导管原位癌核级分类预测模型构建方法、系统和存储介质与流程

1.本发明属于医学图像处理技术领域，具体涉及一种导管原位癌核级分类预测模型构建方法、系统和存储介质。


背景技术：

2.2022年，新诊断的导管原位癌(dcis)病例为51400例，占所有新诊断乳腺癌的15％。dcis被认为是一种无创的导管内癌，死亡率低。目前，一些临床试验正在研究基于遗传异质性、肿瘤组织学分级和生物标志物状态的个体化主动监测。核级低级别dcis的临床前可检测期比高级别dcis长，因此应谨慎处理低级别dcis，尽量减少过度治疗。例如，早期发现低核分级dcis的患者应选择主动监测，避免手术过度治疗，因为低分级dcis的治疗方式的选择并不影响总生存期。
3.超声经济、方便，在乳腺致密组织中检测非钙化dcis病变具有优势。超声对dcis的检出率在10年间显著提高，低、中度核分级的筛查率在10年间显著提高。基于人群的乳腺x线筛查对低级别dcis的检出率远低于对高级别dcis的检出率。且超声筛查中发现的dcis不像乳腺x线检查中发现的dcis那样具有侵入性，这表明超声对这类低级别dcis患者的筛查和定期影像学检查具有优势。
4.因此，设计出基于超声图像的dcis核级分类智能预测方法及系统对于临床早期诊断和早期治疗具有重要的意义。然而，由于超声图像质量较差，通过简单的机器学习或深度学习算法进行构建的核级分类模型的预测准确性仍然不够理想，难以满足临床的应用需求。


