[发明专利]一种肿瘤放疗的造血功能副反应分析方法及装置

权利要求书

1.一种肿瘤放疗的造血功能副反应分析方法，其特征在于，所述方法包括：

获取肿瘤放疗前的多模态数据及造血功能区，其中，所述多模态数据包括临床基线数据、医学影像数据以及放疗剂量数据；

提取所述临床基线数据中的临床特征，并分别对所述医学影像数据和所述放疗剂量数据进行标准化处理，得到标准化影像数据和标准化剂量数据；

分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征，得到影像分布特征和剂量分布特征，并将所述影像分布特征、所述剂量分布特征以及所述临床特征作为所述造血功能区的离散变量特征；

根据所述标准化影像数据和所述标准化剂量数据，计算所述造血功能区的连续变量特征，并利用多分支机器学习网络提取所述连续变量特征的高维变量特征；

根据所述标准化影像数据和所述标准化剂量数据，利用多分支深度学习网络提取所述造血功能区的深层变量特征；

根据所述离散变量特征、所述高维变量特征以及所述深层变量特征，利用多分类器融合模型分析所述造血功能区的功能副反应，得到所述造血功能区的功能副反应分析结果。

2.如权利要求1所述的肿瘤放疗的造血功能副反应分析方法，其特征在于，所述提取所述临床基线数据中的临床分布特征，包括：

对所述临床基线数据进行编码，得到编码数据，并将所述编码数据进行数值映射，得到映射数据；

对所述映射数据进行数值筛选处理，得到所述临床基线数据中的临床分布特征。

3.如权利要求1所述的肿瘤放疗的造血功能副反应分析方法，其特征在于，所述分别对所述医学影像数据和所述放疗剂量数据进行标准化处理，得到标准化影像数据和标准化剂量数据，包括：

分别对所述医学影像数据和所述放疗剂量数据进行数值影像处理；

分别对数值影像处理后的所述医学影像数据和所述放疗剂量数据进行数值规范化处理，得到标准化影像数据和标准化剂量数据。

4.如权利要求3所述的肿瘤放疗的造血功能副反应分析方法，其特征在于，分别提取所述标准化影像数据和所述标准化剂量数据在所述造血功能区的分布特征，得到影像分布特征和剂量分布特征，包括：

提取所述标准化影像数据在所述造血功能区中的表征特征和影像组学特征，分别对所述表征特征和所述影像组学特征进行数值标准化处理，从数值标准化处理后的所述表征特征和所述影像组学特征中筛选出具有造血功能副反应的特征，得到所述标准化影像数据的影像分布特征；

提取所述标准化剂量数据在所述造血功能区中的参数特征和剂量组学特征，分别对所述参数特征和所述剂量组学特征进行数值标准化处理，从数值标准化处理后的所述表征特征和所述剂量组学特征中筛选出具有造血功能副反应的特征，得到所述标准化剂量数据的剂量分布特征。

5.如权利要求1所述的肿瘤放疗的造血功能副反应分析方法，其特征在于，所述利用多分支机器学习网络提取所述连续变量特征的高维变量特征，包括：

利用所述多分支机器学习网络中的分支一维卷积神经网络对所述连续变量特征进行特征融合和高维特征提取操作，得到分支变量特征；

利用所述多分支机器学习网络中的全连接神经网络对所述分支变量特征进行特征拼接和融合；

利用所述多分支机器学习网络中的全连接层输出特征融合后的所述分支变量特征，得到所述连续变量特征的高维变量特征。

6.如权利要求1所述的肿瘤放疗的造血功能副反应分析方法，其特征在于，所述根据所述标准化影像数据和所述标准化剂量数据，利用多分支深度学习网络提取所述造血功能区的深层变量特征，包括：

获取所述造血功能区的掩模图像，将所述标准化影像数据、所述标准化剂量数据以及所述掩模图像作为模型输入数据输入至所述多分支深度学习网络中的分支卷积神经网络，以通过所述分支卷积神经网络提取所述模型输入数据的深层数据特征；

利用所述多分支深度学习网络中的隐藏层对所述深层数据特征进行融合，得到深层融合特征

利用所述多分支深度学习网络中的全连接层输出所述深层融合特征，以生成所述造血功能区的深层变量特征。