一种基于深度学习的胰腺囊性病变临床决策方法和系统

摘要

本发明提供了一种基于深度学习的胰腺囊性病变临床决策方法和系统，包括：获取具有相同层数的多期相胰腺影像，对多期相胰腺影像进行配准，获得配准后的多期相胰腺影像；获得多期相局部胰腺影像和多期相全局胰腺影像；对多期相局部胰腺影像和多期相全局胰腺影像特征提取，生成多期相局部特征集合和多期相全局特征集合；通过多期相全局特征集合对多期相局部特征集合进行指导，完成多期相局部特征集合与多期相全局特征集合的渐进融合，获得多期相融合特征；根据多期相融合特征进行多任务学习，并对照临床指南生成临床决策结果。可以获得更加丰富清晰的胰腺轮廓影像细节，使得胰腺囊肿的鉴别更加精准，可以根据胰腺囊肿的真实情况形成对应的临床决策。

说明书

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于深度学习的胰腺囊性病变临床决策方法和系统。

背景技术

胰腺癌是一种致死率极高的癌症，因其症状隐匿、恶性程度高、致死率高，被称为“癌中之王”。此外，胰腺癌是所有实体恶性肿瘤中预后最差的，5年生存率约为10％。因此早期诊断是至关重要的，通过早期诊断可以潜在地将5年生存率提高至50％。胰腺疾病患者的临床管理是基于囊肿成为侵袭性癌症的潜力，与其他器官的肿块不同，因为胰腺位于腹部深处，周围有复杂的器官和血管网络，因此胰腺的囊肿往往不能通过针活检精确的检查。利用可靠的影像来及时识别胰腺囊肿是至关重要的。多期相计算机断层扫描(CT)是诊断胰腺疾病的主要成像方式。但是胰腺囊肿的决策是具有挑战性的，原因包括以下几点：一是同一类型的囊肿在不同的扫描期相中可能具有不同的纹理、形状、对比度和不同的增强模式；二是囊肿有时被炎症组织包围，因而不易识别；三是很多类型的囊肿存在长尾问题。为此拯需新的技术来对胰腺囊肿精确决策。

发明内容

鉴于上述问题，本发明实施例提供一种基于深度学习的胰腺囊性病变临床决策方法和系统，解决现有技术胰腺囊肿恶性程度决策不准确导致患者错过最佳手术时间的技术问题。

为解决上述技术问题，本发明提供以下技术方案：

第一方面，一种基于深度学习的胰腺囊性病变临床决策方法，包括：

获取具有相同层数的多期相胰腺影像，对多期相胰腺影像进行配准，获得配准后的多期相胰腺影像；

针对配准后的多期相胰腺影像进行随机切割，获得多期相局部胰腺影像；

针对配准后的多期相胰腺影像进行下采样，获得多期相全局胰腺影像；

分别对多期相局部胰腺影像和多期相全局胰腺影像进行特征提取，生成多期相局部特征集合和多期相全局特征集合；

通过多期相全局特征集合对多期相局部特征集合进行指导，完成多期相局部特征集合与多期相全局特征集合的渐进融合，获得多期相融合特征；

根据多期相融合特征进行多任务学习，并对照临床指南生成临床决策结果。

本发明一实施例中，所述获取具有相同层数的多期相胰腺影像，对多期相胰腺影像进行配准，获得配准后的多期相胰腺影像包括：

利用胸腹盆腔划分网络对多期相影像进行胸、腹、盆腔分界线的识别；

选取胸腹分界线和腹盆腔分界线之间中心位置的多期相影像作为多期相胰腺影像，对多期相胰腺影像按照选取好的切片进行切割；

选取一个期相的影像作为固定影像，其他期相的影像以固定影像为基准进行配准，得到配准后的多期相胰腺影像。

本发明一实施例中，所述分别对多期相局部胰腺影像和多期相全局胰腺影像进行特征提取，生成多期相局部特征集合和多期相全局特征集合包括：

通过局部编码块对多期相局部胰腺影像中的每个期相局部胰腺影像进行多次局部特征提取，获得多期相局部特征，将每次获得的多期相局部特征进行校准，在进行最后一次校准时生成多期相局部特征集合；

通过全局编码块对多期相全局胰腺影像中的每个期相全局胰腺影像进行多次全局特征提取，获得多期相全局特征，将每次获得的多期相全局特征进行校准，在进行最后一次校准时生成多期相全局特征集合。

