本发明涉及肿瘤良恶性判断领域，具体涉及一种适用于肝脏肿瘤的识别方法、装置及电子设备。
背景技术：
ct(computedtomography，电子计算机断层扫描)具有较高的分辨率，在对肝脏肿瘤的定位和定性诊断方面有一定作用，已成为常规检查项目，是一种安全、创伤较小的检查方法，现实中常通过ct影像对肝癌及其程度进行判断。
然而，常见的方法中，在根据ct影像对肝癌进行诊断时，依然存在对肝脏肿瘤良恶性的判别准确率较低的问题。
技术实现要素：
本发明的主要目的在于提供一种适用于肝脏肿瘤的识别方法及装置，以解决现有对肝脏肿瘤良恶性的判断识别准确率较低的问题。
为了实现上述目的，本发明的第一方面提供了一种适用于肝脏肿瘤的识别方法，包括：
获取腹部时序连续的增强扫描ct影像数据，并采用图像处理算法对所述ct影像数据进行预处理；
采用深度学习算法对预处理后的ct影像数据进行特征粗提取，并对提取出的粗提特征进行多尺度处理，固定粗提特征的维度；
在固定粗提特征的维度后，利用多尺度处理对应的分类器对固定维度后的粗提特征进行分类；
根据所述分类器的分类结果，判断识别肝脏肿瘤良恶性的概率。
可选地，所述获取腹部时序连续的增强扫描ct影像数据，并采用图像处理算法对所述ct影像数据进行预处理，包括：
获取多期腹部时序连续的多张增强扫描ct影像数据，其中，所述多期包括平扫期、动脉期、门脉期和平衡期；
将多期腹部时序连续的多张增强扫描ct影像数据进行堆叠，以利用ct影像数据的时序特征；
采用图像处理算法对所述ct影像数据依次进行窗位截取和重采样归一化。
可选地，所述采用深度学习算法对预处理后的ct影像数据进行特征粗提取，并对提取出的粗提特征进行多尺度处理，固定粗提特征的维度，包括：
采用2d卷积神经网络对预处理后的ct影像数据进行特征粗提取；
分别对提取出的粗提特征进行多尺度平均特征、局部最大特征和lstm时序特征处理，固定粗提特征的维度。
进一步地，对提取出的粗提特征进行多尺度平均特征处理包括：
所述ct影像数据为3d影像序列数据，提取出的粗提特征的维度不固定，影像序列长度不同；
对不同的影像序列长度进行不同尺度的采样，得到不同尺度的特征；
采用平均值或最大值方式聚合不同尺度的特征，提取影像序列中多维的局部特征和全局特征。
进一步地，对提取出的粗提特征进行局部最大特征处理包括：
对不同的影像序列长度进行不同尺度的采样，得到不同尺度的特征；
采用最大值方式聚合不同尺度的特征，提取所有不同尺度的中位数位置的局部最大特征。
进一步地，对提取出的粗提特征进行lstm时序特征处理包括：
对多期时序连续预设张数的影像序列进行cnn多尺度特征处理，得到影像序列的时序特征；
训练lstm网络，将影像序列的时序特征作为lstm的时序输入。
可选地，所述在固定粗提特征的维度后，利用多尺度处理对应的分类器对固定维度后的粗提特征进行分类，包括：
所述分类器包括xgboost和全连接神经网络；
多尺度平均特征对应的分类器为第一xgboost，局部最大特征对应的分类器为第二xgboost，lstm时序特征对应的分类器为全连接神经网络；
利用第一xgboost对多尺度平均特征进行分类，利用第二xgboost对局部最大特征进行分类，利用全连接神经网络对lstm时序特征进行分类，分别得出分类结果。
可选地，所述根据所述分类器的分类结果，判断识别肝脏肿瘤良恶性的概率，包括：
将所述分类器的分类结果进行融合，投票得到最终结果；
根据所述最终结果判断识别肝脏肿瘤良恶性的概率。
本发明的第二方面提供了一种适用于肝脏肿瘤的识别装置，包括：
预处理单元，用于获取腹部时序连续的增强扫描ct影像数据，并采用图像处理算法对所述ct影像数据进行预处理；
特征粗提取单元，用于采用深度学习算法对预处理后的ct影像数据进行特征粗提取，并对提取出的粗提特征进行多尺度处理，固定粗提特征的维度；
分类单元，用于在固定粗提特征的维度后，利用多尺度处理对应的分类器对固定维度后的粗提特征进行分类；
判断识别单元，用于根据所述分类器的分类结果，判断识别肝脏肿瘤良恶性的概率。
本发明的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面任意一项提供的适用于肝脏肿瘤的识别方法。
