基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统技术方案

本发明专利技术属于计算机医学图像处理技术领域。具体为一种的基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法和系统。本发明专利技术具有6个卷积层和4096个神经元的完全连接层的卷积神经网络来识别磁共振图像中的肿瘤区域；通过费舍尔向量编码从最后的卷积层中提取深层反应；卷积神经网络为每个病例生成16384个高通量图像特征；基于配对的t检验和F分数和p值筛选方法识别与IDH1高度相关联的卷积神经网络特征；采用支持向量机作为分类器。在IDH1预测中，在相同的数据集的条件下，常规影像组学方法的工作特征曲线下面积为86％，而本发明专利技术的AUC为92％；使用基于多模态磁共振图像时，IDH1预测的AUC提高到95％。本发明专利技术可以成为从医学图像中提取深层信息更有效的方法。

【技术实现步骤摘要】
基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统
专利技术属于计算机医学图像处理
，具体涉及基于深度学习的影像组学(DeepLearning-BasedRadiomics,DLR)的低级别脑胶质瘤柠檬酸脱氢酶(IsocitrateDehydrogenase1,IDH1)无损预测方法及系统。
技术介绍
影像组学(Radiomics)是一种新兴的方法，通过对高通量图像特征进行一系列定性和定量分析，从医学图像中获得预测或预后信息[1]。近年来，影像组学的方法被应用于各种医学图像分析，并提供了不同疾病的基因-蛋白质特征与患者结果、肿瘤表型之间相关联的信息[2][3]。通常，影像组学分析的过程包括图像采集，图像分割，特征提取，特征选择和信息分析。现有的影像组学测序方法有三个基本问题。第一，图像分割步骤通常依赖于手动操作，这个过程既耗时又受到不同标准的影响。即使图像分割准确，也没有图像特征提取的标准评估方法，不同的图像特征将导致不同的分析结果。第二，由于难以验证图像特征的准确性和可重复性，图像特征的计算错误，可能会产生额外的错误。第三，目前的影像组学的方法通过使用几组图像特征(包括强度，形状，纹理和小波)来表征医学图像。虽然可以计算许多这样的图像特征，但是不可能将分段区域的所有这些成像特征包括在预先设计的特征中。为了克服影像组学方法的缺点，本专利技术采用了一种更为先进的方法，称为基于深度学习的影像组学方法(DLR)。DLR通过归一化来深度神经网络的信息来获得影像组学特征。DLR的主要假设是，一旦图像被深层神经网络精确分割，所有关于分割区域的信息都已经被包含在网络中。与目前影像组学的计算方法不同，在DLR中，高通量图像特征直接从深度神经网络中提取出来。因为DLR不涉及额外的特征提取操作，所以由于特征计算，在影像组学分析中不会引入额外的误差。特征的有效性仅与分割的质量有关。如果肿瘤已被精确分割，则可以保证图像特征的准确性和有效性。在本专利技术所提出的DLR方法中，采用的是一种改进的卷积神经网络(ConvolutionalNeuralNetwork)。卷积神经网络是一种用于深度学习的代表性方法，已经成功应用于图像分割领域。近来，许多人利用卷积神经网络进行医学图像分割，它提供了比传统方法更好的效果。在基于磁共振图像的胶质瘤分割中，大多数卷积神经网络方法被提出应用于高级胶质瘤。与高级胶质瘤相比，低级胶质瘤较小，与周围组织的对比度较低。现有的卷积神经网络结构对于低分化胶质瘤的分割效果并不理想。因此，卷积神经网络的主要架构调整对于图像分割和特征提取都是至关重要的。为了解决低级胶质瘤的难题，本专利技术使用了6个卷积层的改进的卷积神经网络结构4096个神经元的完全连接层进行分割。通过卷积神经网络获得的更准确的分割结果，可以提取更多的信息。与传统的计算特征不同，卷积神经网络使用整个图像的卷积内核的操作保留了大量的全局空间信息。实际上，卷积神经网络提取特征在许多领域中比传统计算特征显示出更好的性能，如场景识别，变换域转移和边缘识别。最近，对于纹理属性的识别，卷积神经网络提取的特征展现了理想的结果，并且卷积神经网络的表现至少胜过传统方法10％。在DLR中，卷积神经网络特征从最后一个卷积层提取出来。利用费舍尔向量从不同尺寸的磁共振图像切片中归一化网络信息；卷积神经网络为每种情况生成16384个高通量图像特征。本专利技术所提出的DLR方法的的性能通过使用它来预测低级胶质瘤的异柠檬酸脱氢酶1(IDH1)状态来验证。自从引入了最常见的恶性脑肿瘤胶质瘤分子诊断概念以来，现在有大量的基因组数据可用。在世界卫生组织(WorldHealthOrganization,WHO)2016的最新版本中，分子诊断和病理诊断被纳入中枢神经系统肿瘤，其中也包括神经胶质瘤。在所有分子生物标志物中，由于IDH1独特的诊断和预测价值，IDH1基因是最重要的。IDH1突变状态占低级胶质瘤预测值的50％以上。根据IDH1状态，低级胶质瘤的治疗方案差异很大。因此，通过非侵入性方法准确预测IDH1突变状态已被广泛探讨。本专利技术使用DLR来确定由151名患者组成的低级胶质瘤组中的IDH1突变状态，证明了DLR是预测低级胶质瘤中IDH1突变状态的有效且准确的工具。
技术实现思路
本专利技术目的在于提供一种能够无损、有效且准确地预测低级胶质瘤中IDH1突变状态的方法和系统。本专利技术首先提出一种针对低级胶质瘤分割设计的改良型卷积神经网络结构(卷积神经网络)；该改良型卷积神经网络结构具有6个卷积层和4096个神经元的完全连接层，采用卷积神经网络结构来识别磁共振(MagneticResonance,MR)图像中的肿瘤区域；通过费舍尔向量编码从最后的卷积层中提取深层反应；卷积神经网络为每个病例生成16384个高通量图像特征。基于配对的t检验和F分数(F-scores)和p值筛选方法识别与IDH1高度相关联的卷积神经网络特征。采用支持向量机(SupportVectorMachine，SVM)作为分类器。在IDH1预测中，在相同的数据集的条件下，常规影像组学方法的工作特征曲线下面积(TheAreaUnderTheOperatingCharacteristicCurve,AUC)为86％，而本专利技术的AUC为92％；使用基于多模态磁共振图像时，IDH1预测的AUC进一步提高到95％。本专利技术可以成为从医学图像中提取深层信息更有效的方法。本专利技术提出的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法，是基于深度学习的影像组学方法的。具体步骤为：步骤一、通过深度学习进行图像分割1.1数据的预处理对于所有的T1对比增强的磁共振图像，首先使用SPM配准到T2flair磁共振图像，然后，利用Brainsuite软件从脑部磁共振图像中去除颅骨和头皮，并校正磁共振图像的偏倚；1.2对脑部磁共振图像中的脑胶质瘤区域进行人工标注对所有脑部磁共振图像进行人工标注，获得的手动分割结果被用作卷积神经网络训练阶段的金标准；1.3基于卷积神经网络的脑胶质瘤分割卷积神经网络作为本方法的基础，要训练卷积神经网络对肿瘤区域进行分割。利用卷积神经网络进行肿瘤分割的方法将分割问题转化为像素分类问题。在本专利技术中我们所使用的卷积神经网络结构如表1和图1所示。我们以现有处理脑胶质瘤最佳的卷积神经网络结构为基准，在其基础上增加了2个卷积层至包含6个卷积层，并将全连接层的神经元数从256个增加到4096个。我们选择修正线性单元(RectifiedLinearUnit,ReLU)作为激活函数，并在每个卷积层之后对它们进行设置。另外，在每个完全连接层之后应用随机丢失层(DropoutLayers)；在网络的最后，选择Softmax作为网络的输出分类层。1.3.1卷积神经网络的训练在卷积神经网络的训练过程中，训练样本取为33×33像素的小块。这些小块随机从脑部磁共振图像中获取。在获得训练样本后，我们需要去除一个通道中所有小块的平均灰度，然后依次对小块的灰度值和方差进行归一化。在具体的训练过程中，如图1所示，我们选择每个小块对应中心点的像素类别作为教师，使用随机梯度下降方法对卷积神经网络进行训练(Stochasticgradientdescent,SGD)。1.3.2利用本文档来自技高网...

