基于多序列MRI的克罗恩病纤维化分级方法及相关设备

摘要

本申请公开了一种基于多序列MRI的克罗恩病纤维化分级方法及相关设备，所述方法应用经过训练的分类网络模型，所述分类网络模型包括影像组学特征模块和分类模块，方法包括通过控制影像组学特征模块获取预设的同一目标对象的若干腹腔MRI图像中的各腹腔MRI图像中肠道纤维组织的第一影像组学特征，并将各第一影像组学特征融合得到融合影像组学特征，控制分类模块基于融合影像组学特征确定目标对象的克罗恩病纤维化类别。本申请通过经过训练的分类网络模型对携带有克罗恩病纤维病灶的全方位特征的腹腔MRI图像进行学习，可以大量挖掘克罗恩病纤维病灶特征信息，从而可以准确确定目标对象的克罗恩病纤维化类别，进而提高了鉴别克罗恩病纤维化类别的准确性。

权利要求

1.一种基于多序列MRI的克罗恩病纤维化分级方法，其特征在于，所述方法应用经过训练的分类网络模型，所述分类网络模型包括影像组学特征模块和分类模块，所述方法包括：控制所述影像组学特征模块获取预设的若干腹腔MRI图像中的各腹腔MRI图像中肠道纤维组织的第一影像组学特征，并将各第一影像组学特征融合得到融合影像组学特征，其中，若干腹腔MRI图像为同一目标对象的MRI图像；

控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别；

所述影像组学特征模块包括特征融合单元，所述将各第一影像组学特征融合得到融合影像组学特征具体包括：将各第一影像组学特征输入特征融合单元，控制所述特征融合单元采用随机有回放方式将各第一影像组学特征组合，并获取组合得到的影像组学特征中各特征的重要程度；以及，按照重要程度从高到低的顺序在组合影像组学特征选取预设数量的特征，并将选取到的预设数量的特征作为融合影像组学特征；

所述分类网络模型包括筛选模块，所述筛选模块位于影像组学特征模块和分类模块之间，所述控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别之前，所述方法还包括：将所述融合影像组学输入所述筛选模块，控制所述筛选模块采用递归式特征清除方式对所述融合影像组学特征进行筛选，并将筛选后的融合影像组学特征作为融合影像组学特征，其中，筛选后的融合影像组学特征的特征数量小于筛选前的融合影像组学特征的特征数量。

2.根据权利要求1所述基于多序列MRI的克罗恩病纤维化分级方法，其特征在于，所述影像组学特征模块包括影像组学特征提取单元，所述控制所述影像组学特征模块获取各腹腔MRI图像中肠道纤维组织的第一影像组学特征具体包括：将若干腹腔MRI图像输入影像组学特征提取单元，通过影像组学特征提取单元提取各腹腔MRI图像中的肠道纤维化组织区域图；以及，基于各肠道纤维化组织区域图，提取各腹腔MRI图像各自对应的第一影像组学特征。

3.根据权利要求1所述基于多序列MRI的克罗恩病纤维化分级方法，其特征在于，所述第一影像组学特征包括形状特征、一阶特征、灰度游走矩阵、灰度游程矩阵、灰度区域矩阵、领域灰度矩阵、灰度相关矩阵、小波特征以及拉普拉斯高斯滤波特征。

4.根据权利要求1所述基于多序列MRI的克罗恩病纤维化分级方法，其特征在于，若干腹腔MRI图像中的各腹腔MRI图像各自对应的扫描序列不同。

5.一种基于多序列MRI的克罗恩病纤维化分级系统，其特征在于，所述的系统包括：影像组学特征模块，用于获取若干腹腔MRI图像中的各腹腔MRI图像中肠道纤维组织的第一影像组学特征，并将各第一影像组学特征融合得到融合影像组学特征，其中，若干腹腔MRI图像为同一目标对象的MRI图像；

分类模块，用于控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别；

所述影像组学特征模块包括特征融合单元，所述影像组学特征模块用于：

将各第一影像组学特征输入特征融合单元，控制所述特征融合单元采用随机有回放方式将各第一影像组学特征组合，并获取组合得到的影像组学特征中各特征的重要程度；以及，按照重要程度从高到低的顺序在组合影像组学特征选取预设数量的特征，并将选取到的预设数量的特征作为融合影像组学特征；

所述系统包括筛选模块，所述筛选模块位于影像组学特征模块和分类模块之间，所述筛选模块用于：将所述融合影像组学输入所述筛选模块，控制所述筛选模块采用递归式特征清除方式对所述融合影像组学特征进行筛选，并将筛选后的融合影像组学特征作为融合影像组学特征，其中，筛选后的融合影像组学特征的特征数量小于筛选前的融合影像组学特征的特征数量。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1‑4任意一项所述的基于多序列MRI的克罗恩病纤维化分级方法中的步骤。

7.一种终端设备，其特征在于，包括：处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述通信总线实现处理器和存储器之间的连接通信；

所述处理器执行所述计算机可读程序时实现如权利要求1‑4任意一项所述的基于多序列MRI的克罗恩病纤维化分级方法中的步骤。

说明书

基于多序列MRI的克罗恩病纤维化分级方法及相关设备

技术领域

[0001] 本申请涉及生物医学工程技术领域，特别涉及一种基于多序列MRI的克罗恩病纤维化分级方法及相关设备。

背景技术

[0002] 克罗恩病(Crohn’s Disease，CD)是一种致残性的慢性炎症性肠病，其病因和发病机制尚未完全明确。CD表现为消化道任何部位的节段性透壁性病变，易引起肠管狭窄，其中约70％～80％的CD患者会出现梗阻症状、腹腔脓肿、肠穿孔、肠瘘等并发症。研究表明，近年来CD在亚洲的发病率呈上升趋势，中国近20年病例数也在迅速增加，CD已成为我国消化系统常见病。随着CD患者的不断增加，将给患者家庭及社会造成严重的经济压力及医疗负担，目前CD已成为一个亟待解决的重大社会健康问题。

[0003] CD并发肠腔狭窄，根据其病理类型主要可分为炎症型和纤维型。以炎症型狭窄为主的CD患者，纤维化程度低，可通过抗炎药物保守治疗；而以纤维型为主的CD患者，对抗炎药物反应差，需通过介入或者手术治疗病变肠段。临床医生若错误判断CD患者肠狭窄纤维化程度，盲目用药，将导致本需接受手术的CD患者出现合并感染，严重影响CD患者的治疗效果。因此，实现CD患者狭窄肠段纤维化程度的准确预测，对于临床治疗方案的选择、患者生存质量的提高具有重要意义。

[0004] 目前临床上主要结合CD患者的临床症状、实验室检查、内镜检查、影像学检查和病理组织检查，以综合评估肠壁纤维化程度。然而，CD患者的临床症状较为主观，实验室检查的血清学指标相关研究较少，内镜检查具有侵入性且存在相关并发症的风险，病理组织检查有创，且存在异质性，限制了其在CD患者长期随访中的应用。

[0005] 因而现有技术还有待改进和提高。

发明内容

[0006] 本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于多序列MRI的克罗恩病纤维化分级方法及相关设备。

[0007] 为了解决上述技术问题，本申请实施例第一方面提供了一种基于多序列MRI的克罗恩病纤维化分级方法，所述方法应用经过训练的分类网络模型，所述分类网络模型包括影像组学特征模块和分类模块，所述方法包括：

[0008] 控制所述影像组学特征模块获取预设的若干腹腔MRI图像中的各腹腔MRI图像中肠道纤维组织的第一影像组学特征，并将各第一影像组学特征融合得到融合影像组学特征，其中，若干腹腔MRI图像为同一目标对象的MRI图像；

[0009] 控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别。

[0010] 在一种实现方式中，所述影像组学特征模块包括影像组学特征提取单元，所述控制所述影像组学特征模块获取各腹腔MRI图像中肠道纤维组织的第一影像组学特征具体包括：

[0011] 将若干腹腔MRI图像输入影像组学特征提取单元，通过影像组学特征提取单元提取各腹腔MRI图像中的肠道纤维化组织区域图；以及，

[0012] 基于各肠道纤维化组织区域图，提取各腹腔MRI图像各自对应的第一影像组学特征。

[0013] 在一种实现方式中，所述影像组学特征模块还包括特征融合单元，所述将各第一影像组学特征融合得到融合影像组学特征具体包括：

[0014] 将各第一影像组学特征输入特征融合单元，控制所述特征融合单元采用随机有回放方式将各第一影像组学特征组合，并获取组合得到的影像组学特征中各特征的重要程度；以及，

[0015] 按照重要程度从高到低的顺序在组合影像组学特征选取预设数量的特征，并将选取到的预设数量的特征作为融合影像组学特征。

[0016] 在一种实现方式中，所述第一影像组学特征包括形状特征、一阶特征、灰度游走矩阵、灰度游程矩阵、灰度区域矩阵、领域灰度矩阵、灰度相关矩阵、小波特征以及拉普拉斯高斯滤波特征。

[0017] 在一种实现方式中，所述分类网络模型还包括筛选模块，所述筛选模块位于影像组学特征模块和分类模块之间，所述控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别之前，所述方法还包括：

[0018] 将所述融合影像组学输入所述筛选模块，控制所述筛选模块采用递归式特征清除方式对所述融合影像组学特征进行筛选，并将筛选后的融合影像组学特征作为融合影像组学特征，其中，筛选后的融合影像组学特征的特征数量小于筛选前的融合影像组学特征的特征数量。

[0019] 在一种实现方式中，若干腹腔MRI图像中的各腹腔MRI图像各自对应的扫描序列不同。

[0020] 本申请实施例第二方面提供了一种基于多序列MRI的克罗恩病纤维化分级系统，所述的罗恩病纤维化分级系统包括：

[0021] 影像组学特征模块，用于获取若干腹腔MRI图像中的各腹腔MRI图像中肠道纤维组织的第一影像组学特征，并将各第一影像组学特征融合得到融合影像组学特征，其中，若干腹腔MRI图像为同一目标对象的MRI图像；

[0022] 分类模块，用于控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别。

[0023] 在一种实现方式中，所述系统还包括筛选模块，所述筛选模块位于影像组学特征模块和分类模块之间；所述筛选模块用于采用递归式特征清除方式对所述融合影像组学特征进行筛选，并将筛选后的融合影像组学特征作为融合影像组学特征，其中，筛选后的融合影像组学特征的特征数量小于筛选前的融合影像组学特征的特征数量。

[0024] 本申请实施例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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于多序列MRI的克罗恩病纤维化分级方法中的步骤。

[0025] 本申请实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；

[0026] 所述通信总线实现处理器和存储器之间的连接通信；

[0027] 所述处理器执行所述计算机可读程序时实现如上任一所述的基于多序列MRI的克罗恩病纤维化分级方法中的步骤。

[0028] 有益效果：与现有技术相比，本申请提供了一种基于多序列MRI的克罗恩病纤维化分级方法，所述方法应用经过训练的分类网络模型，所述分类网络模型包括影像组学特征模块和分类模块，所述方法包括通过控制所述影像组学特征模块获取预设的同一目标对象的若干腹腔MRI图像中的各腹腔MRI图像中肠道纤维组织的第一影像组学特征，并将各第一影像组学特征融合得到融合影像组学特征，控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别。本申请通过经过训练的分类网络模型对携带有克罗恩病纤维病灶的全方位特征的腹腔MRI图像进行学习，可以大量挖掘克罗恩病纤维病灶特征信息，从而可以准确确定目标对象的克罗恩病纤维化类别，进而提高了鉴别克罗恩病纤维化类别的准确性。

附图说明

[0029] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员而言，在不符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。

[0030] 图1为本申请提供的基于多序列MRI的克罗恩病纤维化分级方法的流程图。

[0031] 图2为本申请提供的基于多序列MRI的克罗恩病纤维化分级方法中的腹腔MRI图像，并在腹腔MRI图像内截取得到肠道纤维化组织区域。

[0032] 图3为分类网络模型的训练过程的流程示意图。

[0033] 图4为本申请提供的基于多序列MRI的克罗恩病纤维化分级系统的结构原理图。

[0034] 图5为本申请提供的终端设备的结构原理图。

具体实施方式

[0035] 本申请提供一种基于多序列MRI的克罗恩病纤维化分级方法及相关设备，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

[0036] 本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

[0037] 本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

[0038] 应理解，本实施例中各步骤的序号和大小并不意味着执行顺序的先后，各过程的执行顺序以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

[0039] 发明人经过研究发现，克罗恩病(Crohn’s Disease，CD)是一种致残性的慢性炎症性肠病，其病因和发病机制尚未完全明确。CD表现为消化道任何部位的节段性透壁性病变，易引起肠管狭窄，其中约70％～80％的CD患者会出现梗阻症状、腹腔脓肿、肠穿孔、肠瘘等并发症。研究表明，近年来CD在亚洲的发病率呈上升趋势，中国近20年病例数也在迅速增加，CD已成为我国消化系统常见病。随着CD患者的不断增加，将给CD患者家庭及社会造成严重的经济压力及医疗负担，目前CD已成为一个亟待解决的重大社会健康问题。

[0040] CD并发肠腔狭窄，根据其病理类型主要可分为炎症型和纤维型。以炎症型狭窄为主的CD患者，纤维化程度低，可通过抗炎药物保守治疗；而以纤维型为主的CD患者，对抗炎药物反应差，需通过介入或者手术治疗病变肠段。临床医生若错误判断患者肠狭窄纤维化程度，盲目用药，将导致本需接受手术的CD患者出现合并感染，延误手术最佳期，严重影响患者治疗效果。因此，实现CD患者狭窄肠段纤维化程度的准确预测，对于临床治疗方案的选择、患者生存质量的提高具有重要意义。

[0041] 目前临床上主要结合CD患者的临床症状、实验室检查、内镜检查、影像学检查和病理组织检查，以综合评估肠壁纤维化程度，进而选择治疗方案。然而，CD患者的临床症状较为主观，实验室检查的血清学指标相关研究较少，内镜检查具有侵入性且存在相关并发症的风险，病理组织检查有创，且存在异质性，限制了其在CD患者长期随访中的应用。随着成像技术的快速发展，影像学检查在CD的临床诊断中发挥着越来越重要的作用。计算机断层扫描成像(Computed Tomography，CT)或磁共振成像(Magnetic Resonance Imaging，MRI)是迄今诊断CD的标准影像学检查，可反映肠壁的病变分布及范围、狭窄的存在及其可能的性质(炎症型或纤维型狭窄)。其中，MRI具有扫描快速、软组织分辨率高等优点，可清楚显示肠腔细节情况，在临床实践中得到广泛应用。医生可根据患者医学影像上肠壁增厚程度、肠管狭窄程度等征象诊断CD，但由于CD病情复杂、影像表现多样，且不同医生对CD影像特征的认知水平参差不齐，难以保证诊断结果的一致性和可重复性，影响治疗效果。同时，人工阅片耗时耗力，效率极低，无法满足真实场景下的临床需求。

[0042] 近年来，人工智能(Artificial Intelligence，AI)成为计算机辅助诊断的研究热点，影像组学和机器学习算法更是被广泛研究和使用。影像组学将传统的医学影像转化为可挖掘的高通量影像特征，揭示出肉眼无法识别的图像特征，传统机器学习通过人工提取的数据特征，再通过统计学分析建立具有诊断、预后或预测价值的模型，为个性化诊疗提供有价值的信息。目前，AI被用于多种疾病的良恶性判定、生存期预测、生物分子标志物状态及淋巴结转移风险等，为临床的诊断、治疗决策、预后管理等提供了具有参考价值的预测模型，具有重要的临床价值和应用前景。目前已有基于CT图像的CD纤维化分级研究，但尚未有研究应用MRI多序列和人工智能技术的分级研究。

[0043] 为了解决上述问题，在本申请实施例中，应用经过训练的分类网络模型，所述分类网络模型包括影像组学特征模块和分类模块，所述方法包括通过控制所述影像组学特征模块获取同一目标对象的若干腹腔MRI图像中的各腹腔MRI图像中肠道纤维组织的第一影像组学特征，并将各第一影像组学特征融合得到融合影像组学特征，控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别。本申请通过经过训练的分类网络模型对携带有克罗恩病纤维病灶的全方位特征的腹腔MRI图像进行学习，可以大量挖掘克罗恩病纤维病灶特征信息，从而可以准确确定目标对象的克罗恩病纤维化类别，进而提高了鉴别克罗恩病纤维化类别的准确性。

[0044] 下面结合附图，通过对实施例的描述，对申请内容作进一步说明。

[0045] 本实施例提供了一种基于多序列MRI的克罗恩病纤维化分级方法，所述方法应用经过训练的分类网络模型，所述分类网络模型包括影像组学特征模块和分类模块，如图1‑2所示，所述方法包括：

[0046] S10、控制所述影像组学特征模块获取预设的若干腹腔MRI图像中的各腹腔MRI图像中肠道纤维组织的第一影像组学特征，并将各第一影像组学特征融合得到融合影像组学特征。

