【技术实现步骤摘要】
一种磁共振成像脑胶质瘤IDH基因预测方法及系统
[0001]本专利技术涉及图像分割及检测
，特别是涉及一种磁共振成像脑胶质瘤IDH基因预测方法及系统。
技术介绍
[0002]脑胶质瘤作为最常见及最恶性的脑部疾病之一，其发生、发展与某些基因的状态密切相关。最明显的基因突变之一与异柠檬酸脱氢酶(IDH)有关，其可作为胶质瘤诊断和分级的生物标志物，对患者治疗规划和预后评估具有重要的临床意义。然而，IDH突变状态通常通过组织病理学活检来获得，该诊断方式具有侵袭和偏倚性。
[0003]多参数MRI(Magnetic Resonance Imaging，磁共振成像)数据从成像表型的角度提供了丰富的对比度和互信息。然而，IDH突变体和野生型之间的相似形态给预测带来技术挑战。对于基因型的预测方面，放射基因组学方法得到了越来越多的应用，其可实现成像和肿瘤基因组特征之间的映射，而且高通量的特征提取方法能够将图像转换为可定量分析的基本特征。Peng等人使用基于机器学习模型的放射组学分析IDH基因突变，这也是主流的非侵入性检测方法之一...
【技术保护点】
【技术特征摘要】
1.一种磁共振成像脑胶质瘤IDH基因预测方法，其特征在于，包括：获取源域数据集和目标域数据集，所述源域数据集中图像为有标签的磁共振图像，所述目标域数据集中图像为无标签的磁共振图像；构建脑胶质瘤区域预测网络；所述脑胶质瘤区域预测网络包括生成网络、判别网络和分割网络；所述生成网络用于源域数据集和目标域数据集域间的自适应相互转换，所述生成网络包括第一生成器和第二生成器，第一生成器和第二生成器互呈双向循环结构；所述判别网络包括第一判别器和第二判别器，所述第一判别器和所述第一生成器组成第一生成对抗网络，所述第二判别器和所述第二生成器组成第二生成对抗网络；所述分割网络用于对输入图像进行脑胶质瘤区域分割；基于损失目标函数，采用所述源域数据集和所述目标域数据集训练所述脑胶质瘤区域预测网络，获得训练好的脑胶质瘤区域预测网络；所述损失目标函数根据对抗损失、循环一致性损失、分割损失和分割一致性损失确定；所述对抗损失根据所述生成网络和所述判别网络确定，所述分割损失通过所述分割网络输出结果与对应标签图像确定，所述循环一致性损失为所述生成网络保留输入图像全局语义信息的损失，所述分割一致性损失为所述分割网络保留输入图像脑胶质瘤区域语义信息的损失；采用训练好的脑胶质瘤区域预测网络对待预测磁共振图像进行脑胶质瘤区域分割，获得分割后的脑胶质瘤区域；采用放射组学提取所述分割后的脑胶质瘤区域组学特征；采用深度神经网络提取所述分割后的脑胶质瘤区域深度特征；将所述组学特征和所述深度特征结合后加入年龄特征作为随机森林算法的输入，输出待预测磁共振图像对应的IDH基因型的分类。2.根据权利要求1所述的磁共振成像脑胶质瘤IDH基因预测方法，其特征在于，所述损失目标函数为：失目标函数为：其中，λ和γ均表示正则化系数，为对抗损失，为循环一致性损失，为分割损失，为分割一致性损失，G
B
表示第一生成器，G
A
表示第二生成器，D
B
表示第一判别器，D
A
表示第二判别器，S表示分割网络；x
A
表示目标域数据集中图像，x
B
表示源域数据集中图像，p
d
表示概率分布函数，表示求期望。3.根据权利要求1所述的磁共振成像脑胶质瘤IDH基因预测方法，其特征在于，将所述组学特征和所述深度特征结合作为随机森林算法的输入，输出待预测磁共振图像对应的IDH基因型的分类，具体包括：
采用t检验方法分别对所述组学特征和所述深度特征进行特征筛选，获得筛选后的所述组学特征和筛选后的所述深度特征；将筛选后的所述组学特征和筛选后的所述深度特征结合，获得混合特征；将所述混合特征和与所述待预测磁共振图像对应的年龄特征作为随机森林算法的输入，输出待预测磁共振图像对应的IDH基因型的分类。4.根据权利要求1所述的磁共振成像脑胶质瘤IDH基因预测方法，其特征在于，所述获取源域数据集和目标域数据集之后，还包括：对所述源域数据集和所述目标域数据集中图像进行归一化处理。5.一种磁共振成像脑胶质瘤IDH基因预测系统，其特征在于，包括：数据采集模...
【专利技术属性】
技术研发人员：徐丽娜，曾海龙，蔡聪波，蔡淑惠，陈忠，
申请(专利权)人：厦门大学，
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。