[發(fā)明專利]一種采用機器學習算法對乳腺癌進行良惡性特征統(tǒng)計的方法

有效

• 申請?zhí)枺?/td>: 201910379311.6
• 申請日: 2019-05-08
• 公開（公告）號: CN110136108B
• 公開（公告）日: 2022-09-13
• 發(fā)明（設(shè)計）人: 翟運開;趙杰;陳昊天;甘富文;石金銘;陳保站;盧耀恩;曹明波
• 申請（專利權(quán)）人: 鄭州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G16H30/20;G06V10/764
• 代理公司: 常州佰業(yè)騰飛專利代理事務所(普通合伙) 32231
• 代理人: 滕詣迪

1.一種采用機器學習算法對乳腺癌進行良惡性特征統(tǒng)計的方法，其特征在于：包括如下步驟：

步驟1：建立影像數(shù)據(jù)庫服務器、醫(yī)生客戶端服務器、第一輔助服務器和第二輔助服務器，影像數(shù)據(jù)庫服務器、醫(yī)生客戶端服務器、第一輔助服務器和第二輔助服務器之間均通過互聯(lián)網(wǎng)通信；

影像數(shù)據(jù)庫服務器用于存儲所有病人的乳腺MRI圖像；

步驟2：醫(yī)生通過醫(yī)生客戶端服務器讀取影像數(shù)據(jù)庫服務器中的病人的乳腺MRI圖像；

醫(yī)生在醫(yī)生客戶端服務器上對病人的乳腺MRI圖像進行腫瘤區(qū)域分割，醫(yī)生客戶端服務器將分割后的病人的乳腺MRI圖像保存為分割文件，并將分割文件傳送給數(shù)據(jù)庫服務器進行存儲；

數(shù)據(jù)庫服務器將分割文件和病人的乳腺MRI圖像歸類存儲在同一個文件夾中，生成病人數(shù)據(jù)包；

步驟3：重復執(zhí)行步驟2，直到影像數(shù)據(jù)庫服務器中存儲的所有病人的乳腺MRI圖像均生成分割文件，并生成病人數(shù)據(jù)包為止；

步驟4：第二輔助服務器調(diào)取影像數(shù)據(jù)庫服務器中所有的病人數(shù)據(jù)包作為訓練數(shù)據(jù)，并進行特征提取、特征選擇和分類器訓練，進而得到分類器模型，其具體步驟如下：

步驟A1：每一個病人數(shù)據(jù)包中包含的乳腺MRI圖像均擁有2個序列，分別為T2W序列和T1C序列，T2W序列和T1C序列均包括數(shù)張圖片；

步驟A2：特征提取包括使用Pyradiomics2.1.2工具中的python包對分割文件進行腫瘤最大層面的2D特征提取，2D特征包括一階統(tǒng)計特征、2D形狀特征、灰度共生矩陣特征和灰度游程長度矩陣紋理特征；

同時對一階統(tǒng)計特征和灰度游程長度矩陣紋理特征進行小波變換；

步驟A3：特征選擇包括對所述2D特征進行Box-Cox變換，使得偏態(tài)分布更接近于正態(tài)分布；

對所述2D特征進行全局歸一化z-score標準化，生成數(shù)據(jù)集，經(jīng)過處理后的2D特征值均值為0，標準差為1；

采用Scikitlearn工具中的分層抽樣的方法對數(shù)據(jù)集進行劃分，分成訓練樣本和測試樣本，訓練集樣本為N例，測試集樣本為M例，N取值為正整數(shù)，M取值為正整數(shù)，指定一個用于保證試驗的可重復性的隨機數(shù)種子，隨機數(shù)種子的選取只是為了保證每次分層抽樣的結(jié)果不變，隨機數(shù)種子的取值數(shù)由用戶自由選?。?/p>

對訓練樣本和測試樣本的2D特征值進行曼-惠特尼U檢驗，選取p值小于0.10的特征；

在單參數(shù)情況下，使用曼-惠特尼U檢驗單獨評估每個2D特征值的預測值，在youden系數(shù)最大化時記錄每個2D特征值的AUC值；

使用最大相關(guān)最小冗余的特征選擇算法進行2D特征值的篩選，即，采用Survcomo程序包，將每個2D特征值得出的mRMR值按照由大到小的順序進行排序；

選取mRMR排名前30的2D特征值，通過基于AIC的后退法減少2D特征值，直到 最后剩余20個2D特征值；

步驟A4：分類器訓練包括分別對T1C序列、T2W序列和T1C序列+T2W序列進行訓練，使用SVM分類器進行模型訓練：

采用支持向量機訓練分類模型，得出最優(yōu)模型，分類決策函數(shù)為以下公式：

其中，k(x,y)＝h(x)·h(y)為核函數(shù)，用于將樣本數(shù)據(jù)映射到線性可分離的高維空間；

通過選擇合適的核函數(shù)k(x,y)和懲罰系數(shù)，構(gòu)造并找到最優(yōu)解a_i^*，其中b_i^*的值通過任意一個支持向量求得；用四種核函數(shù)進行訓練，這四種核函數(shù)包括線性核函數(shù)Linear、多項式核函數(shù)Poly、徑向基核函數(shù)RBF和Sigmoid核函數(shù)Sigmoid，訓練模型在驗證數(shù)據(jù)集上進行驗證，最后選出效果最好的SVM模型，作為最優(yōu)模型；

步驟5：第二輔助服務器將最優(yōu)模型傳送給影像數(shù)據(jù)庫服務器進行存儲器；

步驟6：醫(yī)生通過醫(yī)生客戶端服務器將就診病人的MRI圖像輸入到影像數(shù)據(jù)庫服務器；

影像數(shù)據(jù)庫服務器根據(jù)步驟2的方法生成病人數(shù)據(jù)包；

第一輔助服務器從影像數(shù)據(jù)庫服務器中調(diào)取病人數(shù)據(jù)包，第一輔助服務器根據(jù)步驟A1到步驟A3的方法對病人數(shù)據(jù)包進行特征提取、特征選擇和分類器訓練，并調(diào)取第二輔助服務器所得出的最優(yōu)模型，進行腫瘤良惡性的數(shù)據(jù)統(tǒng)計，生成特征數(shù)據(jù)統(tǒng)計表；

步驟7：第一輔助服務器將特征數(shù)據(jù)統(tǒng)計表發(fā)送給醫(yī)生客戶端服務器并展示給醫(yī)生進行參考。