本发明一实施例中，所述通过局部编码块对多期相局部胰腺影像中的每个期相局部胰腺影像进行多次局部特征提取包括：

将每个期相局部胰腺影像均通过与自身对应的多个局部编码块进行多次局部特征提取；

在每次局部特征提取过程中每个局部编码块均通过特征映射与其他局部编码块进行交互；

在每次局部特征提取过程后将最外层特征丢弃；

所述通过全局编码块对多期相全局胰腺影像中的每个期相全局胰腺影像进行多次全局特征提取包括：

将每个期相全局胰腺影像均通过与自身对应的多个全局编码块进行多次全局特征提取；

在每次全局特征提取过程中每个全局编码块均通过特征映射与其他全局编码块进行交互；

在每次全局特征提取过程后将最外层特征丢弃。

本发明一实施例中，所述将每次获得的多期相局部特征进行校准包括：

通过多层可变形卷积对多期相局部特征进行卷积操作，学习到不同期相局部特征之间的偏移；

根据不同期相局部特征之间的偏移通过空间变化网络对多期相局部特征进行校准；

所述将每次获得的多期相全局特征进行校准包括：

通过多层可变形卷积对多期相全局特征进行卷积操作，学习到不同期相全局特征之间的偏移；

根据不同期相全局特征之间的偏移通过空间变化网络对多期相全局特征进行校准。

本发明一实施例中，所述通过多期相全局特征集合对多期相局部特征集合进行指导，完成多期相局部特征集合与多期相全局特征集合的渐进融合，获得多期相融合特征包括：

对多期相全局特征集合进行上采样，并裁剪出与多期相局部特征集合相对应的区域，获得多期相指导特征集合；

通过多个解码块对多期相局部特征集合依次进行多次特征融合形成渐进融合过程；

在每次特征融合过程中解码块均通过多期相指导特征集合对多期相局部特征进行全局指导。

本发明一实施例中，所述根据多期相融合特征进行多任务学习，并对照临床指南生成临床决策结果包括：

将多期相融合特征输入至训练好的多任务网络中，获得胰腺分割影像和病变结果；

结合胰腺分割影像和病变结果对胰腺囊肿的良恶性进行分类；

根据胰腺分割影像、病变结果以及分类结果结合胰腺囊肿指南，获得临床决策结果。

第二方面，本发明实施例提供一种基于深度学习的胰腺囊性病变临床决策系统，包括：

预处理模块：用于获取具有相同层数的多期相胰腺影像，对多期相胰腺影像进行配准，获得配准后的多期相胰腺影像；

局部影像获取模块：用于针对配准后的多期相胰腺影像进行随机切割，获得多期相局部胰腺影像；

全局影像获取模块：用于针对配准后的多期相胰腺影像进行下采样，获得多期相全局胰腺影像；

特征提取模块：用于分别对多期相局部胰腺影像和多期相全局胰腺影像进行特征提取，生成多期相局部特征集合和多期相全局特征集合；

特征融合模块：用于通过多期相全局特征集合对多期相局部特征集合进行指导，完成多期相局部特征集合与多期相全局特征集合的渐进融合，获得多期相融合特征；

决策结果生成模块：用于根据多期相融合特征进行多任务学习，并对照临床指南生成临床决策结果。

第三方面，本发明实施例提供一种电子设备，包括：

处理器、存储器、与网关通信的接口；

存储器用于存储程序和数据，所述处理器调用存储器存储的程序，以执行第一方面任一项提供的一种基于深度学习的胰腺囊性病变临床决策方法。

第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质包括程序，所述程序在被处理器执行时用于执行第一方面任一项提供的所述的一种基于深度学习的胰腺囊性病变临床决策方法。

本发明实施例的一种基于深度学习的胰腺囊性病变临床决策方法和系统与现有技术相比，可以使得每个期相的胰腺影像均拥有相同的切片层数，提前对多期相胰腺影像进行精准配准，以减少期相间的误差。利用全局多期相胰腺影像对局部多期相胰腺影像跟踪指导进行渐进融合，使得最终获得的多期相融合特征包含更加丰富清晰的胰腺轮廓影像细节，同时使得根据胰腺囊肿的真实情况形成对应的临床决策更加精准，从而更加科学的对病人进行针对性的管理。

附图说明

图1所示为本发明一实施例一种基于深度学习的胰腺囊性病变临床决策方法的流程示意图；

图2所示为本发明一实施例一种基于深度学习的胰腺囊性病变临床决策方法中多期相胰腺影像配准过程示意图；

图3所示为本发明一实施例一种基于深度学习的胰腺囊性病变临床决策方法的整体流程示意图；

图4所示为本发明一实施例一种基于深度学习的胰腺囊性病变临床决策系统的结构示意图；

图5所示为本发明一实施例一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明白，以下集合附图及具体实施方式对本发明作进一步说明。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。

本发明一实施例的基于深度学习的胰腺囊性病变临床决策方法如图1所示。在图1中，本实施例包括：

S110：获取具有相同层数的多期相胰腺影像，对多期相胰腺影像进行配准，获得配准后的多期相胰腺影像。

具体地，可以在确定胰腺位置后采用相同数量的切片对原始多期相胰腺影像进行切割，使得各个期相胰腺影像拥有相同的层数。找到每个期相胰腺影像之间的相似特征点，根据各个期相胰腺影像相似特征点对应的空间坐标之间的差异进行空间坐标转换，完成对多期相胰腺影像进行配准，保证多期相胰腺影像之间的一致性减少误差。

S120：针对配准后的多期相胰腺影像进行随机切割，获得多期相局部胰腺影像。

具体地，可以理解的是根据多期相胰腺影像可以提前标注出器官或者病灶的位置。在进行随机切割时可以通过两种方式进行，第一种方式是在整个多期相胰腺影像进行随机切割，另一种方式是根据提前标注的器官或者病灶位置进行切割，当然两种切割方式也可按照1:1的比例交替循环切割。获得的多期相局部胰腺影像实际上是具有全分辨率的patch，其具有清晰度高、包含特征多的特点。

S130：针对配准后的多期相胰腺影像进行下采样，获得多期相全局胰腺影像。

具体地，配准后的多期相胰腺影像的空间分辨率一般为512*512，在对其进行下采样时一般通过两次下采样，将原始的空间分辨率转变为128*128，当然平不排除一些根据实际情况采用不同次数的下采样，获得的多期相全局胰腺影像实际上是具有半分辨率的slice，具有全局的概略信息。

S140：分别对多期相局部胰腺影像和多期相全局胰腺影像进行特征提取，生成多期相局部特征集合和多期相全局特征集合。

具体地，通过多期相局部胰腺影像和多期相全局胰腺影像进行训练得到训练好的双支卷积神经网络，将多期相局部胰腺影像输入到双支卷积神经网络的局部编码分支中进行卷积操作提取特征，生成多期相局部特征集合，多期相局部特征集合是包含所有清晰的局部特征集合；将多期相全局胰腺影像输入到双支卷积神经网络的全局编码分支中进行卷积操作提取特征，生成多期相全局特征集合，多期相全局特征集合是包含全局性的具有指导意义的全局特征集合。

S150：通过多期相全局特征集合对多期相局部特征集合进行指导，完成多期相局部特征集合与多期相全局特征集合的渐进融合，获得多期相融合特征。

具体地，多期相局部特征集合与多期相全局特征集合的融合过程为多步的渐渐融合过程。在首次融合过程中通过多期相全局特征集合指导多期相局部特征集合进行融合，在后续的融合过程中通过多期相全局特征集合指导上次融合过程产生的融合结果，进行融合形成分步骤分层次的渐进融合过程，在多次融合后获得包含更多细节内容的多期相融合特征。

S160：根据多期相融合特征进行多任务学习，并对照临床指南生成临床决策结果。

具体地，多期相融合特征再现了患者的实际状况，通过多期相融合特征可以获得胰腺的轮廓和囊肿的轮廓，可以发现有无壁结节以及有无实性成分，对囊肿的良恶性进行确定，在出现囊肿时可以通过测量囊肿的最大直径以及胰腺的扩张程度结合临床指南(即国际通用的胰腺囊肿指南)得出决策结果，指导临床。

在本实施例中，解决了多期相胰腺影像在每个期相拥有不同层数的问题，保证了多期胰腺影像的一致性同时也提高了配准的精度，利用全局多期相胰腺影像对局部多期相胰腺影像跟踪指导进行渐进融合，可以充分的发挥医学影像的3D特性，形成具有解剖学意义的病灶识别过程，使得最终获得的多期相融合特征包含更加丰富清晰的胰腺轮廓影像细节，进而使得对胰腺囊肿的决策更加精准，从而更加科学的对病人进行针对性的管理。

如图2所示，在上述实施例基础上，步骤S110具体包括：

Step1：利用胸腹盆腔划分网络对多期相影像进行胸、腹、盆腔分界线的识别；

Step2：选取胸腹分界线和腹盆腔分界线之间中心位置的多期相影像作为多期相胰腺影像，对多期相胰腺影像按照选取好的切片进行切割；

Step3：选取一个期相的影像作为固定影像，其他期相的影像以固定影像为基准进行配准，得到配准后的多期相胰腺影像。

具体地，多期相医学影像各个期相扫描存在差异，而直接将不同期相医学影像进行配准难度巨大，因此通过训练得到胸腹盆腔划分网络来保障多期相医学影像层数以及对应关系上的一致性。在实际应用中，胸腹盆腔划分网络可以设计为标准的分割网络，其识别的目标为胸腹分界线及腹盆腔分界线，在提取时将胸腹分界线与腹盆腔分界线之间中心位置的部分作为目标(这个目标为多期相胰腺影像)，在切割时可以选取两条分界线之间最中心的多张切片，每个期相均通过选取好的多张切片进行切割，当然切片的数量可以根据实际需求进行调整，最后在配准时选取多个期相影像中的一个期相作为其他期相影像的配准基准，最终得到配准好的多期相胰腺影像。

在本实施例中，多期相医学影像通过统一的提取标准提取多期相胰腺影像，通过相同数量的切片使得多期相胰腺影像的每个期相具有相同数量的层数，参照固定影像进行配准，使得每个期相的胰腺影像在层数和对应关系上保持一致性，进而减少因无精确配准对后续性能产生的影响。

如图1并结合图3所示，在上述实施例基础上，步骤S140具体包括：

通过局部编码块对多期相局部胰腺影像中的每个期相局部胰腺影像进行多次局部特征提取，获得多期相局部特征，将每次获得的多期相局部特征进行校准，在进行最后一次校准时生成多期相局部特征集合；

具体地，如图3中编码部分的局部编码分支所示，多期相局部胰腺影像的每个期相都对应在一个局部编码块，通过对应的局部编码块实现对应期相局部胰腺影像的局部特征提取，当然每个期相局部胰腺影像的取出过程中都会出现一定误差，因此在进行完一次局部特征提取后都会将提取的局部特征进行校准，以减小局部提取特征的误差提高准确度及精度。当然局部特征提取的次数可以根据实际要求制定，在经过多次局部特征提取及校准后，每个期相局部特征的误差得到大幅优化，减少与实际的偏差，使得每个期相局部特征更能真实体现实际情况。最后每个期相局部特征经最后一次校准生成多期相局部特征集合。

通过全局编码块对多期相全局胰腺影像中的每个期相全局胰腺影像进行多次全局特征提取，获得多期相全局特征，将每次获得的多期相全局特征进行校准，在进行最后一次校准时生成多期相全局特征集合。

具体地，如图3中编码部分的全局编码分支所示，多期相全局胰腺影像的每个期相都对应在一个全局编码块，通过对应的全局编码块实现对应期相全局胰腺影像的全局特征提取，当然每个期相全局胰腺影像的取出过程中都会出现一定误差，因此在进行完一次全局特征提取后都会将提取的全局特征进行校准，以减小全局提取特征的误差提高准确度及精度。当然全局特征提取的次数可以根据实际要求制定，在经过多次全局特征提取及校准后，每个期相全局特征的误差得到大幅优化，减少与实际的偏差，使得每个期相全局特征更能真实体现实际情况。最后每个期相全局特征经最后一次校准生成多期相全局特征集合。

