[发明专利]双通路颅咽管瘤侵袭性分类及其病灶区域分割系统

说明书

本发明属于医学影像处理技术领域，具体涉及一种双通路颅咽管瘤侵袭性分类及其病灶区域分割系统，旨在解决人工无法通过无创的方式对路颅咽管瘤的侵袭性进行准确分类以及对病灶区域准确分割的问题。本发明包括：图像获取模块，配置为获取颅咽管瘤MR图像；阈值分割模块，配置为对图像进行背景去除，并调整为设定尺寸大小，将尺寸调整后的图像作为第一图像；病灶分割模块，配置为得到第一图像各切片中像素点是否属于病灶区域的预测值及病灶区域分割结果，并提取各切片的2D特征；分类模块，配置为提取第一图像的3D特征，并获取颅咽管瘤MR图像对应的分类结果。本发明实现以无创方式对颅咽管瘤进行病灶区域的准确分割和侵袭性分类。

技术领域

本发明属于医学影像处理技术领域，具体涉及一种双通路颅咽管瘤侵袭性分类及其病灶区域分割系统、方法、设备。

背景技术

颅咽管瘤是一种罕见的中枢神经系统肿瘤，通常病发于鞍区。虽然颅咽管瘤是一种良性肿瘤，但其生物学行为有侵袭性，通过侵袭视交叉、垂体和下丘脑等重要脑组织结构造成神经内分泌功能障碍，因此，主要的医疗方案为手术切除肿瘤区域。

颅咽管瘤在不同患者的MR图像中可能呈现出从低信号到高信号的各种信号，使得某些患者的病灶区域与脑组织边缘模糊，不易区分。与此同时，颅咽管瘤的评估多依赖于术中病理结果，医生无法利用MR图像预判颅咽管瘤的侵袭性，无法提前制定个性化医疗方案，因而设计无创的方法判断颅咽管瘤是否侵袭脑组织并分割出病灶区域是亟待解决的关键问题。

现阶段，对于颅咽管瘤侵袭性判断的相关研究较少，但在医学影像领域，一般分为放射组学特征法和深度学习方法。放射组学通过从医学影像中提取大量人工制定的图像特征来评估肿瘤的异质性，而深度学习方法通过构造并训练端到端的网络进行分类。相较于放射组学特征极度依赖人工制定的特征提取方法，深度学习方法能够提取图像中的高维语义特征，同时实现多任务学习。针对上述问题，本发明提出了一种双通路颅咽管瘤侵袭性分类及其病灶区域分割系统。

发明内容

为了解决现有技术中的上述问题，即为了解决人工无法通过无创的方式对路颅咽管瘤的侵袭性进行准确分类以及对病灶区域准确分割的问题，本发明提出了一种双通路颅咽管瘤侵袭性分类及其病灶区域分割系统，该系统包括：图像获取模块、阈值分割模块、病灶分割模块、分类模块；

所述图像获取模块，配置为获取待分类和病灶区域分割的颅咽管瘤MR图像，作为输入图像；

所述阈值分割模块，配置为通过阈值分割法对所述输入图像进行背景去除，并将背景去除后的输入图像调整为设定尺寸大小，将尺寸调整后的输入图像作为第一图像；

所述病灶分割模块，配置为将所述第一图像分割成N张切片，并分别输入多任务双通路模型的U型网络中，得到所述第一图像各切片中像素点是否属于病灶区域的预测值及各切片对应的病灶区域分割结果；还配置为结合各切片中像素点的位置以及各像素点与切片中心点的距离，提取各切片对应的2D特征；

所述分类模块，配置为基于所述预测值，对所述第一图像进行加权求和处理，并提取加权求和后的第一图像的3D特征；还配置为将提取的2D特征和3D特征进行融合，并通过决策网络获取所述输入图像对应的分类结果；

所述U型网络为基于残差网络构建的UNet网络，包括卷积层、2D残差模块、2D残差模块下采样层、上采样层；所述U型网络用于获取所述第一图像各切片中像素点是否属于病灶区域的预测值及各切片对应的病灶区域分割结果；

所述决策网络基于全连接层构建，用于获取所述输入图像对应的分类结果。

在一些优选的实施方式中，所述多任务双通路模型包括U型网络、2D特征提取网络、3D特征提取网络、决策网络；