一种病理程度预测方法、系统、介质、设备及终端技术方案

本发明专利技术属于人工智能技术领域，公开了一种病理数据处理方法、系统、介质、设备及终端，在公开医学图像数据集上采用对比学习的方法训练特征提取网络，在特征提取网络后添加线性分类器，并将特征提取网络的权重冻结后，将新的网络迁移到病理数据处理的目标数据集上训练线性分类器。本发明专利技术使用有条件生成对抗网络学习合成少数量类别的样本；针对深度学习在小数据集上拟合效果较差的难题，本发明专利技术使用对比学习和迁移学习来提高模型提取特征的能力和改善模型的分类性能。本发明专利技术通过使用有条件生成对抗网络生成数量少的类别样本，从而解决类别不平衡的问题；通过使用对比学习技术和迁移学习技术，从而提高了模型的特征提取能力和改善模型的分类性能。模型的分类性能。模型的分类性能。

【技术实现步骤摘要】
一种病理程度预测方法、系统、介质、设备及终端


[0001]本专利技术属于人工智能
，尤其涉及一种病理数据处理方法、系统、介质、设备及终端。

技术介绍

[0002]近年来，人工智能方法的发展，特别是影像组学、深度学习等技术在医学影像的应用，进一步推动了肝癌临床应用中分级分期和疗效预测的精准化和智能化。在MRI图像中使用纹理分析对肝癌进行分级分类以及基于MRI影像组学对术前预测肝癌手术切除后早期复发应用中，传统的影像组学使用公式计算得到病灶的图像特征，但是无法得到病灶的位置特征及深度特征。而且在分析过程中，使用传统的降维方法会进一步减小特征值数量，这样的方法学虽然有利于在小样本中建立稳定的模型，但是得到的模型泛化能力不足，不能达到临床使用的标准。多模态MRI序列扫描会产生图像噪声及扫描参数造成的序列差异，并且对于需要庞大数据量的人工智能模型往往缺乏充足的数据量，在建立人工智能模型之前需要对其进行丰富的数据增强及标准化预处理。
[0003]部分研究使用变分自动编码器(VAE)合成少样本数据，一定程度上可以改善类别不平衡的问题。但基于VA本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种病理数据处理方法，其特征在于，所述病理数据处理方法包括：在公开医学图像数据集上采用对比学习的方法训练特征提取网络ResNet18，在特征提取网络后添加线性分类器，并将特征提取网络的权重冻结后，将新的网络迁移到病理数据处理的目标数据集上训练线性分类器。2.如权利要求1所述的病理数据处理方法，其特征在于，所述病理数据处理方法还包括：通过训练条件生成网络用于生成样本；使用无监督的对比学习方案对基干网络进行预训练，纳入大量无标签的医学图像数据进行训练，训练好的模型作为预训练模型迁移到其他医学图像任务；通过迁移学习的方式，将对比学习预训练的模型在标注好的MRI肝细胞癌病理分级数据集进行训练。3.如权利要求1所述的病理数据处理方法，其特征在于，所述病理数据处理方法包括以下步骤：步骤一，样本合成：构建条件生成对抗网络，并进行对比学习实验；步骤二，对比学习：得到特征向量，并对特征提取网络进行更新训练；步骤三，迁移学习：添加线性分类器，利用病理数据处理数据集训练网络。4.如权利要求3所述的病理数据处理方法，其特征在于，所述步骤一中的样本合成方法包括：(1)使用自动编码器训练，获取MRI影像的多尺度低维高语义表示C1,C2,
…
C
N
；(2)从概率分布P中采样出噪声Z作为输入X，经过混合残差模块优化张量的语义表示，合成目标类别的样本Y；使用真假判别器网络D1对Y进行鉴别真假，使用分类判别器网络D2对X的类别进行判断，指导G生成样本类别C；所述对比学习实验包括：使用公开数据集进行对比学习实验；实验过程中所采用的图像预处理方法有以下4种：(1)MRI偏置场矫正；(2)裁剪；(3)重采样；(4)最大最小归一化；使用对比学习在公开数据集上训练特征提取网络后，在特征提取网络后添加一个线性分类器用于小数据集上病理数据处理。5.如权利要求3所述的病理数据处理方法，其特征在于，所述步骤二中的对比学习包括：将4个公开数据集上经过预处理后的图像x通过两次不同的数据增强操作后得到的图像x
i
...

【专利技术属性】
技术研发人员：刘爱连，付忠良，姚宇，赵莹，陈晓清，高峻嘉，文含，窦猛，罗旭，王森，朱遥遥，蔡秀定，苗栋，
申请(专利权)人：大连医科大学附属第一医院，
类型：发明
国别省市：