乳腺磁共振图像智能分类方法、装置、设备和介质发明专利.docxVIP

乳腺磁共振图像智能分类方法、装置、设备和介质 技术领域 本公开一般涉及医学技术领域，尤其涉及一种乳腺磁共振图像智能分类方法、装置、设备和介质。 背景技术 腺癌是女性所有恶性肿瘤当中发病率最高的一种，在国内约占全部恶性肿瘤的17％左右，正严重危害着女性的健康，而如果乳腺癌能较早期发现，具有较高的治愈率。因此，对乳腺疾病进行筛查具有重要意义。 BI-RADS(Breast Imaging Reporting and Data System，乳腺影像报告与数据系统)分类法能够较好的评价乳腺情况，如何对乳腺MRI (Magnetic Resonance Imaging，磁共振成像)影像进行BI-RADS分类在医学图像分析领域具有重要意义。 发明内容 鉴于现有技术中的上述缺陷或不足，期望提供一种乳腺磁共振图像智能分类方法、装置、设备和介质，能够实现对目标用户的单侧乳腺图像进行智能分类，极大的提高医生的阅片效率。 根据第一方面，本申请实施例提出一种乳腺磁共振图像智能分类方法，包括： 获取单侧乳腺的磁共振图像； 对所述磁共振图像输入预训练模型，获得所述磁共振图像对应的二值图像； 将所述磁共振图像和所述二值图像输入至第一预设模型，得到第一分类结果； 将所述磁共振图像和所述二值图像输入至第二预设模型，得到第二分类结果； 将所述第一分类结果和所述第二分类结果进行拼接，输入至第一全连接层，得到所述磁共振图像的分类结果。 可选地，所述将所述磁共振图像和所述二值图像输入至第一预设模型，得到第一分类结果，包括： 从所述磁共振图像中提取第一序列图像、第二序列图像和第三序列图像，并从所述二值图像中提取与所述第一序列图像、所述第二序列图像和所述第三序列图像对应的第一二值图像、第二二值图像和第三二值图像； 将所述第一序列图像和所述第一二值图像进行裁剪和拼接，得到第一图像、将所述第二序列图像和所述第二二值图像进行裁剪和拼接，得到第二图像、将所述第三序列图像和所述第三二值图像进行裁剪和拼接，得到第三图像； 将所述第一图像、所述第二图像和所述第三图像分别输入至所述第一预设模型，得到高维抽象特征； 利用第二全连接层计算所述高维抽象特征与每个类别标签之间的空间距离； 将所述空间距离最小所述标签作为所述第一分类结果。 可选地，所述将所述第一图像、所述第二图像和所述第三图像分别输入至所述第一预设模型，得到高维抽象特征，包括： 分别对所述第一图像、所述第二图像和所述第三图像进行下采样，得到尺寸大小相同的第一特征图像、第二特征图像和第三特征图像； 将所述第一特征图像、所述第二特征图像和所述第三特征图像拼接，得到目标特征图像； 将所述目标特征图像输入至所述第一预设模型，得到所述高维抽象特征。 可选地，所述将所述目标特征图像输入至所述第一预设模型，得到所述高维抽象特征，包括： 利用所述第一预设模型中的第一池化层和第二池化层分别对所述目标特征图像进行处理，得到第一描述符和第二描述符； 将所述第一描述符和所述第二描述符分别输入至所述第一预设模型中的感知层，得到第一通道注意力权重和第二通道注意力权重； 将所述第一通道注意力权重和所述第二通道注意力权重分别与所述目标特征图像进行逐元素加权相乘，得到低维抽象特征； 将所述低维抽象特征输入至所述第一预设模型中的残差网络，得到所述高维抽象特征。 可选地，所述残差网络包括串联连接的四个3维残差卷积层和一个池化层。 可选地，所述将所述磁共振图像和所述二值图像输入至第二预设模型，得到第二分类结果，包括： 对所述磁共振图像和所述二值图像进行聚类分析，得到目标区域的影像组学特征； 利用所述第二预设模型的梯度提升树算法，对上述影像组学特征进行迭代分析，得到所述第二分类结果。 可选地，上述的乳腺磁共振图像智能分类方法，还包括： 在得到至少两个所述分类结果时，将至少两个所述分类结果中对应的标签等级最高的所述分类结果作为输出的所述磁共振图像的分类结果。 根据第二方面，本申请实施例提出一种乳腺磁共振图像智能分类装置，包括： 第一获取模块，用于获取单侧乳腺的磁共振图像； 第二获取模块，用于对所述磁共振图像输入预训练模型，获得所述磁共振图像对应的二值图像； 第一输入模块，用于将所述磁共振图像和所述二值图像输入至第一预设模型，得到第一分类结果； 第二输入模块，用于将所述磁共振图像和所述二值图像输入至第二预设模型，得到第二分类结果； 拼接模块，用于将所述第一分类结果和所述第二分类结果进行拼接，输入至第一全连接层，得到所述磁共振图像的分类结果。 可选地，所述第一输入模块，具体用于： 从所述磁共振图像中提取第一序列图像、第二序列图像和第三序列图像，并从所述二值图像中提取与所述第一序列图像、所述第二序列图像和所述第三序列图像对应的第一二值图像、第二二值图像和第三二值图像； 将所述第