基于ABVS的乳腺癌HER2基因突变预测方法及设备技术

本发明专利技术公开一种基于ABVS的乳腺癌HER2基因突变预测方法及设备，包括：步骤S1：获取ABVS图像；步骤S2：对ABVS图像进行初步分割，获得乳腺组织部分；步骤S3：在分割出乳腺组织部分的基础上进行二次分割，获得病变ROI区域；步骤S4：根据病变ROI区域，获得影像组学特征，其中影像组学特征包括：一阶灰度统计特征、形状特征、纹理特征以及基于变换的特征；步骤S5：将分割过程产生的分割特征和影像组学特征进行联合，使用深层特征分类器对HER2基因突变状态进行预测。本发明专利技术利用非侵入性方法预测乳腺癌中HER2突变状态，预测精准，为乳腺癌临床治疗提供帮助。供帮助。供帮助。

【技术实现步骤摘要】
基于ABVS的乳腺癌HER2基因突变预测方法及设备


[0001]本专利技术属于医疗图像处理
，具体涉及一种基于ABVS的乳腺癌HER2基因突变预测方法及设备。

技术介绍

[0002]一种受体型的酪氨酸激酶
‑
人类表皮生长因子受体2(HER2)在20％～30％的原发性乳腺润性导管痘中有基因的扩增和蛋白的过度表达。HER2阳性的乳腺瘤浸润性强，无病生存期短，预后差。
[0003]在乳腺癌风险级别评估因子当中，虽然淋巴结状态仍然是最重要的因素，但HER2状态直接影响风险的级别。当淋巴结阴性或只有1～3个淋巴结有转移时，如HER2过表达或基因扩增则风险级别分别由低上升为中，中上升为高。已有专利技术表明，肿瘤的分子生物学行为决定病灶的病理形态特征，这就使探讨分子生物学与影像学相关性成为可能。
[0004]目前只能在HER2阳性突变后检出，且一般在患者出现HER2阳性后采用免疫组织化学(IHC)检测HER2受体蛋白过度表达，应用荧光原位杂交(fluorescence in situhybridization，FISH)和显色原位杂交(chromogenic in situhybridization，CISH)法检测HER2基因扩增的水平。
[0005]而标本的固定及保存抗体、探针的选择结果的判读、操作者的经验等多种因素均可导致检测结果的偏差。
[0006]现有的基于CT图像虽能对HER2阳性突变进行预测，但是其分辨率低，容易造成预判。

技术实现思路

[0007]为了解决上述技术问题，本专利技术提出了一种基于ABVS的乳腺癌HER2基因突变预测方法及设备。
[0008]为了达到上述目的，本专利技术的技术方案如下：
[0009]一方面，本专利技术公开了一种基于ABVS的乳腺癌HER2基因突变预测方法，包括：
[0010]步骤S1：获取ABVS图像；
[0011]步骤S2：对ABVS图像进行初步分割，获得乳腺组织部分；
[0012]步骤S3：在分割出乳腺组织部分的基础上进行二次分割，获得病变ROI区域；
[0013]步骤S4：根据病变ROI区域，获得影像组学特征，其中影像组学特征包括：一阶灰度统计特征、形状特征、纹理特征以及基于变换的特征；
[0014]步骤S5：将分割过程产生的分割特征和影像组学特征进行联合，使用深层特征分类器对HER2基因突变状态进行预测。
[0015]在上述技术方案的基础上，还可做如下改进：
[0016]作为优选的方案，步骤S1还包括：对获取的ABVS图像预处理，预处理包括以下一种或多种操作：对ABVS各层各向同性插值、调整图像增益、归一化处理。
[0017]作为优选的方案，步骤S2具体包括：
[0018]步骤S2.1：利用第一分割模型对ABVS图像进行初步分割，获得初步的分割区域；
[0019]步骤S2.2：对初步的分割区域进行形态学闭运算，获得乳腺组织部分。
[0020]作为优选的方案，步骤S3具体包括：
[0021]步骤S3.1：根据乳腺组织部分生成特征图；
[0022]步骤S3.2：根据特征图提取通道注意力，并根据ABVS图像的多视角将特征图分为轴位面、冠状面和矢状面三部分，使用可学习参数来赋予对应权重，再提取其空间注意力；
[0023]步骤S3.4：按权重系数将通道注意力、空间注意力与特征图进行融合；
[0024]步骤S3.5：在融合后的特征图的基础上，利用第二分割模型进行二次分割，获得病变ROI区域。
[0025]作为优选的方案，步骤S5具体包括：
[0026]步骤S5.1：将分割过程产生的分割特征和影像组学特征进行联合，形成联合特征；
[0027]步骤S5.2：利用降维算法对联合特征进行降维处理；
[0028]步骤S5.3：使用深层特征分类器对HER2基因突变状态进行预测。
[0029]另一方面，本专利技术还公开一种基于ABVS的乳腺癌HER2基因突变预测设备，包括：
[0030]获取模块，用于获取ABVS图像；
[0031]初步分割模块，用于对ABVS图像进行初步分割，获得乳腺组织部分；
[0032]二次分割模块，用于在分割出乳腺组织部分的基础上进行二次分割，获得病变ROI区域；
[0033]影像组学特征获得模块，用于根据病变ROI区域，获得影像组学特征，其中影像组学特征包括：一阶灰度统计特征、形状特征、纹理特征以及基于变换的特征；
[0034]预测模块，用于将分割过程产生的分割特征和影像组学特征进行联合，使用深层特征分类器对HER2基因突变状态进行预测。
[0035]作为优选的方案，获取模块包括：
[0036]获取单元，用于获取ABVS图像；
[0037]预处理单元，用于对获取的ABVS图像预处理，预处理包括：对ABVS各层各向同性插值、调整图像增益、归一化处理。
[0038]作为优选的方案，初步分割模块具体包括：
[0039]初步分割单元，用于利用第一分割模型对ABVS图像进行初步分割，获得初步的分割区域；
[0040]形态学闭运算单元，用于对初步的分割区域进行形态学闭运算，获得乳腺组织部分。
[0041]作为优选的方案，二次分割模块具体包括：
[0042]特征图生成单元，用于根据乳腺组织部分生成特征图；
[0043]多注意力提取单元，用于根据特征图提取通道注意力，并根据ABVS图像的多视角将特征图分为轴位面、冠状面和矢状面三部分，使用可学习参数来赋予对应权重，再提取其空间注意力；
[0044]融合单元，用于按权重系数将通道注意力、空间注意力与特征图进行融合；
[0045]二次分割单元，用于在融合后的特征图的基础上，利用第二分割模型进行二次分
割，获得病变ROI区域。
[0046]作为优选的方案，预测模块具体包括：
[0047]联合特征形成单元，用于将分割过程产生的分割特征和影像组学特征进行联合，形成联合特征；
[0048]降维单元，用于利用降维算法对联合特征进行降维处理；
[0049]预测单元，用于使用深层特征分类器对HER2基因突变状态进行预测。
[0050]本专利技术公开一种基于ABVS的乳腺癌HER2基因突变预测方法及设备，在ABVS图像的基础上，进行二次分割，第一次分割乳腺组织部分，第二次分割病变ROI区域。且第二次分割，根据ABVS图像的多视角将特征图分为轴位面、冠状面和矢状面三部分，并联合多头注意力机制分割NCSCLC病灶。
[0051]本专利技术利用非侵入性方法预测乳腺癌中HER2突变状态，预测精准，为乳腺癌临床治疗提供帮助。
附图说明
[0052]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ABVS的乳腺癌HER2基因突变预测方法，其特征在于，包括：步骤S1：获取ABVS图像；步骤S2：对ABVS图像进行初步分割，获得乳腺组织部分；步骤S3：在分割出乳腺组织部分的基础上进行二次分割，获得病变ROI区域；步骤S4：根据病变ROI区域，获得影像组学特征，其中影像组学特征包括：一阶灰度统计特征、形状特征、纹理特征以及基于变换的特征；步骤S5：将分割过程产生的分割特征和影像组学特征进行联合，使用深层特征分类器对HER2基因突变状态进行预测。2.根据权利要求1所述的乳腺癌HER2基因突变预测方法，其特征在于，所述步骤S1还包括：对获取的ABVS图像预处理，预处理包括以下一种或多种操作：对ABVS各层各向同性插值、调整图像增益、归一化处理。3.根据权利要求1所述的乳腺癌HER2基因突变预测方法，其特征在于，所述步骤S2具体包括：步骤S2.1：利用第一分割模型对ABVS图像进行初步分割，获得初步的分割区域；步骤S2.2：对初步的分割区域进行形态学闭运算，获得乳腺组织部分。4.根据权利要求1所述的乳腺癌HER2基因突变预测方法，其特征在于，所述步骤S3具体包括：步骤S3.1：根据乳腺组织部分生成特征图；步骤S3.2：根据特征图提取通道注意力，并根据ABVS图像的多视角将特征图分为轴位面、冠状面和矢状面三部分，使用可学习参数来赋予对应权重，再提取其空间注意力；步骤S3.4：按权重系数将通道注意力、空间注意力与特征图进行融合；步骤S3.5：在融合后的特征图的基础上，利用第二分割模型进行二次分割，获得病变ROI区域。5.根据权利要求1所述的乳腺癌HER2基因突变预测方法，其特征在于，所述步骤S5具体包括：步骤S5.1：将分割过程产生的分割特征和影像组学特征进行联合，形成联合特征；步骤S5.2：利用降维算法对联合特征进行降维处理；步骤S5.3：使用深层特征分类器对HER2基因突变状态进行预测。6.基于ABVS的乳腺癌HER2基因突变预测设备，其特征在于，包括：获取...

【专利技术属性】
技术研发人员：张家乐，姚毅，
申请(专利权)人：苏州雷泰医疗科技有限公司，
类型：发明
国别省市：