CN115830001A

CN115830001A - 肠道图像处理方法、装置、存储介质及电子设备

Info

Publication number: CN115830001A
Application number: CN202211659287.XA
Authority: CN
Inventors: 王杰祥; 潘俊文; 赵家英; 李永会
Original assignee: Douyin Vision Co Ltd
Current assignee: Douyin Vision Co Ltd
Priority date: 2022-12-22
Filing date: 2022-12-22
Publication date: 2023-03-21
Anticipated expiration: 2042-12-22
Also published as: CN115830001B

Abstract

本公开涉及一种肠道图像处理方法、装置、存储介质及电子设备，以通过多张连续的二维肠道图像预测肠癌复发风险。其中，该方法包括：获取基于肠道三维图像确定的多张连续的二维切片图像；将多张二维切片图像输入复发风险预测模型，得到复发风险结果，复发风险预测模型用于：对每一二维切片图像进行特征提取，得到多个初始图像特征；将多个初始图像特征按照多张二维切片图像的顺序依次输入序列特征提取网络，得到表征所述二维切片图像相关性的相关性特征；根据相关性特征，确定复发风险结果。

Description

肠道图像处理方法、装置、存储介质及电子设备

技术领域

本公开涉及图像处理技术领域，具体地，涉及一种肠道图像处理方法、装置、存储介质及电子设备。

背景技术

生存风险预测(survival risk prediction)任务旨在对癌症患者的生存能力作出预测，以辅助医生做出临床诊断和治疗决策。

在深度学习技术快速发展之前，生存风险可以采用传统的机器学习分析技术来预测，例如采用决策树和支持向量机等方式。但是，基于传统机器学习方法的生存风险预测方式往往难以达到令人满意的准确率。随着深度学习技术的发展，相关技术将深度学习引入到生存风险预测任务。但是，此种基于深度学习的生存风险预测方式中，输入数据往往是单张图像，在肠癌复发风险预测的场景下，难以达到令人满意的预测准确率。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种肠道图像处理方法，用于预测肠癌复发风险，所述方法包括：

获取基于肠道三维图像确定的多张连续的二维切片图像；

将多张所述二维切片图像输入复发风险预测模型，得到复发风险结果，所述复发风险预测模型用于通过如下方式确定所述复发风险结果：

对每一所述二维切片图像进行特征提取，得到多个初始图像特征；

将多个所述初始图像特征按照多张所述二维切片图像的顺序依次输入序列特征提取网络，得到表征多张所述二维切片图像相关性的相关性特征，其中所述序列特征提取网络用于根据第一次输入的所述初始图像特征，输出第一个特征，并根据输出的第N-1个特征和第N次输入的所述初始图像特征，输出第N个特征，所述相关性特征由所述序列特征提取网络依次输出的所述特征拼接而成，N为大于1且小于等于所述初始图像特征数量的正整数；

根据所述相关性特征，确定所述复发风险结果。

第二方面，本公开提供一种肠道图像处理装置，用于预测肠癌复发风险，所述装置包括：

获取模块，用于获取基于肠道三维图像确定的多张连续的二维切片图像；

预测模块，用于将多张所述二维切片图像输入复发风险预测模型，得到复发风险结果，所述复发风险预测模型用于通过如下模块确定所述复发风险结果：

第一确定模块，用于对每一所述二维切片图像进行特征提取，得到多个初始图像特征；

第二确定模块，用于将多个所述初始图像特征按照多张所述二维切片图像的顺序依次输入序列特征提取网络，得到表征多张所述二维切片图像相关性的相关性特征，其中所述序列特征提取网络用于根据第一次输入的所述初始图像特征，输出第一个特征，并根据输出的第N-1个特征和第N次输入的所述初始图像特征，输出第N个特征，所述相关性特征由所述序列特征提取网络依次输出的所述特征拼接而成，N为大于1且小于等于所述初始图像特征数量的正整数；

第三确定模块，用于根据所述相关性特征，确定所述复发风险结果。

第三方面，本公开提供一种非临时性计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。

通过上述技术方案，可以获取基于肠道三维图像确定的多张连续的二维切片图像，然后将多张连续的二维切片图像输入复发风险预测模型，从而实现肠癌复发风险的预测。其中，复发风险预测模型可以通过序列特征提取网络融合多张二维切片图像的图像特征，得到表征多张二维切片图像相关性的相关性特征进行复发风险预测。也即是说，可以提取出不同二维切片图像之间的相关性和上下文信息，相较于相关技术中通过单张图像进行预测的方式，可以提高复发风险预测的性能。相较于采用3D卷积或者transformer模型的方式，可以减少计算资源，从而提高预测效率。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开一示例性实施例示出的一种肠道图像处理方法的流程图；

