[发明专利]基于无监督学习的乳腺癌分子分型方法、装置及系统

权利要求书

1.一种基于无监督学习的乳腺癌分子分型方法，其特征在于，该方法包括如下步骤：

步骤S1，获得待预测的乳腺DCE-MRI影像，提取该影像中多种规格的序列影像的感兴趣区域；

步骤S2，利用一采用无监督学习训练获得的分子分型预测模型预测获得各种所述序列影像的对应的分子亚型分类概率；

步骤S3，采用集成学习融合，获得最终对应的分子亚型分类结果；

所述分子分型预测模型的训练过程包括：

获取用于训练的乳腺DCE-MRI影像，按照影像中病变良恶性划分形成互不相交的一源域数据集和一目标域数据集，所述源域数据集包含的是无标签样本，所述目标域数据集包含的是有标签样本；

分别提取源域数据集和目标数据集中多种规格的序列影像的感兴趣区域；

采用所获得源域数据集中多种序列影像的感兴趣区域，分别对所构建的一分子分型预测模型进行无监督学习预训练，获得模型权重；

采用所获得目标域数据集中多种序列影像的感兴趣区域，分别对所述预训练的分子分型预测模型进行迁移学习微调，更新模型权重，完成训练。

2.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，所述感兴趣区域的提取具体为：

读取乳腺DCE-MRI影像对应的肿瘤标记及临床诊断数据，确定肿瘤形态及位置；

基于所述肿瘤形态及位置将影像裁剪为若干个多尺度图像块，获得所述感兴趣区域。

3.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，所述分子亚型分类结果包括管腔上皮型和非管腔上皮型。

4.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，所述分子分型预测模型基于2D深度学习卷积神经网络模型构建，所述2D深度学习卷积神经网络模型包含一个初始卷积块、三个引入注意力机制和深度残差收缩机制的卷积池化单元、一个特征融合单元、一个全局平均池化层和一个分类层。

5.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，所述分子分型预测模型的无监督学习预训练具体为：

将所述源域数据集的感兴趣区域输入到分子分型预测模型中，获得正样本的低阶特征及高阶特征；

随机打乱所述正样本的低阶特征及高阶特征的通道排列，获得伪样本的低阶特征及高阶特征；

构建判别器，分别计算正伪样本间低阶特征和高阶特征的深度互信息，训练获得模型权重。

6.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，对所述分子分型预测模型进行无监督学习预训练时使用的优化目标函数数学表达式为：

其中，W×H为低阶特征的尺寸，代表互信息计算函数，α、β、γ为权重因子，KL[·||·]代表相对熵损失项，为输出特征服从的编码分布，为标准正态分布，G(x)与L_ij(x)分别为全局特征和局部特征。

7.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，对所述分子分型预测模型进行迁移学习微调时，加载预训练权重，使用较小学习率，通过目标域数据集分别进行微调和重新训练。

8.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，使用加权投票策略对获得的多种序列影像所对应的分子亚型分类概率进行所述集成学习的融合。