CN116630682A - 肿瘤分类系统与存储介质 - Google Patents

肿瘤分类系统与存储介质 Download PDF

Info

Publication number
CN116630682A
CN116630682A CN202310424270.4A CN202310424270A CN116630682A CN 116630682 A CN116630682 A CN 116630682A CN 202310424270 A CN202310424270 A CN 202310424270A CN 116630682 A CN116630682 A CN 116630682A
Authority
CN
China
Prior art keywords
histology
medical images
target
mixed
features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310424270.4A
Other languages
English (en)
Inventor
陈灿灿
王大为
王少康
陈宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202310424270.4A priority Critical patent/CN116630682A/zh
Publication of CN116630682A publication Critical patent/CN116630682A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种肿瘤分类系统与存储介质。该系统包括处理器，所述处理器被配置为执行以下方法，包括：获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；确定各模态的医学图像的组学特征；对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征；将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。达到了可准确确定各个时期的肿瘤分类结果的技术效果。

Description

肿瘤分类系统与存储介质
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种肿瘤分类系统与存储介质。
背景技术
脑转移瘤是中枢神经系统中最常见的恶性肿瘤，是原发性颅内肿瘤发病率的十倍之多。近些年来，脑转移瘤癌症患者大部分是肺癌脑转移患者。对于肺癌脑转移患者，非小细胞肺癌在临床上最为常见，发病率达到80％，小细胞肺癌患者仅占到20％左右；针对非小细胞肺癌患者，60％表达为EGFR突变，是患者的重要治疗靶点，比如EGFR外显子19位点突变、21位点突变、野生型等。现有技术通过病理学方法确定肺癌脑转移患者的(非)小细胞的病理类型或者EGFR表达，该方法并不适用于所有场景。因为病理学检测方法需要通过有创手术获取分析样本，许多晚期脑转移瘤患者无法耐受该手术。
综上，现有技术的肿瘤分类方法或系统存在应用场景受限的问题。
发明内容
本发明提供了一种肿瘤分类系统与存储介质，以解决现有肿瘤分类系统存在应用场景受限的问题。
根据本发明的一方面，提供了一种肿瘤分类系统，该系统包括处理器，所述处理器被配置为执行以下方法，包括：
获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；
确定各模态的医学图像的组学特征；
对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征；
将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。
根据本发明的另一方面，提供了一种肿瘤分类装置，包括：
获取模块，用于获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；
组学特征模块，用于确定各模态的医学图像的组学特征；
特征融合模块，用于对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征；
预测模块，用于将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的肿瘤分类方法。
本发明实施例提供的肿瘤分类方法的技术方案，获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；确定各模态的医学图像的组学特征；对所有模态的医学图像的组学特征进行特征融合以得到混合组学特征，从整体上减少了分类预测过程的参数量，也减少了分类预测过程中对服务器显存和内存的占用，使得分类算法结构更加轻量化；将混合组学特征输入已训练的图网络分类器以得到目标区域的预测分类结果，可有效防止图网络分类器对小批量数据集的过拟合，使得自动分类算法具有更好的分类性能和更高的效率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的肿瘤分类系统的流程图；
图2A是根据本发明实施例提供的肿瘤分类方法的流程图；
图2B是根据本发明实施例提供的图网络分类器的结构示意图；
图3A是根据本发明实施例提供的组学特征确定方法的流程图；
图3B是根据本发明实施例提供的组学特征确定方法的流程示意图；
图4A是根据本发明实施例提供的组学特征融合方法的流程图；
图4B是根据本发明实施例提供的组学特征融合方法的流程示意图；
图5是根据本发明实施例提供的肿瘤分类装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的肿瘤分类系统的结构图。肿瘤分类系统10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
肿瘤分类系统10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行下文所描述的各个方法和处理，例如肿瘤分类方法。
图2A为本发明实施例提供的肿瘤分类方法的流程图，本实施例可适用于基于目标扫描部位的多模态的医学图像确定目标区域的肿瘤分类结果情况，该方法可以由肿瘤分类装置来执行，该肿瘤分类装置可以采用硬件和/或软件的形式实现，该肿瘤分类装置可配置于肿瘤分类系统的处理器中。如图2A所示，该方法包括：
S110、获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜。
其中，目标区域为病灶区域，或者是病灶区域以及病灶区域周围的设定外扩区域。
其中，至少两个模态的医学图像可以是通过不同图像扫描方式获取的同一类型的医学图像，比如至少两种模态的MRI(Magnetic Resonance Imaging，磁共振成像)图像；也可以是至少两种类型的医学图像，比如包括一种模态的CT(Computed Tomography，计算机断层扫描成像)图像与一种模态的MRI图像；也可以是前面两种方式的结合，比如一种模态的CT图像与两种模态的MRI图像的结合。
在一个实施例中，通过以下步骤获取目标对象的至少两个模态的医学图像，包括：
步骤a1、获取目标对象的目标扫描部位的医学图像以及包括所述目标对象的目标扫描部位的至少一个其他模态的初始医学图像，所述医学图像包括目标区域的分割掩膜。
本实施例将包括目标对象的目标区域的分割掩膜的图像称为医学图像，将不包括目标区域的分割掩膜的图像称为初始医学图像。
在一个实施例中，获取目标扫描部位的至少两个模态的初始医学图像，采用图像识别的方式确定任一模态下的初始医学图像中的目标区域，并确定用于分割该初始医学图像的目标区域的分割掩膜，以得到包括目标扫描部位的医学图像。
在一个实施例中，获取目标扫描部位的至少两个模态的初始医学图像。根据用户在其中一个模态下的初始医学图像中的目标区域勾画结果，确定用于分割该初始医学图像的目标区域的分割掩膜，以得到包括目标扫描部位的医学图像。
步骤a2、对所述医学图像与所述至少一个其他模态的初始医学图像进行图像配准。
对包括分割掩膜的医学图像与至少一个其他模态的初始医学图像进行图像配准，以得到该分割掩膜分别在该至少一个其他模态的初始医学图像中的位置。
步骤a3、基于配准结果将所述医学图像中的分割掩膜同步至其他模态的初始医学图像，以得到其他模态的医学图像。
根据目标区域的分割掩膜在医学图像中的位置以及配准结果，将医学图像中的分割掩膜同步至其他模态下的初始医学图像，以得到其他模态的医学图像。
该实施例通过图像配准与分割掩膜同步相结合的方式，将一种模态的医学图像中的分割掩膜同步至其他模态的初始医学图像，以得到其他模态的医学图像。有助于减少用户的目标区域勾画量，提高用户的使用体验。
S120、确定各模态的医学图像的组学特征。
组学特征包括第一组学特征与第二组学特征。其中，第一组学特征可被配置为必要组学特征，包括医学图像的形态特征、一阶直方图特征、二阶直方图特征与纹理特征中的一项或多项；第二组学特征被配置为可选组学特征，其与图像类型相关，比如PET(PositronEmission Computed Tomography，正电子发射型计算机断层显像)中的SUV(标准摄取值)度量。
其中，形态特征可理解为几何形态上的特征，包括用于描述目标区域大小的特征以及描述目标区域与球体的相似程度的特征等。一阶直方图特征，可以理解为描述与目标区域内的体素响度分布有关的特征，不包含他们之间的相互作用。二阶直方图特征可理解为用于描述体素空间分布强度等级的特征。图像纹理特征是指在强度水平可感知或可测量的空间变化，它被视为一个灰度级，是一种视角感知的图像局部特征的综合。
S130、对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征。
各模态的医学图像的组学特征确定后，对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征。可以理解的是，混合组学特征包括各模态的组学特征之间的关联信息。因此相较于直接采用各模态的医学图像的组学特征进行分类预测来说，采用混合组学特征进行分类预测，可以得到准确性更高的肿瘤分类结果。
S140、将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。
其中，肿瘤分类结果包括病理类型分类、基因突变类型分类与亚型分类中的至少一种分类结果。
在一个实施例中，如图2B所示，图网络分类器包括第一网络层与至少两个第二网络层，第一网络层与第二网络层均为GCNBlock层，且所述第一网络层设置于所述至少两个第二网络层之后；所述至少两个第二网络层顺序连接，均包括顺序连接的SAGEConv、批归一化(BatchNorm)、激活函数(ReLU)和Dropout；所述第一网络层包括顺序连接的SAGEConv与softmax函数。该实施例中，Dropout可用于防止分类器过拟合；softmax函数用于类别预测。图网络分类模块采用先进的图卷积网络作为骨架搭建分类器，结合Dropout等结构，可有效防止自动分类算法的核心分类模块对小批量数据集的过拟合，使得自动分类算法具有更好的性能和更高的效率。
在一个实施例中，采用皮尔逊相关系数计算方法，确定混合组学特征集合中各目标对象的混合组学特征之间的邻接关系矩阵，其中，所述混合组学特征集合包括至少一个目标对象的混合组学特征与第一数量的测试对象的混合组学特征，所述第一数量大于或等于0，所述第一数量与所述目标对象的数量之和等于设定目标对象数量；根据所述邻接关系矩阵确定各所述目标对象的混合组学特征的邻接点集合；将所述混合组学特征与所述邻接点集合输入该已训练的图网络分类器以得到所述目标区域的预测分类结果。
其中，邻接关系矩阵利用二维矩阵表示图中各顶点之间的关系，对于有L个顶点的图来说，用L阶方阵来表示该图。邻接关系矩阵确定后，即可确定该邻接关系矩阵中任一顶点对应的一个或多个邻接点，即任一顶点对应的邻接点集合。
通过以下步骤确定该第一数量，包括：
步骤b1、获取待分类的混合组学特征集合对应的目标对象的数量以及设定目标对象数量；
步骤b2、如果所述目标对象的数量小于所述设定目标对象数量，则从测试集中抽取第一数量的测试对象的混合组学特征，其中，所述第一数量等于所述设定目标对象数量与所述目标对象的数量的差值。
其中，测试集包括第二数量的测试对象的混合组学特征，该第二数量大于或等于设定目标对象数量减一。测试集的设置使得该已训练的图网络分类器既可以同时对多个目标对象的混合组学特征进行分类预测，又可以仅对一个目标对象的混合组学特征进行分类预测。
在一个实施例中，获取设定数量的训练样本，并将该设定数量的样本作为样本集。按照设定比例，将该样本集中的样本划分成训练集与测试集。在基于训练集中的各训练样本完成图网络分类器的训练以得到训练后的图网络分类器后，采用测试集对该训练后的图网络分类器进行测试。在测试通过后，将该训练后的图网络分类器作为可用于肿瘤分类预测的已训练的图网络分类器。保留测试集，在肿瘤分类预测出现目标对象数量不足的情况下，从中抽取相应数量的测试对象的混合组学特征，将该相应数量的测试对象的混合组学特征与所有待分类的目标对象的混合组学特征作为混合组学特征集合。
本发明实施例提供的肿瘤分类方法的技术方案，获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；确定各模态的医学图像的组学特征；对所有模态的医学图像的组学特征进行特征融合以得到混合组学特征，从整体上减少了分类预测过程的参数量，也减少了分类预测过程中对服务器显存和内存的占用，使得分类算法结构更加轻量化；将混合组学特征输入已训练的图网络分类器以得到目标区域的预测分类结果，可有效防止图网络分类器对小批量数据集的过拟合，使得自动分类算法具有更好的分类性能和更高的效率。
图3A为本发明实施例提供的组学特征确定方法的流程图，本实施例是对上述实施例中组学特征确定步骤的细化。如图3A所示，该方法包括：
S2101、在至少一个模态的医学图像的分辨率不是目标分辨率的情况下，对该至少一个模态的医学图像进行重采样，以得到重采样后的该至少一个模态的医学图像，重采样后的该至少一个模态的医学图像的分辨率均为目标分辨率。
本实施例中的重采样用于使不同模态的医学图像的分辨率均为目标分辨率。
在一个实施例中，目标分辨率为[1mm，0.4mm，0.4mm]，如果任一模态的医学图像的分辨率小于该分辨率，则对该医学图像进行重采样，以使该医学图像的分辨率达到该分辨率。图3B中各模态的医学图像均被重采样。其中，图3B中T1模态标注为TI模态的医学图像中的分割掩膜；T2模态标注为T2模态的医学图像中的分割掩膜；DWI模态标注为DWI模态的医学图像中的分割掩膜；FLAIR模态标注为FLAIR模态的医学图像中的分割掩膜。
其中，T1模态的医学图像通过T1加权成像(T1WI)方式采集，T1加权成像(T1WI)是指突出组织T1纵向弛豫差别。T1越短，指信号越强，T1越长，指信号越弱，T1模态图像一般用于观察解剖。T2模态的医学图像通过T2加权成像(T2WI)方式采集，指突出组织T2横向弛豫差别。T2越短，是指信号越弱，T2越长，则信号越强，一般T2有利于观察病变，对出血较敏感。DWI模态的医学图像是基于DWI(扩散加权成像技术)采集的，扩散加权成像技术是磁共振中的一个特殊序列，用来检查体内水分子的扩散运动。FLAIR(fluid attenuated inversionrecovery)，即磁共振成像液体衰减反转序列，也称水抑制成像技术，常用在脑、脊髓核磁共振中，可抑制脑脊液的高信号，使邻近脑脊液、具有高信号的病变得以显示清楚(变亮)。
S2102、对具有目标分辨率的各模态的医学图像的像素值进行标准化，以得到标准化后的各模态的医学图像。
分别得到各模态的医学图像的最大像素值和最小像素值，则根据以下公式将各模态的组学特征的像素值标准化至[0，255](参见图3B)。具体为，针对各模态的医学图像中的任一像素，执行以下公式：
S2103、对标准化后的各模态的医学图像进行组学特征提取，以得到各模态的医学图像的组学特征。
对标准化后的各模态的医学图像进行组学特征提取(参见图3B)，可以提高组学特征提取的准确性，从而提高基于组学特征确定的肿瘤分类结果的准确性。
S2104、对各模态的医学图像的组学特征进行标准化处理，以得到标准化后的各模态的医学图像的组学特征。
在一个实施例中，采用L1-范数标准化方法对各模态的医学图像的组学特征进行标准化(参见图3B)。对组学特征进行标准化，可进一步提高组学特征的准确性，从而提高后续组学特征融合的准确性，即提高混合组学特征的准确性，从而提高基于混合组学特征确定的肿瘤分类结果的准确性。
本实施例通过重采样使得各模态的医学图像的分辨率均为目标分辨率，通过对重采样后的各模态的医学图像的像素值进行标准化，提高组学特征提取的准确性；通过对各模态的组学特征进行标准化，提高各模态组学特征融合的准确性，从而提高基于融合结果确定的肿瘤分类结果的准确性。
图4A为本发明实施例提供的组学特征确定方法的流程图，本实施例是对上述实施例中的组学特征融合步骤的细化。如图4A所示，该方法包括：
S3301、基于设定激活函数确定各模态的医学图像的组学特征的查询向量，以得到各模态的医学图像对应的查询向量。
本实施例采用注意力机制计算多模态的组学特征之间的相关性，以得到混合组学特征。避免了后续针对多模态的组学特征的多个分类器的设计，仅需针对混合组学特征设计单个分类器。即通过特征融合的方式将分类器的数量从多个精简至一个，同时减少了分类预测过程中的数据运算量，提高了分类预测的速度与准确度。
在一个实施例中，参见图4B所示，令f1、f2、f3与f4分别为磁共振T1模态的组学特征、磁共振T2模态的组学特征、磁共振DWI模态的组学特征、磁共振FLAIR模态的组学特征，w、b、u分别为分类器的权重矩阵、偏差向量和特征的上下文向量。对于各模态的组学特征，计算当前模态的组学特征与分类器的权重矩阵的乘积；将该乘积与偏差向量之和作为设定激活函数tanh的输入向量输入该设定激活函数tanh，将该设定激活函数的输出向量作为查询向量。具体如下：
μi＝tanh(Wfi+b),i＝1,2…
S3302、基于设定归一化函数确定各模态的医学图像对应的查询向量的归一化权重系数。
在一个实施例中，如图4B所示，设定归一化函数为softmax函数，归一化权重系数可通过以下公式确定，具体为：
S3303、采用各模态的医学图像对应的归一化权重系数对各模态的医学图像的混合特征进行归一化，以得到各模态的医学图像的当前组学特征。
确定各模态的医学图像的组学特征与对应的归一化权重系数的乘积，将该乘积作为各模态的医学图像的当前组学特征。
S3304、确定所有模态的医学图像的当前组学特征进行相加处理，以得到混合组学特征。
具体如下：
本实施例采用加权特征融合的方式确定各模态的医学图像的组学特征进行特征融合，以得到混合组学特征，简单、快捷、准确性高。
图5为本发明实施例提供的肿瘤分类装置的结构示意图。如图5所示，该装置包括：
获取模块，用于获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；
组学特征模块，用于确定各模态的医学图像的组学特征；
特征融合模块，用于对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征；
预测模块，用于将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。
在一个实施例中，获取模块具体用于：
获取目标对象的目标扫描部位的医学图像以及包括所述目标对象的目标扫描部位的至少一个其他模态的初始医学图像，所述医学图像包括目标区域的分割掩膜；
对所述医学图像与所述至少一个其他模态的初始医学图像进行图像配准；
基于配准结果将所述医学图像中的分割掩膜同步至其他模态的初始医学图像，以得到其他模态的医学图像。
在一个实施例中，组学特征模块具体用于：
在至少一个模态的医学图像的分辨率不是目标分辨率的情况下，对该至少一个模态的医学图像进行重采样，以使各模态的医学图像的分辨率相同；
对目标分辨率的各模态的医学图像进行组学特征提取，以得到各模态的医学图像的组学特征；
对各模态的医学图像的组学特征进行标准化处理，以得到标准化后的各模态的医学图像的组学特征。
在一个实施例中，特征融合模块具体用于：
对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征，包括：
基于设定激活函数确定各模态的医学图像的组学特征的查询向量，以得到各模态的医学图像对应的查询向量；
基于设定归一化函数确定各模态的医学图像对应的查询向量的归一化权重系数；
采用各模态的医学图像对应的归一化权重系数对各模态的医学图像的混合特征进行归一化，以得到各模态的医学图像的当前组学特征；
将所有模态的医学图像的当前组学特征进行拼接以得到混合组学特征。
在一个实施例中，所述设定激活函数为tanh；
所述设定归一化函数为softmax函数。
在一个实施例中，所述图网络分类器包括第一网络层与至少两个第二网络层，且所述第一网络层设置于所述至少两个第二网络层之后；
所述至少两个第二网络层顺序连接，均包括顺序连接的SAGEConv、批归一化、激活函数和Dropout；
所述第一网络层包括顺序连接的SAGEConv与softmax函数。
在一个实施例中，所述医学图像为MRI图像，所述目标扫描部位为脑部。
在一个实施例中，所述肿瘤分类结果包括病理类型分类、基因突变类型分类与亚型分类中的至少一种分类结果。
在一个实施例中，预测模块包括：
邻接关系矩阵单元，用于采用皮尔逊相关系数计算方法，确定混合组学特征集合中各目标对象的混合组学特征之间的邻接关系矩阵，其中，所述混合组学特征集合包括至少一个目标对象的混合组学特征与第一数量的测试对象的混合组学特征，所述第一数量大于或等于0，所述第一数量与所述目标对象的数量之和等于设定目标对象数；
邻接点单元，用于根据所述邻接关系矩阵确定各所述目标对象的混合组学特征的邻接点集合；
预测单元，用于将所述混合组学特征与所述邻接点集合输入该已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。
在一个实施例中，预测模块还包括数据补充单元，所述数据补充单元用于：
获取待分类的混合组学特征集合对应的目标对象的数量以及设定目标对象数量；
如果所述目标对象的数量小于所述设定目标对象数量，则从测试集中抽取第一数量的测试对象的混合组学特征，其中，所述第一数量等于所述设定目标对象数量与所述目标对象的数量的差值。
本发明实施例提供的肿瘤分类装置的技术方案，获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；确定各模态的医学图像的组学特征；对所有模态的医学图像的组学特征进行特征融合以得到混合组学特征，从整体上减少了分类预测过程的参数量，也减少了分类预测过程中对服务器显存和内存的占用，使得分类算法结构更加轻量化；将混合组学特征输入已训练的图网络分类器以得到目标区域的预测分类结果，可有效防止图网络分类器对小批量数据集的过拟合，使得自动分类算法具有更好的分类性能和更高的效率。
本发明实施例所提供的肿瘤分类装置可执行本发明任意实施例所提供的肿瘤分类方法，具备执行方法相应的功能模块和有益效果。
在一些实施例中，肿瘤分类方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的肿瘤分类方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行肿瘤分类方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (11)

1.一种肿瘤分类系统，其特征在于，该系统包括处理器，所述处理器被配置为执行以下方法，包括：
获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；
确定各模态的医学图像的组学特征；
对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征；
将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。
2.根据权利要求1所述的系统，其特征在于，所述获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜，包括：
获取目标对象的目标扫描部位的医学图像以及包括所述目标对象的目标扫描部位的至少一个其他模态的初始医学图像，所述医学图像包括目标区域的分割掩膜；
对所述医学图像与所述至少一个其他模态的初始医学图像进行图像配准；
基于配准结果将所述医学图像中的分割掩膜同步至其他模态的初始医学图像，以得到其他模态的医学图像。
3.根据权利要求1所述的系统，其特征在于，所述确定各模态的医学图像的组学特征，包括：
在至少一个模态的医学图像的分辨率不是目标分辨率的情况下，对该至少一个模态的医学图像进行重采样，以得到重采样后的该至少一个模态的医学图像，所述重采样后的该至少一个模态的医学图像的分辨率均为目标分辨率；
对具有目标分辨率的各模态的医学图像的像素值进行标准化，以得到标准化后的各模态的医学图像；
对标准化后的各模态的医学图像进行组学特征提取，以得到各模态的医学图像的组学特征；
对各模态的医学图像的组学特征进行标准化处理，以得到标准化后的各模态的医学图像的组学特征。
4.根据权利要求1所述的系统，其特征在于，对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征，包括：
基于设定激活函数确定各模态的医学图像的组学特征的查询向量，以得到各模态的医学图像对应的查询向量；
基于设定归一化函数确定各模态的医学图像对应的查询向量的归一化权重系数；
采用各模态的医学图像对应的归一化权重系数对各模态的医学图像的混合特征进行归一化，以得到各模态的医学图像的当前组学特征；
将所有模态的医学图像的当前组学特征进行拼接以得到混合组学特征。
5.根据权利要求4所述的系统，其特征在于，
所述设定激活函数为tanh；
所述设定归一化函数为softmax函数。
6.根据权利要求1所述的系统，其特征在于，
所述图网络分类器包括第一网络层与至少两个第二网络层，且所述第一网络层设置于所述至少两个第二网络层之后；
所述至少两个第二网络层顺序连接，均包括顺序连接的SAGEConv、批归一化、激活函数和Dropout；
所述第一网络层包括顺序连接的SAGEConv与softmax函数。
7.根据权利要求1所述的系统，其特征在于，
所述医学图像为MRI图像，所述目标扫描部位为脑部。
8.根据权利要求1-7任一所述的系统，其特征在于，
所述肿瘤分类结果包括病理类型分类、基因突变类型分类与亚型分类中的至少一种分类结果。
9.根据权利要求1所述的系统，其特征在于，所述将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果，包括：
采用皮尔逊相关系数计算方法，确定混合组学特征集合中各目标对象的混合组学特征之间的邻接关系矩阵，其中，所述混合组学特征集合包括至少一个目标对象的混合组学特征与第一数量的测试对象的混合组学特征，所述第一数量大于或等于0，所述第一数量与所述目标对象的数量之和等于设定目标对象数量；
根据所述邻接关系矩阵确定各所述目标对象的混合组学特征的邻接点集合；
将所述混合组学特征与所述邻接点集合输入该已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。
10.根据权利要求9所述的系统，其特征在于，所述采用皮尔逊相关系数计算方法，确定混合组学特征集合中各目标对象的混合组学特征之间的邻接关系矩阵之前，还包括：
获取待分类的混合组学特征集合对应的目标对象的数量以及设定目标对象数量；
如果所述目标对象的数量小于所述设定目标对象数量，则从测试集中抽取第一数量的测试对象的混合组学特征，其中，所述第一数量等于所述设定目标对象数量与所述目标对象的数量的差值。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现以下步骤，包括：
获取目标对象的至少两个模态的医学图像，该至少两个模态的医学图像已配准且均包括目标区域的分割掩膜；
确定各模态的医学图像的组学特征；
对所有模态的医学图像的组学特征进行特征融合，以得到混合组学特征；
将所述混合组学特征输入已训练的图网络分类器以得到所述目标区域的肿瘤分类结果。
CN202310424270.4A 2023-04-19 2023-04-19 肿瘤分类系统与存储介质 Pending CN116630682A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310424270.4A CN116630682A (zh) 2023-04-19 2023-04-19 肿瘤分类系统与存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310424270.4A CN116630682A (zh) 2023-04-19 2023-04-19 肿瘤分类系统与存储介质

Publications (1)

Publication Number Publication Date
CN116630682A true CN116630682A (zh) 2023-08-22

Family

ID=87590937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310424270.4A Pending CN116630682A (zh) 2023-04-19 2023-04-19 肿瘤分类系统与存储介质

Country Status (1)

Country Link
CN (1) CN116630682A (zh)

Similar Documents

Publication Publication Date Title
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
CN110111313B (zh) 基于深度学习的医学图像检测方法及相关设备
Bi et al. Automatic liver lesion detection using cascaded deep residual networks
Ahirwar Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI
Fang et al. Automatic breast cancer detection based on optimized neural network using whale optimization algorithm
CN111667459B (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
CN111612756B (zh) 冠状动脉特异性钙化检测方法及装置
CN111798424B (zh) 一种基于医学图像的结节检测方法、装置及电子设备
Bard et al. Automated quality-controlled cardiovascular magnetic resonance pericardial fat quantification using a convolutional neural network in the UK biobank
CN114332132A (zh) 图像分割方法、装置和计算机设备
CN115601299A (zh) 基于图像的肝硬化状态智能评估系统及其方法
Giannini et al. Specificity improvement of a CAD system for multiparametric MR prostate cancer using texture features and artificial neural networks
CN113764101A (zh) 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统
EP4167184A1 (en) Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection
Arzhaeva et al. Automated estimation of progression of interstitial lung disease in CT images
CN116129184A (zh) 多期相病灶分类方法、装置、设备及可读存储介质
CN116630682A (zh) 肿瘤分类系统与存储介质
Gill et al. A method for avoiding overlap of left and right lungs in shape model guided segmentation of lungs in CT volumes
Nag et al. Computer-assisted delineation of cerebral infarct from diffusion-weighted MRI using Gaussian mixture model
Su et al. Res-DUnet: A small-region attentioned model for cardiac MRI-based right ventricular segmentation
Chhabra et al. Comparison of different edge detection techniques to improve quality of medical images
Farag et al. Quantification of nodule detection in chest CT: A clinical investigation based on the ELCAP study
CN117649400B (zh) 一种异常检测框架下的影像组学分析方法及系统
Li et al. A new efficient 2D combined with 3D CAD system for solitary pulmonary nodule detection in CT images
Ahmed et al. Efficacy of texture, shape, and intensity features for robust posterior-fossa tumor segmentation in MRI

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination