结直肠癌CRS根治程度预测模型的训练、使用方法及系统技术方案

本发明专利技术提供结直肠癌CRS根治程度预测模型的训练、使用方法及系统，包括：获取结直肠癌病例的病历数据；对每个结直肠癌病例的腹膜转移相关指标进行筛选，得到第一训练集；将第一训练集输入到第一深度学习模型进行训练；将每个结直肠癌病例的CT图像作为第二训练集输入第二深度学习模型进行训练；将每个结直肠癌病例对应的第一特征向量和第二特征向量进行拼接得到第三特征向量集；将第三特征向量集划分为训练集和验证集；将训练集输入第三深度学习模型训练，得到收敛的第三深度学习模型；将验证集输入收敛的第三深度学习模型进行验证，根据验证结果进行优化。本发明专利技术融合多模态特征预测，能有效地对结直肠癌CRS根治程度进行评分。能有效地对结直肠癌CRS根治程度进行评分。能有效地对结直肠癌CRS根治程度进行评分。

【技术实现步骤摘要】
结直肠癌CRS根治程度预测模型的训练、使用方法及系统


[0001]本专利技术涉及人工智能在医疗
的应用，更具体地，涉及结直肠癌CRS根治程度预测模型的训练、使用方法及系统。

技术介绍

[0002]结直肠癌作为一种常见的消化道恶性肿瘤，肿瘤死亡的第三位最常见病因，严重威胁着人类的健康。根据2015年发表的中国癌症统计数据显示，我国结直肠癌发病率、死亡率在全部恶性肿瘤中均位居前5位。
[0003]在临床上，通常通过结直肠癌腹膜转移行CRS(Cytoreductive Surgery，肿瘤细胞减灭术)切除可见肿瘤，延长患者生存期，降低死亡率。目前临床上通过术前影像学检查来，评估是否能做CRS手术，但是，结直肠癌CRS根治程度无法知晓，只有切开腹腔才能决定，因为术前影像学评估并不能准确判断腹膜转移的种植程度，无法判断根治手术的程度。AI与医学的结合特别是对恶性肿瘤诊治的应用，是近年来的研究重点和热点，利用人工智能技术可以在大量的医学数据中学习到一种通用的模式，为医生的决策提供更多的帮助。目前尚未有利用人工智能技术预测结直肠癌CRS根治程度的模型，亟需一种结直肠癌CRS根治程度的预测模型，对结直肠癌患者CRS根治程度进行预测。

