[發明專利]一種面向多源數據的乳腺腫瘤圖像分類預測方法及裝置

有效

• 申請號: 202110024038.2
• 申請日: 2021-01-08
• 公開（公告）號: CN112734723B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 潘志方;茹勁濤;陳高翔
• 申請（專利權）人: 溫州醫科大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06V10/764;G06V10/774;G06V10/80;G06N3/006
• 代理公司: 溫州名創知識產權代理有限公司 33258
• 代理人: 陳加利

1.一種面向多源數據的乳腺腫瘤圖像分類預測方法，其特征在于，所述方法包括以下步驟：

S1、獲取待測乳腺腫瘤圖像的多源數據，所述多源數據包括有標簽的圖像數據與無標簽的圖像數據；

S2、使用所獲取待測乳腺腫瘤圖像的多源數據，對預設的編解碼器結構的teacher-student網絡分割模型進行半監督訓練，得到ROI分割結果；其中，所述編解碼器結構由用于實現對圖像樣本特征逐層提取圖像特征向量的編碼器和用于通過接收來自編碼器各層信息實現圖像重構并最終輸出ROI分割結果的解碼器組成；

S3、將所得到的ROI分割結果輸入所述teacher-student網絡分割模型中的編碼器部分，得到深度學習的圖像特征向量，以及將所得到的ROI分割結果進行特征提取，得到圖像幾何紋理特征向量，且進一步結合由非圖像數據預處理所得的非圖像數據向量，并使用預先訓練好的級聯隨機森林分類模型進行分類預測，得到相應的分類結果；其中，所述分類結果為惡性或良性。

2.如權利要求1所述的面向多源數據的乳腺腫瘤圖像分類預測方法，其特征在于，所述方法進一步包括：

結合所述圖像幾何紋理特征向量與所述圖像特征向量，使用預設訓練好的ki-67指標回歸預測模型進行預測，得到ki-67指標預測結果。

3.如權利要求1所述的面向多源數據的乳腺腫瘤圖像分類預測方法，其特征在于，所述ROI分割結果基于Gabor方向場、Gabor響應幅值、預期方向以及原始灰度值進行特征提取，以及基于curvelet變換提取均值、標準差、能量、熵、對比度，得到所述圖像幾何紋理特征向量。

4.如權利要求1所述的面向多源數據的乳腺腫瘤圖像分類預測方法，其特征在于，所述非圖像數據經過量化及正則化處理得到非圖像數據向量。

5.如權利要求1所述的面向多源數據的乳腺腫瘤圖像分類預測方法，其特征在于，所述編解碼器結構的teacher-student網絡分割模型是基于粒子群優化算法進行半監督訓練。

6.一種面向多源數據的乳腺腫瘤圖像分類預測裝置，其特征在于，包括：

多源數據獲取單元，用于獲取待測乳腺腫瘤圖像的多源數據，所述多源數據包括有標簽的圖像數據與無標簽的圖像數據；

半監督訓練單元，用于使用所獲取待測乳腺腫瘤圖像的多源數據，對預設的編解碼器結構的teacher-student網絡分割模型進行半監督訓練，得到ROI分割結果；其中，所述編解碼器結構由用于實現對圖像樣本特征逐層提取圖像特征向量的編碼器和用于通過接收來自編碼器各層信息實現圖像重構并最終輸出ROI分割結果的解碼器組成；

第一特征融合預測單元，用于將所得到的ROI分割結果輸入所述teacher-student網絡分割模型中的編碼器部分，得到深度學習的圖像特征向量，以及將所得到的ROI分割結果進行特征提取，得到圖像幾何紋理特征向量，且進一步結合由非圖像數據預處理所得的非圖像數據向量，并使用預先訓練好的級聯隨機森林分類模型進行分類預測，得到相應的分類結果；其中，所述分類結果為惡性或良性。

7.如權利要求6所述的面向多源數據的乳腺腫瘤圖像分類預測裝置，其特征在于，還包括：

第二特征融合預測單元，用于結合所述圖像幾何紋理特征向量與所述圖像特征向量，使用預設訓練好的ki-67指標回歸預測模型進行預測，得到ki-67指標預測結果。

8.如權利要求6所述的面向多源數據的乳腺腫瘤圖像分類預測裝置，其特征在于，所述解碼器由多個子解碼器構成，并與多源數據一一對應。