本发明专利技术公开了一种体素可视化方法、装置、电子设备及可读存储介质，属于医学影像技术领域。所述体素可视化方法用于医学影像，其特征在于，包括：获得医学影像中的设定区域的影像组学特征标签；以所述设定区域的影像组学特征标签中的每个第一体素为单位建立相应的多个第一图像矩阵；根据所述第一图像矩阵和机器学习模型，获得所述设定区域的每个第一体素的预测概率；将所述设定区域的每个第一体素替换为相应的所述预测概率；将替换后的所述设定区域通过热图映射到所述医学影像。从而解决了现有的体素可视化只生成设定区域内部单个体素的单种影像组学特征值，并不能融合多个影像组学特征进行可视化的问题。特征进行可视化的问题。特征进行可视化的问题。
【技术实现步骤摘要】
体素可视化方法、装置、电子设备及可读存储介质
[0001]本专利技术属于医学影像
，尤其涉及一种体素可视化方法、装置、电子设备及可读存储介质。
技术介绍
[0002]医学影像的可视化一直是前沿热点，但目前大多数基于CT、MRI的可视化均是基于图像体素的原始值或变换以进行热图呈现，并没有结合人工智能模型实现关键区域体素的可视化。影像组学作为医学影像AI新兴的领域，因其较好的特征可解释性和较好的小样本泛化能力被越来越多地应用在实际的临床问题中，如疾病鉴别诊断、疾病预后等问题。
[0003]但是，现有的体素可视化只生成设定区域(也就是感兴趣区域)内部单个体素的单种影像组学特征值，并不能融合多个影像组学特征进行可视化。另外，现有的体素可视化并没有融合影像组学特征标签和已构建的机器学习模型实现体素概率预测值的可视化。
技术实现思路
[0004](一)专利技术目的
[0005]本专利技术的目的是提供一种体素可视化方法、装置、电子设备及可读存储介质，以解决现有的体素可视化只生成设定区域内部单个体素的单种影像组学特征值，并不能融合多个影像组学特征进行可视化的问题。
[0006](二)技术方案
[0007]为解决上述问题，本专利技术提供了一种体素可视化方法，所述体素可视化方法用于医学影像，包括：
[0008]获得医学影像中的设定区域的影像组学特征标签；
[0009]以所述设定区域的影像组学特征标签中的每个第一体素为单位建立相应的多个第一图像矩阵；
[0010]根据所述第一图像矩阵和机器学习模型，获得所述设定区域的每个第一体素的预测概率；
[0011]将所述设定区域的每个第一体素替换为相应的所述预测概率；
[0012]将替换后的所述设定区域通过热图映射到所述医学影像。
[0013]在一个可选的实施例中，以所述设定区域的影像组学特征标签中的每个第一体素为单位建立相应的多个第一图像矩阵包括：
[0014]以所述第一体素为中心，相应的多个第二体素围绕所述第一体素构建n
×
n的所述第一图像矩阵，n为大于等于3的奇数。
[0015]在一个可选的实施例中，根据所述第一图像矩阵和机器学习模型，获得所述设定区域的每个体素的预测概率包括：
[0016]将每个所述第一图像矩阵的矩阵特征值标准化；
[0017]获得标准化后的每个所述第一图像矩阵内的第一体素和第二体素的体素值求和
结果；
[0018]以每个所述第一图像矩阵内的体素值求和结果为单位，建立相应的多个第二图像矩阵；
[0019]将所述第二图像矩阵输入所述机器学习模型，得到所述设定区域的每个第一体素的预测概率，所述预测概率的输出值范围为0至1的概率值。
[0020]在一个可选的实施例中，获得标准化后的每个所述第一图像矩阵内的第一体素和第二体素的体素值求和结果之后还包括：
[0021]获得每个非零值的所述第一体素和所述第二体素的空间坐标。
[0022]在一个可选的实施例中，将所述设定区域的每个第一体素替换为相应的所述预测概率包括：
[0023]根据每个非零值的所述第一体素和所述第二体素的空间坐标，将所述设定区域的每个第一体素替换为相应的所述预测概率。
[0024]在一个可选的实施例中，将每个所述第一图像矩阵的矩阵特征值标准化包括：
[0025]将每个所述第一图像矩阵的矩阵特征值输入标准化公式：进行矩阵特征值标准化；
[0026]其中，x*为标准化后的矩阵特征值，x为标准化前的矩阵特征值，μ表示均值，σ表示标准差。
[0027]在一个可选的实施例中，获得医学影像中的设定区域的影像组学特征标签包括：
[0028]提取所述设定区域的影像组学特征；
[0029]通过降维获得所述设定区域的影像组学特征标签。
[0030]另外，本专利技术还提供了一种体素可视化装置，所述体素可视化装置用于医学影像，包括：
[0031]第一获取单元，用于获得医学影像中的设定区域的影像组学特征标签；
[0032]计算单元，用于以所述设定区域的影像组学特征标签中的每个第一体素为单位建立相应的多个第一图像矩阵；
