[发明专利]瘤细胞图像的分类方法及装置、设备、存储介质

说明书

本发明属于机器学习技术领域，公开了一种瘤细胞图像的分类方法及装置、设备、存储介质，通过对所有不同的MRI序列进行不排列组合，获得L个融合序列，按照各个融合序列所包括的不同MRI序列，将样本对象的第一特性数据样本融合成第二特性数据样本，然后再通过分类器进行训练，构建得L个可鉴别至少两种肿瘤类型的分类系统，从中选择出分类性能达到预设条件的目标分类系统，从而确定出融合效果较好的目标融合序列，以该目标融合序列的转换矩阵对目标待测对象的K个目标第一特性数据融合成一个目标第二特性数据，输入至目标分类系统进行分类，可以融合来自多个MRI序列的成像信息进行分类，更好地描述肿瘤的特性，进而可以提高分类准确性。

技术领域

本发明属于机器学习技术领域，具体涉及一种瘤细胞图像的分类方法及装置、设备、存储介质。

背景技术

多形性胶质母细胞瘤和单发性脑转移瘤是两种较常见的侵袭性恶性脑瘤，它们的治疗策略有很大差异：新诊断胶质母细胞瘤的治疗标准是肿瘤最大限度切除，随后进行放射治疗和替莫唑胺化疗；而单发性脑转移瘤的主要治疗方式是立体定位放射治疗。并且它们在常规的磁共振成像(Magnetic Resonance Imaging，MRI)上具有相似的影像表现，病灶均可能具有肿瘤内坏死中心和被肿瘤周围水肿区域包围的异质增强成分。因此，胶质母细胞瘤和单发性脑转移瘤的术前精确鉴别诊断对个体化治疗决策选择至关重要。

病理学检查可以明确鉴别这两种肿瘤，但当肿瘤靠近或涉及雄辩区域或患者太虚弱而无法进行手术时，这种有创伤的手术鉴别方法是不可取的。因此，需要一种快速、无创、稳定的方法来识别原发肿瘤，从而确定正确的治疗方法。

近年来影像组学广泛地应用于临床的诊断，预后以及肿瘤治疗反应的预测方面。许多研究基于常规的MRI序列或更先进的MRI技术，如弥散加权成像(diffusion-weightedimaging，DWI)、磁共振弥散张量成像(diffusion tensor imaging，DTI)或酰胺质子转移成像(amide proton transfer，APT)等，来鉴别胶质母细胞瘤和单发性脑转移瘤。这些研究显示了影像组学能够从图像中提取到肉眼无法捕获的图像纹理信息，提升了胶质母细胞瘤与单发性脑转移瘤的鉴别能力。

然而，以往的很多研究只对单个MRI序列，例如对比度增强的T1加权像(T1weighted image，T1WI)、表观扩散系数(apparent diffusion coefficient，ADC)、磁共振弥散张量成像(iffusion tensor imaging，DTI)，进行影像组学分析，或进行简单的多序列对比。MRI序列的选择通常是随机的和启发式的，并且各个MRI序列之间的优势劣势还不清楚。事实上，不同的MRI序列可以看作是从不同角度描述肿瘤的多模态图像。迄今为止，还没有人试图充分利用整合从多个MRI序列获得的影像组学特征来鉴别胶质母细胞瘤与单发性脑转移瘤的潜力。因此，现有技术中对于胶质母细胞瘤与单发性脑转移瘤的分类准确性有待提高。

发明内容

本发明的目的在于提供一种瘤细胞图像的分类方法及装置、设备、存储介质，可以融合来自多个MRI序列的成像信息，可以更好地描述肿瘤的特性，提高分类准确性。

本发明实施例第一方面公开一种瘤细胞图像的分类方法，包括：

根据M种磁共振扫描序列，组合出L个融合序列，每个所述融合序列包括至少两种所述磁共振扫描序列，L的值根据M确定；

对于每种所述磁共振扫描序列，分别获取与N个样本对象一一对应的N个第一特性数据样本以及各个所述样本对象的标签数据，所述标签数据用于表征所述样本对象所属的肿瘤类型，所述肿瘤类型至少包括两个；

针对每个所述融合序列，根据所有样本对象的第一特性数据样本计算转换矩阵；根据所述转换矩阵，对各种磁共振扫描序列之间属于相同样本对象的第一特性数据样本进行融合，获得与所述N个样本对象一一对应的N个第二特性数据样本；