买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏大学

摘要：本发明提供了一种肿瘤影像的病灶区域预测分析方法、系统及终端设备，属于深度学习领域。该病灶区域预测分析方法包括：影像数据、诊断文本以及病史数据的采集和肿瘤病灶区域预测分析，具体为：对采集的数据进行预处理，通过构建的融合加权提取网络模型提取图像特征；通过将病人的病史特征‑年龄、性别、卡氏性能状态、表观肿瘤生长速度和功能恶化速度，构建一维向量并使用构建的动态卷积核的文本特征提取网络模型提取其病史特征；将使用CBOW网络模型得到的文本特征与病史特征、图像特征融合后，经过构建的双层加权预测分析网络模型进行病灶区域预测分析。本发明能显著提高肿瘤影像的分类预测效果。

主权项：1.一种肿瘤影像的病灶区域预测分析方法，其特征在于：采集数据：包括CT影像采集、规范命名及存储，诊断文本注释采集存储，根据病人信息获取评价指标-年龄、性别、卡氏性能状态、表观肿瘤生长速度和功能恶化速度；预测分析：对采集的数据进行预处理，设计融合加权特征提取网络模型、动态卷积文本特征提取网络模型，分别用于提取图像和病史特征；利用连续词汇学习模型提取诊断文本特征；最后构建双层融合加权网络模型，对病灶区域预测分析；所述融合加权特征提取网络模型具体为：1训练一个生成器和判别器生成器的输入是1×64×64的随机图像，生成器共分为11层，依次为5个下采样层、一个全连接层和5个上采样层；所述下采样层由3×3卷积+激活函数+最大池化组成，所述上采样层由3×3的反卷积+激活函数组成；判别器的输入包括生成器的生成图像和原始图像，判别器由5个3×3的卷积+激活函数构成；2通过特征块来提取原始图像的图像及语义信息，每一个特征块由批归一化层+激活函数+1×1卷积层+批归一化+激活函数+3×3卷积层构成；3将生成器提取到的特征图与最后一个特征块得到的特征图进行融合，并经过加权块，加权块由全局平均池化+1×1卷积+批归一化+激活函数构成；将通过全局平均池化和卷积后获得的权重通过激活函数归一化到[0，1]，并加权到全局平均池化前所得到的特征图上，用于关注病灶区域最具有代表性的图像特征；4病灶区域最具有代表性的图像特征经输出组输出，所述输出组由两个全连接层构成；所述动态卷积文本特征提取网络模型具体为：所述动态卷积文本特征提取网络模型输入所述评价指标，经动态卷积文本特征提取网络模型中间的若干隐藏层，隐藏层中的卷积核的大小分别设置为1、2、3、4、5，通过不同大小的卷积核提取出不同维度的特征后，进行特征拼接，最后通过一个卷积核大小为11的卷积层进行输出；所述双层融合加权网络模型包括融合组、特征提取组以及输出组；所述融合组对诊断文本特征以及病史特征进行融合操作，并经过1×3卷积+批归一化层+激活函数提取主要特征，再通过全局平均池化+1×1卷积+批归一化+激活函数获取特征图权重，并将权重加权到未经过全局平均池化前的特征图上，学习到两种文本特征中最具有代表性的文本特征；所述特征提取组由16个特征块构成，每一个特征块由批归一化层+激活函数+1×1卷积层+批归一化+激活函数+1×3卷积层构成，使用特征块对融合后的特征进行特征提取；所述输出组由全局平均池化+全连接层+分类函数构成，通过输出组进行分类预测输出结果；所述卡氏性能状态根据病人的身体健康状态由医生进行判断并记录获得；所述表观肿瘤生长速度由肿瘤切片上的肿瘤体积除以医生诊断时的症状持续时间获得；所述功能恶化速度由卡氏性能状态除以诊断时的症状持续时间获得。

全文数据：

权利要求：

百度查询： 江苏大学 一种肿瘤影像的病灶区域预测分析方法、系统及终端设备