基于多任务学习的膀胱癌肌层侵犯预测方法及相关装置制造方法及图纸

本申请公开了一种基于多任务学习的膀胱癌肌层侵犯预测方法，方法包括：通过预测网络模型中的特征提取模块确定MRI图像的第一特征图；将第一特征图输入预测网络模型中的分割模块，通过分割模块确定MRI图像的掩码图；将掩码图与MRI图像进入融合得到融合图像，将融合图像输入特征提取模块，通过特征提取模块确定融合图像的第二特征图；将第二特征图输入预测网络模型中的分类模块，通过分类模块确定MRI图像对应的膀胱癌肌层侵犯类别。本申请通过采用多任务的预测网络模型基于MRI图像来确定膀胱癌肌层侵犯类别，这样分类模块可以学习到分割模块提取的病灶信息，从而可以提高分类模块的分类性能，进而可以提高获取到的膀胱癌肌层侵犯类别的准确性。犯类别的准确性。犯类别的准确性。

【技术实现步骤摘要】
基于多任务学习的膀胱癌肌层侵犯预测方法及相关装置


[0001]本申请涉及生物医学工程
，特别涉及一种基于多任务学习的膀胱癌肌层侵犯预测方法及相关装置。

技术介绍

[0002]膀胱癌(bladder cancer，Bca)是指发生在膀胱黏膜上的恶性肿瘤，是泌尿系统最常见的恶性肿瘤之一，在全球恶性肿瘤排第十位，男性常见癌症第六位，女性第十七位。Bca最常见的类型是尿路上皮癌(90％以上)，其次是鳞状细胞癌、腺癌和小细胞癌。膀胱壁在组织学上包括黏膜层、黏膜下层、固有肌层和膀胱周围脂肪层。其中，固有肌层是膀胱癌分期、治疗的一个特殊标志，根据肿瘤是否侵犯固有肌层，将Bca分为非肌层浸润性膀胱癌(non
‑
muscle invasive bladder cancer，NMIBC)以及肌层浸润性膀胱癌(muscle invasive bladder cancer，MIBC)。NMIBC的治疗方法为经尿道膀胱肿瘤切除术(transurethral resection of bladder tumor，TURBT)，辅以或不辅以膀胱内灌注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习的膀胱癌肌层侵犯预测方法，其特征在于，所述的方法包括：获取MRI图像，其中，所述MRI图像携带有膀胱图像；将所述MRI图像输入预先训练的预测网络模型中的特征提取模块，通过所述特征提取模块确定所述MRI图像对应的若干第一特征图；将若干第一特征图输入所述预测网络模型中的分割模块，通过所述分割模块确定所述MRI图像对应的掩码图；将所述掩码图与所述MRI图像进入融合得到融合图像，将所述融合图像输入特征提取模块，通过所述特征提取模块确定所述融合图像对应的第二特征图；将所述第二特征图输入所述预测网络模型中的分类模块，通过所述分类模块确定所述MRI图像对应的膀胱癌肌层侵犯类别。2.根据权利要求1所述基于多任务学习的膀胱癌肌层侵犯预测方法，其特征在于，所述特征提取模块包括依次级联的卷积单元、池化单元以及若干下采样单元，其中，所述下采样单元包括依次级联的三维卷积块和若干三维恒等模块，所述三维恒等模块包括若干级联的三维卷积层以及加法器，所述加法器的输入项为位于最后的三维卷积层的输出项和位于最前的三维卷积层的输入项。3.根据权利要求2所述基于多任务学习的膀胱癌肌层侵犯预测方法，其特征在于，所述三维卷积块包括若干级联的三维卷积层、加法器以及目标三维卷积层，所述目标三维卷积层的输入项为位于最前的三维卷积层的输入项，所述加法器的输入项为位于最后的三维卷积层的输出项和所述目标三维卷积层的输出项。4.根据权利要求2所述基于多任务学习的膀胱癌肌层侵犯预测方法，其特征在于，所述分割模块包括依次级联的第一上采样单元、若干第二上采样单元以及两个第三上采样单元；所述上采样单元与位于最后的下采样单元相连接，两个第三上采样单元中位于后的第三上采样单元与位于最前的下采样单元相连接，位于前的第三上采样单元与卷积单元相连接；若干第二上采样单元与最后的下采样单元和最前的下采样单元中的各下采样单元一一对应，且与其对应的下采样单元相连接。5.根据权利要求1所述基于多任务学习的膀胱癌肌层侵犯预测方法，其特征在于，所述分类模块包括依次级联池化单元以及分类单元，所述池化单元与特征提取模块相连接。6.根据权利要求1所述基于多任务学习的膀胱癌肌层侵犯预测方法，其特征在于，...

【专利技术属性】
技术研发人员：李建鹏，罗梓欣，邱峥轩，黄炳升，邹玉坚，邓磊，曹康养，岳沛言，杨水清，黄翔，张坤林，高云，梁满球，
申请(专利权)人：深圳大学，
类型：发明
国别省市：