[發(fā)明專利]一種直腸毒性預(yù)測(cè)系統(tǒng)構(gòu)建方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811226013.5
• 申請(qǐng)日: 2018-10-22
• 公開(kāi)（公告）號(hào): CN109671499B
• 公開(kāi)（公告）日: 2023-06-13
• 發(fā)明（設(shè)計(jì)）人: 甄鑫;何強(qiáng);陳海斌;李欣;孫磊;莫天瀾
• 申請(qǐng)（專利權(quán)）人: 南方醫(yī)科大學(xué)
• 主分類(lèi)號(hào): G16H50/20
• 分類(lèi)號(hào): G16H50/20;G16H50/80
• 代理公司: 北京科億知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11350
• 代理人: 趙蕊紅

1.一種直腸毒性預(yù)測(cè)系統(tǒng)構(gòu)建方法，其特征在于，步驟包括有：

步驟一，分別輸入N個(gè)目標(biāo)對(duì)象的數(shù)據(jù)，得到數(shù)據(jù)模塊，其中N為正整數(shù)；

步驟二，分別對(duì)步驟一得到的數(shù)據(jù)模塊進(jìn)行預(yù)處理，得到預(yù)處理模塊；

步驟三，對(duì)步驟二得到的預(yù)處理模塊分別對(duì)N個(gè)目標(biāo)對(duì)象進(jìn)行特性輸出，得到N個(gè)特性數(shù)據(jù)；

步驟四，將步驟三得到的N個(gè)特性數(shù)據(jù)和步驟一得到的數(shù)據(jù)模塊進(jìn)行預(yù)測(cè)構(gòu)建，得到預(yù)測(cè)構(gòu)建模塊；

所述步驟四具體為，通過(guò)步驟三的N個(gè)特性數(shù)據(jù)進(jìn)行多個(gè)分類(lèi)器訓(xùn)練，然后通過(guò)步驟一得到數(shù)據(jù)模塊分別確定每個(gè)分類(lèi)器的權(quán)重，得到預(yù)測(cè)構(gòu)建模塊，其中各個(gè)分類(lèi)器對(duì)應(yīng)的權(quán)重為w_i,i表示為第i個(gè)分類(lèi)器；

所述分類(lèi)器的個(gè)數(shù)為4個(gè)，即i＝1,2,3,4；

所述分類(lèi)器為VGG16、邏輯回歸、判別分析和貝葉斯；

所述目標(biāo)對(duì)象的數(shù)據(jù)包括直腸CT圖像數(shù)據(jù)、放療劑量分布圖像數(shù)據(jù)和目標(biāo)對(duì)象直腸毒性的標(biāo)簽數(shù)據(jù)；

所述特性數(shù)據(jù)包括有二維累積受照劑量分布圖、劑量體積特征和劑量幾何特征；

所述劑量幾何特征為劑量體積特征和劑量幾何特征共同構(gòu)成的一維劑量參數(shù)特征；

所述步驟四具體為，

步驟4.1、分類(lèi)器訓(xùn)練，

VGG16的訓(xùn)練具體為，采用Python編程語(yǔ)言下的Lasagne深度學(xué)習(xí)包搭建VGG16網(wǎng)絡(luò)，利用ImageNet訓(xùn)練參數(shù)初始化網(wǎng)絡(luò)的每一層的參數(shù)，再將N個(gè)目標(biāo)對(duì)象的二維累積受照劑量分布圖和標(biāo)簽數(shù)據(jù)輸入到VGG16中，調(diào)用fit函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，保存并輸出；

邏輯回歸的訓(xùn)練具體為，采用Python編程語(yǔ)言環(huán)境下的scikit-learn機(jī)器學(xué)習(xí)軟件包來(lái)構(gòu)建邏輯回歸模型，再將N個(gè)目標(biāo)對(duì)象的一維劑量參數(shù)和標(biāo)簽數(shù)據(jù)輸入到邏輯回歸模型，調(diào)用fit函數(shù)進(jìn)行訓(xùn)練，保存并輸出；

判別分析的訓(xùn)練具體為，采用Python編程語(yǔ)言環(huán)境下的scikit-learn機(jī)器學(xué)習(xí)軟件包來(lái)構(gòu)建判別分析模型，再將N個(gè)目標(biāo)對(duì)象的一維劑量參數(shù)和標(biāo)簽數(shù)據(jù)輸入到判別分析模型，調(diào)用fit函數(shù)進(jìn)行訓(xùn)練，保存并輸出；

