一种基于CNN-XGBoost的胶质母细胞瘤预后预测方法技术

本发明专利技术公开了一种基于CNN

【技术实现步骤摘要】
一种基于CNN
‑
XGBoost的胶质母细胞瘤预后预测方法


[0001]本专利技术涉及一种医疗技术，具体涉及一种基于CNN
‑
XGBoost的胶质母细胞瘤预后预测方法。

技术介绍

[0002]脑胶质瘤是最严重的恶性肿瘤之一，占成人原发性肿瘤的70％。世界卫生组织(WHO)将胶质瘤分为四个级别，其中分级为IV级的胶质瘤称为胶质母细胞瘤(GBM)是最致命的，其总体生存时间短且需及时采取治疗措施。若能在术前诊断时，针对这部分术后易出现不良预后结果的胶质母细胞瘤患者划分成相应预后好坏的两类人群，则可指导医生建议患者及时复诊，而对于确诊复发的患者进行治疗干预或规划不同的诊疗方案以避免错过最佳治疗时机。因此，针对术前预测出具有不良预后效果的患者，为其规划不同的治疗和管理方案具有重要意义。
[0003]当前常用胶质母细胞瘤预后分析方法基本仅依赖临床的指标(如，年龄，KPS评分值等)或采取一些MR影像的量化分析方法(如，传统特征提取方法加机器学习、深度学习方法等)。而影像的量化分析方法中往往对仅经过常规预处理的MR图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
XGBoost胶质母细胞瘤预后预测方法，其特征在于，包括以下步骤：S1：脑部MR影像基础预处理；将获得的2D图像根据已有的分割标签对其掩膜提取感兴趣区域(ROI，region of interesting)，而后进行标准化、归一化操作。S2：基于混合双高斯模型的肿瘤特征图提取；将胶质母细胞瘤的MR影像强度直方图使用双高斯拟合，聚集为2类，并选取2类的中间值作为最优阈值，然后使用该阈值将胶质母细胞瘤的MR影像分为由高强度子图与低强度子图组成的肿瘤特征图。S3：数据增强采取对输入的ROI掩膜图像、S2步骤中提到的高、低强度肿瘤特征图以及对应的分割标签图片同时进行在线数据增强的操作。具体包括有随机垂直翻转、随机水平翻转、随机旋转。S4：深度学习特征提取构建输入为S2步骤中提到的肿瘤特征图(包含由高、低强度子图)、对应ROI分割标签图像以及病人的临床信息(KPS评分值，年龄)，其主干网络为Resnet18的2D深度卷积神经网络进行深度特征的提取；S5：基于传统机器学XGBoost特征分类器进行预后模型的建立将S4步骤中提取到的高维特征利用XGBoost进行拟合分类。2.根据权利要求1所述的脑部MR影像基础预处理方法，其特征在于：根据已有分割标签进行掩膜提取得到的感兴趣区域(ROI，region of interesting)，进行归一化、标准化操作。其中归一化、标准化的公式分别如下所示：式中x
i
表示由T2序列切片得到的2D图像的像素点值，max(x
except_background
)，min(x
except_background
)分别表示该2D图像的ROI区域内像素的最大值与最小值。其中x
norm
为归一化后得到2D图像矩阵，μ
except_background
为归一化后2D图像感兴趣区域的均值，σ
except_background
为归一化后2D图像感兴趣区域的标准方差。3.根据权利要求1所述的基于混合双高斯模型的肿瘤特征图提取，其特征在于，所述S2具体包括以下步骤：在进行图像数据处理时，考虑脑部MR图像是由多种特征叠加形成的，混合双高斯分布是混合分布模型的一种。因此，通过拟合混合高斯分布模型可以将其中的特征分离出来并称之为肿瘤特征图，以便于后续模型学习。f(x)＝G1(x)+G2(x)+n其中，
对胶质母细胞瘤患者术前MR影像进行步骤S1所述的操作后，假设其强度分布直方图服从双高斯分布。式中f(x)表示为强度直方图的双高斯拟合函数，G1(x)，G2(x)为待提取的高低强度子图的分布函数，n为噪声。将胶质母细胞瘤的MR影像...

【专利技术属性】
技术研发人员：郭畅宇，何敏，邱圆，
申请(专利权)人：湖南大学，
类型：发明
国别省市：