医学目标分类方法和装置、电子设备和存储介质与流程

1.本技术属于机器学习技术领域，具体涉及一种医学目标分类方法和装置、电子设备和存储介质。


背景技术：

2.医生制定治疗方案时，通常会参考多种医学影像信息，例如磁共振成像（magnetic resonance imaging，mri）、电子计算机断层扫描成像（computed tomography，ct）、超声成像等。其中，磁共振成像由于具有对人体没有电离辐射损伤，能够获得多序列成像和多种图像类型，为明确病变性质提供更丰富的影像信息等优势，在特别是针对软组织结构的检查中起到重要的辅助作用。然而，如何利用磁共振成像，对不同的成像目标进行分类，是一项亟待解决的技术问题。
3.公开于该背景技术部分的信息仅仅旨在增加对本技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。


技术实现要素：

4.本技术的目的在于提供一种医学目标分类方法，其用于解决如何利用磁共振成像对不同的成像目标进行分类的问题。
5.为实现上述目的，本技术提供了一种医学目标分类方法，所述方法包括：将待分类目标已配准的t1c图像、t2图像以及flair图像联合输入预先训练好的第一深度神经网络模型，得到所述待分类目标的三维掩膜；分别在所述待分类目标的三维掩膜、t1c图像以及t2图像上确定对应的最大目标层面，其中，所述最大目标层面为所述待分类目标面积最大的轴位面；将所述待分类目标在三维掩膜、t1c图像以及t2图像上的最大目标层面联合输入预先训练好的第二深度神经网络模型，得到所述待分类目标的初步分类；将所述待分类目标的初步分类以及目标分类参考特征输入预先训练好的分类器，得到所述待分类目标的最终分类，其中，所述目标分类参考特征为所述目标的影像特征和临床信息特征中影响目标分类的权重在预设排名内的特征。
6.在本技术的一个或多个实施例中，所述第一深度神经网络模型的训练过程包括：获取样本目标集并分割为样本训练集和样本验证集，其中，所述样本目标集包括若干组已配准的t1c图像、t2图像以及flair图像，所述flair图像上的样本目标区域标注有样本标签；以所述样本训练集中配准的t1c图像、t2图像以及flair图像作为联合输入，并基于dice损失函数和所述样本标签，沿梯度下降的方向更新所述第一深度神经网络模型的权重，直至dice损失函数收敛；以所述样本验证集测试所述第一深度神经网络模型的效能，以获得最优模型参数。
7.在本技术的一个或多个实施例中，所述第一深度神经网络模型的训练过程还包括：对所述样本目标集中的t1c图像、t2图像以及flair图像进行零均值规范化处理，并裁剪为设定尺寸；基于所述样本标签，对所述样本目标集中flair图像上的样本目标区域和背景区域进行二值化处理。
8.在本技术的一个或多个实施例中，所述第一深度神经网络模型为3d-unet模型。
9.在本技术的一个或多个实施例中，所述样本目标集中的样本还标注有样本分类标签，所述影像特征包括三维影像组学特征和二维影像特征，所述方法还包括：将所述样本目标集中已配准的t1c图像、t2图像以及flair图像联合输入预先训练好的第一深度神经网络模型，得到与所述样本目标集对应的三维掩膜；将与所述样本目标集对应的三维掩膜映射至所述样本目标集中对应的t1c图像，并在获得的t1c图像上的样本目标区域提取样本目标的三维影像组学特征；基于所述样本目标集中样本的临床信息特征、所述样本目标集中样本目标的三维影像组学特征和二维影像特征、以及所述样本分类标签，筛选影响样本目标分类的权重在预设排名内的特征，作为所述目标分类参考特征。
10.在本技术的一个或多个实施例中，采用最小冗余最大相关性法筛选所述目标分类参考特征。
11.在本技术的一个或多个实施例中，所述三维影像组学特征包括一阶统计特征、形状特征以及纹理特征中一种或组合，所述二维影像特征包括与所述样本目标集对应的三维掩膜上的最大样本目标面积、所述样本目标集中各样本目标t1c图像上的最大样本目标面积、所述样本目标集中各样本目标t2图像上的最大样本目标面积、以及所述样本目标集中各样本目标的体积中一种或组合。
12.在本技术的一个或多个实施例中，所述临床信息特征包括患者年龄、性别、karnofsky功能状态评分、患者首次出现临床症状至确诊的时间间隔中一种或组合。
13.在本技术的一个或多个实施例中，所述第二深度神经网络模型的训练过程包括：分别在与所述样本目标集对应的三维掩膜、所述样本目标集中各样本目标的t1c图像以及t2图像上确定对应的最大目标层面，其中，所述最大目标层面为样本目标面积最大的轴位面；以与所述样本目标集对应的三维掩膜、所述样本目标集中各样本目标的t1c图像以及t2图像上的最大目标层面作为联合输入，并基于损失函数和所述样本分类标签，沿梯度下降的方向更新所述第二深度神经网络模型的权重，直至所述损失函数收敛。
14.在本技术的一个或多个实施例中，所述第二深度神经网络模型为denset模型。
15.在本技术的一个或多个实施例中，所述分类器的训练过程包括：以网格搜索法选择所述分类器的最优模型参数；利用所述最优模型参数训练所述分类器，并使用留一验证法验证所述分类器的分类效能。
16.在本技术的一个或多个实施例中，所述分类器选自支持向量机、随机森林模型、以及集成学习模型中的一种。
17.在本技术的一个或多个实施例中，所述待分类目标为胶质母细胞瘤。
18.本技术还提供一种医学目标分类装置，所述目标分类装置包括：分割模块，用于将待分类目标已配准的t1c图像、t2图像以及flair图像联合输入预先训练好的第一深度神经网络模型，得到所述待分类目标的三维掩膜；层面确定模块，用于分别在所述待分类目标的三维掩膜、t1c图像以及t2图像上确定对应的最大目标层面，其中，所述最大目标层面为所述待分类目标面积最大的轴位面；初步分类模块，用于将所述待分类目标在三维掩膜、t1c图像以及t2图像上的最大目标层面联合输入预先训练好的第二深度神经网络模型，得到所述待分类目标的初步分类；最终分类模块，用于将所述待分类目标的初步分类以及目标分类参考特征输入预先训练好的分类器，得到所述待分类目标的最终分类，其中，所述目标分类参考特征为所述目标的影像特征和临床信息特征中影响目标分类的权重在预设排名内的特征。
19.本技术还提供一种电子设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的医学目标分类方法。
20.本技术还提供一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的医学目标分类方法。
21.与现有技术相比，根据本技术的医学目标分类方法，可以结合已配准的t1c图像、t2图像以及flair图像的信息，确定待分类目标的三维掩膜，进而再基于获得的三维掩膜、t1c图像和t2图像的最大目标层面，进行待分类目标的初步分类；进一步地，结合该初步分类和目标分类参考特征，进行待分类目标的最终分类，从而提高分类的准确率；在另一个方面，本技术的医学目标分类方法中，初步分类的过程利用了医学目标图像的影像信息，而目标分类参考特征的选取结合了患者的临床信息特征和影像特征，并且，这些影像特征不仅包括浅层信息（二维影像特征），还包括了特征提取所得的深层信息（三维影像组学特征），而最终分类时对这些对多维度多层次信息的利用，可以获得更为准确的分类结果。
附图说明
22.图1是根据本技术一实施例医学目标分类方法和装置的应用场景示意图；图2是根据本技术一实施例医学目标分类方法的流程图；图3是根据本技术一实施例医学目标分类方法中第一深度神经网络模型的训练流程图；图4是根据本技术一实施例医学目标分类方法中第二深度神经网络模型的训练流程图；图5是根据本技术一实施例医学目标分类方法中分类器的训练流程图；图6是根据本技术一实施例医学目标分类装置的模块图；图7是根据本技术一实施方式电子设备的硬件结构图。
具体实施方式
23.以下将结合附图所示的各实施方式对本技术进行详细描述。但该等实施方式并不限制本技术，本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本技术的保护范围内。
24.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
25.本技术主要应用于基于人工智能（artificial intelligence，ai）医学辅助场景，具体用于对输入的医学图像进行分析，即采用医学图像分析模型输出对应的医学目标的分类结果，使得医护人员或者研究人员能够得到更准确的诊断结果。具体地，请参阅图1，图1为应用本技术各实施例示出的医学目标分类方法和装置的一个场景示意图。如图1所示，通过医疗检测设备可以获取大量的医学图像，在本技术实施例中，该医疗检测设备可以为磁共振设备，并主要利用多种不同的磁共振成像实现上述分类目的。
26.在该场景中，磁共振设备将磁共振成像发送至服务器，通过服务器中预先训练好的机器学习模型对这些磁共振成像进行分析，并将磁共振成像中包含的目标的分类结果发送回磁共振设备和/或该场景中其它示出的终端设备。应理解，该场景中所包括的医疗检测设备、服务器以及终端设备可以为三台独立的设备，也可以是集成与同一个系统内，此处不做限定。
27.参图2，介绍本技术医学目标分类方法的一具体实施例。在本实施例中，该方法包括：s11、将待分类目标已配准的t1c图像、t2图像以及flair图像联合输入预先训练好的第一深度神经网络模型，得到所述待分类目标的三维掩膜。
28.t1c图像、t2图像以及flair图像为磁共振设备在对应模态下对待分类目标进行成像所获得。在医学应用中，t1c图像例如可以用于分析医学目标内异质性，t2图像例如可以用于分析医学目标周围水肿情况，flair图像例如可以用于计算完整的医学目标体积（强化 非强化）等。
29.在一个场景中，例如利用磁共振设备对确诊有胶质母细胞瘤的患者进行脑部成像，该磁共振成像设备为至少包括t1c、t2和flair的多模态mri。在t1c、t2和flair模态下即可分别摄取包含肿瘤组织的t1c图像、t2图像和flair图像。
30.图像配准可以使得不同图像上的信息彼此映射，将已配准的t1c图像、t2图像以及flair图像作为联合输入，可以提供给第一深度神经网络模型更多的可彼此映射的特征信息。
31.需要说明的是，在通常的磁共振扫描中，由于对应扫描目标的mr序列都是连续扫描，因此扫描获得的t1c图像、t2图像以及flair图像彼此已经可以根据mr序列实现配准。而若是在一些实施例中，这些图像的mr序列丢失或者待获取，则也可以通过后期执行单独配
准的步骤进行配准。示范性地，这些t1c图像、t2图像以及flair图像可以被配准到1毫米等体素空间坐标。
32.第一深度神经网络模型主要用于利用联合输入的已配准t1c图像、t2图像以及flair图像，生成对应这些图像中目标的三维掩膜。该三维掩膜可以用于隐藏目标的图像操作，从而实现对图像中感兴趣区域（对应待分类目标）的提取。而基于t1c图像、t2图像以及flair图像中彼此映射的特征信息，第一深度神经网络可以对待分类目标执行更为精准的三维掩膜分割。
33.一实施例中，这里生成的三维掩膜可以是以二值化的形式将掩膜部分与其余部分区域进行区分。以待分类目标为胶质母细胞瘤为例，此时，与三维掩膜对应的肿瘤区域赋值为1，其余部分区域赋值为0。
34.配合参照图3，在一实施例中，第一深度神经网络模型的训练过程可以包括：s101、获取样本目标集并分割为样本训练集和样本验证集。
35.样本目标集包括若干组已配准的t1c图像、t2图像以及flair图像，并且flair图像上的样本区域标注有样本标签。该样本标签可以是例如由医护人员或研究人员进行标注。
36.样本目标与待分类目标可以是选定为同种目标类型，例如，所应用场景中的待分类目标为胶质母细胞瘤，则这里样本目标集可以选择数据库中多个胶质母细胞瘤的t1c图像、t2图像、以及flair图像作为这里样本。
37.样本训练集和样本验证集可以根据不同的应用场景进行不同比例的分割。例如，可以将样本目标集中70%的样本作为样本训练集，而剩下30%的样本作为样本验证集。
38.一实施例中，对于样本目标集中的t1c图像、t2图像以及flair图像，可以先进行零均值规范化处理（z-score）使得这些图像的信号强度归一化，并裁剪为设定尺寸。经零均值规范化处理后的样本目标集更便于计算机进行处理，并且，根据所应用的硬件内存的不同，可以将样本目标集中的图像裁剪为合适的大小，例如128
×
128
×
128。
39.预先标注的样本标签可能会具有不同的展现形式，一实施例中，对于flair图像而言，还可以基于其上的样本标签，将样本目标区域和背景区域进行二值化处理。还是以样本目标为胶质母细胞瘤为例，肿瘤区域（样本目标区域）赋值为1，背景区域赋值为0。
40.s102、以所述样本训练集中配准的t1c图像、t2图像以及flair图像作为联合输入，并基于dice损失函数和样本标签，沿梯度下降的方向更新所述第一深度神经网络模型的权重，直至dice损失函数收敛。
