一种乳腺癌HER2状态的预测方法及相关设备技术

本申请公开了一种乳腺癌HER2状态的预测方法及相关设备，所述方法包括将待预测的乳腺MR图像分别输入第一分类模型和第二分类模型，控制所述第一分类模型以及第二分类模型确定所述乳腺MR图像对应的HER2类别为HER2高表达类别、HER2低表达类别或HER2零表达类别。本申请采用第一分类模型与第二分类模型分别以不同方面对携带有乳腺病变特征的乳腺MR图像进行学习，从而将不同方面挖掘到的病灶信息进行关联，通过关联的病灶信息确定HER2类别为HER2高表达类别、HER2低表达类别或HER2零表达类别，进而提高了鉴别HER2类别为HER2高表达类别、HER2低表达类别或HER2零表达类别的准确性。性。性。

【技术实现步骤摘要】
一种乳腺癌HER2状态的预测方法及相关设备


[0001]本申请涉及生物医学工程
，特别涉及一种乳腺癌HER2状态的预测方法及相关设备。

技术介绍

[0002]乳腺癌(Breast Cancer，BC)是一种异质性疾病，现已超过肺癌而成为了全球第一大癌症，同时乳腺癌也是女性癌症死亡的主要原因。人表皮生长因子受体2(Human Epidermal Growth Factor Receptor 2，HER2)是一种编码酪氨酸激酶活性表皮生长因子受体的原癌基因，是乳腺肿瘤靶向治疗的唯一预测标志物，HER2状态在乳腺癌治疗方案选择和预后评估中发挥着至关重要的作用，根据ASCO/CAP指南定义，BC分为HER2高表达与HER2阴性，通过标准化的中心病理确定，HER2阴性又可以划分成HER2低表达和HER2零表达。HER2高表达BC患者可能受益于抗HER2治疗，而两种HER2导向的抗体药物偶联物(antibody
–
drug conjugates，ADC)与化疗药物，即曲妥珠单抗德鲁替康(T
‑
DXd)和曲妥珠单抗多卡嗪(SYD985)，在HER2低表达BC患者中显示了非常有前景的治疗活性。因此，客观准确地鉴别HER2高表达、HER2低表达与HER2零表达的不同患者，对BC患者的治疗及预后都具有重要意义。
[0003]目前，临床上通常采用病理评估HER2表达。根据2019版中国乳腺癌HER2检测指南表明，患者进行HER2病理评估时，推荐采用免疫组织化学法(Immunohistochemistry，IHC)检测HER2蛋白的表达水平,IHC首先需要进行有创的检查，再由医生凭借经验评估浸润癌细胞染色程度，最后得出HER2的评估结果。但是有创检查不能多次进行，无法动态观察HER2水平变化，且评估结果主观性强，无法得到定量客观的评估结果。因此，寻找一种无创的方法来实现HER2状态评估是临床亟待解决的难题。
[0004]为此，现有技术使用传统影像组学来评估HER2状态，无法充分挖掘到数据之间的内在联系，无法准确预测对HER2状态，从而出现预测错误的问题。
[0005]因而现有技术还有待改进和提高。

技术实现思路

[0006]为了解决上述技术问题，本申请实施例第一方面提供了一种乳腺癌HER2状态的预测方法，所述方法包括：
[0007]将待预测的乳腺MR图像分别输入第一分类模型和第二分类模型；
[0008]控制所述第一分类模型以及所述第二分类模型确定所述乳腺MR图像对应的HER2类别，其中，所述HER2类别包括HER2高表达、HER2低表达或HER2零表达。
[0009]所述乳腺癌HER2状态的预测方法，其中，所述控制所述第一分类模型以及所述第二分类模型确定所述乳腺MR图像对应的HER2类别具体包括：
[0010]控制所述第一分类模型确定所述乳腺MR图像对应的HER2高表达概率以及HER2阴性表达概率；
[0011]控制所述第二分类模型确定所述乳腺MR图像对应的预测HER2低表达概率以及预测HER2零表达概率；
[0012]基于所述HER2高表达概率、HER2阴性表达概率、预测HER2低表达概率以及预测HER2零表达概率，确定所述乳腺MR图像对应的HER2类别。
[0013]所述乳腺癌HER2状态的预测方法，其中，所述基于所述HER2阴性表达概率、预测HER2低表达概率以及预测HER2零表达概率，确定所述乳腺MR图像对应的HER2类别具体包括：
[0014]分别计算所述HER2阴性表达概率与所述预测HER2低表达概率以及HER2阴性表达概率与预测HER2零表达概率的乘积，以得到HER2低表达概率以及HER2零表达概率；
[0015]基于所述HER2高表达概率、HER2低表达概率以及HER2零表达概率，确定所述乳腺MR图像对应的HER2类别。
[0016]所述乳腺癌HER2状态的预测方法，其中，所述第一分类模型包括影像组学模块、语义分割模块以及预测模块；所述控制所述第一分类模型确定所述乳腺MR图像对应的HER2高表达概率以及HER2阴性表达概率具体包括：
[0017]控制所述第影像组学模块确定所述乳腺MR图像对应的影像组学特征，并基于所述影像组学特征确定所述乳腺MR图像对应的第一HER2高表达概率以及第一HER2阴性表达概率；
[0018]控制所述语义分割模块确定所述乳腺MR图像对应的第二HER2高表达概率以及第二HER2阴性表达概率；
[0019]控制所述预测模块基于所述第一HER2高表达概率、第一HER2阴性表达概率、第二HER2高表达概率以及第二HER2阴性表达概率，确定所述乳腺MR图像对应的HER2高表达概率以及HER2阴性表达概率。
[0020]所述乳腺癌HER2状态的预测方法，其中，所述影像组学模块包括病灶勾画单元、影像组学特征提取单元、第一特征筛选单元以及第一预测单元；所述控制所述第影像组学模块确定所述乳腺MR图像对应的影像组学特征，并基于所述影像组学特征确定所述乳腺MR图像对应的第一HER2高表达概率以及第一HER2阴性表达概率具体包括：
[0021]控制所述病灶勾画单元提取所述乳腺MR图像中的感兴趣区域；
[0022]控制所述影像组学特征提取单元对于所述感兴趣区域进行影像学特征提取，以得到候选影像组学特征；
[0023]控制所述第一特征筛选单元对所述候选影像组学特征进行特征筛选，以得到影像组学特征；
[0024]控制所述第一预测单元基于所述影像组学特征确定乳腺MR图像对应的第一HER2高表达概率以及第一HER2阴性表达概率。
[0025]所述乳腺癌HER2状态的预测方法，其中，所述语义分割模块包括特征提取单元、第二特征筛选单元以及第二预测单元；所述控制所述语义分割模块确定所述乳腺MR图像对应的第二HER2高表达概率以及第二HER2阴性表达概率具体包括：
[0026]控制所述特征提取单元确定所述乳腺MR图像对应的候选语义特征；
[0027]控制所述第二特征筛选单元对所述候选语义特征进行筛选，以得到所述乳腺MR图像对应的语义特征；
[0028]控制所述第二预测单元基于所述语义特征，确定所述乳腺MR图像对应的第二HER2高表达概率以及第二HER2阴性表达概率。
[0029]所述乳腺癌HER2状态的预测方法，其中，所述控制所述特征提取单元确定所述乳腺MR图像对应的候选语义特征具体包括：
[0030]控制所述特征提取单元基于所述乳腺MR图像确定若干切片特征图，其中，若干切片特征图与所述乳腺MR图像包括的若干切片图像一一对应；
[0031]基于聚类方式将所述若干切片特征图划分为两个特征簇，并去除两个特征簇中携带切片特征图少的特征簇，以得到若干目标切片特征；
[0032]将所述若干目标切片特征融合，以得到所述乳腺MR图像对应的候选语义特征。
[0033]所述乳腺癌HER2状态的预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种乳腺癌HER2状态的预测方法，其特征在于，所述方法包括：将待预测的乳腺MR图像分别输入第一分类模型和第二分类模型；控制所述第一分类模型以及所述第二分类模型确定所述乳腺MR图像对应的HER2类别，其中，所述HER2类别包括HER2高表达、HER2低表达或HER2零表达。2.根据权利要求1所述乳腺癌HER2状态的预测方法，其特征在于，所述控制所述第一分类模型以及所述第二分类模型确定所述乳腺MR图像对应的HER2类别具体包括：控制所述第一分类模型确定所述乳腺MR图像对应的HER2高表达概率以及HER2阴性表达概率；控制所述第二分类模型确定所述乳腺MR图像对应的预测HER2低表达概率以及预测HER2零表达概率；基于所述HER2高表达概率、HER2阴性表达概率、预测HER2低表达概率以及预测HER2零表达概率，确定所述乳腺MR图像对应的HER2类别。3.根据权利要求2所述乳腺癌HER2状态的预测方法，其特征在于，所述基于所述HER2阴性表达概率、预测HER2低表达概率以及预测HER2零表达概率，确定所述乳腺MR图像对应的HER2类别具体包括：分别计算所述HER2阴性表达概率与所述预测HER2低表达概率以及HER2阴性表达概率与预测HER2零表达概率的乘积，以得到HER2低表达概率以及HER2零表达概率；基于所述HER2高表达概率、HER2低表达概率以及HER2零表达概率，确定所述乳腺MR图像对应的HER2类别。4.根据权利要求2所述乳腺癌HER2状态的预测方法，其特征在于，所述第一分类模型包括影像组学模块、语义分割模块以及预测模块；所述控制所述第一分类模型确定所述乳腺MR图像对应的HER2高表达概率以及HER2阴性表达概率具体包括：控制所述影像组学模块确定所述乳腺MR图像对应的影像组学特征，并基于所述影像组学特征确定所述乳腺MR图像对应的第一HER2高表达概率以及第一HER2阴性表达概率；控制所述语义分割模块确定所述乳腺MR图像对应的第二HER2高表达概率以及第二HER2阴性表达概率；控制所述预测模块基于所述第一HER2高表达概率、第一HER2阴性表达概率、第二HER2高表达概率以及第二HER2阴性表达概率，确定所述乳腺MR图像对应的HER2高表达概率以及HER2阴性表达概率。5.根据权利要求4所述乳腺癌HER2状态的预测方法，其特征在于，所述影像组学模块包括病灶勾画单元、影像组学特征提取单元、第一特征筛选单元以及第一预测单元；所述控制所述第影像组学模块确定所述乳腺MR图像对应的影像组学特征，并基于所述影像组学特征确定所述乳腺MR图像对应的第一HER2高表达概率以及第一HER2阴性表达概率具体包括：控制所述病灶勾画单元提取所述乳腺MR图像中的感兴趣区域；控制所述影像组学特...

【专利技术属性】
技术研发人员：刘碧华，谢晓彤，黄炳升，樊雅恒，王铭宇，林楚旋，潘浩瑜，郭媛，唐文洁，陈思义，胡闻珂，
申请(专利权)人：深圳大学，
类型：发明
国别省市：