[發明專利]構建肺結節良惡性的多種病理類型診斷模型的方法

有效

• 申請號: 202010402866.0
• 申請日: 2020-05-13
• 公開（公告）號: CN111584073B
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 董恩清;金葉;紀惠中;倪天驕;薛鵬;傅宇;曹海;崔文韜
• 申請（專利權）人: 山東大學;山東知微智成電子科技有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06T7/00
• 代理公司: 威海聚睿知識產權代理事務所(普通合伙) 37352
• 代理人: 丁宏斌

1.構建肺結節良惡性的多種病理類型診斷模型的方法，其特征是包括以下步驟：

S1：構建多分辨率3D多分類深度學習網絡模型；

S2：采用隨機梯度下降法，利用多種分辨率的CT影像數據訓練S1中的多分類深度學習網絡模型并保存最優模型的權值；

S3：構建多層感知Softmax機器學習的多分類模型；

S4：采用肺部腫瘤標志物信息訓練S3中構建的多層感知Softmax機器學習的多分類模型并保存最優模型的權值；

S5：在S1中構建多分辨率3D多分類深度學習網絡模型和S3中構建多層感知Softmax機器學習的多分類模型尾端Softmax層進行權值融合，構建基于人工智能的融合肺部CT影像和腫瘤標志物兩種模態信息的融合網絡模型；

S6：通過遷移學習遷移S2中最優深度學習網絡模型的權值和S4中保存的最優機器學習網絡模型的權值，并加載到在S5中構建的融合網絡模型中；

S7：對S6中構建的模型進行分類準確率以及受試者工作特性曲線驗證。

2.根據權利要求1所述的構建肺結節良惡性的多種病理類型診斷模型的方法，其特征是，所述步驟S1包括：

S1.1收集具備明確病理類型的CT影像數據；收集炎癥、鱗癌、腺癌和良性其他四種病理類型的CT影像數據，層厚均為1mm，結節直徑D大小在3mm≤D≤30mm，將其按照類別比例劃分為訓練集、驗證集和測試集；

S1.2按肺結節區域的中心點O和直徑D提取將3D肺結節數據體并存儲；人工確定所收集CT影像數據中肺結節的中心點O、直徑大小D，并根據D將其分為三個分辨率，若3mm≤D≤14mm為低分辨率，對應的像素提取窗口為20×20×20；14mm＜D≤21mm為中分辨率，對應的像素提取窗口為30×30×30；21mm＜D≤30mm為高分辨率，對應的像素提取窗口為45×45×45；

S1.3通過B樣條插值算法生成對應的三個分辨率的數據體；

將訓練集、驗證集和測試集中的肺結節，以其中心O點為中心按相應的像素窗口大小提取3D圖像，并通過B樣條插值生成其余兩個分辨率的3D圖像，并對應保存；

S1.4將步驟S3中數據進行線下樣本擴充，并在線上進行標準化和錯切處理后作為訓練網絡的輸入；

炎癥、鱗癌和良性其他類分別在X軸、Y軸和Z軸旋轉[90°,270°]，另外又單獨對鱗癌采取在Y軸和Z軸分別翻轉[90°,270°]的操作，最終炎癥和良性其他類擴展了6倍，鱗癌擴展了10倍，腺癌不作數據擴展，線上輸入數據會先對輸入數據進行0-1標準化，將訓練樣本數據采用2像素點隨機平移和錯切的方式進行線上數據擴充，以保證樣本分類的均衡性；

S1.5構建多分辨3D雙通路壓縮激勵網絡。

3.根據權利要求1或2所述的構建肺結節良惡性的多種病理類型診斷模型的方法，其特征是，所述3D多分類深度學習網絡模型由雙通路網絡單元模塊堆疊而成，其結構與參數見表1，其中密集連接通路基本通道為32，遞增為16，尾端分類比例系數為λ₁＝0.3,λ₂＝0.3,λ₃＝0.4，尾端分類各自的概率P₁、P₂、P₃由下式給出：

式中，給定N對輸入樣本和真實標簽值的對應{(D₁,y₁),...,(D_N,y_N)}，D_j為第j個輸入樣本，y_j為D_j對應的真實標簽，則為網絡預測的結果，k為分類的類別數，在這里k值為4，η_i為第i個分辨率網絡的參數，計算完三個分辨率網絡各自的預測概率P_i后，在尾端按比例系數λ₁、λ₂、λ₃進行概率融合得到融合概率P_f，如下所示：

表1?3D多分辨率雙通路深度學習網絡模型詳細結構

表1中，C代表卷積層，DPN-C代表雙通路壓縮激勵模塊中的卷積層，FC代表全連接層，通道數中相加項前者為殘差連接通路通道數，后者為密集連接通路通道數。