[发明专利]脑部胶质瘤图像分级方法、装置及存储介质

说明书

本发明公开了脑部胶质瘤图像分级方法、装置及存储介质，对输入的脑部胶质瘤图像作归一化处理和作感兴趣区域的增强处理，提高鲁棒性和分级的准确性；基于弱监督原理的掩膜处理能精准地为脑部胶质瘤图像中脑部胶质瘤对应的区域加上掩膜，进一步提高鲁棒性和分级的准确性，进而减少了对大量有真值标签的训练样本数据的依赖性；通过宽度学习网络避免了大规模耗时的网络训练，解决了获取更高精度时，增加网络层数而导致梯度消失和训练缓慢的问题。

技术领域

本发明涉及图像处理领域，特别是脑部胶质瘤图像分级方法、装置及存储介质。

背景技术

脑部胶质瘤是常见的原发性颅脑恶性肿瘤，通常从病理学上按照恶性程度逐渐增高，从I级到IV级分为四级。而通过有经验的医师人为地对拍摄CT图像辨认分级，是目前对脑部胶质瘤图像分级的主要手段。也存在通过计算机技术对恶性肿瘤进行分级的技术，但依然存在需要大量标注样本，对样本数据依赖性过强，从而存在网络的训练时间长，且受噪声影响大的缺点。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供脑部胶质瘤图像分级方法、装置及存储介质。

本发明解决其问题所采用的技术方案是：

本发明的第一方面，脑部胶质瘤图像分级方法，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；

从多个所述实例中选出第一关键实例和第二关键实例，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是标注为1的所述实例和标注为0的所述实例中的最大值，所述第二关键实例是标注为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，其中所述非关键实例是多个所述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；

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。

根据本发明的第一方面，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；