(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210466102.7 (22)申请日 2022.04.29 (65)同一申请的已公布的文献号 申请公布号 CN 114565613 A (43)申请公布日 2022.05.31 (73)专利权人 之江实验室 地址 310023 浙江省杭州市余杭区文一西 路1818号人工智能小镇10号楼 (72)发明人 李劲松　胡佩君　田雨　周天舒　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 刘静 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/62(2017.01) G06V 10/25(2022.01) G06V 10/26(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G16H 50/20(2018.01) A61B 6/00(2006.01) A61B 6/03(2006.01) (56)对比文件 CN 113870258 A,2021.12.31 CN 112164067 A,2021.01.01 US 20190193 00 A1,2019.01.17 US 2021390 686 A1,2021.12.16 宋涛等.人工智能医学影 像技术在胰腺神经 内分泌肿瘤分级中的应用. 《第二军医大 学学 报》 .2020,(第04期),第91-96页. Peijun Hu 等.Automatic Pancreas Segmentati on in CT Ima ges With Distance- Based Sal iency-Aware DenseAS PP Network. 《IEEE》 .2021,第16 01-1611页. Qinjian Huang 等.De ep subspace clusteri ng to ac hieve jo intly latent feature extracti on and discrimi native learning. 《ELSEVIER》 .2020,第340 -350页. 审查员 张帅 (54)发明名称 基于有监督深度子空间学习的胰腺术后糖 尿病预测系统 (57)摘要 本发明公开了一种基于有监督深度子空间 学习的胰腺术后糖尿病预测系统。 利用深度卷积 神经网络自动分割术前CT胰腺区域， 利用MITK软 件进行胰腺切缘模拟， 获得术后的残余胰腺区 域， 大大减小感兴趣区域标注的工作量。 对残余 胰腺区域提取传统影像组学特征和深层语义特 征， 构建高维影像特征集； 提取与糖尿病相关的 临床因素， 包括胰腺切除率、 脂肪与肌肉组织成 分、 人口学信息和生活习惯， 构建临床特征集。 基 于一个有监督的深度子空间学习网络， 对影像和 临床特征在子空间中进行降维表 示和融合， 同时 训练预测模 型， 挖掘与预测任务高度相关的敏 感特征， 对患者术后患糖尿病风险进行预测， 具有 较高的自动化 程度和判别精度。 权利要求书2页 说明书10页 附图2页 CN 114565613 B 2022.08.23 CN 114565613 B 1.一种基于有监督深度子空间学习的胰腺术后糖尿病预测系统， 其特征在于， 该系统 包括术前CT图像数据获取模块、 残余胰腺感兴趣区域 获取模块、 影像特征计算模块、 临床特 征计算模块和深度子空间学习模块； 所述术前CT图像数据获取模块用于获取胰腺切除术前CT图像数据， 输入到残余胰腺感 兴趣区域获取模块和影 像特征计算模块； 所述残余胰腺感兴趣区域获取模块用于将术前CT图像数据输入到训练好的胰腺分割 网络中， 得到胰腺预测区域； 在胰腺预测区域上， 通过软件模拟胰腺切除的边缘， 得到切除 术后的残余胰腺区域， 作为后续计算影 像特征的感兴趣区域， 输入到影 像特征计算模块； 所述影像特征计算模块用于根据术前CT图像数据以及影像特征的感兴趣区域计算得 到胰腺影 像特征， 输入到深度子空间学习模块； 所述临床特征计算模块用于获取患者术后患糖尿病相关的临床信息， 包括人口学信 息、 生活习惯、 胰腺体积切除率、 胰腺剩余体积以及腹部脂肪和肌肉含量特征， 并进行特征 连接后构成临床特 