本发明的第四方面提供了一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行第一方面任意一项提供的适用于肝脏肿瘤的识别方法。
本发明提供的实施例中，基于肝部腹腔强化ct断层扫描数据，以及相应的诊断结果，利用算法建模的手段对腹部ct影像进行诊断，判断患者肝脏肿瘤良恶性，以帮助医生更加高效地对肝癌患者进行筛查；
本发明结合图像处理算法和深度学习算法，针对ct影像数据和肝脏肿瘤良恶性判别任务进行独特设计，可以更好地从输入的原始ct影像数据中提取有效的影像特征用于肝脏肿瘤良恶性判断，提高判断识别准确率；并且，随着图像处理算法、深度学习算法和数据训练算法在质量和准确度上的提高，本发明对患者肝脏肿瘤的良恶性判别的能力也会随之提高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的适用于肝脏肿瘤的多尺度联合投票模型图；
图2为本发明实施例提供的适用于肝脏肿瘤的识别方法流程示意图；
图3为本发明实施例提供的医学上不同人体组织的ct值；
图4a为本发明实施例提供的选取窗宽窗位前的原始影像；
图4b为本发明实施例提供的选取窗宽窗位后的影像；
图5为本发明实施例提供的对提取出的粗提特征进行多尺度平均特征处理图；
图6为本发明实施例提供的对提取出的粗提特征进行局部最大特征处理图；
图7为本发明实施例提供的对提取出的粗提特征进行lstm时序特征处理图；
图8为本发明实施例提供的适用于肝脏肿瘤的识别装置框图；
图9为本发明实施例提供的电子设备框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本发明中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
ct是一种安全、创伤较小的检查方法，现实中常通过ct影像对肝癌及其程度进行判断。然而，常见的方法中，在根据ct影像对肝癌进行诊断时，依然存在对肝脏肿瘤良恶性的判别准确率较低的问题。
为了解决上述问题，本发明实施例提供了一种适用于肝脏肿瘤的多尺度联合投票模型，如图1所示，基于肝部腹腔强化ct断层扫描数据，以及相应的诊断结果，利用算法建模的手段对腹部ct影像进行诊断，判断患者肝脏肿瘤良恶性，以帮助医生更加高效地对肝癌患者进行筛查。具体包括：
首先，输入原始增强扫描ct影像数据(ctscans)，并对数据进行窗位截取、重采样归一化等预处理操作固定其大小，为了利用医学影像的时序特征，将每3张或4张时序连续的影像进行堆叠用作多尺度联合投票模型的输入；
其次，利用2d卷积神经网络进行特征粗提取(slicefeatureextractor)，对每一张原始影像都会提取一段粗提特征；
然后，由于原始影像中不同患者的影像层数是不固定的，因此一个患者的粗提特征拼接后也是不一定等长的，因此对粗提特征进行多尺度、多方法的处理，固定一个患者的粗提特征维度，处理方法包括多尺度平均特征(multi-scalemeanfeature)、局部最大特征(localmaxfeature)和lstm时序特征(mean-lstmfeature)，不同的处理方法能够利用不同的影像信息进行建模，从而提取更丰富的影像特征；
在将特征维度固定后，分别选用不同的分类器(classifier)对多尺度特征进行分类(classification)，分类器包含xgboost和全连接神经网络fc；随后，不同的多个分类器分别进行分类，输出各自判断肝脏肿瘤良恶性的概率值，将同一个患者多期影像按照不同多尺度处理方法和分类器，进行投票(phasevote)；
最后，应用集成学习中的多模型融合方法，将三个多尺度处理方法的结果进行融合，得到模型投票(modelvote)的最终判断结果(finalprediction)。
本发明实施例还提供了一种适用于肝脏肿瘤的识别方法，如图2所示，该方法包括如下的步骤s101至步骤s104：
步骤s101：获取腹部时序连续的增强扫描ct影像数据，并采用图像处理算法对所述ct影像数据进行预处理；与普通扫描ct影像数据相比，增强扫描ct影像数据对病灶的定性能力高，对小病灶的检出率高，对血管结构看得更清楚，有利于提高腹部肝脏肿瘤良恶性的判别准确率；时序连续的影像数据可以方便利用医学影像的时序特征；通过采用图像处理算法对影像数据进行预处理操作，可以固定影像数据的大小，突出显示影像数据中最值得关注和分析的重点区域，满足医学上阅片的习惯。