[0047] 具体地，所述预设的若干腹腔MRI图像是预先通过MRI图像采集设备为同一目标对象采集得到的，每个腹腔MRI图像均携带有肠道纤维组织区域，并且预设的若干腹腔MRI图像中的各腹腔MRI图像各自对应的扫描序列不同，也就是说，预设的若干腹腔MRI图像为同一目标通过配置不同的扫描序列的MRI图像采集设备采集得到的，可以理解的是，MRI图像采集设备分别采用不同的扫描序列对目标对象进行腹腔扫描，以得到各扫描序列下的腹腔MRI图像，并将得到的各扫描序列下的腹腔MRI图像作为预设的若干腹腔MRI图像。在本实施的一个实现方式中，所述预设的若干腹腔MRI图像可以包括T1加权腹腔MRI图像和T2加权腹腔MRI图像。

[0048] 在本实施例的一个实现方式中，所述影像组学特征模块包括影像组学特征提取单元，所述控制所述影像组学特征模块获取各腹腔MRI图像中肠道纤维组织的第一影像组学特征具体包括：

[0049] 将若干腹腔MRI图像输入影像组学特征提取单元，通过影像组学特征提取单元提取各腹腔MRI图像中的肠道纤维化组织区域图；以及，

[0050] 基于各肠道纤维化组织区域图，提取各腹腔MRI图像各自对应的第一影像组学特征。

[0051] 具体地，若干腹腔MRI图像可以通过同一MRI图像采集设备采集得到，也可以通过不同的MRI图像采集设备采集得到。每一个通过MRI图像采集设备采集得到腹腔MRI图像均是对同一个目标对象的整个腹腔进行扫描所得到，从而每个腹腔MRI图像均携带有整个腹部的图像信息，而病灶区域在腹腔MRI图像中仅占一小部分区域并位于腹腔肠道纤维化组织内，从而为了减少腹腔MRI图像的冗余信息，在获取到腹腔MRI图像后，需要对腹腔MRI图像进行预处理，以提取腹腔MRI图像中的腹腔肠道纤维化组织，以去除腹腔MRI图像中的冗余信息。

[0052] 基于此，在获取到若干腹腔MRI图像后，分别对每个腹腔MRI图像进行图像识别，以识别到腹腔MRI图像中的肠道纤维化组织区域，然后基于识别到的肠道纤维组织区域从腹腔MRI图像中截取肠道纤维化组织区域图，其中，肠道纤维化组织区域图携带有携带的肠道纤维化组织区域。例如，在识别到肠道纤维化组织区域后，可以在腹腔MRI图像中截取携带有腹腔MRI图像中截取的最小图像区域，并将截取到的最小图像区域作为肠道纤维化组织区域图，这样可以使得取肠道纤维化组织区域图携带尽量少的无用信息。其中，所述肠道纤维化组织区域可以上以肝顶为界，下以盆底为界，组织密度为‑150HU到‑50HU。此外，在实际应用中，可以通过经过训练的影像组学特征提取单元来识别腹腔MRI图像中的肠道纤维化组织区域，其中，影像组学特征提取单元的输入项为腹腔MRI图像，输出项为腹腔MRI图像中的肠道纤维化组织区域。

[0053] 所述第一组学特征包括形状特征、一阶特征、灰度游走矩阵、灰度游程矩阵、灰度区域矩阵、领域灰度矩阵、灰度相关矩阵、小波特征以及拉普拉斯高斯滤波特征，影像组学特征提取单元，在通过影像组学特征提取单元提取各腹腔MRI图像中的肠道纤维化组织区域图后，影像组学特征提取单元在肠道纤维化组织区域图上获取第一影像组学特征，例如，影像组学特征提取单元可以提取肠道纤维化组织的1130个影像组学特征，其中包括14个形状特征、18个一阶特征、24个灰度游走矩阵、16个灰度游程矩阵、16个灰度区域矩阵、5个领域灰度矩阵、14个灰度相关矩阵、744个小波特征以及279个拉普拉斯高斯滤波特征，另外，由于若干腹腔MRI图像是通过MRI图像采集设备分别采用不同的扫描序列对目标对象进行扫描得到的，例如，若干腹腔MRI图像包括T1加权腹腔MRI图像和T2加权腹腔MRI图像，则需要对T1加权腹腔MRI图像和T2加权腹腔MRI图像都进行肠道纤维化组织区域的特征提取，T1加权腹腔MRI图像和T2加权腹腔MRI图像均可以被影像组学特征提取单元提取肠道纤维化组织的1130个影像组学特征，所以T1加权腹腔MRI图像和T2加权腹腔MRI图像共被提取2260个影像组学特征。

