【技术实现步骤摘要】
所属的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。需要说明的是，上述实施例提供的一种基于动态增强mri的垂体微腺瘤智能辅助诊疗系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本专利技术实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本专利技术实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本专利技术的不当限定。术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。至此，已经结合附图所示的优选实施方式描述了本专利技术的技术方案，但是，本领域技术人员容易理解的是，本专利技术的保护范围显然不局限于这些具体实施方式。在不偏离本专利技术的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本专利技术的保护范围之内。
技术介绍
1、垂体腺瘤是是鞍区最常见肿瘤，估计占总人口的14.4％–22.5％。它起源于腺垂体细胞。大多数的垂体腺瘤生长缓慢且良性。根据垂体腺瘤的大
2、目前认为mri诊断垂体微腺瘤的要点是能否把微腺瘤与正常垂体间的信号强度的差别最大程度的显示出来。垂体微腺瘤mri信号异常(通常呈局灶性低信号)是肿瘤的直接征象，常规平扫由于多种因素影响而显示效果不佳，利用微腺瘤与正常垂体组织增强特性的不同，动态增强扫描能明显提高微腺瘤低信号灶检出率。然而人工分析mri数据通常是困难的、有偏见的和耗时的，而且诊断的准确性与放射科医生的经验密切相关
3、近年来，随着深度学习技术的快速发展，它在医学领域的应用也越来越受到关注。深度学习是机器学习的一种方法，它利用一系列的算法模拟人脑神经网络的结构和功能，通过对大量数据的学习和识别，实现自动的特征提取、分类和预测。在医学影像领域，深度学习技术已经被广泛应用于图像处理、疾病诊断和治疗等方面。对于垂体微腺瘤的诊断，采用深度学习技术进行图像分析和诊断，可以大大提高诊断的准确性和精度，并且有效地缩短了诊断的时间。因此，对深度学习技术在医学中的研究和应用具有重要的意义，将为医生和患者提供更好的医疗服务。
4、现有技术存在以下问题：垂体微腺瘤进行准确的标注是一项复杂而繁琐的任务，因为垂体微腺瘤的形态和大小各异，其边界也可能不清晰。所以很难获得大量的数据集样本，所以检测算法也面临着小样本的问题；微腺瘤是一种直径小于10毫米的微小肿瘤，其自身分辨率较低，并且垂体位于脑内深处，周围有许多重要的组织和结构，因此在进行垂体微腺瘤的检测时，需要避免对周围组织和结构造成损害，检测精度还有待提高。
5、基于此，本专利技术提供了一种基于动态增强mri的垂体微腺瘤智能辅助诊疗系统。
技术实现思路
1、为了解决现有技术中的上述问题，即数据集样本获取难度较大，检测精度不高的问题，本专利技术提供了一种基于动态增强mri的垂体微腺瘤智能辅助诊疗系统，该系统包括：
2、样本判别模块，其配置为获取mri数据，并进行预处理，将预处理后的mri数据作为输入数据输入至预构建的分类网络中，得到对应的图像特征，基于所述图像特征获取分类结果，当分类结果显示为阳性时，跳转至区域分割模块；
3、所述区域分割模块，其配置为将所述mri数据作为输入数据输入至区域分割网络中，得到不同层级的图像特征；结合所述不同层级的图像特征以及目标检测网络，得到多次度的融合图像，将所述多次度的融合图像输入至区域建议网络中，得到建议框；基于分类损失函数修正所述建议框的目标区域和背景区域的划分，同时基于回归损失函数修正所述建议框的位置，利用修正后的所述建议框对有效特层进行截取，得到局部特征层；
4、语义分割模块，其配置为将所述局部特征层输入至预构建的双路径语义分割网络中，得到垂体初始分割结果，基于对物体实例进行分类的损失函数、回归物体边界框位置的损失函数以及分割实例掩码的损失函数对所述垂体初始分割结果进行修正，得到垂体最终分割结果；
