[發明專利]基于無監督學習的乳腺癌分子分型方法、裝置及系統有效

申請號：	202110972195.6	申請日：	2021-08-24
公開（公告）號：	CN113643269B	公開（公告）日：	2023-10-13
發明（設計）人：	謝元忠;聶生東;孫榕;李秀娟;孔雪	申請（專利權）人：	泰安市中心醫院;上海理工大學
主分類號：	G06T7/00	分類號：	G06T7/00;G06V10/25;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/088
代理公司：	上?？剖⒅R產權代理有限公司 31225	代理人：	翁惠瑜
地址：	271099***	國省代碼：	山東;37
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	基于監督學習乳腺癌分子方法裝置系統
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明涉及一種基于無監督學習的乳腺癌分子分型方法、裝置及系統，所述方法包括如下步驟：獲得待預測的乳腺DCE?MRI影像，提取該影像中多種規格的序列影像的感興趣區域；利用一采用無監督學習訓練獲得的分子分型預測模型預測獲得各種所述序列影像的對應的分子亞型分類概率；采用集成學習融合，獲得最終對應的分子亞型分類結果；所述分子分型預測模型進行訓練時，通過無監督學習預訓練網絡和遷移學習微調網絡的思想，前一階段充分利用乳腺良性腫瘤影像構建無標簽的源域數據集，增強模型提取特征的能力；后一階段采用乳腺惡性腫瘤影像構建有標簽的目標域數據集對帶有預訓練權重的模型微調。與現有技術相比，本發明顯著提高了乳腺癌分子分型的預測精度。

技術領域

本發明涉及計算機輔助醫學領域，具體涉及一種基于無監督學習的乳腺癌分子分型方法、裝置及系統。

背景技術

據2021年世界衛生組織國際癌癥研究機構最新數據顯示，乳腺癌已取代肺癌成為全球發病率最高的癌癥。作為一種異質性極為顯著的惡性腫瘤，即使患者的臨床分期、病理類型相同，其治療療效及預后也存在很大的差異。當前，免疫組織化學標記技術或基因表達譜已成為精準判定乳腺癌分子亞型的主要方式，然而該操作方式復雜有創，且未能做到“早發現、早診斷、早治療”?，F代醫學影像學的蓬勃發展為乳腺癌的早期篩查與診療創造了有利條件。除常見的乳腺鉬靶和超聲成像外，磁共振成像因為能夠保持乳腺軟組織高分辨率，也逐漸受到了臨床的廣泛青睞。近年來，聯合多模態磁共振成像序列，從影像數據的角度深入分析乳腺癌分子分型的相關特征已成為該領域的一大研究熱點。

從目前的國內外研究現狀來看，基于MRI的乳腺癌分子分型的研究可依據方法的主要技術路線分為兩類：一是基于統計學分析的分子分型關聯性研究，利用統計學回歸模型，分析醫學影像中病灶表型特征、表觀擴散系數以及血流動力學參數與各亞型的關系。但通過這類方法獲得的淺層次的可視化特征很難深入分析與腫瘤異質性之間的相關程度，且研究樣本量較小，降低了結果的借鑒意義。二是通過影像組學，研究特征與乳腺癌分子分型的內在關聯，以構建合理的乳腺癌分子分型預測模型。然而在該類方法中，為保證感興趣區域勾畫以及特征提取優化時精準有效，需要經過放射科醫師的多次確認，再次降低分子分型檢出的時效性。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種預測靈敏且精度較高的基于無監督學習的乳腺癌分子分型方法、裝置及系統。

本發明的目的可以通過以下技術方案來實現：

一種基于無監督學習的乳腺癌分子分型方法，該方法包括如下步驟：

步驟S1，獲得待預測的乳腺DCE-MRI影像，提取該影像中多種規格的序列影像的感興趣區域；

步驟S2，利用一采用無監督學習訓練獲得的分子分型預測模型預測獲得各種所述序列影像的對應的分子亞型分類概率；

步驟S3，采用集成學習融合，獲得最終對應的分子亞型分類結果；

所述分子分型預測模型的訓練過程包括：

獲取用于訓練的乳腺DCE-MRI影像，按照影像中病變良惡性劃分形成互不相交的一源域數據集和一目標域數據集，所述源域數據集包含的是無標簽樣本，所述目標域數據集包含的是有標簽樣本；

分別提取源域數據集和目標數據集中多種規格的序列影像的感興趣區域；

采用所獲得源域數據集中多種序列影像的感興趣區域，分別對所構建的一分子分型預測模型進行無監督學習預訓練，獲得模型權重；

采用所獲得目標域數據集中多種序列影像的感興趣區域，分別對所述預訓練的分子分型預測模型進行遷移學習微調，更新模型權重，完成訓練。