一种基于卷积神经网络跨期融合损失的多期转归预测方法

本发明涉及人工智能和医学图像处理技术领域，具体涉及一种基于卷积神经网络跨期融合损失的多期转归预测方法，包括以下步骤：建立用于根据胸部CT影像预测短期、中期和长期转归概率的卷积神经网络；以Focal loss分别构建短期、中期和长期转归概率的预测损失，并在短期、中期和长期转归概率的预测损失引入跨期转归一致性约束，对应形成短期、中期和长期跨期融合损失，再组合得到的总损失，对卷积神经网络进行训练得到多期转归预测模型。本发明引入一种基于Focal Loss改进的跨期融合损失函数训练卷积神经网络，实现当前期金标准同时约束引导前后期的预测结果，使得构建出的多期转归预测模型通过单一急性期CT图像，可输出三个时间点的高精度转归概率。