【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种基于深度学习影像模型的前列腺mri图像分类方法、系统及设备。
技术介绍
1、多参数磁共振成像(mpmri)，包括t2加权成像(t2wi)、扩散加权成像(dwi)和动态对比增强成像(dce)。该成像方式可以描述肿瘤的解剖形态，呈现肿瘤与周围组织的关联，目前已广泛应用于前列腺癌的诊断和治疗决策中。临床中，mri评估是基于图像中明显的病灶特征(如肿瘤大小、位置和强度)进行视觉评估的，该方法大大依赖于放射科医生的高水平专业知识，因此容易导致观察者之间的差异。此外，一些与前列腺癌侵袭性和肿瘤进展相关的细微、甚至肉眼不可见的特征(例如，纹理特征、高级别特征)在视觉评估时被遗漏了。然而，将这些难以察觉的信息纳入临床评估中，可以大大提高前列腺mri图像分类的准确性。
2、深度学习是典型的人工智能方法之一，可以自动学习特定于任务的高维、可挖掘和定量特征(例如，肿瘤解剖结构、神经血管束和其他不可见的特征)，这些特征与前列腺癌的侵袭性密切相关。将这些高通量和深度挖掘的特征作为输入信息，深度学习影像模型可以输出图像分类的定量评分。目前，深度学习已被广泛应用于辅助前列腺癌的诊断和治疗决策中。然而，在利用术前前列腺mri图像信息预测前列腺癌患者术后局部复发或转移等预测领域（二分类问题：是否复发，是否转移），深度学习方法研究尚未报道。
3、基于此，本专利技术提取了一种基于深度学习影像模型的前列腺mri图像分类方法。
技术实现思路
1、为了解决现有技术中
2、s100，获取目标对象的前列腺mri图像，作为输入图像；所述输入图像包括t2wi图像、dwi图像和adc图像；
3、s200，对所述输入图像进行预处理，得到预处理图像；所述预处理包括数据去识别化、数据配准；
4、s300，对所述预处理图像进行三维病变级别roi提取并对提取的roi区域进行数据协调、数据增强处理；所述数据协调包括偏置场校正、重采样、归一化；
5、s400，将数据增强处理后的roi区域分别输入预构建的前列腺mri图像分类模型，进而得到分类结果；
6、所述前列腺mri图像分类模型为包含微调的三维swin-transformer的深度学习影像模型。
7、在一些优选的实施方式中，对所述输入图像进行数据去识别化、数据配准，其方法为：
8、将所述前列腺mri图像从dicom格式转换为nifti格式；
9、以格式转换后的t2wi图像为参考图像、将格式转换后的dwi图像和格式转换后的adc图像作为浮动图像；将所述浮动图像通过三维刚性变换配准到所述参考图像上。
10、在一些优选的实施方式中，对所述预处理图像进行三维病变级别roi提取，其方法为：
11、获取所述预处理图像的病变区域；以所述病变区域的最长边界为标准，在上、下、左、右四个方向扩充设定个像素值，然后截取二维正方形区域；将包含肿瘤的二维正方形区域和瘤周区域合并为三维病变级别roi区域。
12、在一些优选的实施方式中，对提取的roi区域进行数据协调处理，其方法为：
13、利用n4itk操作，对所述三维病变级别roi区域进行偏置场校正；
14、对偏置场校正后的三维病变级别roi区域进行插值处理，插值到设定的分辨率；
15、对插值处理后的三维病变级别roi区域进行归一化处理。
16、在一些优选的实施方式中，所述前列腺mri图像分类模型，其结构为：
17、所述前列腺mri图像分类模型包括病变输入模块、带有边缘注意力机制的三分支网络模块、软注意力融合模块和集成模块；
18、所述病变输入模块，用于将所述t2wi图像、所述dwi图像和所述adc图像对应的提取的roi区域输入至所述带有边缘注意力机制的三分支网络模块；
19、所述带有边缘注意力机制的三分支网络模块包含三个并行且独立的微调的三维swin-transformer分支网络，分别用于输入所述t2wi图像、所述dwi图像和所述adc图像对应的提取的roi区域；
20、所述微调的三维swin-transformer分支网络包括依次连接的3d 补丁分割层、四个阶段、归一化层、第一一维自适应平均池化层、第一全连接层；所述四个阶段按照顺序分为阶段1、阶段2、阶段3和阶段4；所述阶段1包括线性降维层、2个第一3d swin-transformer块；所述阶段2包括补丁合并层和2个第二3d swin-transformer块；所述阶段3包括补丁合并层和6个第三3d swin-transformer块；所述阶段4包括补丁合并层和2个第四3d swin-transformer块；
21、各3d swin-transformer块均嵌入边缘注意力机制，即将所述边缘注意力机制与各3d swin-transformer块的原输入一起输入各3d swin-transformer块中；
22、所述边缘注意力机制的获取方法为：首先通过腐蚀算法，利用3*3的卷积核将前列腺病变边界向内部收缩，通过将前列腺病变区域和前列腺病变收缩区域相减得到前列腺病变边缘信息，进而根据各roi区域中像素值距离前列腺病变边缘的远近从小到大设置边缘注意力权重；
23、所述阶段1的输出依次经过第二一维自适应平均池化层和第二全连接层，然后与所述第一全连接层的输出融合；所述阶段2的输出依次经过第三一维自适应平均池化层和第三全连接层，然后与所述第一全连接层的输出融合；所述阶段3的输出依次经过第四一维自适应平均池化层和第四全连接层，然后与所述第一全连接层的输出融合；所述第一全连接层、所述第二全连接层、所述第三全连接层、所述第四全连接层的输出融合后的特征通过第五全连接层处理后输出，作为所述微调的三维swin-transformer分支网络的输出；所述微调的三维swin-transformer分支网络的输出再经过空间注意力模块和通道注意力模块处理，得到微调的三维swin-transformer分支网络的输出分数；
24、将所述带有边缘注意力机制的三分支网络模块中三个微调的三维swin-transformer分支网络的输出分数分别通过所述软注意力融合模块进行点积加权处理，点积加权后进行融合，融合后通过softmax进行缩放处理，得到分类分数，即初级分类概率，作为深度学习标签；
25、所述集成模块，用于将所述分类分数与预获取的临床特征通过逻辑回归模型进行结合，进而得到分类结果；所述临床特征包括活检gleason分级组、pi-rads评分、psa水平、adc值和d-max。
26、在一些优选的实施方式中，所述三个微调的三维swin-transformer分支网本文档来自技高网...
【技术保护点】
1.一种基于深度学习影像模型的前列腺MRI图像分类方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于深度学习影像模型的前列腺MRI图像分类方法，其特征在于，对所述输入图像进行数据去识别化、数据配准，其方法为：
3.根据权利要求1所述的基于深度学习影像模型的前列腺MRI图像分类方法，其特征在于，对所述预处理图像进行三维病变级别ROI提取，其方法为：
4.根据权利要求3所述的基于深度学习影像模型的前列腺MRI图像分类方法，其特征在于，对提取的ROI区域进行数据协调处理，其方法为：
5.根据权利要求4所述的基于深度学习影像模型的前列腺MRI图像分类方法，其特征在于，所述前列腺MRI图像分类模型，其结构为：
6.根据权利要求5所述的基于深度学习影像模型的前列腺MRI图像分类方法，其特征在于，所述三个微调的三维Swin-Transformer分支网络的输出分别通过所述软注意力融合模块进行点积加权处理，其方法为：
7.根据权利要求1所述的基于深度学习影像模型的前列腺MRI图像分类方法，其特征在于，所述数据增强包
8.一种基于深度学习影像模型的前列腺MRI图像分类系统，其特征在于，该系统包括：
9.一种基于深度学习影像模型的前列腺MRI图像分类设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习影像模型的前列腺mri图像分类方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于深度学习影像模型的前列腺mri图像分类方法，其特征在于，对所述输入图像进行数据去识别化、数据配准，其方法为：
3.根据权利要求1所述的基于深度学习影像模型的前列腺mri图像分类方法，其特征在于，对所述预处理图像进行三维病变级别roi提取，其方法为：
4.根据权利要求3所述的基于深度学习影像模型的前列腺mri图像分类方法，其特征在于，对提取的roi区域进行数据协调处理，其方法为：
5.根据权利要求4所述的基于深度学习影像模型的前列腺mr...
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。