CN112184658B - 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 - Google Patents
用于非小细胞肺癌预后生存预测的方法、介质及电子设备 Download PDFInfo
- Publication number
- CN112184658B CN112184658B CN202011018497.1A CN202011018497A CN112184658B CN 112184658 B CN112184658 B CN 112184658B CN 202011018497 A CN202011018497 A CN 202011018497A CN 112184658 B CN112184658 B CN 112184658B
- Authority
- CN
- China
- Prior art keywords
- layer
- prognosis survival
- prognosis
- image
- survival
- 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.)
- Active
Links
- 230000004083 survival effect Effects 0.000 title claims abstract description 81
- 238000004393 prognosis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 30
- 208000002154 non-small cell lung carcinoma Diseases 0.000 title claims abstract description 26
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 31
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000000439 tumor marker Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种用于非小细胞肺癌预后生存预测的方法、介质及电子设备,所述方法包括:获取待预测CT影像,对该待预测CT影像进行灰度归一化处理,并提取感兴趣区域;基于所述感兴趣区域,采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果;所述基于深度学习的预后生存模型为深度学习卷积神经网络模型,包括5个卷积块、1个全连接层和1个分类层,逐层提取肿瘤抽象特征,并获得预后生存期分类结果,所述5个卷积块中,中间3个卷积块引入有Bottleneck架构,最后一个卷积块在Bottleneck架构的基础上添加有融合层。与现有技术相比,本发明具有预测精度高且方便实现等优点。
Description
技术领域
本发明涉及计算机辅助医学领域,涉及一种计算机电子设备,尤其是涉及一种用于非小细胞肺癌预后生存预测的方法、介质及电子设备。
背景技术
2018年国际癌症研究机构最新报告显示,肺癌是全球发病率和死亡率最高的癌症,其中,非小细胞肺癌(non-small cell lung cancer,NSCLC)患者占肺癌患病总人数的80%~85%,约3/4的患者发现时已处于中晚期,5年生存率较低。此外,由于肿瘤的异质性,不同的个体身上表现出不一样的治疗效果及预后,甚至在同一个体身上的肿瘤细胞也存在不同的特性和差异。因此,迫切需要一种精准客观且泛化性强的NSCLC预后生存预测系统,以期辅助临床医生高效治疗NSCLC患者,制定个性化的治疗和随访方案,进而提高其治愈率和存活率。
从目前国内外的研究现状来看,临床上研究人员普遍从临床试验、医疗记录中收集患者的年龄、性别、临床分期、吸烟史、组织病理类型、肿瘤标记物等量化指标;通过统计学中多元线性回归方法对临床特征与预后关系进行单因素和多因素生存分析,获得与NSCLC患者预后相关的预后因素。但通过这类方法获取的预后因素有限,可能不与当前治疗方法相符,且不能准确地预测及全面的评估单个患者的具体预后情况。为寻找更多相关的预后因素,研究人员采用机器学习方法(包括人工神经网络、决策树、随机森林等)从大量复杂的医学数据中挖掘关键特征,预测NSCLC患者的预后情况。这类方法在一定程度上提高了预测精度,但从医学图像中提取感兴趣特征需要经验丰富的医生来识别或描述,较为费时费力,且手工制作特征的有效性也存在不确定性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高且方便实现的用于非小细胞肺癌预后生存预测的方法、介质及电子设备。
本发明的目的可以通过以下技术方案来实现:
一种用于非小细胞肺癌预后生存预测的方法,该方法包括以下步骤:
获取待预测CT影像,对该待预测CT影像进行灰度归一化处理,并提取感兴趣区域;
基于所述感兴趣区域,采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果;
所述基于深度学习的预后生存模型为深度学习卷积神经网络模型,包括5个卷积块、1个全连接层和1个分类层,逐层提取肿瘤抽象特征,并获得预后生存期分类结果,所述5个卷积块中,中间3个卷积块引入有Bottleneck架构,最后一个卷积块在Bottleneck架构的基础上添加有融合层。
