基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置

摘要

本发明公开了一种基于人工智能的垂体腺瘤磁共振图像定位诊断方法，包括：获取待测人员的至少一张脑垂体磁共振图像；对所述待测人员的每一所述脑垂体磁共振图像进行预处理，并层叠得到对应的待测磁共振图像；将所述待测磁共振图像输入预先训练得到的垂体腺瘤识别模型，以使所述垂体腺瘤识别模型对所述待测磁共振图像进行计算；输出所述待测磁共振图像是否含有垂体腺瘤的分类结果。本发明还公开了相应的处理装置，实施本发明实施例，通过预先建立并训练好的垂体腺瘤识别模型，对待测磁共振图像进行计算分析，输出是否含有垂体瘤的分类结果，有效提高了对脑垂体磁共振图像的处理效率和精度。

说明书

技术领域

本发明涉及数字图像处理技术领域，尤其涉及一种基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置。

背景技术

垂体作为主腺体监督着内分泌系统的其他腺体并控制着激素水平，垂体腺瘤是常见的神经内分泌肿瘤。根据既往尸检和影像学的研究，垂体腺瘤的患病率约10.7-22.5％，其中垂体微腺瘤占99％，据估计，垂体微腺瘤发生影响全球超过7亿名患者。磁共振成像(MRI)是目前被认为为垂体成像的主要方法，通过临床医师或放射科医生对脑垂体磁共振成像的分析和判读，以诊断病人是否患有垂体腺瘤。

然而，在实施本发明过程中，发明人发现现有技术至少存在如下问题：由于垂体非常小，不同个体之间的解剖结构差异大，而垂体腺瘤的诊断主要依靠临床医师或放射科医生的主观判断，这是一个耗时且容易出错的过程，诊断精度受到临床医生的专业能力和经验。据报道，目前主要诊断灵敏度仅为39-47％。因此，目前核磁共振的诊断面临挑战和困难，使得垂体微腺瘤的诊断耗时并且存在主观性。

发明内容

本发明实施例的目的是提供一种基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置，通过预先建立并训练好的垂体腺瘤识别模型，对待测磁共振图像进行计算分析，输出是否含有垂体瘤的分类结果，有效提高了对脑垂体磁共振图像的处理效率和精度。

为实现上述目的，本发明实施例提供了一种基于人工智能的垂体腺瘤磁共振图像定位诊断方法，包括：

获取待测人员的至少一张脑垂体磁共振图像；

对所述待测人员的每一所述脑垂体磁共振图像进行预处理，并层叠得到对应的待测磁共振图像；

将所述待测磁共振图像输入预先训练得到的垂体腺瘤识别模型，以使所述垂体腺瘤识别模型对所述待测磁共振图像进行计算；

输出所述待测磁共振图像是否含有垂体腺瘤的分类结果。

作为上述方案的改进，所述垂体腺瘤识别模型的训练方法具体为：

获取若干位正常脑垂体人员和垂体腺瘤患者的脑垂体磁共振图像；其中，同一正常脑垂体人员或垂体腺瘤患者的脑垂体磁共振图像至少为一；

针对每一正常脑垂体人员或垂体腺瘤患者，将其对应的每一所述脑垂体磁共振图像进行预处理，并层叠得到对应的第一模型训练图像；其中，所述第一模型训练图像对应有预先标注的是否含有垂体腺瘤的真实结果；

