System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于人工智能医学,涉及一种肺腺浸润的分类方法,尤其涉及一种基于状态空间网络的肺腺癌浸润性演变分类方法、系统。
技术介绍
1、近年来,胸部计算机断层扫描(ct)被广泛使用于肺癌筛查和早期肺癌诊断。持续性磨玻璃样病变(ggo)被认为是早期肺腺癌在胸部ct上的常见影像学特点。目前认为对于ggo表现的早期肺腺癌,其演变可能经历了非浸润性腺癌(不典型腺样增生(aah)、原位癌(ais)和微浸润腺癌(mia))和浸润性腺癌的不同浸润程度阶段,而非浸润性腺癌(包括aah、ais和mia)是不需要立即进行手术干预。
2、现有技术中,针对肺腺癌ggo侵袭性预测分类任务,会根据有无融合人为设计的影像组学活其他多组学特征,大致可以分为:多组学融合方法和深度神经网络方法。
3、多组学融合方法一般是融合精细设计的特征来增强模型的分类效果。借助非深度学习范式以辅助模型,xia(xia等人,2020年)建立了u-net的循环残差卷积神经网络来分割ggo,然后建立了dl方案和放射组学方案来对非ia和ia进行分类。hu(hu,x等人,2021年)使用计算机辅助诊断方案(cadx),并融合深度学习和放射组学特征来提高ggo ia/非ia的分类性能;wang(wang等人,2021年)在先验的掩膜图像上建立一个具有分割和分类网络的级联架构,为原始ct数据提供分类引导的注意力机制,实现更好的肺腺癌诊断性能;gong(gong等人,2020年)使用重采样等预处理技术和残差学习架构预测ggo是ia的可能性。huang(huang等人,20
4、纯深度神经网络方法主要是集中在如何在有限数据集上增强学习信号来有效地训练预测模型。对于ggo的精准分类,ma(ma等人,2022年)提出一种两阶段的检测和分类模型,使用类别平衡损失函数来达到精确诊断;yu(yu等人,2021年)使用3d多任务深度学习网络来确定ggo的侵袭性,有助于选择需要手术的侵袭性病变患者和适当的手术方法;ni(ni等人,2020年)提出了一种三维多感受野的自动ggo腺癌侵袭性分类算法,为患者的后续治疗方案提供保障;jing(jing等人,2023年)构建了集成多视图3d卷积神经网络,在良性/恶性和浸润前/浸润性ggo风险分层方面为手术治疗提供详细的预测组织学信息。fu(fu等人,2023年)开发并验证了一个三维(3d)深度迁移学习模型,为患者术前预测提供了一种无创、低成本、快速且可重复的方法。pb-lnet(zhang等人,2023年)在无需勾画结节的情况下,应用类激活图分析术前ct中的ggo并预测ia病理亚型。wang x(wang等人,2020年)建立了三个深度学习网络分别对应aah/ais和mia的分类,mia和ia的分类,以及aah/ais&mia和ia的分类。
5、申请号为202110363571.1的专利技术专利申请就公开了一种基于神经网络的肺腺癌浸润程度预测系统,该系统包括以下五个部分:第一部分:数据输入部分;第二部分:数据预处理部分;第三部分:模型构建部分;第四部分:模型训练部分;第五部分:预测部分;输入待预测肺腺癌患者病灶特征和临床特征预处理后的数据,利用训练后的模型进行预测,输出预测结果:待预测肺腺癌的浸润程度为浸润性腺癌或非浸润性腺癌(不典型腺样增生、原位癌或微浸润腺癌)。
6、虽然,现有技术对肺腺癌浸润程度已经做出了大量工作,但是以上这些方法仍然基于有限可用数据集开展,并通过具有局限性的先验知识融合网络特征,无法保证网络模型在真实场景下的分类性能。不仅如此,浸润性腺癌(ia)和非浸润性腺癌(none-ia)之间的ggo影像学特征较为难分,ggo影像学特征的ia类型分类准确性较差、分类效率较低,且在模型未被充分训练的引导下,具有ggo表现的肺癌患者临床中存在过度治疗的风险。
技术实现思路
1、本专利技术的目的在于:解决现有技术中存在的ggo影像学特征的ia类型分类准确性较差、分类效率较低的技术问题,提供一种基于状态空间网络的肺腺癌浸润性演变分类方法、系统。
2、本专利技术为了实现上述目的具体采用以下技术方案:
3、一种基于状态空间网络的肺腺癌浸润性演变分类方法,包括以下步骤:
4、步骤s1,获取样本数据;
5、获取肺部ct图像样本数据,肺部ct图像样本数据包括不带ggo分类标签的大型样本数据集、带有ggo分类标签的小型数据集;
6、步骤s2,构建ggo侵袭性分类模型;
7、构建ggo侵袭性分类模型,ggo侵袭性分类模型包括教师编码器、学生编码器以及微调编码器,教师编码器、学生编码器以及微调编码器均为ssm状态空间网络;
8、步骤s3,训练ggo侵袭性分类模型;
9、采用不带ggo分类标签的大型样本数据集训练教师编码器、学生编码器,教师编码器的输出作为学生编码器可利用的伪标签,且教师编码器的参数更新受学生编码器输出的指数移动平均值引导;选择学生编码器的表达作为微调编码器的微调训练的骨干,并采用带有ggo分类标签的小型数据集对微调编码器进行微调训练;
10、步骤s4,实时分类;
11、获取待分类的肺部ct图像,并输入训练好的微调编码器,微调编码器输出分类结果。
12、进一步地,步骤s1中,对肺部ct图像样本数据进行数据预处理,具体方法为:
13、步骤s11,使用三次样条图像插值算法对ct图像进行重采样,体素尺寸为1mm*1mm*1mm;
14、步骤s12,应用[-1200hu,600hu]的窗口范围对重采样后的图像进行扫描,将扫描中的每个ct值标准化到[0,255]的范围;
15、步骤s13,使用放缩因子将扫描得到的图像的灰度值映射到范围[-1,1],得到标准化图像,并将标准化图像作为ggo侵袭性分类模型的输入。
16、进一步地,步骤s13中,将标准化图像经过补丁嵌入层,得到补丁序列;针对补丁序列,建立正常分支、掩码分支两个分支;其中,掩码分支通过局部感受野的随机掩码对补丁序列中的补丁随机掩码。
17、进一步地,步骤s2中,ssm状态空间网络的状态空间算法为:
18、
19、其中,ht表示状态空间中的特征隐状态,yt表示输出的一个组件,y表示输出,x表示输入,表示针对输入序列最后一位计算乘子,其中m表示序列长度;表示演化参数,表示投影参数,c表示投影参数,n表示输入x的维度。
20、进一步地,步骤s2中,ssm状态空间网络包括归一化模块、状态空间模块和多层感知器;状态空间模块定义为:
21、
22、其中,gj(x)表示状态空间模本文档来自技高网...
【技术保护点】
1.一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,步骤S1中,对肺部CT图像样本数据进行数据预处理,具体方法为:
3.如权利要求2所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,步骤S13中,将标准化图像经过补丁嵌入层,得到补丁序列;针对补丁序列,建立正常分支、掩码分支两个分支;其中,掩码分支通过局部感受野的随机掩码对补丁序列中的补丁随机掩码。
4.如权利要求1所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,步骤S2中,SSM状态空间网络的状态空间算法为:
5.如权利要求4所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,步骤S2中,状态空间网络含有多个状态空间模块,每一个状态空间模块包括归一化层、状态空间计算层和多层感知器;状态空间模块定义为:
6.如权利要求4所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,步骤S3中,在训练GGO侵袭性分
7.如权利要求1所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,步骤S3中,在训练GGO侵袭性分类模型时,采用迭代损失函数,迭代损失函数具体为:
8.一种基于状态空间网络的肺腺癌浸润性演变分类系统,其特征在于,包括:
9.一种计算机设备,其特征在于:包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于:存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,步骤s1中,对肺部ct图像样本数据进行数据预处理,具体方法为:
3.如权利要求2所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,步骤s13中,将标准化图像经过补丁嵌入层,得到补丁序列;针对补丁序列,建立正常分支、掩码分支两个分支;其中,掩码分支通过局部感受野的随机掩码对补丁序列中的补丁随机掩码。
4.如权利要求1所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,步骤s2中,ssm状态空间网络的状态空间算法为:
5.如权利要求4所述的一种基于状态空间网络的肺腺癌浸润性演变分类方法,其特征在于,步骤s2中,状态空间网络含有多个状态空间模块,每一个状态空间模块包括归一化层、状态空间计算层和多...
【专利技术属性】
技术研发人员:陈楠,徐修远,崔瑞晨,周泠宇,王子淮,周凯,
申请(专利权)人:四川大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。