前列腺患者分类方法与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及医学影像技术领域，具体涉及一种基于前列腺pi－rads 3样本提取影像学特征对前列腺患者分类方法、装置、设备及其存储介质。背景技术：2.针对磁共振影像对前列腺患者疾病的良恶性进行分类是目前研究的热门领域，这种无创的诊断方式能减少对患者的穿刺诊断。目前，美国放射学会和欧洲泌尿放射学会联合提出了一种通过多参数磁共振影像对前列腺疾病患者进行分类的诊断指南pi－rads(prostateimaging reporting and data system)，将患者根据恶性程度由低到高分为1－5类，提升对前列腺疾病的诊断效率。然而该方法会产生pi－rads3这类难以鉴别良恶性的困难样本，因此这种方式存在对疾病分类性能的不足。3.分类困难样本所蕴含的有效分类特征，往往对分类任务的帮助更大，因此加强对此类数据的特征挖掘，构建分类模型往往能提升模型的分类性能。目前，一些研究方法尝试针对pi－rads3这类困难样本数据提取特征，构建只针对困难样本的模型，帮助对此类患者分类。但是现有技术无法发挥基于前列腺多参数磁共振图像疾病分类中的困难样本所蕴含的有效分类信息的价值。技术实现要素：4.鉴于现有技术中的上述缺陷或不足，期望提供一种基于前列腺pi－rads 3样本提取影像学特征对前列腺患者分类方法、装置、设备及其存储介质。5.第一方面，本技术实施例提供了一种前列腺患者分类方法，该方法包括：获取预设数量的前列腺患者的多参数磁共振影像数据和数据类别标签；从标签为pi－rads中的数据中获取pi－rads 3的前列腺良恶性分类特征；根据分类特征构建前列腺患者磁共振数据的疾病分类模型。6.在其中一个实施例中，所述获取预设数量的前列腺患者的多参数磁共振影像数据，包括：获取500例以上的前列腺良恶性患者的多参数磁共振图像。7.在其中一个实施例中，所述数据类别标签，包括：将多参数磁共振影像数据标注为：前列腺腺组织区域分割标注、患者前列腺疾病的良恶性标注、医生对患者pi－rads的打分标注。8.在其中一个实施例中，所述从标签为pi－rads中的数据中获取pi－rads 3的前列腺良恶性分类特征，包括：利用影像组学法获取pi－rads 3的分类特征。9.在其中一个实施例中，所述从标签为pi－rads中的数据中获取pi－rads 3的前列腺良恶性分类特征，还包括：利用深度学习法获取pi－rads 3的分类特征。10.第二方面，本技术实施例还提供了一种前列腺患者分类装置，该装置包括：获取单元，用于获取预设数量的前列腺患者的多参数磁共振影像数据和数据类别标签；分类单元，用于从标签为pi－rads中的数据中获取pi－rads 3的前列腺良恶性分类特征；模型单元，用于根据分类特征构建前列腺患者磁共振数据的疾病分类模型。11.在其中一个实施例中，所述获取预设数量的前列腺患者的多参数磁共振影像数据，包括：获取500例以上的前列腺良恶性患者的多参数磁共振图像。12.在其中一个实施例中，所述数据类别标签，包括：将多参数磁共振影像数据标注为：前列腺腺组织区域分割标注、患者前列腺疾病的良恶性标注、医生对患者pi－rads的打分标注。13.第三方面，本技术实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本技术实施例描述中任一所述的方法。14.第四方面，本技术实施例还提供了一种计算机设备一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：所述计算机程序被处理器执行时实现如本技术实施例描述中任一所述的方法。15.本发明的有益效果：16.本发明提供的前列腺患者分类方法，针对pi－rads3困难样本提取特征构建模型更有助于提升分类模型的性能，并且这种针对pi－rads3类患者提取特征帮助分类的技术思想，能适用于医学图像分析常用的影像组学和深度学习方法中。附图说明17.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：18.图1示出了本技术实施例提供的前列腺患者分类方法的流程示意图；19.图2示出了根据本技术一个实施例的前列腺患者分类装置200的示例性结构框图；20.图3示出了适于用来实现本技术实施例的终端设备的计算机系统的结构示意图；21.图4示出了本技术实施例提供的又一流程示意图。具体实施方式22.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。23.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。24.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。25.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。26.在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。27.需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。28.请参考图1，图1示出了本技术实施例提供的前列腺患者分类方法的流程示意图。29.如图1所示，该方法包括：30.步骤110，获取预设数量的前列腺患者的多参数磁共振影像数据和数据类别标签；31.