对第一卷积神经网络的参数进行初始化，并利用所述第一卷积神经网络对所述第一模型训练图像进行计算，以输出所述第一模型训练图像是否含有垂体腺瘤的预测结果；

根据所述预测结果和所述真实结果计算第一损失函数；其中，所述第一损失函数用于衡量所述预测结果和真实结果之间的差异；

采用梯度下降优化算法更新所述第一卷积神经网络的参数，以降低所述第一损失函数，直到所述第一损失函数趋于最小化时，得到训练完成的垂体腺瘤识别模型。

作为上述方案的改进，所述根据所述预测结果和所述真实结果计算第一损失函数，具体包括：

根据所述预测结果和所述真实结果，通过以下计算公式，计算所述第一损失函数：

其中，p∈{0，1}，表示所述真实结果；

作为上述方案的改进，所述针对每一正常脑垂体人员或垂体腺瘤患者，将其对应的每一所述脑垂体磁共振图像进行预处理，并层叠得到对应的第一模型训练图像，具体包括：

针对每一正常脑垂体人员或垂体腺瘤患者，提取其对应的每一所述脑垂体磁共振图像中的脑垂体区域，得到对应的每一脑垂体区域图像块；

采用双线性插值法，将每一所述脑垂体区域图像块缩放至具有相同的分辨率，并层叠起来，进行像素值归一化处理，得到所述第一模型训练图像。

作为上述方案的改进，所述针对每一正常脑垂体人员或垂体腺瘤患者，提取其对应的每一所述脑垂体磁共振图像中的脑垂体区域，得到对应的每一脑垂体区域图像块，具体包括：

针对每一正常脑垂体人员或垂体腺瘤患者，将其对应的每一所述脑垂体磁共振图像输入预先训练得到的垂体区域定位模型进行计算，以输出每一所述脑垂体磁共振图像中的脑垂体区域；

