【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种医学图像分类方法、系统、电子设备和存储介质。
技术介绍
1、全球妇科肿瘤的发病率逐年上升，严重危害女性的健康，卵巢癌的发病率在妇科恶性肿瘤中位列第三，其死亡率更是居于首位，超过50％的卵巢肿瘤发生在育龄妇女中，不必要或过度的手术可能导致生育力下降。随着医学成像理论和技术的发展，大多数肿瘤可在早期检测到。然而，卵巢肿瘤的性质仍缺乏准确的判断，导致许多良性患者仍需要细针抽吸(fna)活检或手术，增加了患者的身体疼痛和精神压力，以及不必要的医疗保健费用。因此，对卵巢包块良恶性质的判断尤为重要。
2、除超声图像外，医生常常会关注he4和ca-125等肿瘤标志物的信息。ca-125是卵巢肿瘤诊断的首选标志物，但近年来的研究发现其对卵巢肿瘤诊断的敏感度和特异性都较低，容易导致假阴性或假阳性的出现。大量研究表明，he4有较高的特异度，he4诊断卵巢癌的敏感性可达72.9％，特异性达95％，特别是对于ⅰ期患者，具有较高的敏感性和特异性。且he4对早期卵巢癌的灵敏度(59％)高于ca125(53％)，尤其对i期卵巢癌的灵敏度(47％)明显高于ca125(20％)。因此，he4适合用于卵巢癌的早期诊断。也正因如此，he4作为ca125的补充诊断，弥补了ca125对早期卵巢癌诊断灵敏度较低的缺陷。但是，he4受到患者年龄和绝经与否的影响较大，会随着年龄的升高而增高。
3、随着科学技术的发展，计算机辅助诊断方法(cad)逐渐从早期的手工特征+机器学习的方法向深度学习方法过度。深度学习的方法有着
4、需要说明的是，公开于该专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
1、本专利技术的目的在于提供一种医学图像分类方法、系统、电子设备和存储介质，不仅可以快速且准确地判断出医学图像中的病灶(例如卵巢包块)的良恶性，而且具有较强的可解释性。
2、为达到上述目的，本专利技术提供一种医学图像分类方法，包括：
3、对所获取的患者的待分类医学图像进行病灶感兴趣区域的提取，以获取病灶感兴趣区域图像；
4、对所述病灶感兴趣区域图像进行特征提取，以获取所述病灶感兴趣区域图像的特征提取结果；
5、对所获取的所述患者的非图像信息进行特征提取，以获取所述非图像信息的特征提取结果，其中，所述非图像信息包括至少一项与所述患者的病灶相关的非图像检测信息；
6、对所述病灶感兴趣区域图像的特征提取结果以及所述非图像信息的特征提取结果进行融合，以获取融合特征；
7、根据所述融合特征进行病灶的良恶性分类，以获取所述待分类医学图像的分类结果。
8、可选的，所述对所述病灶感兴趣区域图像进行特征提取，以获取所述病灶感兴趣区域图像的特征提取结果，包括：
9、对所述病灶感兴趣区域图像进行特征提取，以获取所述病灶感兴趣区域图像的初始特征提取结果；
10、分别对所述病灶感兴趣区域图像的初始特征提取结果进行x向和y向的平均池化操作，以获取x向平均池化结果和y向平均池化结果；
11、分别对所述x向平均池化结果和所述y向平均池化结果进行卷积操作，以获取x向特征提取结果和y向特征提取结果；
12、将所述x向特征提取结果和y向特征提取结果相加，以获取全局特征提取结果；
13、对所述全局特征提取结果依次进行卷积操作与激励操作，以为每个特征通道生成对应的权重；
14、将所述病灶感兴趣区域图像的初始特征提取结果中的每个特征通道的特征与对应的权重相乘，以获取特征加权结果；
15、对所述特征加权结果进行形状重调整，以获取所述病灶感兴趣区域图像的特征提取结果。
16、可选的，在对所获取的所述患者的非图像信息进行特征提取之前，所述医学图像分类方法还包括：
17、对所述患者的非图像信息中的每一项信息分别进行归一化操作，以获取归一化后的非图像信息。
18、可选的，所述对所获取的所述患者的非图像信息进行特征提取，以获取所述非图像信息的特征提取结果，包括：
19、对所述患者的非图像信息进行特征维度的映射，以获取所述非图像信息的特征映射结果；
20、对所述非图像信息的特征映射结果进行特征加权，以获取所述非图像信息的特征提取结果。
21、可选的，所述对所述病灶感兴趣区域图像的特征提取结果以及所述非图像信息的特征提取结果进行融合，以获取融合特征，包括：
22、采用多头注意力机制对所述病灶感兴趣区域图像的特征提取结果以及所述非图像信息的特征提取结果进行融合，以获取融合特征。
23、可选的，所述采用多头注意力机制对所述病灶感兴趣区域图像的特征提取结果以及所述非图像信息的特征提取结果进行融合，以获取融合特征，包括：
24、针对每一头：
25、分别将所述病灶感兴趣区域图像的特征提取结果映射成键向量和值向量，将所述非图像信息的特征提取结果映射成查询向量；
26、计算所述查询向量和所述键向量的点积，并对点积结果进行归一化处理，以获取查询向量和值向量v的相似度权值；
27、将所述值向量与所述相似度权值进行加权处理，以完成该头注意力的计算；
28、将各头注意力的计算结果进行拼接，并对拼接结果进行线性变换，以获取融合特征。
29、可选的，所述根据所述融合特征进行病灶的良恶性分类，以获取所述待分类医学图像的分类结果，包括：
30、分别对所述融合特征进行最大池化操作和平均池化操作，以获取最大池化融合特征和平均池化融合特征；
31、将所述最大池化融合特征和所述平均池化融合特征相加，以获取最终融合特征；
32、根据所述最终融合特征进行病灶的良恶性分类，以获取所述待分类医学图像的分类结果。
33、可选的，所述根据所述最终融合特征进行病灶的良恶性分类，以获取所述待分类医学图像的分类结果，包括：
34、根据所述最终融合特征获取所述待分类医学图像归属于良性类别和恶性类别的概率；
35、将良性类别和恶性类别中的概率值较大的一者作为所述待分类医学图像的分类结果。
36、可选的，所述非图像检测信息包括肿瘤标志物检测信息、基因检测信息以及智力状况检测信息中的至少一种；
37、所述非图像信息还包括所述患者的性别信息、年龄信息以及绝经状况信息中的至少一种。
38、为达到上述目的，本专利技术还提供一种医学图像分类系统，包括括病灶感兴趣区域提取模块和分类模型；
39、所述病灶感兴趣区域提取模块配置为对所获取的患者的待分类医学图像进行病灶感兴趣区域的提取，以获取病灶感兴趣区域图像；
40、所述分类模型本文档来自技高网...
