申请/专利权人:上海交通大学
申请日:2019-09-18
公开(公告)日:2020-01-03
公开(公告)号:CN110648317A
主分类号:G06T7/00(20170101)
分类号:G06T7/00(20170101);G06K9/62(20060101);G16H30/20(20180101)
优先权:
专利状态码:有效-授权
法律状态:2023.06.30#授权;2020.02.04#实质审查的生效;2020.01.03#公开
摘要:本发明提供了一种适用于脊柱转移肿瘤骨质的质量分类方法及系统,所述方法包括:从DICOM文件中获取病人的CT图像数据,根据阈值提取的方法裁剪出脊椎椎体的区域;将骨质质量分类任务建模为成骨分类子任务和溶骨分类子任务,并使用多层感知机将两个子任务的结果进行合并;对于每一张横截面的CT图像,使用多任务学习的方式,同时学习骨质质量分类任务和后外侧受损情况分类任务,并共享不同任务的特征图;使用自步学习的方式,让模型优先学习容易的样本,再逐渐学习较为困难的样本。本发明通过同时学习多个相关的任务并特征共享,以及使用从易到难的自步学习方法,实现了对脊柱转移肿瘤骨质质量的精确分类。
主权项:1.一种适用于脊柱转移肿瘤骨质的质量分类方法,其特征在于,包括:数据预处理步骤:从原始的DICOM文件中,根据CT图像的HU值,裁剪出脊椎的区域,作为训练样本图片,获取训练样本图片信息;特征提取与共享步骤:根据训练样本图片信息,对于训练样本图片,分别提取成骨分类任务、溶骨分类任务和后外侧受损情况分类任务的特征,并将三支网络提取的特征进行共享,得到共享后的新特征,获取共享后新特征信息;任务合并步骤:根据共享后新特征信息,对于成骨分类网络和溶骨分类网络,将两支网络的特征融合,得到骨质质量分类任务的分类结果,获取待自步学习信息;自步学习步骤:根据待自步学习信息,对于整个端到端的卷积神经网络,优先学习损失函数小于设定阈值的样本,再学习损失函数大设定阈值的样本,直至网络收敛,获取学习后网络信息;精确结果获取步骤:根据学习后网络信息,使用学习到的网络,对新样本进行分类预测,得到精确度大于设定阈值的分类结果,获取最终分类结果信息。
全文数据:
权利要求:
百度查询: 上海交通大学 适用于脊柱转移肿瘤骨质的质量分类方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。