CN115661107A - 基于膀胱癌危险分层的图像分析方法、系统及设备 - Google Patents

Abstract

本发明涉及一种基于膀胱癌危险分层的图像分析方法、系统及设备。包括：获取患者术前CT造影图像序列，所述患者术前CT造影图像序列包括平扫、皮髓质期、实质期和排泄期图像；对获取的患者术前CT造影图像序列进行分割和定位，得到肿瘤病灶ROI；然后基于肿瘤病灶ROI提取膀胱癌特征，得到参数图像组合特征；再将其输入到基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果。本发明方法旨在基于自动定位的肿瘤病灶ROI提取参数图像组合特征，再输入到基于多任务深度学习构建的膀胱癌分层模型实现分类，旨在发掘其对泌尿学CT影像数据的分析能力和潜在应用价值。

Description

基于膀胱癌危险分层的图像分析方法、系统及设备

技术领域

本发明涉及泌尿系统中的图像分析领域，更具体地，涉及一种基于膀胱癌危险分层的图像分析方法、系统、设备、计算机可读存储介质及其应用。

背景技术

膀胱癌(BCa)是泌尿系统最常见的恶性肿瘤，局限于粘膜(Ta和Tis期)或粘膜下层(T1期)的肿瘤被诊断为NMIBC，占BCa的70％-85％。根据欧洲泌尿学协会指南(2021年)，NMIBC患者可分为低、中、高和非常高危险组。根据危险分层的不同，对每个群体给出相应的治疗建议，例如，1-3年的全剂量膀胱内BCG适用于高危组患者。因此，适当的危险分层对预后和治疗至关重要。

目前，多数研究集中在临床病理因素上，如性别、年龄、肿瘤数量、分级和分期、肿瘤复发和原位癌复发，这些指标大多是在经尿道膀胱肿瘤切除术(TURBT)后获得的。TURBT是NMIBC诊断和初始治疗的基础，但仍有一些局限性，例如受到外科医生的手术经验和所获得的活组织检查质量的影响。当前检测NMIBC最常用的成像模态方法包括超声(US)、计算机断层扫描(CT)和磁共振成像(MRI)。最近，多参数MRI在BCa分期中得到了证实。而CT是最广泛使用的评估NMIBC的方法，可用于诊断、表征和评估BCa的治疗反应，确定病变的CT值、大小、部位、多重性、范围、邻近侵犯、盆腔受累和远处转移。

发明内容

本申请的目的在于，本申请实施例提供一种膀胱癌危险分层分析方法、膀胱癌危险分层分析系统、膀胱癌危险分层分析设备、计算机可读存储介质及其应用，其旨在基于患者术前CT造影图像序列分析与膀胱癌相关的危险因素，并通过基于多任务深度学习构建的膀胱癌分层模型，预测膀胱癌分层结果，以给患者的治疗决策的选择提供更充分的支持。

本发明开发了一种基于膀胱癌危险分层的图像分析算法，基于患者术前CT造影图像序列进行分割和定位肿瘤病灶ROI，然后获取参数图像组合特征，再通过基于多任务深度学习构建的膀胱癌分层模型，预测膀胱癌分层结果，旨在基于膀胱癌特征和多任务深度学习算法发掘其在患者术前CT造影图像序列分析方面的自动分层能力和潜在应用价值。

根据本申请的第一方面，本申请一实施例提供了一种基于膀胱癌危险分层的图像分析方法，其包括：获取患者术前CT造影图像序列，所述患者术前CT造影图像序列包括平扫图像、皮髓质期图像、实质期图像和排泄期图像；对所述患者术前CT造影图像序列进行分割和定位，得到肿瘤病灶ROI；基于所述肿瘤病灶ROI进行膀胱癌的特征选取，得到参数图像组合特征；将所述参数图像组合特征输入到基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果。

