[发明专利]融合组织病理图像和CT影像的PDL1表达水平检测方法

权利要求书

1.融合组织病理图像和CT影像的PDL1表达水平检测方法，其特征在于，包含模型训练和细胞重构：

所述模型训练包含步骤：

S1、执行k近邻(KNN)算法来估算缺失的临床特征；

S2、将所有ROI块调整为像素输入，提取ROI的放射特征；

S3、将CT图像作为输入并使用DenseNet提取深度特征；

S4、将多种特征进行特征融合；

S5、将融合后的特征输入到逻辑回归分类器进行预测。

2.如权利要求1所述的融合组织病理图像和CT影像的PDL1表达水平检测方法，其特征在于，步骤S1中所述的KNN算法如下所示：

PD-L1表达数据集筛选了2016年1月至2018年12月在四川大学华西医院根据组织学标本进行PD-L1染色的2094例IV期NSCLC患者的连续队列；824名患者因低质量CT图像被排除在外；331名患者因临床或病理信息不足而被排除在外；最后，939名患者被纳入分析；

临床特征包括年龄，性别，吸烟史，癌症家族史；

KNN算法是一种常用的监督学习方法，通过距离测量来识别数据集中空间相似或相近的k个样本，然后使用这些样本来估计缺失数据点的值，每个样本的缺失值使用数据集中找到的k邻域的平均值进行插补；

KNN算法的距离度量公式如下：

3.如权利要求1所述的融合组织病理图像和CT影像的PDL1表达水平检测方法，其特征在于，步骤S2中所述的放射特征提取计算方法如下：

所有3D分割首先通过阈值或聚类自动描绘，然后由放射科医生手动校正，自动计算从肿瘤ROI提取的放射特征，特征提取过程在Python 3.7.0(包：simpleITK、pydicom和pywavelet)中进行，定义了四种类型的特征来描述CT图像上ROI的图像特征：(1)形状和大小；(2)强度，即CT图像中的灰度值；(3)二阶特征；(4)小波特征。

4.如权利要求1所述的融合组织病理图像和CT影像的PDL1表达水平检测方法，其特征在于，步骤S3中所述的DenseNet算法的计算方法如下：

DenseNet算法可以较为方便的处理大尺寸图像，并且可以在抗过拟合方面有着良好的效果；首先将CT图像输入到网络中，训练数据集为X＝{x₁,x₂,…,x_t}，对输入数据采取卷积操作，具体算式如下所示：

其中，b为偏差量，Z^l和Z^l+1表示第lb1层的卷积输入和输出，也被称为特征图，Z(i,j)对应特征图的像素，K为特征图的通道数，f、s₀和p是卷积层参数，对应卷积核大小、卷积步长和填充层数；

之后将卷积过的图像进行2×2平均池化，具体算式如下：

式中步长s₀、像素(i,j)的含义与卷积层相同，p是预指定参数；

然后将池化后的图像输入到dense block中，每个层函数H_l都产生k个特征图，那么第l层就有k₀b(l-1)k个特征图作为输入；

所有网络都使用随机梯度下降(SGD)进行训练，批量大小64训练40个时期；初始学习率设置为0.1，并在训练时段总数的75％时除以10。