技术实现思路

[0004]为了解决现有技术存在的不足，本专利技术提供了结直肠癌CRS根治程度预测模型的训练、使用方法及系统。本专利技术可以对结直肠癌CRS根治程度进行准确预测。
[0005]特别说明本专利技术权利要求保护的范围不包含疾病的诊断方法，本专利技术不限制医生使用本专利技术预测模型用于疾病诊断这一可能用途。
[0006]第一方面，本专利技术提供了一种结直肠癌CRS根治程度预测模型的训练方法，包括：
[0007]获取结直肠癌病例的病历数据，病历数据包括CT图像和腹膜转移相关指标；对每个结直肠癌病例的腹膜转移相关指标进行筛选，得到第一训练集；将第一训练集输入到第一深度学习模型进行训练，得到收敛的第一深度学习模型和输出的第一特征向量集；将每个结直肠癌病例的CT图像作为第二训练集输入第二深度学习模型进行训练，得到收敛的第二深度学习模型和输出的第二特征向量集；将每个结直肠癌病例对应的第一特征向量和第二特征向量进行拼接得到第三特征向量集；将第三特征向量集划分为训练集和验证集；将训练集输入第三深度学习模型训练，得到收敛的第三深度学习模型；将验证集输入收敛的第三深度学习模型进行验证，根据验证结果进行优化。
[0008]本专利技术获取结直肠癌病例的病历数据，包括CT图像和腹膜转移相关指标，使用深度学习技术进行建模和训练。对CT图像，可以先进行勾画，在CT图像静脉期中，勾画肿瘤原发灶。
[0009]对腹膜转移相关指标进行筛选，筛选出用于输入深度学习模型进行训练的指标数据。可以采用卡方分析计算各个腹膜转移相关指标与CRS根治程度的相关性，以筛选出进行
训练的指标数据，作为第一训练集进行训练。
[0010]构建的第一深度学习模型以及第二深度学习模型，分别用于提取腹膜转移相关指标的特征以及CT图像的特征，随后将第一特征向量和第二特征向量进行拼接，得到第三特征向量集，并将第三特征向量集划分为训练集和测试集，再利用第三深度学习模型进行训练，进而通过联合训练，得到可以对结直肠癌CRS根治程度进行预测的深度学习模型。
[0011]进一步，所述第一深度学习模型为多层感知机模型，每一层的神经网络包括神经元权重参数V
e
和修正线性激活函数f，设第e层神经网络的输入为a
e
，V
e
根据第一训练集进行初始化，在训练过程中根据输出进行调整；每一层神经网络的计算公式为S
e
＝f(V
e
a
e
)，第一层的输入为第一训练集的每一个子集。
[0012]多层感知机模型层与层之间是全连接的，通过前向传播，可以让模型学习到结直肠CRS根治程度的指标数据，通过反向传播，优化各神经元权重参数V
e
，通过不断的迭代学习，使得多层感知机模型收敛，即得到接收腹膜转移相关指标数据，提取针对腹膜转移相关指标的CRS根治程度的特征向量，进而可以进行初步判断结直肠癌CRS根治程度或进行联合训练，通过多模态融合预测结直肠癌CRS根治程度。
[0013]进一步，所述第二深度学习模型为ResNet3D模型；所述ResNet3D模型包括卷积层，若干个残差块以及线性层。
[0014]通过构建ResNet3D模型，对CT图像的特征进行提取，得到针对CT图像的，预测结直肠癌CRS根治程度的特征，可以对结直肠癌CRS根治程度进行初步判断或用于联合训练，通过多模态融合构建结直肠癌CRS根治程度预测模型，进行更加准确、科学的预测。
[0015]进一步，设第m个结直肠癌病例的CT图像为x
m
∈R
512
×
512
×
384
的输入张量；
[0016]设为第m个结直肠癌病例的CT图像输入张量，j，k，l分别代表CT图像的三个位置的像素；
[0017]所述卷积层为一个3
×3×3×
64的三维卷积神经网络；
[0018]所述残差块由两个3
×3×3×
64的三维卷积神经网络和ReLu层构成，设所述残差块的输入为x，输出为y，残差块进行的运算表示为：
[0019]h＝σ(G(x))，
[0020]y＝σ(G(x)+x)；
[0021]σ()表示ReLu层的运算，设输入为p，
[0022]所述三维卷积神经网络进行卷积操作，设输入为x
m
，输出为G(x
m
)＝b
j，k，l
＝x
m[j
‑
1,j+1],[k
‑
1,k+1],[l
‑
1,l+1]·
W
c
，表示对x
m
中的每个3
×3×
3的小方块与W
c
进行内积运算后作为输出张量b中的一个元素；
[0023]W
c
表示ResNet3D模型的权重参数，根据所述输入张量初始化，在训练过程中根据输出结果进行调整；
[0024]所述线性层接收最后一个残差块的输出作为输入，进行线性映射。
[0025]通过构建ResNet3D模型，可以对CT图像进行特征提取，先经过一个卷积层进行卷积，提取浅层特征，结直肠癌病例的CT图像经过勾画、加强数据后，浅层特征表现了肿瘤原发灶的边缘特征，进行一次卷积操作，可以有效提取到这个重要指标。通过构建若干个残差块，提取深层特征，包括中心区域和边缘区域，保证结直肠癌病例的CT图像可以得到充分的
特征提取，线性层对特征进行线性映射，得到标注结果，即ResNet3D模型训练和学习的结果。
[0026]进一步，所述第三深度学习模型为多模态融合模型，包括：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结直肠癌CRS根治程度预测模型的训练方法，其特征在于，包括：获取结直肠癌病例的病历数据，病历数据包括CT图像和腹膜转移相关指标；对每个结直肠癌病例的腹膜转移相关指标进行筛选，得到第一训练集；将第一训练集输入到第一深度学习模型进行训练，得到收敛的第一深度学习模型和输出的第一特征向量集；将每个结直肠癌病例的CT图像作为第二训练集输入第二深度学习模型进行训练，得到收敛的第二深度学习模型和输出的第二特征向量集；将每个结直肠癌病例对应的第一特征向量和第二特征向量进行拼接得到第三特征向量集；将第三特征向量集划分为训练集和验证集；将训练集输入第三深度学习模型训练，得到收敛的第三深度学习模型；将验证集输入收敛的第三深度学习模型进行验证，根据验证结果进行优化。2.根据权利要求1所述的一种结直肠癌CRS根治程度预测模型训练方法，其特征在于：所述第一深度学习模型为多层感知机模型，每一层的神经网络包括神经元权重参数V
e
和修正线性激活函数f，设第e层神经网络的输入为a
e
，V
e
根据第一训练集进行初始化，在训练过程中根据输出进行调整；每一层神经网络的计算公式为S
e
＝f(V
e
a
e
)，第一层的输入为第一训练集的每一个子集。3.根据权利要求2所述的结直肠癌CRS根治程度预测模型的训练方法，其特征在于：所述第二深度学习模型为ResNet3D模型；所述ResNet3D模型包括卷积层，若干个残差块以及线性层。4.根据权利要求3所述的结直肠癌CRS根治程度预测模型的训练方法，其特征在于：设第m个结直肠癌病例的CT图像为x
m
∈R
512
×
512
×
384
的输入张量；设为第m个结直肠癌病例的CT图像输入张量，j，k，l分别代表CT图像的三个位置的像素；所述卷积层为一个3
×3×3×
64的三维卷积神经网络；所述残差块由两个3
×3×3×
64的三维卷积神经网络和ReLu层构成，设所述残差块的输入为x，输出为y，残差块进行的运算表示为：h＝σ(G(x))，y＝σ(G(x)+x)；σ()表示ReLu层的运算，设输入为p，所述三维卷积神经网络进行卷积操作，设输入为x
m
，输出为G(x
m
)＝b
j，k，l
＝x
m[j
‑
1,j+1],[k
‑
1,k+1],[l
‑
1,l+1]
·
W
c
，表示对x
m
中的每个3
×3×
3的小方块与W
c
进行内积运算后作为输出张量b中的一个元素；W
c
表示ResNet3D模型的权重参数，根据所述输入张量初始化...

【专利技术属性】
技术研发人员：袁紫旭，陈灿，王辉，李康顺，曹务腾，吴志杰，蔡建，王文祥，蔡宗禄，刘铎，邝颖仪，王盛宇，邵碧艳，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：