CN113628325A - 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 - Google Patents
一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113628325A CN113628325A CN202110911256.8A CN202110911256A CN113628325A CN 113628325 A CN113628325 A CN 113628325A CN 202110911256 A CN202110911256 A CN 202110911256A CN 113628325 A CN113628325 A CN 113628325A
- Authority
- CN
- China
- Prior art keywords
- tumor
- small organ
- model
- data
- fdt
- 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.)
- Granted
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 211
- 210000000056 organ Anatomy 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000003834 intracellular effect Effects 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000002051 biphasic effect Effects 0.000 claims description 7
- 238000002591 computed tomography Methods 0.000 claims description 7
- 238000010176 18-FDG-positron emission tomography Methods 0.000 claims description 6
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 claims description 6
- 230000002503 metabolic effect Effects 0.000 claims description 6
- 210000004881 tumor cell Anatomy 0.000 claims description 6
- 230000004614 tumor growth Effects 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000008280 blood Substances 0.000 claims description 3
- 238000005534 hematocrit Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 33
- 238000013170 computed tomography imaging Methods 0.000 description 32
- 201000011510 cancer Diseases 0.000 description 17
- 238000002271 resection Methods 0.000 description 10
- 210000000496 pancreas Anatomy 0.000 description 6
- 238000001356 surgical procedure Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000002980 postoperative effect Effects 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000000232 gallbladder Anatomy 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 230000036210 malignancy Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 210000003932 urinary bladder Anatomy 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000001723 extracellular space Anatomy 