图2是根据本公开一示例性实施例示出的一种肠道图像处理方法中复发风险预测模型的处理过程示意图；

图3是根据本公开另一示例性实施例示出的一种肠道图像处理方法中复发风险预测模型的处理过程示意图；

图4是根据本公开另一示例性实施例示出的一种肠道图像处理方法中复发风险预测模型的处理过程示意图；

图5是根据本公开一示例性实施例示出的一种肠道图像处理方法中轻量化卷积模块的示意图；

图6是根据本公开一示例性实施例示出的一种肠道图像处理方法中注意力门模块的示意图；

图7是根据本公开另一示例性实施例示出的一种肠道图像处理方法中复发风险预测模型的处理过程示意图；

图8是根据本公开一示例性实施例示出的一种肠道图像处理方法中目标注意力图的示意图；

图9是根据本公开另一示例性实施例示出的一种肠道图像处理方法中复发风险预测模型的处理过程示意图；

图10是根据本公开一示例性实施例示出的一种肠道图像处理装置的框图；

图11是根据本公开一示例性实施例示出的一种电子设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。另外需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

在深度学习技术快速发展之前，生存风险往往采用传统的机器学习分析技术来预测，如采用决策树和支持向量机等。然而，基于传统机器学习方法的生存风险预测方式往往难以得到令人满意的准确率。随着深度学习技术的发展，相关技术将深度学习引入到生存风险预测任务上，如利用多任务学习来预测肺癌复发风险。但是，此种基于深度学习的生存风险预测方式中，输入数据往往是单张图像。而在肠癌复发风险预测的场景下，比如基于肠道CT图像进行肠癌复发风险预测的场景下，三维的肠道CT图像往往具有多个二维切片，且切片与切片之间蕴含着大量的上下文关系，该关系可以为生存风险预测提供更大的信息支撑。虽然相关技术可以通过3D卷积或transformer模型来建模不同切片间的联系，但是在肠癌复发风险预测的场景下，样本切片数量较少，使用3D卷积或者transformer模型容易造成过拟合现象，且3D卷积或者transformer模型依赖于强大的计算资源，需要耗费较多的计算资源，从而影响预测效率。

有鉴于此，本公开实施例提供一种肠道图像处理方法，可以通过多张连续的二维肠道切片图像进行肠癌复发风险预测，通过提取多张二维肠道切片图像的相关性和上下文信息进行预测，提高肠癌复发风险的预测性能。相较于采用3D卷积或者transformer模型的方式，可以减少计算资源，从而提高预测效率。

图1是根据本公开一示例性实施例示出的一种肠道图像处理方法的流程图。参照图1，该方法可以用于预测肠癌复发风险，包括：

步骤101，获取基于肠道三维图像确定的多张连续的二维切片图像；

步骤102，将多张所述二维切片图像输入复发风险预测模型，得到复发风险结果。

其中，复发风险预测模型用于通过如下方式确定复发风险结果：对每一二维切片图像进行特征提取，得到多个初始图像特征；将多个初始图像特征按照多张二维切片图像的顺序依次输入序列特征提取网络，得到表征多张二维切片图像相关性的相关性特征，其中序列特征提取网络用于根据第一次输入的初始图像特征，输出第一个特征，并根据输出的第N-1个特征和第N次输入的初始图像特征，输出第N个特征，相关性特征由序列特征提取网络依次输出的特征拼接而成，N为大于1且小于等于初始图像特征数量的正整数；根据相关性特征，确定复发风险结果。

在一些实施例中，肠道三维图像可以是任一种三维的肠道医学影像，比如可以是三维的肠道CT(Computed Tomography，电子计算机断层扫描)图像，或者可以是三维的肠道MRI(Nuclear Magnetic Resonance Imaging，核磁共振成像)图像，本公开实施例对此不作限定。

在一些实施例中，复发风险预测模型的输入图像数量被设定为预设数量，相应地，将多张二维切片图像输入复发风险预测模型，得到复发风险结果，可以是：先确定多张二维切片图像的数量是否小于预设数量。若多张二维切片图像的数量小于预设数量，则将多张二维切片图像中的第一张图像和/或最后一张图像进行复制操作，得到目标图像，以使目标图像和多张二维切片图像的数量之和等于预设数量。然后，将目标图像和多张二维切片图像输入复发风险预测模型，得到复发风险结果。

