胰腺增强CT图像分类方法、电子设备、介质及系统

胰腺增强ct图像分类方法、电子设备、介质及系统
技术领域
1.本发明涉及医学图像处理领域，特别涉及一种胰腺增强ct图像分类方法、电子设备、介质、系统。


背景技术：

2.肿块型慢性胰腺炎和胰腺导管腺癌在临床表现、危险因素、影像学特征、和实验室结果等方面类似，因此区分它们具有一定的难度。通过医学影像技术来区分肿块型慢性胰腺炎和胰腺导管腺癌具有较佳的协助诊断功能，但是准确性较低。
3.在相关技术中，采用双能量计算机断层扫描dual-energy computed tomography，dect)、灌注ct和磁共振成像(mri)的扩散加权成像(diffusion-weighted imaging，dwi)来区分mfcp和pdac。然而，采用上述方法来区分仍然具有挑战性，总体失败率高达25％。此外，dect、灌注ct和dwi需要特殊的序列，很难被广泛使用。


技术实现要素：

4.本技术提供了一种胰腺增强ct图像分类方法、电子设备、介质及系统，可以提高利用图像分类的准确性。
5.本技术的第一方面公开了一种胰腺增强ct图像分类方法，所述方法包括，采集胰腺增强ct图像并标记肿块区域；记录所述肿块区域的影像学参数，得到影像学参数数据集；提取所述肿块区域的影像组学特征，得到肿块组学参数数据集，对于所述肿块组学参数数据集进行特征筛选，选取目标特征，计算组学分值；根据所述影像学参数数据集和所述组学分值构建模型；根据所述模型对所述胰腺增强ct图像分类。
6.在上述第一方面的一种可能的实现中，所述特征筛选包括单变量分析、spearman相关性分析及lasso算法。
7.在上述第一方面的一种可能的实现中，构建模型包括对所述影像学参数数据集和所述组学分值依次进行单变量回归分析和多变量回归分析。
8.在上述第一方面的一种可能的实现中，所述方法包括将所述模型可视化为诺模图。
9.在上述第一方面的一种可能的实现中，将所述胰腺增强ct图像分为训练集和验证集，所述训练集用于构建所述模型，所述验证集用于验证所述模型。
10.在上述第一方面的一种可能的实现中，根据胰腺增强ct图像的拍摄时间的顺序将所述胰腺增强ct图像分为训练集和验证集。
11.在上述第一方面的一种可能的实现中，提取所述肿块区域的影像组学特征包括一阶统计量、形状特征、灰度共生矩阵特征、灰度依赖矩阵特征、灰度行程长度矩阵特征、灰度尺度区域矩阵特征和邻域灰度区域差分矩阵特征。
12.本技术的第二方面公开了一种电子设备，所述设备包括存储有计算机可执行指令的存储器和处理器；当所述指令被所述处理器执行时，使得所述设备实施根据本技术第一
方面的所述的胰腺增强ct图像分类方法。
13.本技术的第三方面公开了一种计算机可读介质，所述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，以实现本技术第一方面的所述的胰腺增强ct图像分类方法。
14.本技术的第四方面公开了一种胰腺增强ct图像分类系统，所述系统包括，采集模块，用于采集胰腺增强ct图像并标记肿块区域；第一参数模块，用于记录所述肿块区域的影像学参数，得到影像学参数数据集；第二参数模块，用于提取所述肿块区域的影像组学特征，得到肿块组学参数数据集，对于所述肿块组学参数数据集进行特征筛选，选取目标特征，计算组学分值；构建模块，用于根据所述影像学参数数据集和所述组学分值构建模型；分类模块，用于根据所述模型对所述胰腺增强ct图像分类。
15.本技术的第五方面公开了一种计算机程序产品，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的胰腺增强ct图像分类方法
16.本技术提供的胰腺增强ct图像分类方法和装置，通过利用增强ct图像中的常规影像学参数和组学特征，并对组学特征筛选计算组学分值，利用常规影像学参数和组学分值构建判断模型，可以提高利用影像学对mfcp和pdac分类的准确性，并且本技术的增强ct图像分类方法无需特殊的序列，易于操作。
附图说明
17.图1为本技术一个实施例的胰腺增强ct图像分类方法的流程示意图；
18.图2为将本技术一个实施例的预测模型可视化的诺模图的示意图；
19.图3为本技术一个实施例的运用诺模图进行分类的胰腺增强图像的实例；
20.图4为本技术一个实施例的预测模型在训练集和验证集上的roc曲线的示意图；
21.图5为本技术一个实施例的本技术的一个实施例的胰腺增强ct图像分类系统的结构示意图；
22.图6为本技术的一个实施例的电子设备600的框图。
具体实施方式
