[發明專利]一種多特征融合計算識別膠質瘤復發與壞死的方法

在審

• 申請號: 202110918571.3
• 申請日: 2021-08-11
• 公開（公告）號: CN113516653A
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 蔡小紅;張勤;安竹林
• 申請（專利權）人: 中科（廈門）數據智能研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/33;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 安徽善安知識產權代理事務所(特殊普通合伙) 34200
• 代理人: 陳庭

1.一種多特征融合計算識別膠質瘤復發與壞死的方法，其特征在于，包括以下步驟：

步驟一、數據預處理：采用傳統圖像處理和基于深度學習的UNet分割算

法，對常規的MRI結構像進行多結構影像的配準及歸一化等數據預處理；

步驟二、對膠質瘤病灶進行分割：在常規MRI結構像的分割比賽數據集上訓練病灶分割模型，其中分割模型采用nnUNet網絡結構，對病灶區域的體像素進行獲取；

步驟三、對膠質瘤病灶影像組學特征進行獲取：結合影像組學的T-test、

Lasso特征篩選等傳統圖像處理技術獲取膠質瘤病灶區域的影像學特征；

步驟四、對多特征融合分類：將通過影像組學提取的特征與基于ShuffleNet

的分類網絡的最后一層卷積進行多種特征融合計算，實現僅采用常規的MRI結構像，能夠識別膠質瘤的復發與壞死。

2.根據權利要求1所述的一種多特征融合計算識別膠質瘤復發與壞死的方法，其特征在于：所述數據預處理的具體流程如下：首先，將格式為dicom切片圖集轉成nii格式；然后，對數據進行偏置場校正；其次，進行像素空間、坐標空間歸一化；最后，采用基于Unet的深度學習分割算法，將除腦組織外的顱骨區域去除。

3.根據權利要求1所述的一種多特征融合計算識別膠質瘤復發與壞死的方法，其特征在于：所述對膠質瘤病灶進行分割的具體流程如下：首先，采用nnUNet模型在比賽數據集的T1、T1ce、T2三個模態的膠質瘤數據集上訓練膠質瘤病灶的分割模型；然后，將獲取的分割模型在上述步驟一中數據預處理清洗的膠質瘤數據集進行病灶區域的分割推斷；其次，對于患者的病灶分割效果，進行人工交叉檢查，標記錯誤或漏分割的數據；最后，結合人工的意見，獲得比常規影像上呈現的膠質瘤的病灶區域涉及的多的體像素數據。

4.根據權利要求1所述的一種多特征融合計算識別膠質瘤復發與壞死的方法，其特征在于：所述對膠質瘤病灶影像組學特征進行獲取的具體流程如下：對上述膠質瘤病灶分割模塊獲取的病灶體積塊，采用pyradiomic庫，提取影像組學特征，采用T-test結合Lasso特征對一部分特征量進行篩選。

5.根據權利要求1所述的一種多特征融合計算識別膠質瘤復發與壞死的方法，其特征在于：所述對多特征融合分類的具體流程如下：

S1、將常規MRI的T1、T1ce、T2結構像數據對應R、G、B通道，進行

三模態的特征融合；

S2、常規MRI的三個結構像融合后的圖像上熒光綠的區域及周圍則表示病灶信息；

S3、針對結構像融合后的膠質瘤數據集，則根據上述人工交叉篩選nnUNet分割模型推斷的結果，篩選掉沒有病灶信息的結構像融合切片圖；

S4、在結構像融合切片圖數據集上調用多尺度特征學習網絡Shuffle Net模型學習病灶的多尺度信息；

S5、將最后卷積層輸入到Max池化層獲取關鍵信息，再融合到前述GBM數據集上獲取的病灶影像組學特征獲取模塊獲取的含有膠質瘤病灶信息的特征，結合分類層進一步學習特征信息；

S7、通過softmax分類器優化卷積神經網絡特征融合分類模型對于復發和壞死的分類效果。

6.根據權利要求4所述的一種多特征融合計算識別膠質瘤復發與壞死的方法，其特征在于：所述Lasso特征約束條件如下：

。

7.根據權利要求4所述的一種多特征融合計算識別膠質瘤復發與壞死的方法，其特征在于：采用所述pyradiomic庫，提取的影像組學特征為First Order Statistics、Shape-based (3D)、Shape-based (2D)、Gray Level Cooccurence Matrix、Gray Level RunLength Matrix、Gray Level Size Zone Matrix、Neighbouring Gray Tone DifferenceMatrix、Gray Level Dependence Matrix。