[發(fā)明專利]腦部膠質(zhì)瘤圖像分級方法、裝置及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010543134.3
• 申請日: 2020-06-15
• 公開（公告）號: CN111833356B
• 公開（公告）日: 2023-02-28
• 發(fā)明（設計）人: 柯琪銳;郭煥鑫;陳凱炫;周文略;曾彩蓮;王金鑫;翟懿奎;秦傳波;甘俊英;應自爐;陳俊娟;曾軍英;徐穎
• 申請（專利權(quán)）人: 五邑大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06V10/764
• 代理公司: 廣州嘉權(quán)專利商標事務所有限公司 44205
• 代理人: 孫浩

1.腦部膠質(zhì)瘤圖像分級方法，其特征在于，包括以下步驟：

對輸入的腦部膠質(zhì)瘤圖像作歸一化處理，得到第一處理圖像，對所述第一處理圖像的感興趣區(qū)域作基于注意力機制的增強處理，得到第二處理圖像，其中所述腦部膠質(zhì)瘤圖像帶有圖像級標簽，所述圖像級標簽為0或1，所述感興趣區(qū)域為所述第一處理圖像中腦部膠質(zhì)瘤所對應的區(qū)域；

對所述第二處理圖像分割，得到多個大小相同的實例，所述實例的標注與所述圖像級標簽相同；

從多個所述實例中選出第一關鍵實例、第二關鍵實例和非關鍵實例，利用所述第一關鍵實例訓練第一子分類網(wǎng)絡和利用所述第二關鍵實例訓練第二子分類網(wǎng)絡，其中所述第一關鍵實例包含標注為1的所述實例的最大值和標注為0的所述實例的最大值，所述第二關鍵實例包含標注為1的所述實例的最大值和標注為0的所述實例的最小值，所述非關鍵實例是所述多個大小相同的實例中除了所述第一關鍵實例和所述第二關鍵實例外的其他所述實例，所述第一關鍵實例的標簽和所述第二關鍵實例的標簽均與所述圖像級標簽相同；

將所述非關鍵實例輸入已訓練的所述第一子分類網(wǎng)絡得到第一標簽，和將所述非關鍵實例輸入已訓練的所述第二子分類網(wǎng)絡得到第二標簽，根據(jù)所述第一標簽和所述第二標簽對所述非關鍵實例打上標簽，根據(jù)所有所述第一關鍵實例、第二關鍵實例和非關鍵實例的標簽對所述第二處理圖像作掩膜處理得到第三處理圖像；將所述第三處理圖像輸入寬度學習網(wǎng)絡得到腦部膠質(zhì)瘤圖像的分級結(jié)果。

2.根據(jù)權(quán)利要求1所述的腦部膠質(zhì)瘤圖像分級方法，其特征在于，所述將第三處理圖像輸入寬度學習網(wǎng)絡得到腦部膠質(zhì)瘤圖像的分級結(jié)果包括以下步驟：

按照m＝flatten(M)將所述第三處理圖像轉(zhuǎn)化為行向量，其中m為行向量且n₁是所述第三處理圖像的像素個數(shù)，flatten(·)表示轉(zhuǎn)化為一維向量的運算；

將M′＝[m₁,m₂,m₃,…m_a,…,m_n]^T輸入至所述寬度學習網(wǎng)絡，根據(jù)W＝[F|E]⁺Y得到所述寬度學習網(wǎng)絡的輸出權(quán)值矩陣，其中W為所述寬度學習網(wǎng)絡的輸出權(quán)值矩陣，Y為所述寬度學習網(wǎng)絡的輸出，[F|E]⁺＝lim_λ→0([F|E]^T[F|E]+λI)^-1[F|E]，λ為所述寬度學習網(wǎng)絡的超參數(shù)，I為單位矩陣，[F|E]表示將特征節(jié)點矩陣和增強節(jié)點矩陣按行拼接，第i個特征節(jié)點表示為F_i＝tanh(M′W_fi+β_fi)，第j個增強節(jié)點表示為E_j＝tanh(F_iW_ej+β_ej)，W_fi是第i個特征節(jié)點的輸出權(quán)值矩陣，W_ej是第j個增強節(jié)點的輸出權(quán)值矩陣，β_fi是第i個特征節(jié)點的偏置，β_ej是第j個增強節(jié)點的偏置；

根據(jù)得到腦部膠質(zhì)瘤圖像的分級結(jié)果，其中是所述腦部膠質(zhì)瘤圖像的分級結(jié)果。

3.根據(jù)權(quán)利要求1所述的腦部膠質(zhì)瘤圖像分級方法，其特征在于，所述歸一化處理具體為：其中Z為所述第一處理圖像，X是輸入的腦部膠質(zhì)瘤圖像，(x,y)是輸入的腦部膠質(zhì)瘤圖像的像素點位置。

4.根據(jù)權(quán)利要求1所述的腦部膠質(zhì)瘤圖像分級方法，其特征在于，所述基于注意力機制的增強處理具體為：其中f(x,y)是半徑為1的高斯核，Z′_(x,y)是經(jīng)增強處理后的像素點的值。