【技术保护点】
基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法，其特征在于，具体步骤为：步骤一、通过深度学习进行图像分割1.1数据的预处理对于T1对比增强的磁共振图像，首先使用SPM配准到T2flair磁共振图像，然后利用Brainsuite软件从脑部磁共振图像中去除颅骨和头皮，并校正磁共振图像的偏倚；1.2对脑部磁共振图像中的脑胶质瘤区域进行人工标注对所有脑部磁共振图像进行人工标注，获得的手动分割结果被用作卷积神经网络训练阶段的金标准；1.3基于卷积神经网络的脑胶质瘤分割所述卷积神经网络是以现有处理脑胶质瘤最佳的卷积神经网络结构为基准，在其基础上增加2个卷积层至6个卷积层，全连接层的神经元数从256个增加到4096个；并选择修正线性单元作为激活函数，在每个卷积层之后对它们进行设置；另外，在每个完全连接层之后应用随机丢失层；在网络的最后，选择Softmax作为网络的输出分类层；1.3.1卷积神经网络的训练随机从脑部磁共振图像中获取训练样本，训练样本为33×33像素的小块；去除一个通道中所有小块的平均灰度，然后依次对小块的灰度值和方差进行归一化；训练过程中，选择每个小块对应中心点的像素类别作为教师，使用随机梯度下降方法对卷积神经网络进行训练；1.3.2利用卷积神经网络进行脑胶质瘤分割在获得了训练好的网络之后,利用卷积神经网络对所有脑部磁共振图像进行分割：首先利用训练阶段得到的预处理参数对图像进行预处理，包括平均灰度值、归一化灰度值和方差，这样测试数据就与训练数据有了类似的参数分布；步骤二、从肿瘤分割网络中获取肿瘤的描述特征在确认网络能够识别肿瘤区域后，将肿瘤区域图像添加到训练好的卷积神经网络中，以获取网络中的深层相应作为肿瘤的描述特征；具体过程为：2.1多尺度肿瘤区域的选取对每个脑部磁共振图像中的脑胶质瘤区域，选取10个具有不同尺度的图像，图像缩放的比例从为0.5到2；2.2利用卷积神经网络处理图像在利用卷积神经网络提取特征的过程中将卷积神经网络作为图像滤波器，即将不同尺度图像输入到卷积神经网络，并从最后的卷积层的特征图生成肿瘤区域的特征；将同一病例的所有脑部磁共振图像连接起来作为该病例的卷积神经网络特征；2.3利用一种改进的费舍尔向量对特征进行归一化引入改进的费舍尔向量编码来对特征进行归一化和描述；通过构建使用高斯混合模型获得的视觉词典，将费舍尔向量汇总在多个局部特征描述符的向量统计量中；具体过程为：2.3.1获取训练数据的高斯混合模型参数基于训练数据统计获得具有64个高斯分量的高斯混合模型参数；2.3.2由获得高斯混合模型获得所有数据的费舍尔向量费舍尔向量描述128个最后一层卷积神经网络的滤波器中每一个的64个高斯分量中的每一个的一阶和二阶统计量，即产生具有16k维度(128×64×2)的描述特征；改进的费舍尔向量的计算由matlab中的VLfeat工具箱实现；图像X得到D维特征向量[x1,x2,…,xN]，其中D是指滤波器组的数量，N是特征的维数，即为对应病例包含的所有肿瘤切片包含的特征数目；编码器Θ(μk，wk，σk)保存高斯混合模型的第k个内核的参数；费舍尔向量...

