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！

摘要：一种基于临床数据文本编码和多机构域对抗学习的头颈癌局部复发预测方法，具体包括：样本集划分及图像预处理；多视图数据扩充；对临床数据进行文本编码；构建基于融合文本编码的多机构域对抗学习网络；对构建的多机构域对抗学习网络训练得到CT图像的编码网络；根据得到的编码网络，对CT图像数据进行编码进行池化编码；构建基于多模态解耦双线性池化融合的分类器网络；对分类器进行训练；本发明采用了多模态域对抗学习的方式训练编码器，域判别器中辅助训练用于捕获在预测任务中需要用到的域不变特征，在分类器中通过包含跨模态交互来增强视觉特征，更好捕获预测任务中用到的类不变特征，同时训练好的特征提取网络可以用到多个下游任务中，预测能力更好，泛化能力更强。

主权项：1.一种基于临床数据文本编码和多机构域对抗学习的头颈癌局部复发预测方法，其特征在于，具体包括以下步骤：步骤S1、多机构数据集预处理：将A+1个医疗机构含有发生头颈癌局部复发的若干个CT图像数据正样本和未发生局部复发的若干个CT图像数据负样本,将正负样本一起划分训练集与验证集，其中，A个机构的正负样本作为训练集，剩下的一个机构的正负样本作为验证集；通过重采样均衡正、负样本；将正、负样本中的CT图像数据的灰度值分别转换成CT值并进行归一化；对归一化处理后的CT图像数据采用线性插值法重新采样到相同的分辨率；步骤S2、对多机构数据集进行多视图扩充：对步骤S1处理后的CT图像数据沿z轴即垂直轴获取不同角度的CT三维图像视图和对应的轮廓标签视图，将所有三维的图像视图和轮廓标签视图投影为二维图像；以轮廓标签视图为依据，对投影出的二维图像视图进行截取，将截取的二维图像视图统一尺寸，作为特征提取网络的输入；步骤S3、对患者的临床数据进行文本编码：根据搜集到的患者临床数据，通过CLIP网络构建出每个患者样本的临床数据编码，将临床数据编码作为分类器的文本模态输入；步骤S4、根据步骤S3输出的临床数据编码构建基于融合文本编码的多机构域对抗学习网络；步骤S5、将步骤S3输出的临床数据编码与步骤S2处理后的CT图像数据，二者共同训练得到CT图像的编码网络；步骤S6、根据步骤S5中得到的编码网络，对步骤S2处理后的CT图像数据进行池化编码，作为分类器的CT图像模态输入；步骤S7、构建基于多模态解耦双线性池化融合的分类器网络：将步骤S3得到的分类器的文本模态、步骤S6得到的分类器的CT图像模态的特征向量融合，求得最终的头颈癌是否局部复发的分类结果；步骤S8、对分类器进行训练，采用Leave-one-out的交叉验证方法，依次轮流选择一个域下的全部样本作为验证集，其余A个域的正、负样本用作于训练；每次训练过程中，将验证集上AUC值最高的模型保存为最优模型；从对应的最优模型中得到A+1个验证集整体的预测概率P＝P1+P2+P3…PA,PA+1，也就是全部数据集的预测概率。

全文数据：

权利要求：

百度查询： 西安电子科技大学 一种基于临床数据文本编码和多机构域对抗学习的头颈癌局部复发预测方法