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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD