申请/专利权人：浙江大学

申请日：2021-12-06

公开（公告）日：2022-03-11

公开（公告）号：CN114171187A

主分类号：G16H50/20(20180101)

分类号：G16H50/20(20180101);G16H10/20(20180101);G06K9/62(20220101);G06V10/80(20220101);G06F16/35(20190101);G06T7/00(20170101);G06T7/13(20170101);G16H30/20(20180101);G06V10/764(20220101);G06V10/82(20220101);G06N3/04(20060101);G06N3/08(20060101);G06N20/20(20190101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.03.29#实质审查的生效;2022.03.11#公开

摘要：本发明公开了一种基于多模态深度学习的胃癌TNM分期预测系统，包括数据采集模块、图像预处理模块、文本预处理模块、预测模型训练模块和预测模块，上述模块应用时包括以下步骤：CT图像与文本数据的采集与数据清洗；对CT图像进行预处理，提取标记数据，建立mask图像并与原图相乘后获得有效识别区域；对文本数据利用机器学习中的XGBoost和LightGBM算法进行预训练，获得特征重要性排序，从而获得有效数据样本；对图像与文本数据的深浅层次特征进行深度学习，利用卷积神经网络进行训练，获得正确TNM时期的分类结果。本发明较传统人工识别有着更多的模态参考依据，具有非常高的识别准确度，可以减少专业医生的业务负担，解决我国医疗资源不均衡的现况。

主权项：1.一种基于多模态深度学习的胃癌TNM分期预测系统，其特征在于，包括以下模块：数据采集模块，用于采集胃癌患者脱敏数据，整理出CT图像数据和文本数据，并根据临床事件把TNM时期分别分为T期1-6期，N期1-5期，M期1-2期；图像预处理模块，用于对CT图像数据进行预处理，提取标记数据，建立mask图像，设定Hu值，匹配mask图像和原始图像，获得有效识别区域；文本预处理模块，用于对文本数据进行预处理，对缺失值进行填充，进行异常值检测，对离群点进行单独处理；预测模型训练模块，用于将图像预处理模块获得的有效识别区域图像数据与文本预处理模块预处理后的文本数据作为训练数据，训练预测模型，所述的预测模型是一个多层次组合神经网络，其主要框架是基于ResNet34的卷积神经网络，训练过程中的损失函数采用交叉熵损失函数，具体为：首先对图像数据进行训练，图像经过两条支路的训练，一条支路通过ResNet34的主干网络进行深层图像特征提取；另一条支路通过一个8层的卷积神经网络进行浅层图像特征提取，其包括3个卷积层、3个池化层和2个全连接层，在提取完浅层图像特征后，该支路在第二个全连接层前加入文本数据，进行融合训练；在经历深层特征训练和浅层特征训练两条支路之后，模型通过一个全连接层进行分类器分类；预测模块，用于将待预测的胃癌患者脱敏数据输入预测模型训练模块练好的预测模型中，得到TNM分期结果。

全文数据：

权利要求：

百度查询： 浙江大学 一种基于多模态深度学习的胃癌TNM分期预测系统

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