提取每一所述脑垂体磁共振图像中的脑垂体区域，得到对应的每一所述脑垂体区域图像块。

作为上述方案的改进，所述对所述待测人员的每一所述脑垂体磁共振图像进行预处理，并层叠得到对应的待测磁共振图像，具体包括：

提取所述待测人员的每一所述脑垂体磁共振图像中的脑垂体区域，得到对应的每一脑垂体区域图像块；

采用双线性插值法，将所述待测人员的每一所述脑垂体区域图像块缩放至具有相同的分辨率，并层叠起来，进行像素值归一化处理，得到所述待测人员的待测磁共振图像。

作为上述方案的改进，所述提取所述待测人员的每一所述脑垂体磁共振图像中的脑垂体区域，得到对应的每一脑垂体区域图像块，具体包括：

将所述待测人员的每一所述脑垂体磁共振图像输入预先训练得到的垂体区域定位模型进行计算，以输出所述待测人员的每一所述脑垂体磁共振图像中的脑垂体区域；

提取所述待测人员的每一所述脑垂体磁共振图像中的脑垂体区域，得到所述待测人员对应的每一所述脑垂体区域图像块。

作为上述方案的改进，所述垂体区域定位模型的训练方法具体为：

获取若干张脑垂体磁共振图像，作为第二模型训练图像；其中，每一所述第二模型训练图像对应有预先标注的真实垂体区域；

对第二卷积神经网络的参数进行初始化，并利用所述第二卷积神经网络对所述第二模型训练图像进行计算，以输出所述第二模型训练图像对应的预测垂体区域；

根据所述预测垂体区域和所述真实垂体区域计算第二损失函数；

采用梯度下降优化算法更新所述第二卷积神经网络的参数，以降低所述第二损失函数，直到所述第二损失函数趋于最小化时，得到训练完成的垂体区域定位模型。

作为上述方案的改进，所述利用所述第二卷积神经网络对所述第二模型训练图像进行计算，以输出所述第二模型训练图像对应的预测垂体区域，具体包括：

对所述第二模型训练图像进行特征图提取，得到若干个金字塔特征图；

对每一所述金字塔特征图进行候选框提取，得到候选框集合；

排除所述候选框集合中过度重合的候选框，以得到目标候选框，作为预测垂体区域。

本发明实施例还提供了一种基于人工智能的垂体腺瘤磁共振图像定位诊断装置，包括：

图像获取模块，用于获取待测人员的至少一张脑垂体磁共振图像；

预处理模块，用于对所述待测人员的每一所述脑垂体磁共振图像进行预处理，并层叠得到对应的待测磁共振图像；

图像输入模块，用于将所述待测磁共振图像输入预先训练得到的垂体腺瘤识别模型，以使所述垂体腺瘤识别模型对所述待测磁共振图像进行计算；

结果输出模块，用于输出所述待测磁共振图像是否含有垂体腺瘤的分类结果。

与现有技术相比，本发明公开的一种基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置，通过获取待测人员的若干张脑垂体磁共振图像，并将每一所述脑垂体磁共振图像进行预处理，层叠得到对应的待测磁共振图像。接着，将所述待测磁共振图像输入预先训练得到的垂体腺瘤识别模型，以使所述垂体腺瘤识别模型对所述待测磁共振图像进行计算。最后，输出所述待测磁共振图像是否含有垂体腺瘤的分类结果。使用预先构建并训练好的脑垂体腺瘤识别模型，对待测人员的脑垂体磁共振图像进行计算和分析，以识别出待测人员的脑垂体磁共振图像中是否含有垂体腺瘤这一有效信息，解决了现有技术中通过医生专家人工判读和标注导致的效率低下、准确度不高的问题，有效地提高了识别脑垂体磁共振图像中是否含有垂体腺瘤的效率和精度。

附图说明

图1是本发明实施例一提供的一种基于人工智能的垂体腺瘤磁共振图像定位诊断方法的步骤流程示意图；

图2是本发明实施例二提供的垂体腺瘤识别模型的训练方法的步骤示意图；

图3是本发明实施例三提供的垂体区域定位模型的训练方法的步骤示意图；

图4是本发明实施例四提供的一种基于人工智能的垂体腺瘤磁共振图像定位诊断装置的结构示意图。

具体实施方式

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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，是本发明实施例一提供的一种基于人工智能的垂体腺瘤磁共振图像定位诊断方法的步骤流程示意图。本发明实施例提供的一种基于人工智能的垂体腺瘤磁共振图像定位诊断方法，包括步骤S11至S14：

S11、获取待测人员的至少一张脑垂体磁共振图像。

S12、对所述待测人员的每一所述脑垂体磁共振图像进行预处理，并层叠得到对应的待测磁共振图像。

S13、将所述待测磁共振图像输入预先训练得到的垂体腺瘤识别模型，以使所述垂体腺瘤识别模型对所述待测磁共振图像进行计算。

S14、输出所述待测磁共振图像是否含有垂体腺瘤的分类结果。

在本发明实施例中，待测人员通过MRI核磁共振检查，得到颅内MRI扫描数据。为了保证有效地识别所述待测人员的脑垂体磁共振图像是否含有垂体腺瘤，根据所述待测人员的颅内MRI扫描数据选取出至少一张能够清楚观察到垂体的MRI脑垂体图像，即获取得到所述待测人员的脑垂体磁共振图像。

具体地，所述待测人员的脑垂体磁共振图像为冠状面的脑垂体磁共振图像，是一层1mm厚度的扫描图像，且所述脑垂体磁共振图像的数量优选为五张。采用本发明实施例的技术手段，能够保证所述待测人员的脑垂体磁共振图像的有效性和全面性，从而进一步提高对垂体腺瘤的识别精度。

进一步地，将所述待测人员的五张脑垂体磁共振图像进行预处理，得到对应的待测磁共振图像，用于输入所述垂体腺瘤识别模型进行计算。

具体地，步骤S12包括：

S121、提取所述待测人员的每一所述脑垂体磁共振图像中的脑垂体区域，得到对应的每一脑垂体区域图像块。

S122、采用双线性插值法，将所述待测人员的每一所述脑垂体区域图像块缩放至具有相同的分辨率，并层叠起来，进行像素值归一化处理，得到所述待测人员的待测磁共振图像。

在本发明实施例中，对所述待测人员的每一脑垂体磁共振图像，通过全局阈值分割法去除不包含大脑的无效切片，再通过前联合-后联合矫正调整在所述脑垂体磁共振图像获取时待测人员头部不规范的姿势；接着对脑垂体磁共振图像进行颅骨剥离以及小脑移除，从而得到完整单一的大脑组织；最后，通过调整空间分辨率、使用N3算法矫正强度不均匀性、使用三线性插值法重采样，将所有提取的脑组织图像标准化到统一的样本空间，以消除不同成像设备获得的脑垂体磁共振脑图像之间的差异。

