分类预测模型生成方法及分类预测方法、系统、平台技术方案

本发明专利技术提供了一种分类预测模型生成方法及分类预测方法、系统、平台，其方法，包括：构建初始分类预测模型；在候选样本数据集中随机选取预设数量的训练样本，并进行预处理，每个训练样本均包括一个病人的不同模态的肝部医学图像；将预处理后的肝部医学图像输入至所初始分类预测模型中，通过初始分类预测模型对预处理后的肝部医学图像进行特征提取，以获取每个模态对应的预设维度的特征向量；通过初始分类预测模型将不同模态对应的预设维度的特征向量进行拼接，并对拼接后的特征向量进行分类预测，以确定所述训练样本对应的肝纤维化发展阶段；对初始分类预测模型进行迭代训练，以生成实际分类预测模型。可准确区分肝纤维化相邻阶段。段。段。

【技术实现步骤摘要】
分类预测模型生成方法及分类预测方法、系统、平台


[0001]本专利技术涉及神经网络
，尤其涉及一种分类预测模型生成方法及分类预测方法、系统、平台。

技术介绍

[0002]肝纤维化是慢性肝病(如慢性乙肝)向肝硬化进展的关键步骤，其早期的临床干预可以减缓肝硬化的发展，降低肝癌的发病风险。肝纤维化发展阶段分为五个：F0无纤维化、F1轻度纤维化、F2中度纤维化、F3重度纤维化、F4肝硬化。准确诊断肝纤维化的发展阶段有助于监测病情发展并选择适当的治疗方法。
[0003]当前临床采用肝穿刺的方法作为诊断肝纤维化发展阶段的金标准。但是一方面，该方法的准确性受到采样位置的限制，另一方面，该方法为有创伤检测，约0.3％的患者穿刺后会发生严重的并发症甚至导致死亡。而采用实验室生化指标检查和图像学检查的方法，其诊断结果常常受医生主观经验、采样方法及设备的限制。
[0004]基于此种情况，通过人工智能方法对肝纤维化进行自动评估的方法应运而生，但是由于其预测模型简单，模态单一，难以对邻近的肝纤维化发展阶段进行区分，导致预测准确率低的问题

