一种基于多标签任务决策下的FNA基因检测选择方法及系统技术方案

本发明专利技术属于医学图像处理领域，提供了一种基于多标签任务决策下的FNA基因检测选择方法及系统。该方法包括，获取待预测的超声图像数据；基于待预测的超声图像数据，采用训练好的决策模型，得到甲状腺的预测结果；所述决策模型包括第一分类模型、第二分类模型和第三分类模型，所述第一分类模型用于确定甲状腺是否为无需FNA类、低危型结节类或高危型结节类；所述第二分类模型用于确定高危型结节类是否属于无法确定良恶性；所述第三分类模型用于确定无法确定良恶性的基因类型。法确定良恶性的基因类型。法确定良恶性的基因类型。

【技术实现步骤摘要】
一种基于多标签任务决策下的FNA基因检测选择方法及系统


[0001]本专利技术属于医学图像处理领域，尤其涉及一种基于多标签任务决策下的FNA基因检测选择方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]甲状腺癌的发病率与检出率快速增长，是目前发病率增长最快的恶性肿瘤。高分辨率彩色超声是甲状腺疾病的首选检查方法，在甲状腺癌的诊断、治疗、疗效评估、手术范围指导，以及术后随访中发挥重要作用。国内外权威机构均发布了甲状腺超声影像数据报告系统(Thyroid Imaging Reporting and Data System，TI
‑
RADS)，用以评估甲状腺病变的恶性风险并提出相应的指导意见。对于超声提示恶性风险高的甲状腺病变，超声引导下针吸细胞学(Fine Needle Aspiration，FNA)的结果可作为决定结节处理方式的主要依据。文献报道，以FNA结果为基础的临床决策可使甲状腺手术的数量减少一半，并将术后结果为甲状腺癌的比例从15％提高至50％，大大避免了不必要的良性病变的手术量。尽管FNA结果可以高效指导临床治疗，但仍有40％的FNA结果不能确定良恶性，使得临床难以决定手术治疗方案，可能会导致不必要的外科干预。近年来，分子标记物检测在协助FNA诊断方面的应用价值受到广泛关注和认可。甲状腺乳头状癌(Papillary Thyroid Carcinoma，PTC)是甲状腺癌中最常见、最高发的病理类型，BRAFV600E基因突变是PTC中最重要的基因突变，其特异性几乎达100％。文献报道，FNA联合BRAFV600E基因突变检测能够显著提高甲状腺病变术前诊断的敏感性和准确性，尤其是对于超声TI
‑
RADS分类提示高风险的病变。但BRAFV600E基因突变率在不同人群中、不同文献中的报道差别较大，达28％
‑
90％，对于全部FNA样本常规检测BRAFV600E基因突变会增加患者的经济负担，因此，如果能在超声诊断同时预测目标甲状腺病变FNA结果为不能确定良恶性的可能性、以及合并BRAFV600E基因突变的可能性，有利于为病人提供更加个体化的精准诊疗选择，同时节省不必要的花费，有重要的临床意义和经济效益。

技术实现思路

[0004]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于多标签任务决策下的FNA基因检测选择方法及系统，其在超声诊断同时预测目标甲状腺病变FNA结果为不能确定良恶性的可能性、以及合并BRAFV600E基因突变的可能性，为病人提供更加个体化的精准诊疗选择，同时节省不必要的花费，有重要的临床意义和经济效益。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]本专利技术的第一个方面提供一种基于多标签任务决策下的FNA基因检测选择方法。
[0007]一种基于多标签任务决策下的FNA基因检测选择方法，包括：
[0008]获取待预测的超声图像数据；
[0009]基于待预测的超声图像数据，采用训练好的决策模型，得到甲状腺的预测结果；
[0010]所述决策模型包括第一分类模型、第二分类模型和第三分类模型，所述第一分类模型用于确定甲状腺是否为无需FNA类、低危型结节类或高危型结节类；所述第二分类模型用于确定高危型结节类是否属于无法确定良恶性；所述第三分类模型用于确定无法确定良恶性的基因类型。
[0011]其中，第一分类模型、第二分类模型和第三分类模型均可采用Softmax分类器。
[0012]本专利技术的第二个方面提供一种基于多标签任务决策下的FNA基因检测选择系统。
[0013]一种基于多标签任务决策下的FNA基因检测选择系统，包括：
[0014]数据获取模块，其被配为：获取待预测的超声图像数据；
[0015]预测模块，其被配为：基于待预测的超声图像数据，采用训练好的决策模型，得到甲状腺的预测结果；其中，所述决策模型包括第一分类模型、第二分类模型和第三分类模型，所述第一分类模型用于确定甲状腺是否为无需FNA类、低危型结节类或高危型结节类；所述第二分类模型用于确定高危型结节类是否属于无法确定良恶性；所述第三分类模型用于确定无法确定良恶性的基因类型。
[0016]本专利技术的第三个方面提供一种计算机可读存储介质。
[0017]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于多标签任务决策下的FNA基因检测选择方法中的步骤。
[0018]本专利技术的第四个方面提供一种计算机设备。
[0019]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于多标签任务决策下的FNA基因检测选择方法中的步骤。
[0020]与现有技术相比，本专利技术的有益效果是：
[0021]本专利技术提出了一种基于多标签任务决策下的FNA基因检测选择方法及系统，在超声诊断同时预测目标甲状腺病变FNA结果为不能确定良恶性的可能性、以及合并BRAF
V600E
基因突变的可能性，有利于为病人提供更加个体化的精准诊疗选择，同时节省不必要的花费，有重要的临床意义和经济效益。
附图说明
[0022]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0023]图1是本专利技术实施例一示出的基于多标签任务决策下的FNA基因检测选择方法的结构框图；
[0024]图2是本专利技术实施例一示出的基于多标签任务决策下的FNA基因检测选择方法的的流程图。
具体实施方式
[0025]下面结合附图与实施例对本专利技术作进一步说明。
[0026]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常
理解的相同含义。
[0027]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0028]需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多标签任务决策下的FNA基因检测选择方法，其特征在于，包括：获取待预测的超声图像数据；基于待预测的超声图像数据，采用训练好的决策模型，得到甲状腺的预测结果；所述决策模型包括第一分类模型、第二分类模型和第三分类模型，所述第一分类模型用于确定甲状腺是否为无需FNA类、低危型结节类或高危型结节类；所述第二分类模型用于确定高危型结节类是否属于无法确定良恶性；所述第三分类模型用于确定无法确定良恶性的基因类型。2.根据权利要求1所述的基于多标签任务决策下的FNA基因检测选择方法，其特征在于，所述甲状腺的预测结果包括：超声分级、以及FNA结果是否满意，是否需要进行基因检测。3.根据权利要求1所述的基于多标签任务决策下的FNA基因检测选择方法，其特征在于，所述决策模型的训练过程包括：获取超声图像数据，对超声图像数据标定标签；基于标定标签后的超声图像数据，对所述决策模型进行训练，得到训练好的决策模型。4.根据权利要求2所述的基于多标签任务决策下的FNA基因检测选择方法，其特征在于，所述标签包括一级标签、二级标签、三级标签、四A级标签、四B级标签、四C级标签和五级标签。5.根据权利要求4所述的基于多标签任务决策下的FNA基因检测选择方法，其特征在于，所述一级标签、二级标签和三级标签属于无需FNA类；所述四A级标签为低危型结节类；所述四A级标签、四B级标签、四C级标签和五级标签属于高危型结节类。6.根据权利要求1所述的基于多标签任务决策下的FNA基因检测选择方法，其特征在于，所述第二分类模型用于确定...

【专利技术属性】
技术研发人员：李杰，孙霄，曹艳坤，商蒙蒙，袁野，刘治，
申请(专利权)人：山东大学，
类型：发明
国别省市：