[0054] 在本实施例的一个实现方式中，所述影像组学特征模块还包括特征融合单元，所述将各第一影像组学特征融合得到融合影像组学特征具体包括：

[0055] 将各第一影像组学特征输入特征融合单元，控制所述特征融合单元采用随机有回放方式将各第一影像组学特征组合，并获取组合得到的影像组学特征中各特征的重要程度；以及，

[0056] 按照重要程度从高到低的顺序在组合影像组学特征选取预设数量的特征，并将选取到的预设数量的特征作为融合影像组学特征。

[0057] 具体地，所述特征融合单元是选择数据构造分类器，所述特征融合单元采用随机有回放方式对各特征按照重要程度从高到低依次组合，并通过统计学选取预设数量的特征作为融合影像组学特征。例如，若干腹腔MRT图像包括TI加权腹腔MRI图像和T2加权腹腔MRI图像，相应的，若干第一影像组学特征包括T1加权腹腔MRI图像的影像组学特征以及T2加权腹腔MRI图像的影像组学特征，其中，T1加权腹腔MRI图像的影像组学特征表示为{1,5,0,0,0,0,0,0}；T2加权腹腔MRI图像的影像组学特征表示为{2,6,0,0,0,0,0,0},将两组序列特征输入至特征融合单元，从而得到按重要程度组合的组合序列特征{1,5,2,6,0,0,0,0,0,
0,0,0,0,0,0,0,}，选取预设数量的特征，最终可以得到的融合特征为{1,5,2,6,}，这样，通过特征融合单元运用统计学计算，可以将特征中对分类没有帮助的不重要的冗余信息取出，从而将重要的有用的特征组合形成融合影像组学特征并保留下来。

[0058] S20、控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别。

[0059] 具体地，所述分类模块为使用SVM分类器来建立的预测模型，该SVM分类器是一种二分类模型，其基本模型是定义在特征空间上的间隔最大的线性分类器；SVM通过核函数可以成为非线性分类器，SVM的学习算法就是求解凸二次规划的最优化算法，具有极好的准确性，能够有效地运行在大数据集上，学习过程快，用于确定克罗恩病纤维化类别，而克罗恩病纤维化类别包括轻症或者重症，可以理解的是，该分类模块通过预先定义的克罗恩病纤维化类别，分类模块的输入项为若干腹腔MRI图像，分类模块的输出值为两个概率值，通过输出项的概率值以确定克罗恩病纤维化类别，例如，克罗恩病纤维化类别分为轻症{1,0}以及重症{0,1}，若将若干腹腔MRI图像输入至分类模块后，输出的概率值为{0,90}，那么就判定基于若干腹腔MRI图像识别的克罗恩病纤维化类别为轻症。这样，本实施例通过采用若干3D腹腔MRI图像作为输入项以提高图像特征，并通过SVM分类器对3D腹腔MRI图像进行学习，以学习到3D腹腔MRI图像所携带的病灶信息，从而可以准确的确定3D腹腔MRI图像中的克罗恩病纤维化类别。

[0060] 在本实施例的一个实现方式中，所述分类网络模型还包括筛选模块，所述筛选模块位于影像组学特征模块和分类模块之间，所述控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别之前，所述方法还包括：

[0061] 将所述融合影像组学特征输入所述筛选模块，控制所述筛选模块采用递归式特征清除方式对所述融合影像组学特征进行筛选，并将筛选后的融合影像组学特征作为融合影像组学特征。

[0062] 具体地，筛选模块采用递归式特征清除方式对所述融合影像组学特征进行筛选，即:通过反复构建筛选模块，根据系数选出最好的(或者最差的)特征，将选出的特征保存，然后在剩余的特征上重复这个过程，直到遍历了所有的特征。这样，优选的特征会通过选择顺序依次排序，筛选模块可以选择排序靠前的预设数量的特征作为筛选后的融合影像组学特征；筛选模块还可以选择符合预设值的特征以作为筛选后的融合影像组学特征。其中，筛选后的融合影像组学特征的特征数量小于筛选前的融合影像组学特征的特征数量。