具体的，所述步骤s101包括：
获取多期腹部时序连续的多张增强扫描ct影像数据，其中，所述多期包括平扫期、动脉期、门脉期和平衡期；综合利用患者的多期腹部增强扫描ct影像数据，可以提高肝脏肿瘤良恶性判断识别的准确率；
将多期腹部时序连续的多张增强扫描ct影像数据进行堆叠，以利用ct影像数据的时序特征；将时序连续的多张(例如，3张或4张)影像数据进行堆叠，更方便利用医学影像数据的时序特征；
采用图像处理算法对所述ct影像数据依次进行窗位截取和重采样归一化。具体为，针对dicom(digitalimagingandcommunicationsinmedicine，医学数字成像和通信)数据，医学临床上并不是直接观察其原始ct影像数据，而是会事先根据需要观察的不同组织截取不同的窗宽、窗位，从而突出地显示医生需要关注的区域。医学上不同人体组织的ct值如图3所示；
肝脾ct检查应适当变窄以便更好发现病灶，可以截取窗宽100hu～200hu，窗位为30hu～45hu，例如，本发明实施例选取窗宽150hu，窗位40hu(对应ct值范围为-35～115)，选取窗宽窗位前的原始影像如图4a所示，选取窗宽窗位后的影像如图4b所示，对比图4a和图4b可知，选取窗宽窗位后影像中肝脏组织更易于观察；
在进行重采样归一化时，对于医学上不同组织ct值范围，归一到0～255，即，将ct值归一到人眼可分辨的数量。
步骤s102：采用深度学习算法对预处理后的ct影像数据进行特征粗提取，并对提取出的粗提特征进行多尺度处理，固定粗提特征的维度；
其中，每一张预处理后的影像都会对应一段维度为m(2048)的粗提特征，如果输入的一个患者的影像共有n层，则粗提特征维度是m*n；由于每个患者的影像层数n是不固定的(影像层厚不一)，因此一个患者的粗提特征拼接后也是不一定等长的，所以患者粗提特征的维度不固定，但是后续特征分类器输入的特征要求维度是固定的，因此，为了固定每一个患者的影像特征维度，本发明实施例对粗提特征进行了多尺度、多方案的处理。
具体的，所述步骤s102包括：
采用2d卷积神经网络对预处理后的ct影像数据进行特征粗提取；本发明实施例具体采用resnet50网络对预处理后的影像进行特征粗提取；
分别对提取出的粗提特征进行多尺度平均特征、局部最大特征和lstm时序特征处理，固定粗提特征的维度。为了满足输入分类器的特征的维度要求，固定粗提特征的维度，对提取出的粗提特征分别采取不同的方式进行建模，包括多尺度平均特征、局部最大值特征、lstm时序特征的多种方案，不同的方案能够利用ct影像数据中不同的影像信息进行建模，从而提取更丰富的影像特征。
多尺度处理中，对提取出的粗提特征进行多尺度平均特征处理包括：
所述ct影像数据为3d影像序列数据，提取出的粗提特征的维度不固定，影像序列长度不同；对于不同患者、不同影像层厚，影像序列长度是不固定的，在不同长度的影像序列中包含的信息密度是不同的，无法使用一种固定的方式去无区别地对待不同的变长序列，否则会造成很大程度的信息缺失。
对不同的影像序列长度进行不同尺度的采样，得到不同尺度的特征；通过对不同的变长影像序列长度进行不同尺度的采样，以达到对不同影像序列长度的适应能力；
采用平均值或最大值方式聚合不同尺度的特征，提取影像序列中多维的局部特征和全局特征。尽可能地提取出影像变长序列中包含的特征信息，提升模型的性能。
为了应对影像序列尺度不规律的变化，解决影像序列长度不一的问题，本发明实施例对提取出的粗提特征进行多尺度平均特征处理，如图5所示：
其中，inputctvolumes(nslices)输入ct容积(n层)，convolutionallayers卷积层，featuremaps特征图，lastconvlayer最后卷积层，mean平均值，max最大值，multiscalefeature多尺度特征，classifier分类器；“2048-d”表示特征维度，“4x2048-d”表示将该影像特征分为4段，图中采取的多尺度为[4,3,2,1]；
