[发明专利]一种基于深度学习的软组织肿瘤良恶性预测模型构建方法

说明书

本发明提供了一种基于深度学习的软组织肿瘤良恶性预测模型构建方法，建立了一个基于超声图像和临床特征诊断软组织肿瘤(STT)的人工智能辅助STT预测模型。所述模型基于灰阶超声和彩色多普勒超声两个超声模态的图像，以及STT患者的临床特征；利用多数据融合卷积神经网络同时进行超声图像和临床特征的分析，将图像数据和语义信息叠加，进行综合预测。在经过前期训练和验证后，所述模型在鉴别STT良恶性方面，诊断表现相对稳定、准确性较高，而且高效、自动化，达到辅助超声医生诊断的目的，具有准确的超声图像评分能力，极大地提高缺乏经验超声医生的评分准确性和稳定性。该模型可开发为商业软件，嵌入超声设备，一键化操作，简单易行。

技术领域

本发明涉及医学影像分析技术领域以及人工智能领域，尤其涉及一种基于深度学习的软组织肿瘤良恶性预测模型构建方法。

背景技术

软组织肿瘤(soft tissue tumor,STT)是一种起源于间叶组织，由间叶组织向不同类型软组织分化而形成的肿瘤，具有高度异质性。恶性STT占所有恶性肿瘤约1％，其预后差，具有较高复发率、转移性、生存率低等风险。因此，针对STT早期、准确的诊断是关键。目前STT诊断主要依靠影像学，因病灶成分复杂且种类繁多，良恶性病变在临床、影像表现上存在较多的重叠，所以鉴别诊断较困难。临床亟需寻找一种简单、可靠的方法，提高STT良恶性诊断能力。目前，超声(Ultrasound，US)常用于STT的影像学诊断，是STT筛查的首选方法。然而，超声对STT良恶性鉴别能力有限，准确率较低，最低报道可至69％，诊断水平亟需提高。另外，超声诊断还存在经验依赖性，当超声医师诊断水平参差不齐时，超声诊断结果受主观因素影响较大，会出现诊断准确性进一步降低、诊断结果具有较大不稳定性等问题。

深度学习在各种医学影像学任务中显示出巨大的潜力，包括乳腺癌预测、甲状腺癌诊断、肺癌筛查、心功能评估和肌骨图像分析。然而，利用深度学习的方法辅助超声评估STT良恶性的相关研究较少，没有实现临床应用。而且，既往研究应用的数据量很少，结果准确性不高。既往研究在建模时，也仅仅利用患者的超声图像，没有充分利用其临床信息进行建模。同时，以前的研究也未关注其对临床的有效性和助益，未评价深度学习软件对超声医生的辅助作用。

因此，现有技术还有待改进。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种基于深度学习的软组织肿瘤良恶性预测模型构建方法，旨在提供一种基于深度学习的卷积神经网络方法，建立一个同时基于超声图像和临床信息诊断STT的人工智能辅助STT诊断模型，解决目前利用深度学习的方法辅助超声评估STT良恶性的方法结果准确性不高、诊断表现不稳定、依赖超声操作经验的问题。

本发明的技术方案如下：

一种基于深度学习的软组织肿瘤良恶性预测模型构建方法，其中，包括步骤：

收集软组织肿瘤患者的超声图像和临床特征，作为原始数据集；

构建多数据融合卷积神经网络，所述多数据融合卷积神经网络包括图像特征提取模块、多层感知器、多数据融合模块；

利用构建的多数据融合卷积神经网络对所述原始数据集进行分析和训练，输出软组织肿瘤良恶性预测模型。

所述的基于深度学习的软组织肿瘤良恶性预测模型构建方法，其中，采用五折交叉验证法来进行模型的建立和验证。

所述的基于深度学习的软组织肿瘤良恶性预测模型构建方法，其中，所述超声图像包括灰阶超声图像和彩色多普勒超声图像；所述临床特征包括性别、年龄、肿瘤病史、手术病史、发现肿块病程、肿瘤位置、肿瘤方位、肿瘤长径、肿瘤短径、肿瘤距离皮肤距离、肿瘤层次中的一种或多种特征的组合。

所述的基于深度学习的软组织肿瘤良恶性预测模型构建方法，其中，所述利用构建的多数据融合卷积神经网络对所述原始数据集进行分析和训练具体包括步骤：