41.dice损失函数可以用于评价两个样本之间的相似度，第一深度神经网络模型可以对联合输入的t1c图像、t2图像以及flair图像执行图像分割，而该分割的过程实质上就是区分输入的图像上样本区域和背景区域的过程。由于样本训练集中flair图像上的样本区域标注有样本标签，因此对于flair图像而言，其上的样本区域和背景区域已经被区分开；同时，由于flair图像和t1c图像、t2图像之间已经被配准，故可以通过dice损失函数评估第一深度神经网络模型的对各类型图片的分割结果。
42.模型的训练过程为基于样本标签的有监督学习，沿梯度下降的方向不断更新第一深度神经网络模型的权重，直至dice损失函数收敛。
43.需要说明的是，上述实施例提到的“基于样本标签”并不限定为基于对样本标签本身的直接信息利用。可以理解的是，在已经对样本验训练集的图片进行了二值化处理的实
施例中，基于样本目标区域和背景区域不同的赋值，也应当理解为这里基于样本标签而进行的第一深度神经网络模型的训练。
44.s103、以所述样本验证集测试所述第一深度神经网络模型的效能，以获得最优模型参数。
45.经样本训练集训练得到的第一深度神经网络模型可以通过样本验证集进行测试，并选择测试效果最佳的模型参数作为最优模型参数。
46.一实施例中，第一深度神经网络模型可以是3d-unet模型。3d-unet模型是一种三维处理模型，在具体的应用中，可以将输入的样本训练集中所有的图像分别转化为二维矩阵数据，然后按照层数顺序堆叠这些二维矩阵数据，得到样本训练集的三维矩阵数据，再将这些三维矩阵数据输入至3d-unet模型，并得到与样本训练集中图像对应的三维图像分割结果。相应地，对于训练好的第一深度神经网络模型而言，则可以基于输入的图像输出对应的三维掩膜。
47.s12、分别在所述待分类目标的三维掩膜、t1c图像以及t2图像上确定对应的最大目标层面。
48.最大目标层面指待分类目标面积最大的轴位面。对于医学图像而言，轴位面指沿垂直于人体长轴的横轴方向，将组织横切为上、下两部分的切面，所得的横断面也称为轴位面。对应到本实施例中，则分别是三维掩膜、t1c图像以及t2图像上待分类目标面积最大时对应的序列图片。
49.s13、将所述待分类目标在三维掩膜、t1c图像以及t2图像上的最大目标层面联合输入预先训练好的第二深度神经网络模型，得到所述待分类目标的初步分类。
50.这里对于待分类目标的初步分类可以是输出待分类目标对应不同类别的概率或置信度。
51.例如，待分类目标有两种分类a和b，经过第二深度神经网络模型，输出待分类目标分类为a的概率为75%，分类为b的概率为25%，此时，可以将待分类目标对应分类a和b的概率整体作为这里的初步分类。又或者，可以预设一个期望关注的分类，并直接将待分类目标为该期望分类的概率作为这里的初步分类，例如，期望关注的分类为a，则待分类目标为a的概率为75%作为这里的初步分类。
52.配合参照图4，在一实施例中，第二深度神经网络模型的训练过程可以包括：s301、分别在与样本目标集对应的三维掩膜、所述样本目标集中各样本目标的t1c图像以及t2图像上确定对应的最大目标层面。
53.如上所述，对应到样本目标集中，最大目标层面此时为与样本目标集对应的三维掩膜、以及样本目标集中各样本目标的t1c图像和t2图像上样本目标面积最大的轴位面。
54.s302、以与所述样本目标集对应的三维掩膜、所述样本目标集中各样本目标的t1c图像以及t2图像上的最大目标层面作为联合输入，并基于损失函数和样本分类标签，沿梯度下降的方向更新所述第二深度神经网络模型的权重，直至所述损失函数收敛。
55.样本目标集中的样本还标注有样本分类标签，也即，对应样本目标集中的样本图像，已经预知了其对应的样本分类。在训练的过程中，第二深度神经网络模型可以根据联合输入的三维掩膜、t1c图像以及t2图像，对对应的样本目标输出分类结果，而由于各样本图像的样本分类已知，故可以同样通过损失函数评估第二深度神经网络模型的分类结果。
56.模型的训练中，沿梯度下降的方向不断更新第二深度神经网络模型的权重，直至损失函数收敛，可以认为此时得到的第二深度神经网络模型为训练好的最优模型。
57.一实施例中，第二深度神经网络模型可以是denset模型。denset模型可以对输入进行连接(concatenate)操作，一个直观的影响就是每一层学到的特征图(feature map)都能被之后所有层直接使用，这使得特征可以在整个网络中重用，也使得模型更加简洁。denset模型的一个优点是网络更窄，参数更少，很大一部分原因得益于这种密度模块(dense block)的设计，dense block中每个卷积层的输出特征图(feature map)的数量都很小(小于100)，而不是像其它网络一样动辄几百上千的宽度。同时这种连接方式使得特征和梯度的传递更加有效，网络也就更加容易训练。denset模型相当于每一层都直接连接输入(input)和损失(loss)，因此可以减轻梯度消失现象。
58.s14、将所述待分类目标的初步分类以及目标分类参考特征输入预先训练好的分类器，得到所述待分类目标的最终分类。
59.目标分类参考特征为目标的影像特征和临床信息特征中影响目标分类的权重在预设排名内的特征。本实施例中，影像特征可以包括二维影像特征和三维影像组学特征。在三维影像组学特征的提取中，可以是首先分割得到与样本目标集对应的三维掩膜，再利用该三维掩膜映射合适类型的图像进行三维影像组学特征的提取。
60.一实施例中，可以首先将样本目标集中已配准的t1c图像、t2图像以及flair图像联合输入上述预先训练好的第一深度神经网络模型，得到与样本目标集对应的三维掩膜。其次，再将与样本目标集对应的三维掩膜映射至样本目标集中对应的t1c图像，并在获得的t1c图像上的样本目标区域提取样本目标的三维影像组学特征。
61.三维影像组学特征可以包括一阶统计特征、形状特征以及纹理特征中一种或组合，示范性地，可以使用开源的python包pyradiomics来提取这里t1c图像的三维影像组学特征。例如，一阶统计特征可以从能量（energy）、总能量（total energy）、熵（entropy）、偏斜度（skewness）、峰度（kurtosis）、方差（variance）、一致性（uniformity）等角度提取，形状特征可以从网格曲面（mesh surface）、像素表面（pixel surface）、周长（perimeter）、球形度（sphericity）、最大直径（maximum diameter）、主轴长度（major axis length）、以及伸张率（elongation）等角度提取，纹理特征可以从自相关（autocorrelation）、集群突出物（cluster prominence）、差异熵（difference entropy）、同质性（homogeneity）、短游程因子（short run emphasis）、小区域因子（small area emphasis）、灰度方差（gray level variance）等角度提取。
62.二维影像特征包括与样本目标集对应的三维掩膜上的最大样本目标面积、样本目标集中各样本目标t1c图像上的最大样本目标面积、样本目标集中各样本目标t2图像上的最大样本目标面积、以及样本目标集中各样本目标的体积中一种或组合。可以看出，这里的二维影像特征包括了可基于上述第一深度神经网络模型中获得的特征。
63.最终，基于样本目标集中样本的临床信息特征、样本目标集中样本目标的三维影像组学特征和二维影像特征、以及样本分类标签，筛选影响样本目标分类的权重在预设排名内的特征，作为上述目标分类参考特征。
64.一实施例中，这里获取的临床信息特征可以包括患者年龄、性别、karnofsky功能状态评分、患者首次出现临床症状至确诊的时间间隔。并且，可以基于最小冗余最大相关性
法(max-relevance and min-redundancy，mrmr)筛选目标分类参考特征。
65.具体地，可以首先对上述临床信息特征和影像特征进行数据预处理。包括删除缺失数据和异常数据，并例如利用四分法进行分箱处理，从而使得连续特征离散化；随后，将处理好的数据保存成设定格式。
66.示范性地，这里可以将处理好的数据保存成csv文件格式。处理好的数据中，各特征转化为数字形式，例如：年龄对应数值45；是否有既往史：0对应无既往史，1对应有既往史；肿瘤体积对应数值56等。
67.随后，可以例如调用pymrmr包从处理好的数据（即对应临床信息特征和影像特征）中进行筛选，mrmr筛选公式如下：其中，s是特征子集（处理好的数据）；fi和fj分别表示特征i和特征j的值；c是分类目标；i(fi;c)表示特征i和分类变量的联合分布之间的互信息；i(fi;fj)表示特征i，j之间的互信息；表示特征子集s与分类目标c的相关性；表示特征 i和特征 j之间的所有互信息值的平均值,也即特征冗余。
68.可以看出，目标分类参考特征的选取对临床信息特征和影像特征进行了综合利用，并且，这些影像特征不仅包括浅层信息（二维影像特征），还包括了特征提取所得的深层信息（三维影像组学特征），这种对多维度多层次信息的利用，可以使得分类器最终分类时获得更为准确的分类结果。