优选地，调整脑垂体磁共振图像的空间分辨率至1*1*1mm，使用N3算法矫正强度不均匀性以及使用三线性插值法进行重采样至128*128*128，从而将所有处理过的脑垂体磁共振图像标准化到一个统一的样本空间。

进一步地，对于所述待测人员的五张脑垂体磁共振图像，均需要提取出对应的脑垂体区域，以提高垂体腺瘤的针对性和精准度。

脑垂体区域的提取方法可以是通过医生专家进行人工标注得到，也可以采用预设的图像处理算法对所述脑垂体磁共振图像进行处理，以得到每一脑垂体磁共振图像中的脑垂体区域，进而提取得到脑垂体区域图像块，均不影响本发明取得的有益效果。

在一种优选的实施方式下，步骤S121具体通过以下步骤执行：

S1211、将所述待测人员的每一所述脑垂体磁共振图像输入预先训练得到的垂体区域定位模型进行计算，以输出所述待测人员的每一所述脑垂体磁共振图像中的脑垂体区域；

S1212、提取所述待测人员的每一所述脑垂体磁共振图像中的脑垂体区域，得到所述待测人员对应的每一所述脑垂体区域图像块。

在本发明实施例中，通过预先训练好的垂体区域定位模型，将所述待测人员的五张脑垂体磁共振图像输入所述垂体区域定位模型进行计算，从而输出对应的脑垂体区域，进而提取得到对应的五张脑垂体区域图像块。

进一步地，将所述待测人员的每一张脑垂体区域图像块使用双线性插值进行缩放，使得五张脑垂体区域图像块均具有相同的分辨率，也即256×256。接着，将这五张脑垂体图像块层叠起来，并进行像素值归一化到[-1,1]，从而得到所述待测磁共振图像，其大小为5×256×256。

通过将所述待测磁共振图像输入预先训练好的垂体腺瘤识别模型进行计算，输出所述待测磁共振图像是否含有垂体腺瘤的分类结果

本发明实施例一提供了一种基于人工智能的垂体腺瘤磁共振图像定位诊断方法，通过获取待测人员的若干张脑垂体磁共振图像，并将每一所述脑垂体磁共振图像进行预处理，层叠得到对应的待测磁共振图像。接着，将所述待测磁共振图像输入预先训练得到的垂体腺瘤识别模型，以使所述垂体腺瘤识别模型对所述待测磁共振图像进行计算。最后，输出所述待测磁共振图像是否含有垂体腺瘤的分类结果。使用预先构建并训练好的脑垂体腺瘤识别模型，对待测人员的脑垂体磁共振图像进行计算和分析，以识别出待测人员的脑垂体磁共振图像中是否含有垂体腺瘤这一有效信息，解决了现有技术中通过医生专家人工判读和标注导致的效率低下、准确度不高的问题，有效地提高了识别脑垂体磁共振图像中是否含有垂体腺瘤的效率和精度。

参见图2，是本发明实施例二提供的垂体腺瘤识别模型的训练方法的步骤示意图。所述垂体腺瘤识别模型的训练方法通过步骤S21至S25执行：

S21、获取若干位正常脑垂体人员和垂体腺瘤患者的脑垂体磁共振图像；其中，同一正常脑垂体人员或垂体腺瘤患者的脑垂体磁共振图像至少为一；

S22、针对每一正常脑垂体人员或垂体腺瘤患者，将其对应的每一所述脑垂体磁共振图像进行预处理，并层叠得到对应的第一模型训练图像；其中，所述第一模型训练图像对应有预先标注的是否含有垂体腺瘤的真实结果；