可选的，在一些实施例中，所述患者术前CT造影图像序列基于时间序列得到，具体获取过程：基于所述患者盐水造影曲线采用Bolustracking跟踪阈值触发扫描技术行增强扫描，触发扫描感兴趣区置于降主动脉与腹主动脉交界处，达到自动触发阈值后延迟0s、25s、75s、300s分别得到平扫、皮髓质期、实质期和排泄期图像；优选的，所述自动触发阈值设定为120。

可选的，在一些实施例中，所述参数图像组合特征包括肿瘤大小、最大直径/最小直径的比值、CT值、平扫及实质期肿瘤最大截面的差值ΔCT1、平扫及实质期双肾门水平腹主动脉的差值ΔCT2，所述肿瘤大小是指所述肿瘤的最大和最小直径。

在一些实施例中，所述分割和定位通过下列算法中的任意一种或几种实现：基于水平集的分割算法、分水岭分割、U-Net、MIScnn、ResUNet；对于所述一幅患者术前CT造影图像中存在的多发病灶，所述分割和定位基于所述算法采取优先策略仅勾画最大病灶确定肿瘤病灶ROI；可选的，所述分割和定位通过选取平扫图像、实质期及排泄期自动勾画肿瘤病灶ROI，基于水平集的分割算法进行自动勾画出分割轮廓，然后融合基于U-Net自动分割的结果。

进一步，所述肿瘤病灶ROI包括所述患者术前CT造影图像序列中平扫图像的肿瘤病灶ROI、实质期图像的肿瘤病灶ROI和排泄期图像的肿瘤病灶ROI。

再进一步，在一些实施例中，所述特征选取包括：基于所述平扫图像的肿瘤病灶ROI利用深度学习算法进行特征提取，得到平扫肿瘤最大截面的CT value1、平扫双肾门水平腹主动脉CT value2的特征；基于所述实质期图像的肿瘤病灶ROI利用深度学习算法进行特征提取，得到的参数图像组合特征包括实质期肿瘤最大截面的长径及短径值、实质期肿瘤最大截面CT value3、实质期双肾门水平腹主动脉CT value4、平扫及实质期肿瘤最大截面的差值ΔCT1，即CT value3-CT value1，平扫及实质期双肾门水平腹主动脉的差值ΔCT2，即CT value4-CT value2，以及ΔCT1与ΔCT2的比值；基于所述排泄期图像的肿瘤病灶ROI利用深度学习算法进行提取，得到病灶边缘特征。

更进一步，所述参数图像组合特征还包括病灶边缘清晰度、肿瘤周围脂肪间隙索条影、钙化、肿瘤宽基地生长模式和/或肿瘤窄基地生长模式。

进一步，在一些实施例中，所述膀胱癌分层模型，使用多任务深度学习的方法对所述参数图像组合特征进行特征融合并反向传播多特征分类层，预测分析得到膀胱癌分层结果；

可选的，所述多任务深度学习采用下列模型中的任一一种或几种：DeepRelationship Networks、Fully-Adaptive Feature Sharing、MMOE、ESSM、PLE。

根据本申请的第二方面，本申请一实施例提供了一种基于膀胱癌危险分层的图像分析系统，其包括：获取模块，获取患者术前CT造影图像序列，所述患者术前CT造影图像序列包括平扫图像、皮髓质期图像、实质期图像和排泄期图像；病灶定位模块，用于对所述患者术前CT造影图像序列进行分割和定位，得到肿瘤病灶ROI；特征提取模块，基于所述肿瘤病灶ROI进行膀胱癌的特征选取，得到参数图像组合特征；预测模块，将所述参数图像组合特征输入到基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果。

根据本申请的第三方面，本申请一实施例提供了一种基于膀胱癌危险分层的图像分析设备，主要包括：存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时，用于执行实现上述基于膀胱癌危险分层的图像分析方法。

根据本申请的第四方面，本申请一实施例提供了一种计算机可读存储介质，其上存储有基于膀胱癌危险分层的图像分析的计算机程序，所述计算机程序被处理器执行时，实现上述基于膀胱癌危险分层的图像分析方法。

