本发明专利技术属于生物医学工程领域，具体涉及一种融合多示例学习和多任务深度影像组学的生存期分析系统，旨在解决传统的手工影像特征要求高精准、高重现性的病灶勾画，只适合提取单张影像图像的病灶特征，且建模时并未考虑多个临床结果的相关性，造成提取的影像特征鲁棒性较差，进而导致生存期分析结果准确性较低的问题。本发明专利技术系统包括：获取模块，配置为获取待分析的MR影像及对应的临床风险因子；预处理模块，配置为勾画病灶掩膜，并选取以病灶掩膜为中心的固定尺寸区域作为感兴趣区域；临床终点预测模块，配置为得到各个临床终点的风险预测值；分析模块，配置为得到生存期分析结果。本发明专利技术提高了影像特征提取的鲁棒性以及生存期分析结果的准确性。析结果的准确性。析结果的准确性。
【技术实现步骤摘要】
融合多示例学习和多任务深度影像组学的生存期分析系统
[0001]本专利技术属于生物医学工程领域，具体涉及一种融合多示例学习和多任务深度影像组学的生存期分析系统、方法、设备。
技术介绍
[0002]磁共振影像(Magnetic Resonance Imaging，MRI)和CT(Computed Tomograph)图像作为一种常规的诊疗工具和筛查工具，在临床上发挥着越来越重要的作用。比如，MRI图像作为鼻咽癌诊疗中一种常规、无创的影像分期工具，在软组织造影方面具有优势。研究表明，影像组学对鼻咽癌的生存期预测具有潜在价值。但由于有些影像图片的体素在不同维度之间的尺寸存在大的差异(比如鼻咽癌的MRI图片的像素横截面上尺寸为0.5mm，但层厚为5mm)，目前常见的方法是提取单张影像图像的病灶特征进行分析，例如，“一种基于影像组学的生存期预测方法及装置”，该专利采用的是手工的影像组学特征来预测患者的生存期，要求精准且重现性高的病灶勾画，适合提取单张影像图像的病灶特征，但没有考虑多个临床结果的相关性，导致了影像组学特征只能片面地表征肿瘤。
[0003]综上，由于传统的手工影像特征要求高精准、高重现性的病灶勾画，只适合提取单张影像图像的病灶特征，且建模时并未考虑多个临床结果的相关性，造成提取的影像特征鲁棒性较差，进而导致生存期分析结果准确性较低。基于此，本专利技术提出了一种融合多示例学习和多任务深度影像组学的生存期分析系统。
技术实现思路
[0004]为了解决现有技术中的上述问题，即为了解决传统的手工影像特征要求高精准、高重现性的病灶勾画，提取单张影像图像的病灶特征的片面性，建模时并未考虑多个临床结果的相关性，造成提取的影像特征鲁棒性较差、代表性弱，进而导致生存期分析结果准确性较低的问题，本专利技术提出了一种融合多示例学习和多任务深度影像组学的生存期分析系统，该系统包括：获取模块、预处理模块、临床终点预测模块、分析模块；
[0005]所述获取模块，配置为获取待分析的MR影像、对应的临床风险因子；所述临床风险因子包括患者的性别、年龄、TNM肿瘤分期、肿瘤家族史、吸烟史、饮酒史及血检指标；
[0006]所述预处理模块，配置为在MR影像的横断位MRI图像中勾画病灶掩膜；勾画后，对横断位MRI图像进行预处理，并在预处理后的横断位MRI图像中选取以勾画的病灶掩膜为中心的固定尺寸区域作为感兴趣区域；
[0007]所述临床终点预测模块，配置为将感兴趣区域以及相应的病灶掩膜输入预构建的生存数据预测模型，得到各个临床终点的风险预测值；所述临床终点包括死亡、转移、复发以及临床进展；
[0008]所述分析模块，配置为将各个临床终点的风险预测值和临床风险因子输入预构建的生存期分析模型，得到生存期分析结果；
[0009]其中，
[0010]所述生存数据预测模型是基于卷积神经网络和三个并行的全连接层构建；
[0011]所述生存期分析模型由基于LASSO的Cox比例风险模型构建。
[0012]在一些优选的实施方式中，所述预处理模块中的“对横断位MRI图像进行预处理”，其方法为：
[0013]通过双线性插值算法对横断位MRI图像进行像素尺寸调整；
[0014]利用直方图匹配方法对调整后的横断位MRI图像进行灰度校正；
[0015]通过Z
‑
score方法对灰度校正后的横断位MRI图像进行灰度归一化处理。
[0016]在一些优选的实施方式中，“利用直方图匹配方法对调整后的横断位MRI图像进行灰度校正”，其方法为：
[0017][0018]其中，x表示原横断位MRI图像的灰度值，x
new
表示校正后的横断位MRI图像的灰度值，μ
1i
，μ
i
和μ
2i
分别表示原横断位MRI图像灰度范围内的三个标志点，μ
1s
，μ
s
和μ
2s
为目标域中的三个标志点。
[0019]在一些优选的实施方式中，所述临床终点预测模块“将感兴趣区域以及相应的病灶掩膜输入预构建的生存数据预测模型，得到各个临床终点的风险预测值”，其方法为：
[0020]将感兴趣区域以及相应的病灶掩膜输入生存数据预测模型的卷积神经网络，提取与生存期相关的高维影像特征；
[0021]基于提取的高维影像特征，通过生存数据预测模型的三个并行的全连接层，得到复发、转移、死亡三个临床终点的风险预测值；并将复发、转移、死亡三个临床终点的风险预测值的最大值作为临床进展对应的临床终点的风险预测值。
