基于机器学习的炎症性肠病精准用药方法及系统技术方案

本发明专利技术提供了一种基于机器学习的炎症性肠病精准用药方法及系统，涉及医学图像处理技术领域，该方法包括：步骤S1：获取炎症性肠病能谱CT数据并对能谱CT数据进行预处理，制作病情活动度‑用药标签数据集；步骤S2：对预处理后的能谱CT数据进行病灶区域分割；步骤S3：将炎症性肠病病灶区域ROI

【技术实现步骤摘要】
基于机器学习的炎症性肠病精准用药方法及系统
本专利技术涉及医学图像处理
，具体地，涉及一种基于机器学习的炎症性肠病精准用药方法及系统。
技术介绍
炎症性肠病(inflammatoryboweldisease,IBD)是一种临床常见的慢性非特异性的肠道炎症性疾病。随着炎症性肠病情发展的严重程度会导致临床治疗方案的不同，因此炎症性肠病情的精准评估对药物疗效和个性化治疗具有重要意义。在临床上，内窥镜检查是估计和评估疾病、治疗结果的有效手段。然而，内窥镜操作复杂，患者耐受性差以及无法完整评估肠道损伤等缺点限制了内窥镜的使用。因此，寻找一种自动的炎症性肠病病情评估和无创疗效评估方法对炎症性肠病的临床诊断和精准治疗具有重要意义。公开号为CN110880361A的中国专利技术专利，公开了一种个性化精准用药推荐方法及装置，包括：获取患同一疾病的多个病患的病历数据，包括结构化数据、文本数据及影像数据；从文本数据中得到病患的用药信息；从多个历史病患的用药信息中筛选得到目标病患的第一药品推荐结果；将病患的病历数据进行合并处理，得到病患的病情特征信息；从本文档来自技高网...

【技术保护点】
1.一种基于机器学习的炎症性肠病精准用药方法，其特征在于，包括：/n步骤S1：获取炎症性肠病能谱CT数据并对能谱CT数据进行预处理，基于处理后的数据制作病情活动度-用药标签数据集；/n步骤S2：对预处理后的能谱CT数据运用end to end卷积神经网络进行病灶区域分割，得到炎症性肠病病灶区域ROI

【技术特征摘要】
1.一种基于机器学习的炎症性肠病精准用药方法，其特征在于，包括：
步骤S1：获取炎症性肠病能谱CT数据并对能谱CT数据进行预处理，基于处理后的数据制作病情活动度-用药标签数据集；
步骤S2：对预处理后的能谱CT数据运用endtoend卷积神经网络进行病灶区域分割，得到炎症性肠病病灶区域ROIIBD；
步骤S3：将炎症性肠病病灶区域ROIIBD进行影像组学特征提取，得到特征s＝{s1,s2,…,sn}，n＝1,2，…，176；
构建迁移模型，将由176个特征进行目标任务T分类，迁移到由60个特征进行目标任务T分类的迁移模型，通过迭代优化获得60个与临床用药疗效最相关特征；
步骤S4：将选择出的60个最相关特征进行整合，通过影像组学方法训练多个分类器，并使用AdaBoost集成学习方法对这些分类器进行“加性模型”训练，获得炎症性肠病无创用药评估模型。


2.根据权利要求1所述的基于机器学习的炎症性肠病精准用药方法，其特征在于，所述步骤S1具体如下：
步骤S1.1：通过CTE序列薄层扫描方式，能谱CT采用高140kV、低80kV能量瞬时切换，根据这两种能量下获得的采样数据确定体素在40～140keV能量范围内的衰减系数获取101个单能量图，扫描层厚及层间距5mm；
步骤S1.2：能谱CT采用自适应统计迭代重建算法(daptivestatisticaliterativereconstruction,ASIR)与滤波反投影算法(filteredbackprojection，FBP)将单能量图联合40％水平的ASiR进行重建，即图像由ASiR与FBP以4:6的权重混合而成，重建层厚及层间距1.25mm；
步骤S1.3：对获取的重建图像进行数据脱敏并剔除不规范的图像；
步骤S1.4：对训练数据进行预处理，采用去均值化操作，并将数据的幅度归一化到同一范围之内；
步骤S1.5：制定病情-用药规范，根据IBD病情严重程度不同采用不同的药物治疗。


3.根据权利要求1所述的基于机器学习的炎症性肠病精准用药方法，其特征在于，所述步骤S2中对得到的能谱CT图像进行病灶区域分割，具体如下：
步骤S2.1：对CT图像进行下采样提取特征值，卷积核大小为3×3，步长为2，在每组卷积操作之后进行max-pooling操作，使得图片进一步缩小为原来的1/2；
在下采样过程中总共进行4次来获取特征，最后得到256幅16×16的下采样特征图，其中，各卷积层使用的卷积核个数分别是32、64、128、256；
步骤S2.2：上采样过程使用4组反卷积操作将图片扩展为原来的2倍，将对应层的特征图进行剪裁和复制，组成上卷积的结果；
上采样过程结束后，得到256×256大小的图，最后用一个1×1的卷积核将通道数减到2，用不同的标签进行标记，完成CT图片分割，得到ROIIBD，其中，各卷积层使用的卷积核个数分别是256、128、64、32；
步骤S2.3：在模型训练过程中采用损失函数对分割结果进行评估。


4.根据权利要求3所述的基于机器学习的炎症性肠病精准用药方法，其特征在于，所述步骤S2.3中的损失函数构建如下：
Ltotal＝Ldice+LCE



其中X,Y为模型分割结果和医生标注的结果，用于比较两者间的相似度，范围为[0，1]；M表示类别数，yc是一个one-hot向量，元素只有0或1两种取值，如果该类别和样本的类别相同就取1，否则取0；Pc表示预测样本属于c的概率。


5.根据权利要求1所述的基于机器学习的炎症性肠病精准用药方法，其特征在于，所述步骤S3包括：
步骤S3.1：使用WORC工具包方法对步骤S2中获得的ROIIBD的能谱CT进行影像特征提取，将图像所包含的信息进行量化；
步骤S3.2：采用SVM和hingeloss函数构建迁移模型。


6.根据权利要求5所述的基于机器学习的炎症性肠病精准用药方法，其特征在于，所述步骤S3.2包括：
步骤S3.2.1：定义D为176个图像特征和病情程度标签的集合，源任务s为病情分类预测任务，将病情程度标签yt＝{CD缓解期，CD轻度，CD中度，CD重度，UC缓解期，UC轻度，UC中度，UC重度}定义为{0,1,2,3,4,5,6,7}，目标任务t＝s定义为多分类任务；
定义由176个特征进行目标任务T分类，迁移到由t个特征进行目标任务T分类的迁移模型由此模型找到一个包含与临床用药疗效最相关的特征集合，使得s迁移到多分类任务t上整体性能表现...

【专利技术属性】
技术研发人员：于泽宽，周锟，耿道颖，吴兴旺，王乐，韩方凯，刘晓，陈卫强，李强，王侠，刘学玲，吕锟，王容，杜鹏，文剑波，韩秋月，张海燕，杜成娟，王娜，李璇璇，吴昊，耿岩，李郁欣，张军，尹波，曹鑫，
申请(专利权)人：复旦大学附属华山医院，
类型：发明
国别省市：上海;31