乳腺癌新辅助化疗后MRI影像生成及疗效预测方法技术

本发明专利技术公开了一种乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，包括如下步骤：S1、获取病例数据，所述病例数据包括文本数据和影像数据；S2、对病例数据进行预处理，并制作数据集；S3、搭建深度对抗神经网络模型，并实施影像生成及疗效预测训练任务，所述深度对抗神经网络模型为输入非匹配的循环对抗神经网络模型；S4、将最终学习训练完成的对抗生成神经网络模型迁移至用于实际应用的影像生成及疗效评价预测模块，进行最终疗效预测及化疗后影像生成任务有助于医生针对患者实施更加精准的治疗方案，以提高治疗效率有着重要的实用价值和意义。义。义。

【技术实现步骤摘要】
乳腺癌新辅助化疗后MRI影像生成及疗效预测方法


[0001]本专利技术涉及到深度学习图像处理技术与机器视觉
，具体指一种乳腺癌新辅助化疗后MRI影像生成及疗效预测方法。

技术介绍

[0002]在医学影像领域当中，肿瘤病灶在影像学上的变化模式与肿瘤化疗疗效密切相关，在实际的化疗过程中病灶的变化模式的信息当中包含了丰富的化疗疗效信息，本专利技术就时在此基础之上研究得到的，为此我们提出了一种基于深度生成对抗网络的乳腺癌早期新辅助化疗后的病灶影像生成以及疗效预测方法。目前，在深度学习机器视觉领域针对癌症医学影像的研究工作中，一方面是利用深度卷积神经网络对医学癌症影像进行深度特征提取来学习预测病灶良恶性类别，学习预测病灶生长的变化方式以及在化疗过程中针对性的疗效如何；另一方面，则是通过对抗生成网络技术实现医学影像的跨域转换，例如利用MRI(核磁共振影像)生成CT(计算机断层扫描影像)等等，却少有将在化疗过程中病灶在医学影像上的变化模式信息与化疗疗效相结合起来研究的。
[0003]传统实现新辅助化疗疗效评价预测的技术通常采用的是有创性的病理组织穿刺数据进行机器或深度学习预测的研究方法，穿刺的方法对穿刺部位的准确性要求较高，同时会对患者的皮肤造成有创性的伤害，还增加了患者的支出成本，且无法对新辅助化疗后的病灶变化趋势进行准确的预测。
[0004]而直观的病灶影像特征上的变化却能够很好的反映新辅助化疗过程的有效性，且影像数据的获取相对于利用组织穿刺分析获取的数据而言更加容易取得且对患者更加友好。但是，多次进行核磁共振影像的拍摄过程本身也会对患者的身体造成一定的影响。
[0005]因此，亟需寻找替代性的方案，能够减少影像的拍摄次数，在已拍摄的影像基础之上对新辅助化疗后影像进行准确的生成性预测则变得极具实际意义。

技术实现思路

[0006]现有疗效预测技术大多是直接从影像特征上直接针对最终化疗疗效进行研究学习，而少有考虑到化疗过程中的中间病灶变化形态对结果的影响，以及如何自动预测中间化疗结果影响。本专利技术根据现有技术的不足，提出一种乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，不仅能够直观的反映病灶在影像上的变化，并可以根据其变化来对最终的新辅助化疗疗效进行准确的推测。因此，本专利技术在针对实际减轻患者负担，同时为医生提供在患者病灶影像上的变化趋势的直观参考，有助于医生针对患者实施更加精准的治疗方案，以提高治疗效果，本专利技术有着重要的实用价值和意义。
[0007]为了解决上述技术问题，本专利技术的技术方案为：
[0008]一种乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，包括如下步骤：
[0009]S1、获取病例数据，所述病例数据包括文本数据和影像数据；
[0010]S2、对病例数据进行预处理，并制作数据集；
[0011]S3、搭建深度对抗神经网络模型，并实施影像生成及疗效预测训练任务，
[0012]所述深度对抗神经网络模型为输入非匹配的循环对抗神经网络模型，主要包含两套生成器与判别器组合，分别用于完成从正向化疗前至化疗后影像的生成以及由化疗后向化疗前影像的恢复生成；
[0013]S4、将最终学习训练完成的对抗生成神经网络模型迁移至用于实际应用的影像生成及疗效评价预测模块，进行最终疗效预测及化疗后影像生成任务。
[0014]作为优选，所述文本数据包括新辅助化疗前后过程中具有MRI影像拍摄记录病例的病历、病程及化疗诊断数据，所述影像数据包括原始MRI影像拍摄数据。
[0015]作为优选，所述步骤S2包括如下子步骤：
[0016]S2a、对文本数据的预处理
[0017]S2a
‑
1、对所有文本数据进行汇总分类处理，其中诊断数据利用数据清洗方法对杂乱的文本数据进行清洗筛选；数据清洗采用Python正则表达式对文本信息进行模糊匹配出关键字符串信息，包括疗程用药给量，影像拍摄时间，化疗疗效，免疫组化。
[0018]S2a
‑
2、对清洗筛选完成的诊断数据利用数据挖掘技术提取出关键的诊断信息、免疫组化数据以及化疗疗效数据；针对提取出的数据进行筛选出有效病例样本，并针对化疗疗效标签进行数据集制作。
[0019]作为优选，所述步骤S2包括如下子步骤：
[0020]S2b、对影像数据的预处理
[0021]S2b
‑
1、将处理后的所有的MRI影像拍摄数据按照病例号、影像拍摄时间及增强序列号进行影像编排划分；
[0022]S2b
‑
2、对每个病例的MRI影像拍摄数据进行病灶区域及位置标注，获取有效的病灶区域；
[0023]S2b
‑
3、将有效病灶区域内的MRI影像拍摄数据通过深度学习语义分割算法进行去除皮肤胸腔处理，保留最大ROI区域；深度学习语义分割算法为常用医学影像分割方法，近几年来各种模型的提出不断提高优化了分割效果。
[0024]S2b
‑
4、将经过语义分割完毕的DCE
‑
MRI影像拍摄数据按照病例号进行标号制作原始序列成影像数据集A；
[0025]S2b
‑
5、将得到的原始影像数据集A中的每个影像样本数据，进行序列减影操作，所述序列减影操作是将原始增强序列中增强程度高的影像数据按照像素位减去增强程度低的影像数据，以德奥减影处理的减影序列影像数据集B。
[0026]作为优选，所述循环对抗神经网络模型具体如下：
[0027]循环对抗神经网络对抗损失：
[0028]L
GAN
(G，D
Y
，X，Y)＝E
y～pdata(y)
[log D
Y
(y)]+E
x～pdata(x)
[log(1
‑
D
Y
(G(x))][0029]L
GAN
(F，D
X
，X，Y)＝E
x～pdata(x)
[log D
X
(x)]+E
y～pdata(y)
[log(1
‑
D
X
(G(y))][0030]其中X代表真实化疗前影像；Y代表为真实化疗后影像；L
GAN
代表生成对抗损失，即损失名称；E表示数学期望；D代表判别器函数，D
Y
表示判别由X正向生成fakeY即生成化疗后影像的正向判别函数，D
X
表示由Y反向生成fakeX即生成化疗前影像的反向判别函数；G代表正向生成器函数；F代表反向生成器函数；
[0031]循环对抗神经网络保证生成结果与原始影像一致性损失：
[0032]L
cyc
(G，F)＝E
x～pdata(x)
[||F(G(x))
‑
x||1]+E
y～pdata(y)
[||G(F本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，其特征在于，包括如下步骤：S1、获取病例数据，所述病例数据包括文本数据和影像数据；S2、对病例数据进行预处理，并制作数据集；S3、搭建深度对抗神经网络模型，并实施影像生成及疗效预测训练任务，所述深度对抗神经网络模型为输入非匹配的循环对抗神经网络模型，主要包含两套生成器与判别器组合，分别用于完成从正向化疗前至化疗后影像的生成以及由化疗后向化疗前影像的恢复生成；S4、将最终学习训练完成的对抗生成神经网络模型迁移至用于实际应用的影像生成及疗效评价预测模块，进行最终疗效预测及化疗后影像生成任务。2.根据权利要求1所述的乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，其特征在于，所述文本数据包括新辅助化疗前后过程中具有DCE
‑
MRI影像拍摄记录病例的病历、病程及化疗诊断数据，所述影像数据包括原始DCE
‑
MRI影像拍摄数据。3.根据权利要求1所述的乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，其特征在于，所述步骤S2包括如下子步骤：S2a、对文本数据的预处理S2a
‑
1、对所有文本数据进行汇总分类处理，其中诊断数据利用数据清洗方法对杂乱的文本数据进行清洗，数据清洗采用Python正则表达式对诊断数据进行模糊匹配出关键字符串信息，所述诊断数据包括疗程用药给量、影像拍摄时间、化疗疗效、免疫组化；S2a
‑
2、对清洗完成的诊断数据利用数据挖掘技术提取出关键的诊断信息、免疫组化数据以及化疗疗效数据；针对提取出的数据进行筛选出有效病例样本，并针对化疗疗效标签进行数据集制作。4.根据权利要求1所述的乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，其特征在于，所述步骤S2包括如下子步骤：S2b、对影像数据的预处理S2b
‑
1、将处理后的所有的DCE
‑
MRI影像拍摄数据按照病例号、影像拍摄时间及增强序列号进行影像编排划分；S2b
‑
2、对每个病例的DCE
‑
MRI影像拍摄数据进行病灶区域及位置标注，获取有效的病灶区域图像；S2b
‑
3、将有效病灶区域内的DCE
‑
MRI影像拍摄数据通过深度学习语义分割算法进行去除皮肤胸腔处理，保留最大ROI区域；S2b
‑
4、将经过语义分割完毕的DCE
‑
MRI影像拍摄数据按照病例号进行标号制作原始序列成影像数据集A；S2b
‑
5、将得到的原始影像数据集A中的每个影像样本数据，进行序列减影操作，所述序列减影操作是将原始增强序列中增强程度高的影像数据按照像素位减去增强程度低的影像数据，以得到减影处理的减影序列影像数据集B。5.根据权利要求1所述的乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，其特征在于，所述循环对抗神经网络模型具体如下：循环对抗神经网络对抗损失：
L
GAN
(G,D
Y
,...

【专利技术属性】
技术研发人员：范明，万超，厉力华，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：