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供了一种分类预测模型生成方法及分类预测方法、系统、平台，以解决现有技术中存在难以对邻近肝纤维化发展阶段进行区分，且准确率低的问题。
[0006]第一方面，提供了一种分类预测模型生成方法，包括：
[0007]构建初始分类预测模型；
[0008]在候选样本数据集中随机选取预设数量的训练样本，并进行预处理，每个所述训练样本均包括一个病人的不同模态的肝部医学图像；
[0009]将预处理后的肝部医学图像输入至所述初始分类预测模型中，通过所述初始分类预测模型对预处理后的肝部医学图像进行特征提取，以获取每个模态对应的预设维度的特征向量；
[0010]通过所述初始分类预测模型将所述不同模态对应的预设维度的特征向量进行拼接，并对拼接后的特征向量进行分类预测，以确定所述训练样本对应的肝纤维化发展阶段；
[0011]对所述初始分类预测模型进行迭代训练，以生成实际分类预测模型。
[0012]在一实施例中，所述对所述初始分类预测模型进行迭代训练，包括：
[0013]对所述初始分类预测模型进行迭代训练，并通过代价敏感损失函数对所述初始分类预测模型的每次迭代训练产生的错误分类预测结果赋予惩罚代价；
[0014]根据所述惩罚代价对所述初始分类预测模型的参数进行调整，直至所述代价敏感损失函数符合目标阈值，以生成所述实际分类预测模型。
[0015]在一实施例中，所述通过所述初始分类预测模型对预处理后的肝部医学图像进行特征提取，以获取每个模态对应的预设维度的特征向量，包括：
[0016]通过骨干网络分别对所述不同模态的肝部医学图像进行特征提取，以获取特征图；
[0017]通过注意力机制对所述特征图进行特征融合和增强，以输出特征向量；
[0018]通过全局平均池化层对所述特征向量进行全局平均池化操作，以获取每个模态对应的预设维度的特征向量。
[0019]在一实施例中，所述通过注意力机制对所述特征图进行特征融合和增强，以输出特征向量，包括：
[0020]对所述特征图进行提升特征表示，以生成空间信息聚合后的特征图；
[0021]通过多层感知机对所述空间信息聚合后的特征图进行处理，以生成通道注意力图；
[0022]对所述通道注意力图进行逐元相加合并，以输出所述特征向量。
[0023]在一实施例中，所述对拼接后的特征向量进行预测分类，包括：
[0024]通过全连接层以及激活函数对拼接后的特征向量进行处理，以确定所述训练样本属于不同肝纤维化发展阶段的概率值；
[0025]对所述概率值进行对比，确定最大概率值，并将所述最大概率值对应的肝纤维化发展阶段作为分类预测结果。
[0026]在一实施例中，所述对所述初始分类预测模型进行迭代训练，包括：
[0027]对所述候选样本数据集中剩余样本进行预测，并为每一个剩余样本确定一个对应的预测矩阵；
[0028]通过预设查询策略以及所述预测矩阵，从所述剩余样本中选择信息量高于第一预设阈值的待训练样本；
[0029]将所述待训练样本与所述训练样本组合形成新的训练样本集，并通过所述新的训练样本集对所述初始分类预测模型的迭代训练。
[0030]在一实施例中，所述通过预设查询策略以及所述预测矩阵，从所述剩余样本中选择选择信息量高于预设阈值的样本，包括：
[0031]通过熵值采样策略以及所述预测矩阵，确定每个剩余样本对应的熵值；
[0032]将所述熵值进行对比，以确定所述熵值大于第二预设阈值的待训练样本。
[0033]第二方面，提供了一种分类预测模型生成系统，包括：
[0034]初始分类预测模型构建单元，用于构建初始分类预测模型；
[0035]训练样本选取单元，用于在候选样本数据集中随机选取预设数量的训练样本，并进行预处理，每个所述训练样本均包括一个病人的不同模态的肝部医学图像；
[0036]特征提取单元，用于将预处理后的肝部医学图像输入至所述初始分类预测模型中，通过所述初始分类预测模型对预处理后的肝部医学图像进行特征提取，以获取每个模态对应的预设维度的特征向量；
[0037]分类预测单元，用于通过所述初始分类预测模型将所述不同模态对应的预设维度的特征向量进行拼接，并对拼接后的特征向量进行分类预测，以确定所述训练样本对应的肝纤维化发展阶段；
[0038]实际分类预测模型生成单元，用于对所述初始分类预测模型进行迭代训练，以生成实际分类预测模型。
[0039]第三方面提供了一种分类预测方法，包括：
[0040]获取待预测患者的不同模态的肝部医学图像，并进行预处理；