[0063] 在本实施例的一个实现方式中，在所述分类网络模型的训练过程中，所述分类网络模型对应的训练样本集包括若干携带有克罗恩病纤维化轻症类别的训练图像组以及若干携带有克罗恩病纤维化重症类别的训练图像组，其中，每个训练图像组均包括若干对应于不同扫描序列的腹腔MRI图像，并且每个克罗恩病纤维化轻症类别的训练图像组以及克罗恩病纤维化重症类别的训练图像组均对应有病灶组织的掩膜图。

[0064] 如图3所示，分类网络模型的训练过程可以为：首先，基于各腹腔MRI图像均对应有病灶组织的掩膜图提取各腹腔MRI图像中的肠道纤维化组织区域，以得到各腹腔MRI图像对应的肠道纤维化组织区域图，并将各肠道纤维化组织区域作为训练图像。其次，对训练图像中的腹腔MRI图像进行影像组学特征的提取、融合以及筛选，减少冗余数据的计算量，并得到融合影像组学特征。其中，所述影像组学特征的提取、融合以及筛选均与上述过程相同，这里就不再赘述。最后，将进行数据处理后3D病灶图像输入SVM分类器，通过SVM分类器输入克罗恩病纤维化类别，并基于克罗恩病纤维化类别对SVM分类器进行训练，以得到分类网络模型。

[0065] 在本实施例的一个实现方式，所述分类网络模型可以在Python3.6中进行建模，并采用GPU训练网络模型，其中，GPU型号为GeForce RTX 3090。此外，在分类网络模型的训练过程中，可以采用随机梯度下降优化算法(Stochastic Gradient Descent，SGD)，损失函数采用二值交叉熵(BinaryCrossEntropyLoss，BCELoss)，学习率设置为0.0001，批处理训练设置为8。此外，可以采用10折交叉验证策略来完成预测模型的训练与测试。10折交叉验证策略即将建模样本等分为10份，一份用于测试，其余样本作为训练样本对网络模型进行训练，如此循环直至每份样本都曾作为测试样本被测试一次，并获得相应的分类概率。

[0066] 为了说明本实施例提供的分类方法准确性，本实施例收集了16例克罗恩病纤维化轻症类别的训练图像组和83例克罗恩病纤维化轻症类别的训练图像组，其中，采用89例进行分类网络模型进行训练，10例对训练后的分类网络模型进行验证。训练得到的分类网络模型在建模集中，ROC曲线下面积(Area Under Curve)可达0.852，敏感性达0.880，特异性达0.761；在独立验证集中，AUC为0.830，敏感性0.900，特异性达0.650。由此，采用本实施例提供的分类方法具有高特异性和高敏感性，并且分类准确性高。

[0067] 综上所述，本实施例提供了一种基于多序列MRI的克罗恩病纤维化分级方法，所述方法应用经过训练的分类网络模型，所述分类网络模型包括影像组学特征模块和分类模块，所述方法包括通过控制所述影像组学特征模块获取预设的同一目标对象的若干腹腔MRI图像中的各腹腔MRI图像中肠道纤维组织的第一影像组学特征，并将各第一影像组学特征融合得到融合影像组学特征，控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别。本申请通过经过训练的分类网络模型对携带有克罗恩病纤维病灶的全方位特征的腹腔MRI图像进行学习，可以大量挖掘克罗恩病纤维病灶特征信息，从而可以准确确定目标对象的克罗恩病纤维化类别，进而提高了鉴别克罗恩病纤维化类别的准确性。

[0068] 基于上述基于多序列MRI的克罗恩病纤维化分级方法，本实施例提供了一种基于多序列MRI的克罗恩病纤维化分级系统，如图4所示，所述的克罗恩病纤维化分级系统包括：

[0069] 影像组学特征模块10，用于获取若干腹腔MRI图像中的各腹腔MRI图像中肠道纤维组织的第一影像组学特征，并将各第一影像组学特征融合得到融合影像组学特征，其中，若干腹腔MRI图像为同一目标对象的MRI图像；

[0070] 分类模块20，用于控制所述分类模块基于融合影像组学特征确定所述目标对象的克罗恩病纤维化类别。

[0071] 基于上述基于多序列MRI的克罗恩病纤维化分级方法，本实施例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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的基于多序列MRI的克罗恩病纤维化分级方法中的步骤。

[0072] 基于上述基于多序列MRI的克罗恩病纤维化分级方法，本申请还提供了一种终端设备，如图5所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器
22中的逻辑指令，以执行上述实施例中的方法。

[0073] 此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

[0074] 存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。

[0075] 存储器22可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、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read‑Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

[0076] 此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。

[0077] 最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。