[发明专利]基于深度学习的大肠癌个体化治疗和预后信息预测系统

权利要求书

1.一种基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，包含：

迁移模型构建模块，负责获取源图像集和样本目标图像集，输送至基于特征提取网络的迁移模型，通过源图像与样本目标图像对迁移模型进行训练，得到训练后的目标图像；

图像特征提取模块，负责基于卷积神经网络的深度学习人工智能将训练后的目标图像进行分解，提取目标图像的特征，得到抽象的图像信息；

信息分析识别模块，负责将抽象的图像信息转化为具象的数字信息，输入至复发风险预测模型进行分析和识别。

2.如权利要求1所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，源图像集为肠癌切片的图像，样本目标数据集为肿瘤浸润淋巴细胞、纤维化及粘液多种肠癌常规切片相关组织类型的图像。

3.如权利要求1所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，特征提取网络包含第一提取网络和第二提取网络；第一提取网络用于对源图像进行特征提取，第二提取网络用于对样本目标图像进行特征提取。

4.如权利要求1所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，抽象的图像信息指的是医生诊断用的医学图像的影像片的各个图像的集合；具象的数字信息指的是包含医学图像的影像片的数字化表示，包含部位的名称，异常组织的名称、大小及状态。

5.如权利要求1所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，迁移模型构建模块，包含：

张量获取子模块，负责将源图像集和样本目标图像集输入待训练的迁移模型，通过特征提取网络对源图像集和样本目标图像集进行特征提取，得到源功能张量和源结构张量；通过特征提取网络对源图像集和样本目标图像集进行特征提取，得到目标功能张量和目标结构张量；

损失计算子模块，负责根据源功能张量、源结构张量、目标功能张量和目标结构张量计算待训练的迁移模型的当前损失；

目标图像子模块，负责根据当前损失对待训练的迁移模型的参数进行调整，直至当前损失小于预设阈值，得到训练好的迁移模型，将样本目标图像集输入至迁移模型，得到训练后的目标图像，即为抽象的图像信息。

6.如权利要求5所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，源功能张量和目标功能张量定义为反映患者体内的功能代谢的图像，包含早期发现、动态成像与实时观察、术后及时评估；源结构张量和源结构张量定义为反映患者器官的解剖结构。

7.如权利要求1所述的基于深度学习的大肠癌个体化治疗和预后信息预测系统，其特征在于，图像特征提取模块，包含：

图像采集子模块，负责获取待提取的训练后的目标图像，并发送至特征提取子模块；

特征提取子模块，负责根据抽象的图像信息，进行分解，采用卷积神经网络中的卷积层和池化层处理后，得到待提取的训练后的目标图像中对应的第一图像特征量，并将第一图像特征量发送至特征对比单元；

特征对比子模块，负责将存储的标准目标图像，通过卷积神经网络中的卷积层和池化层处理后，得到标准目标图像中对应的第二图像特征量，并将第二图像特征量与第一图像特征量进行比对，并输出特征量达到阈值的目标图像发送至特征优化模块；

特征优化模块，负责根据特征对比子模块输送的目标图像，通过卷积神经网络中的反卷积和反池化处理后，得到优化后的目标图像。