[發(fā)明專利]基于無監(jiān)督學(xué)習(xí)的乳腺癌分子分型方法、裝置及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110972195.6
• 申請日: 2021-08-24
• 公開（公告）號: CN113643269B
• 公開（公告）日: 2023-10-13
• 發(fā)明（設(shè)計(jì)）人: 謝元忠;聶生東;孫榕;李秀娟;孔雪
• 申請（專利權(quán)）人: 泰安市中心醫(yī)院;上海理工大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/25;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/088
• 代理公司: 上海科盛知識產(chǎn)權(quán)代理有限公司 31225
• 代理人: 翁惠瑜

1.一種基于無監(jiān)督學(xué)習(xí)的乳腺癌分子分型方法，其特征在于，該方法包括如下步驟：

步驟S1，獲得待預(yù)測的乳腺DCE-MRI影像，提取該影像中多種規(guī)格的序列影像的感興趣區(qū)域；

步驟S2，利用一采用無監(jiān)督學(xué)習(xí)訓(xùn)練獲得的分子分型預(yù)測模型預(yù)測獲得各種所述序列影像的對應(yīng)的分子亞型分類概率；

步驟S3，采用集成學(xué)習(xí)融合，獲得最終對應(yīng)的分子亞型分類結(jié)果；

所述分子分型預(yù)測模型的訓(xùn)練過程包括：

獲取用于訓(xùn)練的乳腺DCE-MRI影像，按照影像中病變良惡性劃分形成互不相交的一源域數(shù)據(jù)集和一目標(biāo)域數(shù)據(jù)集，所述源域數(shù)據(jù)集包含的是無標(biāo)簽樣本，所述目標(biāo)域數(shù)據(jù)集包含的是有標(biāo)簽樣本；

分別提取源域數(shù)據(jù)集和目標(biāo)數(shù)據(jù)集中多種規(guī)格的序列影像的感興趣區(qū)域；

采用所獲得源域數(shù)據(jù)集中多種序列影像的感興趣區(qū)域，分別對所構(gòu)建的一分子分型預(yù)測模型進(jìn)行無監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練，獲得模型權(quán)重；

采用所獲得目標(biāo)域數(shù)據(jù)集中多種序列影像的感興趣區(qū)域，分別對所述預(yù)訓(xùn)練的分子分型預(yù)測模型進(jìn)行遷移學(xué)習(xí)微調(diào)，更新模型權(quán)重，完成訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的基于無監(jiān)督學(xué)習(xí)的乳腺癌分子分型方法，其特征在于，所述感興趣區(qū)域的提取具體為：

讀取乳腺DCE-MRI影像對應(yīng)的腫瘤標(biāo)記及臨床診斷數(shù)據(jù)，確定腫瘤形態(tài)及位置；

基于所述腫瘤形態(tài)及位置將影像裁剪為若干個(gè)多尺度圖像塊，獲得所述感興趣區(qū)域。

3.根據(jù)權(quán)利要求1所述的基于無監(jiān)督學(xué)習(xí)的乳腺癌分子分型方法，其特征在于，所述分子亞型分類結(jié)果包括管腔上皮型和非管腔上皮型。

4.根據(jù)權(quán)利要求1所述的基于無監(jiān)督學(xué)習(xí)的乳腺癌分子分型方法，其特征在于，所述分子分型預(yù)測模型基于2D深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建，所述2D深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型包含一個(gè)初始卷積塊、三個(gè)引入注意力機(jī)制和深度殘差收縮機(jī)制的卷積池化單元、一個(gè)特征融合單元、一個(gè)全局平均池化層和一個(gè)分類層。

5.根據(jù)權(quán)利要求1所述的基于無監(jiān)督學(xué)習(xí)的乳腺癌分子分型方法，其特征在于，所述分子分型預(yù)測模型的無監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練具體為：

將所述源域數(shù)據(jù)集的感興趣區(qū)域輸入到分子分型預(yù)測模型中，獲得正樣本的低階特征及高階特征；

隨機(jī)打亂所述正樣本的低階特征及高階特征的通道排列，獲得偽樣本的低階特征及高階特征；

構(gòu)建判別器，分別計(jì)算正偽樣本間低階特征和高階特征的深度互信息，訓(xùn)練獲得模型權(quán)重。

6.根據(jù)權(quán)利要求1所述的基于無監(jiān)督學(xué)習(xí)的乳腺癌分子分型方法，其特征在于，對所述分子分型預(yù)測模型進(jìn)行無監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練時(shí)使用的優(yōu)化目標(biāo)函數(shù)數(shù)學(xué)表達(dá)式為：

其中，W×H為低階特征的尺寸，代表互信息計(jì)算函數(shù)，α、β、γ為權(quán)重因子，KL[·||·]代表相對熵?fù)p失項(xiàng)，為輸出特征服從的編碼分布，為標(biāo)準(zhǔn)正態(tài)分布，G(x)與L_ij(x)分別為全局特征和局部特征。

7.根據(jù)權(quán)利要求1所述的基于無監(jiān)督學(xué)習(xí)的乳腺癌分子分型方法，其特征在于，對所述分子分型預(yù)測模型進(jìn)行遷移學(xué)習(xí)微調(diào)時(shí)，加載預(yù)訓(xùn)練權(quán)重，使用較小學(xué)習(xí)率，通過目標(biāo)域數(shù)據(jù)集分別進(jìn)行微調(diào)和重新訓(xùn)練。

8.根據(jù)權(quán)利要求1所述的基于無監(jiān)督學(xué)習(xí)的乳腺癌分子分型方法，其特征在于，使用加權(quán)投票策略對獲得的多種序列影像所對應(yīng)的分子亞型分類概率進(jìn)行所述集成學(xué)習(xí)的融合。