基于时间序列学习的生存预测方法、系统及终端技术方案

本申请提供的基于时间序列学习的生存预测方法、系统、终端及存储介质，构建了一个使用医学图像数据并且可以用于肿瘤生存预测和分析的深度学习模型，利用了比常规核磁共振模态更能反映肿瘤血管形成过程和血管结构的灌注加权成像模态，将长短期记忆网络加入到普通的深层神经网络中，从而更好地捕捉到时间上的变化，将医学图形中的时域信息和空域信息结合起来，进行生存分析。进行生存分析。进行生存分析。

【技术实现步骤摘要】
基于时间序列学习的生存预测方法、系统及终端


[0001]本申请属于医学图像处理
，具体涉及一种基于时间序列学习的生存预测方法、系统、终端及存储介质。

技术介绍

[0002]医学研究中，生存分析是指病人确诊疾病之后多长时间会死亡，疾病治愈之后多久会复发等等。了解患者预计的生存时间以及生存时间与治疗方案如放疗、化疗、是否需要切除肿瘤以及肿瘤切除程度的关系，能够帮助医生更好的做出决策，制定更适合患者的个性化的治疗方案。
[0003]传统的生存分析方法使用一些统计学方法来对生存时间做出预测，使用深度学习的方法并且利用到医学图像数据的模型比较少，使用具有时序信息的医学图像数据的模型更少。基于医学图像的生存模型可以分为三类：一是基于人工设计特征的影像组学模型,二是基于深度特征的影像组学模型,三是基于卷积神经网络的模型。影像组学模型从医学图像中提取了成百上千个人工设计的特征，但是这些低阶特征可能并不能完全表征病变区域内的图像异质性。基于深度特征的影像组学模型只是使用卷积神经网络作为特征提取器，然后再将提取的特征放入Cox比例风险模型中进行建模。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列学习的生存预测方法，其特征在于，包括下述步骤：收集若干肿瘤患者数据集，任意一肿瘤患者数据集包括核磁共振图像及临床信息，所述临床信息包括患者的性别、年龄、是否放疗、是否化疗、基因型、生存状态、存活时间；对所述数据集中的图像进行处理；将所述数据集中肿瘤患者的肿瘤区域进行分割处理；对所述数据集中的数据进行标准化处理；根据所述肿瘤患者的临床信息划分训练集和测试集；建立深层神经网络模型用于提取特征并进行生存期预测；根据所述深层神经网络模型对所述训练集和测试集进行模型训练和选择；评价模型训练效果。2.根据权利要求1所述的基于时间序列学习的生存预测方法，其特征在于，所述核磁共振图像包括六十个时间点的灌注加权成像的影像，所述灌注加权成像的影像获得是先给患者注射造影剂，然后采集不同时间点的核磁共振图像。3.根据权利要求1所述的基于时间序列学习的生存预测方法，其特征在于，在对所述数据集中的图像进行处理的步骤中，具体包括下述步骤：对所述数据集中的图像数据格式转换、重采样及配准。4.根据权利要求1所述的基于时间序列学习的生存预测方法，其特征在于，在将所述数据集中肿瘤患者的肿瘤区域进行分割处理的步骤中，具体包括下述步骤：根据医生在所述核磁共振图像中勾画的肿瘤位置，将肿瘤区域从核磁共振图像中分离出来，并从原始核磁共振图像中选取肿瘤面积最大的五层切片，选取时可首选选择肿瘤面积最大的一层，然后等间隔的从该层上方和下方各取两层，间隔的大小可以根据原始核磁共振图像的层数确定，将获得的切片作为模型的输入。5.根据权利要求1所述的基于时间序列学习的生存预测方法，其特征在于，在对所述数据集中的数据进行标准化处理的步骤中，具体包括下述步骤：使用灰度归一化及直方图均衡化对所述数据集中的数据进行标准化处理。6.根据权利要求1所述的基于时间序列学习的生存预测方法，其特征在于，在建立深层神经网络模型用于提取特征并进行...

【专利技术属性】
技术研发人员：丁天庆，李志成，赵源深，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：