本发明专利技术公开了一种复发鼻咽癌放射治疗鼻咽坏死预测方法，通过使用3DCNN深度学习网络提取剂量特征，同时融合病人影像组学特征，进行特征融合，联合3DCNN网络进行深度神经网络训练，包括医学影像图像预处理、影像组学特征提取、多模态组学特征选择、剂量数据预处理、剂量特征提取、3DCNN深度神经网络模型搭建、坏死概率预测模块。本发明专利技术能结合病人MRI影像信息和放疗剂量来预测病人放疗坏死的概率，根据预测的坏死情况来修改放疗计划，在一定程度上使得病人免于放射治疗副作用的影响。得病人免于放射治疗副作用的影响。得病人免于放射治疗副作用的影响。
【技术实现步骤摘要】
一种复发鼻咽癌放射治疗鼻咽坏死预测方法
[0001]本专利技术涉及鼻咽癌坏死预测
，特别涉及一种复发鼻咽癌放射治疗鼻咽坏死预测方法。
技术介绍
[0002]鼻咽癌好发于鼻咽黏膜，是一类常见的头颈部恶性肿瘤。到目前为止，放射治疗仍被认为是鼻咽癌的主要治疗方式，其原因是大部分鼻咽癌的病理类型为低分化鳞癌，对放射线具有较高的敏感性，放射治疗不仅可以达到理想的治疗效果，还保证了鼻咽部及颈部解剖结构的完整性，提高了患者的生活质量。从开展了鼻咽癌深部线放射治疗以来，经历年代放疗技术，使鼻咽癌单纯放疗的局部控制率达到。部分早期鼻咽癌患者甚至可以通过放疗达到治愈的效果。放疗前一般由物理师设计放疗计划，临床医生根据放疗计划，对病人进行放射治疗；由于受到肿瘤属性、物理师经验水准、病人自身情况等多因素影响，部分病人在接受放射治疗后会出现肿瘤区域坏死情况。
[0003]磁共振在鼻咽癌病灶的检测、疗效的评价、临床分期和预测等方面一直以来都发挥着重要的作用。传统的基于形态的MRI对鼻咽癌治疗效果的早期预测几乎没有帮助。随着影像组学概念的提出，从医学影像中，通过自动化且可重复的分析方法，高通量地提取出定量特征，以捕获肿瘤内的异质性，例如基因、蛋白质、细胞、微环境、组织和器官。将这些特征与临床信息联系起来，用于建立描述和预测模型，而这些包括生物或医学数据的模型可以提供有价值的诊断、预后或预测信息。
[0004]现有技术中，基于多参数回归分析方法建立了基于临床特征数据(包括性别、再程放疗前是否坏死、GTV累计处方总剂量和复发肿瘤体积)的数学模型，以预测复发鼻咽癌患者调强放疗(IMRT)发生鼻咽坏死(lethal nasopharyngeal necrosis，LNN)的风险。但是这种技术存在许多缺点：
①
数学模型建立复杂，仅能提供风险等级评分，个体化预测能力不足；
②
未能加入多MR序列影像组学特征进行预测，预测准确度低；
③
未能加入放疗剂量学特征进行预测，预测准确度低。
技术实现思路
[0005]为了解决上述问题，本专利技术提供了一种复发鼻咽癌放射治疗鼻咽坏死预测方法，结合病人MRI影像信息和放疗剂量来预测病人放疗坏死的概率，从而及时修改放射计划，避免人为原因造成放疗照射坏死。
[0006]为此，本专利技术的技术方案是：一种复发鼻咽癌放射治疗鼻咽坏死预测方法，包括以下步骤：
[0007]1)医学影像图像预处理：分别获取病人的MRI多模态数据T1、T1C、T2，再由医生手动分割出肿瘤区域；
[0008]2)多模态影像组学特征提取：利用python pyradiomics程序库对步骤1)中得到的多模态数据及肿瘤区域提取影像组学特征；
[0009]3)多模态组学特征选择：分别对三个模态数据提取到的影像组学特征进行特征参数相关性计算，筛选出相关系数高的多个特征，并将筛选出的多模态特征合并为病人组学特征；
[0010]4)剂量数据预处理：将剂量数据的维度调整到一致，再对剂量数据进行z
‑
score归一化操作；
[0011]5)剂量特征提取：将步骤4)处理后的剂量数据输入多个3DCNN模块内，提取剂量特征，所述3DCNN模块由多个3D卷积算法、InstanceNorm算法、BatchNorm算法、Relu激活函数构成；
[0012]6)坏死概率预测：将步骤2)得到的组学特征和步骤5)得到的剂量特征全连接嵌入后进行拼接操作，再经过两层全连接层得到模型的输出结果，即病人以该剂量数据进行化疗后的坏死概率。
[0013]优选地，所述步骤5)中剂量特征提取的具体步骤如下：
[0014]i)输入值依次经过3D卷积算法、InstanceNorm算法处理后，被Relu激活函数进行线性修正；
[0015]ii)步骤i)中修正后的值再经过3D卷积算法、BatchNorm算法处理后，被Relu激活函数进行线性修正；
[0016]iii)步骤ii)中修正后的值再经过3D卷积算法、InstanceNorm算法处理后，被Relu激活函数进行线性修正；
[0017]iv)步骤iii)中修正后的值再经过3D卷积算法、BatchNorm算法处理后，被Relu激活函数进行线性修正，得到输出值；
[0018]v)重复3次步骤i)～步骤iv)，每次步骤iv)得到的输出值均作为下一次步骤i)中的输入值；
[0019]vi)最终提取出剂量特征图，分辨率为k*k。
[0020]优选地，所述步骤5)中剂量数据的图像宽度为W，图像高度为H，图像通道数为C，即W
×
H
×
C，剂量数据经过4次3DCNN模块处理，提取剂量特征；所述第一轮3DCNN模块中3D卷积算法采用W/2
×
H/2
×
64,第二轮3DCNN模块中3D卷积算法采用W/4
×
H/4
×
128,第三轮3DCNN模块中3D卷积算法采用W/8
×
H/8
×
256,第四轮3DCNN模块中3D卷积算法采用1
×1×
512。
[0021]优选地，所述步骤3)中影像组学特征进行卡方检验算法或Lasso正则化算法来筛选多个特征。
[0022]优选地，分析步骤6)得出的坏死概率，若坏死概率低，则按照医生制定的剂量数据进行放疗；若坏死概率高，则医生修改放疗剂量数据，重复步骤4)～6)，直至得到的坏死概率降低，按照坏死概率低的剂量数据进行放疗。
[0023]与现有技术相比，本专利技术的有益效果是：根据病人放射治疗前的影像数据及放疗计划，得出组学特征与剂量特征，通过两者的特征融合来预测鼻咽癌坏死情况；医生可根据预测的坏死情况来修改放疗计划，在一定程度上使得病人免于放射治疗副作用的影响，保护病人的身体健康。
附图说明
[0024]以下结合附图和本专利技术的实施方式来作进一步详细说明
[0025]图1为本专利技术的方法流程图；
[0026]图2为本专利技术的坏死预测模块结构图；
[0027]图3为本专利技术3DCNN模块的流程框图；
[0028]图4为本专利技术剂量特征提取的3DCNN网络架构图。
具体实施方式
[0029]参见附图。本实施例所述的复发鼻咽癌放射治疗鼻咽坏死预测方法，通过使用3DCNN深度学习网络提取剂量特征，同时融合病人影像组学特征，进行特征融合，联合3DCNN网络进行深度神经网络训练，包括医学影像图像预处理、影像组学特征提取、多模态组学特征选择、剂量数据预处理、剂量特征提取、3DCNN深度神经网络模型搭建、坏死概率预测模块。
[0030]具体包括以下步骤：
[0031]1)医学影像图像预处理：分别获取病人的MRI多模态数据T1、T1C、T2，再由经验医生手动分割肿瘤区域(ROI)；
[0032]在MRI成像的过程中，通过改变MR信本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种复发鼻咽癌放射治疗鼻咽坏死预测方法，其特征在于：包括以下步骤：1)医学影像图像预处理：分别获取病人的MRI多模态数据T1、T1C、T2，再由医生手动分割出肿瘤区域；2)多模态影像组学特征提取：利用python pyradiomics程序库对步骤1)中得到的多模态数据及肿瘤区域提取影像组学特征；3)多模态组学特征选择：分别对三个模态数据提取到的影像组学特征进行特征参数相关性计算，筛选出相关系数高的多个特征，并将筛选出的多模态特征合并为病人组学特征；4)剂量数据预处理：将剂量数据的维度调整到一致，再对剂量数据进行z
‑
score归一化操作；5)剂量特征提取：将步骤4)处理后的剂量数据输入多个3DCNN模块内，提取剂量特征，所述3DCNN模块由多个3D卷积算法、InstanceNorm算法、BatchNorm算法、Relu激活函数构成；6)坏死概率预测：将步骤2)得到的组学特征和步骤5)得到的剂量特征全连接嵌入后进行拼接操作，再经过两层全连接层得到模型的输出结果，即病人以该剂量数据进行化疗后的坏死概率。2.如权利要求1所述的一种复发鼻咽癌放射治疗鼻咽坏死预测方法，其特征在于：所述步骤5)中剂量特征提取的具体步骤如下：i)输入值依次经过3D卷积算法、InstanceNorm算法处理后，被Relu激活函数进行线性修正；ii)步骤i)中修正后的值再经过3D卷积算法、BatchNorm算法处理后，被Relu激活函数进行线性修正；iii)步骤ii)中修正后的值再经过3D卷积算法、InstanceNorm算法处理后，被Relu激活函数进行线性修正；iv...
【专利技术属性】
技术研发人员：彭应林，卢山富，刘懿梅，苗箐箐，赵充，邓小武，
申请(专利权)人：浙江柏视医疗科技有限公司，
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。