[0041]将预处理后的不同模态的肝部医学图像，发送至上述所述的实际分类预测模型中；
[0042]通过骨干网络分别对所述不同模态的肝部医学图像进行特征提取，以获取特征图；
[0043]通过注意力机制对所述特征图进行特征融合和增强；
[0044]通过全局平均池化层对所述特征融合和增强后的特征图进行全局平均池化操作，以获取每个模态对应的预设维度的特征向量；
[0045]将所述不同模态对应的预设维度的特征向量进行拼接，并对拼接后的特征向量进行分类预测，以确定所述待预测患者对应的肝纤维化发展阶段。
[0046]第四方面，提供了一种分类预测系统，包括：
[0047]图像获取单元，用于获取待预测患者的不同模态的肝部医学图像，并进行预处理；
[0048]预处理单元，用于将预处理后的不同模态的肝部医学图像，发送至上述所述的实际分类预测模型中；
[0049]特征图获取单元，用于通过骨干网络分别对所述不同模态的肝部医学图像进行特征提取，以获取特征图；
[0050]注意力机制处理单元，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类预测模型生成方法，其特征在于，所述方法，包括：构建初始分类预测模型；在候选样本数据集中随机选取预设数量的训练样本，并进行预处理，每个所述训练样本均包括一个病人的不同模态的肝部医学图像；将预处理后的肝部医学图像输入至所述初始分类预测模型中，通过所述初始分类预测模型对预处理后的肝部医学图像进行特征提取，以获取每个模态对应的预设维度的特征向量；通过所述初始分类预测模型将所述不同模态对应的预设维度的特征向量进行拼接，并对拼接后的特征向量进行分类预测，以确定所述训练样本对应的肝纤维化发展阶段；对所述初始分类预测模型进行迭代训练，以生成实际分类预测模型。2.如权利要求1所述的分类预测模型生成方法，其特征在于，所述对所述初始分类预测模型进行迭代训练，以生成实际分类预测模型，包括：对所述初始分类预测模型进行迭代训练，并通过代价敏感损失函数对所述初始分类预测模型的每次迭代训练产生的错误分类预测结果赋予惩罚代价；根据所述惩罚代价对所述初始分类预测模型的参数进行调整，直至所述代价敏感损失函数符合目标阈值，以生成所述实际分类预测模型。3.如权利要求1所述的分类预测模型生成方法，其特征在于，所述通过所述初始分类预测模型对预处理后的肝部医学图像进行特征提取，以获取每个模态对应的预设维度的特征向量，包括：通过骨干网络分别对所述不同模态的肝部医学图像进行特征提取，以获取特征图；通过注意力机制对所述特征图进行特征融合和增强，以输出特征向量；通过全局平均池化层对所述特征向量进行全局平均池化操作，以获取所述每个模态对应的预设维度的特征向量。4.如权利要求3所述的分类预测模型生成方法，其特征在于，所述通过注意力机制对所述特征图进行特征融合和增强，以输出特征向量，包括：对所述特征图进行提升特征表示，以生成空间信息聚合后的特征图；通过多层感知机对所述空间信息聚合后的特征图进行处理，以生成通道注意力图；对所述通道注意力图进行逐元相加合并，以输出所述特征向量。5.如权利要求1所述的分类预测模型生成方法，其特征在于，所述对拼接后的特征向量进行预测分类，包括：通过全连接层以及激活函数对拼接后的特征向量进行处理，以确定所述训练样本属于不同肝纤维化发展阶段的概率值；对所述概率值进行对比，确定最大概率值，并将所述最大概率值对应的肝纤维化发展阶段作为分类预测结果。6.如权利要求1或2任一项所述的分类预测模型生成方法，其特征在于，所述对所述初始分类预测模型进行迭代训练，包括：对所述候选样本数据集中剩余样本进行预测，并为每一个剩余样本确定一个对应的预测矩阵；通过预设查询策略以及所述预测矩阵，从所述剩余样本中选择信息量高于第一预设阈
值的待训练样本；将所述待训练样本与所述训练样本组合形成新的训练样本集，并通过所述新的训练样本集对所述初始分类预测模型的迭代训练。7.如权利要求6所述的分类预测模型生成方法，其特征在于，所述通过预设查询策略以及所述预测矩阵，从所述剩余样本中选择选择信息量高于预设阈值的样本，包括：通过熵值采样策略以及所述预测矩阵，确定每个剩余样本对应的熵值；将所述熵值进行对比，以确定所述熵值大于第二预设阈值的待训练样本。8.一种分类预测模型生成系统，其特征在于，所述系统，包括：初始分类预测模型构建单元，用于构建初始分类预测模型；训练样本选取单...

【专利技术属性】
技术研发人员：刘李，高路斐，董常峰，万翔，冯程，
申请(专利权)人：深圳市第三人民医院，
类型：发明
国别省市：