S23、对第一卷积神经网络的参数进行初始化，并利用所述第一卷积神经网络对所述第一模型训练图像进行计算，以输出所述第一模型训练图像是否含有垂体腺瘤的预测结果；

S24、根据所述预测结果和所述真实结果计算第一损失函数；其中，所述第一损失函数用于衡量所述预测结果和真实结果之间的差异；

S25、采用梯度下降优化算法更新所述第一卷积神经网络的参数，以降低所述第一损失函数，直到所述第一损失函数趋于最小化时，得到训练完成的垂体腺瘤识别模型。

在本发明实施例中，获取多位正常脑垂体人员和多位垂体腺瘤患者的颅内MRI扫描数据。为了保证模型训练过程的有效性和精准性，针对每一正常脑垂体人员或垂体腺瘤患者，均需要在其对应的MRI扫描数据中选取出至少一张能够清楚观察到垂体的脑垂体磁共振图像。所述脑垂体磁共振图像为冠状面的脑垂体磁共振图像切片，是一层1mm厚度的扫描图像。

优选地，每一正常脑垂体人员或垂体腺瘤患者对应的所述脑垂体磁共振图像的数量优选为五张。选取数据库中预存的1000例正常人员的脑垂体磁共振图像和1000例垂体腺瘤患者的脑垂体磁共振图像，即正常人员的脑垂体磁共振图像5000张，垂体腺瘤患者的脑垂体磁共振图像5000张，共10000张脑垂体磁共振图像，作为所述垂体腺瘤识别模型的训练样本。对于同一位人员(正常脑垂体人员或垂体腺瘤患者)，其五张垂体磁共振图像对应有是否含有垂体腺瘤的真实结果，也即，正常脑垂体人员的五张垂体磁共振图像对应的真实结果为不含有垂体腺瘤，垂体腺瘤患者的五张垂体磁共振图像对应的真实结果为含有垂体腺瘤。该真实结果为预先标注的。

优选地，将正常脑垂体人员或垂体腺瘤患者对应的5000张脑垂体磁共振图像按照9:1的比例，划分为模型训练集合模型测试集。模型训练集用于作为垂体腺瘤识别模型的学习和训练样本；模型测试集用于在所述垂体腺瘤识别模型初步训练完毕后，进行实际应用环境的测试。

进一步地，将每一正常脑垂体人员或垂体腺瘤患者对应的五张脑垂体磁共振图像进行预处理，得到每一正常脑垂体人员或垂体腺瘤患者对应的第一模型训练图像。用于输入所述卷积神经网络进行学习训练，得到垂体腺瘤识别模型。

具体地，步骤S22包括：

S221、针对每一正常脑垂体人员或垂体腺瘤患者，提取其对应的每一所述脑垂体磁共振图像中的脑垂体区域，得到对应的每一脑垂体区域图像块；

S222、采用双线性插值法，将每一所述脑垂体区域图像块缩放至具有相同的分辨率，并层叠起来，进行像素值归一化处理，得到所述第一模型训练图像。

在本发明实施例中，对同一位人员(正常脑垂体人员或垂体腺瘤患者)，将其对应的五张脑垂体磁共振图像分别提取出对应的脑垂体区域图像块，再使用双线性插值进行缩放，使得五张脑垂体区域图像块均具有相同的分辨率，也即256×256。接着，将这五张脑垂体图像块层叠起来，并进行像素值归一化到[-1,1]，从而得到所述第一模型训练图像，其大小为5×256×256。通过上述步骤，可以得到多张第一模型训练图像。

在本发明实施例中，脑垂体区域的提取方法可以是通过医生专家进行人工标注得到，也可以采用预设的图像处理算法对所述脑垂体磁共振图像进行处理，以得到每一脑垂体磁共振图像中的脑垂体区域，进而提取得到脑垂体区域图像块，均不影响本发明取得的有益效果。

