(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210415494.4 (22)申请日 2022.04.20 (71)申请人 山东大学齐鲁医院 地址 250012 山东省济南市历下区文化西 路107号 (72)发明人 李月月　高艳景　乔建苹　林译垦　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 闫圣娟 (51)Int.Cl. G06V 40/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/25(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于深度学习和放射组学的食管静脉曲张 分类预测系统 (57)摘要 本公开提出了基于深度学习和放射组学的 食管静脉曲张分类预测系统， 将深度学习和放射 组合方法结合应用到食管静脉曲张图像 分类中。 提取食管、 脾、 肝三个部位的深度特征和放射特 征， 得到特征后， 将融合的深度特征和放射特征 放入特征选择算法中， 在选出各部位的最优子集 后进行分类预测， 大大提高了分类预测的准确 性。 权利要求书2页 说明书6页 附图2页 CN 114898399 A 2022.08.12 CN 114898399 A 1.基于深度学习和放 射组学的食管静脉曲张分类预测系统， 其特 征在于， 包括： 分割模块， 被配置为用于对获取的待测食管CT图像， 按照部位对感兴趣区域分别进行 逐层分割提取， 获得每 个部位的感兴趣区域图像； 特征提取模块， 被配置为用于对得到的每个部位的感兴趣区域图像， 分别进行深度特 征和放射组学特征提取； 特征选择模块， 被配置为用于将提取的各部位的深度特征和放射特征， 采用至少两种 特征选择算法进行 特征选择， 得到各部位的最优子集； 分类模块， 被配置为用于将特征选择后得到的最优子集输入至多个训练好的分类模型 中， 融合多个分类模型的分类结果， 得到图像的分类结果。 2.如权利要求1所述的基于深度学习和放射组学的食管静脉曲张分类预测系统， 其特 征在于： 特 征选择算法包括 LASSO算法和XGBo ost算法。 3.如权利要求1所述的基于深度学习和放射组学的食管静脉曲张分类预测系统， 其特 征在于： 分类模块中的分类模型包括支持向量机、 随机森林算法模型和XGBo ost分类模型； 或者， 按照部位对感兴趣区域分别进行 逐层分割提取， 具体包括 肝、 脾、 食管三个部位。 4.如权利要求1所述的基于深度学习和放射组学的食管静脉曲张分类预测系统， 其特 征在于： 特 征提取模块包括深度学习特 征提取模块和放 射组学特征提取模块； 深度学习特征提取模块采用卷积神经网络； 放射组学特征提取模块被配置为用于提取 图像的纹 理特征和非纹 理特征。 5.如权利要求1所述的基于深度学习和放射组学的食管静脉曲张分类预测系统， 其特 征在于： 分类模块中， 融合方法具体为： 按照不同部位特征分类的准确率， 分别设置不同部位特征数据分类后的分类结果的权 重， 加权融合每 个部位分类模型的分类结果， 得到最终的分类结果。 6.如权利要求1所述的基于深度学习和放射组学的食管静脉曲张分类预测系统， 其特 征在于： 分类模型训练的步骤， 包括： 获取CT图像数据集； 对获取的待测食管CT图像， 按照部位对感兴趣区域分别进行逐层分割提取， 获得每个 部位的感兴趣区域图像； 将得到的每 个部位的感兴趣区域图像进行深度学习特 征提取和放 射组学特征提取； 将深度学习特征和放射组学特征进行特征选择， 得到的最优子集并进行简单串联的特 征融合； 将特征选择后得到的最优子集分别 输入到多个分类模型中进行分类预测， 并确定各个 分类模型的参数； 分析各个部位特征以及组合模型分类的得到准确率， 按照 准确率确定各个分类模型的 权重。 7.一种电子设备， 其特征在于， 包括存储器和处理器以及存储在存储器上并在处理器 上运行的计算机指令， 所述计算机指令被处 理器运行时， 完成以下步骤： 对获取的待测食管CT图像， 按照部位对感兴趣区域分别进行逐层分割提取， 获得每个 部位的感兴趣区域图像； 对得到的每 个部位的感兴趣区域图像， 分别进行深度特 征和放射组学特征提取；权　利　要　求　书 1/2 页 2 CN 114898399 A 2将提取的各部位的深度特征和放射特征， 采用至少两种特征选择算法进行特征选择， 得到各部位的最优子集； 将特征选择后得到的最优子集输入至多个训练好的分类模型中， 融合多个分类模型的 分类结果， 得到图像的分类结果。 8.如权利要求7所述的一种电子设备， 其特征在于： 特征选择算法包括LASSO算法和 XGBoost算法。 9.如权利要求7所述的一种电子设备， 其特征在于： 分类模块中的分类模型包括支持向 量机、 随机森林算法模型和XGBo ost分类模型。 10.如权利要求7所述的一种电子设备， 其特征在于： 分类模块中， 融合多个分类模型的 分类结果的方法具体为： 按照不同部位特征分类的准确率， 分别设置不同部位特征数据分类后的分类结果的权 重， 加权融合分类模型的分类结果， 得到最终的分类结果。权　利　要　求　书 2/2 页 3 CN 114898399 A 3