【技术保护点】
1.一种医学图像分类方法，其特征在于，包括：
2.根据权利要求1所述的医学图像分类方法，其特征在于，所述对所述病灶感兴趣区域图像进行特征提取，以获取所述病灶感兴趣区域图像的特征提取结果，包括：
3.根据权利要求1所述的医学图像分类方法，其特征在于，在对所获取的所述患者的非图像信息进行特征提取之前，所述医学图像分类方法还包括：
4.根据权利要求1所述的医学图像分类方法，其特征在于，所述对所获取的所述患者的非图像信息进行特征提取，以获取所述非图像信息的特征提取结果，包括：
5.根据权利要求1所述的医学图像分类方法，其特征在于，所述对所述病灶感兴趣区域图像的特征提取结果以及所述非图像信息的特征提取结果进行融合，以获取融合特征，包括：
6.根据权利要求5所述的医学图像分类方法，其特征在于，所述采用多头注意力机制对所述病灶感兴趣区域图像的特征提取结果以及所述非图像信息的特征提取结果进行融合，以获取融合特征，包括：
7.根据权利要求1所述的医学图像分类方法，其特征在于，所述根据所述融合特征进行病灶的良恶性分类，以获取所述
8.根据权利要求7所述的医学图像分类方法，其特征在于，所述根据所述最终融合特征进行病灶的良恶性分类，以获取所述待分类医学图像的分类结果，包括：
9.根据权利要求1所述的医学图像分类方法，其特征在于，所述非图像检测信息包括肿瘤标志物检测信息、基因检测信息以及智力状况检测信息中的至少一种；
10.一种医学图像分类系统，其特征在于，包括病灶感兴趣区域提取模块和分类模型；
11.根据权利要求10所述的医学图像分类系统，其特征在于，所述第一特征提取网络包括第一特征提取单元和特征加权单元：
12.根据权利要求10所述的医学图像分类系统，其特征在于，所述第二特征提取网络包括：
13.根据权利要求10所述的医学图像分类系统，其特征在于，所述特征融合网络包括多个并行设置的交叉注意力单元、一个拼接层和一个第三全连接层；
14.根据权利要求10所述的医学图像分类系统，其特征在于，所述分类网络包括：
15.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1至9中任一项所述的医学图像分类方法。
16.一种可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至9中任一项所述的医学图像分类方法。
...【技术特征摘要】
1.一种医学图像分类方法，其特征在于，包括：
2.根据权利要求1所述的医学图像分类方法，其特征在于，所述对所述病灶感兴趣区域图像进行特征提取，以获取所述病灶感兴趣区域图像的特征提取结果，包括：
3.根据权利要求1所述的医学图像分类方法，其特征在于，在对所获取的所述患者的非图像信息进行特征提取之前，所述医学图像分类方法还包括：
4.根据权利要求1所述的医学图像分类方法，其特征在于，所述对所获取的所述患者的非图像信息进行特征提取，以获取所述非图像信息的特征提取结果，包括：
5.根据权利要求1所述的医学图像分类方法，其特征在于，所述对所述病灶感兴趣区域图像的特征提取结果以及所述非图像信息的特征提取结果进行融合，以获取融合特征，包括：
6.根据权利要求5所述的医学图像分类方法，其特征在于，所述采用多头注意力机制对所述病灶感兴趣区域图像的特征提取结果以及所述非图像信息的特征提取结果进行融合，以获取融合特征，包括：
7.根据权利要求1所述的医学图像分类方法，其特征在于，所述根据所述融合特征进行病灶的良恶性分类，以获取所述待分类医学图像的分类结果，包括：
8.根据权利要求7所述的医学图像分类方法，其特征在于，所述根据所述最终融合特征进行...
【专利技术属性】
技术研发人员：请求不公布姓名，陈俊强，邹寅清，石思远，崔晨，
申请(专利权)人：上海微创卜算子医疗科技有限公司，
类型：发明
国别省市：
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。