[发明专利]针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法

权利要求书

1.一种针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法，其特征在于，包括下述步骤：

1)对胰腺医学影像数据进行读取和归一化操作，得到归一化图像；

2)对归一化图像进行去噪、配准以及图像融合，得到多模态融合图像；

3)在胰腺结构显示清晰的图像中选取感兴趣区并映射到其他图像上，同时将该感兴趣区保存为后续分类网络可识别的自然图像格式；

4)根据所选取的感兴趣区，对多模态融合图像的特征进行提取、分类和融合，并针对融合后的特征建立基本分类网络模型；

5)对各个基本分类网络的分类结果进行鉴别，获得最终的分类鉴别结果；

步骤4)中的特征提取、分类、融合以及建立基本分类网络模型的具体步骤如下：

A：对多模态融合图像构建专用深度金字塔卷积神经网络，该网络的结构为在全连接层之前使用一系列金字塔池化层，从而允许输入图像为任意尺寸；

B：将数据输入多模态融合图像专用深度金字塔卷积神经网络，提取由全连接层输出的特征，生成特征图；

C：基于双线性融合函数对上述特征进行融合，即将两个特征图的对应位置元素进行外积运算后求和，得到融合特征图，该融合特征图的通道数是原始特征图通道数的平方，表示为

其中，y_bil表示融合特征图，x^a和x^b表示特征图，x^a、x^b∈R^H×W×D，H、W、D分别表示特征图的长度、宽度和通道数量，a、b代表不同图像，指a特征图中不同通道中位置(i,j)处的特征值，指b特征图中不同通道中位置(i,j)处的特征值；指计算得到的值所属的范围，其中，D²表示通道数量为原来的平方；

D：采用卷积融合函数对融合特征图进行降维处理，得到降维的融合特征图，即将双线性融合函数的融合结果与滤波器f进行卷积运算，同时引入偏差值bias，从而实现降维，表示为

y^conv＝y_bil*f+bias，

其中，y^conv为卷积融合函数，f表示二维卷积，f∈R^1×1×2D×D，其中，1×1×2D×D分别表示特征图的数量、长度、宽度以及通道数；bias表示卷积运算中的偏移量，bias∈R^D；

E：根据降维的融合特征图训练一个分类模型，即建立基本分类网络模型，其中，所用分类方法为将弱分类模型组合形成强分类模型，或者训练一个核函数方法的支持向量机；

步骤5)中的鉴别步骤如下：

a：通过训练数据对所建立的各基本分类网络模型进行训练，计算分类误差率；

b：根据分类误差率计算各基本分类网络模型的系数；

c：将各基本分类网络模型的类别标签统一，求各基本分类网络模型对待测实例在每一类别标签上的预测概率，去除偏离点后对剩余预测概率进行加权表决，并获得最终的分类鉴别结果。

2.根据权利要求1所述的方法，其特征在于，步骤1)中所述胰腺医学影像数据来源于PACS系统和医学成像设备。

3.根据权利要求1所述的方法，其特征在于，步骤2)中所述图像融合采用像素级图像融合技术，包括空间域算法和变换域算法。

4.根据权利要求1所述的方法，其特征在于，步骤3)中所述感兴趣区为包含病灶处全部胰腺组织的矩形，所述自然图像格式为.png或.bmp。

5.根据权利要求1所述的方法，其特征在于，所述分类误差率的计算方法为：设基本分类网络模型共有M个，记作C_m，m＝{1,2，…，M}，训练数据集T＝{(y₁，x₁)，(y₂，x₂)，…，(y_N，x_N)},其中y_i∈Y＝{-1,+1}，计算第m个分类模型在训练数据集上的分类误差率e_m，公式为

所述各基本分类网络模型的系数为α_m，计算公式为