CN111180011A - 一种病灶基因突变的检测方法及装置 - Google Patents
一种病灶基因突变的检测方法及装置 Download PDFInfo
- Publication number
- CN111180011A CN111180011A CN201911421764.7A CN201911421764A CN111180011A CN 111180011 A CN111180011 A CN 111180011A CN 201911421764 A CN201911421764 A CN 201911421764A CN 111180011 A CN111180011 A CN 111180011A
- Authority
- CN
- China
- Prior art keywords
- information
- medical image
- focus
- detected object
- acquiring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/50—Mutagenesis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Analytical Chemistry (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Chemical & Material Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Genetics & Genomics (AREA)
- Public Health (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种病灶基因突变的检测方法及装置,用以实现对病灶基因突变概率的自动预测,从而节省人力成本。所述方法包括:获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;基于所述医学影像信息获取与其关联的受检对象信息;基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。采用本申请所提供的方案,可以基于包含病灶所在位置的医学影像结合受检对象信息自动获取病灶发生基因突变的概率,实现对病灶基因突变概率的自动预测,无需医学人员预测基因突变的概率,在节省人力成本的同时提高了检测效率,克服活组织切片消耗的问题,并避免采集活组织切片对生物体的危害。
Description
技术领域
本申请涉及计算机领域,特别涉及一种病灶基因突变的检测方法及装置。
背景技术
预测病灶基因突变概率,可以在疾病突变之前进行有效干预,降低疾病带来的危害,也是患者有效选择靶向药物的前提。
目前,对病灶基因突变概率的预测,主要是通过做活组织切片检查来实现的,但是,这样的方式,需要专业的医学人员对活组织切片进行镜下观察来预测病灶基因突变的概率,耗费人力成本,对生物体有侵入性,且活组织切片是消耗品,不能重复利用,人工预测病灶基因突变的概率的检测效率低。因此,亟需提供一种方案,用以实现对病灶基因突变概率的自动预测,从而节省人力成本,提高检测效率。
发明内容
本申请实施例的目的在于提供一种病灶基因突变的检测方法及装置,用以实现对病灶基因突变概率的自动预测,从而节省人力成本的同时提高检测效率。
为了解决上述技术问题,本申请的实施例采用了如下技术方案:一种病灶基因突变的检测方法,包括:
获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;
基于所述医学影像信息获取与其关联的受检对象信息;
基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。
本申请的有益效果在于:可以基于包含病灶所在位置的医学影像结合受检对象信息自动获取病灶发生基因突变的概率,实现对病灶基因突变概率的自动预测,无需医学人员预测基因突变的概率,节省了人力成本,同时,由于人工预测基因突变的概率获得结果的周期较长,检测效率低,因此,本申请通过对病灶基因突变概率的自动预测可以提高检测效率,且由于本方案是通过医学影像和受检对象信息来进行检测,因此,无需采用活组织切片进行病灶基因突变概率的预测,克服活组织切片消耗的问题,并避免采集活组织切片对生物体的危害。
在一个实施例中,所述基于所述医学影像信息和所述医学影像信息对应的受检对象信息计算所述病灶基因突变的概率,包括:
基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息;
对所述张量信息进行特征提取,以得到特征向量;
对所述受检对象信息进行预处理,以得到编码信息;
对所述编码信息进行特征提取,以得到文字特征向量;
基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率。
在一个实施例中,所述基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息,包括:
基于所述病灶在所述医学影像中的位置在所述医学影像中获取病灶区域;
将所述病灶区域转换为与其对应的三维张量;
所述对所述受检对象信息进行预处理,以得到编码信息,包括:
基于受检对象信息和编码规则对所述受检对象信息进行编码。
本实施例的有益效果在于:可以对病灶区域和和受检对象的信息进行预处理,便于后续结合病灶位置和受检对象信息进行病灶基因突变概率的预测,而并非仅仅通过医学影像进行病灶突变概率的预测,提升了预测结果的精确度。
在一个实施例中,将所述病灶区域转换为与其对应的三维张量,包括:
将所述病灶区域输入至图像预处理模型中,以得到与所述病灶区域对应的三维张量。
本实施例的有益效果在于:只将病灶区域输入到图像预处理模型中,而不会将医学影像信息整体输入图像预处理模型中,减少了计算量,提升了检测速度。
在一个实施例中,对所述张量信息进行特征提取,以得到特征向量,包括:
将所述三维张量输入至图像特征提取网络,以得到与其对应的一维特征向量。
