深度学习放射组学研究乳腺肌肉指数对乳腺癌远处转移的影响制造技术

本发明专利技术涉及一种多模态后期融合的深度学习放射组学联合诺模图模型，用来探究少肌症对乳腺癌

【技术实现步骤摘要】
深度学习放射组学研究乳腺肌肉指数对乳腺癌远处转移的影响


：
[0001]本专利技术涉及一种多模态后期融合的深度学习放射组学联合诺模图模型，该模型在探究少肌症对乳腺癌
(BC)
远处转移方面有着很好的预测效果
。

技术介绍

：
[0002]少肌症已被认为与多种癌症的预后因素存在关联
。
越来越多的证据表明，少肌症对恶性肿瘤患者具有显著影响
。
少肌症经常发生在转移性癌症患者中，但是目前缺乏少肌症和
BC
远处转移的定量研究
。
因此，本专利技术旨在一种多模态后期融合的深度学习放射组学联合诺模图模型探究少肌症对
BC
远处转移的影响
。
[0003]影像组学通过分析医学影像数据，在肿瘤分级
、
诊断和预后预测方面具有广阔的前景
。
通过影像组学方法提取
BC
患者
CT
图像的身体成分，来分析和评估少肌症对
BC
远处转移的预后影响...

【技术保护点】

【技术特征摘要】
1.
多模态后期融合的深度学习放射组学联合诺模图模型，用来探究少肌症对乳腺癌
(BC)
远处转移的影响，其特征在于，该方法包括以下步骤：步骤1：使用
1.53a
版本的
ImageJ
软件，利用
Hounsfield
单位
(HU)
测量
CT
图像的横截面面积，旨在评估身体成分参数
。
步骤2：将第四胸椎层
(T4)
图像
、
第十一胸椎层
(T11)
层图像
、
临床病理结合身体成分数据分别放入选出来的
DenseNet161
模型
、ResNet50
模型
、Gradient Boosting
模型中预测
BC
远处转移，从而提取相对应的特征
。
我们采用多数投票策略将三个模型的预测结果进行后期融合，得到后期融合概率
。
步骤3：对临床病理结合身体成分数据进行单因素
Cox
回归和多因素
Cox
回归，得到
p<0.05
的显著性因素
。
步骤4：将步骤2得到的后期融合概率与步骤3得到的显著性因素当做预测因素构建诺模图
。
步骤5：分析了诺模图中风险评分的最佳截断点，然后根据此最佳截断点确定总体评分最佳截断点
。
根据这些独立预后因素特征计算每位
BC
患者的总体评分，并依据总体评分最佳截断点将
BC
患者分为了高
、
低转移风险组
。
采用
Kaplan
‑
Meier(KM)
生存曲线进行生存分析，以提供高
、
低转移风险组之间远处转移生存期
(DMFS)
的最大差异
。2.
根据权利要求1所述的多模态后期融合的深度学习放射组学联合诺模图模型预测
BC
远处转移的方法，其特征在于，所述步骤1中，我们需要手动提取
CT
图像的放射组学特征，从而得到患者的身体成分参数，具体步骤为：步骤1‑1使用
ImageJ
软件可以基于
CT
图像分割组织边界，调节不同组织的阈值
。
骨骼肌的
HU
阈值为
‑
29
到
+150
，内脏脂肪组织为
‑
150
到
‑
50
，皮下脂肪组织为
‑
190
到
‑
30。
步骤1‑2利用
HU
测量
CT
图像的横截面面积：骨骼肌面积
(SMA)、
胸肌区域
(PMA)、
内脏脂肪组织区域
(VFA)
和皮下脂肪组织面积
(SFA)(cm2)。
步骤1‑3将得到的身体成分面积除以患者身高的平方，从而得到身体成分指数：胸肌指数
(PMI)、
竖脊肌指数
(ESMI)、
内脏脂肪指数
(VFI)
和皮下脂肪指数
(SFI)。3.
根据权利要求1所述的多模态后期融合的深度学习放射组学联合诺模图模型预测
BC
远处转移的方法，其特征在于，所述步骤2中，使用深度学习后期融合方法将模型预测的不同预测结果进行融合，从而得到后期融合概率，具体步骤为：步骤2‑1选择最佳的网络模型，不同的网络可能对不同的数据集预测效果都会产生影响
。
对于
T4
和
T11
层
CT
图像，我们挑选了5种深度学习方法，分别为：
Densenet121
，
DenseNet161
，
ResNet50
，
ResNet101
，
ResNet169。
最终，
T4
层和
T11
层
CT
图像分别选择了
DenseNet161
和
ResNet50。
对于临床病理结合身体成分数据，我们同样对比了5种机器学习分类器，分别为：支持向量机
(SVM)、
随机森林
(RF)、
梯度提升
(Gradient Boosting)、
自适应提升
(AdaBoost)
和二次判别分析
(QDA)。
结果选择了
Gradient Boosting
分类器
。
步骤2‑
2ResNet
能够解决深度神经网络训练中梯度消失和梯度爆炸的问题，尤其在计算机视觉领域中
。ResNet
的关键是残差学习块
。
残差学习块的公式为：其中
x
和
y
分别表示残差块的输入向量和输出向量
。
是待学习的残差映射，
W
i
是第
i
层的神经网络权重
。ResNet
可以通过基本块来构建
Blocks
，不同的
ResNet
可能具有不同的
数量
。
例如，
ResNet50
由4个
Blocks
组成，每个块分别具有3个
、4
个
、6
个
、3
个基本快
。DenseNet
以前馈方式将每一层与其他层连接起来
。DenseNet
网络由
Dense
块组成
。Dense
块的公式为
:X
l
＝
H
l
([X0,X1,...,X
l
‑1])
其中
H
l
([*])
代表第一层的非线性变换，例如批量归一化
、
卷积
、
池化等，
X
i
代表第
i
层的特征输出
。
与
ResNet
相比，
DenseNet
进一步优化了信息流的传播
。Gradient Boosting
是一种集成学习方法，它通过组合多个弱学习器来构建一个强学习器
。
其核心思想是通过迭代的方式逐步拟合残差，以提高模型的预测能力
。
步骤2‑3损失函数采用负对数似然损失函数
(Negative Log
‑
likelihood Loss)。
优化器采用
Ada...

【专利技术属性】
技术研发人员：穆世凯，王国鹏，苗世迪，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：