主权项:
1.基于多实例学习模型的食管癌淋巴结转移状态预测方法,其特征在于:包括以下步骤: 步骤1,影像数据收集与预处理:收集食管癌患者的CT影像,并对收集的CT图像进行预处理; 步骤2,淋巴结标注:在食管癌患者的CT影像中,标注所有可见的淋巴结; 步骤3,特征提取:对于每个已标注的淋巴结,提取其影像组学特征和深度学习特征; 所述步骤3中,对于每个已标注的淋巴结,提取其影像组学特征的步骤,包括: 对食管癌患者的每一个淋巴结,提取其m个影像组学特征,假设第j个患者有x个淋巴结,则提取的第j个患者的所有淋巴结的影像组学特征矩阵Radj为: 上述影像组学特征矩阵Radj中,Radjik表示第j个患者的第i个淋巴结的第k个影像组学特征;i=1,2,...,x,x表示第j个患者的淋巴结总数;k=1,2,...,m,m表示每个淋巴结的影像组学特征总数; 所述步骤3中,对于每个已标注的淋巴结,提取其深度学习特征的步骤,包括: 对食管癌患者标注的每一个淋巴结,提取其n个深度学习特征,则提取的第j个患者的所有淋巴结的深度学习特征矩阵DLj为: 上述深度学习特征矩阵DLj中,DLjil表示第j个患者的第i个淋巴结的第l个深度学习特征;i=1,2,...,x,x表示第j个患者的淋巴结总数;l=1,2,...,n,n表示每个淋巴结的深度学习特征总数; 步骤4,构建多实例学习模型:基于多注意力机制,通过影像组学特征构建多实例学习模型MILRad,通过深度学习特征构建多实例学习模型MILDL; 步骤5,综合预测:通过加权平均的方式,结合多实例学习模型MILRad和多实例学习模型MILDL的预测结果,形成最终的淋巴结转移状态预测; 所述步骤5具体包括以下步骤: 其中,P表示淋巴结转移状态预测概率;MILRad表示多实例学习模型MILRad的预测结果;MILDL表示多实例学习模型MILDL的预测结果;表示多实例学习模型MILRad的权重;表示多实例学习模型MILDL的权重; 基于影像组学特征矩阵Radj,患者j的所有淋巴结的第k种影像组学特征向量表示为,患者j的所有淋巴结的第l种深度学习特征向量表示为;建立关联向量,cq表示第q种关联关系,共有Q种关联关系,用于表征任意两个淋巴结的相同影像组学特征之间的关联关系;计算第u个淋巴结和第v个淋巴结的相同影像组学特征的相似度: 其中,表示第u个淋巴结和第v个淋巴结的任一相同影像组学特征在第q种关联关系下的相似度;为淋巴结u的第k个影像组学特征的向量表示;为淋巴结v的第k个影像组学特征的向量表示;表示cq的矩阵转置;u=1,2,...,x;v=1,2,...,x;x为淋巴结总数;sig表示sigmoid函数; 影像组学特征的累积相似度为: 其中,表示影像组学特征的累积相似度; 基于同样的关联向量C,计算第u个淋巴结和第v个淋巴结的相同深度学习特征的相似度: 其中,表示第u个淋巴结和第v个淋巴结的任一相同深度学习特征在第q种关联关系下的相似度;为淋巴结u的第l个深度学习特征的向量表示;为淋巴结v的第l个深度学习特征的向量表示; 深度学习特征的累积相似度为: 其中,表示深度学习特征的累积相似度; 接着,若,则使;反之,若,则使; 计算重要程度权重: 若,则使,。