[發(fā)明專利]一種腫瘤影像的病灶區(qū)域預測分析方法、系統(tǒng)及終端設備

在審

• 申請?zhí)枺?/td>: 202110097268.1
• 申請日: 2021-01-25
• 公開（公告）號: CN112801168A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設計）人: 宋余慶;毛靜怡;劉哲
• 申請（專利權）人: 江蘇大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G16H50/20;G16H50/30;G16H50/70
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種腫瘤影像的病灶區(qū)域預測分析方法，其特征在于：

采集數(shù)據(jù)：包括CT影像采集、規(guī)范命名及存儲，診斷文本注釋采集存儲，根據(jù)病人信息獲取評價指標-年齡、性別、卡氏性能狀態(tài)、表觀腫瘤生長速度和功能惡化速度；

預測分析：對采集的數(shù)據(jù)進行預處理，設計融合加權特征提取網(wǎng)絡模型、動態(tài)卷積文本特征提取網(wǎng)絡模型，分別用于提取圖像和病史特征；利用連續(xù)詞匯學習模型提取診斷文本特征；最后構建雙層融合加權網(wǎng)絡模型，對病灶區(qū)域預測分析。

2.根據(jù)權利要求1所述的病灶區(qū)域預測分析方法，其特征在于，所述融合加權特征提取網(wǎng)絡模型具體為：

(1)訓練一個生成器和判別器

生成器的輸入是1×64×64的隨機圖像，生成器共分為11層，依次為5個下采樣層、一個全連接層和5個上采樣層；所述下采樣層由3×3卷積+激活函數(shù)+最大池化組成，所述上采樣層由3×3的反卷積+激活函數(shù)組成；

判別器的輸入包括生成器的生成圖像和原始圖像，判別器由5個3×3的卷積+激活函數(shù)構成；

(2)通過特征塊來提取原始圖像的圖像及語義信息，每一個特征塊由批歸一化層+激活函數(shù)+1×1卷積層+批歸一化+激活函數(shù)+3×3卷積層構成；

(3)將生成器提取到的特征圖與最后一個特征塊得到的特征圖進行融合，并經(jīng)過加權塊，加權塊由全局平均池化+1×1卷積+批歸一化+激活函數(shù)構成；將通過全局平均池化和卷積后獲得的權重通過激活函數(shù)歸一化到[0，1]，并加權到全局平均池化前所得到的特征圖上，用于關注病灶區(qū)域最具有代表性的圖像特征；

(4)病灶區(qū)域最具有代表性的圖像特征經(jīng)輸出組輸出，所述輸出組由兩個全連接層構成。

3.根據(jù)權利要求1所述的病灶區(qū)域預測分析方法，其特征在于，所述動態(tài)卷積文本特征提取網(wǎng)絡模型具體為：

所述動態(tài)卷積文本特征提取網(wǎng)絡模型輸入所述評價指標，經(jīng)動態(tài)卷積文本特征提取網(wǎng)絡模型中間的若干隱藏層，隱藏層中的卷積核的大小分別設置為1、2、3、4、5，通過不同大小的卷積核提取出不同維度的特征后，進行特征拼接，最后通過一個卷積核大小為11的卷積層進行輸出。

4.根據(jù)權利要求1所述的病灶區(qū)域預測分析方法，其特征在于，所述雙層融合加權網(wǎng)絡模型包括融合組、特征提取組以及輸出組；

所述融合組對診斷文本特征以及病史特征進行融合操作，并經(jīng)過1×3卷積+批歸一化層+激活函數(shù)提取主要特征，再通過全局平均池化+1×1卷積+批歸一化+激活函數(shù)獲取特征圖權重，并將權重加權到未經(jīng)過全局平均池化前的特征圖上，學習到兩種文本特征中最具有代表性的文本特征；

所述特征提取組由16個特征塊構成，每一個特征塊由批歸一化層+激活函數(shù)+1×1卷積層+批歸一化+激活函數(shù)+1×3卷積層構成，使用特征塊對融合后的特征進行特征提??；

所述輸出組由由全局平均池化+全連接層+分類函數(shù)構成，通過輸出組進行分類預測輸出結果。

5.根據(jù)權利要求4所述的病灶區(qū)域預測分析方法，其特征在于，所述輸出組分類函數(shù)公式為：

其中：z表示f(z_j)的輸入，維度為m。

6.根據(jù)權利要求1所述的病灶區(qū)域預測分析方法，其特征在于，所述卡氏性能狀態(tài)根據(jù)病人的身體健康狀態(tài)由醫(yī)生進行判斷并記錄獲得。

7.根據(jù)權利要求1所述的病灶區(qū)域預測分析方法，其特征在于，所述表觀腫瘤生長速度由腫瘤切片上的腫瘤體積除以醫(yī)生診斷時的癥狀持續(xù)時間獲得。

8.根據(jù)權利要求1所述的病灶區(qū)域預測分析方法，其特征在于，所述功能惡化速度由卡氏性能狀態(tài)除以診斷時的癥狀持續(xù)時間獲得。