一种基于癌症CT图像自动预测基因表达类别的方法技术

本发明专利技术公开了一种基于癌症CT图像自动预测基因表达类别的方法，该方法包括以下步骤：a）获取ROI切片并将数量扩充48倍；b）基于DenseNet‑12和空间金字塔模块构建神经网络；c）使用聚焦损失函数进行训练；d）对模型预测综合评判得到最终的预测结果。本发明专利技术采用的数据扩充技术在不改变CT图像性质的同时能大大扩充数据量。具有4个维度的空间金字塔池化模块提取多层次的图像特征，既包含全局语义又把握细节的特征。使用Focal‑Loss来指导网络更加关注肿瘤边缘即首尾端难以挖掘有效特征的切片，以及使用精度逐步提升的训练策略，最终实现了准确和高效的CT图像基因突变预测。

【技术实现步骤摘要】
一种基于癌症CT图像自动预测基因表达类别的方法
本专利技术涉及图像处理，计算机视觉，深度学习，医学图像计算和计算机辅助干预技术(MedicalImageComputingandComputer-AssistedIntervention)领域，具体为一种基于癌症CT图像自动检测基因表达类型的方法。
技术介绍
国内外最近的研究显示，癌症CT图像提取的特征与某些基因表达模式相关。如Shinagare等人在2015年验证得到肿瘤边缘、结节增强和肿瘤内血管与VHL突变之间的关联，Karlo等人在2014年提出PBRM1和SETD2两类基因突变主要见于实体(非囊性)肾透明细胞癌病例中。近两年来，越来越多的人开始在这上面进行探索。如2018年Mohammad等人利用多示例学习的CNN网络来检测肾透明细胞癌中的4中最常见基因突变的检测；2019年国内某高校利用3D神经网络预测肺癌中的EGFR突变，并取得了超过传统影像组学的效果；NicolasCoudray等人利用神经网络对非小细胞肺癌中的多个基因(STK11、EGFR、SETBP1、TP53、FAT1、KRA本文档来自技高网...

【技术保护点】
1.一种基于癌症CT图像自动预测基因表达类别的方法，其特征在于，该方法包括以下具体步骤：/n步骤1：获取ROI切片并将图像数量扩充48倍；/n步骤2：基于DenseNet-12和空间金字塔模块构建神经网络；/n步骤3：将步骤1扩充的图像作为输入，使用步骤2构建的神经网络进行训练，训练的损失函数采用聚焦损失即Focal-Loss；/n步骤4：使用步骤3训练后的网络模型进行预测，得到每一份输入图像的基因表达类别预测结果，即过表达、不表达或者阳性、阴性，并汇总同属一个CT序列的所有输入图像的预测结果，得到该CT序列整体的预测结果。/n

【技术特征摘要】
1.一种基于癌症CT图像自动预测基因表达类别的方法，其特征在于，该方法包括以下具体步骤：
步骤1：获取ROI切片并将图像数量扩充48倍；
步骤2：基于DenseNet-12和空间金字塔模块构建神经网络；
步骤3：将步骤1扩充的图像作为输入，使用步骤2构建的神经网络进行训练，训练的损失函数采用聚焦损失即Focal-Loss；
步骤4：使用步骤3训练后的网络模型进行预测，得到每一份输入图像的基因表达类别预测结果，即过表达、不表达或者阳性、阴性，并汇总同属一个CT序列的所有输入图像的预测结果，得到该CT序列整体的预测结果。


2.根据权利要求1所述的基于癌症CT图像自动检测基因表达类型的方法，其特征在于，所述步骤1具体包括：
步骤A1：将完整的CT序列，抽取出包含肿瘤的切片，并根据肿瘤在切片上的位置以及大小，裁剪得到一个感兴趣区域即ROI立方体，ROI立方体为包含完整肿瘤的切片序列；
步骤A2：对裁剪得到ROI切片序列，其大小为n×w×h，n为序列层数，w为宽度，h为高度，将相邻的3张切片堆叠形成一组具有3个通道的数据，其大小为3×w×h；并将每组3通道数据内的3张ROI切片打乱堆叠的顺序，形成6种堆叠形式，将得到的数据记为A，其大小为n'×3×w×h，其中n'＝6*n；
步骤A3：对步骤A2的数据A进行转置，得到转置后的数据B，其大小为n'×3×h×w；
步骤A4：对步骤A2的数据A进行上下翻转，形成数据C，大小为n'×3×w×h；
步骤A5：对步骤A2的数据A进行左右翻转，形成数据D，大小为n'×3×w×h；
步骤A6：对步骤A2的数据A进行1次90°旋转，形成数据E，大小为n'×3×h×w；
步骤A7：对步骤A2的数据A进行2次90°旋转，形成数据F，大小为n'×3×w×h；
步骤A8：对步骤A3的数据B进行1次90°旋转，形成数据G，大小为n'×3×w×h；
步骤A9：对步骤A3的数据B进行左右翻转，形成数据H，大小为n'×3×h×w，至此ROI切片序列在不改变本身图像性质的同时，图像的数量扩充为原来的48倍，即为A+B+C+D+E+F+G+H的和。


3.根据权利要求1所述的基于癌症CT图像自动预测基因表达类别的方法，其特征在于，所述步骤2具体包括：
步骤B1：将DenseNet-12第一层卷积层的卷积核调整为5*5，步长调整为1；
步骤B2：移除DenseNet-12的第一层池化层，并将步骤B1的卷积层直接连接第一个DenseBlock；
步骤B3：第一个DenseBlock包含6层DenseLayer，每一层DenseLayer由顺序连接的卷积层即Conv、批标准化层即BatchNorm和激活层即ReLU组合形成，将其中所有卷积层的卷积核调整为3*3，步长调整为1；
步骤B4：将第一个DenseBloc...

【专利技术属性】
技术研发人员：胡文心，张绪坤，李新星，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海;31