一种病理分类模型训练方法、病理分类方法及电子设备与流程

本发明涉及医学图像，具体而言，涉及一种病理分类模型训练方法、病理分类方法及电子设备。

背景技术：

1、卵巢肿瘤是女性常见的生殖系统疾病，可发生于任何年龄。根据生物学行为及病理形态，可分为良性、交界性、恶性三类。

2、肿瘤标志物是存在于恶性肿瘤细胞、或由恶性肿瘤产生、或宿主对恶性肿瘤的刺激反应而产生的物质，可以在患者的肿瘤组织、排泄物或体液中检测到，在临床中常用于恶性肿瘤的鉴别诊断、治疗反应判断等方面。目前已知与卵巢肿瘤相关并广泛应用的肿瘤标记物有糖类抗原ca125、人附睾蛋白he4和癌胚抗原cea等。由于其他恶性肿瘤如胰腺癌、肺癌和胃癌也会产生相同的标志物，单独利用肿瘤标志物诊断卵巢肿瘤的准确率较低。

技术实现思路

1、有鉴于此，本发明实施例的目的在于，提供一种病理分类模型训练方法、病理分类方法及电子设备以至少部分地改善上述问题。

2、为了实现上述目的，本发明实施例采用的技术方案如下：

3、第一方面，本发明实施例提供了一种病理分类模型训练方法，包括：

4、获取每个病例的样本数据，每个所述样本数据包括超声造影数据、血液指标数据以及病理诊断标签；

5、提取每个所述超声造影数据的造影指标数据以及造影剂达峰时的超声造影数据的超声造影图像，将各所述造影指标数据以及各所述超声造影图像加入对应的所述样本数据；

6、将各所述样本数据输入病理分类模型，分别对所述超声造影图像、所述造影指标数据以及所述血液指标数据进行编码，分别得到造影图像特征图、造影指标特征图以及血液指标特征图；

7、将所述造影图像特征图、造影指标特征图以及血液指标特征图进行拼接融合，得到第一多模态特征图；

8、将所述第一多模态特征图输入自适应特征提取模块进行处理，得到第二多模态特征图；

9、将所述第二多模态特征图输入分类层，得到所述病例的预测病理类型，包括：使用全连接对所述第二多模态特征图进行特征转换，得到多模态特征向量；使用softmax函数对所述多模态特征向量进行处理，得到三个预测概率值；三个所述预测概率值分别表示所述病例是良性、交界性和恶性的概率值；以三个所述预测概率值中最大的值作为所述病例的预测病理类型；

10、基于所述预测病理类型以及所述病理诊断标签，计算出损失信息，并根据所述损失信息对所述病理分类模型进行迭代训练，直至满足预设条件。

11、可选地，所述造影指标数据以及所述血液指标数据均包括至少一个特征指标，在所述分别对所述超声造影图像、所述造影指标数据以及所述血液指标数据进行编码，分别得到造影图像特征图、造影指标特征图以及血液指标特征图的步骤之前，所述方法还包括：

12、对各所述样本数据中的所述造影指标数据和所述血液指标数据进行信息增益计算，剔除相关性小于第一预设阈值的所述特征指标，得到处理后的样本数据；

13、对处理后的各样本数据中的造影指标数据和血液指标数据进行重要性评估，剔除重要性小于第二预设阈值的所述特征指标，得到处理后的样本数据。

14、可选地，所述对各所述样本数据中的所述造影指标数据和所述血液指标数据进行信息增益计算，剔除相关性小于第一预设阈值的所述特征指标，得到处理后的样本数据，包括：

15、将每个样本数据中的所有所述特征指标放入一个总特征集合中；

16、排除任一个所述特征指标，得到剩余特征子集，计算出所述剩余特征子集的信息增益值；所述信息增益值的计算公式为：

17、

18、

19、

20、其中，为所述剩余特征子集，为所述剩余特征子集的信息增益值， m为病例的数量，为第 i个所述病例的 n个特征，为所述样本数据的病理诊断标签，，0表示良性、1表示交界性、2表示恶性；

21、剔除所述信息增益值小于第一预设阈值的所述特征指标，得到处理后的样本数据；

22、所述对处理后的样本数据中的造影指标数据和血液指标数据进行重要性评估的公式为：

23、

24、其中，表示待评估的特征指标，表示总的特征指标集合，表示的特征维数，表示除以外的剩余特征指标组成的任意子集，表示的特征维数，表示的权重值，表示的预测值，表示和并集的预测值。

