[發(fā)明專利]針對胰腺癌與胰腺炎性疾病進行智能輔助鑒別的方法

有效

• 申請?zhí)枺?/td>: 201810141703.4
• 申請日: 2018-02-11
• 公開（公告）號: CN108537773B
• 公開（公告）日: 2022-06-17
• 發(fā)明（設(shè)計）人: 楊曉冬;程超;左長京;張玉全;劉兆邦;孫高峰;潘桂霞
• 申請（專利權(quán)）人: 中國科學院蘇州生物醫(yī)學工程技術(shù)研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/50;G06N3/04;G06N3/08;G06V10/774;G06V10/82;G06K9/62;G16H30/20;G16H50/20
• 代理公司: 北京遠大卓悅知識產(chǎn)權(quán)代理有限公司 11369
• 代理人: 韓飛

1.一種針對胰腺癌與胰腺炎性疾病進行智能輔助鑒別的方法，其特征在于，包括下述步驟：

1)對胰腺醫(yī)學影像數(shù)據(jù)進行讀取和歸一化操作，得到歸一化圖像；

2)對歸一化圖像進行去噪、配準以及圖像融合，得到多模態(tài)融合圖像；

3)在胰腺結(jié)構(gòu)顯示清晰的圖像中選取感興趣區(qū)并映射到其他圖像上，同時將該感興趣區(qū)保存為后續(xù)分類網(wǎng)絡(luò)可識別的自然圖像格式；

4)根據(jù)所選取的感興趣區(qū)，對多模態(tài)融合圖像的特征進行提取、分類和融合，并針對融合后的特征建立基本分類網(wǎng)絡(luò)模型；

5)對各個基本分類網(wǎng)絡(luò)的分類結(jié)果進行鑒別，獲得最終的分類鑒別結(jié)果；

步驟4)中的特征提取、分類、融合以及建立基本分類網(wǎng)絡(luò)模型的具體步驟如下：

A：對多模態(tài)融合圖像構(gòu)建專用深度金字塔卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的結(jié)構(gòu)為在全連接層之前使用一系列金字塔池化層，從而允許輸入圖像為任意尺寸；

B：將數(shù)據(jù)輸入多模態(tài)融合圖像專用深度金字塔卷積神經(jīng)網(wǎng)絡(luò)，提取由全連接層輸出的特征，生成特征圖；

C：基于雙線性融合函數(shù)對上述特征進行融合，即將兩個特征圖的對應位置元素進行外積運算后求和，得到融合特征圖，該融合特征圖的通道數(shù)是原始特征圖通道數(shù)的平方，表示為

其中，y_bil表示融合特征圖，x^a和x^b表示特征圖，x^a、x^b∈R^H×W×D，H、W、D分別表示特征圖的長度、寬度和通道數(shù)量，a、b代表不同圖像，指a特征圖中不同通道中位置(i,j)處的特征值，指b特征圖中不同通道中位置(i,j)處的特征值；指計算得到的值所屬的范圍，其中，D²表示通道數(shù)量為原來的平方；

D：采用卷積融合函數(shù)對融合特征圖進行降維處理，得到降維的融合特征圖，即將雙線性融合函數(shù)的融合結(jié)果與濾波器f進行卷積運算，同時引入偏差值bias，從而實現(xiàn)降維，表示為

y^conv＝y(tǒng)_bil*f+bias，

其中，y^conv為卷積融合函數(shù)，f表示二維卷積，f∈R^1×1×2D×D，其中，1×1×2D×D分別表示特征圖的數(shù)量、長度、寬度以及通道數(shù)；bias表示卷積運算中的偏移量，bias∈R^D；

E：根據(jù)降維的融合特征圖訓練一個分類模型，即建立基本分類網(wǎng)絡(luò)模型，其中，所用分類方法為將弱分類模型組合形成強分類模型，或者訓練一個核函數(shù)方法的支持向量機；

步驟5)中的鑒別步驟如下：

a：通過訓練數(shù)據(jù)對所建立的各基本分類網(wǎng)絡(luò)模型進行訓練，計算分類誤差率；

b：根據(jù)分類誤差率計算各基本分類網(wǎng)絡(luò)模型的系數(shù)；

c：將各基本分類網(wǎng)絡(luò)模型的類別標簽統(tǒng)一，求各基本分類網(wǎng)絡(luò)模型對待測實例在每一類別標簽上的預測概率，去除偏離點后對剩余預測概率進行加權(quán)表決，并獲得最終的分類鑒別結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟1)中所述胰腺醫(yī)學影像數(shù)據(jù)來源于PACS系統(tǒng)和醫(yī)學成像設(shè)備。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟2)中所述圖像融合采用像素級圖像融合技術(shù)，包括空間域算法和變換域算法。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟3)中所述感興趣區(qū)為包含病灶處全部胰腺組織的矩形，所述自然圖像格式為.png或.bmp。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述分類誤差率的計算方法為：設(shè)基本分類網(wǎng)絡(luò)模型共有M個，記作C_m，m＝{1,2，…，M}，訓練數(shù)據(jù)集T＝{(y₁，x₁)，(y₂，x₂)，…，(y_N，x_N)},其中y_i∈Y＝{-1,+1}，計算第m個分類模型在訓練數(shù)據(jù)集上的分類誤差率e_m，公式為

所述各基本分類網(wǎng)絡(luò)模型的系數(shù)為α_m，計算公式為