本实施例的有益效果在于:将三维张量输入到图像特征提取网络中,从而利用神经网络对三位张量进行转换,神经网络可以提取到三维张量中更多的关键特征,进一步提高了检测准确率。
在一个实施例中,对所述编码信息进行特征提取,以得到文字特征向量,包括:
将所述编码信息输入至文字特征提取网络,以得到与其对应的文字特征向量。
本实施例的有益效果在于:将所述编码信息输入至文字特征提取网络,从而利用神经网络得到编码信息对应的文字特征向量,从而提取到更多关键特征,进一步提高了检测准确率。
在一个实施例中,基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率,包括:
将所述特征向量和所述文字特征向量输入至分类模型中,以得到所述病灶发生基因突变的概率。
本申请还提供一种病灶基因突变的检测装置,包括:
第一获取模块,用于获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;
第二获取模块,用于基于所述医学影像信息获取与其关联的受检对象信息;
第三获取模块,用于基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。
在一个实施例中,所述第三获取模块,包括:
第一预处理子模块,基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息;
第一特征提取子模块,用于对所述张量信息进行特征提取,以得到特征向量;
第二预处理子模块,用于对所述受检对象信息进行预处理,以得到编码信息;
第二特征提取子模块,用于对所述编码信息进行特征提取,以得到文字特征向量;
获取子模块,用于基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率。
在一个实施例中,第一预处理子模块具体用于:
基于所述病灶在所述医学影像中的位置在所述医学影像中获取病灶区域;
将所述病灶区域转换为与其对应的三维张量;
所述第二预处理子模块具体用于:
基于受检对象信息和编码规则对所述受检对象信息进行编码。
在一个实施例中,所述将所述病灶区域转换为与其对应的三维张量,包括:
将所述病灶区域输入至图像预处理模型中,以得到与所述病灶区域对应的三维张量。
在一个实施例中,所述第一特征提取子模块具体用于:
将所述三维张量输入至图像特征提取网络,以得到与其对应的一维特征向量。
在一个实施例中,所述第二特征提取子模块具体用于:
将所述编码信息输入至文字特征提取网络,以得到与其对应的文字特征向量。
在一个实施例中,获取子模块将所述特征向量和所述文字特征向量输入至分类模型中,以得到所述病灶发生基因突变的概率。
本申请还提供一种病灶基因突变的检测装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;
基于所述医学影像信息获取与其关联的受检对象信息;
基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。
在一个实施例中,所述处理器被配置为:
所述基于所述医学影像信息和所述受检对象信息获取所述病灶基因突变的概率,包括:
基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息;
对所述张量信息进行特征提取,以得到特征向量;
对所述受检对象信息进行预处理,以得到编码信息;
对所述编码信息进行特征提取,以得到文字特征向量;
基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率。
在一个实施例中,所述处理器被配置为:
所述基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息,包括:
基于所述病灶在所述医学影像中的位置在所述医学影像中获取病灶区域;
将所述病灶区域转换为与其对应的三维张量;
所述对所述受检对象信息进行预处理,以得到编码信息,包括:
基于受检对象信息和编码规则对所述受检对象信息进行编码。
在一个实施例中,所述处理器被配置为:
将所述病灶区域转换为与其对应的三维张量,包括:
将所述病灶区域输入至图像预处理模型中,以得到与所述病灶区域对应的三维张量。
在一个实施例中,所述处理器被配置为:
对所述张量信息进行特征提取,以得到特征向量,包括:
将所述三维张量输入至图像特征提取网络,以得到与其对应的一维特征向量。
在一个实施例中,所述处理器被配置为:
对所述编码信息进行特征提取,以得到文字特征向量,包括:
将所述编码信息输入至文字特征提取网络,以得到与其对应的文字特征向量。
在一个实施例中,所述处理器被配置为:
基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率,包括:
将所述特征向量和所述文字特征向量输入至分类模型中,以得到所述病灶发生基因突变的概率。
本申请还提供一种非临时性可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行病灶基因突变的检测方法,所述方法包括:
获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;
基于所述医学影像信息获取与其关联的受检对象信息;
基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。
在一个实施例中,所述存储介质中的指令还包括:
所述基于所述医学影像信息和所述受检对象信息获取所述病灶基因突变的概率,包括:
基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息;
对所述张量信息进行特征提取,以得到特征向量;
对所述受检对象信息进行预处理,以得到编码信息;
对所述编码信息进行特征提取,以得到文字特征向量;
基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率。
在一个实施例中,所述存储介质中的指令还包括:
所述基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息,包括:
基于所述病灶在所述医学影像中的位置在所述医学影像中获取病灶区域;
将所述病灶区域转换为与其对应的三维张量;
所述对所述受检对象信息进行预处理,以得到编码信息,包括:
基于受检对象信息和编码规则对所述受检对象信息进行编码。
在一个实施例中,所述存储介质中的指令还包括:
将所述病灶区域转换为与其对应的三维张量,包括:
将所述病灶区域输入至图像预处理模型中,以得到与所述病灶区域对应的三维张量。
在一个实施例中,所述存储介质中的指令还包括:
对所述张量信息进行特征提取,以得到特征向量,包括:
将所述三维张量输入至图像特征提取网络,以得到与其对应的一维特征向量。
在一个实施例中,所述存储介质中的指令还包括:
对所述编码信息进行特征提取,以得到文字特征向量,包括:
将所述编码信息输入至文字特征提取网络,以得到与其对应的文字特征向量。
在一个实施例中,所述存储介质中的指令还包括:
基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率,包括:
将所述特征向量和所述文字特征向量输入至分类模型中,以得到所述病灶发生基因突变的概率。
附图说明
图1A为本申请一实施例的一种病灶基因突变的检测方法的流程图;
图1B为本申请一实施例中一种肺部医学影像;
图1C为本申请一实施例中三维张量的示意图;
图2为本申请另一实施例的一种病灶基因突变的检测方法的流程图;
图3为本申请实施例的一种病灶基因突变的检测装置的框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
图1A为本申请实施例的一种病灶基因突变的检测方法的流程图,该方法可用于计算机,该方法包括以下步骤S11-S13:
在步骤S11中,获取医学影像信息,医学影像信息包括医学影像及病灶在医学影像中的位置;
在步骤S12中,基于医学影像信息获取与其关联的受检对象信息;
在步骤S13中,基于医学影像信息和受检对象信息获取病灶发生基因突变的概率。
本实施例中,获取医学影像信息,医学影像信息包括医学影像及病灶在医学影像中的位置,其中,该病灶所在位置可以通过软件进行图像识别得到,也可以由医学人员在医学影像上进行标注得到。
基于医学影像信息获取与其关联的受检对象信息;其中,受检对象信息包括受检对象的基本信息和受检对象的病灶信息;
受检对象的基本信息包括受检对象的姓名,故可以根据医学影像信息获取与医学影像信息对应的受检对象的基本信息和病灶信息,该受检对象的基本信息包括受检对象的性别、年龄、与病灶相关的生活习惯信息,该病灶信息可以包括受检对象的病灶在医学影像中的位置类别和病灶的病理检测结果。
基于医学影像信息和受检对象信息获取病灶发生基因突变的概率。例如,如图1B所示,获取到的医学影像信息为肺部医学影像,该医学影像中包括肺部的影像111,在肺部的影像111中,标注出了肺部的病灶所在位置112。
基于医学影像信息获取与医学影像信息对应的受检对象信息,该受检对象信息包括以下信息:病灶在肺部位置类别(左肺、右肺、中肺、上肺、下肺、支气管、淋巴结、胸膜腔)、性别、年龄、吸烟史、病灶的病理检测结果(腺癌、鳞癌、不详、神经内分泌肿瘤、复合癌、肉瘤癌、和大细胞癌),基于医学影像信息和上述受检对象信息计算病灶发生基因突变的概率。
现有技术中,通过对病灶基因突变概率的预测时,通过做活组织切片检查来实现的,并且需要专业的医学人员对活组织切片进行镜下观察来预测病灶基因突变的概率,而这样的方式,对人体有侵入性,且活组织切片是消耗品,不能重复利用,因此,采用本申请所公开的方案,还可以降低对人体的危害,以及克服活组织切片无法重复利用的弊端。
本申请的有益效果在于:可以基于包含病灶所在位置的医学影像结合受检对象信息自动获取病灶发生基因突变的概率,实现对病灶基因突变概率的自动预测,无需医学人员预测基因突变的概率,节省了人力成本,同时,由于人工预测基因突变的概率获得结果的周期较长,检测效率低,因此,本申请通过对病灶基因突变概率的自动预测可以提高检测效率,且由于本方案是通过医学影像和受检对象信息来进行检测,因此,无需采用活组织切片进行病灶基因突变概率的预测,克服活组织切片消耗的问题,并避免采集活组织切片对生物体的危害。
在一个实施例中,如图2所示,上述步骤S13可被实施为如下步骤S21-S23:
在步骤S21中,基于病灶在医学影像中的位置对医学影像进行预处理,以得到张量信息;
在步骤S22中,对张量信息进行特征提取,以得到特征向量;
在步骤S23中,对受检对象信息进行预处理,以得到编码信息;
在步骤S24中,对编码信息进行特征提取,以得到文字特征向量;
在步骤S25中,基于特征向量和文字特征向量获取病灶发生基因突变的概率。
本实施例中,分别对医学影像信息和受检对象信息进行预处理和特征提取:
对医学影像信息进行预处理时,是将病灶影像转换成医学影像信息对应的张量信息,例如将病灶影像转换成医学影像信息对应的三维张量。在预处理完成后,对张量信息进行特征提取,以得到特征向量,该特征向量是医学影像中截取病灶影像,然后将病灶影像转换成张量信息,最后再对张量信息进行特征提取得到特征向量,所以,该特征向量是由影像信息得到的,故也可以称之为影像特征向量;
对受检对象信息进行预处理时,是对受检对象信息进行编码,以得到受检对象信息对应的编码信息。在预处理完成后,对编码信息进行特征提取,以得到文字特征向量。
基于对张量信息进行特征提取得到的特征向量和对编码信息进行特征提取得到的文字特征向量获取病灶发生基因突变的概率。
在一个实施例中,上述步骤S21可被实施为如下步骤A1-A2:
在步骤A1中,基于病灶在医学影像中的位置在医学影像中获取病灶区域;
在步骤A2中,将病灶区域转换为与其对应的三维张量;;
上述步骤S23可被实施为如下步骤A3:
在步骤A3中,基于受检对象信息和编码规则对受检对象信息进行编码。
本实施例中,对医学影像信息进行预处理的过程为:基于病灶在医学影像中的位置在医学影像中获取病灶区域;将病灶区域转换为与其对应的三维张量。
对受检对象信息进行预处理的过程为:
基于受检对象信息和编码规则对受检对象信息进行编码。
举例而言,医学影像信息为图1B所示的肺部医学影像,受检对象信息包括以下信息:病灶在肺部位置类别(左肺、右肺、中肺、上肺、下肺、支气管、淋巴结、胸膜腔)、性别、年龄、吸烟史、病灶的病理检测结果(腺癌、鳞癌、不详、神经内分泌肿瘤、复合癌、肉瘤癌、和大细胞癌)。
