[发明专利]基于病理特征辅助的PET/CT自动肺癌诊断分类模型训练方法

权利要求书

1.一种基于病理特征辅助的PET/CT自动肺癌诊断分类模型训练方法，其特征在于，所述基于病理特征辅助训练的PET/CT自动肺癌诊断分类模型具体训练步骤如下：

步骤一：获取一一匹配的影像数据、病理图像数据和相应的诊断标签数据构建获得数据集，其中所述影像数据包括PET图像和CT图像，病理图像数据为颜色归一化的病理图像，且PET图像、CT图像和病理图像中肿瘤区域大于80％；

步骤二：以病理图像为输入，肺癌诊断分类为预测目标，利用数据集中的病理图像数据和相应的诊断标签数据对一分类卷积神经网络进行训练获得基于病理图像的自动肺癌诊断分类网络；以PET图像、CT图像在通道上叠加得到的图像为输入，肺癌诊断分类为预测目标，利用数据集中的影像数据和相应的诊断标签数据对一分类卷积神经网络进行训练获得基于PET/CT影像的自动肺癌诊断影像分类网络；

步骤三：建立联合损失函数，通过反向传播对基于病理图像的自动肺癌诊断分类网络和基于PET/CT影像的自动肺癌诊断影像分类网络进行第二次训练，最后获得的基于PET/CT影像的自动肺癌诊断影像分类网络即为基于病理特征辅助训练的PET/CT自动肺癌诊断分类模型；

所述联合损失函数具体为：

Loss＝loss_A+loss_B

其中，loss_A为基于病理图像的自动肺癌诊断分类网络的分类损失，loss_B包含二维影像特征T’_PET-CT与病理特征T_PI的相似度损失loss_{B_1}和基于PET/CT影像的自动肺癌诊断影像分类网络的分类损失loss_{B_2}；所述二维影像特征T’_PET-CT为基于PET/CT影像的自动肺癌诊断影像分类网络中特征提取层提取的特征投影结果；所述病理特征T_PI为基于病理图像的自动肺癌诊断分类网络中特征提取层提取的特征。

2.根据权利要求1所述的方法，其特征在于，所述步骤一中，PET图像、CT图像和病理图像中肿瘤区域大于80％通过如下方法操作：

根据对应的肿瘤掩膜数据，分别对PET图像、CT图像和病理图像原始数据进行切patch操作，选择肿瘤掩膜数据覆盖率为80％以上的patch图像，获得肿瘤区域大于80％的PET图像、CT图像和病理图像。

3.根据权利要求1所述的方法，其特征在于，所述步骤一中，病理图像数据的颜色归一化具体为：

从所有的病理图像数据中选择一个染色较好的病理图像作为目标病理图像，将其他剩余病理图像的颜色都归一化到目标图像的同一颜色水平上。

4.根据权利要求1所述的方法，其特征在于，所述步骤二中，分类卷积神经网络采用Resnet-18结构和/或Resnet-50结构。

5.根据权利要求1所述的方法，其特征在于，所述步骤三中，所述二维影像特征T’_PET-CT为基于PET/CT影像的自动肺癌诊断影像分类网络中全连接层前一层提取的特征投影结果；所述病理特征T_PI为基于病理图像的自动肺癌诊断分类网络中全连接层前一层提取的特征。

6.根据权利要求1所述的方法，其特征在于，所述步骤三中，所述loss_B表示为：

loss_B＝α×loss_{B_1}+(1-α)×loss_{B_2}

其中，α为加权值，取值(0,1]。