[發(fā)明專利]一種磁共振成像腦膠質瘤IDH基因預測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210143820.0
• 申請日: 2022-02-17
• 公開（公告）號: CN114463320A
• 公開（公告）日: 2022-05-10
• 發(fā)明（設計）人: 徐麗娜;曾海龍;蔡聰波;蔡淑惠;陳忠
• 申請（專利權）人: 廈門大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/26;G06V10/774;G06V10/82;G06V10/80;G06V10/764;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 趙興華

本發(fā)明涉及圖像分割及檢測技術領域，具體涉及一種磁共振成像腦膠質瘤IDH基因預測方法及系統(tǒng)，該方法包括：構建腦膠質瘤區(qū)域預測網(wǎng)絡；預測網(wǎng)絡包括生成網(wǎng)絡、判別網(wǎng)絡和分割網(wǎng)絡；生成網(wǎng)絡用于源域數(shù)據(jù)集和目標域數(shù)據(jù)集域間的自適應轉換；基于損失目標函數(shù)采用源域和目標域數(shù)據(jù)集訓練預測網(wǎng)絡；損失目標函數(shù)根據(jù)對抗損失、循環(huán)一致性損失、分割損失和分割一致性損失確定；采用訓練好的腦膠質瘤區(qū)域預測網(wǎng)絡對待預測磁共振圖像進行腦膠質瘤區(qū)域分割；分別采用放射組學和深度神經(jīng)網(wǎng)絡提取分割后的腦膠質瘤區(qū)域組學特征和深度特征；將組學特征和深度特征結合作為隨機森林算法的輸入，輸出IDH基因型的分類。本發(fā)明提高了基因型預測的魯棒性。

技術領域

本發(fā)明涉及圖像分割及檢測技術領域，特別是涉及一種磁共振成像腦膠質瘤IDH基因預測方法及系統(tǒng)。

背景技術

腦膠質瘤作為最常見及最惡性的腦部疾病之一，其發(fā)生、發(fā)展與某些基因的狀態(tài)密切相關。最明顯的基因突變之一與異檸檬酸脫氫酶(IDH)有關，其可作為膠質瘤診斷和分級的生物標志物，對患者治療規(guī)劃和預后評估具有重要的臨床意義。然而，IDH突變狀態(tài)通常通過組織病理學活檢來獲得，該診斷方式具有侵襲和偏倚性。

多參數(shù)MRI(Magnetic Resonance Imaging，磁共振成像)數(shù)據(jù)從成像表型的角度提供了豐富的對比度和互信息。然而，IDH突變體和野生型之間的相似形態(tài)給預測帶來技術挑戰(zhàn)。對于基因型的預測方面，放射基因組學方法得到了越來越多的應用，其可實現(xiàn)成像和腫瘤基因組特征之間的映射，而且高通量的特征提取方法能夠將圖像轉換為可定量分析的基本特征。Peng等人使用基于機器學習模型的放射組學分析IDH基因突變，這也是主流的非侵入性檢測方法之一。然而，影像組學通常依賴于對整個病灶的手工描繪，在形態(tài)、強度、紋理和其他手工特征方面的分析仍然受到阻礙，因為它不能充分反映復雜的腫瘤特征。此外，Chang等人提出基于深度學習的基因型預測方法，而其本質是基于監(jiān)督學習的方法。另一方面，腫瘤分割通常作為MR術前評估不可或缺的一步，目前醫(yī)學圖像分割領域涌現(xiàn)了大量的基于深度學習的自動分割方法，往往也都基于監(jiān)督學習。監(jiān)督學習依賴于海量數(shù)據(jù)以及像素級的標簽，這在實際臨床數(shù)據(jù)中是極稀缺的。比較有效的方法是通過公開的醫(yī)學數(shù)據(jù)集預先訓練一個分割模型，再將其遷移到目標的分割任務中。但是用這種方法存在一些明顯的缺陷：首先，需要找到網(wǎng)絡上公開的完全一致的數(shù)據(jù)集進行遷移，這對于新的任務非常苛刻；其次，由于臨床數(shù)據(jù)采集時掃描儀器、參數(shù)設置、采樣設置的不同，導致相同任務的網(wǎng)絡公開數(shù)據(jù)集與臨床數(shù)據(jù)仍然存在著數(shù)據(jù)集偏差，使遷移學習結果不佳。

發(fā)明內容

本發(fā)明的目的是提供一種磁共振成像腦膠質瘤IDH基因預測方法及系統(tǒng)，降低了對數(shù)據(jù)標簽的依賴性，提高了基因型預測的魯棒性。

為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種磁共振成像腦膠質瘤IDH基因預測方法，包括：

獲取源域數(shù)據(jù)集和目標域數(shù)據(jù)集，所述源域數(shù)據(jù)集中圖像為有標簽的磁共振圖像，所述目標域數(shù)據(jù)集中圖像為無標簽的磁共振圖像；

構建腦膠質瘤區(qū)域預測網(wǎng)絡；所述腦膠質瘤區(qū)域預測網(wǎng)絡包括生成網(wǎng)絡、判別網(wǎng)絡和分割網(wǎng)絡；所述生成網(wǎng)絡用于源域數(shù)據(jù)集和目標域數(shù)據(jù)集域間的自適應相互轉換，所述生成網(wǎng)絡包括第一生成器和第二生成器，第一生成器和第二生成器互呈雙向循環(huán)結構；所述判別網(wǎng)絡包括第一判別器和第二判別器，所述第一判別器和所述第一生成器組成第一生成對抗網(wǎng)絡，所述第二判別器和所述第二生成器組成第二生成對抗網(wǎng)絡；所述分割網(wǎng)絡用于對輸入圖像進行腦膠質瘤區(qū)域分割；

基于損失目標函數(shù)，采用所述源域數(shù)據(jù)集和所述目標域數(shù)據(jù)集訓練所述腦膠質瘤區(qū)域預測網(wǎng)絡，獲得訓練好的腦膠質瘤區(qū)域預測網(wǎng)絡；所述損失目標函數(shù)根據(jù)對抗損失、循環(huán)一致性損失、分割損失和分割一致性損失確定；所述對抗損失根據(jù)所述生成網(wǎng)絡和所述判別網(wǎng)絡確定，所述分割損失通過所述分割網(wǎng)絡輸出結果與對應標簽圖像確定，所述循環(huán)一致性損失為所述生成網(wǎng)絡保留輸入圖像全局語義信息的損失，所述分割一致性損失為所述分割網(wǎng)絡保留輸入圖像腦膠質瘤區(qū)域語義信息的損失。