医学目标分类方法和装置、电子设备和存储介质与流程

技术特征：
1.一种医学目标分类方法，其特征在于，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。2.根据权利要求1所述的医学目标分类方法，其特征在于，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。3.根据权利要求2所述的医学目标分类方法，其特征在于，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。4.根据权利要求1所述的医学目标分类方法，其特征在于，所述第一深度神经网络模型为3d-unet模型。5.根据权利要求2至3任一项所述的医学目标分类方法，其特征在于，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。6.根据权利要求5所述的医学目标分类方法，其特征在于，采用最小冗余最大相关性法筛选所述目标分类参考特征。
7.根据权利要求5所述的医学目标分类方法，其特征在于，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。8.根据权利要求5所述的医学目标分类方法，其特征在于，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。9.根据权利要求5所述的医学目标分类方法，其特征在于，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。10.根据权利要求5所述的医学目标分类方法，其特征在于，所述第二深度神经网络模型为denset模型。11.根据权利要求5所述的医学目标分类方法，其特征在于，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。12.根据权利要求11所述的医学目标分类方法，其特征在于，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。13.根据权利要求1所述的医学目标分类方法，其特征在于，所述待分类目标为胶质母细胞瘤。14.一种医学目标分类装置，其特征在于，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。15.一种电子设备，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权利要求1至13任一项所述的医学目标分类方法。16.一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权利要求1至13任一项所述的医学目标分类方法。

技术总结
本申请公开了一种医学目标分类方法和装置、电子设备和存储介质，该方法包括：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，得到待分类目标的三维掩膜；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；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；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。该医学目标分类方法结合了影像特征和临床信息特征等多维度多层次的信息，能够提升对医学目标分类的准确率。能够提升对医学目标分类的准确率。能够提升对医学目标分类的准确率。


技术研发人员：聂可卉 杨俊 蔡鑫
受保护的技术使用者：浙江太美医疗科技股份有限公司
技术研发日：2022.03.17
技术公布日：2022/4/12