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- 208000007660 Residual Neoplasm Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 201000002528 pancreatic cancer Diseases 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Robotics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种小器官肿瘤演化的模型建立方法及计算机可读存储介质，模型建立方法，包括以下步骤：基于小器官肿瘤的CT/MRI影像数据和FDT‑PET数据，预处理后用作为模型训练集；基于CT/MRI影像数据和FDT‑PET数据，获得CT/MRI影像数据和FDT‑PET数据内肿瘤区域细胞内体积分数图谱，及肿瘤标准化摄取值图谱；将两者对齐并比较；基于比较结果，构建小器官肿瘤演化模型，并对小器官肿瘤演化模型训练、计算后，调整小器官肿瘤演化模型的模型参数；基于原始数据对小器官肿瘤演化模型验证，并二次调整小器官肿瘤演化模型的模型参数。采用上述技术方案后，可为医生提供小器官肿瘤的类别判断、位置识别、有效切除等提供良好的参照和预测。
Description
技术领域
本发明涉及医学影像分析领域，尤其涉及一种小器官肿瘤演化的模型建立方法及计算机可读存储介质。
背景技术
随着人们的日常餐饮、生活习惯、自然环境等因素的不断变化，以及人口结构的老龄化进程，我国的恶性肿瘤诊断率逐年递增。根据我国癌症中心发布的2019年全国癌症报告显示，我国恶性肿瘤死亡已经占到了居民全部死因的23.91％，防控形势严峻。
目前，恶性肿瘤已经成为了威胁人类健康的主要公共卫生问题之一。胰腺、胆囊和膀胱等小器官癌是常见的恶性肿瘤。由于此类恶性肿瘤的特点是位置隐匿、难以发现，经常诊断出来时已是晚期，并且容易转移，因而病死率较高。其中，胰腺肿瘤是预后最差、恶性程度最高的肿瘤之一，被称为“癌症之王”。虽然手术切除作为治疗恶性肿瘤最主要的方案之一备受关注，但是即使肿瘤完整切除，不少患者仍会快速复发。这表示手术时肿瘤已经发生隐匿性转移或者切缘(resection margin，RM)存在肿瘤残留，所以恶性肿瘤的切除手术要求切缘达到阴性(即R0切除)。但是在手术实施过程中，尤其是针对浸润性强且边界模糊的小器官恶性肿瘤，例如胰胆等手术时，通过医生肉眼及经验界定肿瘤是否达到R0切除，这对医生和病人而言都存在不小的安全隐患。同时，由于胰胆、膀胱等小器官体积较小、结构复杂，毗邻细微的重要神、血管及脏器等，也导致了手术操作难度大、风险性高，而且易存在切除不完全、复发、并发症和功能损失等情况。因此，术前精确规划、术中安全有效切除肿瘤、术后精准评价肿瘤治疗效果是治疗成功的关键。
随着数字医学技术的不断发展，计算机辅助手术技术的出现极大地改善这一状况。特别是利用计算机技术来实现小器官恶性肿瘤的术前精准规划和术后的可靠评估。计算机辅助手术规划是在术前影响数据的基础上，利用计算机技术帮助医生制定合理的手术规划方案。首先，通过图像分割实现对肿瘤及周围重要解剖结构的精确分割。然后，实现对腹部脏器、肿瘤及血管的三维可视化重建。最后建立全方位、多角度、立体直观的肿瘤形态、血管分布及脏器相连等的三维可视化结果，辅助医生精准地规划切除肿瘤的最佳方案。如南方医科大学的方施华教授团队研发的腹部医学图像三维可视化系统(MI-3DVS)，结合CT/MRI等多模医学图像，实现了胰胆肿瘤及其周边血管、重要器官的三维可视化显示，为精确的手术规划提供指导；除此之外，针对于小儿肝脏胰等器官，具有血管更细，手术难度大等问题，青岛大学附属医学院董蒨教授团队与海信集团联合研制基于小儿肝胆胰的计算机辅助系统(Hisense CAS)，可实现对重要解剖结构的三维可视化显示，为小儿外科患者提供了精准化的手术规划方案，获2019年度国家科技进步二等奖。因此，计算机辅助手术规划可以大大降低手术的操作难度，提高手术精度，对于提升患者的治愈率和生存率等具有重要意义。
在目前的胰胆、膀胱等小器官的恶性肿瘤的临床诊断中，往往只是利用影像来识别、判断和定位肿瘤。而针对于肿瘤的演化过程中的研究往往被忽略。
因此，需要一种新型的小器官肿瘤演化的模型建立方法及计算机可读存储介质，可利用影像中肿瘤的浸润性、纹理特征、轮廓大小、生存周期等信息可以有效地探索肿瘤的演化过程，并形成最终的肿瘤演化模型。这对于肿瘤的类别判断、位置识别、生长预期、有效切除、防止术后复发等具有重要的指导意义。
发明内容
为了克服上述技术缺陷，本发明的目的在于提供一种小器官肿瘤演化的模型建立方法及计算机可读存储介质，可为医生提供小器官肿瘤的类别判断、位置识别、有效切除等提供良好的参照和预测。
本发明公开了一种小器官肿瘤演化的模型建立方法，包括以下步骤：
基于采集的小器官肿瘤的CT/MRI影像数据和FDT-PET数据，对CT/MRI影像数据和FDT-PET数据预处理后用作为模型训练集；
基于预处理后的CT/MRI影像数据和FDT-PET数据，获得CT/MRI影像数据和FDT-PET数据内小器官肿瘤的肿瘤区域细胞内体积分数图谱，及肿瘤标准化摄取值图谱；
将肿瘤区域细胞内体积分数图谱和肿瘤标准化摄取值图谱对齐并比较；
基于比较结果，构建小器官肿瘤演化模型，并对小器官肿瘤演化模型训练、计算后，调整小器官肿瘤演化模型的模型参数；
基于原始数据对小器官肿瘤演化模型验证，并二次调整小器官肿瘤演化模型的模型参数。
优选地，基于采集的小器官肿瘤的CT/MRI影像数据和FDT-PET数据，对CT/MRI影像数据和FDT-PET数据预处理后用作为模型训练集的步骤包括：
收集不同小器官肿瘤的患者在小器官肿瘤不同演化时期的多模态数据；
对多模态数据预处理，以用作为CT/MRI影像数据和FDT-PET数据；
收集医生对多模态数据内小器官肿瘤的肿瘤区域的分割数据，并将分割数据用作为模型标准集。
优选地，基于预处理后的CT/MRI影像数据和FDT-PET数据，获得CT/MRI影像数据和FDT-PET数据内小器官肿瘤的肿瘤区域细胞内体积分数图谱，及肿瘤标准化摄取值图谱的步骤包括：
对预处理后的CT/MRI影像数据和FDT-PET数据，结合基于注意力机制优化的三维Unet神经网络，根据双相CT影像提取CT/MRI影像数据和FDT-PET数据内病灶以及周围健康组织器官区域；
计算小器官肿瘤的肿瘤区域细胞内体积分数图谱；
基于：ME＝c×SUV计算FDT-PET数据的FDG-PET标准化摄取值。
优选地，计算小器官肿瘤的肿瘤区域细胞内体积分数图谱的步骤包括：
对小器官肿瘤的肿瘤区域使用双相增强CT扫描，基于：
计算肿瘤区域细胞外体积分数，其中Hctblood为红细胞压积；
基于：ICVF(x，t)＝1.0-ECVF(x，t)计算肿瘤区域细胞内体积分数，其中x代表单个像素点，t代表双相增强CT扫描的影像采集时刻。
优选地，将肿瘤区域细胞内体积分数图谱和肿瘤标准化摄取值图谱对齐并比较的步骤包括：
运用基于归一化互信息的非刚性配准方法，以实现增强CT图像和FDG-PET图像的多模态配准，以将肿瘤区域细胞内体积分数图谱和肿瘤标准化摄取值图谱对齐。
优选地，基于比较结果，构建小器官肿瘤演化模型，并对小器官肿瘤演化模型训练、计算后，调整小器官肿瘤演化模型的模型参数的步骤包括：
基于比较结果，以及反应-平流-扩散过程的肿瘤演化模型，结合不同时期下医生对多模态数据内小器官肿瘤的肿瘤区域的分割数据所计算出的肿瘤细胞体积参数和代谢吸收参数，构建小器官肿瘤演化模型；
通过统计形态学模型对小器官肿瘤演化模型进行肿瘤生长趋势预测。
优选地，基于原始数据对小器官肿瘤演化模型验证，并二次调整小器官肿瘤演化模型的模型参数的步骤包括：
比较肿瘤生长趋势预测及肿瘤区域的分割数据，对小器官肿瘤演化模型的平均表面距离、ICVF图的均方根差、肿瘤表面平均ICVF差和肿瘤相对体积差二次验证。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述的模型建立方法。
采用了上述技术方案后，与现有技术相比，具有以下有益效果：
1.提供优质的计算机辅助手术规划，从而降低医生手术的操作难度，提高手术精度，对于提升患者的治愈率和生存率等具有重要意义；
2.小器官肿瘤的演化过程可有效地被探索，为防止术后复发提供重要的指导意义。
附图说明
图1为符合本发明一优选实施例中小器官肿瘤演化的模型建立方法的流程示意图；
图2为符合本发明一优选实施例中三维Unet神经网络的流程示意图；
图3为符合本发明一优选实施例中归一化互信息的非刚性配准方法的流程示意图。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
参阅图1，为符合本发明一优选实施例中小器官肿瘤演化的模型建立方法的流程示意图，在该实施例中，模型建立方法包括以下步骤：
S100：基于采集的小器官肿瘤的CT/MRI影像数据和FDT-PET数据，对CT/MRI影像数据和FDT-PET数据预处理后用作为模型训练集；
模型建立之初，将获得大量的小器官肿瘤的样本，并取此类样本的CT/MRI影像数据和FDT-PET数据。CT是用X线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器转为数字，输入计算机处理。图像形成的处理有如对选定层面分成若干个体积相同的长方体，称之为体素(voxel)。扫描所得信息经计算而获得每个体素的X线衰减系数或吸收系数，再排列成矩阵，即数字矩阵(digital matrix)，数字矩阵可存贮于磁盘或光盘中。经数字/模拟转换器(digital/analog converter)把数字矩阵中的每个数字转为由黑到白不等灰度的小方块，即象素(pixel)，并按矩阵排列，即构成CT图像。所以，CT图像是重建图像。每个体素的X线吸收系数可以通过不同的数学方法算出。核磁共振成像(MRI)是神经放射学诊断的一种非侵入性成像工具，可以用来辅助诊断和预后。
对CT/MRI影像数据和FDT-PET数据将进行如去噪、特征提取等预处理后用作为模型训练集。
S200：基于预处理后的CT/MRI影像数据和FDT-PET数据，获得CT/MRI影像数据和FDT-PET数据内小器官肿瘤的肿瘤区域细胞内体积分数图谱，及肿瘤标准化摄取值图谱；
对于该预处理后的CT/MRI影像数据和FDT-PET数据，将处理获得小器官肿瘤的肿瘤区域细胞内体积分数图谱(ICVF)和肿瘤标准化摄取值图谱。标准化摄取值是PET-CT报告中必然会出现的一个内容，也就是SUV值，是各种肿瘤组织摄取18F-FDG示踪剂定量指标。人们常常看到PET-CT报告中说某部位摄取量增多，也就在说SUV值相对比较高。由于不同肿瘤细胞代谢能力的不同，它们在检查中对PET-CT示踪剂18F-FDG吸收量也不同，一般情况下，恶性程度高，摄取量就更高。临床通常取SUV值的大小来鉴别恶性肿瘤与良性病变，并提示肿瘤的恶性程度。
S300：将肿瘤区域细胞内体积分数图谱和肿瘤标准化摄取值图谱对齐并比较；
对肿瘤区域细胞内体积分数图谱和肿瘤标准化摄取值图谱对齐，例如多模态配准后，可比较两者的区别，从而比较得到病变区域，以及不同时期下病变区域的变化情况。
S400：基于比较结果，构建小器官肿瘤演化模型，并对小器官肿瘤演化模型训练、计算后，调整小器官肿瘤演化模型的模型参数；
进一步地，在比较结果出具后，可构建小器官肿瘤演化模型，在模型训练集的训练下，逐步调整小器官肿瘤演化模型的模型参数，直至小器官肿瘤演化模型与所采集的小器官肿瘤的CT/MRI影像数据和FDT-PET数据匹配。可以理解的是，所采集的小器官肿瘤的CT/MRI影像数据和FDT-PET数据越多，小器官肿瘤演化模型的准确定越高，对于不属于模型训练集内的小器官肿瘤的CT/MRI影像数据和FDT-PET数据的演化预估也将越准确。
S500：基于原始数据对小器官肿瘤演化模型验证，并二次调整小器官肿瘤演化模型的模型参数
若在模型参数调整下，小器官肿瘤演化模型仍无法匹配，则将根据原始数据对小器官肿瘤演化模型进行验证，二次或多次调整小器官肿瘤演化模型的模型参数，直至小器官肿瘤演化模型同时匹配CT/MRI影像数据和FDT-PET数据及原始数据。
具有上述配置后，可提高胰胆、膀胱等恶性肿瘤手术规划与术后评估系统，基于医学影像精准分析的小器官肿瘤演化模型可用于指导临床诊断与手术切除。
一优选实施例中，基于采集的小器官肿瘤的CT/MRI影像数据和FDT-PET数据，对所述CT/MRI影像数据和FDT-PET数据预处理后用作为模型训练集的步骤S100包括：
S110：收集不同小器官肿瘤的患者在小器官肿瘤不同演化时期的多模态数据；
对于不同的患者，采集其出现不同位置下的肿瘤的多模态数据。且多模态数据最优选地，在小器官肿瘤的不同演化时期，进一步地演化的周期越短越好，使得多模态数据呈丰富和普及化。
S120：对多模态数据预处理，以用作为CT/MRI影像数据和FDT-PET数据；
S130：收集医生对多模态数据内小器官肿瘤的肿瘤区域的分割数据，并将分割数据用作为模型标准集。
由于上述多模态数据为真实样本，在真实病例下，医生已对多模态数据内小器官肿瘤的肿瘤区域手动分割，及将病变区域和健康区域划分，形成分割数据，这些正确的原始数据将用作为模型标准集(或称为金标准)，供后续调参用。
参阅图2，一优选实施例中，基于预处理后的CT/MRI影像数据和FDT-PET数据，获得CT/MRI影像数据和FDT-PET数据内小器官肿瘤的肿瘤区域细胞内体积分数图谱，及肿瘤标准化摄取值图谱的步骤S200包括：
S210：对预处理后的CT/MRI影像数据和FDT-PET数据，结合基于注意力机制优化的三维Unet神经网络，根据双相CT影像提取CT/MRI影像数据和FDT-PET数据内病灶以及周围健康组织器官区域；
注意力机制也称为：“神经网络的注意力”，或者更简单的：“注意力”。人脑在工作时，具有一定的注意力的，比如在浏览器上搜索时，大部分的注意力都集中在搜索结果的左上角，这说明大脑在处理信号的时候是有一定权重划分的，而注意力机制的提出正是模仿了大脑的这种特性。神经网络的注意力就是说，神经网络具有将注意力集中到一部分输入(或特征)的能力。目前计算能力依然是限制神经网络发展的瓶颈，当输入的信息过多时，模型也会变得更复杂，通过引入注意力，可以减少处理的信息量，从而减小需要的计算资源。虽然局部连接、权重共享以及pooling等优化操作可以让神经网络变得简单一些，有效缓解模型复杂度和表达能力之间的矛盾；但是，如循环神经网络中的长序列输入，信息“记忆”能力并不高。注意力机制一般分为两种：聚焦式(Focus)注意力：是一种自上而下的有意识的注意力，“主动注意”是指有预定目的、依赖任务的、主动有意识地聚焦于某一对象的注意力；显著性(Saliency-Based)注意力：是一种自下而上的无意识的注意力，“被动注意”是基于显著性的注意力，是由外界刺激驱动的注意，不需要主动干预，也和任务无关；池化(MaxPooling)和门控(Gating)可以近似地看作是自下而上的基于显著性的注意力机制。注意力机制一般可以分为三步：一是信息输入；二是计算注意力分布；三是根据计算的注意力分布来对输入信息进行处理。
