[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

本發明基于人工智能融合多模態信息構建肺結節良惡性的多種病理類型診斷模型的方法，包括構建多分辨率3D多分類深度學習網絡模型；構建機器學習多分類模型；利用CT影像訓練構建的多分辨率3D深度學習模型并得出權值；利用肺部腫瘤標志物信息訓練構建的機器學習多分類模型并得出權值；利用遷移學習遷移深度學習網路和機器學習網絡模型的權值，在模型的尾端采用權值融合實現肺部CT影像學信息和肺部腫瘤標志物信息的融合。本發明采用深度學習網絡模型和機器學習模型分別在肺部CT圖像中和肺部腫瘤標志物中挖掘與病理類型分類相關的深層次特征，并通過融合兩種網絡模型實現CT影像和肺部腫瘤標志物多模態信息的融合，迅速對肺結節的具體病理類型做出診斷。

技術領域

本發明屬于醫學圖像處理領域，具體涉及基于融合肺部CT影像和腫瘤標志物多模態信息構建肺結節良惡性的多種病理類型診斷模型的方法。

背景技術

對肺部疾病患者進行及早的肺結節檢測和治療是降低肺癌死亡率的關鍵措施。傳統方式的肺結節良惡性的診斷大多是臨床醫學工作者結合肺部CT影像學檢查以及肺部腫瘤標志物的檢查，共同對肺結節進行良惡性診斷。這需要依賴醫學工作者個人臨床經驗，增加其工作壓力，且由于醫生的個人經驗水平參差不齊，傳統的診斷方法容易受到醫生個人經驗水平的影響，診斷誤差較大。臨床中肺結節的診斷只能通過肉眼辨別肺結節的良惡性，而不能識別肺結節的具體病理類型做分類診斷。

發明內容

本發明的目的在于針對上述現有肺結節的良惡性診斷實際工作效率低、個人臨床經驗依賴性高，不能同時對肺結節的具體病理類型做分類診斷的問題，提供一種基于人工智能融合多模態信息構建肺結節良惡性的多種病理類型診斷模型的方法。

本發明基于人工智能融合多模態信息構建肺結節良惡性的多種病理類型診斷模型的方法包括以下步驟：

S1：構建多分辨率3D多分類深度學習網絡的模型；

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的模型和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。

上述方案中，步驟S1中利用雙通路網絡(Dual?Path?Network,DPN)結構為主網絡，分別構建三個網絡結構相同的單分辨率網絡，三個單分辨率網絡的輸入的分辨率分別為20×20×20、30×30×30、45×45×45。

上述方案中，步驟S2中將三種分辨率的CT影像數據集劃分為訓練集、驗證集和測試集三部分，將訓練集中對應的分辨率數據輸入到多分辨率3D多分類深度學習網絡模型中去，并采用隨機梯度下降法對模型進行訓練。深度學習網絡參數初始化采用He初始化，初始化學習率設置為0.003并每過100輪迭代降低30％，網絡批量(batch-size)大小采用16，損失函數選取交叉熵損失函數。根據驗證集的準確率收斂趨勢和迭代輪數判斷算法是否收斂，若未收斂直至收斂后保存最優網絡的模型參數。

上述方案中，步驟S3中利用機器學習中的多層感知(Multi-layer?Perception,MLP)算法，構建包含輸入層、三層隱藏層、輸出層的多層感知分類器，在輸出層采用Softmax分類算法。