[发明专利]具有可解释性的肾脏肿瘤识别方法及成像方法

权利要求书

1.一种具有可解释性的肾脏肿瘤识别方法，包括如下步骤：

S1.获取历史的肾脏CT图像并进行处理；

S2.在步骤S1处理后的肾脏图像上标注感兴趣区域，提取感兴趣区域的多尺度分类特征，并进行类别标识；

S3.对步骤S2获取的多尺度分类特征进行筛选，从而得到模型输入特征；

S4.构建初步肾脏肿瘤识别模型，并采用步骤S3得到的模型输入特征对该模型进行训练，从而得到肾脏肿瘤识别模型；

S5.采用步骤S4得到的肾脏肿瘤识别模型，对实际获取的肾脏CT图像进行识别和解释，从而完成具有可解释性的肾脏肿瘤识别。

2.根据权利要求1所述的具有可解释性的肾脏肿瘤识别方法，其特征在于步骤S1所述的获取历史的肾脏CT图像并进行处理，具体包括图像灰度范围选择、图像量化、像素位数设置和采样为设定大小的图像；图像灰度范围选择采用±3sigma法则，灰度范围为[μ-3σ,μ+3σ]，μ为图像灰度平均值，σ为图像灰度标准差。

3.根据权利要求2所述的具有可解释性的肾脏肿瘤识别方法，其特征在于步骤S2所述的提取感兴趣区域的多尺度分类特征，并进行类别标识，具体包括提取传统纹理特征、深度学习浅层局部特征和深度学习深层全局特征，然后以不同的标识符对图像进行标识，从而区分CT图像的类别；所述的传统纹理特征、深度学习浅层局部特征、深度学习深层全局特征和CT图像的标识符构成原始样本数据。

4.根据权利要求3所述的具有可解释性的肾脏肿瘤识别方法，其特征在于所述的传统纹理特征包括73维的几何参数、9维的灰度直方图特征、220维的灰度共生矩阵特征、20维的灰度游程矩阵特征、5维的梯度模型参数特征、5维的自回归模型参数和20维的小波变换特征。

5.根据权利要求3所述的具有可解释性的肾脏肿瘤识别方法，其特征在于所述的深度学习浅层局部特征包括深度卷积ResNet-101网络的第171层res4b8_relu模块的1024维特征。

6.根据权利要求3所述的具有可解释性的肾脏肿瘤识别方法，其特征在于所述的深度学习深层全局特征包括深度卷积ResNet-101网络的第344层pool5模块的2048维特征。

7.根据权利要求3所述的具有可解释性的肾脏肿瘤识别方法，其特征在于步骤S3所述的对步骤S2获取的多尺度分类特征进行筛选，从而得到模型输入特征，具体包括采用最大相关最小冗余特征选择算法，对样本数据进行重要性权重排序，并将权重小于设定值的特征删除，从而得到模型输入特征。

8.根据权利要求7所述的具有可解释性的肾脏肿瘤识别方法，其特征在于步骤S4所述的构建初步肾脏肿瘤识别模型，并采用步骤S3得到的模型输入特征对该模型进行训练，从而得到肾脏肿瘤识别模型，具体包括采用极端随机树模型作为初步肾脏肿瘤识别模型，并融合SHapley Additive exPlanations(SHAP)方法来进行输出结果的解释；所述解释包括局部解释和全局解释；最后采用决策曲线分析(DCA)来评估模型的效用。

9.一种成像方法，其特征在于采用权利要求1～8之一所述的具有可解释性的肾脏肿瘤识别方法，对CT图像的肾脏肿瘤进行识别，然后将识别结果在CT图像上进行二次标记和成像。