1.一种基于机器学习的软组织肉瘤等级判断方法,其特征在于,所述方法依次包括如下步骤:
s1、对软组织肉瘤影像进行典型特征提取,
s2、获得采样样本中所有病人的软组织肉瘤影像的典型特征,形成样本数据集,并对该样本数据集进行预处理,
s3、将经过预处理的样本数据集划分为测试集和训练集,
s4、基于步骤3中生成的训练集,分别采用不同的机器学习算法构建机器学习模型并进行训练,
s5、将步骤3中生成的测试集分别带入步骤4构建的多个机器学习模型中进行计算,可获得每种机器学习模型计算的预测值,计算预测值与真值之间的差异性,差异性越大,代表预测值与真值之间的差距越大,即预测的错误越多,选取差异性最小的机器学习模型作为软组织肉瘤等级判断模型。
2.根据权利要求1所述的基于机器学习的软组织肉瘤等级判断方法,其特征在于:所述软组织肉瘤影像采用核磁共振mri输出的软组织肉瘤影像。
3.根据权利要求2所述的基于机器学习的软组织肉瘤等级判断方法,其特征在于:所述典型特征共取19个,将核磁共振mri输出的软组织肉瘤影像,按照成像方式不同,分为t1加权成像和t2加权成像,所述19个典型特征分别为t1图像,小波-低低高频子带成像模式下,邻域灰度差矩阵的对比度特征;t1图像,5mm拉普拉斯算子三维成像模式下,灰度差异矩阵的依赖不均匀规范化特征;t1图像,原始成像模式下,灰度共生矩阵的逆方差特征;t1图像,15mm拉普拉斯算子三维成像模式下,一阶统计量的峰度特征;t1图像,小波-低高低频子带成像模式下,灰度差异矩阵的大依赖低灰度水平因子特征;t1图像,5mm拉普拉斯算子三维成像模式下,灰度共生矩阵的马修斯相关系数特征;t1图像,小波-高高低频子带成像模式下,灰度共生矩阵的马修斯相关系数特征;t1图像,小波-高低高频子带成像模式下,一阶统计量的中值特征;t2图像,15mm拉普拉斯算子三维成像模式下,一阶统计量的90分位数特征;t2图像,小波-高低高频子带成像模式下,灰度共生矩阵的聚类阴影特征;t2图像,小波-高高高频子带成像模式下,邻域灰度差矩阵的对比度特征;t2图像,原始成像模式下,形状的延长率特征;t2图像,小波-高高高频子带成像模式下,灰度区域大小矩阵的灰度级不均匀规范化特征;t2图像,小波-低低低频子带成像模式下,灰度共生矩阵的逆方差特征;t2图像,小波-高低高频子带成像模式下,灰度共生矩阵的逆方差特征;t2图像,原始成像模式下,灰度共生矩阵的逆方差特征;t2图像,小波-高低高频子带成像模式下,灰度游程矩阵的长游程高灰度因子特征;t2图像,小波-高高高频子带成像模式下,灰度游程矩阵的长游程高灰度因子特征;t2图像,小波-高高高频子带成像模式下,一阶统计量的中值特征。
4.根据权利要求1所述的基于机器学习的软组织肉瘤等级判断方法,其特征在于:对样本数据集进行预处理的方法为对样本数据集进行归一化处理,公式如下:
其中,
5.根据权利要求1所述的基于机器学习的软组织肉瘤等级判断方法,其特征在于:所述训练集的数量为
6.根据权利要求5所述的基于机器学习的软组织肉瘤等级判断方法,其特征在于:将经过预处理的样本数据集划分为测试集和训练集之后,并且基于生成的训练集,分别采用不同的机器学习算法构建机器学习模型并进行训练之前,需对训练集按照不同等级软组织肉瘤患者数量进行均衡化处理,所述均衡化处理采用人工少数类过采样法,均衡原则为:
ngm代表第m个软组织肉瘤病变等级对应的病人样本数,m通常取值为{1,2},1代表良性、2代表恶级。
7.根据权利要求1所述的基于机器学习的软组织肉瘤等级判断方法,其特征在于:步骤4中,采用决策树、随机森林、支持向量机、bp神经网络四种机器学习算法构建机器学习模型(mcart,mrf,msvm,mann)进行训练。
8.根据权利要求7所述的基于机器学习的软组织肉瘤等级判断方法,其特征在于:将步骤3中生成的测试集分别带入构建的四个机器学习模型(mcart,mrf,msvm,mann)中进行计算,可获得四种模型计算的预测值:
针对全部模型的参数dcart、drf、dsvm和dann,选择其中的最小值min{dcart,drf,dsvm,dann}对应的模型即为本发明的软组织肉瘤等级判别模型。