[發明專利]一種基于深度學習的軟組織腫瘤良惡性預測模型構建方法

在審

• 申請號: 202211271722.1
• 申請日: 2022-10-18
• 公開（公告）號: CN115620912A
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 謝海琴;董理聰;張嶼森;呂衡;趙辰陽;楊琪;劉俐;孫德勝;沈琳琳;李雪晨;張宇迪
• 申請（專利權）人: 北京大學深圳醫院;深圳大學
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H50/30;G06F18/25;G06N3/0464;G06N3/08;G06V10/80;G06V10/82
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 劉芙蓉

1.一種基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其特征在于，包括步驟：

收集軟組織腫瘤患者的超聲圖像和臨床特征，作為原始數據集；

構建多數據融合卷積神經網絡，所述多數據融合卷積神經網絡包括圖像特征提取模塊、多層感知器、多數據融合模塊；

利用構建的多數據融合卷積神經網絡對所述原始數據集進行分析和訓練，輸出軟組織腫瘤良惡性預測模型。

2.根據權利要求1所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其特征在于，采用五折交叉驗證法來進行模型的建立和驗證。

3.根據權利要求1所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其特征在于，所述超聲圖像包括灰階超聲圖像和彩色多普勒超聲圖像；所述臨床特征包括性別、年齡、腫瘤病史、手術病史、發現腫塊病程、腫瘤位置、腫瘤方位、腫瘤長徑、腫瘤短徑、腫瘤距離皮膚距離、腫瘤層次中的一種或多種特征的組合。

4.根據權利要求1所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其特征在于，所述利用構建的多數據融合卷積神經網絡對所述原始數據集進行分析和訓練具體包括步驟：

a)將所述超聲圖像輸入多數據融合卷積神經網絡的圖像特征提取模塊，提取得到所述超聲圖像的特征；

b)將所述超聲圖像的特征輸入到多數據融合模塊；

c)將所述臨床特征數字化為臨床特征向量，并由多層感知器處理，之后直接輸入到多數據融合模塊；

d)所述多數據融合模塊將輸入的超聲圖像的特征以及臨床特征向量進行融合，得到多數據融合特征，所述多數據融合特征用于軟組織腫瘤良惡性分類。

5.根據權利要求4所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其特征在于，所述多數據融合卷積神經網絡為對稱的結構，包括兩個具有相同結構的分支圖像特征提取模塊；所述超聲圖像包括灰階超聲圖像和彩色多普勒超聲圖像，灰階超聲圖像輸入一個分支圖像特征提取模塊提取得到灰階特征，彩色多普勒超聲圖像輸入另一個分支圖像特征提取模塊提取得到多普勒特征。

6.根據權利要求5所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其特征在于，兩個分支圖像特征提取模塊均包括熱圖生成模塊和特征提取模塊；所述熱圖生成模塊為U形網絡，包括編碼器和解碼器，編碼器用于提取軟組織腫瘤的分割特征，解碼器用于生成腫瘤區域熱圖；所述腫瘤區域熱圖經過算法過濾后，輸入到特征提取模塊，提取所述超聲圖像的腫瘤區域特征。

7.根據權利要求6所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法，其特征在于，所述多數據融合模塊包括特征串聯模塊和注意力模塊；所述特征串聯模塊將所述軟組織腫瘤的分割特征和所述腫瘤區域特征進行串聯拼接，合并后輸入到所述注意力模塊。

8.一種基于深度學習的軟組織腫瘤良惡性預測模型，其特征在于，采用如權利要求1-7任一所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法構建得到。

9.一種存儲介質，其特征在于，所述存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執行，以實現如權利要求1-7任一所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法中的步驟。

10.一種終端設備，其特征在于，包括處理器，適于實現各指令；以及存儲介質，適于存儲多條指令，所述指令適于由處理器加載并執行如權利要求1-7任一所述的基于深度學習的軟組織腫瘤良惡性預測模型構建方法中的步驟。