技术特征：
1.一种基于相似度特征图的弱监督自动诊断和分级系统其特征在于，包括分类网络、特征融合网络以及分级网络这三个部分，各部分具体实现如下：所述的分类网络:采取resnet-modify模块，通过1x1的卷积给与通道不同的权重值，让通道之间可以根据自适应的权重值进行特征组合；所述的特征融合网络:根据分类网络得到正常人的特征图和病人的特征图进行特征融合；所述的分级网络:基于特征融合网络提取出的特征图x，经过分级网络后，输出对应的患者分级。2.根据权利要求1所述的一种基于相似度特征图的弱监督自动诊断和分级方法，其特征在于，包括以下步骤：病人和正常的mri图像进行配对，形成1000对数据样本，利用分类网络提取出每一对mri图像的特征，再将每一队mri图像的特征进行拼接再输入到特征融合网络进行特征融合，融合之后再对病人进行胶质瘤分级。3.根据权利要求1所述的一种基于相似度特征图的弱监督自动诊断和分级系统，其特征在于，所述的一种基于相似度特征图的弱监督自动诊断和分级方法，具体步骤如下：(1)采集1000位病人和1000张正常人大脑核磁共振成像；此数据集要求由三名影像科医生对其进行判别病人是否患有胶质瘤，若患有胶质瘤的核磁共振成像还需标注出当前处于分级，对于有争议的图片将进行复议；2000张图片按照60％：20％：20％划分训练集、验证集和测试集；(2)包含数据增强和数据预处理过程，准备的tiff格式的脑部核磁共振图片可读取三个维度，因为第一维度和第三维度的图片尺寸分别过大和过小，所以选择了大小适中的第二维度的图片用于模型训练；神经网络的输入尺寸为512*512，并且在训练集上通过随机旋转(0
°
，90
°
，180
°
，270
°
)和随机翻转进行数据增强；(3)提出了基于弱监督的自动诊断与分级的网络，包括分类网络、特征融合网络以及病变分级网络；其中网络中的分类网络是共享权重的，其中，分类网络中，提出了resnet-modify的模块来自适应融合特征，提高分类准确率；在特征融合网络部分，提出了相似度特征图的计算方式，计算出了正常mri图像和病人mri图像的特征图异同，帮助提取出并病变区域，并采用多操作来对特征进行融合；在分级网络部分，因为病变区域常常聚集在一起，因此采用了上下文注意力(cab)模块来提取出上下文的信息，有助于提高分类准确率；(4)在模型的训练过程中先采用2000张mri图像先训练好分类网络，随后再将病人和正常的mri图像进行配对，形成1000对数据样本，再利用分类网络提取出每一对mri图像的特征，随后将每一队mri图像的特征进行拼接再输入到特征融合网络进行特征融合，融合之后再对当前病人进行胶质瘤分级；(5)在模型预测时，医生只需要输入当前病人的mri，即可利用分类网络得出病人是否患有胶质瘤，若患有胶质瘤，系统会提取出分类网络主干部分的特征图，再跟系统保存的正常人的特征图拼接在一起，进行特征融合，再利用分级网络输出当前患者的分级。
技术总结
本发明公开了一种基于相似度特征图的弱监督自动诊断和分级系统，它涉及深度学习、计算机视觉、医疗影像技术领域。本发明中将相似度特征图应用于脑胶质瘤的诊断和分级，无需再标注出大脑核磁共振成像(MRI)中的病变区域，在较少的人工标注情况下，通过MRI来判断患者是否患有胶质瘤。若患有胶质瘤再自动提取出病变区域对其进行分类，来判断其胶质瘤的分级。其分析诊断的精度可以达到甚至超过国际专家的水平，一方面可以辅助医生做出更加准确的医学决策，减少了误诊或者过度诊断率，提升患者的治疗效果和生存率，另一方面，该胶质瘤诊断和分级系统可以节省大量人力，同时缓解了由于医疗资源分布不均带来的一系列诊断问题。医疗资源分布不均带来的一系列诊断问题。医疗资源分布不均带来的一系列诊断问题。
技术研发人员：张帅 李慧 谢巍盛 徐小龙
受保护的技术使用者：天翼电子商务有限公司
技术研发日：2021.12.30
技术公布日：2022/5/25