23.下面结合具体实施例和附图对本技术做进一步说明。可以理解的是，本公开的说明性实施例包括但不限于胰腺增强ct图像分类方法、电子设备、介质及系统，此处描述的具体实施例仅仅是为了解释本技术，而非对本技术的限定。此外，为了便于描述，附图中仅示出了与本技术相关的部分而非全部的结构或过程。
24.以下由特定的具体实施例说明本技术的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本技术的其他优点及功效。虽然本技术的描述将结合较佳实施例一起介绍，但这并不代表此发明的特征仅限于该实施方式。恰恰相反，结合实施方式作发明介绍的目的是为了覆盖基于本技术的权利要求而有可能延伸出的其它选择或改造。为了提供对本技术的深度了解，以下描述中将包含许多具体的细节。本技术也可以不使用这些细节实施。此外，为了避免混乱或模糊本技术的重点，有些具体细节将在描述中被省略。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
25.此外，各种操作将以最有助于理解说明性实施例的方式被描述为多个离散操作；
然而，描述的顺序不应被解释为暗示这些操作必须依赖于顺序。特别是，这些操作不需要按呈现顺序执行。
26.除非上下文另有规定，否则术语“包含”，“具有”和“包括”是同义词。短语“a/b”表示“a或b”。短语“a和/或b”表示“(a和b)或者(a或b)”。
27.如这里所使用的，术语“模块”或“单元”可以指代、是或者包括：专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的(共享、专用或组)处理器和/或存储器、组合逻辑电路和/或提供所描述的功能的其他合适的组件。
28.在一些情况下，所公开的实施例可以以硬件、固件、软件或其任何组合来实现。所公开的实施例还可以被实现为由一个或多个暂时或非暂时性机器可读(例如，计算机可读)存储介质承载或存储在其上的指令，其可以由一个或多个处理器读取和执行。例如，指令可以通过网络或通过其他计算机可读介质的途径分发。因此，机器可读介质可以包括用于以机器(例如，计算机)可读的形式存储或传输信息的任何机制、但不限于、软盘、光盘、光盘、只读存储器(cd-rom)、磁光盘、只读存储器(rom)、随机存取存储器(ram)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)、磁卡或光卡、闪存、或用于通过电、光、声或其他形式的传播信号(例如，载波、红外信号、数字信号等)通过因特网传输信息的有形的机器可读存储器。因此，机器可读介质包括适合于以机器(例如，计算机)可读的形式存储或传输电子指令或信息的任何类型的机器可读介质。
29.在附图中，以特定布置和/或顺序示出一些结构或方法特征。然而，应该理解，可以不需要这样的特定布置和/或排序。在一些实施例中，这些特征可以以不同于说明性附图中所示的方式和/或顺序来布置。另外，在特定图中包含结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征，并且在一些实施例中，可以不包括这些特征或者可以与其他特征组合。
30.应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元或是数据，但是这些单元或数据不应当受这些术语限制。使用这些术语仅仅是为了将一个特征与另一个特征进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一特征可以被称为第二特征，并且类似地第二特征可以被称为第一特征。
31.应注意的是，在本说明书中，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
32.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术的实施方式作进一步地详细描述。
33.在胰腺疾病的诊断中，医学影像学是重要的技术手段之一。协助诊断胰腺疾病的医学影像学技术包括：b超、ct(computed tomography，电子计算机断层扫描)、mri(magnetic resonance imaging，磁共振成像)等。
34.慢性胰腺炎(chronic pancreatitis，cp)为长期的胰腺炎症，其可能会导致胰腺肿大。如果这种肿大是局灶性的，称为肿块型慢性胰腺炎(mass-forming chronic pancreatitis，mfcp)。然而，mfcp和胰腺导管腺癌(pancreatic ductal adenocarcinoma，pdac)在临床表现、危险因素、影像学特征、和实验室结果等方面类似，因此区分mfcp和pdac具有挑战性。并且，mfcp和pdac的预后和治疗方法有很大不同。比如，若将早期的pdac误诊
