[发明专利]基于注意力机制的胶质瘤分级方法以及装置

说明书

本发明提供了一种基于注意力机制的胶质瘤分级方法以及装置，用于对胶质瘤患者的待分级核磁共振影像进行分析得到胶质瘤分级结果从而为医师提供参考依据，其特征在于，包括如下步骤：步骤S1，获取待训练核磁共振影像并进行预处理；步骤S2，构建基于ResNet的分类网络并输入预处理数据；步骤S3，获取注意力图并与特征图进行像素相乘；步骤S4，建立由输出分类与真实分类构成的损失函数；步骤S5，更新分类网络直到达到收敛条件得到收敛的分类网络作为输出模型；步骤S6，将待分级核磁共振影像输入输出模型得到胶质瘤分级结果。其中，分类网络包括由3×3×1二维卷积核以及1×1×3二维卷积核组成的伪三维卷积核、激活层以及归一化层。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于注意力机制的胶质瘤分级方法以及装置。

背景技术

胶质瘤是最常见的中枢神经方法肿瘤，它根据浸润性病理学结果以及基因特征被分为I至IV级。而在所有四个等级中，胶质母细胞瘤(简称GBM，等级为IV级)发生率最高，占总的胶质瘤发生率的46.1％，与较低等级的神经胶质瘤相比，它具有更高的恶性和异质性。医师在设计治疗方案前需要先对病患的胶质瘤进行分级，根据不同的等级制定治疗计划，并且对预后预测拥有指导性的作用。尤其是针对低级别神经胶质瘤(简称LGG，等级为I和II级)以及高级别神经胶质瘤(简称HGG，等级为III和IV级)的分级。

近年来，核磁共振影像成为胶质瘤的术前诊断主流研究方向，其不同模态的序列为医师提供了不同信息。医师一般通过观察与比较不同核磁共振影像模态之间的互补信息、影像特征等，并结合临床经验得到胶质瘤分级结果。然而，医师在观察与比较不同核磁共振影像时需要花费大量时间与精力，并且对医师的阅片经验有较高门槛，从而造成了不小的压力。

影像组学方法可以为上述问题提供一条解决思路，其主要是一种先提取核磁共振影像中的感兴趣区域(ROI)，然后计算其中像素级别的方差、直方图特征以及纹理特征从而实现对多参数核磁共振影像的分析的方法。通过这种方法可以捕捉到不同级别胶质瘤之间的影像特征差异从而得到胶质瘤对应的等级。

然而，现有的影像组学仍存在诸多问题，例如：稀缺的医疗数据集、不同设备采集到的核磁共振影像存在差异等。上述问题会导致影像组学方法所提取的特征不够抽象，使得该方法无法在实际应用中无有较好的表现。另外，不同模态之间的互补信息也没有得到好的利用。

发明内容

为解决上述问题，提供了一种模拟放射科医师的阅片方式对核磁共振影像中的异常区域的单个切片进行分析得到胶质瘤的分级结果的分级方法，本发明采用了如下技术方案：

本发明提供了一种基于注意力机制的胶质瘤分级方法以及装置，用于对胶质瘤患者的待分级核磁共振影像进行分析得到胶质瘤分级结果从而为医师提供参考依据，其特征在于，包括如下步骤：步骤S1，获取待训练核磁共振影像，并对待训练核磁共振影像进预处理得到预处理数据；步骤S2，构建基于ResNet的分类网络，并将预处理数据输入该分类网络得到输出分类以及特征图F；步骤S3，步骤S3，通过下式从特征图F中获取注意力图M_c，并将该注意力图M_c与特征图F进行像素相乘得到优化后的特征图F'：

式中，C为特征图F的通道数，r为特征图F的缩放倍数，σ为Sigmoid激活函数层，δ为ReLU激活函数层，F_c为特征图F池化后的池化特征图；步骤S4，建立由输出分类以及与胶质瘤分级结果相关的真实分类构成的损失函数；步骤S5，根据损失函数以及优化后的特征图F'通过预定网络优化算法更新分类网络直到满足收敛条件得到收敛的分类网络作为输出模型；步骤S6，将待分级核磁共振影像输入输出模型得到胶质瘤分级结果从而为医师提供参考依据，其中，步骤S2中的分类网络包括由3×3×1二维卷积核以及1×1×3二维卷积核组成的伪三维卷积核、激活层以及归一化层。