技术实现要素：

5.为解决上述现有技术中的不足，本发明提供一种基于超声的导管原位癌核级分类预测模型构建方法、系统和存储介质，优化模型的构建方法和集成算法，实现准确的基于超声图像的导管原位癌核级分类的智能预测。
6.为实现上述技术目的，本发明采用的技术方案是：
7.导管原位癌核级分类预测模型构建方法，包括如下步骤：
8.步骤1、构建乳腺癌超声图像数据库，获取患者临床信息和病理核级分类结果；
9.步骤2、将超声图像数据输入到预训练的radimagenet深度学习网络中，通过迁移学习微调，训练得到核级分类预测模型1；
10.步骤3、将radimagenet深度学习网络作为特征提取器，直接从超声图像中提取深度学习特征，并输入到机器学习分类器中，构建核级分类预测模型2；
11.步骤4、将患者的临床信息输入到机器学习分类器中，构建核级分类预测模型3；
12.步骤5、集成步骤2、步骤3、步骤4中构建的三个核级分类预测模型，确定最终的核级分类预测模型。
13.优选的，步骤1中，所用超声图像采用b-mode模式，病理核级分类结果通过病理检
测获得。
14.优选的，步骤2中，所述预训练的radimagenet模型是基于大型医学公开数据集radimagenet监督学习得到，所采用的深度学习网络有resnet50、inceptionv3和densenet121，比较三种深度学习网络算法的诊断性能确定最佳的预测模型为核级分类预测模型1。
15.优选的，步骤2中，所述通过迁移学习微调，是通过冻结深度学习网络后面几层全连接层，进行新数据的训练微调。
16.优选的，步骤3中，所采用的深度学习网络有resnet50、inceptionv3和densenet121，所述机器学习分类器包括逻辑回归、支持向量机、随机森林和xgboost算法，比较四种机器学习分类器的性能，确定最佳的预测模型为核级分类预测模型2。
17.优选的，步骤4中，所述患者的临床信息包括年龄、浸润性、导管改变、结构扭曲、钙化、表型、腺体致密和良恶性分类，所述机器学习分类器包括逻辑回归、支持向量机、随机森林和xgboost算法；比较四种机器学习分类器的性能，确定最佳的预测模型为核级分类预测模型3。
18.优选的，步骤5中，采用的集成算法为投票集成，基于三个核级分类预测模型的分类结果给出最终的核级分类结果。
19.导管原位癌核级分类预测系统，包括：
20.数据获取和存储模块，用于获取和存储患者的超声图像数据和临床信息数据；
21.迁移学习模块，用于使用训练好的核级分类预测模型1，给出核级分类预测结果1；
22.深度学习特征模块，用于提取深度学习特征，并使用训练好的核级分类预测模型2，给出核级分类预测结果2；
23.临床信息模块，用于输入患者的临床信息，使用训练好的核级分类预测模型3，给出核级分类预测结果3；
24.集成学习模块，基于三个核级分类预测模型的核级分类预测结果，给出最终的核级分类预测结果。
25.优选的，所述集成学习模块集成有最终的核级分类预测模型，所述核级分类预测模型1是基于inceptionv3算法构建，所述核级分类预测模型2是基于xgboost算法构建，所述核级分类预测模型3是基于随机森林算法构建。
26.一种计算机可读存储介质，其上存储有用于实现上述导管原位癌核级分类预测模型构建方法的计算机程序，或用于实现上述导管原位癌核级分类预测系统的计算机程序。
27.与现有技术相比，本发明的有益效果有：
28.本发明基于病理检测标准，构建了基于超声图像的单纯乳腺导管原位癌核级分类预测模型构建方法及基于所构建预测模型的预测系统，实现了基于超声图像的单纯乳腺导管原位癌核级分类的智能预测，通过优化模型的构建方式和集成算法，本发明对乳腺癌核级分类预测的准确性有效提升，能够满足临床的应用需求，可以辅助临床医生提高诊断效益，降低患者的诊断成本，为该类疾病的早期诊断和早期治疗提供技术支持。考虑到超声检查的检测成本相对更低，因此，本发明在基层地区具有很好的应用前景。
29.显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
30.以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
31.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
32.图1为本发明实施例1的流程示意图。
33.图2为本发明实施例2的架构示意图。
具体实施方式
34.需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
35.实施例1用于单纯乳腺导管原位癌核级分类预测模型构建方法
36.s1、构建乳腺癌超声图像数据库，获取患者临床信息和病理核级分类结果；
37.具体的，超声图像采用b-mode模式，构建的超声图像数据库达到几百例；患者临床信息从临床系统中获取；病理核级分类结果通过病理检测获取。
