【技术实现步骤摘要】
本专利技术涉及宫颈癌预后，尤其涉及一种基于深度学习的宫颈癌预后全自动预测方法及装置。
技术介绍
1、宫颈癌是最常见的妇科恶性肿瘤之一，它是全球女性癌症死亡的主要原因之一。尽管通过筛查和疫苗接种可以预防宫颈癌，但仍有许多女性在晚期才被诊断出该疾病。放化疗在宫颈癌的治疗中起着至关重要的作用，能够延长患者的生存时间，甚至在某些情况下能够治愈癌症。然而，并非所有患者都能从放化疗中获益，这使得评估患者对放化疗的反应对于预后和治疗管理决策变得尤为重要。
2、目前，预后分层主要通过手术后的组织病理学评估确定。这种方法依赖于手术切除的肿瘤组织进行显微镜下的病理分析，以判断肿瘤的类型、分级、浸润深度以及淋巴结转移等特征。然而，由于宫颈癌的临床异质性，单纯依靠组织病理学评估并不是最佳的风险分层方法。首先，组织病理学评估是在手术后获得，这意味着在初始治疗阶段，临床决策仍然缺乏重要的预后信息。其次，组织病理学评估存在一定的主观性和变异性，不同的病理学家可能对同一标本有不同的解读。
3、因此，在癌症诊断时提供预后信息的模型将有助于优化治疗...
【技术保护点】
1.一种基于深度学习的宫颈癌预后全自动预测模型的构建方法，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，所述患者影像序列及临床数据包括：MR影像序列、总生存期、是否生存、无进展生存期和是否复发。
3.根据权利要求2所述的方法，其特征在于，所述使用所述患者影像数据及所述患者影像数据的掩码训练分割模型包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述患者影像数据和所述患者影像数据的掩码进行数据增强包括：
5.根据权利要求4所述的方法，其特征在于，所述分割模型Unet网络模型包括：收缩路径和扩张路径，...
【技术特征摘要】
1.一种基于深度学习的宫颈癌预后全自动预测模型的构建方法，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，所述患者影像序列及临床数据包括：mr影像序列、总生存期、是否生存、无进展生存期和是否复发。
3.根据权利要求2所述的方法，其特征在于，所述使用所述患者影像数据及所述患者影像数据的掩码训练分割模型包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述患者影像数据和所述患者影像数据的掩码进行数据增强包括：
5.根据权利要求4所述的方法，其特征在于，所述分割模型unet网络模型包括：收缩路径和扩张路径，所述收缩路径包括4个卷积层，每个卷积层后接一个整流线性单元和一个步长为3的2×2最大池化层；所述扩张路径包括4个卷积层，每个卷积层后接一个整流线性单元和一个2×2卷积；所述收缩路径中每个卷积层的特征都级联到所述扩张路径的对应卷积层中；使用1个1×1卷积获取掩码。
6.根据权利要求5所述的方法，其特征在于，所述利用所述预测掩码和所述患者影像数据的掩码计算损失，使用损失函数更新所述分割模...
【专利技术属性】
技术研发人员：冯越，李裕强，楼寒梅，朱玮，田景奎，夏渤尧，徐慧，仲星光，
申请(专利权)人：浙江省肿瘤医院，
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。