一种基于多实例学习的注意力机制在CT扫描中自动判别增强相位方法技术

本发明专利技术涉及医学成像技术领域，公开了一种基于多实例学习的注意力机制在CT扫描中自动判别增强相位方法，该方法从数据集中提取CT扫描图像及DICOM信息，经HU转换、截断与线性缩放后统一图像尺寸；利用直接或间接随机采样及三次插值策略获取固定数量的切片；随后采用预训练的模型提取切片特征，并通过注意力聚合形成扫描级特征向量，最终由全连接层和Softmax模块输出四类相位的预测概率；模型采用交叉熵损失与Adam优化器进行训练，通过精度、召回率、F1‑score等指标评估性能，并结合梯度反传生成热力图，实现结果的直观可视化，辅助临床判定。本发明专利技术可在真实临床环境中对CT扫描多期相进行准确、快速且可解释的分类。

【技术实现步骤摘要】

本专利技术涉及医学成像，具体而言，涉及一种基于多实例学习的注意力机制在ct扫描中自动判别增强相位方法。

技术介绍

1、在医学成像领域，尤其是对比增强ct（ce-ct）扫描的自动判别增强相位方面，存在诸多亟待解决的问题。

2、随着ct及对比剂在医学成像中的广泛应用，针对不同增强相位如无对比相、动脉相、静脉相等的自动判别对后续任务具有重要意义，包括器官分割、放射性影像组学特征提取与分析以及疾病预后预测等。然而，目前ct图像元数据中常缺少对增强相位的标准化标注，比如dicom标签存在不完善或不标准的情况，甚至人工输入可能出错，这使得自动化程度较低。同时，区分不同增强相位面临图像强度变化、时序特征以及数据规模庞大等挑战。

3、传统方法存在诸多不足。首先，标注不规范，dicom中相位标签常由人工录入，容易出现错误或缺失，进而需要大量人工进行重新核对和分期。其次，三维模型计算量大，早期3d卷积网络如c3d、3d - resnet虽能一次性处理整个3d体数据，但参数量大、推理速度慢，难以满足大规模临床需求。再者，深度学习模型如cnn对分类结果虽有本文档来自技高网...

【技术保护点】

1.一种基于多实例学习的注意力机制在CT扫描中自动判别增强相位方法，其特征在于，包括：

2.根据权利要求1所述的基于多实例学习的注意力机制在CT扫描中自动判别增强相位方法，其特征在于，所述元数据包括Pixel Data、Rescale Slope/Intercept、窗宽和/或窗位。

3.根据权利要求1所述的基于多实例学习的注意力机制在CT扫描中自动判别增强相位方法，其特征在于，将所有扫描数据划分为训练集、验证集和测试集时，训练集、验证集和测试集的比例为70%、15%和15%。

4.根据权利要求1所述的基于多实例学习的注意力机制在CT扫描中自动判别增强...

【技术特征摘要】

1.一种基于多实例学习的注意力机制在ct扫描中自动判别增强相位方法，其特征在于，包括：

2.根据权利要求1所述的基于多实例学习的注意力机制在ct扫描中自动判别增强相位方法，其特征在于，所述元数据包括pixel data、rescale slope/intercept、窗宽和/或窗位。

3.根据权利要求1所述的基于多实例学习的注意力机制在ct扫描中自动判别增强相位方法，其特征在于，将所有扫描数据划分为训练集、验证集和测试集时，训练集、验证集和测试集的比例为70%、15%和15%。

4.根据权利要求1所述的基于多实例学习的注意力机制在ct扫描中自动判别增强相位方法，其特征在于，所述直接随机采样为随机抽取64张切片；

...

【专利技术属性】
技术研发人员：占志威，黄文高，
申请(专利权)人：深圳市一苣技术有限公司，
类型：发明
国别省市：