目标分型方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种目标分型方法、装置、设备及存储介质。该目标分型方法包括：分别对包含待分型目标的若干初始图像进行特征提取，得到各初始图像关于目标的初始特征；基于各初始图像之间的预设关联关系，对各初始特征进行融合，得到目标特征；利用目标特征，得到目标的分型结果。上述方案，能够提高分型结果的准确度。能够提高分型结果的准确度。能够提高分型结果的准确度。

【技术实现步骤摘要】
目标分型方法、装置、设备及存储介质


[0001]本申请涉及图像处理
，特别是涉及一种目标分型方法、装置、设备及存储介质。

技术介绍

[0002]近年来，随着计算机科学技术和医疗影像工程学的快速发展，世界上出现了许多先进的医疗成像设备，为临床医学诊断提供了医学图像，这些医学图像能够反映人体结构、脏器和病变组织的相关信息。然而，在现有技术中，通常是通过医生观察医学图像中病灶的特征对病灶类型进行鉴别，鉴别结果与医生的临床经验有着密切关系，特别是对于病灶类型难以鉴别的情况，鉴别难度较大。

技术实现思路

[0003]本申请至少提供一种目标分型方法、装置、设备及存储介质。
[0004]本申请提供了一种目标分型方法，包括：分别对包含待分型目标的若干初始图像进行特征提取，得到各初始图像关于目标的初始特征；基于各初始图像之间的预设关联关系，对各初始特征进行融合，得到目标特征；利用目标特征，得到目标的分型结果。
[0005]因此，通过对包含待分型目标的初始图像进行特征提取，能够实现对目标进行分型，无需基于医生的临床经验对目标的分型，不仅降低了鉴别难度，还提高了对目标分型的准确度。另外，通过将多个初始图像的初始特征进行融合，得到目标特征，然后基于目标特征得到目标的分型结果，相比于使用单一的初始图像的初始特征而言，能够融合目标更多的特征，使得目标的分型结果更为准确。进一步地，本申请还通过结合各初始图像之间的预设关联关系对各初始特征进行融合，得到目标特征，使得确定得到的目标分型结果更为准确。
[0006]其中，目标为病灶，若干初始图像包括对目标采集得到的局部图像以及对目标所属器官采集得到的全局图像，初始特征包括局部图像对应的第一初始特征和全局图像对应的第二初始特征；基于各初始图像之间的预设关联关系，对各初始特征进行融合，得到目标特征，包括：基于预设关联关系，对第一初始特征和第二初始特征进行融合，得到目标特征。
[0007]因此，对全局图像和局部图像进行特征提取，并将全局特征和局部特征进行融合，能够增加不同类别之间的特征差异，减少了相同影像特征却被划分为不同的类别的情况出现，提高了目标分型的准确度。
[0008]其中，若干初始图像包括使用不同采集方式对目标采集得到的初始图像，基于各初始特征之间的预设关联关系，对各初始特征进行融合，得到目标特征，包括：基于预设关联关系，对不同采集方式采集的初始图像对应的初始特征进行融合，得到目标特征。
[0009]因此，使用不同采集方式采集得到的初始图像对应的初始特征进行融合，使得能够参考多序列或时间序列的特征，在同一类别目标存在不同的影像特征的情况下，也能得到准确的分型结果。
[0010]其中，预设关联关系为邻接矩阵，基于预设关联关系，对不同采集方式采集的初始图像对应的初始特征进行融合，得到目标特征，包括：将各初始特征进行融合，得到融合特征；将融合特征与邻接矩阵相乘；基于相乘的结果，得到目标特征。
[0011]因此，通过将邻接矩阵与融合特征进行融合，能够挖掘各初始图像之间的联系，使得确定得到的目标特征更为准确。
[0012]其中，目标分型方法由分型网络执行，分型网络包括第一多层感知器以及第二多层感知器，将各初始特征进行融合，得到融合特征，包括：利用第一多层感知器对各初始特征进行处理，得到各初始特征对应的进阶特征；将各进阶特征进行拼接，得到融合特征；基于相乘的结果，得到目标特征，包括：利用第二多层感知器对融合特征进行处理，得到目标特征。
[0013]因此，通过分型网络执行目标分型方法，无需基于用户的临床经验，使得目标分型过程更为便捷。另外，通过使用多层感知器对特征进行处理，能够对特征进行增强。
[0014]其中，目标分型方法由分型网络执行，方法还包括：分别对包含待分型目标的若干样本图像进行特征提取，得到各样本图像关于目标的样本初始特征，各样本图像是使用不同的采集方式采集得到；基于本次迭代训练对应的迭代关联关系，对各样本初始特征进行融合，得到样本目标特征；在首次迭代训练情况下，本次迭代训练对应的迭代关联关系为初始关联关系，在非首次迭代训练情况下，本次迭代训练对应的迭代关联关系为前一次迭代训练调整后的迭代关联关系；利用样本目标特征，得到关于目标的样本分型结果；基于样本分型结果与真实分型结果之间的差异，调整分型网络的网络参数，网络参数包括迭代关联关系；其中，在差异满足误差条件的情况下，最后一次迭代训练调整后的迭代关联关系作为预设关联关系。