通过多种不同的尺度来对影像序列变化的长度进行不同程度的处理，这种处理方式的好处是能够使模型对影像长度具有一定的适应能力，在不同的尺度下，影像包含的信息密度是相近的，对序列进行不同尺度的采样，能够同时提取影像序列中多维的局部特征和全局特征；然后，采用平均值(mean)方式或最大值(max)方式来聚合不同尺度的特征，使得网络能够尽可能的提取出影像变长序列中包含的特征信息，可以明显提升模型的性能；最后，得出聚合后的维度固定的特征，并将该特征作为分类器的输入。
多尺度处理中，对提取出的粗提特征进行局部最大特征处理包括：
对不同的影像序列长度进行不同尺度的采样，得到不同尺度的特征；
采用最大值方式聚合不同尺度的特征，提取所有不同尺度的中位数位置的局部最大特征。
经过对数据的理解及观察发现，病灶大概出现在整个序列的中间长度附近，无论是薄层数据还是厚层数据，其中间及其邻域内都是比较可能出现疑似病灶，因此，本发明实施例对提取出的粗提特征进行局部最大特征(localmaxfeature)处理，如图6所示：
首先，依然是对不同的影像序列长度进行不同尺度的采样，得到不同尺度的特征，以达到对不同影像序列长度的适应能力；然后，设计使用最大值方式(max)聚合不同尺度的特征，提取多尺度的中位数位置对应的固定维度的最有效特征，从而尝试利用其病灶区域密度区别于肝脏区域的特征；最后，得到多尺度中的中位数位置对应的一段最有效特征。
多尺度处理中，对提取出的粗提特征进行lstm时序特征处理包括：
对多期时序连续预设张数的影像序列进行cnn多尺度特征处理，得到影像序列的时序特征；其中，预设张数可以为4张，通过影像序列观察到肝脏在空间上的变化情况，这种空间时序变化信息有助于提高肝脏肿瘤良恶性识别的准确率；
训练lstm网络，将影像序列的时序特征作为lstm的时序输入。
由于ct检查是逐层扫描人体的，所以影像本身存在着一定的时序性，对于完整的薄层影像，可以通过影像序列观察到每个组织在空间上的变化情况，这种空间时序变化信息对很多应用和研究都是极具价值的，因此，本发明实施例对提取出的粗提特征进行lstm时序特征处理，如图7所示：
采用cnn lstm(卷积神经网络 长短期记忆神经网络)的方案，首先，与处理变长影像序列的方式类似，对多期时序连续预设张数的影像序列按照多种尺度的特征进行提取，进行cnn多尺度特征(cnnmultiscalefeature)处理，得到影像序列的时序特征，该时序特征在空间上维度固定，将4张影像序列进行堆叠，然后进行cnn多尺度特征处理；然后，训练出一个简易的lstm网络用于二分类，将影像序列的时序特征作为lstm的时序输入；最后，将lstm的输出(outputs)连接全连接层fclayers(fullyconnectedlayers)，利用softmax训练分类器，得出归一化概率值，得出二分类的结果，二分类的结果即有无、是否或01，在本发明实施例中肝脏肿瘤良恶性。实验证明，这种多尺度处理方式也对良恶性诊断有一定的提升。
例如，对于影像序列数据中按照时序连续排序的序号为1-10的十张图像，图7中step0对应的四张图像序号为1-4，step1对应的四张图像序号为2-5，…，stepn对应的四张图像序号为7-10；
step0对应的四张图像通过cnn多尺度特征提取和lstm，预测出下一处step1对应的四张图像出现的概率，然后继续将step0对应的四张图像通过cnn多尺度特征提取和lstm，依次类推，直到将stepn对应的四张图像通过cnn多尺度特征提取和lstm；
最后，lstm的输出通过全连接层和softmax分类器，输出归一化概率值，该归一化概率值即为在多尺度处理为lstm时序特征处理的情况下，判断出的肝脏肿瘤良恶性的概率。
步骤s103：在固定粗提特征的维度后，利用多尺度处理对应的分类器对固定维度后的粗提特征进行分类；
具体的，所述步骤s103包括：
所述分类器包括xgboost和全连接神经网络；判别患者肝脏肿瘤良恶性时，为了完成良恶性类别的判定，需要对三个多尺度处理得到的固定维度的特征进行分类的分类器，综合两个分类器能够提升模型的鲁棒性和泛化能力。
多尺度平均特征对应的分类器为第一xgboost，局部最大特征对应的分类器为第二xgboost，lstm时序特征对应的分类器为全连接神经网络；
利用第一xgboost对多尺度平均特征进行分类，利用第二xgboost对局部最大特征进行分类，利用全连接神经网络对lstm时序特征进行分类，分别得出分类结果。利用全连接神经网络对lstm时序特征进行分类时，即为将lstm的输出通过全连接层和softmax分类器，输出归一化概率值，该归一化概率值即为在多尺度处理为lstm时序特征处理的情况下，判断出的肝脏肿瘤良恶性的概率。
