一种针对肾癌制造技术

本发明专利技术涉及一种针对肾癌

【技术实现步骤摘要】
一种针对肾癌PET
‑
CT图像的预测ki
‑
67表达方法


[0001]本专利技术涉及一种医学图像的处理方法，具体地说是一种针对肾癌
PET
‑
CT
图像的预测
ki
‑
67
表达方法
。

技术介绍

[0002]肾癌的致死率较高，而
ki
‑
67
作为评价肾癌恶性程度及判断预后良好的一个指标，其表达情况通常是由术后的病理检验来确定，在术前也可通过超声或
CT
引导下经皮穿刺活检来确定
。
但是，穿刺活检为有创性操作，存在有出血
、
感染
、
动静脉瘘和肿瘤转移等并发症的风险
。
特别是对于年老体弱
、
不适合穿刺或者手术的患者，肾癌的
ki
‑
67
表达情况的获得尤为困难
。
[0003]在以往对
ki
‑
67
的研究中，通常使用影像组学的方法
。
传统影像组学的方法主要是通过提取肿瘤的大量纹理特征来定量分析感兴趣区域的实质属性，然后通过分类器对
ki
‑
67
表达进行预测
。
纹理特征提取的方法包括灰度共生矩阵
、
马尔可夫随机场（
MRF
）模型法
、
特征滤波器
、
>曲波变换
、
局部傅里叶变换等多种方式，分类器则包括支持向量机（
SVM
）和
K
最近邻等
。
[0004]由于上述对
ki
‑
67
表达的特征种类多，为了解决特征冗余问题，通常需要人为进行特征选择或者降维处理；而且，选择不同的分类器，对结果的影响会有所不同
。

技术实现思路

[0005]本专利技术的目的就是提供一种针对肾癌
PET
‑
CT
图像的预测
ki
‑
67
表达方法，以解决目前难以通过无创低风险的方式获取肾癌
ki
‑
67
表达的问题
。
[0006]本专利技术的目的是这样实现的：一种针对肾癌
PET
‑
CT
图像的预测
ki
‑
67
表达方法，包括以下步骤：
S1、
构建样本数据集：收集肾癌四期
PET
‑
CT
扫描图像样本，标注出样本图像中的目标肿瘤区域，生成
json
格式文件，然后裁剪出其中的目标肿瘤区域，将裁剪出的图像调整为
224
×
224
像素的大小，形成样本数据；将肾癌各期的样本数据归为对应期的样本数据集，每期的样本数据集中的样本数据按照
4:1
的比例分为训练集和内部测试集，并从收集到的肾癌四期
PET
‑
CT
影像样本中选择若干样本数据作为外部验证集；
S2、
构建
ki
‑
67
表达分类算法模型，利用
ki
‑
67
表达分类算法模型对输入的训练集的样本数据分别做出其
ki
‑
67
表达是阴性还是阳性的输出结果，并根据输出结果的阴性或阳性，对样本数据进行分类；
S3、
利用内部测试集对
ki
‑
67
表达分类算法模型进行测试：采用分类准确率
、
精确率
、
召回率
、F1
分数
、
受试者工作曲线的面积
、
混淆矩阵来评价
ki
‑
67
表达分类算法模型在内部测试集上的性能，并对训练过程的超参数进行调整，以获得表现最优的模型；
S4、
利用外部验证集对
ki
‑
67
表达分类算法模型进行验证：利用外部验证集的样本数据作为测试样本，验证该模型实现
ki
‑
67
表达分类的准确率
、
查全率
、
精确率
、ROC
曲线等
相关指标，分析该模型在不同时期数据上所表现的分类差异，并对训练过程的超参数进行调整，以得到表现最优的模型
。
[0007]进一步地，所述
ki
‑
67
表达分类算法模型包括3×3卷积层
、
若干
MV2
模块
、
若干
MobileViT
模块
、1
×1卷积层和全局池化线性变换模块
。
[0008]进一步地，所述
MV2
模块是在
MobileNetV2
中的倒残差结构基础上加
SE
注意力机制，用以将特征图的维度通过卷积对通道数先进行升维，然后通过
SE
注意力机制从通道域的角度赋予图像不同位置不同的权重，从而得到更重要的特征信息，最后通过卷积对通道数进行降维以及通过捷径分支与原始特征图进行连接，以得到损失更少的特征信息
。
[0009]进一步地，所述
MobileViT
模块包括：局部表征模块，用以通过两个不同卷积核大小的卷积层对特征图进行局部的特征建模和通道数调整；全局表征模块，用于通过
Unfold
‑
>Transformer
‑
>Fold
结构进行全局的特征建模；以及特征融合模块，用于通过一个1×1卷积层将经过全局表征模块的特征图通道数调整为原始大小，再通过
shortcut
捷径分支与原始输入特征图沿通道方向进行拼接，最后再通过一个
n
×
n
的卷积层进行特征融合
。
[0010]进一步地，所述
Transformer
模块包括：轻量级多头自注意力模块，用于使用深度卷积计算代替
key
和
value
的计算，以减轻计算开销；以及反向残差前馈网络模块，用于对输入的特征图在每个通道中提取特征信息，以更好地学习特征，减少训练时间和计算资源的消耗
。
[0011]进一步地，所述反向残差前馈网络模块包括：始端线性变换层，用于对输入信息进行线性变换；深度卷积层，用于对特征图的每个通道单独进行卷积操作；
shortcut
捷径分支，用于将深度卷积层的输入和输出进行连接；以及末端本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种针对肾癌
PET
‑
CT
图像的预测
ki
‑
67
表达方法，其特征是，包括以下步骤：
S1、
构建样本数据集：收集肾癌四期
PET
‑
CT
扫描图像样本，标注出样本图像中的目标肿瘤区域，生成
json
格式文件，然后裁剪出其中的目标肿瘤区域，将裁剪出的图像调整为
224
×
224
像素的大小，形成样本数据；将肾癌各期的样本数据归为对应期的样本数据集，每期的样本数据集中的样本数据按照
4:1
的比例分为训练集和内部测试集，并从收集到的肾癌四期
PET
‑
CT
影像样本中选择若干样本数据作为外部验证集；
S2、
构建
ki
‑
67
表达分类算法模型，利用
ki
‑
67
表达分类算法模型对输入的训练集的样本数据分别做出其
ki
‑
67
表达是阴性还是阳性的输出结果，并根据输出结果的阴性或阳性，对样本数据进行分类；
S3、
利用内部测试集对
ki
‑
67
表达分类算法模型进行测试：采用分类准确率
、
精确率
、
召回率
、F1
分数
、
受试者工作曲线的面积
、
混淆矩阵来评价
ki
‑
67
表达分类算法模型在内部测试集上的性能，并对训练过程的超参数进行调整，以获得表现最优的模型；
S4、
利用外部验证集对
ki
‑
67
表达分类算法模型进行验证：利用外部验证集的样本数据作为测试样本，验证该模型实现
ki
‑
67
表达分类的准确率
、
查全率
、
精确率
、ROC
曲线等相关指标，分析该模型在不同时期数据上所表现的分类差异，并对训练过程的超参数进行调整，以得到表现最优的模型
。2.
根据权利要求1所述的针对肾癌
PET
‑
CT
图像的预测
ki
‑
67
表达方法，其特征是，所述
ki
‑
67
表达分类算法模型包括3×3卷积层
、
若干
MV2
模块
、
若干
Mo...

【专利技术属性】
技术研发人员：杨昆，李乐华，崔振宇，刘琨，刘爽，薛林雁，于海韵，宋杰，
申请(专利权)人：河北大学，
类型：发明
国别省市：