(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 202111212018.4 (22)申请日 2021.10.18 (65)同一申请的已公布的文献号 申请公布号 CN 113902724 A (43)申请公布日 2022.01.07 (73)专利权人 广州医科 大学附属肿瘤医院 地址 510000 广东省广州市越秀区麓湖路 横枝岗78号 (72)发明人 王琳婧　甄鑫　杨蕊梦　梁芳蓉　 张书旭　廖煜良　 (74)专利代理 机构 广州广典知识产权代理事务 所(普通合伙) 44365 专利代理师 万志香 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/25(2022.01) G06V 10/764(2022.01) G06N 20/00(2019.01)(56)对比文件 CN 111599464 A,2020.08.28 CN 108537137 A,2018.09.14 CN 109886944 A,2019.0 6.14 AU 2021101379 A4,2021.0 5.13 CN 10740 3201 A,2017.1 1.28 US 2020104984 A1,2020.04.02 US 2020000362 A1,2020.01.02 何强 等.基 于多模态特征和多分类 器融合 的前列腺癌放疗中直肠并发症预测模型. 《南方 医科大学学报》 .2019,第39卷(第08 期), Jialiang Wu 等.A Multiparametric MR- Based Radi oFusionOmics Model w ith Robust Capabilities of Dif ferentiati ng Glioblastoma Multiforme from So litary Brain Metastasis. 《Cancers》 .2021,第13卷(第 22期), (续) 审查员 高婕 (54)发明名称 瘤细胞图像的分类方法及装置、 设备、 存储 介质 (57)摘要 本发明属于机器学习技术领域， 公开了一种 瘤细胞图像的分类方法及装置、 设备、 存储介质， 通过对所有不同的MRI序列进行不排列组合， 获 得L个融合序列， 按照各个融合序列所包括的不 同MRI序列， 将样本对象的第一特性数据样本融 合成第二特性数据样本， 然后再通过分类器进行 训练， 构建得L个可鉴别至少两种肿瘤类型的分 类系统， 从中选择出分类性能达到预设条件的目 标分类系统， 从而确定出融合效果较好的目标融 合序列， 以该目标融合序列的转换矩阵对目标待 测对象的K个目标第一特性数据融合成一个目标 第二特性数据， 输入至目标分类系统进行分类， 可以融合来自多个MRI序列的成像信息进行分 类， 更好地描述肿瘤的特性， 进而可以提高分类准确性。 [转续页] 权利要求书3页 说明书13页 附图3页 CN 113902724 B 2022.07.01 CN 113902724 B (56)对比文件 M. Haghighat 等.Discrimi nant Correlation Analysis: Real-Time F eature Level Fusi on for Multimodal Bi ometric Recognition. 《IEEE Transacti ons on Informati on Forensics and Security》 .2016, 第11卷(第9期),2/2 页 2[接上页] CN 113902724 B1.一种瘤 细胞图像的分类方法， 其特 征在于， 包括： 根据M种磁共振扫描序列， 组合出L个融合序列， 每个所述融合序列包括至少两种所述 磁共振扫描序列， L的值 根据M确定， L是M种磁共 振扫描序列进行组合可能出现的情况总数； 对于每种所述磁共振扫描序列， 分别获取对N个样本对象扫描得到的N个多模态样本图 像， 对各个所述多模态样本图像进行放 射组学特征提取， 以获得N个第一特性数据样本； 分别对N个样本对象进行肿瘤类型标记， 获得各个所述样本对象的标签数据， 所述标签 数据用于表征 所述样本对象所属的肿瘤类型， 所述肿瘤类型至少包括两个； 针对每个所述融合序列， 分别根据 所有样本对象的第 一特性数据样本计算获得每个所 述融合序列对应的最终转换矩阵以及与所述N个样本对 象一一对应的N个第二特性数据样 本； 将每个所述融合序列的N个第 二特性数据样本以及各个所述第 二特性数据样本对应的 标签数据输入到分类 器中进行训练， 以构建L个分类系统； 将所述L个分类系统中分类性能达到预设条件的任一第一分类系统作为目标分类系 统； 所述预设条件为 性能指标超过 各个磁共振扫描序列对应的性能指标阈值； 根据所述目标分类系统对应的目标融合序列的最终转换矩阵， 将目标待测对象的K个 目标第一特性数据融合成目标第二特性数据； 其中， 所述K个目标第一特性数据与所述目标 融合序列所包括的K种磁共 振扫描序列一 一对应； 将所述目标第 二特性数据输入至所述目标分类系统， 根据 所述目标分类系统的输出结 果确定所述目标待测对象的目标 标签数据； 其中， 每一所述第一特性数据样本包括多个放射组学特征； 针对每个所述融合序列， 分 别根据所有样本对 象的第一特性数据样本计算获得每个所述融合序列对应的最终转换矩 阵以及与所述 N个样本对象一 一对应的N个第二特性数据样本， 包括： 针对每个所述融合序列， 根据所有样本对象的第一特性数据样本， 构造每个所述放射 组学特征的多序列特征矩阵， 所述多序列特征矩阵包括基于各种磁共振扫描序列的特征矩 阵； 通过以下公式计算获得 所述多序列特 征矩阵中各类样本对象的特 征向量 其中， c代表肿瘤类型数， ni代表第i类的样本数， i＝1, …,c； xij代表第i类的第j个样 本， j＝1,2,. ..,ni； 根据各类样本对象的特 征向量 计算所有样本对象的特 征向量均值； 根据各类样本对象的特征向量以及所有样本对象的特征向量均值， 计算获得所述多序 列特征矩阵的类间相关性矩阵以及协方差矩阵； 根据所述类间相关性矩阵以及所述协方差矩阵， 计算出所述类间相关性矩阵的转置矩 阵， 将所述 转置矩阵对角化， 获得对角化时的特 征向量矩阵； 从所述特征向量矩阵中取出前r个最大特征值所对应的特征向量， 组成新特征向量矩 阵； 根据所述类间相关性矩阵、 所述协方差矩阵和所述新特征向量矩阵， 计算出所述类间 相关性矩阵的前r个最重要的特 征值及其对应的特 征向量；权　利　要　求　书 1/3 页 2 CN 113902724 B 3