为mfcp会延迟诊断，使得病变迅速且后期无法切除；若将mfcp误诊为pdac会导致不必要的手术。综上，将mfcp与pdac区分开来是至关重要的。
35.在相关技术中，采用双能量计算机断层扫描dual-energy computed tomography，dect)、灌注ct和磁共振成像(mri)的扩散加权成像(diffusion-weighted imaging，dwi)来区分mfcp和pdac。然而，采用上述方法来区分仍然具有挑战性，总体失败率高达25％。此外，dect、灌注ct和dwi需要特殊的序列，很难被广泛使用。
36.为了解决上述问题，本技术的一个实施例提供了通过放射组学特征来区分mfcp和pdac的胰腺增强ct图像分类方法100，参见图1。
37.参考图1，方法100包括：
38.s110，采集胰腺增强ct图像并标记肿块区域。
39.在一些实施方式中，可以获取一组不同的胰腺增强ct图像集合，并标记胰腺的肿块区域。
40.在放射组学技术中，利用ct可以观察器官的大小、形态、边缘和密度，检查是否有占位性病变及周围组织的血管情况。对于占位性病变，利用ct可以明确定位。对于增强ct可以观察病变的血供情况，从而对占位性病变进行鉴别和诊断。
41.在增强ct扫描中，通常将造影剂静脉注入血管后，造影剂随着血液的流动流向各个器官和病灶。造影剂显影由三个时段，分别是动脉期、门脉期、和延迟期。动脉期指动脉血管充盈显影期，可以展现造影剂流入动脉后所表现出来的特点；门脉期是指静脉血管充盈显影期，可以展现动脉期后血液经过门静脉时所表现出的特点；延迟期是在动脉期和门脉期之后所表现出的特点。注射造影剂后的动脉期时间范围在20-25秒，门脉期时间范围在60-70秒，延迟期时间范围在110-130秒。
42.s120，记录所述肿块区域的影像学参数，得到影像学参数数据集。
43.根据标记的肿块区域，记录每个肿块的常规影像学参数，组成常规影像学参数数据集。常规影像学参数的特征包括如下的一种或多种：(1)肿块的位置，例如肿块位于头部、颈部、或中部、胰腺的尾部；(2)肿块的大小，可用肿块的最大横截面直径来表征；(3)囊变，肿瘤面积小于50％的增强实性部分被认为是囊变；(4)在非增强期ct中可见钙化；(5)边缘，轮廓良好意味着肿瘤边缘光滑清晰，轮廓不清意味着肿瘤周围有针状或浸润超过90
°
；(6)导管实质比率≥0.34，该值可在在脾脏/门静脉汇合处水平测量胰管直径和胰腺直径得出；(7)导管穿通征，指的是穿越胰腺肿块的胰腺导管平滑变窄，无突发性阻塞；(8)双管征；(9)血管侵入，标准是血管闭塞、狭窄、或血管超过一半的周长与肿瘤接触；(10)胰腺导管截止；(11)门脉高压，是一种由胰腺疾病引起的脾脏肿大和静脉曲张；(12)胰腺周围渗出；(13)淋巴腺肿大，指的是淋巴腺短轴直径≥1cm；以及(14)肿块在非增强期、动脉期、门静脉期、和延迟期的ct衰减。
44.s130，提取所述肿块区域的影像组学特征，得到肿块组学参数数据集，对于所述肿块组学参数数据集进行特征筛选，选取目标特征，计算组学分值。
45.在增强ct的门脉期中，可以对肿块区域进行影像组学特征提取，提取到的特征组成肿块组学参数数据集。
46.在一些实施方式中，可以采用开源的python包pyradiomics(版本1.2.0)来提取影像组学特征。例如，例如，对于来自不同患者的138个胰腺增强图像，可以提取共计1409个门
脉期肿块的二维和三维特征，这些提取到的组学特征共同组成了肿块组学参数数据集。
47.在一些实施方式中，从肿块区域的影像学参数中提取的特征包括以下几类：一阶统计量、形状特征、灰度共生矩阵特征、灰度依赖矩阵特征、灰度行程长度矩阵特征、灰度尺度区域矩阵特征和邻域灰度区域差分矩阵特征。
48.对于肿块组学参数数据集的特征筛选，在一些实施方式中，可以使用单变量分析、spearman相关性分析及lasso(least absolute shrinkage and selection operator)逻辑回归算法对肿块组学参数数据集中的特征进行筛选，即降维，以获取目标特征。例如，对于上述提取的1409个门脉期肿块的二维和三维特征，从中剔除掉在mfcp和pdac中区别不明显的特征、以及与pdac没有相关性的特征(p＝0.98
–
0.10)之后，还剩余94个特征。其中，p为统计学中的p value，指的是在原假设正确时，出现当前证据或更强的证据的概率。当p》0.05时，表示两组数据之间无显著统计学意义。这里，p＝0.98