5、微腺瘤分割模块，其配置为将所述垂体最终分割结果作为输入数据输入至区域分割模块中，同时将所述区域分割模块中的所述目标检测网络进行优化，得到微腺瘤的局部特征图；将所述微腺瘤的局部特征图作为输入数据输入至语义分割模块中，得到微腺瘤最终分割结果。
6、在一些优选的实施方式中，所述预处理包括对所述mri数据进行缩放、剪裁、填充和标准化。
7、在一些优选的实施方式中，所述预构建的分类网络包括依次连接的多个连续的分类模块、全连接层和softmax层；
8、所述分类模块包括依次连接的第一卷积层、子批量归一化层、第一子relu层、最大池化层、第二卷积层和第二子relu层；其中，所述第一卷积层和所述第二卷积层均包括n个卷积核；
9、将预处理后的所述mri数据输入至所述第一卷积层通过n个卷积核进行卷积，得到n组特征图像，将所述n组特征图像输入至所述子批量归一化层，对n组特征图像进行归一化处理，使特征的均值为0、方差为1；
10、对归一化后的特征图像通过所述第一子relu层进行部分特征的激活；
11、将部分激活后的特征图像输入至所述最大池化层、所述第二卷积层和所述第二子relu层后，完成一次所述分类模块特提取步骤，重复多次所述分类模块的提取步骤后，得到所述图像特征；
12、将所述图像特征输入至全连接层中，所述全连接层用于完成分类任务；再通过softmax层得到当前的所述mri数据属于不同类的后验概率，进而得到分类结果。
13、在一些优选的实施方式中，所述区域分割网络和目标检测网络分别包括resnet50网络和特征金字塔网络。
14、在一些优选的实施方式中，所述分类损失函数为：
15、
16、其中，ncls是正负样本的总数，yi是实际类别标签，1表示目标，0表示背景，pi是网络预测的目标类别的概率。
17、在一些优选的实施方式中，所述回归损失函数为：
18、
19、其中，nreg是本文档来自技高网...
【技术保护点】
1.一种基于动态增强MRI的垂体微腺瘤智能辅助诊疗系统，其特征在于，该系统包括：
2.根据权利要求1所述的一种基于动态增强MRI的垂体微腺瘤智能辅助诊疗系统，其特征在于，所述预处理包括对所述MRI数据进行缩放、剪裁、填充和标准化。
3.根据权利要求1所述的一种基于动态增强MRI的垂体微腺瘤智能辅助诊疗系统，其特征在于，所述预构建的分类网络包括依次连接的多个连续的分类模块、全连接层和Softmax层；
4.根据权利要求1所述的一种基于动态增强MRI的垂体微腺瘤智能辅助诊疗系统，其特征在于，所述区域分割网络和目标检测网络分别包括Resnet50网络和特征金字塔网络。
5.根据权利要求1所述的一种基于动态增强MRI的垂体微腺瘤智能辅助诊疗系统，其特征在于，所述分类损失函数为：
6.根据权利要求1所述的一种基于动态增强MRI的垂体微腺瘤智能辅助诊疗系统，其特征在于，所述回归损失函数为：
7.根据权利要求1所述的一种基于动态增强MRI的垂体微腺瘤智能辅助诊疗系统，其特征在于，所述预构建的双路径语义分割网络包括：
...【技术特征摘要】
1.一种基于动态增强mri的垂体微腺瘤智能辅助诊疗系统，其特征在于，该系统包括：
2.根据权利要求1所述的一种基于动态增强mri的垂体微腺瘤智能辅助诊疗系统，其特征在于，所述预处理包括对所述mri数据进行缩放、剪裁、填充和标准化。
3.根据权利要求1所述的一种基于动态增强mri的垂体微腺瘤智能辅助诊疗系统，其特征在于，所述预构建的分类网络包括依次连接的多个连续的分类模块、全连接层和softmax层；
4.根据权利要求1所述的一种基于动态增强mri的垂体微腺瘤智能辅助诊疗系统，其特征在于，所述区域分割网络和目标检测网络分别包括resnet50网络和特征金字塔网络。
5.根据权利要求1所述的一种基于动态增强mri的垂体微腺瘤智能辅助诊疗系统，其特征在于，所...
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。