对医学影像信息的预处理过程如下:
1、病灶截取:根据如图1B所示的病灶位置信息112,从医学影像中获取完全包括病灶的区域(病灶区域),该病灶区域为三维区域,例如,可以是一个长方体区域,也可以是一个球形区域,或者是与病灶形状相同的三维区域,本申请对具体形状不做限定,只要该区域能够完全包括病灶即可,优选的该区域可以是完全包括病灶的最小区域。
2、对病灶区域进行归一化,具体的:先对该病灶区域进行数值归一化,然后对病灶区域进行尺寸归一化。
具体的,病灶区域中每个像素的数值都是CT值,这个CT值的范围跟影像内容的实际密度有关系,通常是从-1000到1000,范围较大,使用窗口技术可以将数据段数量控制在一个比较合理的范围内,因此,在进行数值归一化时,可以采用窗口技术把CT值缩小到更小的范围。例如,将病灶区域的CT值限定到肺窗内(窗位=-450,窗宽=1600),再通过线性变换到[0,1]间)。对病灶区域进行尺寸归一化时,使用线性插值法,将病灶区域缩放到固定大小,例如,将病灶区域缩放为64×64×8的三维张量,其中,64×64是指二维图像的尺寸,而8为二维图像的张数,三维张量的具体示意图如图1C所示,在该图中,存在8个二维图像,每个二维图像的尺寸为64×64。
对受检对象信息的预处理过程如下:
基于受检对象信息和编码规则对受检对象信息进行编码,具体的,可以通过文字编码模型实现对受检对象信息的编码,该文字编码模型可以实现对受检对象信息中的受检对象的基本信息和受检对象的病灶信息进行编码。具体的,将受检对象信息输入到文字编码模型中后,文字编码模型能够实现上述实施例中提及的的对病灶位置类别、性别、生活习惯、年龄以及病灶的病理检测结果的预处理,然后输出最终的预处理结果,即编码信息。
需要说明的是,本编码模型的输出的编码信息为上述五部分信息(病灶位置类别、性别、生活习惯、年龄以及病灶的病理检测结果)输出的合集(例如,可以将每部分信息的编码连接形成的合集)。另外,如果其中某类信息无法收集到,即上述五部分信息的某个维度并没有输入文字编码模型中,则该模型输出为其余有效的部分输出的编码合集。
本实施例中,可以通过以下方式对对受检对象信息进行编码。
例如,若受检对象信息中病灶位置类别为“左中肺”,则预先设置8维向量,分别对应的语意为“左肺”、“右肺”、“上肺”、“中肺”、“下肺”、“支气管”、“胸膜腔”、“淋巴结”。编码方法为,如果输入信息包含某维的语意关键字关键字,则输出向量的该维度为1,否则为0。即对病灶位置类别的编码结果为:10100000。
同理,对性别进行编码时,预先设置2维向量“男”、“女”;对应语意为“男”、“女”。编码方法为,如果输入信息对应某维的关键字,则输出向量的该维度为1,否则为0,即当性别为男时,编码后的性别的二维向量为10,当性别为女时,编码后的性别的向量为01
而与肺部病灶相关的生活习惯为吸烟史,预先设置日吸烟量指标(正整数)和吸烟年数指标(正整数),2维向量对应语意为“吸烟低”、“吸烟高”。编码方法为,如果日吸烟量*吸烟年数>400,则吸烟高为1,吸烟低为0;否则,则吸烟高为0,吸烟低为1
同理,对年龄进行编码时,1维向量维度为“年龄”,根据所有病例计算出各个患者出现上述病灶的平均年龄和标准差,对年龄进行归一化,即(年龄-平均年龄)/(年龄标准差)+0.5。
对病灶的病理检测结果进行编码时,例如,病理检测结果描述为“腺癌”。预先设置6维向量,对应语意为“腺癌”、“鳞癌”、“神经内分泌肿瘤、“复合癌”、“肉瘤癌”和“大细胞癌”。编码方法为,如果病理检测结果对应某维的语意,则对应维度为1;否则为0,即对应输出的编码结果为:100000。
本实施例的有益效果在于:可以对病灶区域和和受检对象的信息进行预处理,便于后续结合病灶位置和受检对象信息进行病灶基因突变概率的预测,而并非仅仅通过医学影像进行病灶突变概率的预测,提升了预测结果的精确度。
在一个实施例中,上述步骤A2可被实施为如下步骤:
将病灶区域输入至图像预处理模型中,以得到与病灶区域对应的三维张量。
本实施例中,图像预处理模型用来实现上述实施例中提及的病灶截取以及对包含完整病灶的区域进行归一化的过程,将医学影像信息输入到图像预处理模型中,然后接收图像预处理模型输出的医学影像信息对应的三维张量。
本实施例的有益效果在于:只将病灶区域输入到图像预处理模型中,而不会将医学影像信息整体输入图像预处理模型中,减少了计算量,提升了检测速度。
在一个实施例中,上述步骤S22可被实施为如下步骤:
将三维张量输入至图像特征提取网络,以得到与其对应的一维特征向量。
本实施例中,在得到医学影像信息对应的三维张量后,可以通过图像特征提取网络对三维张量进行二次处理,以得到三维张量对应的一维特征向量,具体过程如下:
将三维张量输入到图像特征提取网络中,该图像特征提取网络是3D卷积网络,包含尺寸缩小层、特征优化层和全局均值池化层,三维张量依次通过上述尺寸缩小层、特征优化层和全局均值池化层,其中,尺寸缩小层、特征优化层和全局均值池化层作用如下:
尺寸缩小层:用于在三维张量输入进来之后,对三维张量进行特征优化,并在特征优化的同时,将三维张量的尺寸和体积进行缩小,并将尺寸和体积缩小后的三维张量输出。
特征优化层:由若干组特征提取模块首尾相接组成,接收尺寸缩小层输出的尺寸缩小后的三维张量,并在尺寸缩小后的三维张量经过各个特征提取模块的过程中,逐步提取三维张量的特征,且继续减少三维张量的尺寸,并将特征优化层处理后的三维张量和提取到的三维张量的特征输出。
全局均值池化层:由一个全局均值池化层组成,用于接收特征优化层输出的三维张量和三维张量的特征,在保留三维张量的主要特征的基础上,对三维张量进行降维,得到三维张量对应的一维特征向量。
本实施例的有益效果在于:将三维张量输入到图像特征提取网络中,从而利用神经元网络对三位张量进行转换,神经元网络可以提取到三维张量中更多的关键特征,提高了检测准确率。
在一个实施例中,上述步骤S24可被实施为如下步骤:
将编码信息输入至文字特征提取网络,以得到与其对应的文字特征向量。
本实施例中,将受检对象信息对应的编码信息输入到文字特征提取网络后可以将编码信息进行转换,从而输出与编码信息对应的文字特征向量。