–
0.10表示mfcp和pdac之间的差别不显著，因此可以将相关特征去除。然后再通过lasso逻辑回归算法模型对这94个特征降维，最终得到8个最相关的组学特征。利用lasso方程式可以计算得到门脉期的组学分值rad-scores。提取得到的8个特征及组学分值的计算公式参见表1。一般地，门脉期肿块的组学特征可以分为两大类，原始(original)特征类和过滤(filter)类。其中过滤(filter)种可以分为五类：即wavelet(小波滤波),square(平方),square root(平方根),logarithm(对数),和exponential(指数)。表1中各特征的表达形式中a_b_c_d中，a代表特征所属的类别。其中，在小波滤波中，小波滤波可以由各维度的高通(h)和低通(l)滤波组合组成，包括wavelet-llh、wavelet-lhl、wavelet-lhh、wavelet-hll、wavelet-hlh、wavelet-hhl、wavelet-lll和wavelet-hhh。另外，shape_flatness表示形状特征中平直度显示roi(感兴趣区域)形状中最大和最小主要组件之间的关系；firstorder表示一阶统计量，包括minimum-roi中的灰度值的最小值、mean-roi内的中位灰度强度、maximum-roi内的最大灰度强度等；glcm(grey-level co-occurrence matrix)为灰度共生矩阵，表示的是灰度图像中某种形状的像素对，在全图中出现的次数，其中包括特征clustershade、imc1、imc2等。
49.根据r软件(版本3.3.3)，利用logistic回归，可以得出这8个组学特征的数值，以及各自的权重β值，最终计算组学分值。
50.表1提取的最相关8个特征和lasso回归方程式
[0051][0052]
组学分值＝0.062 0.027
×
original_shape_flatness 0.180
×
[0053]
squareroot_firstorder_minimum-0.013
×
wavelet-lhl_glcm_clustershade 0.060
×
[0054]
wavelet-hll_firstorder_mean 0.012
×
wavelet-hll_glcm_imc2 0.087
×
[0055]
wavelet-llh_firstordermean 0.010
×
wavelet-hlh_firstorder_maximum-0.287
×
[0056]
wavelet-hhl_glcm_imc1
[0057]
s140，根据所述影像学参数数据集和所述组学分值构建模型。
[0058]
根据影像学参数数据集和组学分值，采用回归分析对构建分类模型。在一些实施方式中，可以对影像学参数数据集和组学分值依次进行单因素回归分析和多因素回归分析。
[0059]
通过单因素回归分析可以筛选出与mfcp和pdac分类显著相关的特征。在一些实施方式中，在单因素回归分析中，可以将p值《0.05的特征保留，即与mfcp和pdac分类高相关的特征，将p值≥0.05的特征删除。
[0060]
在通过单因素回归分析之后，可以对这些特征进行多因素回归分析，以建立预测模型。
[0061]
进入多因素回归分析中的变量包括囊变、导管实质比率≥0.34、导管穿通征、胰腺导管切断、胰腺门脉高压、动脉期肿块ct值、门脉期肿块ct值、延迟期肿块ct值、血管侵犯(vascular invasion)和放射组学评分。
[0062]
在一些实施方式中，可以根据建立的模型的aic值(akaike information criterion)为标准，在多个模型中选择最佳组合模型，最终，将囊变(p＜0.001)、导管实质比率≥0.34(p＝0.13)、导管穿通征(p＝0.13)、胰腺门脉高压(p＝0.15)、动脉期肿块ct值(p＝0.03)和放射组学评分(p＝0.001)选入影像学模型，参见表2。
[0063]
表2多元回归预测模型
[0064][0065]
注:s.e.:标准误,or:比值比,ci:可信区间
[0066]
s150，根据所述模型对所述胰腺增强ct图像分类。
[0067]
构建好的模型可用于其它胰腺增强ct图像的分类。例如，根据表2中的预测模型的计算公式计算模型输出值，再根据输出值的范围确定当前胰腺增强ct图像属于mfcp或是pdac。
[0068]
在一些实施方式中，可以将构建的模型可视化为诺模图。诺模图(nomogram)是根据一定的几何条件，把一个数学方程的几个变量之间的函数关系，画成相应的用具有刻度的直线或曲线表示的计算图表。