进一步地,提取所述感兴趣区域具体为:读取待预测CT影像对应的三维肿瘤标记及临床数据提取感兴趣区域结构信息,与待预测CT影像比对,截取获得所述感兴趣区域。
进一步地,所述预后生存模型训练时采用的数据集包括互不相交的测试集、验证集和训练集,基于训练集优化网络参数,基于验证集估计训练中或训练后的泛化误差,更新超参数,以测试集估计模型性能,所述数据集中的各样本包括CT影像、三维肿瘤标记、临床数据和生存期。
进一步地,所述生存期包括长生存期和短生存期。
进一步地,所述预后生存模型训练时使用的损失函数数学表达式为:
其中yi是神经网络的输出,ti是正解标签,是交叉熵损失函数,是新添加的损失项,β是权重因子。
本发明还提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述用于非小细胞肺癌预后生存预测的方法的步骤。
本发明还提供一种用于非小细胞肺癌预后生存预测的电子设备,包括:
CT影像获取模块,用于获取待预测CT影像,对该待预测CT影像进行灰度归一化处理,并提取感兴趣区域;
预测模块,该模块维护一基于深度学习的预后生存模型,基于所述感兴趣区域,采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果;
所述基于深度学习的预后生存模型为深度学习卷积神经网络模型,包括5个卷积块、1个全连接层和1个分类层,逐层提取肿瘤抽象特征,并获得预后生存期分类结果,所述5个卷积块中,中间3个卷积块引入有Bottleneck架构,最后一个卷积块在Bottleneck架构的基础上添加有融合层。
进一步地,所述CT影像获取模块中,提取所述感兴趣区域具体为:读取待预测CT影像对应的三维肿瘤标记及临床数据提取感兴趣区域结构信息,与待预测CT影像比对,截取获得所述感兴趣区域。
进一步地,所述预测模块中,预后生存模型训练时采用的数据集包括互不相交的测试集、验证集和训练集,基于训练集优化网络参数,基于验证集估计训练中或训练后的泛化误差,更新超参数,以测试集估计模型性能,所述数据集中的各样本包括CT影像、三维肿瘤标记、临床数据和生存期。
进一步地,所述预后生存模型训练时使用的损失函数数学表达式为:
其中yi是神经网络的输出,ti是正解标签,是交叉熵损失函数,是新添加的损失项,β是权重因子。
与现有技术相比,本发明具有如下有益效果:
1、本发明对CT影像进行预处理,而后进行ROI提取,利用训练好的基于深度学习的预后生存模型进行生存期预测,实现方便简单,提高预测效率,有效辅助临床医生做出正确方案决策。
2、本发明针对非小细胞肺癌预后生存预测设计了新型的卷积神经网络模型,通过逐层提取肿瘤抽象特征,并引入Bottleneck架构和融合层,实现各层提取信息的结合,提高所提取特征的可靠性,进而提高预测准确度。
3、本发明对深度学习卷积神经网络模型设计了有效的损失函数,提高了模型预测精度。
4、本发明可准确地预测单个患者的预后具体情况,协助临床医生制定合适且有效的治疗方案,针对不同患者、不同病灶实现精准医疗,减少主观判断,制定客观评价标准,提高患者预后质量,降低看病成本,避免过度治疗及医疗资源的浪费,提高医疗水平,具有极大潜力与临床应用价值。
附图说明
图1为本发明预后生存模型的训练过程示意图;
图2为本发明采用的深度学习卷积神经网络模型的结构示意图;
图3为本发明卷积神经网络模型中卷积块1的示意图;
图4为本发明卷积神经网络模型中卷积块2-4的示意图;
图5为本发明卷积神经网络模型中卷积块5的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
以深度学习根据机器学习中人工神经网络(Artificial neural network,ANN)的深度叠加进行学习,是传统神经网络的拓展,通过低层特征组合形成更加抽象的高层特征从而实现分类和预测。因自身的独特优势,深度学习在医学各个领域的发展越来越快,例如癌症的预后分析方面。影像组学是采用自动化算法从放射影像的感兴趣区域(Area ofinterest,ROI)内挖掘大量特征信息作为研究对象,通过统计学方法提取有效的关键信息,用于疾病的辅助诊断、分类或分级。计算机断层扫描(Computed tomography,CT)是肺部检查的常用手段之一,也是影像组学中的重要模态之一,易于采集与比对,在区分不同组织病理学特征的肿瘤病变和预测治疗反应或患者生存方面有很好的结果。
本实施例基于上述基础提供一种用于非小细胞肺癌预后生存预测的方法,包括以下步骤:获取待预测CT影像,对该待预测CT影像进行灰度归一化处理,并提取感兴趣区域;基于所述感兴趣区域,采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果。
该方法采用的所述基于深度学习的预后生存模型为深度学习卷积神经网络模型(Convolutional neural network,CNN),如图2所示,包括5个卷积块、1个全连接层和1个分类层,逐层提取肿瘤抽象特征,并获得预后生存期分类结果,所述5个卷积块中,中间3个卷积块引入有Bottleneck架构,最后一个卷积块在Bottleneck架构的基础上添加有融合层。
