基于随机投影的肾小肿块分类方法技术

本申请涉及一种基于随机投影的肾小肿块分类方法，包括：获取N个描述肾小肿块的目标对象数据；根据各个mask图像对各个CT平扫图像进行靶区勾画，得到各个CT平扫图像的感兴趣区域，对各个感兴趣区域进行放射组学特性数据提取，得到N个放射组学特性数据；将N个放射组学特性数据通过L个随机投影矩阵投影，得到L套投影特性数据；对L套投影特性数据分别进行多个分类器训练，得到各个分类器的预测矩阵和训练后的各个分类器，确定各个分类器的权重；采用训练后的各个分类器根据相应的权重对待分类数据进行融合处理，以确定相应类别。其可以提高对待分类数据进行类别识别过程中的鲁棒性，从而提高分类结果的可靠性。

Classification of small renal masses based on random projection

【技术实现步骤摘要】
基于随机投影的肾小肿块分类方法
本申请涉及机器学习
，特别是涉及一种基于随机投影的肾小肿块分类方法。
技术介绍
近年来，多分类器系统在机器学习领域得到广泛的应用，在有监督学习和无监督学习任务中获得比单个分类器更可靠、更准确地预测。在生物信息学、遥感科学、网络安全、天文物理、临床领域、化学信息学等多个领域中都得到了成功应用。目前大多的多分类器系统研究可以归纳为以下两类：非生成式和生成式。非生成式的多分类器系统侧重于分类器的选择或者多分类器输出的融合方式优化系统结构而达到提高系统预测能力的目的，而生成式的多分类器系统则侧重于基分类器的生成提高系统的多样性、差异性从而提高系统预测精度。以往的研究大多侧重于构建新的集成架构，或者寻找提高分类器多样性的方法。如何构建多样化的基分类器，并将这些基分类器集成到一个逻辑融合架构中，是构建一个成功的多分类器系统的关键。探索集成体系结构与集成多样性之间的合理平衡是近年来许多研究的热点，也是一个有待解决的问题。在临床诊断、预后，从放射图像(计算机断层成像、正电子发射断层扫描、磁共振成像等)和临床治疗中采本文档来自技高网...

【技术保护点】
1.一种基于随机投影的肾小肿块分类方法，其特征在于，所述方法包括：/nS10，获取N个描述肾小肿块的目标对象数据；所述目标对象数据包括相应肾小肿块的CT平扫图像、mask图像和标签数据；所述标签数据表征相应肾小肿块为良性或恶性；/nS20，根据各个所述mask图像对各个所述CT平扫图像进行靶区勾画，得到各个所述CT平扫图像的感兴趣区域，对各个所述感兴趣区域进行放射组学特性数据提取，得到N个放射组学特性数据；/nS30，将所述N个放射组学特性数据通过L个随机投影矩阵投影，得到L套投影特性数据；/nS40，对L套投影特性数据分别进行多个分类器训练，得到各个分类器的预测矩阵和训练后的各个分类器，根据...

【技术特征摘要】
1.一种基于随机投影的肾小肿块分类方法，其特征在于，所述方法包括：
S10，获取N个描述肾小肿块的目标对象数据；所述目标对象数据包括相应肾小肿块的CT平扫图像、mask图像和标签数据；所述标签数据表征相应肾小肿块为良性或恶性；
S20，根据各个所述mask图像对各个所述CT平扫图像进行靶区勾画，得到各个所述CT平扫图像的感兴趣区域，对各个所述感兴趣区域进行放射组学特性数据提取，得到N个放射组学特性数据；
S30，将所述N个放射组学特性数据通过L个随机投影矩阵投影，得到L套投影特性数据；
S40，对L套投影特性数据分别进行多个分类器训练，得到各个分类器的预测矩阵和训练后的各个分类器，根据各个分类器的预测矩阵设置各个分类器的权重；
S50，采用训练后的各个分类器根据相应的权重对待分类数据进行融合处理，以确定所述对待分类数据的类别。


2.根据权利要求1所述的方法，其特征在于，所述根据各个分类器的预测矩阵设置各个分类器的权重包括：
根据各个分类器的预测矩阵计算良性肾小肿块对应的第一平均预测矩阵以及恶性肾小肿块对应的第二平均预测矩阵；
计算各个分类器的预测矩阵分别至第一平均预测矩阵和第二平均预测矩阵的欧式距离；
根据各个分类器的预测矩阵分别至第一平均预测矩阵和第二平均预测矩阵的欧式距离确定N个目标对象数据在各个分类器上的预测标签；
根据N个目标对象数据在各个分类器上的预测标签和N个目标对象数据分别包括的标签数据计算各个分类器的预测准确度参数，根据各个分类器的预测准确度参数确定各个分类器的权重。


3.根据权利要求2所述的方法，其特征在于，所述第一平均预测矩阵或者第二平均预测矩阵的确定过程包括：






式中，表示第g平均预测矩阵，g的取值为1或者2，表示第i个目标对象数据，N表示目标对象数据的个数，表示第m个分类器相对于第i个目标对象数据的预测矩阵，表示的标签数据，yg表示类别标签g；
所述欧式距离的计算过程包括：



式中，表示第m个分类器相对于第i个目标对象数据至第g平均预测矩阵的欧式距离，L表示随机投影矩阵的个数，G表示类别数；
一个目标对象数据在一个分类器上的预测标签的确定过程包括：



式中，表示在该分类器进行分类的目标对象数据，ys表示该分类器针对该目标对象数据预测得到的标签数据，表示的预测标签，符号表示该符号后面的等式成立时，得到该符号前面的类别归属关系；
所述根据各个分类器的预测准确度参数确定各个分类器的权重的过程包括：



式中，ωm表示第m个分类器的权重，accm表示第m个分类器的预测准确度参数，accmin表示各个预测准确度参数中的最小值，accmax表示各个预测准确度参数中的最大值。


4.根据权利要求3所述的方法，其特征在于，所述采用训练后的各个分类器根据相应的权重对待分类数据进行融合处理，以确定所述对待分类数据的类别包括：
将各个预测矩阵分别至第一平均预测矩阵和第二平均预测矩...

【专利技术属性】
技术研发人员：甄鑫，莫天澜，王琳婧，何强，
申请(专利权)人：广州领拓医疗科技有限公司，
类型：发明
国别省市：广东;44