【技术实现步骤摘要】
一种基于纵向DCE
‑
MRI的乳腺癌新辅助化疗pCR预测方法
[0001]本专利技术涉及智能医学影像
,具体涉及一种基于纵向DCE
‑
MRI的乳腺癌新辅助化疗pCR预测方法。
技术介绍
[0002]我国制定的《乳腺癌诊疗指南(2022年版)》也明确指出,新辅助化疗已成为局部晚期乳腺癌的标准治疗方案,因为它能够检测肿瘤对药物的敏感性,减少术前肿瘤体积,提高保乳手术的比率。已有研究也证明,在接受新辅助化疗后达到病理完全缓解(pathologic Complete Respons,pCR)可以提高乳腺癌患者的总体生存率和无病生存率,因此可通过确定患者的pCR状态来评估新辅助化疗化疗。但是,乳腺癌患者接受新辅助化疗后pCR的比例受到个人差异和乳腺癌分子亚型的影响,这不可避免地增加了非反应者的治疗成本和药物毒副作用。因此,在新辅助化疗的早期阶段进行个体疗效预测和潜在受益者的筛选对于临床决策至关重要。
[0003]具有侵入性的病理学检查是评估新辅助化疗疗效的金标准。非侵入性的影像学检查成为了评估乳腺癌患者新辅助化疗疗效的重要方法。以往研究也证明了动态对比增强磁共振成像(Dynamic Contrast Enhanced
‑
Magnetic Resonance Imaging,DCE
‑
MRI)比超声、钼靶等能更有效地评估残留肿瘤大小并早期预测新辅助化疗疗效。
[0004]本申请的专利技术人经过研究发现,目前大多数研究都基于单一时期影像( ...
【技术保护点】
【技术特征摘要】
1.一种基于纵向DCE
‑
MRI的乳腺癌新辅助化疗pCR预测方法,其特征在于,包括以下步骤:S1、对乳腺癌患者在新辅助化疗前和新辅助化疗后进行DCE
‑
MRI检查;S2、对DCE
‑
MRI的所有增强序列图像进行感兴趣区域勾画;S3、对勾画完成的感兴趣区域图像进行预处理;S4、使用第一卷积神经网络从所述新辅助化疗前的预处理感兴趣区域图像中提取特征,使用第二卷积神经网络从所述新辅助化疗后的预处理感兴趣区域图像中提取特征,所述第一卷积神经网络和第二卷积神经网络为结构相同的两个独立卷积神经网络;S5、将所述第一卷积神经网络和第二卷积神经网络提取的特征经过全局平均池化和全连接进行信息整合实现pCR预测;S6、使用曲线下面积、准确率、灵敏度、特异度、阳性预测值和阴性预测值对预测模型进行评估,所述预测模型由步骤S4中的两个独立卷积神经网络和步骤S5中的全局平均池化与全连接组成。2.根据权利要求1所述的基于纵向DCE
‑
MRI的乳腺癌新辅助化疗pCR预测方法,其特征在于,所述步骤S1中对新辅助化疗后进行DCE
‑
MRI检查,是在接受新辅助化疗两个周期后进行的。3.根据权利要求1所述的基于纵向DCE
‑
MRI的乳腺癌新辅助化疗pCR预测方法,其特征在于,所述步骤S2中对DCE
‑
MRI的所有增强序列图像进行感兴趣区域勾画,是由专业的放射科医师使用ITK图像处理软件对病灶进行勾画。4.根据权利要求1所述的基于纵向DCE
‑
MRI的乳腺癌新辅助化疗pCR预测方法,其特征在于,所述步骤S3中对勾画完成的感兴趣区域图像进行预处理,包括对感兴趣区域图像进行归一化,并使用翻转、旋转、缩放、平移的方式进行数据增强。5.根据权利要求1所述的基于纵向DCE
‑
MRI的乳腺癌新辅助化疗pCR预测方法,其特征在于,所述步骤S4中使用第一卷积神经网络从所述新辅助化疗前的预处理感兴趣区域图像中提取特征,使用第二卷积神经网络从所述新辅助化疗后的预处理感兴趣区域图像中提取特征,均包括:对所述预处理感兴趣区域图像应用第一卷积层进行卷积操作,并在卷积之后应用ReLU激活函数得到特征图;对所述第一卷积层卷积之后ReLU激活函数得到的特征图应用第一池化层进行下采样;对所述第一池化层输出的特征图应用第二卷...
【专利技术属性】
技术研发人员:黄瑶,张久权,兰小淞,王晓霞,曹颖,
申请(专利权)人:重庆大学附属肿瘤医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。