基于超声组学和深度学习的疾病智能化分析方法及系统技术方案

本发明专利技术公开了一种基于超声组学和深度学习的疾病智能化分析方法及系统，包括：获取病变部位的若干超声数据，得到多模态超声组学数据；将多模态超声组学数据输入深度学习神经网络，根据多模态超声组学数据调整神经元的连接权重、配比卷积和池化层，得到调整后的多模态超声组学数据；利用不同模态下的分类器对调整后的多模态超声组学数据进行分类，并通过判别器得到每个分类的分数后，根据每个分类的分数，获得预后判断、疗效评估和辅助诊断结果。相比于现有利用单模态超声数据进行疾病智能化分析的方法，本发明专利技术技术方案根据多模态超声组学数据的特性，从数据和模型设计层面优化深度学习网络，提高疾病智能化分析的准确率和预测价值。

【技术实现步骤摘要】
基于超声组学和深度学习的疾病智能化分析方法及系统
本专利技术涉及超声医学
，尤其涉及一种基于超声组学和深度学习的疾病智能化分析方法及系统。
技术介绍
在疾病智能化分析中，现有的分析方法是通过建立单模态医学图像的深度学习模型进行医学图像的分割、分类和识别后，对处理后的医学图像进行人工分析，得到疾病的分析结果。但是当单模态的医学图像数量有限时，训练深度学习模型需要设置较多参数，这样会导致模型过拟合，且基于单模态图像的深度学习网络计算复杂度大，梯度越往后越容易消失，可能导致无法训练出可用模型，并且由于超声图像具有噪声大、操作者依赖性、图像标准化等问题，因此，无法使用现有的深度学习模型对其进行分析，得到疾病的辅助决策分析结果。
技术实现思路
本专利技术实施例提出一种基于超声组学和深度学习的疾病智能化分析方法及系统，通过训练好的深度学习网络模型对优化后的多模态超声组学数据进行数据分析后，利用数据分析后的结果进行疾病的辅助决策分析，提高疾病智能化分析的准确率。为解决上述问题，本专利技术实施例提供基于超声组学和深度学习的疾病智能化分析方法，适于在计算设备中执行，至少包括如下步骤：获取病变部位的若干超声数据，得到多模态超声组学数据；将所述多模态超声组学数据输入训练好的深度学习神经网络，并根据所述多模态超声组学数据调整神经元的连接权重、配比卷积和池化层，得到调整后的多模态超声组学数据；利用不同模态下的分类器对调整后的多模态超声组学数据中的每个数据进行分类，得到包含每个分类的所有模态的分类概率；根据判别器给出的模态之间的混淆分数，对所有模态的分类概率进行加权平均处理，得到每个分类的分数；基于临床结局指标和基因组学数据，根据每个分类的分数，采用传统的逻辑回归法计算有效的高风险指标、采用决策树或Adaboost的方法建立分类模型以及采用t检验和pearson/spearman相关性分析，获得预后判断结果、疗效评估结果和辅助诊断结果。进一步的，所述基于临床结局指标和基因组学数据，根据每个分类的分数，采用逻辑回归法计算有效的高风险指标、采用决策树或Adaboost的方法建立分类模型以及采用t检验和pearson/spearman相关性分析，获得预后判断结果、疗效评估结果和辅助诊断结果，具体为：基于临床结局指标和基因组学数据，根据每个分类的分数，采用逻辑回归法计算高风险指标，并利用所述高风险指标建立诺莫图后，采用决策分析曲线进行预后判断；根据每个分类的分数，建立分类模型，并利用验证组的准确率、错误率或受试者工作曲线下面积进行疗效评估；根据每个分类的分数，采用T检验和pearson/spearman相关性分析，比较分析病理特征、临床分期和基因突变相关性进行辅助诊断。进一步的，所述获取病变部位的若干超声数据，得到多模态超声组学数据，具体为：基于所述病变部位的相应疾病模型，根据不同超声成像模式提取相应病理生理模态的超声数据、根据疾病所在器官灌注特征获取相应模态超声数据、根据疾病所在器官随时间动态变化特征获取相应时间序列维度超声数据，以及根据疾病所在器官空间特性获取相应立体维度超声数据，得到所述多模态超声组学数据。