本实施例中,文字特征提取网络是一个神经网络,在该神经网络中,神经元的连接权重是可以学习的。根据基因突变检测任务,对受检对象的编码信息进行二次编码,以得到文字特征向量,重新编码后的文字特征向量比受检对象信息能够更加准确的计算病灶突变概率。
例如,如果输入的编码信息是0101(对应女,男,吸烟低,吸烟高),即性别男,吸烟高,那么,文字特征提取网络给出的编码结果可以是1,如果输入的编码信息是0110,那文字特征提取网络给出的编码结果可以是2。当然,这仅仅是示例,在实际应用中,具体编码过程要比上述示例复杂很多。
本实施例的有益效果在于:将所述编码信息输入至文字特征提取网络,从而利用神经网络得到编码信息对应的文字特征向量,从而提取到更多关键特征,进一步提高了检测准确率。
在一个实施例中,上述步骤S25可被实施为如下步骤:
将特征向量和文字特征向量输入至分类模型中,以得到病灶发生基因突变的概率。
本实施例中,该分类模型与文字特征提取网络和图像特征提取网络需预先同时进行训练,具体的训练过程如下:
1、训练数据:收集大量医学影像、病灶基因突变类型、受检对象信息;然后通过人工或图像识别方式识别出病灶在医学影像中的位置,通过前述实施例得到病灶区域的三维张量和编码信息;通过以下至少一种方式对三维张量和编码信息的数据量进行扩充:随机上下左右平移、根据某个轴随机翻转、随机三维旋转和随机放大。
将进行数据量扩充后的三维张量输入图像特征抽取网络,将数据量扩充后编码信息输入文字特征抽取网络,该图像特征抽取网络和文字特征抽取网络与分类模型连接,图像特征抽取网络可以将基于三维张量得到的一维特征向量输出至分类模型,文字特征抽取网络可以将基于编码信息得到的文字特征向量输出至分类模型,分类模型基于该一维特征向量和文字特征向量计算病灶基因突变的概率。将分类模型输出的病灶基因突变的概率与训练数据中真实的病灶基因突变情况进行比较,以分类模型输出的病灶基因突变概率与训练数据中真实的病灶基因突变情况的二元交叉熵作为损失函数,并通过反向传播算法,使用随机梯度下降的优化方式反复迭代,直到一个事先设定的迭代数,当得到事先设定的迭代数时,证明文字特征抽取网络、图像特征抽取网络和分类模型已经训练完成,此时,则可以基于该分类模型进行病灶基因突变概率的推断。
将前述实施例中得到的三维张量和编码信息输入通过上述过程训练后得到的图像特征提取网络、文字特征提取网络和分类模型中,具体的,可将图像预处理模型输出的三维张量和文字编码模型输出的编码信息输入到预先训练好的图像特征提取网络、文字特征提取网络和分类模型中,最终由分类模型对病灶发生基因突变的概率进行推断,并将推断结果输出。因此,可以在分类模型的输出层接收到病灶发生基因突变的概率。
图3为本申请实施例的一种病灶基因突变的检测装置的框图,该装置可用于计算机,该装置包括如下模块:
第一获取模块31,用于获取医学影像信息,医学影像信息包括医学影像及病灶在医学影像中的位置;
第二获取模块32,用于基于医学影像信息获取与其关联的受检对象信息;
第三获取模块33,用于基于医学影像信息和受检对象信息获取病灶发生基因突变的概率。
在一个实施例中,所述第三获取模块,包括:
第一预处理子模块,基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息;
第一特征提取子模块,用于对所述张量信息进行特征提取,以得到特征向量;
第二预处理子模块,用于对所述受检对象信息进行预处理,以得到编码信息;
第二特征提取子模块,用于对所述编码信息进行特征提取,以得到文字特征向量;
获取子模块,用于基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率。
在一个实施例中,第一预处理子模块具体用于:
基于所述病灶在所述医学影像中的位置在所述医学影像中获取病灶区域;
将所述病灶区域转换为与其对应的三维张量;
所述第二预处理子模块具体用于:
基于受检对象信息和编码规则对所述受检对象信息进行编码。
在一个实施例中,所述将所述病灶区域转换为与其对应的三维张量,包括:
将所述病灶区域输入至图像预处理模型中,以得到与所述病灶区域对应的三维张量。
在一个实施例中,所述第一特征提取子模块具体用于:
将所述三维张量输入至图像特征提取网络,以得到与其对应的一维特征向量。
在一个实施例中,所述第二特征提取子模块具体用于:
将所述编码信息输入至文字特征提取网络,以得到与其对应的文字特征向量。
在一个实施例中,获取子模块将所述特征向量和所述文字特征向量输入至分类模型中,以得到所述病灶发生基因突变的概率。
本申请还提供一种病灶基因突变的检测装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;
基于所述医学影像信息获取与其关联的受检对象信息;
基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。
在一个实施例中,所述处理器被配置为:
所述基于所述医学影像信息和所述受检对象信息获取所述病灶基因突变的概率,包括:
基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息;
对所述张量信息进行特征提取,以得到特征向量;
对所述受检对象信息进行预处理,以得到编码信息;
对所述编码信息进行特征提取,以得到文字特征向量;
基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率。
在一个实施例中,所述处理器被配置为:
所述基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息,包括:
基于所述病灶在所述医学影像中的位置在所述医学影像中获取病灶区域;
将所述病灶区域转换为与其对应的三维张量;
所述对所述受检对象信息进行预处理,以得到编码信息,包括:
基于受检对象信息和编码规则对所述受检对象信息进行编码。
在一个实施例中,所述处理器被配置为:
将所述病灶区域转换为与其对应的三维张量,包括:
将所述病灶区域输入至图像预处理模型中,以得到与所述病灶区域对应的三维张量。
在一个实施例中,所述处理器被配置为:
对所述张量信息进行特征提取,以得到特征向量,包括:
将所述三维张量输入至图像特征提取网络,以得到与其对应的一维特征向量。
在一个实施例中,所述处理器被配置为:
对所述编码信息进行特征提取,以得到文字特征向量,包括:
将所述编码信息输入至文字特征提取网络,以得到与其对应的文字特征向量。
在一个实施例中,所述处理器被配置为:
基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率,包括:
将所述特征向量和所述文字特征向量输入至分类模型中,以得到所述病灶发生基因突变的概率。
本申请还提供一种非临时性可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行病灶基因突变的检测方法,所述方法包括:
获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;
基于所述医学影像信息获取与其关联的受检对象信息;
基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。
在一个实施例中,所述存储介质中的指令还包括:
所述基于所述医学影像信息和所述受检对象信息获取所述病灶基因突变的概率,包括:
基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息;
对所述张量信息进行特征提取,以得到特征向量;
对所述受检对象信息进行预处理,以得到编码信息;
对所述编码信息进行特征提取,以得到文字特征向量;
基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率。
在一个实施例中,所述存储介质中的指令还包括:
所述基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息,包括:
基于所述病灶在所述医学影像中的位置在所述医学影像中获取病灶区域;
将所述病灶区域转换为与其对应的三维张量;
所述对所述受检对象信息进行预处理,以得到编码信息,包括:
基于受检对象信息和编码规则对所述受检对象信息进行编码。
在一个实施例中,所述存储介质中的指令还包括:
将所述病灶区域转换为与其对应的三维张量,包括:
将所述病灶区域输入至图像预处理模型中,以得到与所述病灶区域对应的三维张量。
在一个实施例中,所述存储介质中的指令还包括:
对所述张量信息进行特征提取,以得到特征向量,包括:
将所述三维张量输入至图像特征提取网络,以得到与其对应的一维特征向量。
在一个实施例中,所述存储介质中的指令还包括:
对所述编码信息进行特征提取,以得到文字特征向量,包括:
将所述编码信息输入至文字特征提取网络,以得到与其对应的文字特征向量。
在一个实施例中,所述存储介质中的指令还包括:
基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率,包括:
将所述特征向量和所述文字特征向量输入至分类模型中,以得到所述病灶发生基因突变的概率。
Claims (10)
1.一种病灶基因突变的检测方法,其特征在于,包括:
获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;
基于所述医学影像信息获取与其关联的受检对象信息;
基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。
2.如权利要求1所述的方法,其特征在于,所述基于所述医学影像信息和所述受检对象信息获取所述病灶基因突变的概率,包括:
基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息;
对所述张量信息进行特征提取,以得到特征向量;
对所述受检对象信息进行预处理,以得到编码信息;
对所述编码信息进行特征提取,以得到文字特征向量;
基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率。
3.如权利要求2所述的方法,其特征在于,所述基于病灶在所述医学影像中的位置对所述医学影像进行预处理,以得到张量信息,包括:
基于所述病灶在所述医学影像中的位置在所述医学影像中获取病灶区域;
将所述病灶区域转换为与其对应的三维张量;
所述对所述受检对象信息进行预处理,以得到编码信息,包括:
基于受检对象信息和编码规则对所述受检对象信息进行编码。
4.如权利要求3所述的方法,其特征在于,将所述病灶区域转换为与其对应的三维张量,包括:
将所述病灶区域输入至图像预处理模型中,以得到与所述病灶区域对应的三维张量。
5.如权利要求4所述的方法,其特征在于,对所述张量信息进行特征提取,以得到特征向量,包括:
将所述三维张量输入至图像特征提取网络,以得到与其对应的一维特征向量。
6.如权利要求2所述的方法,其特征在于,对所述编码信息进行特征提取,以得到文字特征向量,包括:
将所述编码信息输入至文字特征提取网络,以得到与其对应的文字特征向量。
7.如权利要求2所述的方法,其特征在于,基于所述特征向量和所述文字特征向量获取所述病灶发生基因突变的概率,包括:
将所述特征向量和所述文字特征向量输入至分类模型中,以得到所述病灶发生基因突变的概率。
8.一种病灶基因突变的检测装置,其特征在于,包括:
第一获取模块,用于获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;
第二获取模块,用于基于所述医学影像信息获取与其关联的受检对象信息;
第三获取模块,用于基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。
9.一种病灶基因突变的检测装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;
基于所述医学影像信息获取与其关联的受检对象信息;
基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。
10.一种非临时性可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行病灶基因突变的检测方法,所述方法包括:
获取医学影像信息,所述医学影像信息包括医学影像及病灶在所述医学影像中的位置;
基于所述医学影像信息获取与其关联的受检对象信息;
基于所述医学影像信息和所述受检对象信息获取所述病灶发生基因突变的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911421764.7A CN111180011A (zh) | 2019-12-31 | 2019-12-31 | 一种病灶基因突变的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911421764.7A CN111180011A (zh) | 2019-12-31 | 2019-12-31 | 一种病灶基因突变的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111180011A true CN111180011A (zh) | 2020-05-19 |
Family
ID=70657640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911421764.7A Pending CN111180011A (zh) | 2019-12-31 | 2019-12-31 | 一种病灶基因突变的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111180011A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077875A (zh) * | 2021-03-23 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
CN114999571A (zh) * | 2022-06-06 | 2022-09-02 | 哈尔滨工业大学 | 一种诊断早期结肠癌的突变基因筛选方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101517614A (zh) * | 2006-09-22 | 2009-08-26 | 皇家飞利浦电子股份有限公司 | 肺结节的高级计算机辅助诊断 |
CN104380683A (zh) * | 2012-06-13 | 2015-02-25 | 高通股份有限公司 | 用于标识增强型帧以用于无线通信的系统和方法 |
CN108540477A (zh) * | 2018-04-13 | 2018-09-14 | 腾讯科技(成都)有限公司 | 数据通信的方法及相关设备 |
CN108734209A (zh) * | 2018-05-16 | 2018-11-02 | 上海鹰瞳医疗科技有限公司 | 基于多图像的特征识别和设备 |
CN109785300A (zh) * | 2018-12-27 | 2019-05-21 | 华南理工大学 | 一种癌症医学图像数据处理方法、系统、装置和存储介质 |
CN109800797A (zh) * | 2018-12-29 | 2019-05-24 | 360企业安全技术(珠海)有限公司 | 基于ai的文件黑白判断方法、装置及设备 |
CN109919928A (zh) * | 2019-03-06 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 医学影像的检测方法、装置和存储介质 |
CN110329861A (zh) * | 2019-07-26 | 2019-10-15 | 广东安居宝数码科技股份有限公司 | 智能电梯网关、电梯控制系统以及电梯控制方法 |
CN110335507A (zh) * | 2019-06-12 | 2019-10-15 | 中国电子科技集团公司第二十八研究所 | 基于空管航迹大数据的航班运行态势规律分析方法 |
-
2019
- 2019-12-31 CN CN201911421764.7A patent/CN111180011A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101517614A (zh) * | 2006-09-22 | 2009-08-26 | 皇家飞利浦电子股份有限公司 | 肺结节的高级计算机辅助诊断 |
CN104380683A (zh) * | 2012-06-13 | 2015-02-25 | 高通股份有限公司 | 用于标识增强型帧以用于无线通信的系统和方法 |
CN108540477A (zh) * | 2018-04-13 | 2018-09-14 | 腾讯科技(成都)有限公司 | 数据通信的方法及相关设备 |
CN108734209A (zh) * | 2018-05-16 | 2018-11-02 | 上海鹰瞳医疗科技有限公司 | 基于多图像的特征识别和设备 |
CN109785300A (zh) * | 2018-12-27 | 2019-05-21 | 华南理工大学 | 一种癌症医学图像数据处理方法、系统、装置和存储介质 |
CN109800797A (zh) * | 2018-12-29 | 2019-05-24 | 360企业安全技术(珠海)有限公司 | 基于ai的文件黑白判断方法、装置及设备 |
CN109919928A (zh) * | 2019-03-06 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 医学影像的检测方法、装置和存储介质 |
CN110335507A (zh) * | 2019-06-12 | 2019-10-15 | 中国电子科技集团公司第二十八研究所 | 基于空管航迹大数据的航班运行态势规律分析方法 |
CN110329861A (zh) * | 2019-07-26 | 2019-10-15 | 广东安居宝数码科技股份有限公司 | 智能电梯网关、电梯控制系统以及电梯控制方法 |
Non-Patent Citations (3)
Title |
---|