[0022]在一些优选的实施方式中，所述分析模块中的“将各个临床终点的风险预测值和临床风险因子输入预构建的生存期分析模型，得到生存期分析结果”，其方法为：
[0023]通过LASSO回归模型从各个临床终点的风险预测值和临床风险因子中选取独立的预后变量，作为风险变量；
[0024]将各风险变量输入Cox比例风险模型获取生存期分析结果；
[0025]其中，所述独立的预后变量的选取方法为：使用偏似然值作为LASSO回归模型的优化指标，当偏似然值达到最大值时停止筛选，余下的变量作为独立的预后变量。
[0026]在一些优选的实施方式中，所述生存数据预测模型，其训练方法为：
[0027]A10，采集多位患者治疗前的MR影像及其对应的临床风险因子、临床终点的随访时间和状态，构建训练数据集；
[0028]A20，在MR影像的横断位MRI图像中勾画病灶掩膜；勾画后，对横断位MRI图像进行预处理，并在预处理后的横断位MRI图像中选取以勾画的病灶掩膜为中心的固定尺寸区域作为感兴趣区域；
[0029]A30，分批的将感兴趣区域以及相应的病灶掩膜输入预构建的生存数据预测模型，得到各个临床终点的风险预测值；
[0030]A40，基于各个临床终点的风险预测值、所述临床终点的随访时间和状态，计算负的Cox偏似然损失值，并使用误差反传算法更新生存数据预测模型的模型参数；
[0031]A50，循环步骤A30
‑
A40，直至负的Cox偏似然损失值不再变小，得到训练好的生存数据预测模型。
[0032]在一些优选的实施方式中，所述生存数据预测模型其在训练时，学习率策略为余弦退火下降策略，误差反传算法为随机梯度下降算法，batch size设置为128。
[0033]本专利技术的第二方面，提出了一种融合多示例学习和多任务深度影像组学的生存期分析方法，该方法包括：
[0034]S10，获取待分析的MR影像、对应的临床风险因子；所述临床风险因子包括患者的性别、年龄、TNM肿瘤分期、肿瘤家族史、吸烟史、饮酒史及血检指标；
[0035]S20，在MR影像的横断位MRI图像中勾画病灶掩膜；勾画后，对横断位MRI图像进行预处理，并在预处理后的横断位MRI图像中选取以勾画的病灶掩膜为中心的固定尺寸区域作为感兴趣区域；...
【技术保护点】
【技术特征摘要】
1.一种融合多示例学习和多任务深度影像组学的生存期分析系统，其特征在于，该系统包括：获取模块、预处理模块、临床终点预测模块、分析模块；所述获取模块，配置为获取待分析的MR影像、对应的临床风险因子；所述临床风险因子包括患者的性别、年龄、TNM肿瘤分期、肿瘤家族史、吸烟史、饮酒史及血检指标；所述预处理模块，配置为在MR影像的横断位MRI图像中勾画病灶掩膜；勾画后，对横断位MRI图像进行预处理，并在预处理后的横断位MRI图像中选取以勾画的病灶掩膜为中心的固定尺寸区域作为感兴趣区域；所述临床终点预测模块，配置为将感兴趣区域以及相应的病灶掩膜输入预构建的生存数据预测模型，得到各个临床终点的风险预测值；所述临床终点包括死亡、转移、复发以及临床进展；所述分析模块，配置为将各个临床终点的风险预测值和临床风险因子输入预构建的生存期分析模型，得到生存期分析结果；其中，所述生存数据预测模型是基于卷积神经网络和三个并行的全连接层构建；所述生存期分析模型由基于LASSO的Cox比例风险模型构建。2.根据权利要求1所述的融合多示例学习和多任务深度影像组学的生存期分析系统，其特征在于，所述预处理模块中的“对横断位MRI图像进行预处理”，其方法为：通过双线性插值算法对横断位MRI图像进行像素尺寸调整；利用直方图匹配方法对调整后的横断位MRI图像进行灰度校正；通过Z
‑
score方法对灰度校正后的横断位MRI图像进行灰度归一化处理。3.根据权利要求2所述的融合多示例学习和多任务深度影像组学的生存期分析系统，其特征在于，“利用直方图匹配方法对调整后的横断位MRI图像进行灰度校正”，其方法为：其中，x表示原横断位MRI图像的灰度值，x
new
表示校正后的横断位MRI图像的灰度值，μ
1i
，μ
i
和μ
2i
分别表示原横断位MRI图像灰度范围内的三个标志点，μ
1s
，μ
s
和μ
2s
为目标域中的三个标志点。4.根据权利要求1所述的融合多示例学习和多任务深度影像组学的生存期分析系统，所述临床终点预测模块“将感兴趣区域以及感兴趣区域的病灶掩膜输入预构建的生存数据预测模型，得到各个临床终点的风险预测值”，其方法为：将感兴趣区域以及相应的病灶掩膜输入生存数据预测模型的卷积神经网络，提取与生存期相关的高维影像特征；基于提取的高维影像特征，通过生存数据预测模型的三个并行的全连接层，得到复发、转移、死亡三个临床终点的风险预测值；并将复发、转移、死亡三个临床终点的风险预测值的最大值作为临床进展对应的临床终点的风险预测值。5.根据权利要求1所述的融合多示例学习和多任务深度影像组学的生存期分析系统，其特征在于，所述分析模块中的“将各个临床终点的风险预测值和临床风险因子输入预构
建的生存期分析模型，得到生存期分析结果”，其方...
【专利技术属性】
技术研发人员：田捷，董迪，钟连珍，胡朝恩，杨鑫，赵洵，
申请(专利权)人：中国科学院自动化研究所，
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。