在本实施例中，多期相局部特征和多期相全局特征均得到进一步的优化，误差进一步减少，更能真实的体现实际情况，进而提升决策的精度及真实性。

如图3所示，在上述实施例基础上，本实施例包括：

将每个期相局部胰腺影像均通过与自身对应的多个局部编码块进行多次局部特征提取；

在每次局部特征提取过程中每个局部编码块均通过特征映射与其他局部编码块进行交互；

在每次局部特征提取过程后将最外层特征丢弃；

具体地，每个局部编码块的特征提取机制相同，经过多次局部特征提取可以不断丰富局部特征的内容，体现更多的细节，并且在同一梯队的局部编码块之间(例如：局部编码块1-1、局部编码块1-2和局部编码块1-N处于同一梯队。在如：局部编码块M-1、局部编码块M-2和局部编码块M-N处于同一梯队)通过特征映射相互交互提前融合彼此的特征，并且每经过一次局部编码块时都会丢弃最外层的特征，使得在最后输出时仅保留最中心的特征信息。

将每个期相全局胰腺影像均通过与自身对应的多个全局编码块进行多次全局特征提取；

在每次全局特征提取过程中每个全局编码块均通过特征映射与其他全局编码块进行交互；

在每次全局特征提取过程后将最外层特征丢弃。

具体地，每个全局编码块的特征提取机制相同，经过多次全局特征提取可以不断丰富全局特征的内容，体现更多的细节，并且在同一梯队的全局编码块之间(例如：全局编码块1-1、全局编码块1-2和全局编码块1-N处于同一梯队。在如：全局编码块Q-1、全局编码块Q-2和全局编码块Q-N处于同一梯队)通过特征映射相互交互提前融合彼此的特征，并且每经过一次全局编码块时都会丢弃最外层的特征，使得在最后输出时仅保留最中心的特征信息。

在本实施例中，在局部特征和全局特征提取过程中，处于同一梯队的局部编码块和全局编码块彼此之间相互交互，提前融合更充分的利用多期相的数据，进一步使得局部特征和全局特征的内容更加丰富，可以抛弃无用或者是不相关的特征，降低计算量。

在本发明一实施例中，全局特征提取的次数大于局部特征提取的次数，(即图3中M对应的数量小于Q对应的数量)使得在全局特征提取过程中获得更大的感受野来提取全局特征。

如图3所示，在上述实施例基础上，本实施例中多期相局部特征校准过程包括：

通过多层可变形卷积对多期相局部特征进行卷积操作，学习到不同期相局部特征之间的偏移；

根据不同期相局部特征之间的偏移通过空间变化网络对多期相局部特征进行校准；

具体地，可以让每个期相局部特征均对应着一个可变形卷积，每个可变形卷积选取对应期相局部特征间的多个相似特征点作为采样点，通过对比每个可变形卷积对应的多个采样点空间位置的差异学习到不同期相局部特征之间的偏移参数，采用空间变换网络可以获得同一平面图案或立体图案进行空间扭曲、变换和校准(包括平移、缩放、旋转以及其它几何变换等)的变换参数，将偏移参数作为变换参数将多个期相局部特征向一个统一的标准进行校准。

本实施例中多期相全局特征校准过程包括：

通过多层可变形卷积对多期相全局特征进行卷积操作，学习到不同期相全局特征之间的偏移；

根据不同期相全局特征之间的偏移通过空间变化网络对多期相全局特征进行校准。

具体地，可以让每个期相全局特征均对应着一个可变形卷积，每个可变形卷积选取对应期相全局特征间的多个相似特征点作为采样点，通过对比每个可变形卷积对应的多个采样点空间位置的差异学习到不同期相全局特征之间的偏移参数，采用空间变换网络可以获得同一平面图案或立体图案进行空间扭曲、变换和校准(包括平移、缩放、旋转以及其它几何变换等)的变换参数，将偏移参数作为变换参数将多个期相全局特征向一个统一的标准进行校准。

在本发明一实施例中，在多期相局部特征校准过程中，可以选取多期相局部特征中的其中一个期相局部特征作为校准基础指导其他相局部特征进行校准，在多期相全局特征校准过程中，可以选取多期相全局特征中的其中一个期相全局特征作为校准基础指导其他期相全局特征进行校准，将多期局部特征和多期全局特征中的其中一个期相的特征作为校准基础，可以省略对这一期相特征的学习，给其他期相提供参考，使得学习得到偏移参数更加精准，产生更好的校准效果。