对于不同的多尺度处理方法，采用三个多尺度处理方法对应的不同的分类器，分别对固定维度后的粗提特征进行分类，三个分类结果为采用各自多尺度处理方法判断出的肝脏肿瘤良恶性的概率值。
步骤s104：根据所述分类器的分类结果，判断识别肝脏肿瘤良恶性的概率。
具体的，所述步骤s104包括：
将所述分类器的分类结果进行融合，投票得到最终结果；
根据所述最终结果判断识别肝脏肿瘤良恶性的概率。
对于三种多尺度多分类器各自判断出的结果，最终的患者肿瘤良恶性由三种多尺度特征结果共同投票得出，这样能减少分类器对数据的偏见性，提高在真实场景应用的能力。
根据上述内容可知，本发明具有以下有益效果：
本发明结合传统图像处理算法和深度学习，针对ct影像数据和肝脏肿瘤良恶性判别任务进行独特设计，可以更好地从输入的原始影像中提取有效的影像特征用于肝脏肿瘤良恶性判断；
本发明中的分类器采用两种方法，分别是xgboost和全联接神经网络，综合两个分类器能够提升模型的鲁棒性和泛化能力；
对于多尺度多分类器的结果，最终的患者肿瘤良恶性由三种多尺度特征结果共同投票得出，减少分类器对数据的偏见性，提高在真实场景应用的能力。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例还提供了一种用于实施上述适用于肝脏肿瘤的识别方法的适用于肝脏肿瘤的识别装置，如图8所示，该装置包括：
预处理单元81，用于获取腹部时序连续的增强扫描ct影像数据，并采用图像处理算法对所述ct影像数据进行预处理；
特征粗提取单元82，用于采用深度学习算法对预处理后的ct影像数据进行特征粗提取，并对提取出的粗提特征进行多尺度处理，固定粗提特征的维度；
分类单元83，用于在固定粗提特征的维度后，利用多尺度处理对应的分类器对固定维度后的粗提特征进行分类；
判断识别单元84，用于根据所述分类器的分类结果，判断识别肝脏肿瘤良恶性的概率。
本发明实施例还提供了一种电子设备，如图9所示，该电子设备包括一个或多个处理器91以及存储器92，图9中以一个处理器91为例。
该控制器还可以包括：输入装置93和输出装置94。
处理器91、存储器92、输入装置93和输出装置94可以通过总线或者其他方式连接，图9中以通过总线连接为例。
处理器91可以为中央处理器(centralprocessingunit，简称为cpu)，处理器91还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，简称为dsp)、专用集成电路(applicationspecificintegratedcircuit，简称为asic)、现场可编程门阵列(field-programmablegatearray，简称为fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合，通用处理器可以是微处理器或者任何常规的处理器。
存储器92作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的控制方法对应的程序指令/模块。处理器91通过运行存储在存储器92中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的适用于肝脏肿瘤的识别方法。
存储器92可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器92可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器92可选包括相对于处理器91远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置93可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置94可包括显示屏等显示设备。
一个或者多个模块存储在存储器92中，当被一个或者多个处理器91执行时，执行如图2所示的方法。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，简称为rom)、随机存储记忆体(randomaccessmemory，简称为ram)、快闪存储器(flashmemory，简称为fm)、硬盘(harddiskdrive，简称为hdd)或固态硬盘(solid-statedrive，简称为ssd)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
1.一种适用于肝脏肿瘤的识别方法，其特征在于，包括：
获取腹部时序连续的增强扫描ct影像数据，并采用图像处理算法对所述ct影像数据进行预处理；
采用深度学习算法对预处理后的ct影像数据进行特征粗提取，并对提取出的粗提特征进行多尺度处理，固定粗提特征的维度；
在固定粗提特征的维度后，利用多尺度处理对应的分类器对固定维度后的粗提特征进行分类；
根据所述分类器的分类结果，判断识别肝脏肿瘤良恶性的概率。
2.根据权利要求1所述的方法，其特征在于，所述获取腹部时序连续的增强扫描ct影像数据，并采用图像处理算法对所述ct影像数据进行预处理，包括：
获取多期腹部时序连续的多张增强扫描ct影像数据，其中，所述多期包括平扫期、动脉期、门脉期和平衡期；
将多期腹部时序连续的多张增强扫描ct影像数据进行堆叠，以利用ct影像数据的时序特征；
采用图像处理算法对所述ct影像数据依次进行窗位截取和重采样归一化。
3.根据权利要求1所述的方法，其特征在于，所述采用深度学习算法对预处理后的ct影像数据进行特征粗提取，并对提取出的粗提特征进行多尺度处理，固定粗提特征的维度，包括：
采用2d卷积神经网络对预处理后的ct影像数据进行特征粗提取；
分别对提取出的粗提特征进行多尺度平均特征、局部最大特征和lstm时序特征处理，固定粗提特征的维度。
4.根据权利要求3所述的方法，其特征在于，对提取出的粗提特征进行多尺度平均特征处理包括：
所述ct影像数据为3d影像序列数据，提取出的粗提特征的维度不固定，影像序列长度不同；
对不同的影像序列长度进行不同尺度的采样，得到不同尺度的特征；
采用平均值或最大值方式聚合不同尺度的特征，提取影像序列中多维的局部特征和全局特征。
5.根据权利要求3所述的方法，其特征在于，对提取出的粗提特征进行局部最大特征处理包括：
对不同的影像序列长度进行不同尺度的采样，得到不同尺度的特征；
采用最大值方式聚合不同尺度的特征，提取所有不同尺度的中位数位置的局部最大特征。
6.根据权利要求3所述的方法，其特征在于，对提取出的粗提特征进行lstm时序特征处理包括：
对多期时序连续预设张数的影像序列进行cnn多尺度特征处理，得到影像序列的时序特征；
训练lstm网络，将影像序列的时序特征作为lstm的时序输入。
7.根据权利要求1所述的方法，其特征在于，所述在固定粗提特征的维度后，利用多尺度处理对应的分类器对固定维度后的粗提特征进行分类，包括：
所述分类器包括xgboost和全连接神经网络；
多尺度平均特征对应的分类器为第一xgboost，局部最大特征对应的分类器为第二xgboost，lstm时序特征对应的分类器为全连接神经网络；
利用第一xgboost对多尺度平均特征进行分类，利用第二xgboost对局部最大特征进行分类，利用全连接神经网络对lstm时序特征进行分类，分别得出分类结果。
8.根据权利要求1所述的方法，其特征在于，所述根据所述分类器的分类结果，判断识别肝脏肿瘤良恶性的概率，包括：
将所述分类器的分类结果进行融合，投票得到最终结果；
根据所述最终结果判断识别肝脏肿瘤良恶性的概率。
9.一种适用于肝脏肿瘤的识别装置，其特征在于，包括：
预处理单元，用于获取腹部时序连续的增强扫描ct影像数据，并采用图像处理算法对所述ct影像数据进行预处理；
特征粗提取单元，用于采用深度学习算法对预处理后的ct影像数据进行特征粗提取，并对提取出的粗提特征进行多尺度处理，固定粗提特征的维度；
分类单元，用于在固定粗提特征的维度后，利用多尺度处理对应的分类器对固定维度后的粗提特征进行分类；
判断识别单元，用于根据所述分类器的分类结果，判断识别肝脏肿瘤良恶性的概率。
10.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-8任意一项所述的适用于肝脏肿瘤的识别方法。
技术总结