[0015]因此，通过在分型网络训练的过程中对各采集方式采集得到的样本图像之间的关联关系进行训练，并且在差异满足误差条件的情况下，将最后一次迭代训练调整后的迭代关联关系作为预设关联关系，使得训练得到的预设关联关系能够较好的反映各初始图像之间的联系。
[0016]其中，目标为病灶，利用样本目标特征，得到关于目标的样本分型结果，包括：利用样本目标特征，分别得到目标的第一良恶性分型结果以及目标的亚型分型结果；基于样本分型结果与真实分型结果之间的差异，调整分型网络的网络参数，包括：获取第一良恶性分型结果与真实良恶性分型结果之间的第一差异，以及获取亚型分型结果与真实亚型分型结果之间的第二差异；结合第一差异和第二差异，调整分型网络的网络参数。
[0017]因此，通过利用样本目标特征分别得到目标的第一良恶性分型结果和目标的亚型分型结果，并且基于第一良恶性分型结果与真实良恶性分型结果之间的第一差异，以及亚型分型结果与真实亚型分型结果之间的第二差异，调整分型网络的网络参数，能够减少大类别之间的误分，稳定训练过程，加速分型网络的收敛速度和提高算法的精度。
[0018]其中，方法还包括：基于亚型分型结果获取目标的第二良恶性分型结果；获取第二良恶性分型结果与真实良恶性分型结果的第三差异；结合第一差异和第二差异，调整分型网络的网络参数，包括：结合第一差异、第二差异以及第三差异，调整分型网络的网络参数。
[0019]因此，通过基于亚型分型结果获取目标的第二良恶性分型结果并获取第二良恶性分型结果与真实良恶性分型结果的第三差异，然后结合第一差异、第二差异以及第三差异，
调整分型网络的网络参数，使得利用上下游任务之间的相互约束对分型网络的网络参数进行调整。
[0020]其中，在分别对包含待分型目标的若干初始图像进行特征提取，得到各初始图像关于目标的初始特征之前，方法还包括：对若干初始图像进行预处理，预处理包括调整对比度、调整窗宽窗位、调整图像尺寸、归一化处理中的一者或多者。
[0021]因此，通过在对若干初始图像进行特征提取之间，对若干初始图像进行预处理，使得能够统一各初始图像的格式，提高后续分型结果的准确度。
[0022]本申请提供了一种目标分型装置，包括：特征提取模块，用于分别对包含待分型目标的若干初始图像进行特征提取，得到各初始图像关于目标的初始特征；特征增强模块，用于基于各初始图像之间的预设关联关系，对各初始特征进行融合，得到目标特征；分型模块，用于利用目标特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标分型方法，其特征在于，包括：分别对包含待分型目标的若干初始图像进行特征提取，得到各所述初始图像关于所述目标的初始特征；基于各所述初始图像之间的预设关联关系，对各所述初始特征进行融合，得到目标特征；利用所述目标特征，得到所述目标的分型结果。2.根据权利要求1所述的方法，其特征在于，所述目标为病灶，所述若干初始图像包括对所述目标采集得到的局部图像以及对所述目标所属器官采集得到的全局图像，所述初始特征包括所述局部图像对应的第一初始特征和所述全局图像对应的第二初始特征；所述基于各所述初始图像之间的预设关联关系，对各所述初始特征进行融合，得到目标特征，包括：基于所述预设关联关系，对所述第一初始特征和所述第二初始特征进行融合，得到所述目标特征。3.根据权利要求1所述的方法，其特征在于，所述若干初始图像包括使用不同采集方式对所述目标采集得到的初始图像，所述基于各所述初始特征之间的预设关联关系，对各所述初始特征进行融合，得到目标特征，包括：基于所述预设关联关系，对不同采集方式采集的初始图像对应的初始特征进行融合，得到所述目标特征。4.根据权利要求3所述的方法，其特征在于，所述预设关联关系为邻接矩阵，所述基于所述预设关联关系，对不同采集方式采集的初始图像对应的初始特征进行融合，得到所述目标特征，包括：将各所述初始特征进行融合，得到融合特征；将所述融合特征与所述邻接矩阵相乘；基于相乘的结果，得到所述目标特征。5.根据权利要求4所述的方法，其特征在于，所述目标分型方法由分型网络执行，所述分型网络包括第一多层感知器以及第二多层感知器，所述将各所述初始特征进行融合，得到融合特征，包括：利用所述第一多层感知器对各所述初始特征进行处理，得到各所述初始特征对应的进阶特征；将各所述进阶特征进行拼接，得到所述融合特征；所述基于相乘的结果，得到所述目标特征，包括：利用所述第二多层感知器对所述融合特征进行处理，得到所述目标特征。6.根据权利要求1
‑
5任一项所述的方法，其特征在于，所述目标分型方法由分型网络执行，所述方法还包括：分别对包含所述待分型目标的若干样本图像进行特征提取，得到各所述样本图像关于所述目标的样本初始特征，各所述样本图像是使用不同的采集方式采集得到；基于本次迭代训练对应的迭代关联关系，对各所述样本初始特征进行融合，得到样本目标特征；在首次迭代训练情况下，所述本次迭代训练对应的迭代关联关系为初始关联...

【专利技术属性】
技术研发人员：朱雅靖，陈翼男，叶宇翔，黄烨翀，许晓薇，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：