在一种优选的实施方式下，步骤S221具体通过以下步骤执行：

S1211、针对每一正常脑垂体人员或垂体腺瘤患者，将其对应的每一所述脑垂体磁共振图像输入预先训练得到的垂体区域定位模型进行计算，以输出每一所述脑垂体磁共振图像中的脑垂体区域；

S1212、提取每一所述脑垂体磁共振图像中的脑垂体区域，得到对应的每一所述脑垂体区域图像块。

在本发明实施例中，通过预先训练好的垂体区域定位模型，将每一正常脑垂体人员或垂体腺瘤患者对应的五张脑垂体磁共振图像输入所述垂体区域定位模型进行计算，从而输出对应的脑垂体区域，进而提取得到对应的五张脑垂体区域图像块。

进一步地，在获得每一所述正常脑垂体人员或垂体腺瘤患者的第一模型训练图像后，利用预先进行参数初始化的第一卷积神经网络对所述第一模型训练图像进行计算。所述第一卷积神经网络含有多隐含层，从所述第一模型训练图像中自动学习特征，以输出所述第一模型训练图像是否含有垂体腺瘤的预测结果。

具体地，卷积神经网络的参数在调整之前都是随机的，将所述第一卷积神经网络的参数进行初始化，之后，将所述第一模型训练图像输入所述卷积神经网络，执行前向步骤，并计算是否患垂体腺瘤的对应输出概率

所述前向步骤包括：对所述第一模型训练图像进行卷积、Relu激活、最大池化、全局平均池化等处理，最后经过全连接层和softmax层处理获得所述输出概率，得到预测结果。

在一种实施方式下，首先，将对输入的所述第一模型训练图像使用64个大小为7×7的卷积核进行步长为2的卷积运算，运算结果经过relu激活函数，然后使用3×3大小的核进行最大池化下采样获得初始特征图f

在获得的特征图f

根据所述第一训练模型的预测结果和所述第一训练模型预先标注的真实结果，计算第一损失函数

其中，p∈{0，1}，表示第一训练模型预先标注的真实结果；

进而，采用梯度下降优化算法更新所述第一卷积神经网络的参数，并利用更新后的第一卷积神经网络对所述第一模型训练图像进行再次计算，得到新的预测结果，进而根据所述新的预测结果计算新的第一损失函数。采用梯度下降优化算法更新卷积神经网络的参数，可以不断降低第一损失函数，缩小预测结果与真实结果之间的差异。通过不断的迭代训练，直到所述第一损失函数的值趋于最小化时，也即多次调整参数后，第一损失函数已无法再下降时，第一卷积神经网络训练完成，从而得到训练好的垂体腺瘤识别模型。

优选地，在训练好垂体腺瘤识别模型之后，获取模型测试集中的垂体磁共振图像进行测试，验证所述垂体腺瘤识别模型的准确性，从而保证所述垂体腺瘤识别模型在投入实际应用之前的识别精准性。

本发明实施例二提供了一种垂体腺瘤识别模型的训练方法，首先获取若干正常脑垂体人员和垂体腺瘤患者的脑垂体磁共振图像作为识别模型的训练图像样本。用随机数初始化第一卷积神经网络的参数，并将第一模型训练图像输入，执行前向步骤，计算是否含有垂体腺瘤这两个类别的输出概率，得到预测结果。接着计算预测结果和真实结果之间的第一损失函数，反向传播算法计算第一损失函数相对于所有参数权重的梯度，并用梯度下降法更新所所述第一卷积神经网络的参数的值，以使所述第一损失函数最小化，从而完成所述垂体腺瘤识别模型的训练。本发明实施例采用卷积神经网络建立垂体腺瘤识别模型，从脑垂体磁共振图像中自动获取精准、有效的特征进行学习，提高垂体腺瘤识别模型的精度和泛化能力，有效地提高了在实际应用中，识别脑垂体磁共振图像中是否含有垂体腺瘤的效率和精度。