如图3所示，在上述实施例基础上，步骤S150具体包括：

对多期相全局特征集合进行上采样，并裁剪出与多期相局部特征集合相对应的区域，获得多期相指导特征集合；

通过多个解码块对多期相局部特征集合依次进行多次特征融合形成渐进融合过程；

在每次特征融合过程中解码块均通过多期相指导特征集合对多期相局部特征进行全局指导。

具体地，如图3中的解码部分所示，解码部分由多个解码块组成。其中，解码块1的包括两个分支输入，其中一个分支输入为经过多次校准的多期相局部特征集合；另个一分支输入为多期相指导特征集合，多期相指导特征集合由经过多次校准的多期相全局特征集合，并且对多期相齐全局特征集合进行上采样，并裁剪出与多期相局部特征集合相对应的区域获得；之后在解码块1中进行特征融合；解码块2至解码块N同样也包括两个分支输入，其中一个分支输入为上一解码块产生的融合特征，另个一分支输入与模块1的另一分支输入类似，不同之处在于上采样过程的倍数是不断增长的。由此可见多期相指导特征集合始终贯穿特征融合过程，对多期相局部特征产生了一定的指导作用。

在本实施例中，通过分步融合形成渐进的特征融合过程，使得最终获得的多期相融合特征可以包含更加丰富的细节，为决策过程提供更加精确可靠的数据。

在上述实施例基础上，步骤S160具体包括：

将多期相融合特征输入至训练好的多任务网络中，获得胰腺分割影像和病变结果；

结合胰腺分割影像和病变结果对胰腺囊肿的良恶性进行分类；

根据胰腺分割影像、病变结果以及分类结果结合胰腺囊肿指南，获得临床决策结果。

具体地，如图3所示，多任务网络由分类网络、分割网络和检测网络组成。其中分割网络主要负责输出网络分割好的胰腺的轮廓，囊肿的轮廓以及胰管的轮廓(即胰腺分割影像)。检测网络主要负责检测CT数据有无壁结节，有无实性成分(即病变结果)。并且分割网络和检测网络得到结果会反馈给分类网络，辅助分类网络进行囊肿良恶性的确定(即分类结果)。当得到三个网络获取到的数据后，通过现有的计算识别技术可以会自动测量囊肿的最大径，胰腺扩张的程度等临床信息，进而对胰腺囊肿进行鉴别。通过与国际通用的胰腺囊肿指南进行对比推测出推荐的临床决策结果，临床决策结果包含是否监测以及是否立即进行手术等临床指导信息。

在本实施例中，多任务网络可以同时完成器官囊肿，胰管的分割，其他病灶区域(壁结节，实性成分)的检测，以及囊肿良恶性鉴别，并基于三个网络预测的影响特征，对比指南完成临床的指示(监测，不监测，手术)。病灶的分割，检测，良恶性的鉴别一步到位，端到端进行，并将AI得到的影响特征自动结合指南自动完成临床指示，大大提高了全自动性与临床实用价值。

基于同一发明构思，本申请实施例还提供了一种基于深度学习的胰腺囊性病变临床决策系统，可以用于实现上述实施例所描述的基于深度学习的胰腺囊性病变临床决策方法，如下面的实施例所述。由于基于深度学习的胰腺囊性病变临床决策系统解决问题的原理与基于深度学习的胰腺囊性病变临床决策方法相似，因此系统的实施可以参见方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本发明一实施例的基于深度学习的胰腺囊性病变临床决策系统，如图4所示，在图4中，本实施例包括：

预处理模块210：用于获取具有相同层数的多期相胰腺影像，对多期相胰腺影像进行配准，获得配准后的多期相胰腺影像；

局部影像获取模块220：用于针对配准后的多期相胰腺影像进行随机切割，获得多期相局部胰腺影像；

全局影像获取模块230：用于针对配准后的多期相胰腺影像进行下采样，获得多期相全局胰腺影像；

特征提取模块240：用于分别对多期相局部胰腺影像和多期相全局胰腺影像进行特征提取，生成多期相局部特征集合和多期相全局特征集合；

特征融合模块250：用于通过多期相全局特征集合对多期相局部特征集合进行指导，完成多期相局部特征集合与多期相全局特征集合的渐进融合，获得多期相融合特征；

决策结果生成模块260：用于根据多期相融合特征进行多任务学习，对照指南，生成患者的管理方法。

在本发明一实施例中，预处理模块210具体包括：

识别单元：用于利用胸腹盆腔划分网络对多期相影像进行胸、腹、盆腔分界线的识别；

切割单元：用于选取胸腹分界线和腹盆腔分界线之间中心位置的多期相影像作为多期相胰腺影像，对多期相胰腺影像按照选取好的切片进行切割；

配准单元：用于选取一个期相的影像作为固定影像，其他期相的影像以固定影像为基准进行配准，得到配准后的多期相胰腺影像。

在本发明一实施例中，特征提取模块240具体包括：

局部特征提取单元：用于通过局部编码块对多期相局部胰腺影像中的每个期相局部胰腺影像进行多次局部特征提取，获得多期相局部特征，将每次获得的多期相局部特征进行校准，在进行最后一次校准时生成多期相局部特征集合；

