[发明专利]一种眼眶淋巴瘤和炎性假瘤分类方法、系统、设备及终端

权利要求书

1.一种眼眶淋巴瘤和炎性假瘤分类方法，其特征在于，眼眶淋巴瘤和炎性假瘤分类方法包括：在获取到的眼眶DCE-MRI图像中，将原始图像中的肿瘤区域和眼锥三角区域进行手动分割并预处理；将预处理后的三维图像作为样本，，划分样本数据集；对肿瘤区域使用神经网络提取特征，并对特征进行聚类统计分析，作为肿瘤区域特征；对眼锥三角区域进行特征提取作为相似度评判标准，使用自分类和自恢复网络提取眼锥区域特征；将训练数据集输入网络并结合肿瘤区域和眼锥三角区的特征训练网络模型，使用测试集数据进行预测；将多模态数据输入分类模型中进行处理，实现对眼眶淋巴瘤和炎性假瘤的分类任务。

2.如权利要求1所述的眼眶淋巴瘤和炎性假瘤分类方法，其特征在于，眼眶淋巴瘤和炎性假瘤分类方法包括以下步骤：

步骤一，原始图像的分割与处理：在获取的眼眶DCE-MRI图像中，对原始图像中的肿瘤区域和眼锥三角区域使用MITK软件手动分割；将raw格式的数据处理成mat格式数据；统计图像中大于0的数值个数选取数值最多的感兴趣区域作为最大切片，依次选择五张切片；将处理后的三维原始图像、肿瘤区域的三维图像和眼锥三角区的三维图像作为样本数据集，划分训练集和测试集；

步骤二，肿瘤区域的特征提取：以分割后肿瘤区域的每个像素点为中心提取9×9的图像patch块，将提取的patch块在第三维叠加起来；搭建两层神经网络，由编码和解码部分组成，使用训练数据集训练神经网络；将训练集和测试集输入神经网络自动提取特征；使用k-means++聚类算法对特征进行聚类，将特征聚为k类；对聚类后的特征统计分析，得到肿瘤区域特征；

步骤三，眼锥三角区域的特征提取：训练自编码器网络，提取图像的深层特征作为相似度对数据进行相似排序；生成五个位置坐标，并在五个坐标点位置生成视觉词；通过自恢复分支，计算原图像和恢复后的图像对比损失函数，训练五分类网络；选出最优模型，得到眼锥三角区深层特征提取模型，并提取眼锥区域的深度特征；

步骤四，基于ViT模型的融合特征分类：将原始图像的训练数据输入预训练好的ViT模型，将Transformer编码器得到的特征数据与肿瘤的纹理特征和眼锥三角区的深度特征结合，通过MLP分类头对眼眶淋巴瘤和炎性假瘤分类；

步骤五，多模态分类：对多模态数据进行处理，使用软投票策略对模态进行集成，最终完成对眼眶淋巴瘤和炎性假瘤的分类任务。

3.如权利要求2所述的眼眶淋巴瘤和炎性假瘤分类方法，其特征在于，步骤一中的在获取的眼眶DCE-MRI图像中，对原始图像的分割与处理包括：

(1)在获取得到的眼眶DCE-MRI图像中，对原始图像中的肿瘤区域和眼锥三角区域使用MITK软件手动分割；

(2)将原始图像、分割后的肿瘤区域和眼锥三角区域的raw格式数据转换成mat格式数据；

(3)统计图像中大于0的数值个数选取数值最多的感兴趣区域作为最大的切片，以最大切片为中心上下选择两张切片，共五张切片；

(4)将处理后的三维原始图像、肿瘤区域的三维图像和眼锥三角区的三维图像作为样本数据集，随机划分训练集和测试集。

4.如权利要求2所述的眼眶淋巴瘤和炎性假瘤分类方法，其特征在于，步骤二中的肿瘤区域的特征提取包括：

(1)以分割后肿瘤区域的每个像素点为中心提取9×9的图像patch块，将提取的patch块在第三维进行叠加；

(2)搭建两层神经网络，由编码和解码部分组成，使用训练数据集训练神经网络；

(3)将训练集和测试集输入训练好的神经网络自动提取特征；

(4)使用k-means++聚类算法对特征进行聚类，将特征聚为k类；

(5)对聚类后的特征统计分析，得到肿瘤区域特征。