参见图3，是本发明实施例三提供的垂体区域定位模型的训练方法的步骤示意图。本发明实施例三提供的垂体区域定位模型，适用于上述实施例一中的基于人工智能的垂体腺瘤磁共振图像定位诊断过程，也适用于上述实施例二中的垂体腺瘤识别模型的训练过程。

所述垂体区域定位模型的训练方法通过步骤S31至S34执行：

S31、获取若干张脑垂体磁共振图像，作为第二模型训练图像；其中，每一所述第二模型训练图像对应有预先标注的真实垂体区域；

S32、对第二卷积神经网络的参数进行初始化，并利用所述第二卷积神经网络对所述第二模型训练图像进行计算，以输出所述第二模型训练图像对应的预测垂体区域；

S33、根据所述预测垂体区域和所述真实垂体区域计算第二损失函数；其中，所述第二损失函数用于衡量所述预测垂体区域和真实垂体区域之间的差异；

S34、采用梯度下降优化算法更新所述第二卷积神经网络的参数，以降低所述第二损失函数，直到所述第二损失函数趋于最小化时，得到训练完成的垂体区域定位模型。

在本发明实施例中，获取多张脑垂体磁共振图像，作为第二模型训练图像，用于作为垂体区域定位模型的训练样本。其中，每一张脑垂体磁共振图像都对应有预先标注好的真实垂体区域。

优选地，将获取到的多张脑垂体磁共振图像按照预设的比例划分为模型训练集和模型测试集，模型训练集用于作为垂体区域定位模型的学习和训练样本；模型测试集用于在所述垂体区域定位模型初步训练完毕后，进行实际应用环境的测试。

优选地，每一张脑垂体磁共振图像为大小为H×W的MRI切片，在获得所述多张脑垂体磁共振图像时，还需要先进行预处理操作。具体地，通过双线性插值算法将每一张脑垂体磁共振图像放大或缩小到256×256的统一大小，然后将其像素值归一化到[-1，1]范围内，最后获得用于输入第二卷积神经网络进行训练的第二模型训练图像。

卷积神经网络的参数在调整之前都是随机的，将所述第二卷积神经网络的参数进行初始化，之后，将所述第二模型训练图像输入所述第二卷积神经网络进行计算，输出所述脑垂体磁共振图像的预测垂体区域。

作为优选的实施方式，步骤S32具体包括：

S321、对所述第二模型训练图像进行特征图提取，得到若干个金字塔特征图；

将所述第二模型训练图像输入所述第二卷积神经网络，提取所述第二模型训练图像的多个不同分辨率的特征图。接着，通过特征金字塔网络融合所获得的不同分辨率的特征图，获得多个金字塔特征图。作为举例，通过卷积神经网络获得所述第二模型训练图像4个不同分辨率的特征图，即{f

具体地，第二卷积神经网络对输入的第二模型训练图像使用64个大小为7×7的卷积核进行步长为2的卷积运算，运算结果经过relu激活函数，然后使用3×3大小的核进行最大池化下采样获得初始特征图f

再通过特征金字塔网络融合上面获得的四个特征图。对于特征图f

需要说明的是，本发明实施例中所提到的特征图大小n×H

S322、对每一所述金字塔特征图进行候选框提取，得到候选框集合。

具体地，对于上述获得的每个金字塔特征图f

需要说明的是，在所述候选框分类图c

进一步地，在获得所述候选框分类图c

对每一所述金字塔特征图f

S323、排除所述候选框集合中过度重合的候选框，以得到目标候选框，作为预测垂体区域。

在本发明实施例中，为了获得包含垂体的候选框，需要对候选框进行筛选。通过非极大值抑制算法，排除过度重合的候选框，得到预测垂体区域。

具体地，将每一候选框的置信度p

进一步地，垂体区域定位模型中卷积层中包含大量随机参数，需要通过训练过程使得该模型适用垂体定位任务。具体来说，首先对每个位置设定2个锚框(大小为32×32、64×64，纵横比为0.5)，即k＝2。然后将输出的所述预测垂体区域，编码到对应的真实分类图