全局特征提取单元：用于通过全局编码块对多期相全局胰腺影像中的每个期相全局胰腺影像进行多次全局特征提取，获得多期相全局特征，将每次获得的多期相全局特征进行校准，在进行最后一次校准时生成多期相全局特征集合。

在本发明一实施例中，局部特征提取单元具体用于：

将每个期相局部胰腺影像均通过与自身对应的多个局部编码块进行多次局部特征提取；

在每次局部特征提取过程中每个局部编码块均通过特征映射与其他局部编码块进行交互；

在每次局部特征提取过程后将最外层特征丢弃；

全局特征提取单元具体用于：

将每个期相全局胰腺影像均通过与自身对应的多个全局编码块进行多次全局特征提取；

在每次全局特征提取过程中每个全局编码块均通过特征映射与其他全局编码块进行交互；

在每次全局特征提取过程后将最外层特征丢弃。

在本发明一实施例中，特征提取模块240还包括局部特征校准单元和全局特征校准单元：

局部特征校准单元用于：

通过多层可变形卷积对多期相局部特征进行卷积操作，学习到不同期相局部特征之间的偏移；

根据不同期相局部特征之间的偏移通过空间变化网络对多期相局部特征进行校准；

全局特征校准单元用于：

通过多层可变形卷积对多期相全局特征进行卷积操作，学习到不同期相全局特征之间的偏移；

根据不同期相全局特征之间的偏移通过空间变化网络对多期相全局特征进行校准。

在本发明一实施例中，特征融合模块250具体包括：

指导特征形成单元：用于对多期相全局特征集合进行上采样，并裁剪出与多期相局部特征集合相对应的区域，获得多期相指导特征集合；

渐进融合单元：用于通过多个解码块对多期相局部特征集合依次进行多次特征融合形成渐进融合过程；

融合指导单元：用于在每次特征融合过程中解码块均通过多期相指导特征集合对多期相局部特征进行全局指导。

在本发明一实施例中，决策结果生成模块260具体包括：

胰腺囊肿分割检测单元：用于将多期相融合特征输入至训练好的多任务网络中，获得胰腺分割影像和病变结果；

胰腺囊肿分类单元：用于结合胰腺分割影像和病变结果对胰腺囊肿的良恶性进行分类；

决策结果生成单元：用于根据胰腺分割影像、病变结果以及分类结果结合胰腺囊肿指南，获得临床决策结果。

本申请的实施例还提供能够实现上述实施例中的一种基于深度学习的胰腺囊性病变临床决策方法中全部步骤的一种电子设备的具体实施方式，参见图5，电子设备300具体包括如下内容：

处理器310、存储器320、通信单元330和总线340；

其中，处理器310、存储器320、通信单元330通过总线340完成相互间的通信；通信单元330用于实现服务器端设备以及终端设备等相关设备之间的信息传输。

处理器310用于调用存储器320中的计算机程序，处理器执行计算机程序时实现上述实施例中的一种基于深度学习的胰腺囊性病变临床决策方法中的全部步骤。

本领域普通技术人员应理解：存储器可以是，但不限于，随机存取存储器(RandomAccess Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(Programmable ReadOnlyMemory，简称：PROM)，可擦除只读存储器(ErasableProgrammable ReadOnly Memory，简称：EPROM)，电可擦除只读存储器(Electric ErasableProgrammable ReadOnly Memory，简称：EEPROM)等。其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序。进一步地，上述存储器内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。

处理器可以是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(NetworkProcessor，简称：NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质包括程序，所述程序在被处理器执行时用于执行前述任一方法实施例提供的一种基于深度学习的胰腺囊性病变临床决策方法。

本领域普通技术人员应理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质，具体的介质类型本申请不做限制。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。