本实施例中,整个卷积神经网络模型主要包括3*3的卷积层、1*1的卷积层、2*2的最大池化层、可微分学习的自适配归一化层(Switchable Normalization,SN)和高级激活函数指数线性单元(Exponential Linear Units,ELU)。5个卷积块的具体实施方式如图3-图5。如图3所示,卷积块1由1个卷积核大小为3*3的二维卷积层、1个SN层、1个ELU层构成。如图4所示,卷积块2、卷积块3、卷积块4的结构相同,均引入Bottleneck架构,该架构具有两个通道,能够合并两通道间的特征信息,包括1个卷积核大小为3*3的二维卷积层、3个卷积核大小为1*1的二维卷积层、3个SN层、3个ELU层、1个卷积核大小为2*2的最大池化层。如图5所示,卷积块5在Bottleneck架构的基础上添加了融合层,拼接卷积块4与卷积块5的特征通道,包括1个卷积核为3*3的二维卷积层、1个卷积核为2*2的二维卷积层、3个卷积核为1*1的二维卷积层、3个SN层、3个ELU层、1个卷积核大小为3*3的最大池化层。
如图1所示,预后生存模型的训练过程包括:
步骤1、数据预处理:获取CT影像、对应的三维肿瘤标记及相关临床数据,对CT影像进行生存情况分类,并对影像进行灰度归一化处理。三维肿瘤标记为放射肿瘤学家手动描绘的三维肿瘤,具有总体体积信息。
本实施例中,首先从癌症影像档案(The Cancer Imaging Archive,TCIA)数据库中获取马斯特里赫特大学的NSCLC患者数据集,包含422例经组织学或细胞学确认的NSCLC病人的CT影像数据、放射肿瘤学家手动描绘的三维肿瘤总体体积以及临床数据;然后,根据数据集中患者生存时间的长短、截至存活情况,筛选出165例数据(105名男性,60名女性),以2年生存期为界限划分长短期生存组(长生存期组82例,短生存期组83例);最后,对筛选出CT影像进行灰度归一化处理。
步骤2、提取感兴趣区域。
首先,采用matlab软件读取放射肿瘤专家手动描绘的DICOM-RT文件,提取其中ROI结构信息;然后,在原图像中找到其对应CT切片和肿瘤所在位置;最后,截取64*64像素大小的ROI。
步骤3、数据集划分与数据增强。
首先,将步骤2中获得ROI按照病人随机抽取20%作为测试集;然后,在剩下的数据中随机抽取10%作为验证集,其余作为训练集,测试集、验证集、训练集互不相交;最后对训练集、验证集进行平移、随机旋转、错切、放缩等操作以扩充数据。
步骤4、构建深度学习卷积神经网络模型。
将NSCLC患者生存预测转化为基于CT影像组学的二分类问题,首先,将步骤3中的训练集作为输入送进卷积神经网络(Convolutional neural network,CNN),通过逐层训练提取肿瘤抽象特征;然后,利用反向传播算法和随机梯度下降算法最小化损失函数,从而优化网络参数,同时使用验证集估计训练中或训练后的泛化误差,更新超参数;最后获得最优预后生存模型并保存。
训练过程中,首先通过第一个卷积块提取浅层的特征数据,经SN层后进入ELU高级激活层计算得到相应的特征图输出,作为下一层的输入,ELU激活函数的数学表达式为:
其中x代表输入,α是一个可调整的介于0~1之间的参数;然后,将特征图送入第二个卷积块,逐层经过卷积计算后进入池化层,特征图分辨率变为原来的1/s,从而逐步提取图像的高级特征;接着将获得的特征图作为下一层卷积块的输入,依次提取抽象特征;最后通过全连接层和分类层输出最终分类结果。
整个预后生存模型的训练过程中,通过验证集调整网络的超参数,利用反向传播算法和Adamax梯度下降优化算法有监督地最小化损失函数,获得最优化网络连接权重的卷积神经网络。所使用的损失函数数学表达式为:
其中yi是神经网络的输出,ti是正解标签,是交叉熵损失函数,是新添加的损失项,β是权重因子。
步骤5、利用最优预后生存模型预测生存结果。
首先,加载训练好的预后生存模型,将测试集输入模型,根据输出层的节点值,获得患者生存期分类结果;然后,计算准确性、敏感度、特异度、受试者工作特征曲线下面积(Area Under the Curve,AUC)值评估模型分类性能。其中,准确性表示所有样本全部预测对的概率,敏感度代表实际为正样本判断为正样本的概率,特异度代表实际为负样本判断为负样本的概率,AUC值就是一个用来评价二分类模型优劣的常用指标,AUC值越高通常表明模型的效果越好。
实施例2
本实施例提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例1所述用于非小细胞肺癌预后生存预测的方法的步骤。
实施例3
本实施例提供一种用于非小细胞肺癌预后生存预测的电子设备,包括CT影像获取模块和预测模块,其中,CT影像获取模块用于获取待预测CT影像,对该待预测CT影像进行灰度归一化处理,并提取感兴趣区域;预测模块维护一基于深度学习的预后生存模型,基于所述感兴趣区域,采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果。所述基于深度学习的预后生存模型为深度学习卷积神经网络模型,包括5个卷积块、1个全连接层和1个分类层,逐层提取肿瘤抽象特征,并获得预后生存期分类结果,所述5个卷积块中,中间3个卷积块引入有Bottleneck架构,最后一个卷积块在Bottleneck架构的基础上添加有融合层。
其余同实施例1。
上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.一种用于非小细胞肺癌预后生存预测的方法,其特征在于,该方法包括以下步骤:
获取待预测CT影像,对该待预测CT影像进行灰度归一化处理,并提取感兴趣区域;
基于所述感兴趣区域,采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果;