上述的设备或系统在对膀胱癌危险程度的智能分析中的应用；

上述的设备或系统在对患者术前CT造影图像序列中各时期影像的自动划分危险等级的应用；可选的，所述应用通过提取各时期影像的参数图像组合特征，再基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果；

上述的设备或系统在自动定位肿瘤病灶ROI中的应用；可选的，所述自动定位包括通过机器学习算法对患者术前CT造影图像序列进行分割和定位，获取平扫图像、实质期图像、排泄期图像中的肿瘤病灶ROI；对于一幅患者术前CT造影图像中存在的多发病灶，所述分割和定位基于所述算法采取优先策略仅勾画最大病灶确定肿瘤病灶ROI；

上述设备或系统在辅助研究早期初始治疗和更密切的随访计划的预后分析方案选择中的应用；可选的，预后分析包括基于本申请提供的膀胱癌危险分层对预后和治疗的危险预测的研究具有积极影响和推动作用。

本发明基于患者术前CT造影图像序列中的平扫图像、皮髓质期图像、实质期图像和排泄期图像分别进行分割和定位肿瘤病灶ROI，然后获取参数图像组合特征，然后通过基于多任务深度学习构建的膀胱癌分层模型，预测膀胱癌分层结果，克服了受外科医生手术经验的主观判断和所获活组织检查质量的影响，实现了通过机器学习对膀胱癌的自动分级，具有很强的创新性，对泌尿学影像数据的分析研究产生有益的推动作用。

本申请的优点：

1.本申请创新性的公开一种基于膀胱癌危险分层的图像分析方法，该方法基于患者术前CT造影图像序列自动定位肿瘤病灶ROI，然后基于肿瘤病灶ROI提取膀胱癌的多参数图像组合特征，再通过基于多任务深度学习构建的膀胱癌分层模型，输出膀胱癌分层结果，客观地提高了数据分析的精度和深度；

2.本申请创新性的基于患者术前CT造影图像序列中的平扫图像、皮髓质期图像、实质期图像和排泄期图像进行多个影像的肿瘤病灶ROI自动定位，对于一幅患者术前CT造影图像中存在的多发病灶，采取优先策略仅勾画最大病灶确定肿瘤病灶ROI，用于后期提取膀胱癌多参数特征中的关键特征，时效明显；

3.本申请创造性的公开了基于多任务深度学习构建的膀胱癌分层模型，用于处理获取的膀胱癌的多参数图像组合特征，考虑了各期CT影像参数特征和包括形态学在内的特征，避免了模型受到其他局部膀胱癌特征的影响，鉴于膀胱癌分级结果对预后及防控具有重要的研究意义，使得本申请更准确的应用于与泌尿学影像数据有关的疾病发生发展的辅助分析。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。

图1是本发明实施例提供的基于膀胱癌危险分层的图像分析方法的场景示意图；

图2是本发明实施例提供的基于膀胱癌危险分层的图像分析方法的流程示意图；

图3是本发明实施例提供的基于多任务深度学习构建的膀胱癌分层模型的结构示意图；

图4是本发明实施例提供的基于膀胱癌危险分层的图像分析设备示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S101、S102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。

本申请实施例提供了一种疾病风险预测模型训练方法、疾病风险预测方法、疾病风险预测模型训练装置、计算机设备和计算机可读存储介质。其中，疾病风险预测模型训练装置可以集成在计算机设备中，该计算机设备可以为终端或者服务器等设备。该终端可以为智能手机、平板电脑、笔记本电脑、个人计算机(Personal Computer，简称PC)等终端设备。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容发布网络(Content Delivery Network，简称CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

请参阅图1，图1是本发明实施例提供的基于膀胱癌危险分层的图像分析方法示意流程图，具体地，如图1所示的计算机设备为终端设备，该终端设备可以获取患者术前CT造影图像序列，所述患者术前CT造影图像序列包括平扫图像、皮髓质期图像、实质期图像和排泄期图像；然后对患者术前CT造影图像序列进行分割和定位，得到肿瘤病灶ROI；基于所述肿瘤病灶ROI进行膀胱癌的特征选取，得到参数图像组合特征；将得到的参数图像组合特征输入到基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果。

图2是本发明实施例提供的基于膀胱癌危险分层的图像分析方法示意流程图，具体地，包括如下步骤：

S101：获取患者术前CT造影图像序列。

在一个实施例中，患者术前CT造影图像序列包括平扫图像、皮髓质期图像、实质期图像和排泄期图像。

在一个具体的实施例中，获取的患者术前CT造影图像序列是根据符合以下条件的患者纳入研究：(1)经病理证实为NMIBC的TURBT患者；(2)术前15天内进行术前CT尿路造影。同时，获取的患者术前CT造影图像序列还通过以下排除标准排除患者影像得到；具体的，排除标准：(1)术前CT尿路造影未发现可见病变；(2)较差的CT图像质量，例如，存在伪影或不满意的膀胱充盈；(3)TURBT标本切除后无肌肉的；(4)不完整的病理学结果，即缺少以下任何信息：肿瘤等级、T期、数量、大小、原位癌状态；(5)在成像前用佐剂或新佐剂治疗。

在一个实例中，患者术前CT造影图像序列基于时间序列得到，具体获取过程：基于所述患者盐水造影曲线采用Bolustracking跟踪阈值触发扫描技术行增强扫描，触发扫描感兴趣区置于降主动脉与腹主动脉交界处，达到自动触发阈值后延迟0s、25s、75s、300s分别得到平扫、皮髓质期、实质期和排泄期图像；

优选的，所述自动触发阈值设定为120。

在一个更为具体的实施例中，CT数据采集通过所有CT尿路造影检查均采用GEDiscovery CT(GE Healthcare)或Somatom Definition Flash CT(Siemens healthineers)进行。将患者置于仰卧位，扫描整个腹部和骨盆。使用以下参数获取非增强CT图像：管电位120kVp，启用护理剂量4D自动曝光控制系统，管检测器旋转时间0.5s，准直128×0.6mm，螺距0.9，重建层厚1mm，重建层间距1mm。非增强扫描后，以4-4.5mL/s的速率静脉注射100mL非离子型造影剂(Ultraist370，德国拜耳先灵制药公司)，然后注射100mL生理盐水在注射造影剂后25秒、75秒和300秒获取皮髓质期、实质期和排泄期图像。其中，排泄期(300s)中的病变表面形态，有利病变表面细微结构的观察。

S102：对患者术前CT造影图像序列进行分割和定位，得到肿瘤病灶ROI。

在一个实施例中，分割和定位通过下列算法中的任意一种或几种实现：基于水平集的分割算法、分水岭分割、U-Net、MIScnn、ResUNet、Swin-Unet；对于一幅患者术前CT造影图像中存在的多发病灶，所述分割和定位基于所述算法采取优先策略仅勾画最大病灶确定肿瘤病灶ROI。

基于水平集的图像分割算法是一种进化版的Snake算法，也是需要给定初始的轮廓曲线，然后根据泛函能量最小化，进行曲线演化。

分水岭算法是一种典型的基于边缘的图像分割算法，通过寻找区域之间的分界线，对图像进行分割，能够较好的适用于复杂背景下的目标分割，特别是具有蜂窝状结构的画面的内容分割。

U-Net算法是一种适合医学影像分割的网络模型，首先进行Conv+Pooling下采样；然后Deconv反卷积进行上采样，crop之前的低层特征图，进行融合；然后再次上采样，重复直到获得输出目标特征图，最后经过softmax获得分割图像。