进一步的，所述将所述多模态超声组学数据输入训练好的深度学习神经网络，并根据所述多模态超声组学数据调整神经元的连接权重、配比卷积和池化层，具体为：将所述多模态超声组学数据进行初分类，结合无监督算法，根据不同病理生理、血流动力学特性、时间和空间特性形成多种特定输入组合，输入所述深度学习神经网络，并根据所述特定输入组合选择神经元的连接权重，并配比对应的卷积和池化层。进一步的，所述神经元的连接权重，具体为：根据所述特定输入组合，以相等的神经元的初始连接权重进行分析，得到初始数据后，根据所述初始数据的错误率反馈矫正所述初始连接权重，得到错误率最低的最佳权重作为神经元的连接权重。进一步的，所述深度学习神经网络的构建方法为：通过共享特征网络对多模态超声组学数据进行特征建模后，根据多路对抗域适应技术，对所述多模态超声组学数据内的每个模态进行两两组合，对抗学习域不变特征；对所述多模态超声组学数据内每个模态进行监督学习，从而训练基于不同模态输出下的多个分类器；通过两两组合对抗学习及监督学习，得到共享特征网络及每个模态分别对应的判别器；通过所述共享特征网络、所述多个分类器和所述多个判别器，构建所述深度学习神经网络。进一步的，所述训练基于不同模态输出下的多个分类器，具体为：以期望输出值为映射，利用各模态的优化参数，训练基于不同模态输出下的多个分类器。进一步的，所述深度学习网络的训练方法为：采集不同时间点的所述多模态超声组学数据，输入卷积神经网络后，提取对应的特征图层；通过卷积运算，增加偏置，激活函数输出对所述特征图层进行处理，并通过全连接层对所述特征图层进行调整分类后，通过反向传播算法和随机梯度下降法，训练所述深度学习网络。进一步的，所述卷积神经网络的基础为神经元，所述卷积神经网络的要素包括权重、偏置项、超参数和激活函数。进一步的，本专利技术的另一个实施例还提供了一种基于多模态的医学超声数据分类系统，包括：获取模块，用于获取病变部位的若干超声数据，得到多模态超声组学数据；处理模块，用于将所述多模态超声组学数据输入训练好的深度学习神经网络，并根据所述多模态超声组学数据调整神经元的连接权重、配比卷积和池化层；分类模块，用于利用不同模态下的分类器对所述多模态超声组学数据中的每个数据进行分类，得到包含每个分类的所有模态的分类概率；计算模块，用于根据判别器给出的模态之间的混淆分数，对所有模态的分类概率进行加权平均处理，得到每个分类的分数；分析模块，用于基于临床结局指标和基因组学数据，根据每个分类的分数，采用传统的逻辑回归法计算有效的高风险指标、采用决策树或Adaboost的方法建立分类模型以及采用t检验和pearson/spearman相关性分析，获得预后判断结果、疗效评估结果和辅助诊断结果。实施本专利技术实施例，具有如下有益效果：本专利技术实施例提供的一种基于超声组学和深度学习的疾病智能化分析方法及系统，所述方法包括：获取病变部位的若干超声数据，得到多模态超声组学数据；将多模态超声组学数据输入深度学习神经网络，根据多模态超声组学数据调整神经元的连接权重、配比卷积和池化层，得到调整后的多模态超声组学数据；利用不同模态下的分类器对多模态超声组学数据进行分类，并通过判别器得到每个分类的分数后，基于临床结局指标和基因组学数据，根据每个分类的分数，获得预后判断结果、疗效评估结果和辅助诊断结果。相比于现有利用单模态超声数据进行疾病智能化分析的方法，本专利技术技术方案利用多模态平衡深度学习神经网络的宽度和深度，降低深度学习神经网络的复杂性，提高准确率的同时降低算力成本的特性，从数据输入和模型设计层面优化深度学习网络，并通过训练好的深度学习网络模型对优化后的多模态超声组学数据进行数据分析后，利用数据分析后的结果进行疾病的辅助决策分析，提高疾病智能化分析的准确率。附图说明图1是本专利技术提供的基于超声组学和深度学习的疾病智能化分析方法的一种实施例的流程示意图；图2是本专利技术提供的基于超声组学和深度学习的疾病智能化分析方法的又一种实施例的流程示意图；图3是本专利技术提供的基于超声组学和深度学习的疾病智本文档来自技高网...

