买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河北大学

摘要：本发明涉及一种针对肾癌PET‑CT图像的预测ki‑67表达方法，包括以下步骤：S1、构建样本数据集；S2、构建ki‑67表达分类算法模型；S3、利用内部测试集对ki‑67表达分类算法模型进行测试；S4、利用外部验证集对ki‑67表达分类算法模型进行验证。本发明通过在MV2模块中加入SE注意力机制以关注更重要的特征信息，在transformer模块中使用轻量级多头自注意力模块和反向残差前馈网络模块，在轻量级多头自注意力模块使用深度卷积计算key和value，从而得以减少计算开销，反向残差前馈网络模块可以更精细地提取每个通道的特征信息、降低训练难度和提高模型分类准确度。本发明可用于通过肾癌PET‑CT影像数据在术前无创预测ki‑67表达情况，有助于对患者治疗的预后情况进行评估。

主权项：1.一种针对肾癌PET-CT图像的预测ki-67表达方法，其特征是，包括以下步骤：S1、构建样本数据集：收集肾癌四期PET-CT扫描图像样本，标注出样本图像中的目标肿瘤区域，生成json格式文件，然后裁剪出其中的目标肿瘤区域，将裁剪出的图像调整为224×224像素的大小，形成样本数据；将肾癌各期的样本数据归为对应期的样本数据集，每期的样本数据集中的样本数据按照4:1的比例分为训练集和内部测试集，并从收集到的肾癌四期PET-CT影像样本中选择若干样本数据作为外部验证集；S2、构建ki-67表达分类算法模型，利用ki-67表达分类算法模型对输入的训练集的样本数据分别做出其ki-67表达是阴性还是阳性的输出结果，并根据输出结果的阴性或阳性，对样本数据进行分类；S3、利用内部测试集对ki-67表达分类算法模型进行测试：采用分类准确率、精确率、召回率、F1分数、受试者工作曲线的面积、混淆矩阵来评价ki-67表达分类算法模型在内部测试集上的性能，并对训练过程的超参数进行调整，以获得表现最优的模型；S4、利用外部验证集对ki-67表达分类算法模型进行验证：利用外部验证集的样本数据作为测试样本，验证该模型实现ki-67表达分类的包括准确率、查全率、精确率和ROC曲线在内的相关指标，分析该模型在不同时期数据上所表现的分类差异，并对训练过程的超参数进行调整，以得到表现最优的模型；所述ki-67表达分类算法模型包括3×3卷积层、若干MV2模块、若干MobileViT模块、1×1卷积层和全局池化线性变换模块；所述MV2模块是在MobileNetV2中的倒残差结构基础上加SE注意力机制，用以将特征图的维度通过卷积对通道数先进行升维，然后通过SE注意力机制从通道域的角度赋予图像不同位置不同的权重，从而得到更重要的特征信息，最后通过卷积对通道数进行降维以及通过捷径分支与原始特征图进行连接，以得到损失更少的特征信息；所述MobileViT模块包括：局部表征模块，用以通过两个不同卷积核大小的卷积层对特征图进行局部的特征建模和通道数调整；全局表征模块，用于通过Unfold-Transformer-Fold结构进行全局的特征建模；以及特征融合模块，用于通过一个1×1卷积层将经过全局表征模块的特征图通道数调整为原始大小，再通过shortcut捷径分支与原始输入特征图沿通道方向进行拼接，最后再通过一个n×n的卷积层进行特征融合；所述Transformer模块包括：轻量级多头自注意力模块，用于使用深度卷积计算代替key和value的计算；以及反向残差前馈网络模块，用于对输入的特征图在每个通道中提取特征信息；所述反向残差前馈网络模块包括：始端线性变换层，用于对输入信息进行线性变换；深度卷积层，用于对特征图的每个通道单独进行卷积操作；shortcut捷径分支，用于将深度卷积层的输入和输出进行连接；以及末端线性变换层，用于将处理后的特征信息进行线性变换后输出。

全文数据：

权利要求：

百度查询： 河北大学 一种针对肾癌PET-CT图像的预测ki-67表达方法