[发明专利]一种基于机器学习的门脉高压无创评估方法及系统

权利要求书

1.一种基于机器学习的门脉高压无创评估方法，其特征在于，所述方法包括以下步骤：

S1：获取门脉高压症的图像数据并对所述图像数据进行预处理；

S2：对预处理后的图像数据运用卷积神经网络进行病灶区域分割，得到门脉高压病灶区域；

S3：对所述门脉高压病灶区域进行影像组学特征提取和特征矩阵构建，采用集成学习训练多个基础分类器，得到门脉高压无创评估模型；

S4：调用所述门脉高压无创评估模型，对待评估的图像数据进行评估，输出门脉高压无创评估结果。

2.根据权利要求1所述的方法，其特征在于，所述获取门脉高压症的图像数据并对所述图像数据进行预处理，包括：

对图像数据进行数据脱敏，并采用如下公式对图像数据进行标准化处理：

式中，μ为图像的像素均值，x表示图像中像素值所构成的矩阵，σ和N分别表示图像的像素标准差和图像像素数量。

3.根据权利要求1所述的方法，其特征在于，所述对预处理后的图像数据运用卷积神经网络进行病灶区域分割，得到门脉高压病灶区域，包括：

通过编码操作提取图像特征值，利用池化层进行逐级下采样；

通过译码操作进行逐级上采样，将下采样和上采样过程中得到特征图进行逐层相加融合；

构建损失函数L_CE，对分割结果进行评估：

其中，M表示类别数，P_c表示预测样本属于类别c的概率，y_c是一个列向量，其元素取值为0或1，若类别和样本的类别相同，则取值为1，否则取值为0。

4.根据权利要求1所述的方法，其特征在于，所述对所述门脉高压病灶区域进行影像组学特征提取和特征矩阵构建，包括：

使用Radiomics工具包对所述门脉高压病灶区域进行影像特征提取，将图像所包含的信息进行量化，将数据特征进行归一化处理，获得预定数量的图像特征，所述图像特征包括形状特征、灰度特征、纹理特征、小波特征。

5.根据权利要求4所述的方法，其特征在于，所述采用集成学习训练多个基础分类器，得到门脉高压无创评估模型，包括：

采用Bagging集成算法训练三种基础分类器，所述三种基础分类器为SVM分类器、逻辑回归分类器和朴素贝叶斯分类器；

所述SVM分类器的核函数为RBF核函数：其中x，y表示样本，γ为超参数，取值为0.5；

所述逻辑回归分类器的核函数为Sigmoid函数：

所述朴素贝叶斯分类器的核函数为：y_k＝arg max(P(y_k|x))，argmax(.)函数表示取参数的最大值，k＝0，1，2，3；分别计算x属于y₀、y₁、y₂、y₃的概率，选取其中概率的最大值，此时所对应的y_k即为x所属类别。

6.根据权利要求5所述的方法，其特征在于，对训练后的三种基础分类器的输出结果进行融合，作为所述门脉高压无创评估模型的评估结果：

s_t＝αx_t+βy_t+δz_t

式中，α，β，δ为三种基础分类器的权重，取值分别为0.4，0.4，0.2，x_t，y_t，z_t代表三种基础分类器，s_t为门脉高压无创评估模型的评估结果，s_t的取值为0，1，2，3；其中，0代表没有患门脉高压症，1代表可能患有门脉高压症，2代表确定患有门脉高压症，3代表患有严重的门脉高压症。