应当理解的是，复发风险预测模型可以建模同一患者对应的、多张连续的二维切片图像间的相关性进行肠癌复发风险预测，而不同患者对应的二维切片图像的数量通常具有较大差异，比如，有的数量可能只有个位数，而有的数量可能过百。因此，本公开实施例设定复发风险预测模型的输入图像数量为预设数量，该预设数量可以根据实际情况设定，比如可以设定为8，或者可以设定为9，或者还可以根据样本肠道三维图像对应的二维切片图像数量的中位数确定该预设数量，本公开实施例不作限定。

比如，预设数量为8，基于肠道三维图像得到连续的5张二维切片图像。此种情况下，二维切片图像的数量小于预设数量，可以将该5张二维切片图像中的第一张图像复制3次，得到3张目标图像，然后将该3张目标图像排列在第一张图像之前，最后将该3张目标图像和基于肠道三维图像得到的5张二维切片图像输入复发风险预测模型。或者，可以将该5张二维切片图像中的最后一张图像复制3次，得到3张目标图像，然后将该3张目标图像排列在最后一张图像之后，最后将该3张目标图像和基于肠道三维图像得到的5张二维切片图像输入复发风险预测模型。或者，还可以将该5张二维切片图像中的第一张图像复制Q次，得到Q张目标图像，同时将该5张二维切片图像中的最后一张图像复制P次，得到P张目标图像。其中，Q和P为正整数，并且Q和P之和为二维切片图像与预设数量的差值3。然后将该Q张目标图像排列在第一张图像之前，并将该P张目标图像排列在最后一张图像之后，最后将3张目标图像和基于肠道三维图像得到的5张二维切片图像输入复发风险预测模型。

在其他可能的方式中，若多张二维切片图像的数量等于预设数量，则将多张二维切片图像输入复发风险预测模型。若多张二维切片图像的数量大于预设数量，则可以根据经验选取数量与预设数量相等的多张二维切片图像输入复发风险预测模型，或者可以随机选取数量与预设数量相等的多张二维切片图像输入复发风险预测模型，本公开实施例对此不作限定。

由此，当多张二维切片图像数量小于预设数量时进行图像复制操作，可以减少每次预测过程中由于二维切片图像的数量差异过大导致的图像复制操作，提高复发风险预测的效率。

在将二维切片图像输入复发风险预测模型后，首先可以通过CNN(ConvolutionalNeural Networks，卷积神经网络)进行特征提取，得到初始图像特征。在一些实施例中，考虑到基于肠道三维图像得到的二维切片图像的数量较少，因此可以选用层数较少的ResNet18进行特征提取，得到初始图像特征，该初始图像特征主要表征单张二维切片图像中肠道位置的空间信息。之后，可以将多个初始图像特征按照多张二维切片图像的顺序输入序列特征提取网络，得到表征多张二维切片图像相关性的相关性特征。

应当理解的是，二维切片图像是基于肠道三维图像得到的多张连续的图像，因此该二维切片图像之间具有排序顺序。并且，每一张二维切片图像对应一个初始图像特征，比如第一张二维切片图像对应第一个初始图像特征，第二张二维切片图像对应第二个初始图像特征，以此类推。因此，多个初始图像特征具有与多张二维切片图像相同的排列顺序，从而可以将多个初始图像特征按照多张二维切片图像的顺序依次输入序列特征提取网络，得到表征多张二维切片图像相关性的相关性特征。

比如，参照图2，通过ResNet18提取到9个初始图像特征：s1、……、s4、s5、s6、……、s9，序列特征提取网络可以包括与初始图像特征一一对应的9个特征提取单元：a1、……、a4、a5、a6、……、a9，第一个特征提取单元a1针对第一次输入的初始图像特征s1输出第一个特征c1，第四个特征提取单元a4根据第三个特征和第四次输入的初始图像特征s4输出第四个特征c4，第五个特征提取单元a5根据第四个特征和第五次输入的初始图像特征s5输出第五个特征c5，以此类推，可以结合之前每次输出的特征结果和本次输入的初始图像特征输出对应的特征结果。由此，每次输出的特征结果相当于是融合其他二维切片图像的图像特征，从而可以提取出不同二维切片图像之间的相关性和上下文信息，相较于相关技术中通过单张图像进行预测的方式，可以提高复发风险预测的性能。相较于采用3D卷积或者transformer模型的方式，可以减少计算资源，从而提高预测效率。

应当理解的是，图2中各特征提取单元的结构仅用于示意，在实际应用中，各特征提取单元的权重可以共享，因此可以设置一个特征提取单元，然后将多个初始图像特征依次输入该特征提取单元进行循环处理。

在一些实施例中，序列特征提取网络可以包括第一提取子网络和第二提取子网络，相应地，可以将多个初始图像特征按照多张二维切片图像的顺序依次输入第一提取子网络和第二提取子网络，该第一提取子网络和第二提取子网络均用于根据第一次输入的初始图像特征，输出第一个特征，并根据第N-1个特征和第N次输入的初始图像特征，输出第N个特征。然后，可以将第一提取子网络输出的第M个特征与第二提取子网络输出的第K个特征进行拼接，得到表征多张二维切片图像相关性的相关性特征。其中，M和K为正整数，M和K之和等于初始图像特征的数量加1。

应当理解的是，图2所示的方式只有最后一次输出的特征结果融合了所有初始图像特征，而其他次输出的特征结果均没有融合到所有初始图像特征，相关性特征可能无法充分体现多张二维切片图像之间的相关性。因此，本公开实施例通过另一序列特征提取网络提取相关性特征。

比如，参照图3，初始图像特征为：s1、……、s4、s5、s6、……、s9，第一提取子网络包括与初始图像特征一一对应的多个特征提取单元：b1、……、b4、b5、b6、……、b9，第二提取子网络包括与初始图像特征一一对应的多个特征提取单元：e1、……、e4、e5、e6、……、e9。第一提取子网络中，第一个特征提取单元b1针对第一次输入的初始图像特征s1输出第一个特征，第四个特征提取单元b4根据第三个特征和第四次输入的初始图像特征s4输出第四个特征，第五个特征提取单元b5根据第四个特征和第五次输入的初始图像特征s5输出第五个特征，以此类推，可以结合之前每次输出的特征结果和本次输入的初始图像特征输出对应的特征结果。同样地，第二提取子网络中，第一个特征提取单元e1针对第一次输入的初始图像特征s1输出第一个特征，第四个特征提取单元e4根据第三个特征和第四次输入的初始图像特征s4输出第四个特征，第五个特征提取单元e5根据第四个特征和第五次输入的初始图像特征s5输出第五个特征，以此类推，可以结合之前每次输出的特征结果和本次输入的初始图像特征输出对应的特征结果。

继续参照图3，可以将第一提取子网络输出的第一个特征与第二提取子网络输出的最后一个特征拼接(concat)，得到一融合特征，将第一提取子网络输出的第二个特征与第二提取子网络输出的倒数第二个特征拼接，得到另一融合特征，以此类推，将第一提取子网络输出的第M个特征与第二提取子网络输出的第K个特征进行拼接，得到多个融合特征：c1’、……、c4’、c5’、c6’、……、c9’。然后，将该多个融合特征进行拼接，得到用于表征多张二维切片图像相关性的相关性特征。

由此，每次输出的特征结果相当于是融合所有二维切片图像的图像特征，从而相关性特征可以充分体现不同二维切片图像之间的相关性和上下文信息，进一步提高复发风险预测的性能。

应当理解的是，图3中第一特征提取子网络和第二特征提取子网络中各特征提取单元的权重可以共享，因此在实际应用中，第一特征提取子网络和第二特征提取子网络均可以设置一个特征提取单元，然后将多个初始图像特征依次输入该特征提取单元进行循环处理。

在得到相关性特征后，复发风险预测模型可以根据该相关性特征，确定肠癌复发风险结果。

在一些实施例中，可以对相关性特征进行多尺度特征提取，得到多个目标特征，然后针对每一尺度下的目标特征，根据注意力机制和目标特征，确定注意力特征，并根据不同尺度下的注意力特征，确定目标注意力特征。最后，根据目标注意力特征，确定复发风险结果。

应当理解的是，在基于深度学习进行肠癌复发风险预测的相关技术中，通常缺乏对于特定输入注意力位置的建模，因此复发风险预测的性能较低。而本公开实施例可以通过多尺度特征注意力机制确定复发风险结果，一方面通过多尺度特征提取得到更丰富的特征进行复发风险预测，另一方面通过注意力机制可以加大重要切片图像中重要区域的特征影响，弱化次要切片图像中次要区域的特征影响，从而进一步提高复发风险预测的性能。

