[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

本發明公開了一種多特征融合計算識別膠質瘤復發與壞死的方法，包括以下步驟，步驟一：數據預處理；步驟二：對膠質瘤病灶進行分割；步驟三：對膠質瘤病灶影像組學特征進行獲取；步驟四：對多特征融合分類；本發明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，本方法神經網絡的卷積層特征與影像組學特征進行融合，使模型通過兩種特征維度空間，能夠從常規MRI結構像學習到區分復發與壞死的病灶特征信息，以此緩解國內專業醫療人員的分布不均勻、高質量影像設備有限等問題，從而能夠輔助醫生對術后的GBM患者有更好的預判結果。

技術領域

本發明涉及圖像處理領域，特別涉及一種多特征融合計算識別膠質瘤復發與壞死的方法。

背景技術

膠質母細胞瘤（Glioblastoma，GBM）依據WHO分級屬于星形細胞瘤IV級，按WHO分級體系，I級為低度惡性，具有較小的惡性度；而IV級為高度惡性，具有快速生長的潛能和侵襲性的生物學行為，膠質瘤是成人中樞神經系統最常見和侵襲性最強的惡性原發性腫瘤，在外觀、形狀和組織學上具有極端的內在異質性。臨床治療時膠質瘤患者的預后很差，目前手術切除配合術后放療或聯合放化療成為膠質瘤治療最重要的方法。其中，放射壞死(RN)通常發生在放射治療后3年內，并且通常與復發性腫瘤無法區分，因為它表現為增強的腫塊病變，周圍有不同程度的水腫，并在連續磁共振成像(MRI，magnetic resonance imaging)上呈進行性增強。因此，區分復發性膠質瘤和RN在決定后續治療方面具有臨床重要性；復發表明治療失敗，需要使用額外的抗癌療法，而RN則接受保守治療。

臨床上醫生閱片通常是采用正電子發射型計算機斷層顯像（PET）、彌散加權成像（DWI）、及灌注影像(Perfusion fMRI)，當前國內的PET數量較少且地域分布不均衡，并且DTI和fMRI的影像分析對醫生的要求較高，而常規的MRI結構影像又很難獲取復發與壞死的相關特征信息。對于膠質瘤的復發與壞死的研究，通常是研究PET、DWI及fMRI影像的影像學特征、相對表觀擴散系數（rADC）、相對腦血容量（rCBV）以及相對腦血流量（rCBF）等生化指標，其對研究者的專業性要求度較高。

隨著計算機視覺技術的發展，采用傳統影像特征分析技術、基于深度學習的圖像分割、檢測、分類技術，研究膠質瘤病灶的形狀的分割、病灶大小的計算、位置的檢測及生長速度的預測較多，結合上面的分析，故本文將常規的MRI影像進行偏置場校正、圖像模態配準、圖像采樣歸一化和顱骨去除等預處理操作后的腦部區域，采用基于圖像分割的影像組學的特征融合技術和基于深度學習的圖像分類技術，實現能夠較快、較準確對患者拍攝的常規MRI結構像識別膠質瘤病灶區域復發與壞死病癥信息，為此，我們提出一種多特征融合計算識別膠質瘤復發與壞死的方法。

發明內容

本發明提出了一種多特征融合計算識別膠質瘤（GBM）復發與壞死的方法，該方法首先，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；其次，在常規MRI結構像的分割比賽RSNA-ASNR-MICCAIBraTS Challenge 2021（BraTS21）數據集上訓練病灶分割模型，其中分割模型采用基于UNet改進的Intel UNet的nnUNet網絡結構，獲取病灶區域的體像素，以此，減少繁重的標注工作，只需要醫師審核標注結果是否正確即可；然后結合影像組學的T-test、Lasso特征篩選等傳統圖像處理技術獲取GBM病灶區域的影像學特征，如病灶體積的形狀信息、灰度分布、紋理特征等；最后，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GBM的復發與壞死，可以有效解決背景技術中的問題。

為實現上述目的，本發明采取的技術方案為：

一種多特征融合計算識別膠質瘤復發與壞死的方法，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；