[发明专利]模型训练方法及设备、图像处理方法及设备以及介质

说明书

本公开提供了一种模型训练方法，包括：获取多个样本图像，其中，多个样本图像中的任一样本图像包括：基因型已知的关于指定肿瘤的三维PET图像。获取任一样本图像的基因型信息。然后，确定任一样本图像的特征集。基于上述所获取的多个样本图像各自的基因型信息和特征集，对初始模型进行训练，以得到目标模型，该目标模型用于确定：基因型未知的关于指定肿瘤的三维PET图像的基因型信息。本公开还提供了一种模型训练设备、图像处理方法和设备以及存储介质。

技术领域

本公开涉及计算机技术领域，具体涉及一种模型训练方法和设备图像处理方法和设备以及存储介质。

背景技术

正电子发射计算机断层扫描(Positron Emission Tomography，PET) 是一种核医学临床检查的成像技术。PET技术是当前唯一利用解剖形态方式进行功能、代谢和受体显像的技术，具有无创伤的特点并能提供全身三维和功能运转的图像，可简称为PET图像。

长期以来，对于PET图像中所包含的信息利用率不高，人眼无法从PET图像中获取和量化有效的信息。并且，在手术前仅通过图像分析的方式，来对肿瘤的病理组织信息做出分类判断一直是一个困难的问题。仅仅依靠人们的经验来进行判断，往往结果因人而异，甚至同一个人在不同时间对相同的图像做出的分类结果也不同。因此，需要一个行之有效的方法来提高分类性能，使得分类的结果可靠。

发明内容

根据本公开实施例，提出了一种模型训练方法和设备、图像处理方法和设备以及存储介质，利用训练得到的目标模型能够实现针对基因型未知的三维PET图像的有效基因型预测。

在本公开的一个方面，提供了一种模型训练方法，包括：获取多个样本图像，其中，多个样本图像中的任一样本图像包括：基因型已知的关于指定肿瘤的三维PET图像。获取任一样本图像的基因型信息。然后，确定任一样本图像的特征集。基于上述所获取的多个样本图像各自的基因型信息和特征集，对初始模型进行训练，以得到目标模型，该目标模型用于确定：基因型未知的关于指定肿瘤的三维PET 图像的基因型信息。

根据本公开实施例，上述确定任一样本图像的特征集包括：获取任一样本图像中包含指定肿瘤的感兴趣区域，并将该感兴趣区域的任一像素值转换为标准摄取值，以获得针对该感兴趣区域的第一矩阵。然后，基于第一矩阵，确定该任一样本图像的第一特征集合。

根据本公开实施例，上述基于第一矩阵，确定任一样本图像的第一特征集合包括：从第一矩阵中提取第一指定特征，第一指定特征中的任一第一指定特征包括如下至少一项：几何特征、一阶统计特征和纹理特征。对所述第一矩阵进行小波变换，以得到第二矩阵，并从第二矩阵中提取第二指定特征，第二指定特征包括如下至少一项：一阶统计特征和纹理特征。由所提取出的第一指定特征和/或第二指定特征构成第一特征集合。

根据本公开实施例，上述确定任一样本图像的特征集还包括：计算第一特征集合中的任一特征与基因型信息之间的第一相关性。然后，从第一特征集合中选取第一相关性符合第一预定条件的特征，以组成第二特征集合。

根据本公开实施例，上述确定任一样本图像的特征集还包括：计算第二特征集合中任意两个特征之间的第二相关性。然后，对第二特征集合中第二相关性特征符合第二预定条件的特征进行去冗余处理，以得到第三特征集合。

根据本公开实施例，上述确定任一样本图像的特征集还包括：对第三特征集合进行多因素特征选择，以得到特征集。

根据本公开实施例，上述几何特征包括如下至少一项：指定肿瘤的体积、指定肿瘤的表面积、和指定肿瘤的球形度。并且/或者，上述一阶统计特征包括如下至少一项：最大值、最小值、峰度、和偏度。并且/或者，上述纹理特征包括：基于灰度共生矩阵算法得到的纹理特征，和/或，基于灰度游程矩阵得到的纹理特征。

根据本公开实施例，上述指定肿瘤包括脑胶质瘤。