在一些实施例中，对相关性特征进行多尺度特征提取，得到多个目标特征可以是：对相关性特征进行降维处理，得到降维相关性特征，然后通过具有不同感受野的卷积模块对降维相关性特征进行多尺度特征提取，得到多个目标特征。其中，卷积模块由卷积核相同的至少一个轻量化卷积单元堆叠而成，且不同感受野的卷积模块包括不同数量的卷积单元。

比如，参照图4，可以通过1×1卷积对相关性特征进行降维，降低计算资源的消耗。然后堆叠多个3×3轻量化卷积来提取多尺度特征，得到多个目标特征。其中，相关性特征在包括1个3×3轻量化卷积的卷积模块中感受野为3×3，在包括2个3×3轻量化卷积的卷积模块中感受野为5×5，在包括3个3×3轻量化卷积的卷积模块中感受野为7×7，在包括4个3×3轻量化卷积的卷积模块中感受野为9×9。

另外应当理解的是，由于肠癌数据集规模往往较小，模型容易发生过拟合现象，因此本公开实施例中用于多尺度特征提取的卷积模块可以是轻量化卷积模块。比如，参照图5，3×3轻量化卷积模块可以由1×1卷积、3×3深度可分离卷积、批归一化和Relu激活函数组成，输出相对于输入的变化仅在于特征通道数的减少，而特征的尺寸大小不变。

在得到多个目标特征后，在一些实施例中，可以针对每一尺度下的目标特征进行降维操作，得到降维特征，对降维特征进行升维操作，得到升维特征，对升维特征进行归一化处理后求均值，得到注意力系数，将注意力系数和对应尺度下的目标特征相乘，得到注意力特征。然后，可以将不同尺度下的注意力特征相加，得到求和注意力特征，并对求和注意力特征进行升维操作，以使求和注意力特征的维度与相关性特征的维度相同，得到升维注意力特征。然后，将升维注意力特征与相关性特征相加，得到目标注意力特征。

例如，参照图6，可以通过1×1卷积和Relu激活函数对目标特征进行降维操作，得到降维特征，然后通过1×1卷积和Relu激活函数对目标特征进行升维操作，得到升维特征，然后通过Sigmoid激活函数对升维特征进行归一化处理后求均值，得到注意力系数。该注意力系数可以表征不同切片图像不同尺度下的特征重要性，将该注意力系数与对应的目标特征相乘可以增强与肠癌复发风险预测相关的特征表达，削弱不相关特征信息。

参照图7，不同尺度下的目标特征输入对应的注意力门模块，得到不同尺度的注意力特征。然后，将不同尺度下的注意力特征相加聚合，并通过1×1卷积进行升维操作，得到升维注意力特征，最后将升维注意力特征与相关性特征相加，得到目标注意力特征。由此，一方面可以通过多尺度特征提取得到更丰富的特征进行复发风险预测，另一方面通过注意力机制可以加大重要切片图像中重要区域的特征影响，弱化次要切片图像中次要区域的特征影响，从而进一步提高复发风险预测的性能。

在一些实施例中，还可以对每一尺度下的注意力特征提取单通道特征，并将单通道特征进行维度转换，以使单通道特征的维度与二维切片图像的维度相同，得到转换单通道特征。然后，将转换单通道特征映射到对应的二维切片图像，得到目标注意力图，其中二维切片图像与注意力特征中的单通道特征一一对应，目标注意力图用于显示复发风险预测模型在进行复发风险预测过程中对二维切片图像中各图像区域的关注程度。

应当理解的是，相关技术中生存风险预测模型通常缺乏可解释性，该可解释性可以一定程度上验证模型的可靠性。因此，本公开实施例可以对每一尺度下的注意力特征提取单通道特征。应当理解的是，注意力特征对应的每个图像通道对应一张二维切片图像，因此将单通道特征进行维度转换后可以映射到对应的二维切片图像，得到目标注意力图。

比如，参照图8，每张二维切片图像对应多个不同尺度下的目标注意力图。其中，目标注意力图中图像区域的灰度值表明复发风险预测模型在预测过程中对该图像区域的关注程度，图像区域的灰度值越大，则表明复发风险预测模型在预测过程中对该图像区域的关注程度越高，反之图像区域的灰度值越小，则表明复发风险预测模型在预测过程中对该图像区域的关注程度越低。由此，可以显性地展现出复发风险预测模型关注的图像区域，提高复发风险预测模型的可解释性。

在一些实施例中，根据目标注意力特征，确定复发风险结果可以是：将目标注意力特征输入第一全连接层，确定用于表征复发生存情况的结果，并将目标注意力特征输入第二全连接层，确定用于表征复发生存时间的结果。