[0069]
图2示出了将表2中的多元回归预测模型可视化的诺模图。在图2中，对于表2中的特征囊变、导管实质比率≥0.34、导管穿通征、胰腺门脉高压、动脉期肿块ct值和放射组学评分分别以具有刻度的直线表示，最终根据总分(即输出值)的数值范围区分mfcp和pdac。
[0070]
对于在图2中利用诺模图区分mfcp和pdac，图3给出了运用诺模图进行分类的实例。
[0071]
图3a-c示出了患者a的ct图像，其中，a)横断面ct平扫可见胰头部可见一枚等密度肿块(如箭头所示)，其内可见散在点状高密度钙化影；b)横断面动脉期可见肿块中度均匀强化(如箭头所示)，ct值为62hu，无囊变；c)冠状位动脉期图像可见主胰管扩张(最下方的箭头)，导管实质比率≥0.34(上面三个箭头)，无门脉高压。根据本技术中的胰腺增强ct图像分类方法，判断患者a患有pdac的概率为80％。
[0072]
在图3d-f示出了患者b的ct图像，其中，d)横断面ct平扫可见胰头部一枚等密度肿块(如箭头所示)，边缘可见一枚高密度钙化影；e)横断面ct动脉期图像示胰头部肿块不均匀轻度强化(如箭头所示)，ct值为58hu，有囊变；f)冠状面门脉期图像示导管穿通征(如右边的箭头所示)，导管实质比率≥0.34，无门脉高压。根据本技术中的胰腺增强ct图像分类方法，判断患者b患有pdac的概率为10％。
[0073]
根据患者a、b的其它信息，患者a病理确诊为pdac，而术前ct误诊为mfcp；而患者b的病理确诊mfcp，术前ct误诊为pdac。因此，和相关技术相比，根据本技术的胰腺增强ct图像分类方法可以提高利用影像学对mfcp和pdac分类的准确性，这有助于术前指导患者的治疗和预测其预后，并且本技术的增强ct图像分类方法无需特殊的序列，易于操作。
[0074]
在一些实施方式中，可以采用训练集和验证集来验证所构建的模型的准确性。例如，对于来自不同患者的138个胰腺增强图像，可以按照图像的采集时间将其分为两组，即训练集(103个)和验证集(55个)。其中，训练集用于构建模型，验证集用于验证模型。图4示出了用表2中的多元回归预测模型在训练集和验证集上的roc曲线(receiver operating characteristic curve，受试者工作特征曲线)。
[0075]
roc曲线又称为感受性曲线(sensitivity curve)。曲线上各点反映着相同的感受性，它们都是对同一信号刺激的反应。roc曲线下面积(the area under the roc curve,auc)是指roc曲线与x轴、(1，0)-(1，1)围绕的面积。一般地，只要auc大于0.5，就证明该诊断试验具有一定的诊断价值。同时，auc越接近1，离(0，1)点越近，证明诊断试验的真实性越好。
[0076]
根据图4，表2中的模型在训练集和验证集上的auc分别为0.91和0.93，说明表2中的多元回归预测模型的预测效果较佳。
[0077]
现在参考图5，图5示出了本技术的一个实施例的胰腺增强ct图像分类系统的结构
示意图。胰腺增强ct图像分类系统包括，采集模块501，用于采集胰腺增强ct图像并标记肿块区域；第一参数模块502，用于记录所述肿块区域的影像学参数，得到影像学参数数据集；第二参数模块503，用于提取所述肿块区域的影像组学特征，得到肿块组学参数数据集，对于所述肿块组学参数数据集进行特征筛选，选取目标特征，计算组学分值；构建模块504，用于根据所述影像学参数数据集和所述组学分值构建模型；分类模块505，用于根据所述模型对所述胰腺增强ct图像分类。
[0078]
现在参考图6，所示为根据本技术的一个实施例的电子设备600的框图。电子设备600可以包括一个或多个处理器602，与处理器602中的至少一个连接的系统控制逻辑608，与系统控制逻辑608连接的系统内存604，与系统控制逻辑608连接的非易失性存储器(nvm)606，以及与系统控制逻辑608连接的网络接口610。
[0079]
处理器602可以包括一个或多个单核或多核处理器。处理器602可以包括通用处理器和专用处理器(例如，图形处理器，应用处理器，基带处理器等)的任何组合。在本文的实施例中，处理器602可以被配置为执行根据如图1所示的各种实施例的一个或多个实施例。
[0080]
在一些实施例中，系统控制逻辑608可以包括任意合适的接口控制器，以向处理器602中的至少一个和/或与系统控制逻辑608通信的任意合适的设备或组件提供任意合适的接口。
[0081]
