一种基于纵向DCE-MRI的乳腺癌新辅助化疗pCR预测方法技术

本发明专利技术提供一种基于纵向DCE

【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(即新辅助化疗前或后的影像)来预测新辅助化疗的疗效，然而单个时间点的影像检查不足以完整地表征肿瘤组织在治疗过程中发生变化的独特属性，因此难以准确评估乳腺癌新辅助化疗的疗效。还有研究报告指出，纵向肿瘤异质性的变化在新辅助化疗前后是预测pCR的重要信息，但相关研究者多是基于纵向超声图像进行pCR预测，基于纵向DCE
‑
MRI的研究相对较少，且仅使用了几期增强序列，难以准确表征注入造影剂后的肿瘤组织的血流动力学变化。

技术实现思路

[0005]针对现有预测乳腺癌患者新辅助化疗疗效的研究都基于单一时期影像来实现的，然而单个时间点的影像检查不足以完整地表征肿瘤组织在治疗过程中发生变化的独特属性，因此难以准确评估乳腺癌新辅助化疗的疗效，并且现有预测pCR的重要信息是基于纵向超声图像进行pCR预测，且仅使用了几期增强序列，难以准确表征注入造影剂后的肿瘤组织的血流动力学变化的技术问题，本专利技术提供一种基于纵向DCE
‑
MRI的乳腺癌新辅助化疗pCR预测方法，该方法能够有效缓解前述问题。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]一种基于纵向DCE
‑
MRI的乳腺癌新辅助化疗pCR预测方法，包括以下步骤：
[0008]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；
[0009]S2、对DCE
‑
MRI的所有增强序列图像进行感兴趣区域勾画；
[0010]S3、对勾画完成的感兴趣区域图像进行预处理；
[0011]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；
[0012]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；
[0013]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。
[0014]进一步，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。
[0015]进一步，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。
[0016]进一步，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。
[0017]进一步，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：
[0018]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；
[0019]对所述第一池化层输出的特征图应用第二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；对所述第二卷积层卷积之后ReLU激活函数得到的特征图应用第二池化层进行下采样。
[0020]进一步，所述预处理感兴趣区域图像的图像大小为60
×
60，所述第一卷积层包含32个大小为3
×
3的卷积核，所述第一卷积层卷积之后ReLU激活函数得到32个特征图，所述第一池化层的池化核大小为2
×
2；所述第二卷积层包含64个大小为3
×
3的卷积核，所述第二卷积层卷积之后ReLU激活函数得到64个特征图，所述第二池化层的池化核大小为2
×
2。
[0021]进一步，所述步骤S5中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，包括：
[0022]对所述第一卷积神经网络和第二卷积神经网络的输出分别应用全局平均池化层，将每个特征图的所有元素平均到一个标量值，得到两个一维向量；
[0023]将所述全局平均池化层的输出连接到一个包含128个神经元的第一全连接层上，使用ReLU激活函数；
[0024]将所述第一全连接层的输出连接到一个包含64个神经元的第二全连接层上，使用ReLU激活函数；
[0025]将所述第二全连接层的输出连接到一个包含2个神经元的输出层上，所述2个神经元分别对应一个二分类的类别，使用sotfmax激活函数进行概率归一化，并使用交叉熵函数作为损失函数。
[0026]进一步，所述步骤S60中曲线下面积、准确率、灵敏度、特异度、阳性预测值和阴性
预测值的计算公式如下：
[0027][0028][0029][0030][0031][0032][0033]其中，AUC代表曲线下面积，ACC代表准确率，SEN代表灵敏度，SPE代表特异度，PPV代表阳性预测值，NPV代表阴性预测值，TP代表真阳性，FP代表假阳性，TN代表真阴性，FN代表假阴性。
[0本文档来自技高网...

【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：