比如，参照图9，多张连续的二维切片图像首先通过ResNet18进行特征提取，得到多个初始图像特征。然后，多个初始图像特征按照多张连续的二维切片图像的顺序依次输入包括第一特征提取子网络和第二特征提取子网络的序列特征提取网络，得到相关性特征。然后，通过多尺度特征注意力网络对相关性特征进行特征提取，得到目标注意力特征。最后，该目标注意力特征输入全连接层1，得到用于表征复发生存情况的结果event，并将该目标注意力特征输入全连接层2，得到用于表征复发生存时间的结果delay。其中，复发生存情况为复发后是否会死亡的情况，复发生存时间为复发后可以生存的时长。由此，本公开实施例可以从复发生存情况和复发生存时间两方面输出对应的预测结果，更好的辅助医生进行临床判断。

在一些实施例中，复发风险结果包括用于表征复发生存情况的结果和用于表征复发生存时间的结果，相应地，复发风险预测模型的训练过程包括：先获取基于样本肠道三维图像确定的多张连续的样本二维切片图像，该样本二维切片图像标注有复发生存情况标签和复发生存时间标签。然后，将多张样本二维切片图像输入复发风险预测模型，得到预测复发生存情况和预测复发生存时间。接着，根据样本二维切片图像对应的预测复发生存情况和复发生存情况标签进行损失函数的计算，得到第一损失值，并当复发生存情况标签为预设标签时，根据样本二维切片图像对应的预测复发生存时间和复发生存时间标签进行损失函数的计算，得到第二损失值。最后，根据第一损失值和第二损失值调整复发风险预测模型的参数。

示例地，可以获取多个肠道三维图像作为样本肠道三维图像，然后基于每一样本肠道三维图像确定多张连续的样本二维切片图像。之后，可以根据每张二维切片图像对应的实际肠癌复发情况，标注复发生存情况标签和复发生存时间标签。其中，复发生存情况标签用于表征肠癌复发后生存或死亡，比如通过1表示死亡，0表示生存。复发生存时间标签用于表征肠癌复发后实际的生存时长，可以通过该生存时长进行表示。

在训练阶段，先将多张样本二维切片图像输入复发风险预测模型，得到预测复发生存情况和预测复发生存时间，然后可以通过交叉熵损失函数进行计算，得到第一损失值：

其中，L_cs表示第一损失值，x_i表示第i个样本肠道三维图像对应的二维切片图像，θ_g表示复发风险预测模型中特征提取网络的参数，θ_fc1表示第一全连接层的网络参数，event_i表示第i个样本肠道三维图像对应的复发生存情况标签，1表示复发后死亡，0表示复发后生存，G_e表示预测复发生存情况，D表示样本肠道三维图像的数量。

生存时间预测的损失可以采用L1损失函数进行计算，得到第二损失值：

其中，L_reg表示第二损失值，G_d表示预测复发生存时间，θ_fc2表示第二全连接层的网络参数，delay_i表示复发生存时间标签。

应当理解的是，在训练过程中，当且仅当复发生存情况标签为预设标签时才计算第二损失值。其中，预设标签用于表征复发后死亡。由此，通过第一损失值和第二损失值调整复发风险预测模型的参数后，在模型应用阶段，复发风险预测模型可以从复发生存情况和复发生存时间两方面预测肠癌复发风险，更好的辅助医生进行临床判断。

应当理解的是，上述对于第一损失值和第二损失值的计算方式仅为举例说明，在实际应用中还可以采用其他类型的损失函数进行计算，得到第一损失值和第二损失值，本公开实施例对此不作限定。

另外，在模型训练阶段，初始学习率可以设定为1e-4，训练的batch-size可以设定为16，数据增扩方式可以采用水平翻转和上下翻转方式，训练优化器可以采用Adam，输入图像的维度可以设定为64×64×1，输入复发风险预测模型的图像数量可以设定为9，即上文所述的预设数量可以设定为9，本公开实施例对模型训练阶段的各项训练参数不作限定。

通过上述任一肠道图像处理方式，可以将序列化切片图像作为输入，通过建模不同切片图像之间的相关性和不同区域之间的关注程度，提高肠癌复发风险任务的预测性能，相较于相关技术中只将单张切片图像作为输入或使用3D模型得到模型输入的方式，可以减少过拟合的现象和计算资源。并且，通过多尺度特征注意力机制可以加大重要切片图像中重要区域的特征影响，弱化次要切片图像中次要区域的特征影响，进一步提高复发风险预测的性能，并显性地展现模型关注的切片图像和图像区域，提升了模型的可解释性。

基于同一构思，本公开还提供一种肠道图像处理装置，该装置可以通过软件、硬件或者两者的结合成为电子设备(比如电脑、CT扫描设备等)的部分或全部。参照图10，该肠道图像处理装置1000可以用于预测肠癌复发风险，包括：

获取模块1001，用于获取基于肠道三维图像确定的多张连续的二维切片图像；

预测模块1002，用于将多张所述二维切片图像输入复发风险预测模型，得到复发风险结果。所述复发风险预测模型用于通过如下模块确定所述复发风险结果：

可选地，所述序列特征提取网络包括第一提取子网络和第二提取子网络，所述第二确定模块用于：

将多个所述初始图像特征按照多张所述二维切片图像的顺序依次输入所述第一提取子网络和所述第二提取子网络，所述第一提取子网络和所述第二提取子网络用于根据第一次输入的所述初始图像特征，输出第一个特征，并根据第N-1个特征和第N次输入的所述初始图像特征，输出第N个特征；

将所述第一提取子网络输出的第M个特征与所述第二提取子网络输出的第K个特征进行拼接，得到表征多张所述二维切片图像相关性的相关性特征，其中M和K为正整数，M和K之和等于所述初始图像特征的数量加1。

可选地，所述第三确定模块用于：

对所述相关性特征进行多尺度特征提取，得到多个目标特征；

针对每一尺度下的所述目标特征，根据注意力机制和所述目标特征，确定注意力特征，并根据不同尺度下的所述注意力特征，确定目标注意力特征；

根据所述目标注意力特征，确定所述复发风险结果。

可选地，所述第三确定模块用于：

对所述相关性特征进行降维处理，得到降维相关性特征；

通过具有不同感受野的卷积模块对所述降维相关性特征进行多尺度特征提取，得到多个目标特征，其中所述卷积模块由卷积核相同的至少一个轻量化卷积单元堆叠而成，且不同感受野的所述卷积模块包括不同数量的所述卷积单元。

可选地，所述第三确定模块用于：

针对每一尺度下的所述目标特征进行降维操作，得到降维特征，并对所述降维特征进行升维操作，得到升维特征，对所述升维特征进行归一化处理后求均值，得到注意力系数，将所述注意力系数和对应尺度下的所述目标特征相乘，得到注意力特征；

将不同尺度下的所述注意力特征相加，得到求和注意力特征，并对所述求和注意力特征进行升维操作，以使所述求和注意力特征的维度与所述相关性特征的维度相同，得到升维注意力特征；

将所述升维注意力特征与所述相关性特征相加，得到目标注意力特征。

可选地，所述装置1000还包括：

特征提取模块，用于对每一尺度下的所述注意力特征提取单通道特征，并将所述单通道特征进行维度转换，以使所述单通道特征的维度与所述二维切片图像的维度相同，得到转换单通道特征；

映射模块，用于将所述转换单通道特征映射到对应的所述二维切片图像，得到目标注意力图，其中所述二维切片图像与所述单通道特征一一对应，所述目标注意力图用于显示所述复发风险预测模型在进行复发风险预测过程中对所述二维切片图像中各图像区域的关注程度。

可选地，所述第三确定模块用于：

将所述目标注意力特征输入第一全连接层，确定用于表征复发生存情况的结果，并将所述目标注意力特征输入第二全连接层，确定用于表征所述复发生存时间的结果。

可选地，所述复发风险结果包括用于表征复发生存情况的结果和用于表征复发生存时间的结果，所述装置1000还包括训练模块，用于：

获取基于样本肠道三维图像确定的多张连续的样本二维切片图像，所述样本二维切片图像标注有复发生存情况标签和复发生存时间标签；

将多张所述样本二维切片图像输入所述复发风险预测模型，得到预测复发生存情况和预测复发生存时间；

根据所述样本二维切片图像对应的预测复发生存情况和所述复发生存情况标签进行损失函数的计算，得到第一损失值，并当所述复发生存情况标签为预设标签时，根据所述样本二维切片图像对应的预测复发生存时间和所述复发生存时间标签进行损失函数的计算，得到第二损失值；

根据所述第一损失值和所述第二损失值调整所述复发风险预测模型的参数。

可选地，所述复发风险预测模型的输入图像数量被设定为预设数量，所述预测模块1002用于：

确定多张所述二维切片图像的数量是否小于所述预设数量；

若多张所述二维切片图像的数量小于所述预设数量，则将多张所述二维切片图像中的第一张图像和/或最后一张图像进行复制操作，得到目标图像，以使所述目标图像和多张所述二维切片图像的数量之和等于所述预设数量；