貝葉斯的訓(xùn)練具體為，采用Python編程語(yǔ)言環(huán)境下的scikit-learn機(jī)器學(xué)習(xí)軟件包來(lái)構(gòu)建貝葉斯模型，再將N個(gè)目標(biāo)對(duì)象的一維劑量參數(shù)和標(biāo)簽數(shù)據(jù)輸入到貝葉斯模型，調(diào)用fit函數(shù)進(jìn)行訓(xùn)練，保存并輸出；

所述VGG16網(wǎng)絡(luò)其中包括13層卷積層和3層全連接層；

步驟4.2、確定各個(gè)分類(lèi)器的權(quán)重，

步驟4.2.1、將步驟三得到的二維累積受照劑量分布圖輸入到VGG16調(diào)用predict函數(shù)進(jìn)行預(yù)測(cè)，得到VGG16預(yù)測(cè)結(jié)果，

將步驟三得到的劑量體積特征和劑量幾何特征合并為一維劑量參數(shù)特征分別輸入到邏輯回歸，調(diào)用predict函數(shù)進(jìn)行預(yù)測(cè)，得到邏輯回歸預(yù)測(cè)結(jié)果，

將步驟三得到的劑量體積特征和劑量幾何特征合并為一維劑量參數(shù)特征分別輸入到邏判別分析，調(diào)用predict函數(shù)進(jìn)行預(yù)測(cè)，得判別分析預(yù)測(cè)結(jié)果，

將步驟三得到的劑量體積特征和劑量幾何特征合并為一維劑量參數(shù)特征分別輸入到貝葉斯調(diào)用predict函數(shù)進(jìn)行預(yù)測(cè)，得貝葉斯預(yù)測(cè)結(jié)果；

步驟4.2.2、根據(jù)步驟4.2.1得到的VGG16預(yù)測(cè)結(jié)果、邏輯回歸預(yù)測(cè)結(jié)果、判別分析預(yù)測(cè)結(jié)果、貝葉斯預(yù)測(cè)結(jié)果和步驟一得到的標(biāo)簽數(shù)據(jù)，分別計(jì)算各個(gè)分類(lèi)器的預(yù)測(cè)準(zhǔn)確度參數(shù)并得到唯一個(gè)的4×4分析矩陣(x_ij)_m,n，進(jìn)入步驟4.2.3，

所述準(zhǔn)確度參數(shù)為精度、特異性、靈敏度和AUC，其中j表示為第j個(gè)準(zhǔn)確度參數(shù)，x_ij表示為第i個(gè)分類(lèi)器的第j個(gè)準(zhǔn)確度參數(shù)的值，m表示分類(lèi)器的個(gè)數(shù)，n為分類(lèi)器的準(zhǔn)確度參數(shù)的個(gè)數(shù)，且m＝4即4個(gè)分類(lèi)器，n＝4即4個(gè)準(zhǔn)確度參數(shù)；

步驟4.2.3、對(duì)步驟4.2.2得到的分析矩陣進(jìn)行分類(lèi)器權(quán)重分配計(jì)算；

所述步驟4.2.3具體為：

步驟4.2.3.1、利用式(I)將步驟4.2.2得到的分析矩陣標(biāo)準(zhǔn)化，得到標(biāo)準(zhǔn)化分析矩陣R＝(r_ij)_m,n，

其中i＝1、2、......、m，j＝1、2、...、n；

步驟4.2.3.2、通過(guò)式(II)將步驟4.2.2得到的分析矩陣權(quán)重化，得到權(quán)重化分析矩陣(t_ij)_m,n，

t_ij＝r_ij×w_j????式(II)，

其中w_j為分類(lèi)器的輸出屬性對(duì)應(yīng)的權(quán)重，按照式(III)所示的計(jì)算方式對(duì)權(quán)重進(jìn)行歸一化：

步驟4.2.3.3、計(jì)算準(zhǔn)確度參數(shù)的最大值和最小值

步驟4.2.3.4、計(jì)算各個(gè)分類(lèi)器的最大值與最小值之間的差值和

步驟4.2.3.5、通過(guò)式(Ⅳ)計(jì)算得到各個(gè)分類(lèi)器與最小值的相似度，

Si＝dimin·(dimin+dimax)式(Ⅳ)，

其中相似度即為各個(gè)分類(lèi)器的權(quán)重wi，且wi＝Si；

步驟4.2.3.5、保存各個(gè)分類(lèi)器的權(quán)重wi并輸出。