本发明专利技术提供了一种本发明专利技术提供一种基于多序列MRI全局信息的胶质瘤患者术后生存期预测方法，通过对四个模态的影像进行数据预处理操作后，按照T1、FLAIR、T2和T1ce的顺序进行拼接，采用基于3D ResNet 50网络模型进行预测，在预测过程中引入年龄特征对全局特征进行加权。本发明专利技术提出的基于全局信息的胶质瘤患者生存期三维回归预测方法，通过对多序列磁共振影像进行裁剪后便于学习肿瘤大小、位置、形状、纹理、异质性等特征。在BraTS 2020验证集上取得了较为理想的预测结果。为理想的预测结果。为理想的预测结果。
【技术实现步骤摘要】
基于多序列MRI全局信息的胶质瘤患者术后生存期预测方法
[0001]本专利技术涉及一种影像分析领域，尤其是一种利用核磁共振影像进行患者生存期预测的方法，本专利技术利用三维卷积神经网络根据多序列核磁共振影像的全局信息进行预测胶质瘤患者生存期。
技术介绍
[0002]近年来，胶质瘤发病率呈逐年增高的趋势，其恶性程度高、致死率高，已经成为严重影响人类健康的恶性肿瘤之一。由于存在图像退化、胶质瘤影像学病理表征复杂、个体差异明显等困难，胶质瘤患者生存期预测存在较大挑战。现在的方法大多是基于手工设计的特征，采用传统的机器学习方法。但是提取手工设计的特征极大地依赖分割标注，一旦分割标注不准确，势必会导致特征可靠性的下降。与此同时，深度学习的迅猛发展使其被广泛地应用于计算机视觉等领域。其中深度学习的经典网络模型：三维残差神经网络(3D Residual Neural Network,3D ResNet)被逐渐地应用在医学图像处理领域之中。如腾讯医疗团队使用基于三维卷积神经网络的MedicalNet网络模型从多序列磁共振影像中分割胶质瘤。
技术实现思路
[0003]为了克服现有技术的不足，本专利技术提供一种基于多序列MRI全局信息的胶质瘤患者术后生存期预测方法。为了在术前为医生制定治疗方案提供建议与参考，准确有效地预测胶质瘤患者的预后生存期是有必要的，本专利技术提出了一种基于多序列磁共振影像全局信息融合的胶质瘤患者术后生存期预测方法。在训练阶段，获得的数据集中包括了患者的年龄信息和具有T1、T1 ce、T2、FLAIR四个模态的磁共振影像。通过对四个模态的影像进行数据预处理操作后，按照T1、FLAIR、T2和T1 ce的顺序进行拼接，采用基于3D ResNet 50网络模型进行预测。由于年龄与患者预后恢复情况有关，在预测过程中引入年龄特征对全局特征进行加权。
[0004]本专利技术解决其技术问题所采用的技术方案包括如下步骤：
[0005]步骤1.数据预处理；
[0006]首先将体素进行数据归一化处理，将数据映射到[0,1]区间上，便于网络模型学习，如式(1)所示：
[0007][0008]其中，x
′
表示归一化后的体素值，x表示核磁共振影像的体素值，表示非零体素值的均值，σ表示非零体素值的标准差；
[0009]将多序列核磁共振影像的黑边裁切掉，将裁切黑边后的影像采用最近邻插值法缩放至d*h*w大小，其中d表示深度，h表示长度，w表示宽度，按照T1、FLAIR、T2和T1 ce的顺序按通道进行拼接；
[0010]步骤2.回归预测；
[0011]将包含肿瘤大小、位置、形状、纹理的全局信息的多序列磁共振影像作为训练数据，输入到基于3D ResNet 50的三维回归网络模型中进行回归预测；
[0012]通过计算损失函数，进行梯度反向传播更新模型参数；首先对预测模型输出的结果进行分类，然后当存在预测结果与真实情况类别不一致的数据时，对类别不一致的数据计算损失函数，进行梯度反向传播更新；当前批次中的所有数据的预测结果都与对应的真实情况类别相同时，对批次中的所有数据计算损失函数，损失函数如式(5)所示：
[0013][0014]其中，表示类别相同时预测得到的生存月份数，y
i
表示类别相同时真实生存月份数，表示类别不一致时的真实生存月份，y
′
表示表示类别不一致时的预测得到的生存月份数，class(
·
)表示对生存月份数进行分类，分别为小于10个月、大于等于10个月且小于等于15个月和大于15个月三个类别，分类结果如式(6)所示：
[0015][0016]步骤3.数据后处理
[0017]根据预测模型得到的预测结果，将预测的生存月份数或乘以30，即可得到预测的生存天数。
[0018]所述基于3D ResNet 50的三维回归网络模型结包括1个卷积层、1个最大池化层、4个Bottleneck组模块、1个全局平均池化层和1个全连接层，其中卷积层的卷积核大小为7
×7×
7，滑动步长为2，使得到的特征图尺寸缩小为原来的一半，最大池化层滑动窗口大小为3
×3×
