[發明專利]基于隨機投影的腎小腫塊分類方法

有效

• 申請號: 202010171801.X
• 申請日: 2020-03-12
• 公開（公告）號: CN111340135B
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 甄鑫;莫天瀾;王琳婧;何強
• 申請（專利權）人: 甄鑫
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/32;G06T7/00;G06N20/00
• 代理公司: 廣州廣典知識產權代理事務所(普通合伙) 44365
• 代理人: 萬志香

本申請涉及一種基于隨機投影的腎小腫塊分類方法，包括：獲取N個描述腎小腫塊的目標對象數據；根據各個mask圖像對各個CT平掃圖像進行靶區勾畫，得到各個CT平掃圖像的感興趣區域，對各個感興趣區域進行放射組學特性數據提取，得到N個放射組學特性數據；將N個放射組學特性數據通過L個隨機投影矩陣投影，得到L套投影特性數據；對L套投影特性數據分別進行多個分類器訓練，得到各個分類器的預測矩陣和訓練后的各個分類器，確定各個分類器的權重；采用訓練后的各個分類器根據相應的權重對待分類數據進行融合處理，以確定相應類別。其可以提高對待分類數據進行類別識別過程中的魯棒性，從而提高分類結果的可靠性。

技術領域

本申請涉及機器學習技術領域，特別是涉及一種基于隨機投影的腎小腫塊分類方法。

背景技術

近年來，多分類器系統在機器學習領域得到廣泛的應用，在有監督學習和無監督學習任務中獲得比單個分類器更可靠、更準確地預測。在生物信息學、遙感科學、網絡安全、天文物理、臨床領域、化學信息學等多個領域中都得到了成功應用。目前大多的多分類器系統研究可以歸納為以下兩類：非生成式和生成式。非生成式的多分類器系統側重于分類器的選擇或者多分類器輸出的融合方式優化系統結構而達到提高系統預測能力的目的，而生成式的多分類器系統則側重于基分類器的生成提高系統的多樣性、差異性從而提高系統預測精度。以往的研究大多側重于構建新的集成架構，或者尋找提高分類器多樣性的方法。如何構建多樣化的基分類器，并將這些基分類器集成到一個邏輯融合架構中，是構建一個成功的多分類器系統的關鍵。探索集成體系結構與集成多樣性之間的合理平衡是近年來許多研究的熱點，也是一個有待解決的問題。

在臨床診斷、預后，從放射圖像(計算機斷層成像、正電子發射斷層掃描、磁共振成像等)和臨床治療中采集的信息預測療效這些臨床任務中急需一個有效的多分類器系統進行醫療決策。由于臨床信息是多種多樣的，例如不同模態的圖像信息、治療參數和劑量參數等臨床特征，這就需要一個融合系統來整合各種信息，以為臨床判斷或確定治療方案作貢獻。與此同時，醫療決策問題通常是由問題本身決定的，不同的分類器對于不同的疾病和臨床終點可能有不同的表現，即使是相同的臨床任務，不同的分類器也很少能達到一致的結果，例如有的研究中，Yang R等人比較了224個分類模型，發現不同分類器組合和特征選擇方法建立的模型之間存在明顯的分類精度差異。此外，多種多樣的臨床信息結合不同的分類器可能產生更多的分類模型，通過遍歷所有可用的模型以及反復試驗的方式來接近真正的最優解決方案是不太可能的，因此，在臨床環境中總是期望有一個高效的多分類器框架來全面處理多方面的醫療數據。

血管平滑肌脂肪瘤(腎錯構瘤)是腎良性腫瘤中最常見者，約占腎腫瘤的3％，可通過對典型的瘤內宏觀脂肪的檢測進行可靠的、準確的影像學診斷。然而，脂肪的量是多變的，有時，一些腎血管平滑肌脂肪瘤可能不含或幾乎不含脂肪，即所謂的非典型、乏脂肪腎血管平滑肌脂肪瘤或無可見脂肪腎血管平滑肌脂肪瘤(AMLwvf)，在CT上與腎細胞癌(RCC)表現類似，容易出現誤診，導致不必要的手術。在之前的研究中，放射組學的最新進展和成功的應用促進了腫瘤預測和分類準確性的提高。基于機器學習，許多研究者利用CT紋理分析試圖將AMLwvf與RCC區分開來。然而，這些綜述性研究的局限性在于，要么通常從單個CT期提取紋理特征，要么建立隨機選擇的分類器進行分類建模，沒有綜合的調查報告證明哪個階段和分類器或其可能的結合具有更高的鑒別能力。Yang R等人比較了224個分類模型，發現從非增強相位CT圖像中提取出來的圖像特征比其它三個相位(腎皮髓期增強掃描、造影劑后腎病期掃描、對比后排泄期掃描)具有更高的鑒別能力。然而通過遍歷所有可用的模型，通過反復試驗的方式來接近真正的最優解決方案是不太可能的，這便使傳統的腎小腫塊分類過程往往存在魯棒性差的問題，容易導致相應分類結果的可靠性低。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高腎小腫塊分類過程魯棒性的基于隨機投影的腎小腫塊分類方法。

一種基于隨機投影的腎小腫塊分類方法，所述方法包括：