【技术特征摘要】
1.基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法，其特征在于，具体步骤为：步骤一、通过深度学习进行图像分割1.1数据的预处理对于T1对比增强的磁共振图像，首先使用SPM配准到T2flair磁共振图像，然后利用Brainsuite软件从脑部磁共振图像中去除颅骨和头皮，并校正磁共振图像的偏倚；1.2对脑部磁共振图像中的脑胶质瘤区域进行人工标注对所有脑部磁共振图像进行人工标注，获得的手动分割结果被用作卷积神经网络训练阶段的金标准；1.3基于卷积神经网络的脑胶质瘤分割所述卷积神经网络是以现有处理脑胶质瘤最佳的卷积神经网络结构为基准，在其基础上增加2个卷积层至6个卷积层，全连接层的神经元数从256个增加到4096个；并选择修正线性单元作为激活函数，在每个卷积层之后对它们进行设置；另外，在每个完全连接层之后应用随机丢失层；在网络的最后，选择Softmax作为网络的输出分类层；1.3.1卷积神经网络的训练随机从脑部磁共振图像中获取训练样本，训练样本为33×33像素的小块；去除一个通道中所有小块的平均灰度，然后依次对小块的灰度值和方差进行归一化；训练过程中，选择每个小块对应中心点的像素类别作为教师，使用随机梯度下降方法对卷积神经网络进行训练；1.3.2利用卷积神经网络进行脑胶质瘤分割在获得了训练好的网络之后,利用卷积神经网络对所有脑部磁共振图像进行分割：首先利用训练阶段得到的预处理参数对图像进行预处理，包括平均灰度值、归一化灰度值和方差，这样测试数据就与训练数据有了类似的参数分布；步骤二、从肿瘤分割网络中获取肿瘤的描述特征在确认网络能够识别肿瘤区域后，将肿瘤区域图像添加到训练好的卷积神经网络中，以获取网络中的深层相应作为肿瘤的描述特征；具体过程为：2.1多尺度肿瘤区域的选取对每个脑部磁共振图像中的脑胶质瘤区域，选取10个具有不同尺度的图像，图像缩放的比例从为0.5到2；2.2利用卷积神经网络处理图像在利用卷积神经网络提取特征的过程中将卷积神经网络作为图像滤波器，即将不同尺度图像输入到卷积神经网络，并从最后的卷积层的特征图生成肿瘤区域的特征；将同一病例的所有脑部磁共振图像连接起来作为该病例的卷积神经网络特征；2.3利用一种改进的费舍尔向量对特征进行归一化引入改进的费舍尔向量编码来对特征进行归一化和描述；通过构建使用高斯混合模型获得的视觉词典，将费舍尔向量汇总在多个局部特征描述符的向量统计量中；具体过程为：2.3.1获取训练数据的高斯混合模型参数基于训练数据统计获得具有64个高斯分量的高斯混合模型参数；2.3.2由获得高斯混合模型获得所有数据的费舍尔向量费舍尔向量描述128个最后一层卷积神经网络的滤波器中每一个的64个高斯分量中的每一个的一阶和二阶统计量，即产生具有16k维度(128×64×2)的描述特征；改进的费舍尔向量的计算由matlab中的VLfeat工具箱实现；图像X得到D维特征向量[x1,x2,…,xN]，其中D是指滤波器组的数量，N是特征的维数，即为对应病例包含的所有肿瘤切片包含的特征数目；编码器Θ(μk，wk，σk)保存高斯混合模型的第k个内核的参数；费舍尔向量是每个核的平均向量和协方差偏差向量的组合：其中，j＝1,...D是向量维数，yik是每个xi到高斯混合模型的第k个核的后验概率；从所有图像中提取卷积神经网络特征，经过费舍尔向量编码，获得的图像特征具有相同的维度，即每个病例有16384个特征值；步骤三、特征选择在得到费舍尔向量-卷积神经网络特征之后，选择与IDH1突变状态相关的特征，采用如下特征选择方法：3.1利用t检验筛选特征首先对特征进行假设检验，根据p值<0.05表示统计学意义的标准，将t检验应用于所有提取的特征，以识别具有显着区分效果的特征；3.2利用F分数进一步筛选特征为了...

【专利技术属性】
技术研发人员：汪源源，余锦华，李泽榉，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海,31