(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 202210894707.6 (22)申请日 2022.07.28 (71)申请人 西安邮电大 学 地址 710121 陕西省西安市雁塔区长安 南 路563号 (72)发明人 陈皓　杨雪莲　杜方圆　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/73(2017.01) G06N 3/08(2006.01) (54)发明名称 一种对脑肿瘤分割深度学习网络进行可解 释分析的方法 (57)摘要 本发明公开了一种基于核磁共振影像对深 度学习分割网络实施可解释分析的方法， 属于计 算机视觉和模式识别领域。 具体步骤为： 1.使用 分割网络对核磁共振影像进行分割计算； 2.从核 磁共振影像中提取放射组学特征； 3.利用放射组 学特征构建对分割网络进行拟合的决策树群并 通过进化算法对决策树群进行结构 优化； 4.从树 群中提取重要决策路径； 5.针对需解释目标对决 策路径集合进行分析， 通过关联特征筛选挖掘出 核心规则。 本发 明通过使用进化算法对决策树集 合优化， 提高对深度学习网络的模仿质量， 优化 树群结构， 降低规则提取难度； 所提出的关键决 策路径提取方法以及关联特征筛选方法可解释 深度学习网络在肿瘤边界分割过程中的决策逻 辑。 权利要求书2页 说明书4页 附图3页 CN 115358975 A 2022.11.18 CN 115358975 A 1.一种基于多序列核磁共振影像(Magnetic  Resonance  Imaging， MRI)数据， 通过所设 计的基于决策树群的模型拟合和 解析计算实现对脑肿瘤分割深度学习网络的可解释分析 方法， 所述方法包括以下步骤： 步骤1： 数据准备， 具体为： 每个患者的MRI数据是可包含多个影像序列(例如T1， T1ce， T2和Flair)的多模态影像， 通常脑肿瘤病灶将包含多个相异的子区域， 如坏死非增强核心区(NET)、 瘤周水肿区(ED)、 增强核心区(ET)； 步骤2： 数据预处理， 具体为： 使用线性函数归一化和偏置场矫正技术对图像进行预处 理； 步骤3： 通过进化优化过程产生基于决策树群的拟合模型， 具体为： 步骤3.1： 放射组学特征提取， 具体为： 首先， 本发明中将获取像素点的patch宽度设置 为10， 记肿瘤子区域每个像素点的坐标为(i,j)， 则肿瘤子区域的所有像素点集合P可表示 为： P＝{(i1,j1),(i2,j2),…,(in,jn)} 遍历像素点集合P中每个像素点， 获得当前肿瘤子区域的所有特征， 包括一阶特征42 维， 二阶特征402维， 共444 维特征， 然后对每个肿瘤子区域都进 行此操作得到特征二维表F_ P， 可表示 为： F_P＝{(Fi,pj)|0≤i≤m,0 ≤j≤n,pj∈P} 其中， Fi表示特征， pj表示像素点， i,j表示索引值， m表示444维特征， n表示像素点的个 数， P表示像素点 集合； 步骤3.2： 初始化用于拟合计算的决策树群 体， 具体为： 步骤3.2.1： 将特征二维表F_P作为拟合模型的输入， 对需要分析的深度学习分割网络 进行拟合计算， 首 先， 生成初始化的决策树群 体T0， 可表示为： T0＝{at1,at2,…,atm,rt1,rt2,…,rtn,st1,st2,…,sti} 其中， atm表示使用全部特征集生成的决策树， m代表基学习器群体中at的个数； rtn是不 依赖数据集， 随机生成结点， 生成的决策树； n代表基学习器群体中rt的个数； sti是随机选 择部分特征， 部分数据生成的决策树， i代表st在基学习器种群中的个数， 输出初始化决策 树群体， 群体规模为m+n+i； 步骤3.2.2： 初始化集成器群体， 具体为： 根据 步骤3.2.1的基学习器群体产 生一个二进 制编码群体， 其中个体编码长度为m+n+i， 且每个基因位唯一映射于基学习器群体中的子 树， 并规定基因位为 1时所映射子树被选择加入二进制编码确定的一个集 成器， 为0则相反， 使用en_len表示集成器群体的规模， dt_len表示集成器个体中包含的决策树个数， 生成初 始化集成器群体； 步骤3.3： 利用进化搜索优化决策树群 体对深度分割网络的拟合效果， 具体为： 步骤3.3.1： 新群体的搜索过程， 具体为： 首先， 在子树群体内利用基于树形编码的交叉 变异过程产生新的子树群体， 然后在集成器群体内利用二进制编 码的交叉变异 运算产生新 的组合群体。 此过程是一个双向进化搜索的过程， 将同步产生新的决策树群体及新的树群 集成群体， 搜索过程将在群 体规模达 到上限限制后停止； 步骤3.3.2： 对集成器个体的拟合效果进行评估， 具体为： 以集成器个体对肿瘤不同子权　利　要　求　书 1/2 页 2 CN 115358975 A 2区域的分割精度和集成器中包含决策树的数目作为两个不同的评价指标进 行多目标评估， 保留高质量的集成器 个体， 删除劣势个 体直到满足群 体数量下限； 步骤3.3.3： 达到终止条件后， 根据最佳的集成器个体输出对应的决策树群， 否则返回 步骤3.3.1； 步骤4： 对步骤3.3.3 输出的决策树群中的规则进行解析， 具体为： 步骤4.1： 决策树集合模型特征路径提取， 具体为： 步骤3.3.3得到的决策树群中， 寻找 树群中所有决策树中可以正确预测不同肿瘤子区域的决策路径， 循环遍历所有肿瘤子区域 的像素块， 分别获得不同肿瘤子区域决策路径集A， 可表示 为： A＝{A1,A2,A3,…,AN} 其中， N表示路径集 合中所有决策路径个数； 步骤4.2： 重复路径筛选， 具体为： 输入路径集A， 从路径集A中第i(i＝1,2,3....,N)条 路径开始， 与路径 集合第i+1条路径进行比较， 如果有相等的路径， 则删除重复路径； 直至 路 径集A中所有路径都不重复， 输出路径集A； 步骤4.3： 对需要解释的目标肿瘤子区域进行关联 特征筛选， 具体为： 步骤4.3.1： 路径集 合A中一条决策路径的特 征表示如下： 其中， i表示路径集合中的路径， N表示路径集合中路径的个数， j代表第i条路径的特 征， M代表第i条路径中的特 征数； 步骤4.3.2： 路径集合中的两条路径进行对比， 具体方法如下： 将路径集A中任意两条不 同路径作为输入， 并依次比较 与 是否相等， 两条路径可表示 为： 其中令p、 q为1， 即路径A1、 A2上的首个特征， 执行步骤4.3.3， 直至所有 路径均对比完毕， 转至步骤4.3.5； 步骤4.3.3： 若 转至步骤4.3.4， 若 且q≠M， q自增1并重复本步骤， 若 q＝M且p≠ M， 令q为1且p自增1并重复本步骤， 若q＝M且p＝M， 转至步骤4.3.2； 步骤4.3.4： 记录 当前p、 q为p ′和q′， 令p′和q′同时自增1， 直至 记录当前关联 决策路径为 若SF不等于任一已保存的关联决策路径 的连续子集， 则保存SF， 若存在已保存的关联决策路径 不等于SF的任一连续子集， 则删除该 关联决策路径， 转至步骤4.3.3； 步骤4.3.5： 输出 所有保存的关联决策 特征， 产生决策规则集。权　利　要　求　书 2/2 页 3 CN 115358975 A 3