25、可选地，所述分别对所述超声造影图像、所述造影指标数据以及所述血液指标数据进行编码，分别得到造影图像特征图、造影指标特征图以及血液指标特征图，包括：

26、对所述超声造影图像进行标准化处理，并用卷积神经网络对标准化处理后的超声造影图像进行特征提取、编码，得到造影图像特征图；

27、分别对所述造影指标数据以及所述血液指标数据进行归一化处理，并用多层感知机分别对归一化处理的造影指标数据以及血液指标数据进行编码，分别得到造影指标特征图以及血液指标特征图。

28、可选地，所述自适应特征提取模块包括自适应注意力子模块和前馈层子模块，所述将所述第一多模态特征图输入自适应特征提取模块进行处理，得到第二多模态特征图，包括：

29、将所述第一多模态特征图输入所述自适应注意力子模块，经过自适应注意力处理，得到注意力输出特征向量；

30、将所述注意力输出特征向量输入所述前馈层子模块进行特征转换，得到第二多模态特征图。

31、可选地，所述自适应注意力子模块包括三个权重矩阵、以及，所述将所述第一多模态特征图输入所述自适应注意力子模块，经过自适应注意力处理，得到注意力输出特征向量，包括：

32、将各所述权重矩阵分别与所述第一多模态特征图相乘，分别得到查询向量、键向量和值向量；

33、对所述查询向量以及所述键向量进行点乘计算，得到相似度得分矩阵；

34、根据所述第一多模态特征图的维度数对所述相似度得分矩阵进行标准化处理，得到标准相似度得分矩阵；

35、将所述标准相似度得分矩阵输入到自适应softmax，计算得到模态特征参数之间的相似度权重；

36、将所述相似度权重与值向量相乘，得到加权特征向量；

37、将所述加权特征向量与所述第一多模态特征图相加，并经过层归一化处理，得到注意力输出特征向量。

38、可选地，所述将所述注意力输出特征向量输入所述前馈层子模块进行特征转换，得到第二多模态特征图，包括：

39、将所述注意力输出特征向量输入所述前馈层子模块，得到前馈输出特征向量；

40、将所述前馈输出特征向量与所述注意力输出特征向量相加，并经过层归一化处理，得到第二多模态特征图。

41、可选地，所述将所述第二多模态特征图输入分类层，得到所述病例的预测病理类型，包括：

42、使用全连接对所述第二多模态特征图进行特征转换，得到多模态特征向量；

43、使用softmax函数对所述多模态特征向量进行处理，得到三个预测概率值；三个所述预测概率值分别表示所述病例是良性、交界性和恶性的概率值；

44、以三个所述预测概率值中最大的值作为所述病例的预测病理类型。

45、第二方面，本发明实施例提供了一种病理分类方法，所述方法包括：

46、获取病例的超声造影数据以及血液指标数据；

47、将所述超声造影数据以及所述血液指标数据输入病理分类模型，得到所述病例的病理类型。

48、第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述的方法。

49、本发明实施例提供的一种病理分类模型训练方法、病理分类方法及电子设备，通过获取包括超声造影数据、血液指标数据以及病理诊断标签的样本数据，对超声造影数据处理，得到造影指标数据以及各超声造影图像，分别对超声造影图像、造影指标数据以及血液指标数据进行编码，并进行拼接融合，得到第一多模态特征图；将第一多模态特征图输入自适应特征提取模块进行处理，得到第二多模态特征图，将第二多模态特征图输入分类层，得到病例的预测病理类型，基于预测病理类型以及病理诊断标签，计算出损失信息，进行迭代训练，直至满足预设条件。从而能够结合超声造影数据、血液指标数据上的不同特征反应，提高病理分类的准确性。利用信息增益和重要性评估对纳入的特征指标进行筛选，选择与病理类型相关性高的特征指标，可以提高模型的诊断效能。采用自适应特征提取模块，可以利用缺失某些模态的病例数据，增强了模型对数据的适应性，同时其能够自适应的选择超声造影图像、造影指标数据以及血液指标数据中的各个特征参数。

50、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。