(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 202210966746.2 (22)申请日 2022.08.12 (71)申请人 杭州类脑科技有限公司 地址 311100 浙江省杭州市余杭区五常街 道溪沁街258号1幢3F、 3幢10F 申请人 海盐县南北湖医学 人工智能研究院 (72)发明人 徐磊　代汶利　王亚娟　孔德兴　 (74)专利代理 机构 上海雍灏知识产权代理事务 所(普通合伙) 31368 专利代理师 沈汶波 (51)Int.Cl. G06V 10/25(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 医学图像的病理分布 生成方法、 系统及计算 机可读存 储介质 (57)摘要 本发明提供了一种医学图像的病理分布生 成方法、 系统及计算机可读存储介质， 病理分布 生成方法， 包括以下步骤： 获取医学图像的图像 数据的待处理矩阵集合， 并对待处理矩阵集合预 处理， 以得到医学图像的感兴趣区域及感兴趣区 域对应的类别标签； 对感兴趣区域标准化， 并基 于分类器对 标准化后的感兴趣区域作特征提取， 以形成特征向量； 对n维的特征向量作非线性降 维， 以生成具有低维坐标的低维嵌入； 基于具有 低维坐标的低维嵌入绘制病理分布场图像。 采用 上述技术方案后， 实现对非线性二维矩阵数据样 本之间特征的区分与相似性衡量， 保留数据中的 重要结构信息， 优化数据处 理的结果。 权利要求书3页 说明书11页 附图4页 CN 115272663 A 2022.11.01 CN 115272663 A 1.一种医学图像的病理分布生成方法， 其特 征在于， 包括以下步骤： 获取医学图像的图像数据的待处理矩阵集合， 并对所述待处理矩阵集合预处理， 以得 到所述医学图像的感兴趣区域及所述感兴趣区域对应的类别标签； 对所述感兴趣区域标准化， 并基于分类器对标准化后的感兴趣区域作特征提取， 以形 成n维的特 征向量； 对所述n维的特征向量作非线性降维， 以生成具有低维坐标的低维嵌入； 基于具有低维坐标的低维嵌入绘制病理分布场图像。 2.如权利要求1所述的病理分布生成方法， 其特征在于， 获取医学图像的图像数据的待 处理矩阵集合， 并对所述待处理矩阵集合预处理， 以得到所述医学图像的感兴趣区域及所 述感兴趣区域对应的类别标签的步骤 包括： 获取医学图像 中与像素点对应的像素值矩阵数据为待处理矩阵集合， 或获取属于不同 类别的实验数据为待处 理矩阵集 合； 对所述待处 理矩阵集 合预处理， 以得到所述医学图像的感兴趣区域； 分析所述感兴趣区域， 基于病 理性质设定N种分类问题， 对感兴趣区域标签为0到N ‑1， 以作为感兴趣区域对应的类别标签。 3.如权利要求2所述的病理分布生成方法， 其特征在于， 对所述感兴趣区域标准化， 并 基于分类 器对标准 化后的感兴趣区域作特 征提取， 以形成n维的特 征向量的步骤 包括： 获取感兴趣区域形成的感兴趣区域集合， 并基于预设像素大小对感兴趣区域集合的感 兴趣区域作尺寸标准 化及像素归一 化处理； 选取使用分类标签进行监督学习训练 的卷积神经网络， 并将标准化后的感兴趣区域输 入卷积神经网络， 通过 卷积神经网络 计算最后一个全连接层前的特 征向量 及病理类别概 率值pi； 对特征向量 作归一化处理为 并与病理类别概 率值pi合并， 以构成为特 征向量集合。 4.如权利要求3所述的病理分布生成方法， 其特征在于， 对所述n维的特征向量作非线 性降维， 以生成具有低维坐标的低维嵌入的步骤 包括： 获取特征向量集合X＝{x1,x2,…,xn},xi∈RM， 其中 为xi相对于度量 dCReUMAP的k个近邻点构成的点 集； 基于以下公式构造特 征向量集合的高斯模糊表示 其中V＝X， E表示边集， 且 ω为点集对应的权重矩 阵， 且ω在位置{(i,ih)|1≤h≤k,1≤i≤n}上的取值依据以下公式： 其中σi为归一化子， ρi为最近邻距离， 基于以下公式计算： 权　利　要　求　书 1/3 页 2 CN 115272663 A 2其中度量dCReUMAP基于以下公式计算： 其中λ∈[0,1]为超参数， 与dprobability(pi,pj)为度量函数； 将高斯模糊表示 的邻接矩阵定义 为A， 基于以下公式对A对称化： 其中T表示矩阵转置， 表示矩阵乘法， 矩阵B用作为定义 为X的高维表示； 假设D为D＝dia g(d1,d2,…,dn), L为 取L的特征向量 的前K维后归一化， 并叠加正态分布的噪声， 组成Y， Y＝{y1,y2,…,yn}, 以将Y用作为初始化的低维表示， 并假设Y对应的图结构为Gy， B′为Gy关于欧氏距离 的邻接矩阵； 使用随机梯度下降优化低维表示Y， 并基于以下公式最小化特征向量集合X与低维表示 Y的邻接矩阵间的交叉熵： 最小化交叉熵后得到的Y记作为具有低维坐标的低维嵌入。 5.如权利要求 4所述的病理分布生成方法， 其特 征在于， 还 包括以下步骤： 获取另一批 医学图像的感兴趣区域及所述感兴趣区域对应的类别标签， 基于卷积神经 网络对另一批医学图像的感兴趣区域处理以得到新特征向量及新病理类别概率值， 并将新 特征向量及新病理类别概 率值合并， 得到特 征数据； 基于已有的低维嵌入， 对特 征数据作非线性降维以生成新低维嵌入； 基于所述新低维嵌入和类别标签生成分布区域， 并将所述分布区域绘制于病理分布场 图像内。 6.如权利要求5所述的病理分布生成方法， 其特征在于， 获取另一批 医学图像的感兴趣 区域及所述感兴趣区域对应的类别标签， 基于卷积神经网络对另一批医学图像的感兴趣区 域处理以得到新特征向量及新病理类别概率值， 并将新特征向量及新病理类别概率值合 并， 得到特 征数据的步骤 包括： 获取另一批医学图像的感兴趣区域及所述感兴趣区域对应的类别标签； 基于卷积神经网络对另一批医学图像的感兴趣区域处理以得到新特征向量及新病理 类别概率值； 将新特征向量及新病理类别概 率值合并得到特 征数据Xtest； 获取已有特 征向量X和已有低维嵌入Y 。 7.如权利要求6所述的病理分布生成方法， 其特征在于， 基于已有的低维嵌入， 对特征 数据作非线性降维以生成新低维嵌入的步骤 包括： 合并特征数据及已有特 征向量X以构造高维向量 集合； 选择高维向量 集合的每个感兴趣区域的m个近邻点连边， 以构成边 集E；权　利　要　求　书 2/3 页 3 CN 115272663 A 3