【技术实现步骤摘要】
本专利技术涉及人工智能检测领域，特别是指基于人工智能的肺癌转移预测方法和系统。
技术介绍
1、要实现对早期肺癌进行精准的治疗，需要做到在最少手术时间、最小手术创伤的基础上实现对病灶根治的目的。然而，单纯的肿块切除手术时间虽然较短，但部分患者术后1年出现区域淋巴结转移。肿块切除连同区域1-2站的淋巴结病检需要增加手术时间及冰冻病理等待的时间，对于心肺功能较差或高龄患者的术后恢复有一定风险。目前临床对t1-2期非小细胞肺癌淋巴结的肿瘤转移风险并无明确高效的评估工具。
2、卷积神经网络(cnn)是目前人工智能神经网络和ai视觉深度学习的主要算法。近年来由于cnn在视觉图像识别领域中突出的高精准表现，使其应用范围逐步扩大到医疗领域，包括在医学影像、医学病理、以及辅助医疗决策中均得到了广泛研究。在病理辅助诊断和图像分割领域中，用于分析基因组改变和分类已经达到较高的精准度并且成本低廉。
技术实现思路
1、本专利技术的主要目的在于克服现有技术中的上述缺陷，提出基于人工智能的肺癌转移预测方法和系统，快速精准地评估肺癌转移风险，较准确的为临床医生提供手术决策的依据，最大程度的使患者的治疗精准化。
2、本专利技术采用的技术方案，
3、基于人工智能的肺癌转移预测方法，包括：
4、获取肺癌影像数据集，包括正常样本影像数据集和转移样本影像数据集，并对影像数据集进行预处理；
5、将每个病例的影像数据表示为一个图结构，其中每个结点代表一个图像区域结点之
6、医生根据临床经验标注结点的转移概率；
7、根据肺癌影像数据集，利用卷积神经网络提取结点的特征向量；
8、将图结构和结点的特征向量作为图神经网络模型输入，每个结点的转移概率作为输出，训练图神经网络，得到训练好的图神经网络模型；
9、根据采集的肺癌影像数据集，将数据表示为图结构，每个结点代表一个图像区域结点之间的边表示区域之间的空间关系，并利用卷积神经网络提取特征计算结点的特征向量；
10、将图结构和结点的特征向量输入训练好图神经网络模型，得到每个结点的转移概率。
11、具体地，对影像数据集进行预处理，包括但不限于：调整大小、标准化、噪声去除及增强对比度。
12、具体地，根据肺癌影像数据集，利用卷积神经网络提取结点的特征向量，具体为：
13、构建resnet卷积神经网络模型，将结点代表的图像区域作为输入，通过前向传播将图像在卷积神经网络中进行计算；
14、获取卷积层中的第一特征图，获取池化层的第二特征图，将第一特征图和第二特征图进行融合，得到融合后的特征图；
15、将融合后的特征图通过最大池化转化为结点的特征向量。
16、具体地，所述图神经网络模型包括：gcn、graphsage或gat。
17、本专利技术实施例另一方面提供基于人工智能的肺癌转移预测系统，包括：
18、历史影像集获取单元：获取历史肺癌影像数据集，包括正常样本影像数据集和转移样本影像数据集，并对影像数据集进行预处理；
19、图结构构建单元：将每个病例的影像数据表示为一个图结构，其中每个结点代表一个图像区域结点之间的边表示区域之间的空间关系；
20、标注单元：医生根据临床经验标注结点的转移概率；
21、特征向量提取单元：根据肺癌影像数据集，利用卷积神经网络提取结点的特征向量；
22、模型训练单元：将图结构和结点的特征向量作为图神经网络模型输入，每个结点的转移概率作为输出，训练图神经网络，得到训练好的图神经网络模型；
23、影像处理单元：根据采集的肺癌影像数据集，将数据表示为图结构，每个结点代表一个图像区域结点之间的边表示区域之间的空间关系，并利用卷积神经网络提取特征计算结点的特征向量；
24、转移概率获取单元：将图结构和结点的特征向量输入训练好图神经网络模型，得到每个结点的转移概率。
25、具体地，对影像数据集进行预处理，包括但不限于：调整大小、标准化、噪声去除及增强对比度。
26、具体地，根据肺癌影像数据集，利用卷积神经网络提取结点的特征向量，具体为：
27、构建resnet卷积神经网络模型，将结点代表的图像区域作为输入，通过前向传播将图像在卷积神经网络中进行计算；
28、获取卷积层中的第一特征图，获取池化层的第二特征图，将第一特征图和第二特征图进行融合，得到融合后的特征图；
29、将融合后的特征图通过最大池化转化为结点的特征向量。
30、具体地，所述图神经网络模型包括：gcn、graphsage或gat。
31、由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：
32、本专利技术提供基于人工智能的肺癌转移预测方法，包括：获取肺癌影像数据集，包括正常样本影像数据集和转移样本影像数据集，并对影像数据集进行预处理；将每个病例的影像数据表示为一个图结构，其中每个结点代表一个图像区域结点之间的边表示区域之间的空间关系；医生根据临床经验标注结点的转移概率；根据肺癌影像数据集，利用卷积神经网络提取结点的特征向量；将图结构和结点的特征向量作为图神经网络模型输入，每个结点的转移概率作为输出，训练图神经网络，得到训练好的图神经网络模型；根据采集的肺癌影像数据集，将数据表示为图结构，每个结点代表一个图像区域结点之间的边表示区域之间的空间关系，并利用卷积神经网络提取特征计算结点的特征向量；将图结构和结点的特征向量输入训练好图神经网络模型，得到每个结点的转移概率，本专利技术方法能够快速精准地评估肺癌转移风险，较准确的为临床医生提供手术决策的依据，最大程度的使患者的治疗精准化。
本文档来自技高网...【技术保护点】
1.基于人工智能的肺癌转移预测方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的肺癌转移预测方法，其特征在于，对影像数据集进行预处理，包括但不限于：调整大小、标准化、噪声去除及增强对比度。
3.根据权利要求1所述的基于人工智能的肺癌转移预测方法，其特征在于，根据肺癌影像数据集，利用卷积神经网络提取结点的特征向量，具体为：
4.根据权利要求1所述的基于人工智能的肺癌转移预测方法，其特征在于，所述图神经网络模型包括：GCN、GraphSAGE或GAT。
5.基于人工智能的肺癌转移预测系统，其特征在于，包括：
6.根据权利要求5所述的基于人工智能的肺癌转移预测系统，其特征在于，对影像数据集进行预处理，包括但不限于：调整大小、标准化、噪声去除及增强对比度。
7.根据权利要求5所述的基于人工智能的肺癌转移预测系统，其特征在于，根据肺癌影像数据集，利用卷积神经网络提取结点的特征向量，具体为：
8.根据权利要求5所述的基于人工智能的肺癌转移预测系统，其特征在于，所述图神经网络模型包括：GCN、Gr
9.一种电子设备，其特征在于，包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现权利要求1-4所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4所述的方法步骤。
...【技术特征摘要】
1.基于人工智能的肺癌转移预测方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的肺癌转移预测方法，其特征在于，对影像数据集进行预处理，包括但不限于：调整大小、标准化、噪声去除及增强对比度。
3.根据权利要求1所述的基于人工智能的肺癌转移预测方法，其特征在于，根据肺癌影像数据集，利用卷积神经网络提取结点的特征向量，具体为：
4.根据权利要求1所述的基于人工智能的肺癌转移预测方法，其特征在于，所述图神经网络模型包括：gcn、graphsage或gat。
5.基于人工智能的肺癌转移预测系统，其特征在于，包括：
6.根据权利要求5所述的基于人工智能的肺癌转移预测系统，其特征在于，对影像数据集进行预处理，包括但不...
【专利技术属性】
技术研发人员：彭芳，
申请(专利权)人：广东省第二人民医院广东省卫生应急医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。