基于肺部CT图像的EGFR基因突变检测方法和系统技术方案

本申请涉及人工智能技术领域，公开了一种基于肺部CT图像的EGFR基因突变检测方法和系统，所述方法包括：获取待检测数据，所述待检测数据包括肺部CT图像和患者多媒体信息；将多视角下的肺部CT图像输入图像特征提取器中，获得图像融合特征；将所述患者多媒体信息输入多媒体特征提取器中，获得多媒体融合特征；将所述图像融合特征与所述多媒体融合特征进行融合，获得突变检测特征；将所述突变检测特征输入EGFR基因突变检测分类器中，获得EGFR基因突变检测结果。本申请解决了现有EGFR基因突变检测方法存在的耗时长、步骤多的问题。步骤多的问题。步骤多的问题。

【技术实现步骤摘要】
基于肺部CT图像的EGFR基因突变检测方法和系统


[0001]本申请涉及人工智能
，具体是指一种基于肺部CT图像的EGFR基因突变检测方法和系统。

技术介绍

[0002]肺癌是全球死亡率最高的一种恶性肿瘤疾病。随着计算机断层扫描（CT）技术在医院普及使用，肺癌的死亡率减少了20%左右。肺癌在临床上分为小细胞肺癌和非小细胞肺癌(non
‑
small
‑
cell carcinoma，NSCLC)两类，其中NSCLC约占80％，最多见的NSCLC组织学亚型为腺癌和鳞状细胞癌(squamous cellcarcinoma，SQCC)。
[0003]EGFR（人体表皮生长因子受体，epidermal growthfactor receptor）已成为近年来肿瘤治疗研究和抗肿瘤药物筛选的热点, 有关EGFR突变与肿瘤发生以及EGFR突变在分子靶向治疗中的作用日益受到人们的关注。EGFR突变是癌症患者是否对TKI 敏感的强预测因子, 因此EGFR基因突变的检测能为肿瘤靶向治疗提供依据，有效提高EGFR基因敏感突变肺癌患者的生存概率和生存质量。
[0004]目前，DNA 测序法是进行EGFR突变检测的最可靠方法，也是使用最多的方法。还有各种基于PCR的基因突变检测的方法，比如聚合酶链式反应－单链构象多态性分析（PCR
‑
SSCP），突变体富集PCR，探针扩增阻滞突变系统（ARMS），微数字PCR等等。
[0005]现有的传统EGFR基因检测方法，基因测序虽然结果可靠且使用广泛，但是价格高昂，过程繁琐且耗时长，而且需要进行穿刺活检，对患者有伤害，且对于晚期肿瘤不适用穿刺活检的情况下，此种检测方法无法使用。PCR方法虽然可以利用患者胸腔积水等包含肿瘤细胞DNA的样本进行检测，但是方法虽然比测序法操作容易，却只能提供个体样本有无突变的信息，无法得出具体的突变类型，而且需要电泳检测限制了其在临床上的应用。总的来说，这些方法虽然结果较为准确，但是耗费的时间长，步骤多，而且可能会对患者造成一定程度上的伤害（如穿刺活检），对医院的设备和技术也有要求。

技术实现思路

[0006]基于以上技术问题，本申请提供了一种基于肺部CT图像的EGFR基因突变检测方法和系统，解决了现有EGFR基因突变检测方法存在的耗时长、步骤多的问题。
[0007]为解决以上技术问题，本申请采用的技术方案如下：一种基于肺部CT图像的EGFR基因突变检测方法，包括：获取待检测数据，所述待检测数据包括肺部CT图像和患者多媒体信息；将多视角下的肺部CT图像输入图像特征提取器中，获得图像融合特征；将所述患者多媒体信息输入多媒体特征提取器中，获得多媒体融合特征；将所述图像融合特征与所述多媒体融合特征进行融合，获得突变检测特征；将所述突变检测特征输入EGFR基因突变检测分类器中，获得EGFR基因突变检测结果。
[0008]一种基于肺部CT图像的EGFR基因突变检测系统，其特征在于，包括：数据获取模块，所述数据获取模块用于获取待检测数据，所述待检测数据包括肺部CT图像和患者多媒体信息；图像特征提取模块，所述图像特征提取模块用于将多视角下的肺部CT图像输入图像特征提取器中，获得图像融合特征；多媒体特征提取模块，所述多媒体特征提取模块用于将所述患者多媒体信息输入多媒体特征提取器中，获得多媒体融合特征；特征融合模块，所述特征融合模块用于将所述图像融合特征与所述多媒体融合特征进行融合，获得突变检测特征；分类检测模块，所述分类检测模块用于将所述突变检测特征输入EGFR基因突变检测分类器中，获得EGFR基因突变检测结果。
[0009]一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述基于肺部CT图像的EGFR基因突变检测方法的步骤。
[0010]一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述基于肺部CT图像的EGFR基因突变检测方法的步骤。
[0011]与现有技术相比，本申请的有益效果是：上述方法、装置、计算机设备和存储介质通过利用特征提取器与分类器构成的EGFR基因突变检测模型，可以通过输入患者的肺部CT图像与多媒体信息获得EGFR基因突变检测结果，在确保EGFR基因突变检测准确率的前提下，具有检测耗时短，检测步骤少的优点。
附图说明
[0012]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：图1为本申请一些实施例中提供的基于肺部CT图像的EGFR基因突变检测方法的流程示意图。
[0013]图2为本申请一些实施例中提供的EGFR基因突变检测模型训练的流程示意图。
[0014]图3为本申请一些实施例中提供的基于多视角下的训练图像对第一训练模型进行训练的流程示意图。
[0015]图4为本申请一些实施例中提供的基于所述训练多媒体信息对第二训练模型进行训练的流程示意图。
[0016]图5为本申请一些实施例中提供的基于所述训练数据对第三训练模型进行训练的流程示意图。
具体实施方式
[0017]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0018]应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0019]应当理解，本说明书中除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
[0020]本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0021]参阅图1，在一些实施例中，一种基于肺部CT图像的EGFR基因突变检测方法，包括：S101，获取待检测数据，所述待检测数据包括肺部CT图像和患者多媒体信息；具体的，肺部CT图像通过CT设备采集获得；优选的，所述患者多媒体信息包括文本信息、图像信息、音频信息和检查数据信息，所述文本信息包括家族病史、吸烟史和饮酒史，所述图像信息包括肺部超声图像和支气管镜图像，所述音频信息包括肺部湿啰音数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于肺部CT图像的EGFR基因突变检测方法，其特征在于，包括：获取待检测数据，所述待检测数据包括肺部CT图像和患者多媒体信息；将多视角下的肺部CT图像输入图像特征提取器中，获得图像融合特征；将所述患者多媒体信息输入多媒体特征提取器中，获得多媒体融合特征；将所述图像融合特征与所述多媒体融合特征进行融合，获得突变检测特征；将所述突变检测特征输入EGFR基因突变检测分类器中，获得EGFR基因突变检测结果。2.根据权利要求1所述的基于肺部CT图像的EGFR基因突变检测方法，其特征在于，在获取待检测数据之前，还包括：获取训练数据，所述训练数据包括标注有真实标签的训练图像和训练多媒体信息；基于多视角下的训练图像对第一训练模型进行训练，所述第一训练模型包括第一特征提取器和第一分类器，将训练完成的第一特征提取器作为图像特征提取器；基于所述训练多媒体信息对第二训练模型进行训练，所述第二训练模型包括第二特征提取器和第二分类器，将训练完成的第二特征提取器作为多媒体特征提取器；基于所述训练数据对第三训练模型进行训练，所述第三训练模型包括训练完成的第一特征提取器、第二特征提取器以及未训练的第三分类器，将训练完成的第三分类器作为EGFR基因突变检测分类器。3.根据权利要求2所述的基于肺部CT图像的EGFR基因突变检测方法，其特征在于，基于多视角下的训练图像对第一训练模型进行训练包括：将多视角下的训练图像输入所述第一特征提取器，提取所述训练图像的第一样本特征；将所述第一样本特征输入所述第一分类器，获得所述训练图像的第一分类结果；根据所述第一分类结果与所述训练图像真实标签之间的误差，获得第一误差信息；基于所述第一误差信息对所述第一特征提取器和所述第一分类器的参数进行优化。4.根据权利要求2所述的基于肺部CT图像的EGFR基因突变检测方法，其特征在于，基于所述训练多媒体信息对第二训练模型进行训练包括：将所述训练多媒体信息输入所述第二特征提取器，提取所述训练多媒体信息的第二样本特征；将所述第二样本特征输入所述第二分类器，获得所述训练图像的第二分类结果；根据所述第二分类结果与所述训练多媒体信息真实标签之间的误差，获得第二误差信息；基于所述第二误差信息对所述第二特征提取器和所述第二分类器的参数进行优化。5.根据权利要求2所述的基于肺部CT图像的EGFR基因突变检测方法，其特...

【专利技术属性】
技术研发人员：王成弟，李为民，章毅，徐修远，邵俊，董沛知，何彦琪，周凯，郭际香，李经纬，
申请(专利权)人：四川大学，
类型：发明
国别省市：