所述基于深度学习的预后生存模型为深度学习卷积神经网络模型,包括5个卷积块、1个全连接层和1个分类层,逐层提取肿瘤抽象特征,并获得预后生存期分类结果,所述5个卷积块中,中间3个卷积块引入有Bottleneck架构,最后一个卷积块在Bottleneck架构的基础上添加有融合层;
提取所述感兴趣区域具体为:读取待预测CT影像对应的三维肿瘤标记及临床数据提取感兴趣区域结构信息,与待预测CT影像比对,截取获得所述感兴趣区域,所述三维肿瘤标记为放射肿瘤学家手动描绘的三维肿瘤,具有总体体积信息;
所述预后生存模型训练时使用的损失函数数学表达式为:
其中yi是神经网络的输出,ti是正解标签,是交叉熵损失函数,是新添加的损失项,β是权重因子;
所述预后生存模型训练时采用的数据集包括互不相交的测试集、验证集和训练集,基于训练集优化网络参数,基于验证集估计训练中或训练后的泛化误差,更新超参数,以测试集估计模型性能,所述数据集中的各样本包括CT影像、三维肿瘤标记、临床数据和生存期。
2.根据权利要求1所述的用于非小细胞肺癌预后生存预测的方法,其特征在于,所述生存期包括长生存期和短生存期。
3.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-2任一所述用于非小细胞肺癌预后生存预测的方法的步骤。
4.一种用于非小细胞肺癌预后生存预测的电子设备,其特征在于,包括:
CT影像获取模块,用于获取待预测CT影像,对该待预测CT影像进行灰度归一化处理,并提取感兴趣区域;
预测模块,该模块维护一基于深度学习的预后生存模型,基于所述感兴趣区域,采用训练好的基于深度学习的预后生存模型预测获得对应的预后生存期分类结果;
所述基于深度学习的预后生存模型为深度学习卷积神经网络模型,包括5个卷积块、1个全连接层和1个分类层,逐层提取肿瘤抽象特征,并获得预后生存期分类结果,所述5个卷积块中,中间3个卷积块引入有Bottleneck架构,最后一个卷积块在Bottleneck架构的基础上添加有融合层;
所述CT影像获取模块中,提取所述感兴趣区域具体为:读取待预测CT影像对应的三维肿瘤标记及临床数据提取感兴趣区域结构信息,与待预测CT影像比对,截取获得所述感兴趣区域,所述三维肿瘤标记为放射肿瘤学家手动描绘的三维肿瘤,具有总体体积信息;
所述预后生存模型训练时使用的损失函数数学表达式为:
其中yi是神经网络的输出,ti是正解标签,是交叉熵损失函数,是新添加的损失项,β是权重因子;
所述预测模块中,预后生存模型训练时采用的数据集包括互不相交的测试集、验证集和训练集,基于训练集优化网络参数,基于验证集估计训练中或训练后的泛化误差,更新超参数,以测试集估计模型性能,所述数据集中的各样本包括CT影像、三维肿瘤标记、临床数据和生存期。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011018497.1A CN112184658B (zh) | 2020-09-24 | 2020-09-24 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
PCT/CN2021/120101 WO2022063200A1 (zh) | 2020-09-24 | 2021-09-24 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011018497.1A CN112184658B (zh) | 2020-09-24 | 2020-09-24 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184658A CN112184658A (zh) | 2021-01-05 |
CN112184658B true CN112184658B (zh) | 2023-11-24 |
Family
ID=73943403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011018497.1A Active CN112184658B (zh) | 2020-09-24 | 2020-09-24 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112184658B (zh) |
WO (1) | WO2022063200A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184658B (zh) * | 2020-09-24 | 2023-11-24 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
CN112819768B (zh) * | 2021-01-26 | 2022-06-17 | 复旦大学 | 基于dcnn的癌症全视野数字病理切片生存分析方法 |
CN113688942A (zh) * | 2021-02-09 | 2021-11-23 | 四川大学 | 基于深度学习的头侧片腺样体图像自动评估方法和装置 |
CN112927203A (zh) * | 2021-02-25 | 2021-06-08 | 西北工业大学深圳研究院 | 基于多序列mri全局信息的胶质瘤患者术后生存期预测方法 |
CN113222887A (zh) * | 2021-03-03 | 2021-08-06 | 复旦大学附属华山医院 | 基于深度学习的纳米铁标记神经干细胞示踪的方法 |