在一些实施例中，系统控制逻辑608可以包括一个或多个存储器控制器，以提供连接到系统内存604的接口。系统内存604可以用于加载以及存储数据和/或指令。在一些实施例中设备600的内存604可以包括任意合适的易失性存储器，例如合适的动态随机存取存储器(dram)。
[0082]
nvm/存储器606可以包括用于存储数据和/或指令的一个或多个有形的、非暂时性的计算机可读介质。在一些实施例中，nvm/存储器606可以包括闪存等任意合适的非易失性存储器和/或任意合适的非易失性存储设备，例如hdd(hard disk drive，硬盘驱动器)，cd(compact disc，光盘)驱动器，dvd(digital versatile disc，数字通用光盘)驱动器中的至少一个。
[0083]
nvm/存储器606可以包括安装在设备600的装置上的一部分存储资源，或者它可以由设备访问，但不一定是设备的一部分。例如，可以经由网络接口610通过网络访问nvm/存储606。
[0084]
特别地，系统内存604和nvm/存储器606可以分别包括：指令620的暂时副本和永久副本。指令620可以包括：由处理器602中的至少一个执行时导致设备600实施如图1所示的方法的指令。在一些实施例中，指令620、硬件、固件和/或其软件组件可另外地/替代地置于系统控制逻辑608，网络接口610和/或处理器602中。
[0085]
网络接口610可以包括收发器，用于为设备600提供无线电接口，进而通过一个或多个网络与任意其他合适的设备(如前端模块，天线等)进行通信。在一些实施例中，网络接口610可以集成于设备600的其他组件。例如，网络接口610可以集成于处理器602的，系统内存604，nvm/存储器606，和具有指令的固件设备(未示出)中的至少一种，当处理器602中的至少一个执行所述指令时，设备600实现图1所示的各种实施例的一个或多个实施例。
[0086]
网络接口610可以进一步包括任意合适的硬件和/或固件，以提供多输入多输出无线电接口。例如，网络接口610可以是网络适配器，无线网络适配器，电话调制解调器和/或
无线调制解调器。
[0087]
在一个实施例中，处理器602中的至少一个可以与用于系统控制逻辑608的一个或多个控制器的逻辑封装在一起，以形成系统封装(sip)。在一个实施例中，处理器602中的至少一个可以与用于系统控制逻辑608的一个或多个控制器的逻辑集成在同一管芯上，以形成片上系统(soc)。
[0088]
设备600可以进一步包括：输入/输出(i/o)设备612。i/o设备612可以包括用户界面，使得用户能够与设备600进行交互；外围组件接口的设计使得外围组件也能够与设备600交互。
[0089]
在一些实施例中，用户界面可包括但不限于显示器(例如，液晶显示器，触摸屏显示器等)，扬声器，麦克风，一个或多个相机(例如，静止图像照相机和/或摄像机)，手电筒(例如，发光二极管闪光灯)和键盘。
[0090]
在一些实施例中，外围组件接口可以包括但不限于非易失性存储器端口、音频插孔和电源接口。
[0091]
本技术的各方法实施方式均可以以软件、磁件、固件等方式实现。
[0092]
可将程序代码应用于输入指令，以执行本文描述的各功能并生成输出信息。可以按已知方式将输出信息应用于一个或多个输出设备。为了本技术的目的，处理系统包括具有诸如例如数字信号处理器(dsp)、微控制器、专用集成电路(asic)或微处理器之类的处理器的任何系统。
[0093]
程序代码可以用高级程序化语言或面向对象的编程语言来实现，以便与处理系统通信。在需要时，也可用汇编语言或机器语言来实现程序代码。事实上，本文中描述的机制不限于任何特定编程语言的范围。在任一情形下，该语言可以是编译语言或解释语言。
[0094]
至少一个实施例的一个或多个方面可以由存储在计算机可读存储介质上的表示性指令来实现，指令表示处理器中的各种逻辑，指令在被机器读取时使得该机器制作用于执行本文所述的技术的逻辑。被称为“ip核”的这些表示可以被存储在有形的计算机可读存储介质上，并被提供给多个客户或生产设施以加载到实际制造该逻辑或处理器的制造机器中。
[0095]
本技术的一个实施例公开了一种计算机可读介质，存储有可被一个或者多个处理器执行的一个或者多个程序，以实现本技术的胰腺增强ct图像分类方法。
[0096]
本技术的一个实施例公开了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本技术的胰腺增强ct图像分类方法。
[0097]
虽然通过参照本发明的某些优选实施例，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。