使用第二损失函数

其中，j表示第j个锚框，当第j个锚框包含垂体时，

在计算得到所述第二损失函数之后，采用梯度下降优化算法更新所述第二卷积神经网络的参数，并利用更新后的第二卷积神经网络对所述第二模型训练图像进行再次计算，得到新的预测垂体区域，进而根据所述新的预测垂体区域计算新的第而损失函数。采用梯度下降优化算法更新卷积神经网络的参数，可以不断降低第而损失函数，缩小预测垂体区域与真实垂体区域之间的差异。通过不断的迭代训练，直到所述第二损失函数的值趋于最小化时，第二卷积神经网络训练完成，从而得到训练好的垂体区域定位模型。

优选地，在训练好垂体区域定位模型之后，获取模型测试集中的垂体磁共振图像进行测试，验证所述垂体区域定位模型的准确性，从而保证所述垂体区域定位模型在投入实际应用之前的识别精准性。

本发明实施例三提供了一种垂体区域定位模型的训练方法，首先获取若干张预先标注好垂体区域的脑垂体磁共振图像作为定位模型的训练图像样本。用随机数初始化第二卷积神经网络的参数，并将第二模型训练图像输入，进行垂体区域的计算和定位，输出预测垂体区域。接着计算预测垂体区域和真实垂体区域之间的第二损失函数，反向传播算法计算第二损失函数相对于所有参数权重的梯度，并用梯度下降法更新所述第二卷积神经网络的参数的值，以使所述第二损失函数最小化，从而完成所述垂体区域定位模型的训练。本发明实施例采用卷积神经网络建立垂体区域定位模型，从脑垂体磁共振图像中自动获取精准、有效的特征进行学习，提高垂体区域定位模型的精度和泛化能力，有效地提高了在实际应用中，定位垂体磁共振图像中垂体所在区域的效率和精度。

参见图4，是本发明实施例四提供的一种基于人工智能的垂体腺瘤磁共振图像定位诊断装置的结构示意图。本发明实施例四提供的一种基于人工智能的垂体腺瘤磁共振图像定位诊断装置40，包括：

图像获取模块41，用于获取待测人员的至少一张脑垂体磁共振图像；

预处理模块42，用于对所述待测人员的每一所述脑垂体磁共振图像进行预处理，并层叠得到对应的待测磁共振图像；

图像输入模块43，用于将所述待测磁共振图像输入预先训练得到的垂体腺瘤识别模型，以使所述垂体腺瘤识别模型对所述待测磁共振图像进行计算；

结果输出模块44，用于输出所述待测磁共振图像是否含有垂体腺瘤的分类结果。

需要说明的是，本发明实施例提供的一种基于人工智能的垂体腺瘤磁共振图像定位诊断装置用于执行上述实施例的一种基于人工智能的垂体腺瘤磁共振图像定位诊断方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。

本发明实施例四提供了一种基于人工智能的垂体腺瘤磁共振图像定位诊断装置，通过获取待测人员的若干张脑垂体磁共振图像，并将每一所述脑垂体磁共振图像进行预处理，层叠得到对应的待测磁共振图像。接着，将所述待测磁共振图像输入预先训练得到的垂体腺瘤识别模型，以使所述垂体腺瘤识别模型对所述待测磁共振图像进行计算。最后，输出所述待测磁共振图像是否含有垂体腺瘤的分类结果。使用预先构建并训练好的脑垂体腺瘤识别模型，对待测人员的脑垂体磁共振图像进行计算和分析，以识别出待测人员的脑垂体磁共振图像中是否含有垂体腺瘤这一有效信息，解决了现有技术中通过医生专家人工判读和标注导致的效率低下、准确度不高的问题，有效地提高了识别脑垂体磁共振图像中是否含有垂体腺瘤的效率和精度。

本领域普通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，所述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，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。