CN112861994B (zh) * | 2021-03-12 | 2023-04-28 | 中国科学院自动化研究所 | 基于Unet迁移学习的胃印戒细胞癌图像智能分类系统 |
CN112991295B (zh) * | 2021-03-12 | 2023-04-07 | 中国科学院自动化研究所 | 基于深度学习的淋巴结转移影像分析系统、方法及设备 |
CN113257413B (zh) * | 2021-06-22 | 2021-10-19 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
CN113689382B (zh) * | 2021-07-26 | 2023-12-01 | 北京知见生命科技有限公司 | 基于医学影像和病理图像的肿瘤术后生存期预测方法及系统 |
CN114283938A (zh) * | 2021-11-25 | 2022-04-05 | 湖南大学 | 一种基于CNN-XGBoost的胶质母细胞瘤预后预测方法 |
CN115132275B (zh) * | 2022-05-25 | 2024-02-27 | 西北工业大学 | 基于端到端三维卷积神经网络预测egfr基因突变状态方法 |
CN115083574B (zh) * | 2022-08-22 | 2022-12-06 | 四川大学华西医院 | 癌症预后生存预测方法、系统、计算机设备及存储介质 |
CN116189887A (zh) * | 2022-11-25 | 2023-05-30 | 深圳先进技术研究院 | 肿瘤生存预测方法、装置、电子设备及存储介质 |
CN115984622B (zh) * | 2023-01-10 | 2023-12-29 | 深圳大学 | 基于多模态和多示例学习分类方法、预测方法及相关装置 |
CN116228753B (zh) * | 2023-05-06 | 2023-08-01 | 中山大学孙逸仙纪念医院 | 肿瘤预后评估方法、装置、计算机设备和存储介质 |
CN116664953A (zh) * | 2023-06-28 | 2023-08-29 | 北京大学第三医院(北京大学第三临床医学院) | 2.5d肺炎医学ct影像分类装置及设备 |
CN116665017A (zh) * | 2023-07-28 | 2023-08-29 | 神州医疗科技股份有限公司 | 一种基于影像组学的前列腺癌预测系统及构建方法 |
CN117173167A (zh) * | 2023-11-02 | 2023-12-05 | 中日友好医院(中日友好临床医学研究所) | 影像组学机器学习生存模型预测肿瘤预后的方法及装置 |
CN117648613B (zh) * | 2024-01-30 | 2024-05-28 | 北京神州龙芯科技有限公司 | 一种基于人工智能的糖尿病足溃疡预测方法及系统 |
CN118014995A (zh) * | 2024-04-08 | 2024-05-10 | 天津医科大学总医院 | 基于切片图像的胸部肿瘤预后深度学习方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005714A (zh) * | 2015-06-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
CN109658411A (zh) * | 2019-01-21 | 2019-04-19 | 杭州英库医疗科技有限公司 | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 |
CN110472629A (zh) * | 2019-08-14 | 2019-11-19 | 青岛大学附属医院 | 一种基于深度学习的病理图像自动识别系统及其训练方法 |
CN111462042A (zh) * | 2020-03-03 | 2020-07-28 | 西北工业大学 | 癌症预后分析方法及系统 |
WO2020176762A1 (en) * | 2019-02-27 | 2020-09-03 | University Of Iowa Research Foundation | Methods and systems for image segmentation and analysis |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10441225B2 (en) * | 2018-02-21 | 2019-10-15 | Case Western Reserve University | Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-pathologic features |
CN111354442A (zh) * | 2018-12-20 | 2020-06-30 | 中国医药大学附设医院 | 肿瘤影像深度学习辅助子宫颈癌患者预后预测系统、方法 |
CN110956626B (zh) * | 2019-12-09 | 2020-12-18 | 推想医疗科技股份有限公司 | 一种基于图像的预后评估方法及装置 |
CN112184658B (zh) * | 2020-09-24 | 2023-11-24 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
