医学图像的组学特征；对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征；将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。2.根据权利要求1所述的系统，其特征在于，所述获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜，包括：获取目标对象的目标扫描部位的医学图像以及包括所述目标对象的目标扫描部位的至少一个其他模态的初始医学图像，所述医学图像包括目标区域的分割掩膜；对所述医学图像与所述至少一个其他模态的初始医学图像进行图像配准；基于配准结果将所述医学图像中的分割掩膜同步至其他模态的初始医学图像，以得到其他模态的医学图像。3.根据权利要求1所述的系统，其特征在于，所述确定各模态的医学图像的组学特征，包括：在至少一个模态的医学图像的分辨率不是目标分辨率的情况下，对该至少一个模态的医学图像进行重采样，以得到重采样后的该至少一个模态的医学图像，所述重采样后的该至少一个模态的医学图像的分辨率均为目标分辨率；对具有目标分辨率的各模态的医学图像的像素值进行标准化，以得到标准化后的各模态的医学图像；对标准化后的各模态的医学图像进行组学特征提取，以得到各模态的医学图像的组学特征；对各模态的医学图像的组学特征进行标准化处理，以得到标准化后的各模态的医学图像的组学特征。4.根据权利要求1所述的系统，其特征在于，对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征，包括：基于设定激活函数确定各模态的医学图像的组学特征的查询向量，以得到各模态的医学图像对应的查询向量；基于设定归一化函数确定各模态的医学图像对应的查询向量的归一化权重系数；采用各模态的医学图像对应的归一化权重系数对各模态的医学图像的混合特征进行归一化，以得到各模态的医学图像的当前组学特征；将所有模态的医学图像的当前组学特征进行拼接以得到混合组学特征。5.根据权利要求4所述的系统，其特征在于，所述设定激活函数为tanh；所述设定归一化函数为softmax函数。6.根据权利要求1...

【专利技术属性】
技术研发人员：陈灿灿，王大为，王少康，陈宽，
申请(专利权)人：推想医疗科技股份有限公司，
类型：发明
国别省市：