一种基于影像基因组学的新辅助化疗疗效预测方法及系统技术方案

本发明专利技术提供了一种基于影像基因组学的新辅助化疗疗效预测方法及系统，所述方法包括：获取术前采用新辅助化疗患者的外泌体基因组学样本和对应的动态磁共振乳腺影像；将动态磁共振乳腺影像分别输入预设影像组学特征提取模型和预设卷积神经网络模型，得到对应的影像组学特征和影像分子分型特征；对外泌体基因组学样本进行转录组测序，得到基因组学特征；将影像组学特征、影像分子分型特征和基因组学特征输入预设双向门限循环神经网络模型进行疗效预测，得到疗效预测结果。本发明专利技术方法实现高维非结构化影像数据与高特异结构化基因组学数据的有效融合，高效精准挖掘全面有用的特征信息，有效提升自动化预测新辅助化疗效的准确性。性。性。

【技术实现步骤摘要】
一种基于影像基因组学的新辅助化疗疗效预测方法及系统


[0001]本专利技术涉及医学图像数据处理
，特别是涉及一种基于影像基因组学的新辅助化疗疗效预测方法及系统。

技术介绍

[0002]新辅助化疗(neoadjuvant chemotherapy，NAC)是指在手术治疗前进行的全身性、系统性的细胞毒性药物治疗，主要用于临床Ⅱ期、Ⅲ期乳腺癌以及炎性乳腺癌患者，以降低临床分期、提高保乳率和选择敏感化疗方案。然而，并非所有的乳腺癌患者都对NAC有效，有部分患者对NAC不敏感，甚至在NAC过程中出现肿瘤进展，延误手术治疗时机。因此，早期判断新辅助化疗是否有效非常重要，能有效鉴别出可从化疗中获益的患者，协助制定个体化的治疗方案，对乳腺癌的精准治疗非常有意义。
[0003]现有NAC疗效预测方法主要有单独基因组学预测、单独影像组学预测和影像基因组合学预测，但预测效果均不理想：1)基因组学的方法准确性欠缺，很多生物因子的预测结果都存在争议，多基因表达谱预测NAC疗效的研究仅基于小样本量，且人群基因表达谱因人种不同而差异较大；2)影像组学预测中采用乳腺MRI预测新辅助化疗疗效及检测新辅助化疗后残留病灶上，虽然比常规的乳腺B超、钼靶片都更敏感，但它存在较高的假阳性；3)影像基因组合学预测研究仅能提示影像数据与基因数据的结合能更充分反映肿瘤特征，为预测乳腺癌的NAC疗效提供依据，但如何从影像组学中提取有用的结构化数据，并与基因组学高特异的非结构化数据相融合，准确提取精准有效的特征数据仍是影像基因组学预测面临的重要挑战。/>
技术实现思路

[0004]本专利技术的目的是提供一种基于影像基因组学的新辅助化疗疗效预测方法，通过利用深度学习解锁高维非结构化磁共振影像数据与高特异结构化基因组学数据的有效融合，实现数据信息的高效精准挖掘，解决现有新辅助化疗疗效预测方法的应用缺陷，保证自动化预测新辅助化疗效的准确性，进而有效降低乳腺癌治疗过度情况，减轻化疗不敏感患者化疗过程出现的副作用，为个体化精准治疗方案的制定提供可靠指导。
[0005]为了实现上述目的，有必要针对上述技术问题，提供了一种基于影像基因组学的新辅助化疗疗效预测方法、系统、计算机设备和存储介质。
[0006]第一方面，本专利技术实施例提供了一种基于影像基因组学的新辅助化疗疗效预测方法，所述方法包括以下步骤：
[0007]获取术前采用新辅助化疗患者的外泌体基因组学样本和对应的动态磁共振乳腺影像；所述外泌体基因组学样本包括每轮新辅助化疗的穿刺肿瘤组织样本和肿瘤外周血标本；
[0008]将所述动态磁共振乳腺影像分别输入预设影像组学特征提取模型和预设卷积神经网络模型，得到对应的影像组学特征和影像分子分型特征；
[0009]对所述外泌体基因组学样本进行转录组测序，得到基因组学特征；
[0010]将所述影像组学特征、所述影像分子分型特征和所述基因组学特征输入预设双向门限循环神经网络模型进行疗效预测，得到疗效预测结果。
[0011]进一步地，所述预设影像组学特征提取模型包括依次连接的肿瘤位置提取模块、空间结构提取模块、空间信号提取模块和塔式多尺度密集残差网络。
[0012]进一步地，所述塔式多尺度密集残差网络包括若干个多尺度密集残差块；所述多尺度密集残差块由三种不同尺寸大小的塔式卷积核组成；所述多尺度密集残差块的输出表示为：
[0013][0014]式中，
[0015][0016][0017][0018][0019]其中，L
n
和L
n
‑1分别表示第n个和第n
‑
1个多尺度密集残差块的输出；表示第i层的5
×
5卷积层；表示第i层的3
×
3卷积层；表示第i层的1
×
1卷积层；[*,
…
,*]表示concat连接操作。
[0020]进一步地，所述预设影像组学特征提取模型的获取过程包括：
[0021]获取术前完成预设数目疗程新辅助化疗患者的动态磁共振乳腺影像，构建新辅助化疗效预测影像数据集；所述术前完成预设数目疗程新辅助化疗患者包括治疗达到病理完全缓解患者和治疗未达到病理完全缓解患者；所述动态磁共振乳腺影像包括全部乳腺及双侧腋下的对比增强磁共振影像；
[0022]将各个乳腺动态强化磁共振影像进行空间几何分析，得到不同维度的几何对象；所述几何对象包括三维空间矢量、二维空间矢量、二维时空矢量和一维时间信号矢量；
[0023]将所述不同维度的几何对象输入所述肿瘤位置提取模块进行高维影像缩放和边缘像素检测，得到肿瘤位置特征；
[0024]将所述不同维度的几何对象输入所述空间结构提取模块进行同维度空间影像弱监督聚类，得到多维空间影像超像素特征和多维空间影像超体素特征；
[0025]将所述不同维度的几何对象输入所述空间信号提取模块进行跨维度空间信号弱监督聚类，得到影像信号超像素特征和影像信号超体素特征；
[0026]根据所述肿瘤位置特征、多维空间影像超像素特征、多维空间影像超体素特征、影像信号超像素特征和影像信号超体素特征，确定所述塔式多尺度密集残差网络的隐藏层层数和隐藏层神经元数目数，并通过所述塔式多尺度密集残差网络进行关联特征提取，得到影像关联特征；
[0027]根据预设损失函数和所述影像关联特征计算学习误差，并根据所述学习误差进行反向传播训练，得到所述预设影像组学特征提取模型。
[0028]进一步地，所述对所述外泌体基因组学样本进行转录组测序，得到基因组学特征
的步骤包括：
[0029]对所述穿刺肿瘤组织样本和所述肿瘤外周血标本同时进行转录组测序，得到对应的基因组学特征；所述转录组测序包括全基因组测序、全转录组测序和外泌体转录组测序；所述基因组学特征包括遗传突变差异、基因表达差异和循环外泌体基因表达特点。
[0030]进一步地，所述预设双向门限循环神经网络模型包括依次连接的输入层、双向激活门控循环单元、基于注意力的RNN循环神经网络、融合模块和softmax层；所述双向激活门控循环单元为引入激活门的双向门控循环单元。
[0031]进一步地，所述将所述影像组学特征、所述影像分子分型特征和所述基因组学特征输入预设双向门限循环神经网络模型进行疗效预测，得到疗效预测结果的步骤包括：
[0032]将所述输入层接收的影像分子分型特征和预设卷积权重向量输入所述双向激活门控循环单元进行双向隐含状态计算，得到左向隐含输出和右向隐含输出，并根据所述左向隐含输出和所述右向隐含输出，计算得到隐含层向量；
[0033]将所述隐含层向量和所述输入层接收的影像组学特征输入所述基于注意力的RNN循环神经网络进行特征提取，分别得到对应的第一映射特征向量和第二映射特征向量，并根据所述第一映射特征向量和第二映射特征向量，生成注意力权重向量，以及将所述注意力权重向量与所述输入层接收的基因组学特征进行相似性计算，得到融合权重向量；
[0034]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于影像基因组学的新辅助化疗疗效预测方法，其特征在于，所述方法包括以下步骤：获取术前采用新辅助化疗患者的外泌体基因组学样本和对应的动态磁共振乳腺影像；所述外泌体基因组学样本包括每轮新辅助化疗的穿刺肿瘤组织样本和肿瘤外周血标本；将所述动态磁共振乳腺影像分别输入预设影像组学特征提取模型和预设卷积神经网络模型，得到对应的影像组学特征和影像分子分型特征；对所述外泌体基因组学样本进行转录组测序，得到基因组学特征；将所述影像组学特征、所述影像分子分型特征和所述基因组学特征输入预设双向门限循环神经网络模型进行疗效预测，得到疗效预测结果。2.如权利要求1所述的基于影像基因组学的新辅助化疗疗效预测方法，其特征在于，所述预设影像组学特征提取模型包括依次连接的肿瘤位置提取模块、空间结构提取模块、空间信号提取模块和塔式多尺度密集残差网络。3.如权利要求2所述的基于影像基因组学的新辅助化疗疗效预测方法，其特征在于，所述塔式多尺度密集残差网络包括若干个多尺度密集残差块；所述多尺度密集残差块由三种不同尺寸大小的塔式卷积核组成；所述多尺度密集残差块的输出表示为：式中，式中，式中，式中，其中，L
n
和L
n
‑1分别表示第n个和第n
‑
1个多尺度密集残差块的输出；表示第i层的5
×
5卷积层；表示第i层的3
×
3卷积层；表示第i层的1
×
1卷积层；[*,
…
,*]表示concat连接操作。4.如权利要求2所述的基于影像基因组学的新辅助化疗疗效预测方法，其特征在于，所述预设影像组学特征提取模型的获取过程包括：获取术前完成预设数目疗程新辅助化疗患者的动态磁共振乳腺影像，构建新辅助化疗效预测影像数据集；所述术前完成预设数目疗程新辅助化疗患者包括治疗达到病理完全缓解患者和治疗未达到病理完全缓解患者；所述动态磁共振乳腺影像包括全部乳腺及双侧腋下的对比增强磁共振影像；将各个乳腺动态强化磁共振影像进行空间几何分析，得到不同维度的几何对象；所述几何对象包括三维空间矢量、二维空间矢量、二维时空矢量和一维时间信号矢量；将所述不同维度的几何对象输入所述肿瘤位置提取模块进行高维影像缩放和边缘像素检测，得到肿瘤位置特征；将所述不同维度的几何对象输入所述空间结构提取模块进行同维度空间影像弱监督聚类，得到多维空间影像超像素特征和多维空间影像超体素特征；将所述不同维度的几何对象输入所述空间信号提取模块进行跨维度空间信号弱监督
聚类，得到影像信号超像素特征和影像信号超体素特征；根据所述肿瘤位置特征、多维空间影像超像素特征、多维空间影像超体素特征、影像信号超像素特征和影像信号超体素特征，确定所述塔式多尺度密集残差网络的隐藏层层数和隐藏层神经元数目数，并通过所述塔式多尺度密集残差网络进行关联特征提取，得到影像关联特征；根据预设损失函数和所述影像关联...

【专利技术属性】
技术研发人员：尹晓霞，张彦春，王伟彤，高明勇，叶国麟，殷丽华，
申请(专利权)人：广州大学，
类型：发明
国别省市：