-
2020
- 2020-09-24 CN CN202011018497.1A patent/CN112184658B/zh active Active
-
2021
- 2021-09-24 WO PCT/CN2021/120101 patent/WO2022063200A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005714A (zh) * | 2015-06-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
CN109658411A (zh) * | 2019-01-21 | 2019-04-19 | 杭州英库医疗科技有限公司 | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 |
WO2020176762A1 (en) * | 2019-02-27 | 2020-09-03 | University Of Iowa Research Foundation | Methods and systems for image segmentation and analysis |
CN110472629A (zh) * | 2019-08-14 | 2019-11-19 | 青岛大学附属医院 | 一种基于深度学习的病理图像自动识别系统及其训练方法 |
CN111462042A (zh) * | 2020-03-03 | 2020-07-28 | 西北工业大学 | 癌症预后分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022063200A1 (zh) | 2022-03-31 |
CN112184658A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184658B (zh) | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 | |
CN107886514B (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
CN108921851B (zh) | 一种基于3d对抗网络的医学ct图像分割方法 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
CN112270666A (zh) | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 | |
Zhong et al. | Cancer image classification based on DenseNet model | |
CN106815481A (zh) | 一种基于影像组学的生存期预测方法及装置 | |
CN113516210B (zh) | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 | |
CN112309576A (zh) | 基于深度学习ct影像组学的结直肠癌生存期预测方法 | |
CN109300136B (zh) | 一种基于卷积神经网络的危及器官自动分割方法 | |
Yao et al. | Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN | |
CN112634273B (zh) | 一种基于深度神经网络的脑转移瘤分割系统及其构建方法 | |
CN112102276A (zh) | 基于迁移学习图像增强的低场强mr胃部分割方法 | |
US20210304896A1 (en) | Systems and methods for medical diagnosis | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN113706486A (zh) | 基于密集连接网络迁移学习的胰腺肿瘤图像分割方法 | |
Eltoukhy et al. | Classification of multiclass histopathological breast images using residual deep learning | |
CN114648663A (zh) | 基于深度学习的肺癌ct图像亚型分类方法 | |
CN117994263A (zh) | 一种基于用户交互的医学图像分割方法、系统和装置 | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
CN116091412A (zh) | 一种从pet/ct图像中分割肿瘤的方法 | |
CN115861716B (zh) | 基于孪生神经网络和影像组学的胶质瘤分类方法及装置 | |
CN111783796A (zh) | 一种基于深度特征融合的pet/ct影像识别系统 | |
Singh et al. | A novel neural network based automated system for diagnosis of breast cancer from real time biopsy slides |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |