申请/专利权人：河北大学

申请日：2023-09-12

公开（公告）日：2024-04-12

公开（公告）号：CN117218419B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/80;G06V10/82;G06V10/44;G06V10/26;G06V10/25;G06V10/766;G06N3/0464;G06T7/00;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2023.12.29#实质审查的生效;2023.12.12#公开

摘要：本发明涉及一种胰胆肿瘤分型分级分期的评估系统及评估方法。所述评估系统包括数据读取及预处理模块、器官分割模型构建模块、多级联分类模型构建模块以及模型训练及验证优化模块。所述数据读取及预处理模块包括数据收集、数据清洗、数据标注与数据增广；所述器官分割模型构建模块包括图像输入层、EUS图像特征提取器、EUS图像特征解码器；所述多级联分类模型构建模块包括特征输入层、特征融合层和分类输出层；所述模型训练及验证优化模块包括内部评估及优化、外部验证及优化。本发明可提供病灶的多维度特征，从而对胰胆肿瘤做出分型、分级和分期的评估预测。

主权项：1.一种胰胆肿瘤分型分级分期的评估系统，其特征是，包括：数据读取及预处理模块，用于读取标准站点图像和标准站点图像的位置信息，并对所读取图像进行去噪处理，对去噪处理后的标准站点图像中的器官进行ROI标注，再对标注后的标准站点图像进行数据增广；器官分割模型构建模块，用于根据数据增广后的标准站点图像信息，构建标准站点图像实时器官分割模型；多级联分类模型构建模块，用于构建基于多模态特征融合和分支注意力机制的多级联分类模型，以实现胰胆肿瘤的实时分型分级分期；以及模型训练及验证优化模块，用于对所构建的标准站点图像实时器官分割模型的模型训练和参数优化，以提高模型的识别效果，并对模型的性能进行测试和验证；所述器官分割模型构建模块包括：图像输入层，用于接收数据增广后的标准站点图像；EUS图像特征提取器，用于提取EUS标准站点图像中每个影像帧对应的浅层特征，利用全局减法变换，计算相邻两帧之间的残差特征，通过门模块选取不同的残差帧图像特征提取方式，使用全局加法变换，将提取到的残差帧图像特征与上一帧图像特征融合，以得到当前帧的图像特征；以及EUS图像特征解码器，用于基于卷积层和注意力机制提炼更具区别性的特征，改进前一级的融合结果，以实现多模态特征融合；所述多级联分类模型包括特征输入层、特征融合层和分类输出层；所述特征输入层用于根据从标准站点图像实时器官分割模型得到的器官类别信息进行相应器官的CT影像、MRI影像和超声特征图与掩膜信息的匹配与特征提取；具体是：超声特征提取，将标准站点图像实时器官分割模型各层提取到的特征图作为共享特征，结合标准站点图像实时器官分割模型输出的掩膜，通过ROIAlign模块截取特征图上器官所在区域的特征；影像组学的特征提取，根据标准站点图像实时器官分割模型得到的胰腺或胆管的器官类别信息，进行相应器官的CT特征和MRI特征的特征提取；所述特征融合层用于采用分支注意力机制对四类不同模态的特征分配权重，以便进行特征融合，所述四类不同模态的特征指超声特征、CT特征、MRI特征以及临床特征；所述分类输出层用于对特征融合后的病灶进行正常与非正常的分类，再通过多级联网络进行良性与恶性的鉴别，从而做出分型、分级和分期的评估预测；所述模型训练及验证优化模块包括模型的训练及验证方式和模型的验证及优化方式；所述模型的训练及验证方式是在训练过程按照4︰1的比例将病例数据分为训练集和验证集，所述训练集用于模型的构建，所述验证集用于验证模型的效能；所述模型的验证及优化方式包括内部验证方式和外部验证及优化方式；所述内部验证方式是采用像素准确率、交并比以及Dice值来评估EUS标准站点实时分割模型的性能；所述外部验证及优化方式是回顾性收集EUS检查视频数据作为测试样本，验证EUS标准站点实时分割模型实现站点图像器官分割的像素准确率、交并比以及Dice值，分析该模型在不同中心数据上所表现的分类差异，并对网络进行优化。

全文数据：

权利要求：

百度查询： 河北大学 一种胰胆肿瘤分型分级分期的评估系统和评估方法

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