本发明涉及医学图像识别，具体涉及一种基于mri图像的肝纤维化识别方法、系统及存储介质。
背景技术：
1、肝纤维化(hepaticfibrosis)是指肝脏内弥漫性细胞外基质(特别是胶原)过度沉积，是各种慢性肝病发展为肝硬化、肝癌的必经途径。核磁共振成像(magneticresonanceimaging,mri)作为一种以非入侵方式的弥散成像方式，能实现肝纤维化的特异性显像。
2、现有的肝纤维化的识别方法可以通过对肝部的mri图像切片中的肝纤维化区域进行预测或者识别，得到肝纤维化的识别结果，此方法对于肝纤维化中晚期具有较好的识别精度。然而，肝纤维化早期mri图像由于纤维化程度轻，导致难以准确的判别出早期纤维化，因此现有肝纤维化识别技术难以做到全周期的纤维化识别，纤维化准确度难以保证。
技术实现思路
1、本发明的目的在于提供一种基于mri图像的肝纤维化识别方法，以解决现有技术中难以做到全周期的纤维化识别，纤维化准确度难以保证的技术问题。
2、为解决上述技术问题，本发明具体提供下述技术方案：
3、在本发明的第一方面，本发明提供了一种基于mri图像的肝纤维化识别方法，包括以下步骤：
4、获取肝脏组织的mri图像，所述肝脏组织的mri图像包含早期纤维化mri图像、中晚期纤维化mri图像；
5、通过第一分类器对所述早期纤维化mri图像进行分类训练，构建第一早期纤维化识别模型，并利用中晚期纤维化mri图像将第一早期纤维化识别模型迁移至第一中晚期纤维化识别模型；
6、通过第二分类器对所述中晚期纤维化mri图像进行分类训练，构建第二中晚期纤维化识别模型，并利用早期纤维化mri图像将第二中晚期纤维化识别模型迁移至第二早期纤维化识别模型；
7、将第一早期纤维化识别模型、第二早期纤维化识别模型、第一中晚期纤维化识别模型以及第二中晚期纤维化识别模型进行组合，构成全周期纤维化识别模型。
8、作为本发明的一种优选方案，所述第一早期纤维化识别模型的构建方法包括：
9、对早期纤维化mri图像赋予早期纤维化标签；
10、将所述早期纤维化mri图像作为第一分类器的输入项，将早期纤维化标签作为第一分类器的输出项；
11、利用第一分类器对第一分类器的输入项和第一分类器的输出项进行训练，得到根据早期纤维化mri图像获取早期纤维化标签的第一早期纤维化识别模型；
12、所述第一早期纤维化识别模型为：
13、labela＝classifier_model1(mri_a)；
14、式中，labela为早期纤维化标签，mri_a为早期纤维化mri图像，classifier_model1为第一分类器。作为本发明的一种优选方案，所述第一中晚期纤维化识别模型的构建方法包括：
15、对中晚期纤维化mri图像赋予中晚期纤维化标签；
16、将中晚期纤维化mri图像作为第一早期纤维化识别模型的输入项，将中晚期纤维化标签作为第一早期纤维化识别模型的输出项；
17、利用第一早期纤维化识别模型对第一早期纤维化识别模型的输入项和第一早期纤维化识别模型的输出项进行迁移训练，得到根据中晚期纤维化mri图像获取中晚期纤维化标签的第一中晚期纤维化识别模型；
18、所述第一中晚期识别模型为：
19、labelbc＝classifier_model1(mri_bc)；
20、式中，labelbc为中晚期纤维化标签，mri_bc为中晚期纤维化mri图像，classifier_model1为第一分类器。
21、作为本发明的一种优选方案，所述第二中晚期纤维化识别模型的构建方法包括：
22、对中晚期纤维化mri图像赋予中晚期纤维化标签；
23、将所述中晚期纤维化mri图像作为第二分类器的输入项，将中晚期纤维化标签作为第二分类器的输出项；
24、利用第二分类器对第二分类器的输入项和第二分类器的输出项进行训练，得到根据中晚期纤维化mri图像获取中晚期纤维化标签的第二中晚期纤维化识别模型；
25、所述第二中晚期纤维化识别模型为：
26、labelbc＝classifier_model2(mri_bc)；
27、式中，labelbc为中晚期纤维化标签，mri_bc为中晚期纤维化mri图像，classifier_model2为第二分类器。
28、作为本发明的一种优选方案，所述第二早期纤维化识别模型的构建方法包括：
29、对早期纤维化mri图像赋予早期纤维化标签；
30、将早期纤维化mri图像作为第二中晚期纤维化识别模型的输入项，将早期纤维化标签作为第二中晚期纤维化识别模型的输出项；
31、利用第二中晚期纤维化识别模型对第二中晚期纤维化识别模型的输入项和第二中晚期纤维化识别模型的输出项进行迁移训练，得到根据早期纤维化mri图像获取早期纤维化标签的第二早期纤维化识别模型；
32、所述第二早期识别模型为：
33、labela＝classifier_model2(mri_a)；
34、式中，labela为早期纤维化标签，mri_a为早期纤维化mri图像，classifier_model2为第二分类器。
