[發明專利]一種采用機器學習算法對乳腺癌進行良惡性特征統計的方法

有效

• 申請號: 201910379311.6
• 申請日: 2019-05-08
• 公開（公告）號: CN110136108B
• 公開（公告）日: 2022-09-13
• 發明（設計）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）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: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 滕詣迪

本發明公開了一種采用機器學習算法對乳腺癌進行良惡性特征統計的方法，屬于大數據技術領域，建立影像數據庫服務器、醫生客戶端服務器、第一輔助服務器和第二輔助服務器，解決了全面的提取重要的影響特征，進行特征去冗余，提高結果準確度的技術問題，本發明輔助系統的分類結果比較準確，可以作為醫生診斷的重要參考信息，同時本發明可以循環迭代更新，隨著數據量的增多，準確率會越來越高。

技術領域

本發明屬于大數據技術領域，尤其涉及一種采用機器學習算法對 乳腺癌進行良惡性特征統計的方法。

背景技術

目前對于乳腺癌的診斷主要依靠醫生的臨床經驗，很多醫院的醫 生水平有限，不能對患者的病情進行準確的判斷，這會延誤病人的治 療，如果借助影像組學的方法對乳腺癌的MRI圖像進行分析，從而對 病人的病情進行較為準確的判斷，將大大減輕醫生的壓力，幫助醫生 制定治療方案。

然而采用影像組學的方法其在對MRI圖像進行分析會產生大量 的特征冗余，其結果準確度低。

發明內容

本發明的目的是提供一種采用機器學習算法對乳腺癌進行良惡 性特征統計的方法，解決了全面的提取重要的影響特征，進行特征去 冗余，提高結果準確度的技術問題。

為實現上述目的，本發明采用如下技術方案：

一種采用機器學習算法對乳腺癌進行良惡性特征統計的方法，包 括如下步驟：

步驟1：建立影像數據庫服務器、醫生客戶端服務器、第一輔助 服務器和第二輔助服務器，影像數據庫服務器、醫生客戶端服務器、 第一輔助服務器和第二輔助服務器之間均通過互聯網通信；

影像數據庫服務器用于存儲所有病人的乳腺MRI圖像；

步驟2：醫生通過醫生客戶端服務器讀取影像數據庫服務器中的 病人的乳腺MRI圖像；

醫生在醫生客戶端服務器上對病人的乳腺MRI圖像進行腫瘤區域 分割，醫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據庫服務器進行存儲；

數據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，生成病人數據包；

步驟3：重復執行步驟2，直到影像數據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，并生成病人數據包為止；

步驟4：第二輔助服務器調取影像數據庫服務器中所有的病人數 據包作為訓練數據，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：每一個病人數據包中包含的乳腺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 偏態分布更接近于正態分布；

對所述2D特征進行全局歸一化z-score標準化，生成數據集，經 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據集進行劃分，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，M取值為正整數，指定一個用于保證試驗的可重復性 的隨機數種子，隨機數種子的選取只是為了保證每次分層抽樣的結果 不變，隨機數種子的取值數由用戶自由選取；