69.例如，还是以待分类目标有两种分类a和b为例，经过第二深度神经网络模型，输出的初步分类为：待分类目标为a的概率为75%。随后，该初步分类和目标分类参考特征同时被输入分类器，分类器进而可以输出的最终分类为：待分类目标为a的概率为85%。
70.配合参照图5，在一实施例中，分类器的训练过程可以包括：s401、以网格搜索法选择所述分类器的最优模型参数。
71.网格搜索法是将待搜索核函数参数在一定的空间范围中划分成网格，通过遍历网格中所有的点来寻找最优模型参数（核函数参数）。
72.s402、利用所述最优模型参数训练所述分类器，并使用留一验证法验证所述分类器的分类效能。
73.结合留一验证法验证分类器的分类效能，具体可以包括训练和测试过程。
74.这里，训练和测试过程所采用的数据集可以包括上述针对样本目标集的初步分类和目标分类参考特征。在训练过程中，将原始数据集分割为n-1个训练集和1个测试集，采用训练集对构建的分类器进行训练，得到训练后的分类器；在测试过程中，对训练后的分类器进行测试集的测试。当分类器的分类效能最优时停止训练，并作为训练好的最优分类器。
75.类似地，上述训练和测试过程所采用的数据集也可以使用零均值规范化处理，这里不再赘述。
76.一实施例中，分类器可以选自支持向量机、随机森林模型、以及集成学习模型中的
一种。
77.参图6，介绍本技术医学目标分类装置的一实施例。在本实施例中，该目标分类装置包括分割模块21、层面确定模块22、初步分类模块23以及最终分类模块24。
78.分割模块21用于将待分类目标已配准的t1c图像、t2图像以及flair图像联合输入预先训练好的第一深度神经网络模型，得到待分类目标的三维掩膜。层面确定模块22用于分别在待分类目标的三维掩膜、t1c图像以及t2图像上确定对应的最大目标层面，其中，最大目标层面为待分类目标面积最大的轴位面。初步分类模块23用于将待分类目标在三维掩膜、t1c图像以及t2图像上的最大目标层面联合输入预先训练好的第二深度神经网络模型，得到待分类目标的初步分类。最终分类模块24用于将待分类目标的初步分类以及目标分类参考特征输入预先训练好的分类器，得到待分类目标的最终分类，其中，目标分类参考特征为目标的影像特征和临床信息特征中影响目标分类的权重在预设排名内的特征。
79.一实施例中，目标分类装置还包括第一深度神经网络模型训练模块25，用于：获取样本目标集并分割为样本训练集和样本验证集，其中，样本目标集包括若干组已配准的t1c图像、t2图像以及flair图像，flair图像上的样本目标区域标注有样本标签；以样本训练集中配准的t1c图像、t2图像以及flair图像作为联合输入，并基于dice损失函数和样本标签，沿梯度下降的方向更新第一深度神经网络模型的权重，直至dice损失函数收敛；以样本验证集测试第一深度神经网络模型的效能，以获得最优模型参数。
80.一实施例中，第一深度神经网络模型训练模块25还用于：对样本目标集中的t1c图像、t2图像以及flair图像进行零均值规范化处理，并裁剪为设定尺寸；基于样本标签，对样本目标集中flair图像上的样本目标区域和背景区域进行二值化处理。
81.一实施例中，第一深度神经网络模型为3d-unet模型。
82.一实施例中，样本目标集中的样本还标注有样本分类标签，影像特征包括三维影像组学特征和二维影像特征，分割模块21还用于：将样本目标集中配准的t1c图像、t2图像以及flair图像联合输入预先训练好的第一深度神经网络模型，得到与样本目标集对应的三维掩膜；进一步的，目标分类装置还包括参考特征提取模块，用于：将与样本目标集对应的三维掩膜映射至样本目标集中对应的t1c图像，并在获得的t1c图像上的样本目标区域提取样本目标的三维影像组学特征；基于样本目标集中样本的临床信息特征、样本目标集中样本目标的三维影像组学特征和二维影像特征、以及样本分类标签，筛选影响样本目标分类的权重在预设排名内的特征，作为目标分类参考特征。
83.一实施例中，参考特征提取模块采用最小冗余最大相关性法筛选目标分类参考特征。
84.一实施例中，三维影像组学特征包括一阶统计特征、形状特征以及纹理特征中一种或组合，二维影像特征包括与样本目标集对应的三维掩膜上的最大样本目标面积、样本目标集中各样本目标t1c图像上的最大样本目标面积、样本目标集中各样本目标t2图像上的最大样本目标面积、以及样本目标集中各样本目标的体积中一种或组合。
85.一实施例中，临床信息特征包括患者年龄、性别、karnofsky功能状态评分、以及患者首次出现临床症状至确诊的时间间隔中一种或组合。
86.一实施例中，医学目标分类装置还包括第二深度神经网络模型训练模块26，用于：分别在与样本目标集对应的三维掩膜、样本目标集中各样本目标的t1c图像以及t2图像上
确定对应的最大目标层面，其中，最大目标层面为样本目标面积最大的轴位面；以与样本目标集对应的三维掩膜、样本目标集中各样本目标的t1c图像以及t2图像上的最大目标层面作为联合输入，并基于损失函数和样本分类标签，沿梯度下降的方向更新第二深度神经网络模型的权重，直至损失函数收敛。
87.一实施例中，第二深度神经网络模型为denset模型。
88.一实施例中，目标分类装置还包括分类器训练模块27，用于：以网格搜索法选择分类器的最优模型参数；利用最优模型参数训练分类器，并使用留一验证法验证分类器的分类效能。
89.一实施例中，分类器选自支持向量机、随机森林模型、以及集成学习模型中的一种。
90.一实施例中，待分类目标为胶质母细胞瘤，其分类结果可以包括继发性胶质母细胞瘤（secondary glioblastoma，sgbm）和不表现低度病变恶性前期的原发性胶质母细胞瘤（primary glioblastoma，pgbm）。
91.如上参照图1到图5，对根据本说明书实施例医学目标分类方法进行了描述。在以上对方法实施例的描述中所提及的细节，同样适用于本说明书实施例的医学目标分类装置。上面的医学目标分类装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。
92.图7示出了根据本说明书的实施例的电子设备的硬件结构图。如图7所示，电子设备30可以包括至少一个处理器31、存储器32(例如非易失性存储器)、内存33和通信接口34，并且至少一个处理器31、存储器32、内存33和通信接口34经由总线35连接在一起。至少一个处理器31执行在存储器32中存储或编码的至少一个计算机可读指令。
93.应该理解，在存储器32中存储的计算机可执行指令当执行时使得至少一个处理器31进行本说明书的各个实施例中以上结合图1-图5描述的各种操作和功能。
94.在本说明书的实施例中，电子设备30可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动电子设备、智能电话、平板计算机、蜂窝电话、个人数字助理(pda)、手持装置、消息收发设备、可佩戴电子设备、消费电子设备等等。
95.根据一个实施例，提供了一种比如机器可读介质的程序产品。机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本说明书的各个实施例中以上结合图1-图5描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
96.在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本说明书的一部分。
97.可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd-rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。
98.本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本说明书的保护范围应当由所附的权利要求书来限定。
99.需要说明的是，上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理客户实现，或者，有些单元可能分由多个物理客户实现，或者，可以由多个独立设备中的某些部件共同实现。
100.以上各实施例中，硬件单元或模块可以通过机械方式或电气方式实现。例如，一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
101.上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。
102.本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所对应的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。