System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及图像处理,特别是一种基于深度学习的乳腺癌基因分型预测方法及装置。
技术介绍
1、乳腺癌是妇女最常见的恶性肿瘤之一,是女性健康的头号杀手。2000年,perou等首次针对乳腺癌基因分型进行分析,预示肿瘤本质研究的开始。人们逐渐发现,乳腺癌易感基因和致癌位点的不同,在疾病表达、治疗以及生存结果上存在明显的差异。2003年stgallen等推荐基因分析用于遗传性乳腺癌,并针对乳腺癌易感基因(brca1和brca2)阳性表达具有高危险因素病人选择预防性对侧乳腺切除以降低乳癌风险。现在,医学界已认可乳腺癌21基因检测和70基因检测对预测化疗获益有价值,并批准进入临床应用。然而,现有条件下昂贵的费用和难以达到的技术水平限制了基因检测在临床的推广应用。最新研究发现,通过对影像特征的定量分析,能够一定程度上预测肿瘤基因水平的差异,这表明,对医学图像的深度挖掘可以发现影像与基因的深层次联系,在乳腺癌的影像检查与精准医学治疗之间建立一条直通的桥梁。
2、目前,人工智能领域中最热门的方向之一就是深度学习。深度学习网络的处理过程模仿人类大脑的神经网络,是一个不断迭代、自下而上不断抽象的过程,它以强大的自动特征提取、复杂模型构建及图像处理能力来主动识别自然世界,因此能自动发现特征,无需人类预设先验知识。2012年,瑞士ciresan等将深度学习用于乳腺癌细胞图片中有丝分裂的自动寻找,该模型的准确率远远超过了以往方法,赢得了当年icpr竞赛的冠军。但深度学习在影像组学的应用上仍处于发展初期,pubmed上仅有2篇文献:antropov
技术实现思路
1、鉴于上述提到的问题,提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于深度学习的乳腺癌基因分型预测方法及装置,包括:
2、一种基于深度学习的乳腺癌基因分型预测方法,包括:
3、获取样本癌变乳腺的样本医学影像集合和样本基因分型;其中,所述样本医学影像集合包括至少三种不同类型的乳腺医学影像;
4、依据所述样本医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练,得到训练完成的基因分型预测模型;其中,所述初始基因分型预测模型包括依次连接的输入层、分支网络集合、融合层和全连接块;所述分支网络集合包括与每一类型的乳腺医学影像对应的分支网络;
5、获取目标癌变乳腺的目标医学影像集合;其中,所述样本医学影像集合包括至少一种类型的乳腺医学影像;
6、使用所述训练完成的基因分型预测模型对所述目标医学影像集合进行处理,得到所述目标癌变乳腺的目标基因分型。
7、优选的,所述依据所述样本医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练,得到训练完成的基因分型预测模型的步骤,包括:
8、对所述样本医学影像集合中的乳腺医学影像进行随机遮蔽,得到遮蔽医学影像集合;
9、依据所述样本医学影像集合、所述遮蔽医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练,得到训练完成的基因分型预测模型。
10、优选的,所述对所述样本医学影像集合中的乳腺医学影像进行随机遮蔽,得到遮蔽医学影像集合的步骤,包括:
11、依据所述样本医学影像集合,生成与每一类型的乳腺医学影像对应的均值遮蔽影像;
12、将所述样本医学影像集合中随机数量的乳腺医学影像中的随机区域替换为对应的所述均值遮蔽影像中的对应区域,得到遮蔽医学影像集合。
13、优选的,所述依据所述样本医学影像集合、所述遮蔽医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练,得到训练完成的基因分型预测模型的步骤,包括:
14、将所述样本医学影像集合和所述遮蔽医学影像集合输入初始基因分型预测模型,得到预测基因分型;
15、依据所述预测基因分型和所述样本基因分型计算所述初始基因分型预测模型的损失值;
16、调整所述初始基因分型预测模型的参数,直至所述损失值小于预设值。
17、优选的,所述使用所述训练完成的基因分型预测模型对所述目标医学影像集合进行处理,得到所述目标癌变乳腺的目标基因分型的步骤,包括:
18、当所述目标医学影像集合中乳腺医学影像的数量等于所述样本医学影像集合中乳腺医学影像的数量时,将所述目标医学影像集合输入所述训练完成的基因分型预测模型,得到所述目标癌变乳腺的目标基因分型;
19、当所述目标医学影像集合中乳腺医学影像的数量小于所述样本医学影像集合中乳腺医学影像的数量时,对所述目标医学影像集合中缺失的乳腺医学影像进行填充,得到填充医学影像集合;
20、将所述填充医学影像集合输入所述训练完成的基因分型预测模型,得到所述目标癌变乳腺的目标基因分型。
21、优选的,所述对所述目标医学影像集合中缺失的乳腺医学影像进行填充,得到填充医学影像集合的步骤,包括:
22、依据所述目标医学影像集合中已有的乳腺医学影像,生成目标填充影像;
23、将所述目标填充影像添加至所述目标医学影像集合,得到填充医学影像集合。
24、优选的,所述对所述目标医学影像集合中缺失的乳腺医学影像进行填充,得到填充医学影像集合的步骤,包括:
25、依据所述样本医学影像集合和所述目标医学影像集合中已有的乳腺医学影像,生成目标填充影像;
26、将所述目标填充影像添加至所述目标医学影像集合,得到填充医学影像集合。
27、一种基于深度学习的乳腺癌基因分型预测装置,包括:
28、样本获取模块,用于获取样本癌变乳腺的样本医学影像集合和样本基因分型;其中,所述样本医学影像集合包括至少三种不同类型的乳腺医学影像;
29、模型训练模块,用于依据所述样本医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练,得到训练完成的基因分型预测模型;其中,所述初始基因分型预测模型包括依次连接的输入层、分支网络集合、融合层和全连接块;所述分支网络集合包括与每一类型的乳腺医学影像对应的分支网络;
30、目标获取模块,用于获取目标癌变乳腺的目标医学影像集合;其中,所述样本医学影像集合包括至少一种类型的乳腺医学影像;
31、目标预测模块,用于使用所述训练完成的基因分型预测模型对所述目标医学影像集合进行处理,得到所述目标癌变乳腺的目标基因分型。
32、一种计算机设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算本文档来自技高网...
【技术保护点】
1.一种基于深度学习的乳腺癌基因分型预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述依据所述样本医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练,得到训练完成的基因分型预测模型的步骤,包括:
3.根据权利要求2所述的方法,其特征在于,所述对所述样本医学影像集合中的乳腺医学影像进行随机遮蔽,得到遮蔽医学影像集合的步骤,包括:
4.根据权利要求2所述的方法,其特征在于,所述对所述样本医学影像集合中的乳腺医学影像进行随机遮蔽,得到遮蔽医学影像集合的步骤,包括:
5.根据权利要求1所述的方法,其特征在于,所述使用所述训练完成的基因分型预测模型对所述目标医学影像集合进行处理,得到所述目标癌变乳腺的目标基因分型的步骤,包括:
6.根据权利要求5所述的方法,其特征在于,所述对所述目标医学影像集合中缺失的乳腺医学影像进行填充,得到填充医学影像集合的步骤,包括:
7.根据权利要求5所述的方法,其特征在于,所述对所述目标医学影像集合中缺失的乳腺医学影像进行填充,得到填充医学影像集合的步骤,
8.一种基于深度学习的乳腺癌基因分型预测装置,其特征在于,包括:
9.一种计算机设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种基于深度学习的乳腺癌基因分型预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述依据所述样本医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练,得到训练完成的基因分型预测模型的步骤,包括:
3.根据权利要求2所述的方法,其特征在于,所述对所述样本医学影像集合中的乳腺医学影像进行随机遮蔽,得到遮蔽医学影像集合的步骤,包括:
4.根据权利要求2所述的方法,其特征在于,所述对所述样本医学影像集合中的乳腺医学影像进行随机遮蔽,得到遮蔽医学影像集合的步骤,包括:
5.根据权利要求1所述的方法,其特征在于,所述使用所述训练完成的基因分型预测模型对所述目标医学影像集合进行处理,得到所述目标癌变乳腺的目标基因分型的步骤,包括:
...【专利技术属性】
技术研发人员:曹圳杰,于江波,袁家琳,马捷,
申请(专利权)人:深圳市人民医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。