征， 输入到深度子空间学习模块； 所述深度子空间学习 模块通过深度子空间学习网络进行特征降维和融合， 所述深度子 空间学习网络包括编码器、 隐空间变量自表达层和解码器， 对隐空间变量自表达层监督学 习； 深度子空间学习网络输入胰腺影像特征和临床特征， 经过编码 器输出隐空间变量， 对编 码器输出的 隐空间变量连接一个全连接层， 并作用激活函数， 获得患糖尿病风险的预测值； 所述深度子空间学习模块中的深度子空间学习网络的损失函数为： s.t. diag(C)=0 其中， ， 为影像特征， 为临床特征， 为解码器的输出， y为患 者术后患糖尿病的真实情况， 是模型预测的糖尿病风险， Z为编码器输出的隐空间变量， L 为拉普拉斯矩阵， 符号Tr表示矩阵的迹， 符号T表示矩阵转置， 表示网络中所有的参数， 包 括编码器参数 ， 自表示系数矩阵C， 监督模块参数 和解码器参数 ； 和 为正则化 系数， 符号 表示froben ius范数，  表示交叉熵损失。 2.根据权利要求1所述的一种基于有监督深度子空间学习的胰腺术后糖尿病预测系 统， 其特征在于， 所述术前CT图像数据获取模块， 获取胰腺切除术前CT图像数据后将 CT图像 数据的HU值截断在[ ‑100, 240]之间， 然后离散化到[0,255]之间， 根据残余胰腺计算其包 围区域的矩形框， 设定边 缘扩展值， 然后截取CT图像数据和残余胰腺标注图像的矩形框 。 3.根据权利要求1所述的一种基于有监督深度子空间学习的胰腺术后糖尿病预测系 统， 其特征在于， 所述残余胰腺感兴趣区域 获取模块中， 基于深度卷积神经网络自动分割术 前胰腺CT图像， 获得完整的胰腺预测区域， 根据手术记录或者肿瘤位置， 在医学图像处理工 具集MITK软件中模拟 手术切割面， 得到切除术后的残 余胰腺区域作为后续影像特征计算的 残余胰腺感兴趣区域。 4.根据权利要求3所述的一种基于有监督深度子空间学习的胰腺术后糖尿病预测系 统， 其特征在于， 所述残余胰腺感兴趣区域 获取模块中， 胰腺分割网络选择密集连接扩张卷权　利　要　求　书 1/2 页 2 CN 114565613 B 2积网络。 5.根据权利要求1所述的一种基于有监督深度子空间学习的胰腺术后糖尿病预测系 统， 其特征在于， 所述影像特征计算模块用于对术前CT图像数据 做滤波处理， 利用滤波后的 图像和残余胰腺感兴趣区域， 计算一阶统计特征向量、 形状特征向量以及纹理特征向量， 将 三个特征向量连接得到滤波处理后的特征向量； 根据胰腺分割网络的全连接层输入， 计算 残余胰腺感兴趣区域内所有像素点的特征均值， 并进行标准化处理， 得到高层语义特征向 量， 将滤波处 理后的特 征向量和高层语义特 征向量相连接， 得到胰腺影 像特征。 6.根据权利要求5所述的一种基于有监督深度子空间学习的胰腺术后糖尿病预测系 统， 其特征在于， 将所有CT图像数据滤波处 理后的特 征向量按照如下 方式处理： 其中 表示特征向量，f代表具体的特 征名， 向量长度为所有CT图像数据个数n。 7.根据权利要求6所述的一种基于有监督深度子空间学习的胰腺术后糖尿病预测系 统， 其特征在于， 将滤波处理后的 特征向量 和高层语义特征向量相连接， 得到影像特征 ： 其中 ， 为影像特征的维度， n为CT图像 数据个数， 为滤波处理后的 特征向量， 表示影 像组学特征， 为高层语义特 征向量。 8.根据权利要求1所述的一种基于有监督深度子空间学习的胰腺术后糖尿病预测系 统， 其特征在于， 所述临床特征计算模块包括身体组成成分特征计算模块、 临床信息特征计 算模块和胰腺切除特 征计算模块； 所述身体组成成分特征计算模块用于计算CT体数据的第三节脊椎位置的横断面图像 的内脏脂肪、 皮下脂肪和骨骼肌的区域面积， 并计算内脏脂肪与骨骼肌之比和内脏脂肪与 皮下脂肪之比， 得到身体组成 成分特征； 所述临床信息特征获取模块用于获取患者基础临床信息， 包括人口学特征和生活习 惯， 组成临床信息特 征； 所述胰腺切除特征计算模块计算胰腺术前体积、 术后体积， 计算胰腺切除比， 构建胰腺 切除特征； 将身体组成成分特征计算模块、 临床信 息特征计算模块和胰腺切除特征计算模块的结 果连接构成临床特 征， 输入到深度子空间学习模块。权　利　要　求　书 2/2 页 3 CN 114565613 B 3