S220：计算小器官肿瘤的肿瘤区域细胞内体积分数图谱；
S230：基于：ME＝c×SUV计算FDT-PET数据的FDG-PET标准化摄取值
该标准化摄取值将用于表示肿瘤及其周围组织的代谢能，其中c为常数。
更进一步地，计算小器官肿瘤的肿瘤区域细胞内体积分数图谱的步骤S220包括：
S221：对小器官肿瘤的肿瘤区域使用双相增强CT扫描，基于：
计算肿瘤区域细胞外体积分数，其中Hctblood为红细胞压积；
由于碘造影剂在靶器官或血浆中对X射线有较大的吸收和散射作用，使影像中CT值增强。由于碘化造影剂是由相对较小的分子组成，具有很高的扩散性。血管内造影剂在注射后迅速广泛分布于血管外，体积接近细胞外间隙(ECV)，即血管外胞外间隙加毛细血管间隙。因此可先用双相增强CT扫描(增强前影像和增强后影像)来计算肿瘤细胞外体积分数。
S222：基于：ICVF(x，t)＝1.0-ECVF(x，t)计算肿瘤区域细胞内体积分数，其中x代表单个像素点，t代表双相增强CT扫描的影像采集时刻
考虑到细胞内体积分数(ICVF)与细胞外体积分数(ECVF)互补，因此，可基于上述公式计算肿瘤区域细胞内体积分数。
优选或可选地，参阅图3，将肿瘤区域细胞内体积分数图谱和肿瘤标准化摄取值图谱对齐并比较的步骤S300包括：
S310：运用基于归一化互信息的非刚性配准方法，以实现增强CT图像和FDG-PET图像的多模态配准，以将所述肿瘤区域细胞内体积分数图谱和肿瘤标准化摄取值图谱对齐；
互信息(Mutual Information)是信息论里一种有用的信息度量，它可以看成是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于已知另一个随机变量而减少的不确定性。两个随机变量X,Y的互信息，定义为X,Y的联合分布和独立分布乘积的相对熵。
进一步地，基于比较结果，构建小器官肿瘤演化模型，并对所述小器官肿瘤演化模型训练、计算后，调整所述小器官肿瘤演化模型的模型参数的步骤S400包括：
S410：基于比较结果，以及反应-平流-扩散过程的肿瘤演化模型，结合不同时期下医生对多模态数据内小器官肿瘤的肿瘤区域的分割数据所计算出的肿瘤细胞体积参数和代谢吸收参数，构建小器官肿瘤演化模型；
对于肿瘤具有通常演化模型：反应-平流-扩散(Reaction-Advection-Diffusion)。利用不同时期下医生对多模态数据内小器官肿瘤的肿瘤区域的分割数据所计算出的肿瘤细胞体积参数和代谢吸收参数，以实现对小器官肿瘤演化模型的构建
S420：通过统计形态学模型对小器官肿瘤演化模型进行肿瘤生长趋势预测。
更进一步地，基于原始数据对所述小器官肿瘤演化模型验证，并二次调整所述小器官肿瘤演化模型的模型参数的步骤S500包括：
S510：比较肿瘤生长趋势预测及肿瘤区域的分割数据，对小器官肿瘤演化模型的平均表面距离(ASD)、ICVF图的均方根差(RMSD)、肿瘤表面平均ICVF差(AICVFD)和肿瘤相对体积差(RVD)二次验证小器官肿瘤演化模型的精确度和可靠性。
一优选实施例中，本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述的模型建立方法。
应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。
Claims (8)
1.一种小器官肿瘤演化的模型建立方法，其特征在于，包括以下步骤：
基于采集的小器官肿瘤的CT/MRI影像数据和FDT-PET数据，对所述CT/MRI影像数据和FDT-PET数据预处理后用作为模型训练集；
基于预处理后的CT/MRI影像数据和FDT-PET数据，获得CT/MRI影像数据和FDT-PET数据内小器官肿瘤的肿瘤区域细胞内体积分数图谱，及肿瘤标准化摄取值图谱；
将所述肿瘤区域细胞内体积分数图谱和肿瘤标准化摄取值图谱对齐并比较；
基于比较结果，构建小器官肿瘤演化模型，并对所述小器官肿瘤演化模型训练、计算后，调整所述小器官肿瘤演化模型的模型参数；
基于原始数据对所述小器官肿瘤演化模型验证，并二次调整所述小器官肿瘤演化模型的模型参数。
2.如权利要求1所述的模型建立方法，其特征在于，
基于采集的小器官肿瘤的CT/MRI影像数据和FDT-PET数据，对所述CT/MRI影像数据和FDT-PET数据预处理后用作为模型训练集的步骤包括：
收集不同小器官肿瘤的患者在小器官肿瘤不同演化时期的多模态数据；