38.s2、将超声图像数据输入到预训练的radimagenet深度学习网络中，通过迁移学习微调，训练得到核级分类预测模型1。
39.具体的，预训练的radimagenet模型是基于大型医学公开数据集radimagenet监督学习得到，所采用的深度学习网络有resnet50、inceptionv3和densenet121，通过比较三种算法的诊断性能确定最佳的预测模型为核级分类预测模型1。所述通过迁移学习微调，是通过冻结深度学习网络后面几层全连接层，进行新数据的训练微调。
40.s3、基于radimagenet深度学习网络，提取深度学习特征，输入到机器学习分类器中，构建核级分类预测模型2；
41.具体的，作为提取器的深度学习网络有resnet50、inceptionv3和densenet121，用于提取的深度学习特征建模的机器学习分类器有逻辑回归、支持向量机、随机森林和xgboost算法；通过比较四种机器学习分类器的性能，确定最佳的预测模型为核级分类预测模型2。
42.s4、将患者的临床信息输入到机器学习分类器中，构建核级分类预测模型3。
43.具体的，所述患者的临床信息包括年龄、浸润性、导管改变、结构扭曲、钙化、表型、腺体致密和良恶性分类；所述机器学习分类器包括逻辑回归、支持向量机、随机森林和xgboost算法；通过比较四种机器学习分类器的性能，确定最佳的预测模型为核级分类预测模型3。
44.s5、将三个核级分类预测模型进行集成学习，构建最终的核级分类预测模型。
45.具体的，所述集成学习算法为投票集成；最终的核级分类预测模型基于三个核级分类预测模型的分类结果给出最终的核级分类结果。
46.通过性能比较，最终所述核级分类预测模型1是基于inceptionv3算法构建，所述核级分类预测模型2是基于xgboost算法构建，所述核级分类预测模型3是基于随机森林算法构建。
47.实施例2利用上述得到的核级分类预测模型用于单纯乳腺导管原位癌核级分类的预测系统
48.如图2所示，本实施例提供了基于超声的单纯乳腺导管原位癌核级分类的预测系统，包括：
49.数据获取和存储模块，用于获取和存储患者的超声图像数据和临床信息数据；
50.迁移学习模块，用于使用训练好的核级分类预测模型1，给出核级分类预测结果1；
51.深度学习特征模块，用于提取深度学习特征，并使用训练好的核级分类预测模型2，给出核级分类预测结果2；
52.临床信息模块，用于输入患者的临床信息，使用训练好的核级分类预测模型3，给出核级分类预测结果3；
53.集成学习模块，基于三个核级分类预测模型的核级分类预测结果，给出最终的核级分类预测结果。
54.下面通过实验对本发明的技术方案做进一步的说明。
55.实验例1模型的种类、选择和集成对乳腺癌核级分类准确性的影响
56.一、实验方法
57.本实验例包括多个对比实验：
58.构建核级分类预测模型1实验中，分别比较resnet50、inceptionv3和densenet121三种迁移学习模型的诊断性能；
59.构建核级分类预测模型2实验中，分别比较resnet50、inceptionv3和densenet121三种特征提取器下四种机器学习建模的诊断性能；四种机器学习模型分别为：逻辑回归、支持向量机、随机森林和xgboost。
60.构建核级分类预测模型3实验中，分别比较逻辑回归、支持向量机、随机森林和xgboost四种机器学习模型的诊断性能；
61.在集成学习实验中，比较了集成模型与三个核级分类预测模型之间的诊断性能。
62.二、实验结果
63.以上四组实验的对比实验结果，依次如下列表格所示：
64.表1对比实验一
[0065][0066][0067]
由表1可知，在构建构建核级分类预测模型1时，采用的深度学习网络为inceptionv3的诊断性能更佳，因此，所述核级分类预测模型1基于inceptionv3算法构建。
[0068]
表2对比实验二
[0069][0070]
由表2可知，构建核级分类预测模型2时，采用提取器为resnet50下的机器学习模型为xgboost的诊断性能更佳，因此，核级分类预测模型2基于xgboost算法构建。
[0071]
表3对比实验三
[0072][0073]
由表3可知，构建核级分类预测模型3时，采用的机器学习模型为随即森林的诊断性能更佳，因此，核级分类预测模型3基于随机森林算法构建。
[0074]
表4对比实验四
[0075][0076]
由表4可知，比较集成模型与三个核级分类预测模型之间的诊断性能，集成模型的诊断性能更佳。
[0077]
从以上表数据中可以看到，本发明通过对模型种类、构建方式以及集成方法的选择，能够有效提高导管原位癌核级分类诊断预测结果的准确性，能够满足临床的应用需求，具有很好的应用前景。
[0078]
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