MIScnn具有卷积神经网络和深度学习的医学图像分割框架，提供直观，快速的API建立医学图像分割流程，包括数据I/O，预处理，数据增强，逐块分析，评价指标，具有最新深度学习模型的库以及模型使用。

Swin-Unet基于Swin Transformer block，构建了一个具有跳跃连接的对称编码器-解码器体系结构，开发了patch扩展层，无需卷积或插值操作即可实现上采样和特征维数的增加，最终构建了一个纯基于transformer的U型编解码结构。

在一个具体实施例中，分割和定位通过选取平扫图像、实质期及排泄期自动勾画肿瘤病灶ROI，基于水平集的分割算法进行自动勾画出分割轮廓，然后融合基于U-Net自动分割的结果，得到最终的肿瘤病灶ROI，最终的肿瘤病灶ROI主要包括患者术前CT造影图像序列中平扫图像的肿瘤病灶ROI、实质期图像的肿瘤病灶ROI和排泄期图像的肿瘤病灶ROI。

S103：基于肿瘤病灶ROI进行膀胱癌的特征选取，得到参数图像组合特征。

在一个实施例中，参数图像组合特征包括基于步骤S102得到的平扫图像的肿瘤病灶ROI利用深度学习算法进行特征提取，得到平扫肿瘤最大截面的CT value1、平扫双肾门水平腹主动脉CT value2的特征；还包括基于步骤S102得到的实质期图像的肿瘤病灶ROI利用深度学习算法进行特征提取，得到的参数图像组合特征包括实质期肿瘤最大截面的长径及短径值、实质期肿瘤最大截面CT value3、实质期双肾门水平腹主动脉CT value4、平扫及实质期肿瘤最大截面的差值ΔCT1，即CT value3-CT value1，平扫及实质期双肾门水平腹主动脉的差值ΔCT2，即CT value4-CT value2，以及ΔCT1与ΔCT2的比值。

在一个实施例中，参数图像组合特征包括基于步骤S102得到的排泄期图像的肿瘤病灶ROI利用深度学习算法进行提取，得到病灶边缘特征；具体的，参数图像组合特征还包括病灶边缘清晰度、肿瘤周围脂肪间隙索条影、钙化、肿瘤宽基地生长模式和/或肿瘤窄基地生长模式。

在一个具体实施例中，优选的，参数图像组合特征包括肿瘤大小、最大直径/最小直径的比值、CT值、ΔCT1、ΔCT2，以及ΔCT1与ΔCT2的比值，其中，肿瘤大小是指所述肿瘤的最大和最小直径。

更为具体的，在本申请专利中所选特征指向预示结果的临床意义：

钙化：膀胱癌生长早期由于肿瘤生长过快，局部血管缺血缺氧，导致坏死、钙化。相对来说危险程度更高的肿瘤更易钙化。

长径、短径及两者的比值：危险程度较高的膀胱癌往往生长不规则，因此长径、短径或其比值可能会对肿瘤危险分层有提示意义。

周围脂肪间隙索条影：危险程度更高的肿瘤由于生长较快，或发生向外生长的征象，则会导致周围脂肪间隙密度增高及索条影。

ΔCT 1：危险程度更高的肿瘤往往呈富血供状态，在实质期强化程度更高，相比来说与平扫的差值更大，ΔCT 1的值更高。

ΔCT 2：测量双肾门水平腹主动脉的CT值差值，是为了检验ΔCT 1的准确性。如果该组病人ΔCT 2没有统计学差异，但是ΔCT 1存在统计学差异时，则可以减少人为对比剂排泄及扫描时间产生的偏移，即更有信心确定ΔCT 1对肿瘤危险分层有提示意义。

边界是否清晰：危险程度更高的肿瘤相对来说边界更不清晰。

肿瘤宽基地或者窄基地生长模式：宽基地肿瘤与膀胱壁连接面积更大，范围更广，更倾向于危险程度高。

S104：将参数图像组合特征输入到基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果。

在一个实施例中，膀胱癌分层模型，使用多任务深度学习的方法对所述参数图像组合特征进行特征融合并反向传播多特征分类层，预测分析得到膀胱癌分层结果；可选的，多任务深度学习采用下列模型中的任一一种或几种：Deep Relationship Networks、Fully-Adaptive Feature Sharing、MMOE、ESSM、PLE。

Deep Relationship Networks中的卷积层前几层是预训练好的，后几层是共享参数的，用于学习不同任务之间的联系，最后独立的dnn模块用于学习各个任务。

Fully-Adaptive Feature Sharing：从另一个极端开始，是一种自底向上的方法，从一个简单的网络开始，并在训练过程中利用相似任务的分组准则贪婪地动态扩展网络。贪婪方法可能无法发现一个全局最优的模型，而且只将每个分支分配给一个任务使得模型无法学习任务之间复杂的交互。

MMOE，从相同的输入中提取出不同的特征，由一个Gate(类似)attention结构，把专家提取出的特征筛选出各个task最相关的特征，最后分别接不同任务的全连接层。MMOE的思想是对于不同任务，需要不同专家提取出的信息，因此每个任务都需要一个独立的gate。

ESSM借鉴多任务学习的思路，引入辅助学习任务，拟合pCTR和pCTCVR(pCTCVR＝pCTR*pCVR)这两个子网络共享的embedding层，CTR任务的训练样本量要远超过CVR任务的训练样本量，从而能够缓解训练数据稀疏性问题。

PLE的本质是MMOE的改进版本，旨在解决跷跷板现象(多任务之间相关性不强时，信息共享就会影响模型效果，会出现一个任务泛化性变强，另一个变弱的现象)，有些expert是任务专属，有些expert是共享的，如CGC架构，对于任务A而言，通过A的gate把A的expert和共享的expert进行融合，去学习A。

在一个实施例中，膀胱癌分层结果通过多任务深度学习对参数图像组合特征中的病灶边缘、肿瘤宽基地或者窄基地生长模式、肿瘤周围脂肪间隙索条影、有无钙化、以及各个CT参数特征进行自动学习得到。

图3是本发明实施例提供的基于多任务深度学习构建的膀胱癌分层模型的结构示意图，主要通过多任务深度学习的思路对多个参数图像组合特征集进行学习得到膀胱癌分层结果，图3所示的参数图像组合特征集1、参数图像组合特征集2、参数图像组合特征集3、参数图像组合特征集4分别通过步骤S102中描述的平扫、皮髓质期、实质期和排泄期图像各肿瘤病灶ROI中各个特征的组合得到。

在一个实施例中，膀胱癌分层模型在识别低风险个体方面最有效，其AUC、准确性、敏感性和特异性分别为0.870、0.647、1.000和0.438，其次是中等风险组，分别达到0.814、0.882、0.250和0.936。对于高风险组的识别更难，分别达到0.65、0.529、0.250和0.870。其中，膀胱癌分层模型在识别低风险个体方面最有效[AUC(95％CI):0.870(0.776-0.964)]。

在一个实施例中，特征选择和模型构建CT特征通过z分数归一化(对于数字特征)或一键编码(对于分类特征)进行预处理。基于f检验的特征选择和高斯朴素贝叶斯模型的训练基于10重交叉验证过程。对于交叉验证程序的每次迭代，九个折叠用于训练模型，剩余的折叠用于评估模型性能。

在一个具体的实施例中，考虑到三个风险组的不平衡，进行了随机过采样。交叉验证过程，仅在训练折叠中进行过采样。通过F值排序选择用于建模的特征，并通过使交叉验证结果的受试者操作特征(ROC)曲线(AUC)下的宏观面积最大化来确定特征的最佳数量。一旦选定的特征被确定，整个训练集被用于重新训练模型，并且测试集被用于评估模型性能。统计分析使用SPSS 22.0软件(IBM)分析三个风险组的训练集和验证集之间的临床病理学变量的差异。定量数据呈正态分布，以平均标准差表示，定性数据用频率(百分比)描述。在临床病理分析中，使用χ2检验比较定性变量，使用Kruskal-Wallis检验比较连续数据。p<0.05被认为具有统计学意义。计算ROC曲线，计算AUC来预测模型的准确性，还包括每一类的AUC、敏感性、特异性和准确性。使用scikit-learn软件包(版本0.23.2)和R软件(4.1.2)构建和评估该模型。

在一个具体的实施例中，对于三个风险组的区分，基于高斯朴素贝叶斯的预测模型在训练集中达到了0.785和0.732(0.6808至0.7827)的宏观AUC和微观AUC(95％置信区间[95％CI])，准确度为0.521(95％CI:0.427至0.614)。该模型在测试集中也表现出令人满意的总体性能，三个类别的宏观AUC和微观AUC(95％CI)分别为0.783和0.745(0.6665至0.8237)，准确度(95％CI)为0.529(0.386至0.668)。

将上述方法用于术前CT特征预测NMIBC风险分层是可行性的，表明CT特征和其他特征的组合可以进一步改善模型的性能，并为患者评估提供更准确的信息，可以更好地反映基于多任务深度学习构建的膀胱癌分层模型效果，使得本申请在应用于与泌尿学影像数据有关的疾病发生发展的辅助分析方面更有利。

本发明实施例提供的基于膀胱癌危险分层的图像分析系统，包括：

获取模块，用于获取患者术前CT造影图像序列，其中，患者术前CT造影图像序列包括平扫图像、皮髓质期图像、实质期图像和排泄期图像；

病灶定位模块，用于对获取的患者术前CT造影图像序列进行分割和定位，得到肿瘤病灶ROI；

特征提取模块，基于肿瘤病灶ROI进行膀胱癌的特征选取，得到参数图像组合特征；

预测模块，将参数图像组合特征输入到基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果。

图4是本发明实施例提供的一种基于膀胱癌危险分层的图像分析设备，包括：存储器和处理器；该设备还可以包括：输入装置和输出装置。

存储器、处理器、输入装置和输出装置可以通过总线或者其他方式连接，图4所示的以总线连接方式为例；其中，存储器用于存储程序指令；处理器用于调用程序指令，当程序指令被执行时，用于执行上述眼底照视网膜血管管径的计算方法。

本发明提供的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上述基于膀胱癌危险分层的图像分析方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁盘或光盘等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于膀胱癌危险分层的图像分析方法，包括：

获取患者术前CT造影图像序列，所述患者术前CT造影图像序列包括平扫图像、皮髓质期图像、实质期图像和排泄期图像；

对所述患者术前CT造影图像序列进行分割和定位，得到肿瘤病灶ROI；

基于所述肿瘤病灶ROI进行膀胱癌的特征选取，得到参数图像组合特征；

将所述参数图像组合特征输入到基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果；

优选的，所述参数图像组合特征包括肿瘤大小、最大直径/最小直径的比值、CT值、平扫及实质期肿瘤最大截面的差值ΔCT1、平扫及实质期双肾门水平腹主动脉的差值ΔCT2，所述肿瘤大小是指所述肿瘤的最大和最小直径。

2.根据权利要求1所述的基于膀胱癌危险分层的图像分析方法，其特征在于，所述患者术前CT造影图像序列基于时间序列得到，具体获取过程：基于所述患者盐水造影曲线采用Bolustracking跟踪阈值触发扫描技术行增强扫描，触发扫描感兴趣区置于降主动脉与腹主动脉交界处，达到自动触发阈值后延迟0s、25s、75s、300s分别得到平扫、皮髓质期、实质期和排泄期图像；

优选的，所述自动触发阈值设定为120。

3.根据权利要求1所述的基于膀胱癌危险分层的图像分析方法，其特征在于，所述分割和定位通过下列算法中的任意一种或几种实现：基于水平集的分割算法、分水岭分割、U-Net、MIScnn、ResUNet；对于所述一幅患者术前CT造影图像中存在的多发病灶，所述分割和定位基于所述算法采取优先策略仅勾画最大病灶确定肿瘤病灶ROI；

可选的，所述分割和定位通过选取平扫图像、实质期及排泄期自动勾画肿瘤病灶ROI，基于水平集的分割算法进行自动勾画出分割轮廓，然后融合基于U-Net自动分割的结果。

4.根据权利要求1所述的基于膀胱癌危险分层的图像分析方法，其特征在于，所述肿瘤病灶ROI包括所述患者术前CT造影图像序列中平扫图像的肿瘤病灶ROI、实质期图像的肿瘤病灶ROI和排泄期图像的肿瘤病灶ROI。

5.根据权利要求4所述的基于膀胱癌危险分层的图像分析方法，其特征在于，所述特征选取包括：基于所述平扫图像的肿瘤病灶ROI利用深度学习算法进行特征提取，得到平扫肿瘤最大截面的CT value1、平扫双肾门水平腹主动脉CT value2的特征；基于所述实质期图像的肿瘤病灶ROI利用深度学习算法进行特征提取，得到的参数图像组合特征包括实质期肿瘤最大截面的长径及短径值、实质期肿瘤最大截面CT value3、实质期双肾门水平腹主动脉CTvalue4、平扫及实质期肿瘤最大截面的差值ΔCT1，即CT value3-CT value1，平扫及实质期双肾门水平腹主动脉的差值ΔCT2，即CT value4-CT value2，以及ΔCT1与ΔCT2的比值；基于所述排泄期图像的肿瘤病灶ROI利用深度学习算法进行提取，得到病灶边缘特征。

6.根据权利要求1所述的基于膀胱癌危险分层的图像分析方法，其特征在于，所述参数图像组合特征还包括病灶边缘清晰度、肿瘤周围脂肪间隙索条影、钙化、肿瘤宽基地生长模式和/或肿瘤窄基地生长模式。

7.根据权利要求1所述的基于膀胱癌危险分层的图像分析方法，其特征在于，所述膀胱癌分层模型，使用多任务深度学习的方法对所述参数图像组合特征进行特征融合并反向传播多特征分类层，预测分析得到膀胱癌分层结果；

可选的，所述多任务深度学习采用下列模型中的任一一种或几种：DeepRelationshipNetworks、Fully-Adaptive Feature Sharing、MMOE、ESSM、PLE。

8.一种基于膀胱癌危险分层的图像分析系统，其特征在于，所述系统包括：

获取模块，获取患者术前CT造影图像序列，所述患者术前CT造影图像序列包括平扫图像、皮髓质期图像、实质期图像和排泄期图像；

病灶定位模块，用于对所述患者术前CT造影图像序列进行分割和定位，得到肿瘤病灶ROI；

特征提取模块，基于所述肿瘤病灶ROI进行膀胱癌的特征选取，得到参数图像组合特征；

预测模块，将所述参数图像组合特征输入到基于多任务深度学习构建的膀胱癌分层模型，输出预测的膀胱癌分层结果；

优选的，所述参数图像组合特征包括肿瘤大小、最大直径/最小直径的比值、CT值、平扫及实质期肿瘤最大截面的差值ΔCT1、平扫及实质期双肾门水平腹主动脉的差值ΔCT2，所述肿瘤大小是指所述肿瘤的最大和最小直径。

9.一种基于膀胱癌危险分层的图像分析设备，其特征在于，所述设备包括：存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时，用于执行实现权利要求1-7任意一项所述的基于膀胱癌危险分层的图像分析方法。

10.一种计算机可读存储介质，其上存储有膀胱癌危险分层的图像分析的计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-7任意一项所述的基于膀胱癌危险分层的图像分析方法。

Images