(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210212191.2 (22)申请日 2022.03.06 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 夏勇　蒋博文　 (74)专利代理 机构 西安凯多 思知识产权代理事 务所(普通 合伙) 61290 专利代理师 王鲜凯 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/26(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/00(2017.01) (54)发明名称 一种基于多序列磁共振影像的胶质瘤分级 分类方法 (57)摘要 本发明提供了一种基于多序列磁共振影像 的胶质瘤分级分类方法。 首先， 通过正投影、 拼接 融合和随机翻转等对胶质瘤样本序列磁共振影 像进行预处理， 得到模型训练数据集； 然后， 利用 数据集对构建的多视图分级分类网络模型进行 训练； 最后， 利用模型输出的级别概率对胶质瘤 进行分类判定。 本发明能够用于多序列磁共振影 像数量较少且类别分布不均衡的胶质瘤分级分 类处理。 权利要求书2页 说明书4页 附图2页 CN 114677537 A 2022.06.28 CN 114677537 A 1.一种基于多序列磁共 振影像的胶质瘤分级分类方法， 其特 征在于步骤如下： 步骤1， 数据预处理： 首先， 根据胶质瘤的分割标注在各序列磁共振影像上裁剪出以胶 质瘤为中心的、 能包含整个胶质瘤的最小影像块； 然后， 分别按轴位面、 矢状面、 冠状面三个 视图平面对得到的各序列影像块以取均值的方式进行正投影， 对分割标注以求和的方式进 行正投影， 将各序列影像块的三个视图平面的正投影影像分别与分割标注的正投影影像按 像素逐点相乘， 并对相乘后得到的每幅二维影像利用其自身的均值和方差进行标准化处 理， 将标准化处理后的各序列二维影像按照视图平面进行拼接， 每个视图平面得到一幅拼 接的多通道影 像； 最后， 对三幅多通道影 像围绕指定轴进行随机 镜像翻转； 对每一个胶质瘤样本的序列磁共振影像均按照上述过程进行处理， 所有样本的三个视 图平面的多通道影 像和其翻转后影 像， 共同构成样本训练数据集； 步骤2， 分级分类处理： 以步骤1得到的样本训练数据集作为训练数据， 对多视图分级分 类网络模型进行训练， 得到训练好的网络模型， 模型输出为序列磁共振影像包含胶质瘤的 级别概率和类型概 率； 所述的多视图分级分类网络模型包含三个并列的单视图模块、 融合模块和概率计算模 块， 每个单视图模块用于处理输入的一个视图平面的磁共振影像， 包含顺序连接的一个视 图卷积块、 一个全局平均池化层和一个全连接层， 其中， 视图卷积块包含一个卷积层、 一个 最大池化层和四个连续的Basicneck残差模块， 卷积层用于对输入 数据进行卷积操作， 其卷 积核大小是7 ×7、 步长是2、 边界扩充设置为3， 最大池化层的池化窗口大小是3 ×3、 步长是 2、 边界扩充设置为1， 每个Basicneck残差模块包含两个Basicneck结构， 每个Basicneck结 构包括两个卷积层、 两个批归一化层、 两个ReLU激活函数层和一个残差连接； 融合模块对三 个单视图模块生 成的特征按通道进 行拼接， 拼接后的特征经过一个卷积核 大小为1×1的卷 积层、 批归一化层和ReLU激活函数层， 输出的融合特征经过概率计算模块， 输出序列磁共振 影像包含胶质瘤的级别概率和类型概率； 概率计算模块包含两个分支， 一个分支由一个全 局平均池化层、 一个全连接层和一个 sigmoid函数构成， 融合后的特征经过此分支输出胶质 瘤的级别概率pgrade， 另一个分支由一个全局平均池化层、 一个全连接层和一个softmax层 构 成， 融合后的特征经过此分支输出胶质瘤的类型概率pcls， 级别概率pgrade与类型概率pcls的 乘积为胶质瘤最终的级别概 率； 多视图分级分类网络模型的损失按下式计算： Ltotal＝Lgrade+Lcls          (1) 其中， Ltotal为总损失， Lgrade为分级损失， Lcls为分类损失， 分级损失Lgrade和分类损失Lcls 都采用如下 Focal Loss损失函数： 其中， Lfl表示损失值， αt表示类别权重， 取值范围为(0,1)， γ表示难易样本调节参数， 取值范围为[0,+∞)， 当Lfl＝Lgrade时， 表示经过sigmoid函数后得到的预测概率； 当Lfl＝ Lcls时， 表示经过softmax层后的预测概 率： 权　利　要　求　书 1/2 页 2 CN 114677537 A 2其中， i表示第i个 类别， D表示类别集 合， pi表示第i个 类别对应的概 率； 训练时计算模型损失， 并进行梯度反向传播更新模型参数； 步骤3， 数据后处理： 设定阈值η， 如果多视图分级分类网络模型输出的胶质瘤最终的级 别概率值大于阈值η， 则判定该序列磁共振影像对应的胶质瘤为高级别胶质瘤， 否则， 判定 该序列磁共 振影像对应的胶质瘤为低级别胶质瘤； 所述的阈值 η 的取值范围为(0,1)。 2.如权利要求1所述的一种基于多序列磁共振影像的胶质瘤分级分类方法， 其特征在 于： 计算多视图分级分类网络模型损失时， 设置类别权重αt＝0.25， 难易样本调节参数γ＝ 2。权　利　要　求　书 2/2 页 3 CN 114677537 A 3