对所述多模态数据预处理，以用作为CT/MRI影像数据和FDT-PET数据；
收集医生对多模态数据内小器官肿瘤的肿瘤区域的分割数据，并将所述分割数据用作为模型标准集。
3.如权利要求1所述的模型建立方法，其特征在于，
基于预处理后的CT/MRI影像数据和FDT-PET数据，获得CT/MRI影像数据和FDT-PET数据内小器官肿瘤的肿瘤区域细胞内体积分数图谱，及肿瘤标准化摄取值图谱的步骤包括：
对预处理后的CT/MRI影像数据和FDT-PET数据，结合基于注意力机制优化的三维Unet神经网络，根据双相CT影像提取CT/MRI影像数据和FDT-PET数据内病灶以及周围健康组织器官区域；
计算小器官肿瘤的肿瘤区域细胞内体积分数图谱；
基于：ME＝c×SUV计算FDT-PET数据的FDG-PET标准化摄取值。
4.如权利要求3所述的模型建立方法，其特征在于，计算小器官肿瘤的肿瘤区域细胞内体积分数图谱的步骤包括：
对小器官肿瘤的肿瘤区域使用双相增强CT扫描，基于：
计算肿瘤区域细胞外体积分数，其中Hctblood为红细胞压积；
基于：ICVF(x，t)＝1.0-ECVF(x，t)计算肿瘤区域细胞内体积分数，其中x代表单个像素点，t代表双相增强CT扫描的影像采集时刻。
5.如权利要求1所述的模型建立方法，其特征在于，将所述肿瘤区域细胞内体积分数图谱和肿瘤标准化摄取值图谱对齐并比较的步骤包括：
运用基于归一化互信息的非刚性配准方法，以实现增强CT图像和FDG-PET图像的多模态配准，以将所述肿瘤区域细胞内体积分数图谱和肿瘤标准化摄取值图谱对齐。
6.如权利要求2所述的模型建立方法，其特征在于，基于比较结果，构建小器官肿瘤演化模型，并对所述小器官肿瘤演化模型训练、计算后，调整所述小器官肿瘤演化模型的模型参数的步骤包括：
基于比较结果，以及反应-平流-扩散过程的肿瘤演化模型，结合不同时期下医生对多模态数据内小器官肿瘤的肿瘤区域的分割数据所计算出的肿瘤细胞体积参数和代谢吸收参数，构建小器官肿瘤演化模型；
通过统计形态学模型对小器官肿瘤演化模型进行肿瘤生长趋势预测。
7.如权利要求6所述的模型建立方法，其特征在于，基于原始数据对所述小器官肿瘤演化模型验证，并二次调整所述小器官肿瘤演化模型的模型参数的步骤包括：
比较肿瘤生长趋势预测及肿瘤区域的分割数据，对小器官肿瘤演化模型的平均表面距离、ICVF图的均方根差、肿瘤表面平均ICVF差和肿瘤相对体积差二次验证。
8.一种计算机可读存储介质，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1-7任一项所述的模型建立方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110911256.8A CN113628325B (zh) | 2021-08-10 | 2021-08-10 | 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110911256.8A CN113628325B (zh) | 2021-08-10 | 2021-08-10 | 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113628325A true CN113628325A (zh) | 2021-11-09 |
| CN113628325B CN113628325B (zh) | 2024-03-26 |
Family
ID=78383784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110911256.8A Active CN113628325B (zh) | 2021-08-10 | 2021-08-10 | 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113628325B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1801214A (zh) * | 2005-11-18 | 2006-07-12 | 厦门大学 | 基于数字化虚拟器官的肿瘤图像信息处理装置与处理方法 |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
| CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
| CN109741343A (zh) * | 2018-12-28 | 2019-05-10 | 浙江工业大学 | 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法 |
| CN112102221A (zh) * | 2019-05-31 | 2020-12-18 | 深圳市前海安测信息技术有限公司 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
| US20210019890A1 (en) * | 2018-10-16 | 2021-01-21 | Tencent Technology (Shenzhen) Company Limited | Image segmentation method and apparatus, computer device, and storage medium |
| CN112348769A (zh) * | 2020-08-20 | 2021-02-09 | 盐城工学院 | 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 |
| CN112365980A (zh) * | 2020-11-16 | 2021-02-12 | 复旦大学附属华山医院 | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 |
| CN112686875A (zh) * | 2021-01-04 | 2021-04-20 | 浙江明峰智能医疗科技有限公司 | 基于神经网络的pet-ct图像的肿瘤预测方法及计算机可读存储介质 |
| CN112734710A (zh) * | 2020-12-30 | 2021-04-30 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及系统 |
| CN113205504A (zh) * | 2021-05-12 | 2021-08-03 | 青岛大学附属医院 | 基于知识图谱的人工智能肾肿瘤预测系统 |
-
2021
- 2021-08-10 CN CN202110911256.8A patent/CN113628325B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1801214A (zh) * | 2005-11-18 | 2006-07-12 | 厦门大学 | 基于数字化虚拟器官的肿瘤图像信息处理装置与处理方法 |
| CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
| CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技（昆山）有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
| US20210019890A1 (en) * | 2018-10-16 | 2021-01-21 | Tencent Technology (Shenzhen) Company Limited | Image segmentation method and apparatus, computer device, and storage medium |
| CN109741343A (zh) * | 2018-12-28 | 2019-05-10 | 浙江工业大学 | 一种基于3D-Unet和图论分割的T1WI-fMRI图像肿瘤协同分割方法 |
| CN112102221A (zh) * | 2019-05-31 | 2020-12-18 | 深圳市前海安测信息技术有限公司 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
| CN112348769A (zh) * | 2020-08-20 | 2021-02-09 | 盐城工学院 | 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置 |
| CN112365980A (zh) * | 2020-11-16 | 2021-02-12 | 复旦大学附属华山医院 | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 |
| CN112734710A (zh) * | 2020-12-30 | 2021-04-30 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及系统 |
| CN112686875A (zh) * | 2021-01-04 | 2021-04-20 | 浙江明峰智能医疗科技有限公司 | 基于神经网络的pet-ct图像的肿瘤预测方法及计算机可读存储介质 |
