残差网络与通道注意力协同驱动下的基因突变预测方法技术

本发明专利技术提供了一种残差网络与通道注意力协同驱动下的基因突变预测方法，属于深度学习技术领域；解决了现有深度学习在基因突变预测中存在的无法获取大规模影像数据、难以判断基因突变的类型导致模型精度低的问题；包括如下步骤：输入肺部的CT图像并进行预处理，然后将预处理后的肺部CT图像输入进行卷积处理提取肺结节的初步特征；使用1

【技术实现步骤摘要】
残差网络与通道注意力协同驱动下的基因突变预测方法


[0001]本专利技术提供了一种残差网络与通道注意力协同驱动下的基因突变预测方法，属于深度学习、影像基因辅助诊断


技术介绍

[0002]过去30年间我国肺癌死亡率逐步上升，CT影像包含大量潜在病理生理学的信息，使用CT影像进行计算机辅助诊断能够提高临床诊断的精度和稳定性，减少临床诊断需要的时间，降低各种主观因素带来的临床误诊风险和疏漏判断。
[0003]近年来，深度学习因其强大的特征提取能力，在人工智能医疗领域逐步发展起来。在利用计算机辅助医学治疗研究中，深度学习方法也崭露头角，但是在EGFR和KRAS突变的预测中仍存在如下挑战：
①
深度学习模型依赖于大规模的数据集，而医学影像基因数据难以大规模获取。
②
不同基因突变类型之间肺结节的形态、纹理和外观有极大的差异性(表现为结节在CT影像上的大小、位置和外观的差异)，仅从外观上很难区分出EGFR突变型/野生型以及KRAS突变型/野生型，因此，基于CT影像如何构建深度学习模型来预测突变仍然是一个棘手的问题。

技术实现思路

[0004]本专利技术为了解决现有深度学习在基因突变预测中存在的无法获取大规模影像数据、难以判断基因突变的类型导致模型精度低的问题，提出了一种残差网络与通道注意力协同驱动下的基因突变预测方法。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：一种残差网络与通道注意力协同驱动下的基因突变预测方法，包括如下步骤：以ResNet
‑
18网络作为基础网络，使用由残差块和SE机制组成的模块，每个模块包括4个卷积层，最后通过一个全连接层构建得到包含残差网络和通道注意力的卷积神经网络模型；
[0006]S1：输入肺部的CT图像并进行预处理，然后将预处理后的肺部CT图像输入至构建好的卷积神经网络模型进行卷积处理提取肺结节的初步特征；
[0007]S2：使用1
×
1的卷积层，将残差块与SE机制的通道连接，实现跨通道的交互并将步骤S1中提取的肺结节信息进行整合；
[0008]S3：通过由残差块和SE机制组成的模块，重复两次来提取肺结节的精细特征；
[0009]S4：通过自适应平均池化层与全连接层连接对提取到的肺结节的精细特征进行分类，根据分类结果对多基因是否突变进行多任务预测。
[0010]所述步骤S1中输入肺部的CT图像为经过数据处理的肺部CT图像数据集，预处理包括采用数据增广扩大图像数据集，数据增广具体是通过对每个2D肺结节切片执行图像的选择、垂直翻转、水平翻转和改变图像亮度，将进行数据增广后的图像通过一个7
×
7卷积层、批量化规范层和3
×
3最大池化层，此外在数据预处理阶段还对CT图像进行了随机变换操作。
[0011]所述步骤S2中引入的连接残差块与SE机制的1
×
1卷积层能够调整通道和分辨率，改变通道数使输入和输出的图像的形状一致，且不改变特征图的尺度；
[0012]在步骤S2中的残差块后以及全连接层前加入了DropOut层。
[0013]所述步骤S3中的残差块首先通过两个相同输出通道数的3
×
3卷积层，每个3
×
3卷积层后接一个批量规范化层和ReLU函数，然后通过跨层数据通路，跳过这两个3
×
3卷积运算，将输入直接加在最后的ReLU激活函数前，在最后的ReLU激活函数前加入SE机制，对输入特征进行压缩和激励两个操作。
[0014]所述SE机制包括一个平均池化层和两个全连接层，通过压缩操作对输入的每个通道进行全局平均池化得到通道描述子，激励操作利用两层全连接池化层为每个通道生成权重，最后将激励的输出权重与先前特征进行重新加权，完成在通道维度上对原始特征的校准。
[0015]所述步骤S4中的分类标签为2，代表EGFR和KRAS基因是野生型还是突变型。
[0016]还能够将与肺部CT图像对应的患者的病例信息嵌入卷积神经网络模型中，加入更多与基因突变相关的先验知识。
[0017]本专利技术相对于现有技术具备的有益效果为：本专利技术提供的一种残差网络与通道注意力协同驱动下的基因突变预测方法通过四个残差块的一系列卷积层堆叠并插入非线性(即激活函数)与降采样，卷积神经网络可以在全局感受野内描绘图像的分层特征，进而成为强大的图像特征表达器。在保留内部数据的空间结构，尽可能多地获得到肺结节的相关特征，并且能够更加精确地将肺结节区域从原始图片中分割出来，从而可以捕获到肺结节形状与内部结构的隐藏信息，提高识别精度。
附图说明
[0018]下面结合附图对本专利技术做进一步说明：
[0019]图1为采用本专利技术方法进行基因突变预测的流程图；
[0020]图2为Stage2中的残差块的结构示意图；
[0021]图3为Stage3中的残差块的结构示意图；
[0022]图4为Stage2、Stage3中的SE机制的结构示意图；
[0023]图5为每个阶段后图像的通道数变化示意图。
具体实施方式
[0024]如图1至图5所示，本专利技术提供了一种残差网络与通道注意力协同驱动下的基因突变预测方法，以期利用非小细胞肺癌的CT影像预测多基因的突变。首先，对图像进行卷积处理提取肺结节的初步特征。其次，使用1
×
1的卷积层，将残差块与注意力块的通道连接，实现跨通道的交互并将之前模块的肺结节信息进行整合。再次，由残差模块和注意力模块组成，重复两次来提取肺结节的精细特征。此外，将患者的少许病历信息嵌入模型中，加入更多与突变相关的先验知识。最后，通过自适应平均池化层与全连接层连接对多基因是否突变进行多任务预测。
[0025]如图1所示，本专利技术中方法是以ResNet
‑
18网络作为基础网络，并在特征提取阶段加入残差块，每个模块有4个卷积层最后通过一个全连接层。在不增加参数的情况下，增加
了残差块，因此适用于提取肺结节的深度特征。本专利技术根据对肺结节特征提取深度进行区分，Stage1主要对图像进行卷积处理，初步提取肺结节特征。Stage2使用1
×
1的卷积层，将残差块与注意力块的通道连接，实现跨通道的交互并将之前模块的结节信息进行整合。Stage3由残差块和注意力模块组成，重复两次来提取结节的精细特征。Stage4通过自适应平均池化层与全连接层连接对EGFR和KRAS基因是否突变进行多任务预测。
[0026]Stage1为输入层，负责载入图像，本专利技术的输入图像为经过数据处理的EGFR和KRAS数据集，为缓解由于数据不足而导致的模型过拟合问题，使用数据增广技术来扩大训练数据集，具体通过对每个2D结节切片执行图像的选择、垂直翻转、水平翻转和改变图像亮度，以适应后续方法的处理。紧接着使进行数据增广后的图像通过一个7
×
7卷积层，批量化规范层和3...

【技术保护点】

【技术特征摘要】
1.一种残差网络与通道注意力协同驱动下的基因突变预测方法，其特征在于：包括如下步骤：以ResNet
‑
18网络作为基础网络，使用由残差块和SE机制组成的模块，每个模块包括4个卷积层，最后通过一个全连接层构建得到包含残差网络和通道注意力的卷积神经网络模型；S1：输入肺部的CT图像并进行预处理，然后将预处理后的肺部CT图像输入至构建好的卷积神经网络模型进行卷积处理提取肺结节的初步特征；S2：使用1
×
1的卷积层，将残差块与SE机制的通道连接，实现跨通道的交互并将步骤S1中提取的肺结节信息进行整合；S3：通过由残差块和SE机制组成的模块，重复两次来提取肺结节的精细特征；S4：通过自适应平均池化层与全连接层连接对提取到的肺结节的精细特征进行分类，根据分类结果对多基因是否突变进行多任务预测。2. 根据权利要求1所述的一种残差网络与通道注意力协同驱动下的基因突变预测方法，其特征在于：所述步骤S1 中输入肺部的CT图像为经过数据处理的肺部CT图像数据集，预处理包括采用数据增广扩大图像数据集，数据增广具体是通过对每个2D肺结节切片执行图像的选择、垂直翻转、水平翻转和改变图像亮度，将进行数据增广后的图像通过一个7
×
7卷积层、批量化规范层和3
×
3最大池化层，此外在数据预处理阶段还对CT图像进行了随机变换操作。3.根据权利要求2所述的一种残差网络与通道注意力协同驱动下的基因突变预测方法，其特征在于：所述步骤S2中引入的连接残差块与...

【专利技术属性】
技术研发人员：董云云，孙丽超，景超，常锐云，赵子安，张源榕，常云青，杨炳乾，白玉洁，冯秀芳，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：