[發明專利]一種基于主動學習的類別預測模型建模方法及裝置

有效

• 申請號: 202110197086.1
• 申請日: 2021-02-22
• 公開（公告）號: CN113139568B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 金征宇;毛麗;李秀麗;宋蘭;俞益洲;李一鳴;喬昕
• 申請（專利權）人: 杭州深睿博聯科技有限公司;北京深睿博聯科技有限責任公司
• 主分類號: G06V10/778
• 分類號: G06V10/778;G06V10/764;G06V10/40;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京天方智力知識產權代理事務所(普通合伙) 11719
• 代理人: 吳凡

1.一種基于主動學習的類別預測模型建模方法，其特征在于，包括：

根據所收集的在第一時間段內的患者的臨床特征、病理信息和胸部醫學圖像生成基礎數據集；

從所述基礎數據集中提取肺結節的影像組學特征，從所述影像組學特征和在第一時間段內的患者的臨床特征中篩選出與預測目標之間的相關性大于預設相關性閾值的篩選后影像組學特征和篩選后臨床特征；

根據所述篩選后影像組學特征、所述篩選后臨床特征和所述基礎數據集對第一初始深度學習模型進行訓練直至收斂得到基礎模型；

收集在第二時間段內的患者的胸部醫學圖像作為候選數據集，其中，所述第二時間段的起始時間點晚于所述第一時間段的終止時間點；

根據所述基礎數據集對所述第一初始深度學習模型進行訓練直至收斂得到第一委員會成員模型，根據所述基礎數據集對k-1個第二初始深度學習模型進行訓練直至收斂得到k-1個第二委員會成員模型，其中，k為正整數，所述第一委員會成員模型與所述基礎模型的網絡參數相同；

根據k個委員會成員模型計算所述候選數據集中包含的各樣本數據的投票熵，對各投票熵進行排序，提取大于預設排序位數的投票熵對應的目標樣本數據，確定各目標樣本數據中的第一肺結節區域，收集在所述第二時間段內各目標樣本數據對應的患者的臨床特征和病理信息，將所述第一肺結節區域、各目標樣本數據對應的患者的臨床特征和病理信息和各目標樣本數據作為補充數據集，其中，k個委員會成員模型由所述第一委員會成員模型和k-1個第二委員會成員模型組成；

提取各目標樣本數據中的肺結節的目標影像組學特征，根據所述目標影像組學特征、所述補充數據集和所述基礎數據集對所述基礎模型進行訓練直至收斂得到類別預測模型，其中，所述類別預測模型用于預測肺結節的類別。

2.根據權利要求1所述的方法，其特征在于，所述根據所收集的在第一時間段內的患者的臨床特征、病理信息和胸部醫學圖像生成基礎數據集的步驟，包括：

對所收集的在第一時間段內的患者的臨床特征進行標準化處理；

對所收集的在第一時間段內的患者的胸部醫學圖像進行預處理；

確定預處理后的胸部醫學圖像中的第二肺結節區域；

將在第一時間段內的標準化處理后的臨床特征、預處理后的胸部醫學圖像、病理信息和所述第二肺結節區域作為基礎數據集。

3.根據權利要求1所述的方法，其特征在于，所述從所述基礎數據集中提取肺結節的影像組學特征的步驟，包括：

通過濾波器對所述基礎數據集中的胸部醫學圖像進行處理得到第一預設數量個第一處理后圖像；

通過拉普拉斯高斯濾波器對所述基礎數據集中的胸部醫學圖像進行處理得到第二預設數量個第二處理后圖像；

從所述基礎數據集中的胸部醫學圖像、所述第一處理后圖像和所述第二處理后圖像中提取肺結節的影像組學特征。

4.根據權利要求1所述的方法，其特征在于，所述從所述影像組學特征和在第一時間段內的患者的臨床特征中篩選出與預測目標之間的相關性大于預設相關性閾值的篩選后影像組學特征和篩選后臨床特征的步驟，包括：

根據t檢測方法從所述影像組學特征和在第一時間段內的患者的臨床特征中篩選出與預測目標之間的相關性大于預設相關性閾值的篩選后影像組學特征和篩選后臨床特征。

5.根據權利要求1所述的方法，其特征在于，k-1個第二初始深度學習模型包括稠密連接DenseNet網絡模型、ResNet網絡模型、ResNeXt網絡模型、雙路網絡DPN網絡模型和/或SENet網絡模型。

6.根據權利要求1所述的方法，其特征在于，所述胸部醫學圖像為胸部平掃薄層CT圖像、胸部增強CT圖像或者胸部MRI圖像。

7.根據權利要求1所述的方法，其特征在于，所述方法還包括：

利用所述類別預測模型對待預測圖像進行預測，得到所述待預測圖像中的肺結節的類別預測結果。