【技术保护点】
1.一种基于超声组学和深度学习的疾病智能化分析方法，适于在计算设备中执行，其特征在于，至少包括如下步骤：获取病变部位的若干超声数据，得到多模态超声组学数据；将所述多模态超声组学数据输入训练好的深度学习神经网络，并根据所述多模态超声组学数据调整神经元的连接权重、配比卷积和池化层，得到调整后的多模态超声组学数据；利用不同模态下的分类器对调整后的多模态超声组学数据中的每个数据进行分类，得到包含每个分类的所有模态的分类概率；根据判别器给出的模态之间的混淆分数，对所有模态的分类概率进行加权平均处理，得到每个分类的分数；基于临床结局指标和基因组学数据，根据每个分类的分数，采用逻辑回归法计算高风险指标、采用决策树或Adaboost的方法建立分类模型以及采用t检验和pearson/spearman相关性分析，获得预后判断结果、疗效评估结果和辅助诊断结果。

【技术特征摘要】
1.一种基于超声组学和深度学习的疾病智能化分析方法，适于在计算设备中执行，其特征在于，至少包括如下步骤：获取病变部位的若干超声数据，得到多模态超声组学数据；将所述多模态超声组学数据输入训练好的深度学习神经网络，并根据所述多模态超声组学数据调整神经元的连接权重、配比卷积和池化层，得到调整后的多模态超声组学数据；利用不同模态下的分类器对调整后的多模态超声组学数据中的每个数据进行分类，得到包含每个分类的所有模态的分类概率；根据判别器给出的模态之间的混淆分数，对所有模态的分类概率进行加权平均处理，得到每个分类的分数；基于临床结局指标和基因组学数据，根据每个分类的分数，采用逻辑回归法计算高风险指标、采用决策树或Adaboost的方法建立分类模型以及采用t检验和pearson/spearman相关性分析，获得预后判断结果、疗效评估结果和辅助诊断结果。2.根据权利要求1所述的基于超声组学和深度学习的疾病智能化分析方法，其特征在于，所述基于临床结局指标和基因组学数据，根据每个分类的分数，采用逻辑回归法计算高风险指标、采用决策树或Adaboost的方法建立分类模型以及采用t检验和pearson/spearman相关性分析，获得预后判断结果、疗效评估结果和辅助诊断结果，具体为：基于临床结局指标和基因组学数据，根据每个分类的分数，采用逻辑回归法计算高风险指标，并利用所述高风险指标建立诺莫图后，采用决策分析曲线进行预后判断；根据每个分类的分数，建立分类模型，并利用验证组的准确率、错误率或受试者工作曲线下面积进行疗效评估；根据每个分类的分数，采用T检验和pearson/spearman相关性分析，比较分析病理特征、临床分期和基因突变相关性进行辅助诊断。3.根据权利要求1所述的基于超声组学和深度学习的疾病智能化分析方法，其特征在于，所述获取病变部位的若干超声数据，得到多模态超声组学数据，具体为：基于所述病变部位的相应疾病模型，根据不同超声成像模式提取相应病理生理模态的超声数据、根据疾病所在器官灌注特征获取相应模态超声数据、根据疾病所在器官随时间动态变化特征获取相应时间序列维度超声数据，以及根据疾病所在器官空间特性获取相应立体维度超声数据，得到所述多模态超声组学数据。4.根据权利要求1所述的基于超声组学和深度学习的疾病智能化分析方法，其特征在于，所述将所述多模态超声组学数据输入训练好的深度学习神经网络，并根据所述多模态超声组学数据调整神经元的连接权重、配比卷积和池化层，具体为：将所述多模态超声组学数据进行初分类，结合无监督算法，根据不同病理生理、血流动力学特性、时间和空间特性形成多种特定输入组合，输入所述深度学习神经网络，并根据所述特定输入组合选择神经元的连接权重，并配比...

【专利技术属性】
技术研发人员：王伟，吕明德，匡铭，谢晓燕，陈立达，王竹，梁瑾瑜，胡航通，
申请(专利权)人：中山大学附属第一医院，
类型：发明
国别省市：广东,44