[发明专利]脑部胶质瘤图像分级方法、装置及存储介质

权利要求书

1.脑部胶质瘤图像分级方法，其特征在于，包括以下步骤：

对输入的脑部胶质瘤图像作归一化处理，得到第一处理图像，对所述第一处理图像的感兴趣区域作基于注意力机制的增强处理，得到第二处理图像，其中所述脑部胶质瘤图像带有图像级标签，所述图像级标签为0或1，所述感兴趣区域为所述第一处理图像中脑部胶质瘤所对应的区域；

对所述第二处理图像分割，得到多个大小相同的实例，所述实例的标注与所述图像级标签相同；

从多个所述实例中选出第一关键实例、第二关键实例和非关键实例，利用所述第一关键实例训练第一子分类网络和利用所述第二关键实例训练第二子分类网络，其中所述第一关键实例包含标注为1的所述实例的最大值和标注为0的所述实例的最大值，所述第二关键实例包含标注为1的所述实例的最大值和标注为0的所述实例的最小值，所述非关键实例是所述多个大小相同的实例中除了所述第一关键实例和所述第二关键实例外的其他所述实例，所述第一关键实例的标签和所述第二关键实例的标签均与所述图像级标签相同；

将所述非关键实例输入已训练的所述第一子分类网络得到第一标签，和将所述非关键实例输入已训练的所述第二子分类网络得到第二标签，根据所述第一标签和所述第二标签对所述非关键实例打上标签，根据所有所述第一关键实例、第二关键实例和非关键实例的标签对所述第二处理图像作掩膜处理得到第三处理图像；将所述第三处理图像输入宽度学习网络得到脑部胶质瘤图像的分级结果。

2.根据权利要求1所述的脑部胶质瘤图像分级方法，其特征在于，所述将第三处理图像输入宽度学习网络得到脑部胶质瘤图像的分级结果包括以下步骤：

按照m＝flatten(M)将所述第三处理图像转化为行向量，其中m为行向量且n₁是所述第三处理图像的像素个数，flatten(·)表示转化为一维向量的运算；

将M′＝[m₁,m₂,m₃,…m_a,…,m_n]^T输入至所述宽度学习网络，根据W＝[F|E]⁺Y得到所述宽度学习网络的输出权值矩阵，其中W为所述宽度学习网络的输出权值矩阵，Y为所述宽度学习网络的输出，[F|E]⁺＝lim_λ→0([F|E]^T[F|E]+λI)^-1[F|E]，λ为所述宽度学习网络的超参数，I为单位矩阵，[F|E]表示将特征节点矩阵和增强节点矩阵按行拼接，第i个特征节点表示为F_i＝tanh(M′W_fi+β_fi)，第j个增强节点表示为E_j＝tanh(F_iW_ej+β_ej)，W_fi是第i个特征节点的输出权值矩阵，W_ej是第j个增强节点的输出权值矩阵，β_fi是第i个特征节点的偏置，β_ej是第j个增强节点的偏置；

根据得到脑部胶质瘤图像的分级结果，其中是所述脑部胶质瘤图像的分级结果。

3.根据权利要求1所述的脑部胶质瘤图像分级方法，其特征在于，所述归一化处理具体为：其中Z为所述第一处理图像，X是输入的脑部胶质瘤图像，(x,y)是输入的脑部胶质瘤图像的像素点位置。

4.根据权利要求1所述的脑部胶质瘤图像分级方法，其特征在于，所述基于注意力机制的增强处理具体为：其中f(x,y)是半径为1的高斯核，Z′_(x,y)是经增强处理后的像素点的值。