[发明专利]一种脑侵袭分类和脑膜瘤分级的多任务预测方法

权利要求书

1.一种脑侵袭分类和脑膜瘤分级的多任务预测方法，其特征在于，任务特定特征与任务共享特征的解耦与对比学习，包括如下步骤：

步骤一，多模态脑部MRI提取与融合；通过相同结构但参数独立的神经网络对不同模态的脑部MRI图像进行特征提取，然后将提取到的不同模态特征进行融合；

步骤二，特征解耦；将步骤一中得到的融合特征解耦为任务特定特征以及任务共享特征，其中任务特定特征只能完成某个特定的分类任务——脑侵袭分类或脑膜瘤分级，而任务共同特征可以完成两个分类任务；通过分析任务共同特征与任务特定特征之间的关系引入对比学习技术从而对每个任务特定特征的预测能力进行加强；

步骤三，多任务预测；包括主预测分支以及辅助预测分支；其中，辅助预测分支由任务特定特征进行对应任务的单独预测；主预测分支将步骤二得到的对齐的任务共同特征分别与对应的任务特定特征融合，完成对脑侵袭分类以及脑膜瘤分级两个任务的同时预测。

2.根据权利要求1所述的脑侵袭分类和脑膜瘤分级的多任务预测方法，其特征在于：所述步骤一多模态脑部MRI提取与融合，通过相同结构且参数独立的神经网络对不同模态的脑部MRI进行特征提取与特征融合，得到融合特征F_fused，融合方式为特征图按维度拼接。

3.根据权利要求1所述的脑侵袭分类和脑膜瘤分级的多任务预测方法，其特征在于，所述步骤二特征解耦是将得到的融合特征解耦为任务特定特征以及任务共享特征，具体方法包括：

(1)将融合特征F_fused通过三个卷积、平均池化和拉平操作得到对应脑侵袭分类和脑膜瘤分级任务的两个任务特定特征以及包含两个任务预测信息的任务共享特征，分别表示为G_i、G_m和G_c；

(2)将得到的任务共享特征以及两个任务特定特征分别通过四个卷积层得到四个特征向量，表示为G_c，i、G_c，m、以及用于构建对比学习的锚点，正样本以及负样本；

(3)构建对比学习损失函数，加强锚点与正样本的相似度，同时降低锚点与负样本的相似度；以脑侵袭任务为例，将与脑侵袭任务对齐的任务共享特征G_c，i作为锚点，脑侵袭任务特定特征作为正样本，脑膜瘤分级任务特定特征作为负样本，得到侵袭任务的对比损失函数；同理，将与脑膜瘤分级任务对齐的任务共享特征G_c，m作为锚点，脑膜瘤分级任务特定特征作为正样本，脑侵袭任务特定特征作为负样本，得到脑膜瘤分级任务的对比损失函数。

4.根据权利要求1所述的脑侵袭分类和脑膜瘤分级的多任务预测方法，其特征在于，所述步骤三多任务预测，包括两个预测分支，其中辅助预测分支由两个任务特定特征分别进行对应任务的预测，通过加强任务特定特征的有效性从而保证对比学习的有效进行；主预测分支将得到的与两个任务对齐的任务共享特征分别与对应的任务特定特征进行融合最终完成两个任务的同时预测，融合方式为特征拼接。