一种脑肿瘤放射治疗疗效预测方法技术

本发明专利技术属于医学图像处理技术领域，具体涉及一种脑肿瘤放射治疗疗效预测方法

【技术实现步骤摘要】
一种脑肿瘤放射治疗疗效预测方法、系统和存储介质


[0001]本专利技术属于医学图像处理
，具体涉及一种脑肿瘤放射治疗疗效预测方法
、
系统和存储介质
。

技术介绍

[0002]脑肿瘤疾病是影响和危害人们身体健康和生命安全的重要疾病，通常包括脑胶质瘤
、
脑转移瘤
、
脑膜瘤等肿瘤疾病类型，因为肿瘤占区会破坏脑子的其他组织，往往会带来额外的生命风险
。
对于脑肿瘤的临床诊断方式，常规为多模态
MRI
影像扫描，增强
T1WI(T1CE)
会重点显示出肿瘤核心区域，
T2 FLAIR
影像通常会增强显示肿瘤水肿区域，
ADC
等功能
MRI
影像则会显示出肿瘤的代谢等其他功能信息，因此临床常结合多模态
MRI
影像进行整体脑肿瘤疾病的诊断和治疗决策制定
。
[0003]脑肿瘤疾病的治疗方面，传统的三大治疗手段为手术切除
、
放射治疗和化疗
。
放疗通常作为脑肿瘤治疗的常规方式，尤其针对数量较多的脑转移瘤，而放疗又包括全脑放疗
、
定向放射治疗等不同手段
。
在临床上，我们通常无法提前预知脑肿瘤在放射治疗后的变化，需要治疗后三个月
、
半年
、
一年进行定期
MRI
扫描随访
。
这对于脑肿瘤患者的个体化管理非常不利，无法进行疾病风险分层预测
。
如果可以基于
AI
技术，通过融合分析治疗前患者的多模态
MRI
影像，进行放疗疗效的智能预测，则可以为临床医生带来临床参考，有助于制定个体化的临床治疗决策
。
目前相关的技术尚很缺乏
。
因此，有必要基于最先进的多模态
AI
算法，开发一种基于多模态
MRI
融合技术的脑肿瘤放射治疗疗效预测方法和系统
。

技术实现思路

[0004]针对现有技术的缺失，本专利技术提供一种基于多模态
MRI
融合技术的脑肿瘤放射治疗疗效预测方法，目的在于构建一整套包括多模态
MRI
生成
、
配准和融合预测的智能算法，实现准确的基于多模态
MRI
融合的脑肿瘤放射治疗疗效智能预测
。
[0005]为实现上述技术目的，本专利技术采用的技术方案是：
[0006]一种脑肿瘤放射治疗疗效预测方法，包括如下步骤：
[0007]步骤1，获取患者的多模态脑
MRI
影像，包括
T1WI、T2WI、T2FLAIR、T1CE、ADC
五种
MRI
模态；
[0008]步骤2，针对模态缺失的情况，构建不同
MRI
模态之间互相转换的生成模型，用于缺失
MRI
模态的补充；
[0009]步骤3，对五种
MRI
模态之间进行图像配准和对齐，统一图像尺寸；
[0010]步骤4，搭建多模态
Transformer
网络，同时输入五种
MRI
模态影像，在网络融合层进行多模态特征融合，输出对该患者放射治疗的疗效预测结果
。
[0011]优选的，步骤1中，所述脑
MRI
影像为常规临床扫描影像，用于脑肿瘤的诊断
。
[0012]优选的，所述不同
MRI
模态之间相互转换的生成模型是基于
CycleGAN
算法构建的，基于
Pytorch
实现，通过多模态
MRI
数据集训练得到
。
[0013]优选的，所述配准和对齐为刚性配准和对齐，通过重采样算法统一图像尺寸，并实施
N4
校正脑影像预处理
。
[0014]优选的，步骤4中，所述多模态
Transformer
网络有五个输入端口和一个输出端口，基于
Pytorch
构建；
Transformer
算法的网络融合层嵌入了多模态注意力模块，用于多模态特征的学习和融合
。
[0015]本专利技术还公开一种用于脑肿瘤放射治疗疗效的预测系统，包括：
[0016]多模态
MRI
存储和生成模块，用于获取
、
存储多模态脑
MRI
影像，并用于生成缺失的
MRI
模态；
[0017]多模态
MRI
配准模块，用于不同模态影像之间的配准
、
对齐，统一图像尺寸大小；
[0018]多模态
MRI
融合分析模块，用于融合分析不同
MRI
影像的特征信息，实现脑肿瘤放射治疗疗效的智能预测
。
[0019]优选的，所述多模态
MRI
存储和生成模块集成有
CycleGAN
生成模型，所述多模态
MRI
融合分析模块集成有多模态
Transformer
融合预测模型
。
[0020]本专利技术还公开一种计算机可读存储介质，其上存储有用于实现上述的脑肿瘤放射治疗疗效预测方法的计算机程序，或用于实现上述的用于脑肿瘤放射治疗疗效的预测系统的计算机程序
。
[0021]本专利技术基于多模态
MRI
融合分析技术，实现了脑
MRI
图像的生成
、
配准
、
融合和脑肿瘤治疗疗效智能预测，通过整合算法流程，设计多模态
MRI
融合分析算法，本专利技术可以实现放疗疗效的精准预测，能够满足临床的应用需求，可以帮助医生提供临床决策支持，具有较大临床前景
。
[0022]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改
、
替换或变更
。
附图说明
[0023]图1为本专利技术实施例1的流程示意图
。
[0024]图2为本专利技术实施例1的
Transformer
算法示意图
。
[0025]图3为本专利技术实施例2的流程示意图
。
具体实施方式
[0026]需要特别说明的是，实施例中未具体说明的数据采集
、
传输
、
储存和处理等步骤的算法，以及未具体说明的硬件结构
、
电路连接等均可通过现有技术已公开的内容实现
。
[0027]实施例1基于多模态
MRI
融合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种脑肿瘤放射治疗疗效预测方法，其特征在于，包括如下步骤：步骤1，获取患者的多模态脑
MRI
影像，包括
T1WI、T2WI、T2FLAIR、T1CE、ADC
五种
MRI
模态；步骤2，针对模态缺失的情况，构建不同
MRI
模态之间互相转换的生成模型，用于缺失
MRI
模态的补充；步骤3，对五种
MRI
模态之间进行图像配准和对齐，统一图像尺寸；步骤4，搭建多模态
Transformer
网络，同时输入五种
MRI
模态影像，在网络融合层进行多模态特征融合，输出对该患者放射治疗的疗效预测结果
。2.
按照权利要求1所述的脑肿瘤放射治疗疗效预测方法，其特征在于：步骤1中，所述脑
MRI
影像为常规临床扫描影像，用于脑肿瘤的诊断
。3.
按照权利要求1所述的脑肿瘤放射治疗疗效预测方法，其特征在于：步骤2中，所述不同
MRI
模态之间相互转换的生成模型是基于
CycleGAN
算法构建的，基于
Pytorch
实现，通过多模态
MRI
数据集训练得到
。4.
按照权利要求1所述的脑肿瘤放射治疗疗效预测方法，其特征在于：步骤3中，所述图像配准和对齐为刚性配准和对齐，通过重采样算法统一图像尺寸，并实施
N4
校正脑影像预处理
。5.
...

【专利技术属性】
技术研发人员：孙淼，姜泽坤，侯峻枫，孟思睿，
申请(专利权)人：华西精创医疗科技成都有限公司，
类型：发明
国别省市：