3，步长为2，4个Bottleneck组模块分别包括3个Bottleneck模块、4个Bottleneck模块、6个Bottleneck模块和3个Bottleneck模块，其中Bottleneck模块包括1个跳跃连接、3个卷积层、3个批量归一化层和3个ReLU激活函数，3个卷积层中包括2个步长为1、卷积核大小为1
×1×
1的卷积层和1个步长为1、卷积核大小为3
×3×
3的卷积层。
[0019]在进行全连接层计算之前，引入年龄特征因素，在全局平均池化层后，对网络模型得到的全局特征图逐元素乘以年龄特征，其中，年龄特征的构造如下式所示：
[0020]F
age
＝1
‑
age/100
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0021]其中F
age
表示年龄特征，age表示年龄信息。
[0022]所述激活函数采用修正线性单元激活函数(ReLU)，如式(3)所示：
[0023]f(x)＝max(0，x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0024]其中x表示激活层的输入元素；
[0025]损失函数采用均方误差损失函数(MSE Loss)，如式(4)所示：
[0026][0027]本专利技术的有益效果是：现有的很多预测方法是基于人工设置特征，手动进行提取，这种方法费时费力。本专利技术提出的基于全局信息的胶质瘤患者生存期三维回归预测方法，
通过对多序列磁共振影像进行裁剪后便于学习肿瘤大小、位置、形状、纹理、异质性等特征。在BraTS 2020验证集上取得了较为理想的预测结果。
附图说明
[0028]图1是本专利技术基于3D ResNet 50的三维回归网络模型结构图。
[0029]图2是本专利技术Bottleneck模块结构图。
具体实施方式
[0030]下面结合附图和实施例对本专利技术进一步说明。
[0031]本专利技术基于全局信息的胶质瘤患者生存期三维回归预测方法的具体步骤如下：
[0032]步骤1.数据预处理；
[0033]由于核磁共振影像的体素值域很大，首先将体素进行数据归一化处理，将数据映射到[0,1]区间上，便于网络模型学习，如式(1)所示：
[0034][0035]其中，x
′
表示归一化后的体素值，x表示核磁共振影像的体素值，表示非零体素值的均值，σ表示非零体素值的标准差；
[0036]由于数据集中的多序列核磁共振影像比大脑轮廓大，周围存在黑边，造成显存的浪费，需要将黑边裁切掉，将裁切黑边后的影像采用最近邻插值法缩放至d*h*w大小，其中d表示深度，h表示长度，w表示宽度，按照T1、FLAIR、T本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多序列MRI全局信息的胶质瘤患者术后生存期预测方法，其特征在于包括下述步骤：步骤1.数据预处理；首先将体素进行数据归一化处理，将数据映射到[0,1]区间上，便于网络模型学习，如式(1)所示：其中，x
′
表示归一化后的体素值，x表示核磁共振影像的体素值，表示非零体素值的均值，σ表示非零体素值的标准差；将多序列核磁共振影像的黑边裁切掉，将裁切黑边后的影像采用最近邻插值法缩放至d*h*w大小，其中d表示深度，h表示长度，w表示宽度，按照T1、FLAIR、T2和T1 ce的顺序按通道进行拼接；步骤2.回归预测；将包含肿瘤大小、位置、形状、纹理的全局信息的多序列磁共振影像作为训练数据，输入到基于3D ResNet 50的三维回归网络模型中进行回归预测；通过计算损失函数，进行梯度反向传播更新模型参数；首先对预测模型输出的结果进行分类，然后当存在预测结果与真实情况类别不一致的数据时，对类别不一致的数据计算损失函数，进行梯度反向传播更新；当前批次中的所有数据的预测结果都与对应的真实情况类别相同时，对批次中的所有数据计算损失函数，损失函数如式(5)所示：其中，表示类别相同时预测得到的生存月份数，y
i
表示类别相同时真实生存月份数，表示类别不一致时的真实生存月份，y
′
表示表示类别不一致时的预测得到的生存月份数，class(
·
)表示对生存月份数进行分类，分别为小于10个月、大于等于10个月且小于等于15个月和大于15个月三个类别，分类结果如式(6)所示：步骤3.数据后处理根据预测模型得到的预测结果，将预测的生存月份数或乘以30，即可得到预测的生存天数。2.根据权利要求1所述的一种基于多序列MRI全局信息的胶质瘤患者术后生存期预测方法，其特征在于：所述基于3D ResNet 50的三维回归网络模型结包括1个卷积...
【专利技术属性】
技术研发人员：夏勇，蒋博文，张建鹏，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。