一种新辅助化疗pCR的预测方法、系统和存储介质技术方案

本发明专利技术属于医学图像处理技术领域，具体涉及一种新辅助化疗pCR的预测方法、系统和存储介质。本发明专利技术方法包括如下步骤：步骤1，利用深度语义分割模型对乳腺癌组织穿刺图像中的差异内容进行提取，得到至少两种差异内容的图像；步骤2，利用深度图像分类模型对所述至少两种差异内容的图像分别进行新辅助化疗pCR预测，得到至少两个pCR预测结果；步骤3，将所述至少两个pCR预测结果进行融合，得到最终的新辅助化疗pCR预测结果。本发明专利技术提供了一种应用上述方法的系统。本发明专利技术能够充分利用乳腺癌组织穿刺图像中各种差异内容的信息，提高预测方法的预测性能，具有很好的应用前景。具有很好的应用前景。具有很好的应用前景。

【技术实现步骤摘要】
一种新辅助化疗pCR的预测方法、系统和存储介质


[0001]本专利技术属于医学图像处理
，具体涉及一种新辅助化疗pCR的预测方法、系统和存储介质。

技术介绍

[0002]新辅助化疗是乳腺癌诊疗过程中一种非常重要的手段，在化疗后的手术中，无论是否还有肿瘤残留，医生一般都会将病灶取出并送去病理检测。如果取出来的病灶组织没有发现任何癌症，我们便可以称其为病理完全缓解(Pathological Complete Response，pCR)。pCR是反应新辅助化疗效果的一种重要指标。
[0003]目前，机器学习技术在医学图像的处理中应用越来越广泛。例如，中国专利技术专利申请“CN114027794A基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统”提供了一种乳腺癌医学图像的处理方法。随着人工智能技术的发展，尤其是深度学习技术的普及，基于乳腺癌组织穿刺图像，利用深度学习技术直接预测新辅助化疗pCR正逐渐成为一种新可选择的辅助诊疗手段。
[0004]然而，现有的深度学习技术通常是将乳腺癌组织图像分割后直接进行预测，这种简单的方法应用于pCR的预测时，难以充分利用乳腺癌图像中所包含的信息，因而模型的预测性能受到了影响。

技术实现思路

[0005]针对现有技术的问题，本专利技术提供一种新辅助化疗pCR的预测方法、系统和存储介质，目的在于利用乳腺癌组织穿刺图像肿瘤上皮和肿瘤间质之间存在的互补信息，提升深度学习直接预测新辅助化疗pCR方法的性能。
[0006]一种新辅助化疗pCR的预测方法，包括如下步骤：
[0007]步骤1，利用深度语义分割模型对乳腺癌组织穿刺图像中的差异内容进行提取，得到至少两种差异内容的图像；
[0008]步骤2，利用深度图像分类模型对所述至少两种差异内容的图像分别进行新辅助化疗pCR预测，得到至少两个pCR预测结果；
[0009]步骤3，将所述至少两个pCR预测结果进行融合，得到最终的新辅助化疗pCR预测结果。
[0010]优选的，步骤1中，所述深度语义分割模型选自FCN或Unet。
[0011]优选的，步骤1中，所述深度语义分割模型的目标函数采用cross entropy loss，mean square error或IoU loss构建，并采用梯度下降或其变种方法完成对模型参数的迭代更新。
[0012]优选的，步骤2中，所述深度图像分类模型选自Resnet、Mobilenet或Shufflenet。
[0013]优选的，步骤2中，所述深度图像分类模型的目标函数采用cross entropy loss或mean square error构建，并采用梯度下降或其变种方法完成对模型参数的迭代更新。
[0014]优选的，步骤3中，所述融合的参数采用线性回归方法或迭代优化方法进行优化。
[0015]优选的，步骤1中，所述差异内容包括肿瘤上皮内容和肿瘤间质内容；所述差异内容的图像包括肿瘤上皮图像和肿瘤间质图像；
[0016]步骤2中，所述至少两个pCR预测结果包括基于肿瘤上皮图像的pCR预测结果和基于肿瘤间质图像的pCR预测结果。
[0017]优选的，步骤3中，所述融合按照如下公式进行：
[0018]TSp＝a
×
Tp+b
×
Sp
[0019]其中，TSp为最终的新辅助化疗pCR预测结果，Tp为基于肿瘤上皮图像的pCR预测结果，Sp为基于肿瘤间质图像的pCR预测结果，a、b为融合的参数，a+b＝1。
[0020]本专利技术还提供一种新辅助化疗pCR的预测系统，包括：
[0021]输入模块，用于输入乳腺癌组织穿刺图像；
[0022]预测模块，用于按照上述新辅助化疗pCR的预测方法得到最终的新辅助化疗pCR预测结果；
[0023]输出模块，用于输出最终的新辅助化疗pCR预测结果。
[0024]本专利技术还提供一种计算机可读存储介质，其上存储有用于上述新辅助化疗pCR的预测方法的计算机程序。
[0025]本专利技术在利用机器学习模型预测新辅助化疗pCR的过程中，从乳腺癌组织穿刺图像中分别提取不同的差异内容(例如肿瘤上皮内容和肿瘤间质内容)，并分别用不同的模型进行pCR的预测，得到至少两个预测结果，这两个预测结果分别利用了不同差异内容的图像(例如：肿瘤上皮图像和肿瘤间质图像)中所包含的信息。然后，将至少两个预测结果进行融合，得到最终的新辅助化疗pCR预测结果。这种方法挖掘了乳腺癌组织穿刺图像中存在的差异内容(肿瘤上皮和肿瘤间质)间的互补信息，能够有效提升方法对新辅助化疗pCR的预测性能，具有很好的应用前景。
[0026]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0027]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。凡基于本专利技术上述内容所实现的技术均属于本专利技术的范围。
附图说明
[0028]图1为本专利技术实施例1的流程示意图。
具体实施方式
[0029]需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
[0030]实施例1新辅助化疗pCR的预测方法
[0031]本实施例针对辅助化疗pCR的预测方法，提出了一种有效利用乳腺癌组织穿刺图像中肿瘤上皮和肿瘤间质之间可能存在的互补信息的解决方案，其流程示意图如图1所示，主要包括如下步骤：
[0032]S100，利用深度语义分割模型对乳腺癌组织穿刺图像中的肿瘤上皮内容和肿瘤间质内容分别进行提取，得到肿瘤上皮图像和肿瘤间质图像；
[0033]S200，利用深度图像分类模型对肿瘤上皮图像进行新辅助化疗pCR预测，得到基于肿瘤上皮图像的pCR预测结果；
[0034]S300，利用深度图像分类模型对肿瘤间质图像进行新辅助化疗pCR预测，得到基于肿瘤间质图像的pCR预测结果；
[0035]S400，将所述基于肿瘤上皮图像的pCR预测结果和基于肿瘤间质图像的pCR预测结果进行融合，得到最终的新辅助化疗pCR预测结果。
[0036]步骤S100中深度语义分割模型的训练和预测过程具体如下：
[0037]S110，模型训练；
[0038]S110中，模型训练的输入包括：训练数据和机器学习模型。训练数据是一定数量的乳腺癌组织穿刺图像及这些图像所对应的区分肿瘤上皮和肿瘤间质的标签；乳腺癌组织穿刺图像的尺度与其对应的区分肿瘤上皮和肿瘤间质的标签尺度是一致的，例如：给定乳腺癌组织穿刺图像的尺度为256
×
256像素，那么对应的区分肿瘤上皮和肿瘤间质的标签的尺度也是256
×
256像素；区分肿瘤上皮本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新辅助化疗pCR的预测方法，其特征在于，包括如下步骤：步骤1，利用深度语义分割模型对乳腺癌组织穿刺图像中的差异内容进行提取，得到至少两种差异内容的图像；步骤2，利用深度图像分类模型对所述至少两种差异内容的图像分别进行新辅助化疗pCR预测，得到至少两个pCR预测结果；步骤3，将所述至少两个pCR预测结果进行融合，得到最终的新辅助化疗pCR预测结果。2.按照权利要求1所述的新辅助化疗pCR的预测方法，其特征在于：步骤1中，所述深度语义分割模型选自FCN或Unet。3.按照权利要求1所述的新辅助化疗pCR的预测方法，其特征在于：步骤1中，所述深度语义分割模型的目标函数采用cross entropy loss，mean square error或IoU loss构建，并采用梯度下降或其变种方法完成对模型参数的迭代更新。4.按照权利要求1所述的新辅助化疗pCR的预测方法，其特征在于：步骤2中，所述深度图像分类模型选自Resnet、Mobilenet或Shufflenet。5.按照权利要求1所述的新辅助化疗pCR的预测方法，其特征在于：步骤2中，所述深度图像分类模型的目标函数采用cross entropy loss或mean square error构建，并采用梯度下降或其变种方法完成对模型参数的迭代更新。6.按照权利要求1所述的新辅助化疗...

【专利技术属性】
技术研发人员：步宏，杨永全，李凤玲，陈杰，赵林，
申请(专利权)人：成都华西精准医学产业技术研究院有限公司，
类型：发明
国别省市：