[发明专利]一种基于影像学数据的计算机辅助多人决策方法、系统及设备

说明书

本发明公开了一种基于影像学数据的计算机辅助多人决策方法、系统及设备，方法包括以下步骤：提取和构建病变组织影像预测所需的特征数据集，基于所述增广后的反映组织形态的影像学特征数据集，使用点估计网络分别进行最大值、最小值、中位值和平均值的点预测，得到病变良恶性点分布，基于反映病变良恶性点分布，使用综合预测网络进行良恶性统计分布指标预测，得到反映病变的影像学统计分布指标，良恶性范围、平均值和中位值；将所得良恶性范围、平均值和中位值映射至反映病变良恶性范围内；预测具有医学临床价值的统计分布指标，包括良恶性指标范围、平均值和中位值，本方法可深度学习多个专家标注/决策特征，提高病变良恶性预测准确率。

技术领域

本发明涉及神经网络、深度学习以及病变良恶性指标预测技术领域，具体涉及一种基于影像学数据的计算机辅助多人决策方法、系统及设备。

背景技术

目前通常使用X光片或CT影像进行病变良恶性特征等级提取。使用计算机进行反映病变良恶性特征预测一般分为两个步骤：首先检测和标注单个反映病变影像特征的形态轮廓，并对形态特征进行标注；第二步，对反映病变影像特征良恶性结果进行风险等级预测。在第一步中，目前有较为成熟的研究成果和产品，在第二步中，当前比较多的成果集中在使用机器学习算法预测反映病变影像学特征的良恶等级，或者将多个专家的集体意见使用平均或中位值等方法进行归一化，仍然视为模拟单个体的等级预测。这些方法简化了预测过程，丧失了群体间有价值的差异性特性，影响了预测准确性。

现有的基于影像学数据的计算机辅助多人决策方法可分为以下三大类，具体为：1、将一组专家对病变影像学特征的标注及预测结果视为独立和不相关的决策过程，分别对一个专家的标注及决策操作进行建模的方法，参考图1a；2、与第一类方法相似的方式独立地对一组决策操作进行建模的方法，在后处理步骤中，专家组生成的决策意见被转换为代表整个组的单个聚合决策意见，参考图1b；3、对决策行为进行建模的方法，首先将专家小组独立的标注和提取到的特征转换为一组聚合特征，然后对该聚合特征应用单个预测流程进行决策的模型，参考图1c；然而，第一类方法忽略了决策行为集体决策之间的丰富相互关系，以及决策意见及其相关决策行为在同行中的相对地位，因此，忽略了许多有价值的线索和信息信号，不利于提高集体决策过程的建模性能；第二类方法在个体化决策行为被模型独立模拟后，采用意见聚合，这种方法可以减轻但不能完全消除第一类方法由于在独立建模的决策收集而造成的信息线索丢失；第三类方法根据个体专家在模拟任何决策操作之前聚合标注特征，这样的建模方法可能对捕捉由专家小组分别描述的有关病变的形态和其他感知特征的变化很敏感，但是仍未考虑专家小组集体决策时个人决策行为中有价值的差异性。

鉴于现有的三类方法在专家小组进行集体决策行为建模的局限性，需要真正有效的计算机辅助多人决策方法实现反映病变良恶性结果指标的预测。

发明内容

针对上述问题，本发明提供一种基于影像学数据的计算机辅助多人决策方法、系统及设备，综合多专家集体智能，预测反映病变影像学特征良恶性结果的统计分布指标，包括良恶性指标范围、平均值和中位值，解决现有预测方法的局限性，预测出具有医学临床价值的统计分布性指标。

为了实现上述目的，本发明采用的技术方案是，一种基于影像学数据的计算机辅助多人决策方法，包括如下步骤：

步骤1、提取和构建病变组织预测所需的特征数据集，得到增广后的反映组织形态的影像学特征数据集；

提取经过标注的影像学特征数据，并对所述影像学特征数据进行增广；将原有的D条数据，增广至条，每条数据维度为(N×M)，N是对影像学特征数据进行标注的人员个数，M为需提取的影像学特征数目；

步骤2、基于步骤1所述增广后的反映组织形态的影像学特征数据集，使用点估计网络分别进行最大值、最小值、中位值和平均值的点预测，得到反映病变影像学特征良恶性点分布；即表示最大值、最小值、平均值和中位值的4个独立向量；