[0033]第二获取单元，用于根据所述第一图像矩阵和机器学习模型，获得所述设定区域的每个第一体素的预测概率；
[0034]替换单元，用于将所述设定区域的每个第一体素替换为相应的所述预测概率；以及
[0035]映射单元，用于将替换后的所述设定区域通过热图映射到所述医学影像。
[0036]另外，本专利技术还提供了一种电子设备，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现所述的体素可视化方法的步骤。
[0037]另外，本专利技术还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现所述的体素可视化方法的步骤。
[0038](三)有益效果
[0039]本专利技术的上述技术方案具有如下有益的技术效果：
[0040]本专利技术中，结合医学影像中的设定区域内的多个影像组学特征，将其转换为相应的多个影像组学特征标签，然后再通过以第一体素为单位建立相应的多个第一图像矩阵，
接着根据所述第一图像矩阵和机器学习模型，获得所述设定区域的每个第一体素的预测概率，将所述设定区域的每个第一体素替换为相应的所述预测概率；将替换后的所述设定区域通过热图映射到所述医学影像，实现融合多个影像组学特征进行可视化；从而解决了现有的体素可视化只生成设定区域内部单个体素的单种影像组学特征值，并不能融合多个影像组学特征进行可视化的问题。
附图说明
[0041]图1是本专利技术具体实施方式的所述体素可视化方法的主要过程的流程示意图；
[0042]图2是本专利技术具体实施方式的所述体素可视化方法的全部过程的流程示意图；
[0043]图3是本专利技术具体实施方式的所述第一图像矩阵的示意图；
[0044]图4是通过本专利技术具体实施方式的所述体素可视化方法生成的基于机器学习模型的医学影像设定区域的体素概率可视化热图。
具体实施方式
[0045]为使本专利技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本专利技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本专利技术的区域。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。
[0046]在附图中示出了根据本专利技术实施例的层结构示意图。这些图并非是按比例绘制的，其中为了清楚的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
[0047]显然，所描述的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种体素可视化方法，所述体素可视化方法用于医学影像，其特征在于，包括：获得医学影像中的设定区域的影像组学特征标签；以所述设定区域的影像组学特征标签中的每个第一体素为单位建立相应的多个第一图像矩阵；根据所述第一图像矩阵和机器学习模型，获得所述设定区域的每个第一体素的预测概率；将所述设定区域的每个第一体素替换为相应的所述预测概率；将替换后的所述设定区域通过热图映射到所述医学影像。2.根据权利要求1所述的体素可视化方法，其特征在于，以所述设定区域的影像组学特征标签中的每个第一体素为单位建立相应的多个第一图像矩阵包括：以所述第一体素为中心，相应的多个第二体素围绕所述第一体素构建n
×
n的所述第一图像矩阵，n为大于等于3的奇数。3.根据权利要求2所述的体素可视化方法，其特征在于，根据所述第一图像矩阵和机器学习模型，获得所述设定区域的每个体素的预测概率包括：将每个所述第一图像矩阵的矩阵特征值标准化；获得标准化后的每个所述第一图像矩阵内的第一体素和第二体素的体素值求和结果；以每个所述第一图像矩阵内的体素值求和结果为单位，建立相应的多个第二图像矩阵；将所述第二图像矩阵输入所述机器学习模型，得到所述设定区域的每个第一体素的预测概率，所述预测概率的输出值范围为0至1的概率值。4.根据权利要求3所述的体素可视化方法，其特征在于，获得标准化后的每个所述第一图像矩阵内的第一体素和第二体素的体素值求和结果之后还包括：获得每个非零值的所述第一体素和所述第二体素的空间坐标。5.根据权利要求4所述的体素可视化方法，其特征在于，将所述设定区域的每个第一体素替换为相应的所述预测概率包括：根据每个非零值的所述第一体素...
【专利技术属性】
技术研发人员：李明洋，苗政，张惠茅，张磊，王烁，郭钰，王芊婷，
申请(专利权)人：吉林大学第一医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。