技术特征：
1.导管原位癌核级分类预测模型构建方法，其特征在于，包括如下步骤：步骤1、构建乳腺癌超声图像数据库，获取患者临床信息和病理核级分类结果；步骤2、将超声图像数据输入到预训练的radimagenet深度学习网络中，通过迁移学习微调，训练得到核级分类预测模型1；步骤3、将radimagenet深度学习网络作为特征提取器，直接从超声图像中提取深度学习特征，并输入到机器学习分类器中，构建核级分类预测模型2；步骤4、将患者的临床信息输入到机器学习分类器中，构建核级分类预测模型3；步骤5、集成步骤2、步骤3、步骤4中构建的三个核级分类预测模型，确定最终的核级分类预测模型。2.按照权利要求1所述的导管原位癌核级分类预测模型构建方法，其特征在于：步骤1中，所用超声图像采用b-mode模式，病理核级分类结果通过病理检测获得。3.按照权利要求1所述的导管原位癌核级分类预测模型构建方法，其特征在于：步骤2中，所述预训练的radimagenet模型是基于大型医学公开数据集radimagenet监督学习得到，所采用的深度学习网络有resnet50、inceptionv3和densenet121，比较三种深度学习网络算法的诊断性能确定最佳的预测模型为核级分类预测模型1。4.按照权利要求3所述的导管原位癌核级分类预测模型构建方法，其特征在于：步骤2中，所述通过迁移学习微调，是通过冻结深度学习网络后面几层全连接层，进行新数据的训练微调。5.按照权利要求1所述的导管原位癌核级分类预测模型构建方法，其特征在于：步骤3中，所采用的深度学习网络有resnet50、inceptionv3和densenet121，所述机器学习分类器包括逻辑回归、支持向量机、随机森林和xgboost算法，比较四种机器学习分类器的性能，确定最佳的预测模型为核级分类预测模型2。6.按照权利要求1所述的导管原位癌核级分类预测模型构建方法，其特征在于：步骤4中，所述患者的临床信息包括年龄、浸润性、导管改变、结构扭曲、钙化、表型、腺体致密和良恶性分类，所述机器学习分类器包括逻辑回归、支持向量机、随机森林和xgboost算法；比较四种机器学习分类器的性能，确定最佳的预测模型为核级分类预测模型3。7.按照权利要求1所述的导管原位癌核级分类预测模型构建方法，其特征在于：步骤5中，采用的集成算法为投票集成，基于三个核级分类预测模型的分类结果给出最终的核级分类结果。8.导管原位癌核级分类预测系统，其特征在于，包括：数据获取和存储模块，用于获取和存储患者的超声图像数据和临床信息数据；迁移学习模块，用于使用训练好的核级分类预测模型1，给出核级分类预测结果1；深度学习特征模块，用于提取深度学习特征，并使用训练好的核级分类预测模型2，给出核级分类预测结果2；临床信息模块，用于输入患者的临床信息，使用训练好的核级分类预测模型3，给出核级分类预测结果3；集成学习模块，基于三个核级分类预测模型的核级分类预测结果，给出最终的核级分类预测结果。9.按照权利要求8所述的导管原位癌核级分类预测系统，其特征在于：所述集成学习模
块集成有最终的核级分类预测模型，所述核级分类预测模型1是基于inceptionv3算法构建，所述核级分类预测模型2是基于xgboost算法构建，所述核级分类预测模型3是基于随机森林算法构建。10.一种计算机可读存储介质，其特征在于：其上存储有用于实现权利要求1-7任一项所述的导管原位癌核级分类预测模型构建方法的计算机程序，或用于实现权利要求8或9所述的导管原位癌核级分类预测系统的计算机程序。

技术总结
本发明公开一种导管原位癌核级分类预测模型构建方法、系统和存储介质，预测模型构建方法包括：构建乳腺癌超声图像数据库，获取病理核级分类结果；将超声图像数据输入到预训练的RadImageNet深度学习网络中，通过迁移学习微调，训练得到核级分类预测模型1；将RadImageNet深度学习网络作为特征提取器，直接从超声图像中提取深度学习特征，并输入到机器学习分类器中，构建核级分类预测模型2；将患者的临床信息输入到机器学习分类器中，构建核级分类预测模型3；集成三个核级分类预测模型，确定最终的核级分类预测模型。本发明能够有效提高导管原位癌核级分类结果的准确性，能够满足临床的应用需求，具有很好的应用前景。具有很好的应用前景。具有很好的应用前景。


技术研发人员：姜泽坤 孙淼 侯峻枫 孟思睿
受保护的技术使用者：华西精创医疗科技（成都）有限公司
技术研发日：2023.08.03
技术公布日：2023/10/15