[发明专利]一种利用PET/CT图像推算肺癌基因分型的演算方法

权利要求书

1.一种利用PET/CT图像推算肺癌基因分型的演算方法，其特征是，包括以下步骤：

1）基于PET/CT诊断对人体进行医疗影像拍摄，得到影像资料；

2）获得不同的影像资料进行肿瘤组织及淋巴结的密度、形态和纹理评估；

3）通过图像分割与绘制，逐层勾画主病灶的轮廓，然后将二维肿瘤区域进行三维容积重组，生成三维感兴趣的容积，并从中提取特征数据，所述特征数据包括肿瘤直方图强度、形状和尺寸特征、纹理结构、定位、分形和融合特征、与周围组织的关系及是否临近肺部支气管树和血管树；

4）建立改进的随机森林算法，利用Pearson相关系数建立一种深度学习模型，进行患者血液中肿瘤标志物种类和浓度类别的学习及区分，根据深度学习来推算肺癌基因分型，所述随机森林算法流程为：先设定样本所具有的属性个数为 N，n´为0到N开区间内的整数，

（1）首先利用Bootstrap重采样方法随机生成T个训练集，即V1,V2,V3,…,VT；

（2）利用上述生成的每个训练集去生成相对应的决策树分类器，即 Q1,Q2,Q3, ... ,QT；在每个非叶子节点，也就是内部节点，选择属性之前，从N个属性中随机选取n´个属性为当前非叶子节点的分裂属性集，并且利用这n´个属性中最好的分裂方式，对当前非叶子节点进行分裂， n´的值在整个森林的成长过程中保持不变；

（3）让每颗决策树都完整地成长，不对它们进行剪枝；

（4）将测试集样本 X 导入各个决策树分类器，让各个决策树分类器分别对其进行预测分类，得到相对应的类别 Q1(X),Q2(X),Q3(X),…,QT(X)；

（5）最后还是采取投票的方式，将获得票数最多的类别作为测试集样本 X 的类别。

2.根据权利要求1所述的方法，其特征在于，深度学习模型的集成错误率为：

根据错误率小于0.1来结束模型的训练。

3.根据权利要求1所述的方法，其特征在于，Pearson相关系数 r 的计算公式为： 其中，。

4.根据权利要求3所述的方法，其特征在于，Pearson相关系数的取值范围为：，r为正值表示两者相关方向为正相关，为负值表示相关方向为负相关；，两者完全相关；，显著性相关；，高度相关；，中度相关；，低度相关；，微弱相关；，不相关。