[发明专利]基于细粒度领域知识的疾病智能识别方法及系统

权利要求书

1.一种基于细粒度领域知识的疾病智能识别方法，其特征在于，包括：

获取待识别的患者病灶图像；

利用双坐标疾病识别模型对患者病灶图像进行特征提取，获取病灶区域特征和病灶边界特征；其中，所述双坐标疾病识别模型包括用于病灶区域划分的第一坐标模型和用于病灶边界特征识别的第二坐标模型；

通过自注意力网络，根据病灶区域特征和病灶边界特征获取病灶聚合特征；

对病灶聚合特征进行分类识别，获取患者的疾病识别结果；其中，所述疾病识别结果包括病灶的良性/恶性类别判定和病灶位置。

2.根据权利要求1所述的基于细粒度领域知识的疾病智能识别方法，其特征在于，通过自注意力网络，根据病灶区域特征和病灶边界特征获取病灶聚合特征的方法，包括，

将病灶区域特征和病灶边界特征进行融合，获得原始融合特征；

将所述原始融合特征经过卷积层和激活函数后，获得输入特征对应的显著性权重特征；

将所述输入特征对应的显著性权重特征并与原始特征进行乘积，获得聚合特征。

3.根据权利要求1所述的基于细粒度领域知识的疾病智能识别方法，其特征在于，通过自注意力网络，根据病灶区域特征和病灶边界特征获取病灶聚合特征的方法，包括，

将所述病灶边界特征利用分裂合并模块进行特征解纠缠，获得多个病灶边界特征块；

将多个病灶边界特征块与病灶区域特征块进行标记，并嵌入类别标记特征块，获得标记病灶特征块；

利用多头自注意力模块，利用所述标记病灶特征块获取聚合特征。

4.根据权利要求3所述的基于细粒度领域知识的疾病智能识别方法，其特征在于，双坐标疾病识别模型的训练方法，包括，

对包含具有病灶区域标注信息的样本进行预处理获得病变区域掩膜和正常区域掩膜；基于病变区域掩膜和正常区域掩膜获得训练后的第一坐标模型；对包含具有病灶点阵标注信息的样本进行预处理获的病灶点阵的向量化表示；基于病灶点阵的向量化表示获得训练后的第二坐标模型；其中，所述第一坐标模型为笛卡尔坐标模型；第二坐标模型为极坐标坐标模型；

将训练后的第一坐标模型和第二坐标模型基于多头自注意力模块进行整合后获得双坐标疾病识别模型；

基于损失函数，利用梯度反向传播算法对双坐标疾病识别模型进行训练，直至收敛。

5.根据权利要求4所述的基于细粒度领域知识的疾病智能识别方法，其特征在于，基于损失函数，利用梯度反向传播算法对双坐标疾病识别模型进行训练，直至收敛的方法，包括，

通过双坐标疾病识别模型获得输入的包含具有病灶区域标注信息的样本的疾病良恶性评价的评分分布和病灶位置评价的评分分布；

获得所述疾病良恶性评价的评分分布与样本图像数据集对应的原始疾病良恶性评价的评分分布之间的损失函数，以及所述病灶位置评价的评分分布与样本图像数据集对应的原始疾病病灶位置评价的评分分布之间的损失函数；

根据所述损失函数更新所述双坐标疾病识别模型的网络参数，直至疾病良恶性评价的评分分布的均方差和病灶位置评价的评分分布的均方差均属于预设标准范围内为止。

6.根据权利要求4所述的基于细粒度领域知识的疾病智能识别方法，其特征在于，

所述病灶点阵标注信息包括良恶性特征块标记、边缘清晰特征块标记、毛刺特征块标记、边缘成角特征块标记、边缘光滑特征块标记和超声影像特征块标记。

7.根据权利要求4所述的基于细粒度领域知识的疾病智能识别方法，其特征在于，所述双坐标疾病识别模型的训练方法还包括，

利用二元logistic回归分析建立疾病评分系统；

基于所述疾病评分系统，使用逐步回归方法筛选与疾病的良恶性评价具有相关性的自变量；

利用所述与疾病的良恶性评价具有相关性的自变量判定所述双坐标疾病识别模型的预测值与疾病的良恶性的相关性。