步骤120，从标签为pi－rads中的数据中获取pi－rads 3的前列腺良恶性分类特征；32.步骤130，根据分类特征构建前列腺患者磁共振数据的疾病分类模型。33.采用上述技术方案，针对pi－rads3困难样本提取特征构建模型更有助于提升分类模型的性能，并且这种针对pi－rads3类患者提取特征帮助分类的技术思想，能适用于医学图像分析常用的影像组学和深度学习方法中。34.在一些实施例中，本技术中的获取预设数量的前列腺患者的多参数磁共振影像数据，包括：获取500例以上的前列腺良恶性患者的多参数磁共振图像。35.在一些实施例中，本技术中的数据类别标签，包括：将多参数磁共振影像数据标注为：前列腺腺组织区域分割标注、患者前列腺疾病的良恶性标注、医生对患者pi－rads的打分标注。36.在一些实施例中，本技术中的从标签为pi－rads中的数据中获取pi－rads 3的前列腺良恶性分类特征，包括：利用影像组学法获取pi－rads 3的分类特征。37.在一些实施例中，本技术中的从标签为pi－rads中的数据中获取pi－rads 3的前列腺良恶性分类特征，还包括：利用深度学习法获取pi－rads 3的分类特征。38.本发明的技术方案实现如图4所示，本发明提供的方法，首先需要获取前列腺患者的多参数磁共振影像数据，同时获得前列腺腺体感兴趣区域的标注，患者疾病恶性程度的标注，患者pi－rads是否为3分的标注。基于目前常见的磁共振分析方法，影像组学与深度学习，分别强化方法对困难样本的特征提取。通过从困难样本中获取有效的疾病分类特征，构建分类模型，实现对前列腺疾病的良恶性分类。39.具体地，首先收集一定数量(500例以上)包含前列腺良恶性患者的多参数磁共振图像。随后获取数据的相应标注，如图像中前列腺组织区域的分割标注，患者前列腺疾病的良恶性标注，医生对患者pi－rads打分的标注。在利用影像组学方法获取pi－rads3患者的重要特征时，我们针对此类困难样本进行特征选择，从中获取有效的分类特征帮助构建前列腺癌分类模型。在利用深度学习方法时，我们在模型训练或称中增加pi－rads3患者在训练过程中的损失权重，加强对困难样本中有效分类信息的挖掘，随后利用获取的有效分类特构建分类模型。40.进一步地，参考图2，图2示出了根据本技术一个实施例的前列腺患者分类装置200的示例性结构框图。41.如图2所示，该装置包括：42.获取单元210，用于获取预设数量的前列腺患者的多参数磁共振影像数据和数据类别标签；43.分类单元220，用于从标签为pi－rads中的数据中获取pi－rads 3的前列腺良恶性分类特征；44.模型单元230，用于根据分类特征构建前列腺患者磁共振数据的疾病分类模型。45.应当理解，装置200中记载的诸单元或模块与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置200及其中包含的单元，在此不再赘述。装置200可以预先实现在电子设备的浏览器或其他安全应用中，也可以通过下载等方式而加载到电子设备的浏览器或其安全应用中。装置200中的相应单元可以与电子设备中的单元相互配合以实现本技术实施例的方案。46.下面参考图3，其示出了适于用来实现本技术实施例的终端设备或服务器的计算机系统300的结构示意图。47.如图3所示，计算机系统300包括中央处理单元(cpu)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储部分308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有系统300操作所需的各种程序和数据。cpu 301、rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。48.以下部件连接至i/o接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至i/o接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。49.特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种前列腺患者分类方法，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行图1的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。50.附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。51.描述于本技术实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一子区域生成单元、第二子区域生成单元以及显示区域生成单元。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，显示区域生成单元还可以被描述为“用于根据第一子区域和第二子区域生成文本的显示区域的单元”。52.作为另一方面，本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中前述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本技术的应用于透明窗口信封的文本生成方法。53.以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!