CATARINA DIAS等: "Radiogenomics: Lung Cancer-Related Genes Mutation Status Prediction", 《IBERIAN CONFERENCE ON PATTERN RECOGNITION AND IMAGE ANALYSIS》 * |
HANFEI ZHANG等: "CT and clinical characteristics that predict risk of EGFR mutation in non-small cell lung cancer: a systematic review and meta-analysis", 《INTERNATIONAL JOURNAL OF CLINICAL ONCOLOGY》 * |
OLIVIER GEVAERT等: "Predictive radiogenomics modeling of EGFR mutation status in lung cancer", 《SCIENTIFIC REPORTS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077875A (zh) * | 2021-03-23 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
CN113077875B (zh) * | 2021-03-23 | 2023-04-18 | 零氪智慧医疗科技(天津)有限公司 | Ct影像的处理方法及装置 |
CN114999571A (zh) * | 2022-06-06 | 2022-09-02 | 哈尔滨工业大学 | 一种诊断早期结肠癌的突变基因筛选方法及系统 |
CN114999571B (zh) * | 2022-06-06 | 2024-03-29 | 哈尔滨工业大学 | 一种诊断早期结肠癌的突变基因筛选方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soudani et al. | An image-based segmentation recommender using crowdsourcing and transfer learning for skin lesion extraction | |
Gunasekara et al. | A systematic approach for MRI brain tumor localization and segmentation using deep learning and active contouring | |
EP3665703B1 (en) | Computer-aided diagnostics using deep neural networks | |
CN111127385B (zh) | 基于生成式对抗网络的医学信息跨模态哈希编码学习方法 | |
CN108171692B (zh) | 一种肺部影像检索方法及装置 | |
CN108921019B (zh) | 一种基于GEI和TripletLoss-DenseNet的步态识别方法 | |
US10748662B2 (en) | Content-based medical image retrieval method and retrieval system | |
CN114467146A (zh) | 用于对部署机构中的人工智能模型进行专业化的训练方法以及用于对人工智能模型进行训练的装置 | |
CN113111716B (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN113077434A (zh) | 基于多模态信息的肺癌识别方法、装置及存储介质 | |
CN112598613A (zh) | 一种用于肺癌智能诊断的基于深度图像分割和识别的测定方法 | |
Feng et al. | Supervoxel based weakly-supervised multi-level 3D CNNs for lung nodule detection and segmentation | |
CN111180011A (zh) | 一种病灶基因突变的检测方法及装置 | |
Sun et al. | 3d segmentation of pulmonary nodules based on multi-view and semi-supervised | |
CN114022462A (zh) | 实现多参数核磁共振图像病灶分割的方法、系统、装置、处理器及其计算机可读存储介质 | |
CN111047608A (zh) | 一种基于Distance-AttU-Net的端到端的乳腺超声图像的分割方法 | |
Raut et al. | Lung cancer detection using machine learning approach | |
Raj et al. | Automatic psoriasis lesion segmentation from raw color images using deep learning | |
CN116664585B (zh) | 基于深度学习的头皮健康状况检测方法及相关装置 | |
CN117457081A (zh) | 一种基于超图的空间转录组数据处理方法及系统 | |
CN115601360B (zh) | 染色体结构异常辅助识别方法、系统及计算机设备 | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
CN116524178A (zh) | 基于半监督的mri图像组织分割方法及成像方法 | |
Kharrat et al. | Brain tumour diagnostic segmentation based on optimal texture features and support vector machine classifier | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |