[发明专利]基于超声组学和深度学习的疾病智能化分析方法及系统

说明书

本发明公开了一种基于超声组学和深度学习的疾病智能化分析方法及系统，包括：获取病变部位的若干超声数据，得到多模态超声组学数据；将多模态超声组学数据输入深度学习神经网络，根据多模态超声组学数据调整神经元的连接权重、配比卷积和池化层，得到调整后的多模态超声组学数据；利用不同模态下的分类器对调整后的多模态超声组学数据进行分类，并通过判别器得到每个分类的分数后，根据每个分类的分数，获得预后判断、疗效评估和辅助诊断结果。相比于现有利用单模态超声数据进行疾病智能化分析的方法，本发明技术方案根据多模态超声组学数据的特性，从数据和模型设计层面优化深度学习网络，提高疾病智能化分析的准确率和预测价值。

技术领域

本发明涉及超声医学技术领域，尤其涉及一种基于超声组学和深度学习的疾病智能化分析方法及系统。

背景技术

在疾病智能化分析中，现有的分析方法是通过建立单模态医学图像的深度学习模型进行医学图像的分割、分类和识别后，对处理后的医学图像进行人工分析，得到疾病的分析结果。但是当单模态的医学图像数量有限时，训练深度学习模型需要设置较多参数，这样会导致模型过拟合，且基于单模态图像的深度学习网络计算复杂度大，梯度越往后越容易消失，可能导致无法训练出可用模型，并且由于超声图像具有噪声大、操作者依赖性、图像标准化等问题，因此，无法使用现有的深度学习模型对其进行分析，得到疾病的辅助决策分析结果。

发明内容

本发明实施例提出一种基于超声组学和深度学习的疾病智能化分析方法及系统，通过训练好的深度学习网络模型对优化后的多模态超声组学数据进行数据分析后，利用数据分析后的结果进行疾病的辅助决策分析，提高疾病智能化分析的准确率。

为解决上述问题，本发明实施例提供基于超声组学和深度学习的疾病智能化分析方法，适于在计算设备中执行，至少包括如下步骤：

获取病变部位的若干超声数据，得到多模态超声组学数据；

将所述多模态超声组学数据输入训练好的深度学习神经网络，并根据所述多模态超声组学数据调整神经元的连接权重、配比卷积和池化层，得到调整后的多模态超声组学数据；

利用不同模态下的分类器对调整后的多模态超声组学数据中的每个数据进行分类，得到包含每个分类的所有模态的分类概率；

根据判别器给出的模态之间的混淆分数，对所有模态的分类概率进行加权平均处理，得到每个分类的分数；

基于临床结局指标和基因组学数据，根据每个分类的分数，采用传统的逻辑回归法计算有效的高风险指标、采用决策树或Adaboost的方法建立分类模型以及采用t检验和pearson/spearman相关性分析，获得预后判断结果、疗效评估结果和辅助诊断结果。

进一步的，所述基于临床结局指标和基因组学数据，根据每个分类的分数，采用逻辑回归法计算有效的高风险指标、采用决策树或Adaboost的方法建立分类模型以及采用t检验和pearson/spearman相关性分析，获得预后判断结果、疗效评估结果和辅助诊断结果，具体为：

基于临床结局指标和基因组学数据，根据每个分类的分数，采用逻辑回归法计算高风险指标，并利用所述高风险指标建立诺莫图后，采用决策分析曲线进行预后判断；根据每个分类的分数，建立分类模型，并利用验证组的准确率、错误率或受试者工作曲线下面积进行疗效评估；根据每个分类的分数，采用T检验和pearson/spearman相关性分析，比较分析病理特征、临床分期和基因突变相关性进行辅助诊断。

进一步的，所述获取病变部位的若干超声数据，得到多模态超声组学数据，具体为：

基于所述病变部位的相应疾病模型，根据不同超声成像模式提取相应病理生理模态的超声数据、根据疾病所在器官灌注特征获取相应模态超声数据、根据疾病所在器官随时间动态变化特征获取相应时间序列维度超声数据，以及根据疾病所在器官空间特性获取相应立体维度超声数据，得到所述多模态超声组学数据。