医学图像数据处理方法、设备、介质和计算机程序产品
本发明涉及计算机,特别涉及医学图像数据处理方法、设备、介质和计算机程序产品。
背景技术:
1、随着计算机技术与医学影像技术的不断发展,医学图像数据处理和模式识别技术已被广泛应用于目标区域(如病灶区域)的特征提取与分类分析中。然而,现有的医学图像数据处理方法在实际应用中仍存在诸多局限性。首先,传统的数据处理和特征提取过程往往依赖于操作人员对图像的人工交互与主观选取,导致提取出的特征受主观经验影响较大,不同操作者之间的数据处理结果一致性较低、客观性差。其次,特定类别的目标对象(如某些亚型的囊性病灶)在影像学表观形态上存在高度重叠,传统的单一图像处理算法或浅层模型难以有效提取并表征其内部深层次的微观纹理信息,导致不同类别图像特征之间的区分度较低。此外,现有的图像预测模型大多仅依赖于发生显著形态学改变后的静态单一图像特征进行分析,未能充分挖掘和融合多期相动态影像数据以及非图像维度的客观指标数据,导致模型对目标对象潜在状态演变特征的捕捉敏感度低,数据处理与分类预测的结果存在明显的滞后性。
技术实现思路
1、本发明的目的在于提供医学图像数据处理方法、设备、介质和计算机程序产品,解决现有医学图像数据处理中特征提取客观性差、对形态学重叠目标的图像特征区分度低,以及单一模态数据分析导致的状态预测滞后的技术问题。
2、本发明的第一方面公开了一种医学图像数据处理方法,包括:
3、获取目标对象的多期相ct图像和临床特征数据;
4、对所述多期相ct图像进行预处理,并对预处理后的图像进行分割,获得目标区域掩膜,基于所述目标区域掩膜截取包含病灶及周边实质区域的图像块;
5、基于所述目标区域掩膜,提取所述图像块的影像组学特征,并对所述影像组学特征进行降维筛选,获得关键组学特征;
6、将所述图像块输入预训练的卷积神经网络,提取深度学习特征,其中,所述卷积神经网络嵌入有注意力机制,所述注意力机制用于对所述图像块中的病灶边界及内部细微结构区域赋予相比于背景区域更高的特征权重;
7、将所述关键组学特征、所述深度学习特征以及所述临床特征数据输入预训练的多任务预测模型进行多模态信息融合与分析,获得所述目标对象的病灶分类结果。
8、根据本发明的第一方面,所述对所述多期相ct图像进行预处理,包括:
9、对所述多期相ct图像执行图像重采样操作,将图像数据的空间分辨率统一至预设值;
10、对重采样后的图像数据执行灰度归一化处理;
11、对归一化后的图像数据执行窗宽窗位调整操作,以匹配胰腺组织的显示对比度范围。
12、根据本发明的第一方面,所述对预处理后的图像进行分割,获得目标区域掩膜,包括:
13、将预处理后的多期相ct图像输入预训练的分割网络,获得表征胰腺及肿瘤区域像素位置的二值化掩膜,作为所述目标区域掩膜;所述分割网络的主干架构为3d u-net、v-net或mamba u-net。
14、根据本发明的第一方面,所述分割网络的主干架构为mamba u-net;所述将预处理后的多期相ct图像输入预训练的分割网络,包括:
15、从所述多期相ct图像中选取静脉期图像,将所述静脉期图像输入所述分割网络,提取所述二值化掩膜。
16、根据本发明的第一方面,所述基于所述目标区域掩膜,提取所述图像块的影像组学特征,并对所述影像组学特征进行降维筛选,包括:
17、基于所述目标区域掩膜,利用高通量特征提取算法提取所述图像块的形状特征、一阶统计特征以及纹理特征,所述纹理特征包括灰度共生矩阵、灰度游程矩阵、灰度尺寸区域矩阵或邻域灰度差分矩阵;
18、采用最小绝对收缩和选择算子回归算法或最大相关最小冗余算法,计算各所述影像组学特征中与预设病灶类别及风险等级的相关性满足预设阈值条件的特征,作为所述关键组学特征。
19、根据本发明的第一方面,所述卷积神经网络的主干网络架构为resnet或densenet;
20、所述注意力机制为通道注意力模块或卷积块注意力模块;所述注意力机制被配置于所述主干网络的残差块内部或卷积层之间,基于特征图的空间维度权重和通道维度权重对特征响应值进行加权校正。
21、根据本发明的第一方面,所述基于特征图的空间维度权重和通道维度权重对特征响应值进行加权校正,包括:
22、降低背景区域中肠道气体与血管伪影对应的特征权重;以及
23、提升病灶区域中囊壁结节与内部分隔结构对应的特征权重。
24、根据本发明的第一方面,将所述关键组学特征、所述深度学习特征以及所述临床特征数据进行融合,包括:
25、将所述关键组学特征、所述深度学习特征和所述临床特征数据执行拼接操作。
26、根据本发明的第一方面,所述多任务预测模型包含并行的分类任务分支和风险评估任务分支;所述获得所述目标对象的病灶分类结果,包括:
27、通过所述分类任务分支,输出所述病灶属于浆液性囊腺瘤、黏液性囊腺瘤、导管内乳头状黏液瘤或实性假乳头状瘤的概率分布;
28、通过所述风险评估任务分支,输出所述病灶属于低风险等级或高风险等级的概率值;其中,所述低风险等级对应于良性病变或低级别异型增生,所述高风险等级对应于高级别异型增生或浸润性癌。
29、根据本发明的第一方面,所述多任务预测模型基于多任务联合损失函数训练获得,所述多任务联合损失函数表示为:,其中,为所述分类任务分支的交叉熵损失函数,为所述风险评估任务分支的损失函数,和分别为对应的权重平衡系数。
30、根据本发明的第一方面,还包括生成可视化解释热力图,包括:
31、获取所述卷积神经网络末端卷积层关于所述病灶分类结果的梯度信息;
32、基于类激活映射算法和所述梯度信息,计算所述图像块中各像素区域的分类贡献度权重;
33、根据所述分类贡献度权重生成热力图,并将所述热力图叠加显示于所述多期相ct图像上。
34、根据本发明的第一方面,所述输入预训练的多任务预测模型进行多模态信息融合与分析,包括:
35、利用所述多任务预测模型分别基于所述关键组学特征和所述深度学习特征进行独立预测,获取第一概率结果和第二概率结果;
36、对所述第一概率结果、所述第二概率结果以及所述临床特征数据进行加权计算,根据加权结果确定所述病灶分类结果。
37、根据本发明的第一方面,所述多期相ct图像包括目标对象的腹部平扫期图像、动脉期图像和静脉期图像;
38、所述临床特征数据包括所述目标对象的年龄、性别、肿瘤位置信息,以及血清学肿瘤标志物数值,所述血清学肿瘤标志物至少包括糖类抗原ca19-9和癌胚抗原cea。
39、本发明的第二方面公开了一种电子设备,所述电子设备包括存储有计算机可执行指令的存储器和处理器,当所述指令被所述处理器执行时,使得所述电子设备实施根据本发明的第一实施方式的医学图像数据处理方法。
40、本发明的第三方面公开了一种计算机存储介质,在所述计算机存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行根据本发明的第一实施方式的医学图像数据处理方法。
41、本发明的第四方面公开了一种计算机程序产品,包括计算机可执行指令,所述指令被处理器执行以实施根据本发明的第一实施方式的医学图像数据处理方法。
42、本发明实施方式与现有技术相比,主要区别及其效果在于:
43、在本发明中,获取目标对象的多期相ct图像和临床特征数据;对多期相ct图像进行预处理,并对预处理后的图像进行分割,获得目标区域掩膜,基于目标区域掩膜截取包含病灶及周边实质区域的图像块;基于目标区域掩膜,提取图像块的影像组学特征,并对影像组学特征进行降维筛选,获得关键组学特征;将图像块输入预训练的卷积神经网络,提取深度学习特征,其中,卷积神经网络嵌入有注意力机制,注意力机制用于对图像块中的病灶边界及内部细微结构区域赋予相比于背景区域更高的特征权重;将关键组学特征、深度学习特征以及临床特征数据输入预训练的多任务预测模型进行多模态信息融合与分析,获得所述目标对象的病灶分类结果。通过全流程的图像预处理与目标区域掩膜分割,有效排除了底层数据差异和人工交互干扰,提高了图像特征提取的客观性和可重复性;同时,本发明构建了并行的数据处理架构,一方面通过影像组学算法提取并筛选出量化的微观纹理特征,另一方面利用嵌入注意力机制的卷积神经网络自动抑制图像背景噪声并聚焦于关键的内部细微结构及边界区域以提取高维抽象特征,实现了图像宏观形态特征与微观异质性特征的深度互补,有效解决了由于形态学表现重叠而导致的图像特征区分度低的问题,显著提升了特征表达的纯净度和分类准确率;进一步地,本发明将包含动态时空信息的多期相图像特征与非图像维度的临床特征数据在同一计算框架内进行多模态融合,丰富了模型特征分析的维度,使得模型能够基于细微的数据变化特征提前捕捉目标对象的潜在演变趋势,避免过度依赖显著形态学改变导致的数据分析滞后性,提升了医学图像数据处理模型的综合预测性能和多维度决策能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com