将所述目标图像和多张所述二维切片图像输入所述复发风险预测模型，得到所述复发风险结果。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

基于同一发明构思，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述任一肠道图像处理方法的步骤。

基于同一发明构思，本公开实施例还提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述任一肠道图像处理方法的步骤。

下面参考图11，其示出了适于用来实现本公开实施例的电子设备1100的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图11所示，电子设备1100可以包括处理装置(例如中央处理器、图形处理器等)1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储装置1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有电子设备1100操作所需的各种程序和数据。处理装置1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

通常，以下装置可以连接至I/O接口1105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1106；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1107；包括例如磁带、硬盘等的存储装置1108；以及通信装置1109。通信装置1109可以允许电子设备1100与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备1100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1109从网络上被下载和安装，或者从存储装置1108被安装，或者从ROM 1102被安装。在该计算机程序被处理装置1101执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取基于肠道三维图像确定的多张连续的二维切片图像；将多张所述二维切片图像输入复发风险预测模型，得到复发风险结果，所述复发风险预测模型用于通过如下方式确定所述复发风险结果：对每一所述二维切片图像进行特征提取，得到多个初始图像特征；将多个所述初始图像特征按照多张所述二维切片图像的顺序依次输入序列特征提取网络，得到表征多张所述二维切片图像相关性的相关性特征，其中所述序列特征提取网络用于根据第一次输入的所述初始图像特征，输出第一个特征，并根据输出的第N-1个特征和第N次输入的所述初始图像特征，输出第N个特征，所述相关性特征由所述序列特征提取网络依次输出的所述特征拼接而成，N为大于1且小于等于所述初始图像特征数量的正整数；根据所述相关性特征，确定所述复发风险结果。。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims

1.一种肠道图像处理方法，其特征在于，用于预测肠癌复发风险，所述方法包括：

获取基于肠道三维图像确定的多张连续的二维切片图像；

根据所述相关性特征，确定所述复发风险结果。

2.根据权利要求1所述的方法，其特征在于，所述序列特征提取网络包括第一提取子网络和第二提取子网络，所述将多个所述初始图像特征按照多张所述二维切片图像的顺序依次输入序列特征提取网络，得到表征多张所述二维切片图像相关性的相关性特征，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述相关性特征，确定所述复发风险结果，包括：

根据所述目标注意力特征，确定所述复发风险结果。

4.根据权利要求3所述的方法，其特征在于，所述对所述相关性特征进行多尺度特征提取，得到多个目标特征，包括：

对所述相关性特征进行降维处理，得到降维相关性特征；

5.根据权利要求3所述的方法，其特征在于，所述根据注意力机制和所述目标特征，确定注意力特征，包括：

所述根据不同尺度下的所述注意力特征，确定目标注意力特征，包括：

6.根据权利要求3所述的方法，其特征在于，所述方法还包括：

对每一尺度下的所述注意力特征提取单通道特征，并将所述单通道特征进行维度转换，以使所述单通道特征的维度与所述二维切片图像的维度相同，得到转换单通道特征；

将所述转换单通道特征映射到对应的所述二维切片图像，得到目标注意力图，其中所述二维切片图像与所述单通道特征一一对应，所述目标注意力图用于显示所述复发风险预测模型在进行复发风险预测过程中对所述二维切片图像中各图像区域的关注程度。

7.根据权利要求3所述的方法，其特征在于，所述根据所述目标注意力特征，确定所述复发风险结果，包括：

8.根据权利要求1-7任一所述的方法，其特征在于，所述复发风险结果包括用于表征复发生存情况的结果和用于表征复发生存时间的结果，所述复发风险预测模型的训练过程包括：

9.根据权利要求1-7任一所述的方法，其特征在于，所述复发风险预测模型的输入图像数量被设定为预设数量，所述将多张所述二维切片图像输入复发风险预测模型，得到复发风险结果，包括：

确定多张所述二维切片图像的数量是否小于所述预设数量；

将所述目标图像和多张所述二维切片图像输入所述复发风险预测模型，得到复发风险结果。

10.一种肠道图像处理装置，其特征在于，用于预测肠癌复发风险，所述装置包括：

11.一种非临时性计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-9中任一项所述方法的步骤。

12.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-9中任一项所述方法的步骤。