[发明专利]一种基于多任务学习的多疾病联合测定方法

说明书

本发明属于疾病检测与深度学习技术领域，公开了一种基于多任务学习的多疾病联合测定方法，输入为多种病人的MRI图像，先提取这些病人MRI图像的特征；使用主成分分析法等方法降维处理来得到最能代表这些特征的若干特征。最后，将特征和与其对应的标签填入多任务学习算法，得到对应于每种疾病的决策函数，诊断通过决策函数确定；当新的病例的MRI图像送来之后，对其进行特征提取，使用特征与每种疾病的决策函数进行医学诊断，判断病人是何种疾病。本发明可以使多种疾病联合诊断，更贴近于现实诊断，对诊断的准确性有所提升。

技术领域

本发明属于疾病检测与深度学习技术领域，尤其涉及一种基于多任务学习的多疾病联合测定方法。

背景技术

目前，业内常用的现有技术是这样的：肺癌是一种常见的恶性程度很高的肺部肿瘤，作为全球致死率最高的疾病之一，世界各国都在加大力度研究肺癌的预防、诊断。由于肺炎、肺结核与肺癌具中有相似的临床表现。因此出现了影像学的技术，其中MRI是在近年迅速发展起来较新的一项影像技术，在肺癌的诊断方面表现出更好的效果。机器学习技术凭借其强大的处理性能和决策能力，在医疗行业得到普遍应用。在影像学的方法中，最常用的方法就是基于支持向量机(SVM)的诊断方法。在现有的基于支持向量机的算法中，首先提取MRI图像的特征，如灰度共生矩阵(GLCM)和灰度行程矩阵(GLRLM)。第二步，降维处理，由于从矩阵中提取出的特征动辄几千维，相比测试使用的病例数量较少，为了防止过拟合的出现，通常使用主成分分析法(PCA)降维处理来得到最能代表这些特征的若干特征。第三步，将特征和与其对应的标签(Label)填入SVM进行学习，得到用于分类的支持向量。第四步，当新的病例的MRI图像送来之后，对其进行特征提取，就可以使用特征与SVM得到的支持向量进行医学诊断，判断病人是否是患病。

在上述方法中，学习方法是基于单任务框架进行的，该框架存在两点不足。首先，传统的学习方法是对多个子任务进行单独学习，这种方法忽视了多个任务之间的联系或多个任务之间潜在的共性信息，导致学习所得决策模型比较简陋，在对疾病进行诊断时确率不高。第二，当前诊断框架每次仅针对一种疾病，即诊断结果为是否患有某疾病，非1即0。而实际中医生对病人诊断时会诊断出病人所患何种疾病，而非仅是诊断否患某种疾病。若使用多个二分的支持向量机来做诊断，由于多个支持向量机之间相互独立，则可能出现互斥的结果，比如同时将一个病人诊断出多种疾病。以上两个缺陷的主要原因在于忽视多种疾病在MRI图像特征之间的联系与潜在的共性信息，没有将多种疾病同时进行诊断。

最近二十年多任务学习方法在机器学习领域得到了人们广泛的关注。与基于单任务框架的分类方法不同，多任务学习是一种把多个相关的任务放在一起学习来提升其学习性能的方法。多任务学习方法的目标是通过同时学习多个相关的学习任务来提高训练模型的泛化性能。为了达到这一目标，多任务学习方法在同时学习多个相关学习任务的同时提取这些学习任务之间内在的联系。通过提取多个任务之间共享的信息也就改进了单一的学习模型，在即使单个任务的训练样本有限的时候也可以为每个学习任务构建相对精确的模型。多任务学习己经被成功的应用到了SAR目标识别，视觉分类，工业检测等领域中。如果将多任务学习的方法应用于多种疾病的同时诊断，针对现有架构的两项缺陷有两点改进，首先，每种疾病对应多任务学习中的一个任务，多种疾病同时检测，直接从多种疑似病症中诊断出所患疾病，使病患得到更全面的信息。其次，多种在病理上有联系和潜在共性信息的疾病可以同时检测，增加学习时样本数量，将潜在信息加以利用，大幅提升诊断正确性。

综上所述，现有技术存在的问题是：传统的学习方法是对多个子任务进行单独学习，忽视多个任务之间的联系或多个任务之间潜在的共性信息。

解决上述技术问题的难度和意义：