35、作为本发明的一种优选方案，所述全周期纤维化识别模型的构建方法包括：
36、将所述第一早期纤维化识别模型、第一中晚期纤维化识别模型、第二早期纤维化识别模型和第二中晚期纤维化识别模型进行组合，得到所述全周期纤维化识别模型；
37、所述全周期纤维化识别模型为：
38、labelabc＝classifier_model(mri_abc)；
39、
40、式中，labelabc为全周期纤维化标签的预测值，mri_abc为全周期纤维化mri图像，classifier_model为分类器；
41、其中，全周期纤维化识别模型的损失函数为：
42、loss＝||label1a-label2a||1+||label1bc-label2bc||1+||labelabc-labelreal||1；
43、式中，loss为损失函数值，label1a和label2a分别为第一早期纤维化识别模型和第二早期纤维化识别模型输出的早期纤维化识别标签，label1bc和label2bc分别为第一中晚期纤维化识别模型和第二中晚期纤维化识别模型输出的中晚期纤维化识别标签，labelreal为全周期纤维化标签的真值，||label1a-label2a||1为label1a和label2a之间的l1范数式，||label1bc-label2bc||1为label1bc和label2bc之间的l1范数式，||labelabc-labelreal||1为labelabc和labelreal之间的l1范数式。
44、作为本发明的一种优选方案，所述全周期纤维化识别模型的评估指标采用分类器的评估指标。
45、作为本发明的一种优选方案，所述第一分类器和第二分类器的结构相同。
46、在本发明的第二方面，本发明提供了一种基于mri图像的肝纤维化识别系统，应用于所述的一种基于mri图像的肝纤维化识别方法，系统包括：
47、图像采集单元，用于获取肝脏组织的mri图像，所述肝脏组织的mri图像包含早期纤维化mri图像、中晚期纤维化mri图像；
48、模型构建单元，用于通过第一分类器对所述早期纤维化mri图像进行分类训练，构建第一早期纤维化识别模型，并利用中晚期纤维化mri图像将第一早期纤维化识别模型迁移至第一中晚期纤维化识别模型；
49、通过第二分类器对所述中晚期纤维化mri图像进行分类训练，构建第二中晚期纤维化识别模型，并利用早期纤维化mri图像将第二中晚期纤维化识别模型迁移至第二早期纤维化识别模型；
50、将第一早期纤维化识别模型、第二早期纤维化识别模型、第一中晚期纤维化识别模型以及第二中晚期纤维化识别模型进行组合，构成全周期纤维化识别模型；
51、识别输出单元，利用全周期纤维化识别模型，根据肝脏组织的mri图像确定出表征肝纤维化进程的纤维化标签。
52、在本发明的第三方面，本发明一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现肝纤维化识别方法。
53、本发明与现有技术相比较具有如下有益效果：
54、本发明利用迁移学习，将早期纤维化识别和中晚期纤维化识别进行相互迁移组合构建出全周期纤维化识别模型，使得纤维化早期和中晚期具有一致的区分度，实现了对早期纤维化区分度的提升，从而保证了肝纤维化在全周期内的高准度识别。
1.一种基于mri图像的肝纤维化识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于mri图像的肝纤维化识别方法，其特征在于：所述第一早期纤维化识别模型的构建方法包括：
3.根据权利要求2所述的一种基于mri图像的肝纤维化识别方法，其特征在于：所述第一中晚期纤维化识别模型的构建方法包括：
4.根据权利要求3所述的一种基于mri图像的肝纤维化识别方法，其特征在于：所述第二中晚期纤维化识别模型的构建方法包括：
5.根据权利要求4所述的一种基于mri图像的肝纤维化识别方法，其特征在于：所述第二早期纤维化识别模型的构建方法包括：
6.根据权利要求5所述的一种基于mri图像的肝纤维化识别方法，其特征在于：所述全周期纤维化识别模型的构建方法包括：
7.根据权利要求6所述的一种基于mri图像的肝纤维化识别方法，其特征在于：所述全周期纤维化识别模型的评估指标采用分类器的评估指标。
8.根据权利要求7所述的一种基于mri图像的肝纤维化识别方法，其特征在于：所述第一分类器和第二分类器的结构相同。
9.一种基于mri图像的肝纤维化识别系统，其特征在于，应用于权利要求1-8任一项所述的一种基于mri图像的肝纤维化识别方法，系统包括：
10.一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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-8任一项所述的方法。