| CN113205504A (zh) * | 2021-05-12 | 2021-08-03 | 青岛大学附属医院 | 基于知识图谱的人工智能肾肿瘤预测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113628325B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Charron et al. | Automatic detection and segmentation of brain metastases on multimodal MR images with a deep convolutional neural network | |
| CN111047594B (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
| EP1804917B1 (en) | Dynamic tumor treatment system | |
| CN108257134A (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
| NL2003805C2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model. | |
| CN107451983A (zh) | Ct图像的三维融合方法和系统 | |
| CN111047589A (zh) | 一种注意力增强的脑肿瘤辅助智能检测识别方法 | |
| Kadam et al. | Neural network based brain tumor detection using MR images | |
| CN110223285A (zh) | 基于动物迁移和神经网络模型的影像结果预测方法及系统 | |
| CN109498046A (zh) | 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法 | |
| CN105654490A (zh) | 一种基于超声弹性图像的病变区域提取方法及装置 | |
| Hu et al. | Automated placenta segmentation with a convolutional neural network weighted by acoustic shadow detection | |
| Robb | 3-dimensional visualization in medicine and biology | |
| CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
| Schalk et al. | 3-D quantitative dynamic contrast ultrasound for prostate cancer localization | |
| CN113889261B (zh) | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 | |
| CN114943688A (zh) | 基于触诊和超声数据对乳腺图像中感兴趣区域的提取方法 | |
| CN114360718A (zh) | 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法 | |
| Ying et al. | Weakly supervised segmentation of uterus by scribble labeling on endometrial cancer MR images | |
| CN110163195A (zh) | 肝癌分群预测模型、其预测系统以及肝癌分群判断方法 | |
| Li et al. | Clinical study of diffusion-weighted imaging in the diagnosis of liver focal lesion | |
| CN113628325B (zh) | 一种小器官肿瘤演化的模型建立方法及计算机可读存储介质 | |
| CN115797308A (zh) | 一种基于dce-mri的乳腺肿瘤分割方法 | |
| Sun et al. | [Retracted] Application of Artificial Intelligence Nuclear Medicine Automated Images Based on Deep Learning in Tumor Diagnosis | |
| Che | Improved nonalcoholic fatty liver disease diagnosis from ultrasound data based on deep learning |
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 |