CN117893792A - 一种基于mr信号的膀胱肿瘤分类方法及相关装置 - Google Patents

一种基于mr信号的膀胱肿瘤分类方法及相关装置 Download PDF

Info

Publication number
CN117893792A
CN117893792A CN202311733422.5A CN202311733422A CN117893792A CN 117893792 A CN117893792 A CN 117893792A CN 202311733422 A CN202311733422 A CN 202311733422A CN 117893792 A CN117893792 A CN 117893792A
Authority
CN
China
Prior art keywords
bladder
image
tumor
classification
training
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.)
Granted
Application number
CN202311733422.5A
Other languages
English (en)
Other versions
CN117893792B (zh
Inventor
王焕军
蔡迁
康力
陈伟毅
孔令敏
郭燕
黄翰
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.)
South China University of Technology SCUT
First Affiliated Hospital of Sun Yat Sen University
Original Assignee
South China University of Technology SCUT
First Affiliated Hospital of Sun Yat Sen University
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 South China University of Technology SCUT, First Affiliated Hospital of Sun Yat Sen University filed Critical South China University of Technology SCUT
Priority to CN202311733422.5A priority Critical patent/CN117893792B/zh
Publication of CN117893792A publication Critical patent/CN117893792A/zh
Application granted granted Critical
Publication of CN117893792B publication Critical patent/CN117893792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了一种基于MR信号的膀胱肿瘤分类方法及设备，所述方法包括获取预设数量的训练MR图像；基于交互方式预先获取的各训练MR图像进行标注，以得到训练数据集；基于所述训练数据集构建膀胱肿瘤分类模型，并通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果。本申请通过交互式样本标注和基于抠图的医学影像处理方法，结合医生的专业标注与人工智能技术，构建出有效的膀胱肿瘤分类模型，对待分类MR序列进行精确的膀胱肿瘤分类，从而得到智能化分类结果，为医生提供了更为精确的诊断信息，有效地提高了对膀胱癌的评估准确性。

Description

一种基于MR信号的膀胱肿瘤分类方法及相关装置
技术领域
本申请涉及生物学技术领域，特别涉及一种基于MR信号的膀胱肿瘤分类方法及相关装置。
背景技术
膀胱癌术前准确分期对患者的个体化精准治疗至关重要，目前临床上主要依靠影像科医生参照膀胱影像报告和数据系统(VI-RADS)评分来对膀胱癌患者的多参数MR图像(主要包括T2WI、扩散加权成像以及动态增强图像序列)进行人为解读，以对肿瘤进行分类并进行临床分期。
然而，由于膀胱肿瘤基底部常出现膀胱壁水肿、纤维化等，对肿瘤分期造成很大干扰，因此不同影像科医生参照(VI-RADS)评分对膀胱癌MR图像进行解读过程中，会因医生的个人主观性以及经验水平或专业领域不同，而影响膀胱癌的分类分期结果。
因而现有技术还有待改进和提高。
发明内容
本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于MR信号的膀胱肿瘤分类方法及相关装置。
为了解决上述技术问题，本申请实施例第一方面提供了一种基于MR信号的膀胱肿瘤分类方法，所述方法包括：
基于交互方式预先获取的各训练MR图像进行标注，以得到训练数据集；
基于所述训练数据集构建膀胱肿瘤分类模型；
通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果。
根据上述技术手段，通过使用交互的手段对MR图像进行标注并使用标注后的MR图像进行模型训练的方式，融合了人工智能技术和医生的专业经验，提高了MR图像的处理速度和识别的精度。
在一个实现方式中，基于交互方式预先获取的各训练MR图像进行标注具体包括：
接收每张训练MR图像对应的候选标注信息；
基于候选标注信息在训练MR图像中选取出膀胱图像，并显示所述膀胱图像，其中，所述膀胱图像包括膀胱壁及肿瘤区域；
接收基于所述膀胱图像的控制指令；
基于所述控制指令对所述标注信息进行处理，以得到携带有标注的训练MR图像。
根据上述技术手段，接收每张训练MR图像的候选标注信息，所述候选标注是根据专业医疗知识及算法得出的。然后，基于所述候选标注信息选取出膀胱图像，膀胱图像包括膀胱壁及肿瘤区域。上述技术手段提高了图像的浏览效率，而且能更精准地为肿瘤识别和测量提供基础。在接收基于膀胱和肿瘤区域形成的控制指令时，所述指令以交互方式进行，良好地反映医生的专业意见和经验，从而提高模型标注信息的精确度。在基于控制指令处理标注信息，得到携带有标注的训练MR图像的过程中，将人工智能与医生的专业知识结合在一起，提高了标注的准确性和效率，同时使得模型训练更接近真实情况和需求，进一步改善了膀胱肿瘤分类的精度。
在一个实现方式中，基于所述控制指令对所述标注信息进行处理，以得到携带有标注的训练MR图像具体包括：
当所述控制指令为确认指令时，将所述候选标注信息作为所述训练MR图像的标注信息；
当所述控制指令为修正指令时，基于所述修正指令对所述候选标注信息进行修正，并将修正后的标注信息作为候选标注信息并重新执行基于候选标注信息在训练MR图像中选取出膀胱图像的步骤。
根据上述技术手段，对携带有标注的训练MR图像进行处理的过程首先涉及到读取控制指令，所述指令包含了医生或专家的实时反馈和专业知识，将人工智能与人类专家的知识整合在一起。基于所述读取到的控制指令，程序接下来会有两种操作模式：确认模式和修正模式。当控制指令为确认时，程序将候选标注信息确定为训练MR图像的标注信息。所述确认模式保证了收集到的标注信息准确无误，尽可能地减少了错误标注的风险，筛选并优化了训练数据集。当控制指令为修正指令时，程序会根据修正指令对候选标注信息进行修正，修改后的标注信息会用作候选标注信息并重新执行选取膀胱图像的步骤，从而提升标注的准确性，并不断改进优化数据集。
在一个实现方式中，训练数据集中的训练MR图像进行膀胱区域、肿瘤区域和肌层浸润标注；基于所述训练数据集构建膀胱肿瘤分类模型具体包括：
以膀胱区域为类别将所述训练数据集汇总为膀胱训练数据集；
对膀胱训练数据集中具有膀胱区域的膀胱训练图像进行抠图以得到膀胱图像集，并以肿瘤区域为类别将所述膀胱图像集汇总为肿瘤训练数据集；
以肌层浸润为类别将所述肿瘤训练数据集中的具有肿瘤区域的肿瘤训练图像汇总为肌层浸润训练数据集；
分别基于膀胱训练数据集、肿瘤训练数据集和肌层浸润训练数据集构建膀胱分类模块、肿瘤分类模块以及肌层浸润分类模块；
基于所述膀胱分类模块、肿瘤分类模块以及肌层浸润分类模块形成膀胱肿瘤分类模型。
根据上述技术手段，将训练数据集按照膀胱区域进行分类汇总成膀胱训练数据集，然后对膀胱训练数据集内具有膀胱区域的图像进行抠图，得到膀胱图像集，进一步以肿瘤区域为类别将膀胱图像集汇总成肿瘤训练数据集，从训练数据集中准确地抽取出了膀胱和肿瘤的关键信息，为后续的模型训练打下了基础。再以肌层浸润为类别，将肿瘤训练数据集中的具有肿瘤区域的图像汇总为肌层浸润训练数据集，专门针对具有浸润特征的肿瘤进行分类，进一步提升检测和治疗膀胱癌临床决策的准确性和有效性。最后根据膀胱训练数据集、肿瘤训练数据集和肌层浸润训练数据集，构建了膀胱分类模块、肿瘤分类模块和肌层浸润分类模块，所述模块按照特定的病理特征串联在一起，形成了整体的膀胱肿瘤分类模型。通过训练数据集梳理和分类模块构造，形成能精准识别和分类膀胱肿瘤的模型。
在一个实现方式中，通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类具体包括：
通过所述膀胱肿瘤分类模型中的膀胱分类模块筛选出待分类MR序列中存在膀胱区域的第一待处理图像序列；
当所述第一待处理图像序列不为空时，通过所述膀胱肿瘤分类模型中的肿瘤分类模块筛选出第一待处理图像序列中存在肿瘤区域的第二待处理图像序列；
当所述第二待处理图像序列不为空时，通过所述膀胱肿瘤分类模型中的肌层浸润分类模块，确定所述待分类MR序列对应的肌层浸润类别。
根据上述技术手段，膀胱分类模块负责从待分类MR序列中筛选出存在膀胱区域的待处理图像序列，提取出相关的图像信息，以便后续可以更有效地分析和识别肿瘤区域。其次，如果待处理图像序列不为空，肿瘤分类模块将筛选出存在肿瘤区域的图像序列，通过进一步的分类和筛选，识别出图像中的肿瘤区域，从而更准确地确定膀胱癌的位置和大小。再次，如果该图像序列不为空，肌层浸润分类模块会确定待分类MR序列的肌层浸润类别。在肿瘤深度判断和分期诊断方面，针对肌层浸润度的正确识别具有很高的临床价值。综上，所述技术手段通过准确识别膀胱癌的位置，大小及其对周围组织的浸润程度，提高了膀胱癌的诊断准确性，并为后续治疗方案的制定提供了辅助决策依据，有效提升了医生的诊断效率和准确性。
在一个实现方式中，确定所述待分类MR序列对应的肌层浸润类别之后，所述方法还包括：
当所述待分类MR序列对应的肌层浸润类别为发生肌层浸润时，根据肿瘤区域的先验知识对所述待分类MR序列中存在肿瘤区域的MR图像进行抠图，以得到膀胱内壁及肿瘤图像；
将所述膀胱内壁及肿瘤图像添加至图像报告内。
根据上述技术手段，在确定了待分类MR序列对应的肌层浸润类别之后，若发现存在肌层浸润的情况，肿瘤区域的先验知识会被利用来对包含肿瘤区域的MR图像进行抠图处理，得到膀胱内壁及肿瘤图像，从而将重要的诊断信息从图像中提取出来，精确地展示肌层浸润的部位和程度。此外，所得到的膀胱内壁及肿瘤图像会被添加到图像报告中，使得报告更加直观和详细，医生可以通过直接查看报告来获得包括肿瘤位置、大小和肌层浸润程度等重要信息，从而更有效地制定治疗方案。
在一个实现方式中，通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果之后，所述方法还包括：
根据所述分类结果确定图像报告中的各分类项的分类项结果，其中，所述图像报告包括膀胱区域分类项、肿瘤区域分类项、肌层浸润分类项以及膀胱内部以及肿瘤图像分类项；
根据各分类项的分类项结果生成图像报告。
根据上述技术手段，在进行膀胱肿瘤分类并得到待分类MR序列对应的分类结果之后，根据所述分类结果，确定了图像报告中的各分类项的结果，包括膀胱区域分类、肿瘤区域分类、肌层浸润分类以及膀胱内部以及肿瘤图像分类等，达到了对疾病全方位、多角度的诊断，从而提高了医学诊断的专业性和精准性，使得医生可以根据图像报告的各个分类项更清晰、全面地了解病情，帮助医生做出更科学精准的判断。同时，所述分类也为病人提供了更具体和详细的诊断信息，提升患者的信心和诊疗的参与度。此外，所述技术手段还可以自动根据各分类项结果生成图像报告，减轻了医生的工作负担，提高了工作效率，也使医疗资源得到合理的分配和利用。
本申请实施例第二方面提供了一种基于MR信号的膀胱肿瘤分类装置，其中，所述装置包括：
目标图像标注模块，基于交互方式预先获取的各训练MR图像进行标注，以得到训练数据集；
目标分类模块，基于所述训练数据集构建膀胱肿瘤分类模型，并通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果。
本申请实施例第三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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于MR信号的膀胱肿瘤分类方法中的步骤。
本申请实施例第四方面提供了一种终端设备，其包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上任一所述的稠密深度图的获取方法中的步骤。
有益效果：与现有技术相比，本申请提供了一种基于MR信号、结合人工经验和交互式标注的膀胱肿瘤分类方法。所述方法首先充分应用医生专业的标注，获得训练数据集，然后根据所述已标注的数据集和人工经验指导抠图，并训练二分类模型。最后，通过预设的肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，并得到相应的分类结果。本申请在提高诊断准确性和效率的同时，降低了专家误诊和漏诊的风险，提高了医疗诊断的可靠性。具体来说，对于医生来说，所述技术方案可以提供更准确的辅助诊断信息，使他们能够更准确地评估膀胱癌患者的病情。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员而言，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为本申请提供的基于MR信号的膀胱肿瘤分类方法的流程图。
图2为本申请提供的基于MR信号的膀胱肿瘤分类方法中交互式样本标注的流程图。
图3为本申请提供的基于MR信号的膀胱肿瘤分类方法中基于图像形态学进行抠图的流程图。
图4为本申请提供的基于MR信号的膀胱肿瘤分类方法中分类模型训练示意图。
图5为本申请提供的基于MR信号的膀胱肿瘤分类方法中基于抠图的影像处理模块的流程图。
图6为本申请提供的基于MR信号的膀胱肿瘤分类方法所应用的序列级别肿瘤分类技术方案图。
图7为本申请提供的基于MR信号的膀胱肿瘤分类装置的结构原理图。
图8为本申请提供的终端设备的结构原理图。
具体实施方式
本申请提供一种基于MR信号的膀胱肿瘤分类方法及相关装置，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
应理解，本实施例中各步骤的序号和大小并不意味着执行顺序的先后，各过程的执行顺序以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
发明人经过研究发现，膀胱癌术前准确分期对患者的个体化精准治疗至关重要，目前临床上主要依靠影像科医生参照膀胱影像报告和数据系统(VI-RADS)评分来对膀胱癌患者的多参数MR图像(主要包括T2WI、扩散加权成像以及动态增强图像序列)进行人为解读，以对肿瘤进行分类并进行临床分期。
然而，由于膀胱肿瘤基底部常出现膀胱壁水肿、纤维化等，对肿瘤分期造成很大干扰，因此不同影像科医生参照(VI-RADS)评分对膀胱癌MR图像进行解读过程中，会因医生的个人主观性以及经验水平或专业领域不同，而影响膀胱癌的分类分期结果，进而影响患者的治疗方式以及预后。
为了解决上述问题，在本申请实施例中获取预设数量的训练MR图像；基于交互方式预先获取的各训练MR图像进行标注，以得到训练数据集；基于所述训练数据集构建膀胱肿瘤分类模型，并通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果。本申请通过交互式样本标注和基于抠图的医学影像处理方法，结合医生的专业标注与人工智能技术，构建出有效的膀胱肿瘤分类模型，对待分类MR序列进行精确的膀胱肿瘤分类，从而得到智能化分类结果，为医生提供了更为精准的诊断信息，有效地提高了对膀胱癌患者病情的评估准确性。
下面结合附图，通过对实施例的描述，对申请内容作进一步说明。
本实施例提供了一种基于MR信号的膀胱肿瘤分类方法，如图1所示，所述方法包括：
S10、基于交互方式预先获取的各训练MR图像进行标注，以得到训练数据集。
具体地，训练MR图像为预先获取的，训练MR图像的预设数量是在深度学习模型训练前，需要确定的一个设定数值，在本申请的具体实现中这个数值为要采集的图像数量。预设的数量可以根据模型的复杂度、问题的难度和期望的模型性能来进行设定。而磁共振成像(Magnetic Resonance Imaging，MRI)是一种主要用于身体软组织成像的医学影像技术。通过利用强磁场和射频脉冲，可对人体内部结构进行无创且无放射性损害的扫描检查，因此在医疗诊断中具有广泛应用。
在本申请的具体实现中，首先获取预设数量的训练MR图像，其中，训练MR图像可以是全部从医疗图像数据库或者医院获取的，也可以是部分从医疗图像数据库或者医院获取的，部分为通过对获取到MR图像进行扩充得到的，例如，对获取到的MR图像进行翻转、剪裁以及将获取MR图像的病症区域图像嫁接到正常MR图像上等。
进一步，MR图像可以在不同的平面(如轴位、冠状、矢状)和不同的序列(如T1加权、T2加权等)下进行获取，以便能够从多个角度和层次观察和识别膀胱肿瘤。获取训练MR图像后，还可以对训练MR图像进行预处理，以提高后续识别和分类的精确性，其中，预处理可以包括去噪、增强和/或标准化等。
本申请实施例通过获取预设数量的训练MR图像，可以积累足够的样本基础，增强所述膀胱肿瘤分类技术的可行性。所述预设数量的数据不仅可以用于训练人工智能模型进行自动分类，还可以用于验证和测试模型的性能，以及后续模型的迭代优化。
在本申请的具体实现中，预设数量的训练MR图像可包括多个患者的MR图像，预设数量的训练MR图像中的每个训练MR图像均包括于一个患者对应的MR图像序列。也就是说，获取每位患者的一个MR图像序列，然后将该MR图像序列中的每张MR图像作为一个训练MR图像，以得到预设数量的训练MR图像，这样可以确保所选数据具有代表性。此外，每个预设数量的训练MR图像还包括不同级别的膀胱癌图像，例如，包括VI-RADS1到VI-RADS5一共5个级别的膀胱癌MR图像，使得预设数量的训练MR图像能够覆盖各种膀胱癌情况和图像质量。
进一步，交互方式指的是医生与用于执行本实施例提供的基于MR信号的膀胱肿瘤分类方法的终端设备间的交互性，也就是说，执行本实施例提供的基于MR信号的膀胱肿瘤分类方法的终端设备在根据接收到标注指令对训练MR图像的过程中，会将标注结果显示于显示界面上，以使得标注人员可以获知到标注结果，并根据自身专业知识和经验，对显示于显示界面上的MR图像进行肿瘤区域的标注。其中，如附图2所示，执行本实施例提供的基于MR信号的膀胱肿瘤分类方法的终端设备在执行标注操作的过程中可提供实时反馈，如显示标注进度、提供标注建议等，以优化用户体验并提高标注效率。此外，在对训练MR图像进行标注过程中，还可以调整图像的对比度和/或亮度，以便于更准确地标注出肿瘤的位置和大小。在标注完成后，对标注后的训练MR图像进行质量检查并存储。所述标注后的训练MR图像被用于构建训练数据集，用于后续的膀胱肿瘤分类模型的训练。
所述基于交互方式的膀胱肿瘤训练MR图像标注，可以提高图像标注的准确性，进而可以减少机器学习模型可能出现的误识别情况。同时，所述标注方法为用于训练分类模型的数据集提供了高质量的输入，增强了模型训练的效果，提升了分类模型对MR图像的识别准确度，最终提升了膀胱肿瘤的诊断准确率。
在本申请的具体实现中，将医生标注的数据存储在数据库中，确保数据的安全性和可检索性。此外，每个MR图像的标注数据与MR图像本身关联，以便后续模块的使用。
同时对处理后的标注数据进行处理，构建数据集。其中，构建数据集的操作包括三步：
(1)数据集构建：
①汇总医生已进行标注的数据集。
②汇总正负样本分别为存在膀胱的图像和不存在膀胱的图像的数据集。
③汇总正负样本分别为膀胱中存在肿瘤和不存在肿瘤的图像的数据集。
④汇总正负样本分别为膀胱中有发生肌层浸润和没发生肌层浸润的图像的数据集。
(2)数据预处理：对构建好的数据集据进行预处理，包括图像去噪、归一化等步骤，以减少噪声并增强图像特征。
(3)数据增强：针对少数样本或特殊情况，使用数据增强技术，如镜像、旋转、缩放等，生成更多的训练样本，提高模型的泛化能力。
在一个实现方式中，所述基于交互方式预先获取的各训练MR图像进行标注具体包括：
S11、接收每张训练MR图像对应的候选标注信息；
S12、基于候选标注信息在训练MR图像中选取出膀胱图像，并显示所述膀胱图像，其中，所述膀胱图像包括膀胱壁及肿瘤区域；
S13、接收基于所述膀胱图像的控制指令；
S14、基于所述控制指令对所述标注信息进行处理，以得到携带有标注的训练MR图像。
具体地，在步骤S11中，候选标注信息指以人工方式对训练MR图像进行注释，包括标记出膀胱、肿瘤以及肌层浸润的位置、形状和范围等关键信息，所述标注信息成为训练模型时的标签数据。
在步骤S12中，膀胱图像是指在整个MR图像中，被人工标注为膀胱区域的部分图像。所述部分图像不仅包括膀胱壁，还包括任何已被标注的肿瘤区域。利用步骤S11中所述的候选标注信息，定位和提取这些膀胱图像，并进行显示，使得医生和研究人员可以直观地理解和评价膀胱肿瘤的具体情况。
在一个实现方式中，所述基于所述控制指令对所述标注信息进行处理，以得到携带有标注的训练MR图像具体包括：
S131、当所述控制指令为确认指令时，将所述候选标注信息作为所述训练MR图像的标注信息；
S132、当所述控制指令为修正指令时，基于所述修正指令对所述候选标注信息进行修正，并将修正后的标注信息作为候选标注信息并重新执行基于候选标注信息在训练MR图像中选取出膀胱图像的步骤。
其中，在步骤131中，接收来自医生或相关专业标记者基于膀胱区域和肿瘤区域生成的控制指令，并读取该指令中所包含的控制指令，其中所述控制指令可以是确认指令或修正指令。当接收到的控制指令是确认指令的情况下，将现有的候选标注信息作为训练MR图像的最终标注信息，表明标注已经被检查并被确认为准确无误。
在步骤S132中，当接收到的控制指令是修正指令的情况下，将基于修正指令对候选标注信息进行修正，然后将修正后的标注信息作为新的候选标注信息，并重新在训练MR图像中选取膀胱图像进行显示。所述膀胱图像包含膀胱壁和肿瘤区域，以便于专业标注人员能够清晰地查看修改后的标注结果，确保结果的准确性。
在本申请的具体实现中，所述基于交互方式预先获取的各训练MR图像进行标注的操作包括，医生使用基于MR信号的膀胱肿瘤分类方法的终端设备的显示界面中的工具，在图像中标注膀胱的内壁和肿瘤的位置；也支持使用基于MR信号的膀胱肿瘤分类方法的终端设备的标注工具，在MR图像中添加或者修改线条来标注膀胱内壁和肿瘤区域，并且对存在肿瘤的图像标注VI-RADS的级别。此外，对标注后的膀胱内壁或者肿瘤区域进行抠图，并将结果返回给医生查看。若标注的准确性不佳，医生可以在原有的基础上进行修改，并重复这个过程，直到满意为止，以此保证标注的质量和可靠性。
在本实施例一个实现方式中，如附图3所示，抠图的操作包括：
首先，根据汇总的少量标注的数据集，选择图像形态学算法对图像数据进行处理。图像形态学算法是一种基于形状的图像处理技术，能够对图像做膨胀、腐蚀、开运算和闭运算等操作。本申请的一个实现方案中，可以选择经典的二值图像形态学算法，或者更为先进的灰度图像和彩色图像形态学算法，或根据实施环境的需求进行选择。使用图像形态学算法提取出数据中膀胱的形态特征以及肿瘤的形态特征信息。所述形态特征信息包括但不限于色彩、纹理、形状和大小等相关属性。
随后，利用所述提取到的特征信息作为依据，开发相应的算法来实现膀胱和肿瘤的精确抠图。在这个过程中，可以使用基于深度学习的图像分割技术算法，包括但不限于全卷积网络(Fully Convolutional Network,FCN)、级联卷积网络(Cascade ConvolutionalNetwork)或者U-Net网络等。具体来说，将提取的形态特征信息输入到图像分割网络中，网络输出每个像素所属的类别，从而达到精确抠图的目的。
S20、基于所述训练数据集构建膀胱肿瘤分类模型，并通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果。
其中，膀胱肿瘤分类模型是一个机器学习模型，其功能是对MR图像进行分析，并由此分类出其中的膀胱肿瘤。所述模型是基于训练数据集构建的，训练数据集含有标注的膀胱肿瘤MR图像。待分类MR序列指的是一系列通过MRI扫描得到的影像数据。
首先，构建一个膀胱肿瘤分类模型，基于机器学习的算法和所述包含标注信息的训练数据集，训练一个能够识别和分类膀胱肿瘤的模型。
然后，通过构建好的膀胱肿瘤分类模型，对从病患中获取的待分类MR序列进行分析和分类。模型的输出就是待分类MR序列对应的分类结果，用于判定MR图像中是否存在膀胱肿瘤并对其进行分类。
在一个实现方式中，所述基于所述训练数据集构建膀胱肿瘤分类模型具体包括：
S21、以膀胱区域为类别将所述训练数据集汇总为膀胱训练数据集；
S22、对膀胱训练数据集中具有膀胱区域的膀胱训练图像进行抠图以得到膀胱图像集，并以肿瘤区域为类别将所述膀胱图像集汇总为肿瘤训练数据集；
S23、以肌层浸润为类别将所述肿瘤训练数据集中的具有肿瘤区域的肿瘤训练图像汇总为肌层浸润训练数据集；
S24、分别基于膀胱训练数据集、肿瘤训练数据集和肌层浸润训练数据集构建膀胱分类模块、肿瘤分类模块以及肌层浸润分类模块；
S25、基于所述膀胱分类模块、肿瘤分类模块以及肌层浸润分类模块形成膀胱肿瘤分类模型。
具体地，抠图是指从膀胱训练数据集中具有膀胱区域的图像中提取膀胱图像。抠图的目的是减少冗余信息，让模型专注于真正关注的区位，即膀胱区域。所述过程会产生一个只包含膀胱图像的新数据集，称之为膀胱图像集。在获得膀胱图像集之后，以肿瘤区域作为类别对膀胱图像集进行标注和整理。也就是说，根据肿瘤是否存在以及其具体位置，对膀胱图像进行分类和标签化，使得模型能够识别并学习到关于肿瘤位置的信息。通过所述方式将膀胱图像集汇总为肿瘤训练数据集，不仅提高了训练集的质量和有效性，而且提高了所构建模型的准确性和鲁棒性。
进一步，在所述步骤S23中，肌层浸润是指肿瘤侵入或扩展到肌层，通常，肌层浸润在膀胱癌的诊断和治疗中具有重要意义，表示疾病的进展和预后差。因此，如果膀胱肿瘤涉及肌层浸润，病人通常需要更积极的治疗及手术方式。
将已标注的肿瘤训练数据集中的具有肿瘤区域的图像进行汇总时，采用的筛查标准是肌层浸润。也就是说，基于肿瘤图像中的肌层浸润的特征，将所述具有肌层浸润的肿瘤训练图像集中起来，构建一个特殊的肌层浸润训练数据集，用于训练机器学习模型或深度学习模型，使其具备识别肌层浸润特性的能力，在下游的影像处理和分析中，增加对肌层浸润类别肿瘤的准确识别率。通过所述具有肌层浸润的肿瘤训练图像训练出的模型在应用时能更有效地辨识出哪些病患的肿瘤已经浸润到肌层，从而提高患者病症的识别准确性。
通常来说，将已标注的肿瘤训练数据集中的具有肿瘤区域的图像进行汇总时的过程是通过一种自动化的过程实现的，所述过程基于先前收集的标注数据以及机器学习或深度学习的方法，包括但不限于卷积神经网络(CNN)等。模型通过在训练数据集上的大量训练，逐渐学习和精确地识别出具有肌层浸润特征的肿瘤图像，提高分析效率。
进一步，在所述步骤S24中，膀胱训练数据集包含标注了膀胱区域的MR图像；肿瘤训练数据集包括了标注了膀胱肿瘤区域的MR图像；肌层浸润训练数据集包含了标注了肿瘤浸润到膀胱肌层的MR图像。
基于所述三个特定的训练数据集构建了三个相应的分类模块，即膀胱分类模块、肿瘤分类模块和肌层浸润分类模块。如附图4所示，所述构建过程可以利用深度学习技术实现，如卷积神经网络等，对训练数据集进行学习和模式识别。所述训练数据集中包含的图像已经被专家标注，为模型训练提供了可靠的监督信息。
在膀胱分类模块中，模型学习识别和分辨膀胱组织在MR图像中的特征和表现。同样，肿瘤分类模块的模型专注于识别肿瘤的存在和位置。最后，肌层浸润分类模块的模型则被训练来检测肿瘤是否已经浸润到膀胱的肌层。将三个分类模块的结果组合起来，提供一个全面、精炼和准确的膀胱肿瘤诊断。
进一步，在所述步骤S25中，所述三个模块通过联合训练和优化，形成一个膀胱肿瘤分类模型，旨在解决传统人为诊断效率低、准确度不稳定的问题。模型将自动处理和判断MR图像，辅助医生做出更准确的判断，节省诊断时间。对于潜在的或已经确诊的膀胱肿瘤患者，所述模型提供更为精确、细致的诊断结果，极大提升医疗服务质量。
在一个实现方式中，通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类具体包括：
通过所述膀胱肿瘤分类模型中的膀胱分类模块筛选出待分类MR序列中存在膀胱区域的第一待处理图像序列；
当所述第一待处理图像序列不为空时，通过所述膀胱肿瘤分类模型中的肿瘤分类模块筛选出第一待处理图像序列中存在肿瘤区域的第二待处理图像序列；
当所述第二待处理图像序列不为空时，通过所述膀胱肿瘤分类模型中的肌层浸润分类模块，确定所述待分类MR序列对应的肌层浸润类别。
具体地，如图5所示，对所述膀胱肿瘤分类模型中的膀胱分类模块输入一系列MR图像数据，筛选出待分类MR序列中被标注为包含膀胱区域的图，称为第一待处理图像序列。此外，对于第一待处理图像序列不为空指的是在第一轮筛选中，膀胱分类模块识别出了包含膀胱区域的MR图像，也就是说，至少已经有一张含有膀胱区域的MR图像。肿瘤分类模块用来从第一待处理图像序列中进一步筛选出含有肿瘤区域的图像，形成第二待处理图像序列。其中，第二待处理图像序列是指那些被肿瘤分类模块识别出含有肿瘤区域的MR图像。肿瘤分类模块会进一步检测这些图像，对疑似存在肿瘤的区域进行深入分析并生成报告。
进一步地，第二待处理图像序列不为空意味着在第二步筛选中，肿瘤分类模块成功识别出了包含肿瘤区域的MR图像。换言之，至少已经找到了一张含有肿瘤的MR图像。当肌层浸润分类模块接收到含有肿瘤的图像后，分析肿瘤的位置、大小以及与膀胱壁的关系，最后确定出该肿瘤在待分类MR序列中对应的肌层浸润类别。
在一个实现方式中，所述确定所述待分类MR序列对应的肌层浸润类别之后，所述方法还包括：
当所述待分类MR序列对应的肌层浸润类别为发生肌层浸润时，根据肿瘤区域的先验知识对所述待分类MR序列中存在肿瘤区域的MR图像进行抠图，以得到膀胱内壁及肿瘤图像；
将所述膀胱内壁及肿瘤图像添加至图像报告内。
具体地，肌层浸润类别为发生肌层浸润意味着肿瘤已经侵入膀胱壁的肌层，用于判断膀胱癌的分期及严重程度。抠图的操作基于已经标注好的膀胱及肿瘤区域的先验知识，将MR图像中膀胱内壁及肿瘤的图像单独提取出来，旨在获取图像中的目标物体，以便进一步处理。具体的，首先使用肌层浸润分类模块对MR图像进行分析，如果判定为发生了肌层浸润，则根据已知的膀胱及肿瘤区域的先验知识，对这些MR图像进行抠图，只保留膀胱内壁及肿瘤的图像信息，使得在后续的深度分析和数据处理中，将更多的计算资源和关注点集中在膀胱肿瘤上，而不是无关的其它区域。
在一个实现方式中，通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果之后，所述方法还包括：
根据所述分类结果确定图像报告中的各分类项的分类项结果，其中，所述图像报告包括膀胱区域分类项、肿瘤区域分类项、肌层浸润分类项以及膀胱内部以及肿瘤图像分类项；
根据各分类项的分类项结果生成图像报告。
具体地，分类结果是之前通过膀胱肿瘤分类模型得出的，包括膀胱区域、肿瘤区域、肌层浸润、以及膀胱内部及肿瘤图像等相关的信息。这些信息已经被标注和分类，成为生成图像报告的基础。
图像报告则是专为医生或相关的医疗专业人员准备的，详细地记录了分类模型的诊断结果。具体来说，该报告包含四个主要部分的分类项：膀胱区域分类项记录了图像中膀胱的大小、位置等信息；肿瘤区域分类项则对肿瘤的大小、位置、形状进行了记录；肌层浸润分类项则记录了肿瘤是否发生了肌层浸润；最后，膀胱内部以及肿瘤图像分类项则包含了经过抠图后得到的膀胱内壁及肿瘤的图像。通过生成的图像报告，提供清晰、直观的MR图像分类结果，以便于根据这些具体的分类信息来确立更精确的诊断结果和治疗方案。
在另一个实现方式中，所述膀胱肿瘤分类模型对MR图像进行处理的过程还包括Trimap的生成，以及基于Trimap的膀胱内壁抠图和肿瘤抠图。
其中，Trimap的生成包括：
①利用膀胱和肿瘤的形态特征信息开发的算法进行图像二值化，得到图像中的膀胱区域或肿瘤区域作为对应Trimap的前景区域。所述算法可以采用基于阈值、形态学操作以及边缘检测等方法。
②基于前景区域生成Trimap中的不确定区域。具体操作是通过形态学膨胀算法或者距离变换算法对前景区域进行膨胀操作，从而获得一定宽度的不确定区域。同时，也可以通过形态学腐蚀算法采用腐蚀操作来缩小前景区域，从而生成不确定区域。
③生成背景区域：在Trimap中，不确定区域之外的剩余部分为背景区域。所述生成背景区域的操作通常直接采用二值图像操作来完成。
④平滑Trimap：为了减少Trimap中的噪声和不连续性应用平滑方法，如高斯模糊或者平均滤波等获得更平滑的边界。
其中，基于Trimap的膀胱内壁抠图和肿瘤抠图的过程包括：
膀胱内壁抠图：利用膀胱内壁对应的Trimap，将膀胱内壁从图像中分割出来。所述分割操作通常依赖于多种图像分割技术，如GrabCut，GraphCut，层次分割(Hierarchicalsegmentation)等，这些技术可以结合Trimap，提供背景区域和前景区域的初始估计，对膀胱内壁进行准确的抠图。
肿瘤抠图：肿瘤对应的Trimap，可以将肿瘤从图像中分割出来，利用上述的一系列图像分割技术，针对肿瘤区域，结合Trimap提供的背景、前景以及不确定区域信息，进行精确的图像分割。
同时，本申请涉及的一种基于MR信号的膀胱肿瘤分类方法可以应用于序列级别的肿瘤分类技术方案，如附图6所示，其中：
T1表示待分类MR序列中存在肿瘤但不存在肌层浸润的序列个数，T2表示待分类MR序列中存在肿瘤且存在肌层浸润的序列个数，i表示待分类MR序列中仅存在肿瘤的序列个数。
医院对病人扫描的数据是序列级别的，存在多张图像。因此，根据图像级别的分类技术方案设计出序列级别的肿瘤分类技术方案。
(1)利用区分图像中是否存在膀胱的二分类模型，识别出序列中存在膀胱的图像，形成一个新的序列。如果新的序列为空，则生成图像报告，结束处理。
(2)使用第一步形成的序列为待处理数据，利用区分膀胱中是否存在肿瘤的二分类模型，识别出膀胱中存在肿瘤的图像，并形成一个新的序列。如果新的序列为空，则生成图像报告，否则继续处理。
(3)使用第二步形成的序列为待处理数据，利用区分是否发生肌层浸润的二分类模型区分图像中是否发生肌层浸润，如果识别为发生肌层浸润的图像数量多于识别为未发生肌层浸润的图像数量，则判定这个序列发生肌层浸润，否则判定为未发生肌层浸润。最后，利用提取到的膀胱和肿瘤形态特征为依据开发的算法，对存在肿瘤的图像进行抠图，得到膀胱内壁以及肿瘤图像，最终形成一份图像报告。
此外，本申请提供的一种基于MR信号的膀胱肿瘤分类方法中，数据集的筛选及标注操作包括：筛选某医院术前进行了膀胱多参数MRI检查的膀胱癌病例共300例(VI-RADS评分1-5各60例)，并对这些膀胱癌患者的MR序列(轴位T2WI、DWI、DCE)进行标注和训练，主要包括以下步骤：1.根据图像中是否存在膀胱区域，对数据集进行标注(数据集A)，并对数据集进行训练，以学习膀胱相关特征。2.根据图像中是否存在肿瘤病灶进行标注(数据集B)，对标注的数据进行训练，学习肿瘤与膀胱区域特征。3.根据图像中膀胱壁是否存在，标注数据(数据集C)，进一步训练和学习肿瘤区域相关特征。
模型的训练和验证操作包括：在训练过程中，对MR图像数据集中的图像均应用了90°的随机旋转和概率为0.5的翻转进行数据扩充。将上述数据集按8：2的比例划分为训练集和验证集，应用高斯滤波和椒盐噪声进行数据增广。对数据集B和数据集C的模型训练中，在训练集上使用400*400的随机裁剪，在验证集上使用400*400的中心裁剪。然后，使用ResNet18网络提取数据集A和数据集B的特征并进行模型训练，使用Vgg16网络提取数据集C的特征并进一步训练模型。
模型的优化操作包括：另外筛选出某医院术前进行了膀胱多参数MRI检查的膀胱癌病例共150例(VI-RADS评分1-5各30例)，将这部分患者的轴位T2WI、DWI及DCE图像(DCOM格式)压缩打包导入智能评估模型，导出是否有肌层浸润的结果，然后与术后病理结果进行对照，并与医生判断的准确性进行比较，综合判断该智能系统评估的有效性与准确性，并根据结果前反馈进一步优化智能评估系统。
综上所述，本实施例提供了一种基于MR信号、结合人工经验和交互式标注的膀胱肿瘤分类方法。所述方法首先充分应用医生专业的标注，获得训练数据集，然后根据所述已标注的数据集和人工经验指导抠图，并训练二分类模型。最后，通过预设的肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，并得到相应的分类结果。本申请在提高诊断准确性和效率的同时，降低了专家误诊和漏诊的风险，提高了医疗诊断的可靠性。具体来说，对于医生来说，所述技术方案可以提供更准确的辅助诊断信息，使他们能够更准确地评估膀胱癌患者的病情。
基于上述一种基于MR信号的膀胱肿瘤分类方法，本实施例提供了一种基于MR信号的膀胱肿瘤分类装置，如图7所示，所述装置包括：
目标图像标注模块100，基于交互方式预先获取的各训练MR图像进行标注，以得到训练数据集；
目标分类模块200，基于所述训练数据集构建膀胱肿瘤分类模型，并通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果。
基于上述基于MR信号的膀胱肿瘤分类方法，本实施例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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的基于MR信号的膀胱肿瘤分类方法中的步骤。
基于上述基于MR信号的膀胱肿瘤分类方法，本申请还提供了一种终端设备，如图8所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于MR信号的膀胱肿瘤分类方法，其特征在于，所述方法包括：
基于交互方式预先获取的各训练MR图像进行标注，以得到训练数据集；
基于所述训练数据集构建膀胱肿瘤分类模型，并通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果。
2.根据权利要求1所述的基于MR信号的膀胱肿瘤分类方法，其特征在于，基于交互方式预先获取的各训练MR图像进行标注具体包括：
接收每张训练MR图像对应的候选标注信息；
基于候选标注信息在训练MR图像中选取出膀胱图像，并显示所述膀胱图像，其中，所述膀胱图像包括膀胱壁及肿瘤区域；
接收基于所述膀胱图像的控制指令；
基于所述控制指令对所述标注信息进行处理，以得到携带有标注的训练MR图像。
3.根据权利要求2所述的基于MR信号的膀胱肿瘤分类方法，其特征在于，基于所述控制指令对所述标注信息进行处理，以得到携带有标注的训练MR图像具体包括：
当所述控制指令为确认指令时，将所述候选标注信息作为所述训练MR图像的标注信息；
当所述控制指令为修正指令时，基于所述修正指令对所述候选标注信息进行修正，并将修正后的标注信息作为候选标注信息并重新执行基于候选标注信息在训练MR图像中选取出膀胱图像的步骤。
4.根据权利要求1所述的基于MR信号的膀胱肿瘤分类方法，其特征在于，训练数据集中的训练MR图像进行膀胱区域、肿瘤区域和肌层浸润标注；基于所述训练数据集构建膀胱肿瘤分类模型具体包括：
以膀胱区域为类别将所述训练数据集汇总为膀胱训练数据集；
对膀胱训练数据集中具有膀胱区域的膀胱训练图像进行抠图以得到膀胱图像集，并以肿瘤区域为类别将所述膀胱图像集汇总为肿瘤训练数据集；
以肌层浸润为类别将所述肿瘤训练数据集中的具有肿瘤区域的肿瘤训练图像汇总为肌层浸润训练数据集；
分别基于膀胱训练数据集、肿瘤训练数据集和肌层浸润训练数据集构建膀胱分类模块、肿瘤分类模块以及肌层浸润分类模块；
基于所述膀胱分类模块、肿瘤分类模块以及肌层浸润分类模块形成膀胱肿瘤分类模型。
5.根据权利要求4所述的基于MR信号的膀胱肿瘤分类方法，其特征在于，通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类具体包括：
通过所述膀胱肿瘤分类模型中的膀胱分类模块筛选出待分类MR序列中存在膀胱区域的第一待处理图像序列；
当所述第一待处理图像序列不为空时，通过所述膀胱肿瘤分类模型中的肿瘤分类模块筛选出第一待处理图像序列中存在肿瘤区域的第二待处理图像序列；
当所述第二待处理图像序列不为空时，通过所述膀胱肿瘤分类模型中的肌层浸润分类模块，确定所述待分类MR序列对应的肌层浸润类别。
6.根据权利要求5所述的基于MR信号的膀胱肿瘤分类方法，其特征在于，通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果之后，所述方法还包括：
根据所述分类结果确定图像报告中的各分类项的分类项结果，其中，所述图像报告包括膀胱区域分类项、肿瘤区域分类项、肌层浸润分类项以及膀胱内部以及肿瘤图像分类项；
根据各分类项的分类项结果生成图像报告。
7.根据权利要求6所述的基于MR信号的膀胱肿瘤分类方法，其特征在于，确定所述待分类MR序列对应的肌层浸润类别之后，所述方法还包括：
当所述待分类MR序列对应的肌层浸润类别为发生肌层浸润时，根据肿瘤区域的先验知识对所述待分类MR序列中存在肿瘤区域的MR图像进行抠图，以得到膀胱内壁及肿瘤图像；
将所述膀胱内壁及肿瘤图像添加至图像报告内。
8.一种基于MR信号的膀胱肿瘤分类装置，其特征在于，所述装置包括：
目标图像标注模块，用于基于交互方式预先获取的各训练MR图像进行标注，以得到训练数据集；
目标分类模块，用于基于所述训练数据集构建膀胱肿瘤分类模型，并通过所述膀胱肿瘤分类模型对待分类MR序列进行膀胱肿瘤分类，以得到待分类MR序列对应的分类结果。
9.一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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-7任意一项所述的基于MR信号的膀胱肿瘤分类方法中的步骤。
10.一种终端设备，其特征在于，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如权利要求1-7任意一项所述的基于MR信号的膀胱肿瘤分类方法中的步骤。
CN202311733422.5A 2023-12-14 2023-12-14 一种基于mr信号的膀胱肿瘤分类方法及相关装置 Active CN117893792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311733422.5A CN117893792B (zh) 2023-12-14 2023-12-14 一种基于mr信号的膀胱肿瘤分类方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311733422.5A CN117893792B (zh) 2023-12-14 2023-12-14 一种基于mr信号的膀胱肿瘤分类方法及相关装置

Publications (2)

Publication Number Publication Date
CN117893792A true CN117893792A (zh) 2024-04-16
CN117893792B CN117893792B (zh) 2024-08-30

Family

ID=90643286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311733422.5A Active CN117893792B (zh) 2023-12-14 2023-12-14 一种基于mr信号的膀胱肿瘤分类方法及相关装置

Country Status (1)

Country Link
CN (1) CN117893792B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419247A (zh) * 2020-11-12 2021-02-26 复旦大学 基于机器学习的mr图像脑肿瘤检测方法和系统
CN114240839A (zh) * 2021-11-17 2022-03-25 东莞市人民医院 基于深度学习的膀胱肿瘤肌层侵犯预测方法及相关装置
CN114764855A (zh) * 2021-01-12 2022-07-19 张琦 基于深度学习的膀胱镜下肿瘤智能分割方法、装置及设备
CN116664911A (zh) * 2023-04-17 2023-08-29 山东第一医科大学附属肿瘤医院(山东省肿瘤防治研究院、山东省肿瘤医院) 一种基于可解释深度学习的乳腺肿瘤图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419247A (zh) * 2020-11-12 2021-02-26 复旦大学 基于机器学习的mr图像脑肿瘤检测方法和系统
CN114764855A (zh) * 2021-01-12 2022-07-19 张琦 基于深度学习的膀胱镜下肿瘤智能分割方法、装置及设备
CN114240839A (zh) * 2021-11-17 2022-03-25 东莞市人民医院 基于深度学习的膀胱肿瘤肌层侵犯预测方法及相关装置
CN116664911A (zh) * 2023-04-17 2023-08-29 山东第一医科大学附属肿瘤医院(山东省肿瘤防治研究院、山东省肿瘤医院) 一种基于可解释深度学习的乳腺肿瘤图像分类方法

Also Published As

Publication number Publication date
CN117893792B (zh) 2024-08-30

Similar Documents

Publication Publication Date Title
CN110060774B (zh) 一种基于生成式对抗网络的甲状腺结节识别方法
Fuhrman et al. A review of explainable and interpretable AI with applications in COVID‐19 imaging
Orlando et al. An ensemble deep learning based approach for red lesion detection in fundus images
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
WO2017096407A1 (en) Systems and methods for analyzing pathologies utilizing quantitative imaging
CN111028206A (zh) 一种基于深度学习前列腺癌自动检测和分类系统
KR20200077852A (ko) 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법
US11471096B2 (en) Automatic computerized joint segmentation and inflammation quantification in MRI
CN112365973B (zh) 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统
Xu et al. Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients
CN109460717A (zh) 消化道共聚焦激光显微内镜病变图像识别方法及装置
CN114494215A (zh) 基于Transformer的甲状腺结节检测方法
Shamrat et al. Analysing most efficient deep learning model to detect COVID-19 from computer tomography images
Tian et al. Radiomics and its clinical application: artificial intelligence and medical big data
US12051195B2 (en) Method and system to assess medical images for suitability in clinical interpretation
KR20210054140A (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
CN111401102A (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN117893792B (zh) 一种基于mr信号的膀胱肿瘤分类方法及相关装置
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质
Jagtap et al. Application of YoloV5 for Brain Tumor Detection from MRI
Akram et al. Recognizing Breast Cancer Using Edge-Weighted Texture Features of Histopathology Images.
CN112862787A (zh) Cta影像数据处理方法、装置及存储介质
Naz et al. Micro‐segmentation of retinal image lesions in diabetic retinopathy using energy‐based fuzzy C‐Means clustering (EFM‐FCM)
Agarwal Diabetic Retinopathy Segmentation in IDRiD using Enhanced U-Net
US12125204B2 (en) Radiogenomics for cancer subtype feature visualization

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
GR01 Patent grant
GR01 Patent grant