CN116013543A - 一种基于深度学习的tace疗效预测方法 - Google Patents
一种基于深度学习的tace疗效预测方法 Download PDFInfo
- Publication number
- CN116013543A CN116013543A CN202310061478.4A CN202310061478A CN116013543A CN 116013543 A CN116013543 A CN 116013543A CN 202310061478 A CN202310061478 A CN 202310061478A CN 116013543 A CN116013543 A CN 116013543A
- Authority
- CN
- China
- Prior art keywords
- image
- tace
- prediction model
- features
- data
- 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
-
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的TACE疗效预测方法,包括以下步骤:S1、获取数据,并对数据进行预处理;S2、构建可实现多模态信息融合的预测模型,预测模型分为图像特征提取阶段与特征融合阶段;S3、将预处理后的数据输入到预测模型中,依次进行图像特征提取与特征融合;S4、对预测模型进行训练,并通过训练后的预测模型进行TACE疗效预测;该方法能够融合图像特征与多种临床信息,相比传统的仅依靠BCLC来决定是否对HCC患者使用TACE疗法,该方法充分融合了两种模态数据的互补信息,能够更加准确预测TACE的治疗效果。
Description
技术领域
本发明涉及生物学技术领域,具体涉及一种基于深度学习的TACE疗效预测方法。
背景技术
肝细胞癌(HepatocellularCarcinoma,HCC)是全世界常见的原发性肝脏恶性肿瘤,每年有超过74.8万例新诊断的癌症。肝动脉化疗栓塞(TranscatheterArterialChemoembolization,TACE)是目前治疗中晚期肝癌的主要非手术治疗方法,该方法能够一定程度延长患者生存时间,且有效降低手术后患者肿瘤复发率,达到改善中晚期肝细胞癌疗效的目的。但据调查,有60%的HCC患者没有从该方法中收益,并且该方法同样会导致上腹疼痛、恶心、发烧等副作用,甚至可能导致严重的并发症。因此,在治疗前预测该方法对于HCC患者的治疗效果具有重大意义。
目前,主要通过巴塞罗那临床肝癌分期标准(BarcelonaClinicLiver Cancer,BCLC)作为选择依据,该系统考虑了患者的表现状态、肝脏疾病的严重程度、肿瘤大小、肿瘤数目、血管浸润和转移,将处于B期的HCC患者作为TACE疗法的首选患者,但同样处于B期的患者在肝功能与肿瘤负担方面也存在相当大差异,且该方法涵盖的个体因素差异存在局限。有研究结合CT图像与巴塞罗那临床肝癌分期系统来预测患者对TACE的疗效反应,该方法通过深度学习模型分割肿瘤区域,之后基于影像组学方法,经过特征提取、特征筛选,最后通过随机森林算法建模进行疗效预测。有研究通过MRI图像预测TACE对HCC患者的治疗效果,该方法同样基于影像组学方法,首先勾画病灶区域,之后提取大量图像特征,再通过LASSO回归模型筛选特征,之后利用机器学习模型对筛选的特征与相关临床信息进行建模。以上基于影像组学的方法流程较为复杂,且对TACE疗效预测的准确率提升较为有限。因此,需要一种流程简单便捷,且能够准确预测TACE疗效的方法。
发明内容
本发明的目的在于提供一种基于深度学习的TACE疗效预测方法,该基于深度学习的TACE疗效预测方法利用深度学习网络,并设计二阶段多模态融合模块,充分提取CT图像深层次特征并融合临床信息,这种先进的网络架构能够充分利用多种类型数据,达到比传统方法更优的效果,并且简化传统方法复杂的流程,为TACE的疗效预测提供了新思路,预测结果准确度高。
为实现上述目的,本发明采用以下技术方案:
一种基于深度学习的TACE疗效预测方法,包括以下步骤:
S1、获取数据,并对数据进行预处理;
S2、构建可实现多模态信息融合的预测模型,预测模型分为图像特征提取阶段与特征融合阶段;
S3、将预处理后的数据输入到预测模型中,依次进行图像特征提取与特征融合;
S4、对预测模型进行训练,并通过训练后的预测模型进行TACE疗效预测。
优选地,步骤S1的具体过程为:
S11、获取TCIA数据库的公开数据集HCC-TACE-SEG,该数据集HCC-TACE-SEG包含105例患者的CT图像数据与相关临床信息,并根据疾病进展时间是否小于14周将病例划分为两个类型;
S12、针对CT图像数据,将图像以勾画的肿瘤区域为中心进行裁剪,得到尺寸为C×360×360的图像,其中C表示CT图像的层数,再筛选出肿瘤区域面积最大的一层及其相邻两层图像,从而组成尺寸为3×360×360的三通道图像,最后对数据进行归一化,将像素值映射到0和1之间,得到预处理后的CT图像;
S13、针对临床信息,选取患者年龄、性别、是否吸烟、是否饮酒、BCLC分期、肝炎状况,将同一患者的不同临床信息拼接为向量形式,得到预处理后的临床信息。
优选地,步骤S2中在图像特征提取阶段,以深度学习模型ResNet18作为主体架构,并在深度学习模型ResNet18的基础上设计通道注意力机制模块,实现在图像特征提取过程中融入临床信息特征,以临床信息特征辅助图像特征提取;步骤S2中在特征融合阶段,设计交叉特征融合模块,以实现第二阶段的多模态融合,并将融合的特征作为模型输出,用以预测TACE疗效。
优选地,步骤S3中所述图像特征提取的具体过程为:
S31、将预处理后的CT图像输入深度学习模型ResNet18中,经过卷积层、批标准化层、激活函数层,得到基本图像特征M;
S32、将预处理后的临床信息中的临床信息特征,通过全连接层转化特征维度,并与图像特征进行匹配;
S33、利用预测模型中通道注意力机制模块,融合图像特征与临床信息特征;
S34、将融合特征继续传入深度学习模型ResNet18的残差模块,进一步提取特征,得到深层次图像特征;
步骤S3中所述特征融合的具体过程为:
S35、通过深层次图像特征生成对应的特征向量K与特征向量V;
S36、将原始临床信息转换为对应的特征向量Q;
S37、通过特征向量Q与特征向量K相乘,并将结果利用softmax函数进行转化,得到概率分布矩阵N;
S38、将概率分布矩阵N与特征向量V在通道维度相乘,得到融合特征向量,并将融合特征向量与深层次图像特征求和。
优选地,步骤S4的具体过程为:
S41、将数据集HCC-TACE-SEG以7:1:2划分为训练集、验证集、测试集;
S42、将训练集数据输入预测模型中,预测模型输出2维结果,分别代表属于每一类的概率,将概率表示为y,,利用交叉熵损失函数计算预测模型输出结果与真实标签y的差距,从而优化模型,该损失函数为:
其中,i表示第i个维度,K表示向量维度总数,yi表示标签第i个维度值,yi,表示第i个维度预测值;
S43、每轮训练之后,通过验证集数据评估预测模型效果;
S44、取在验证集上预测效果最优的预测模型作为最优预测模型,并将测试集数据输入到最优预测模型进行TACE疗效预测。
采用上述技术方案后,本发明具有如下有益效果:本发明的预测模型通过深度学习方法提取CT图像特征,能够提取比传统影像组学方法更丰富的图像特征,并且不需要精确勾画肿瘤区域,能够减轻临床医生压力,同时使流程更加简单便捷。除此之外,本发明的预测模型能够融合图像特征与多种临床信息(包含BCLC),相比传统的仅依靠BCLC来决定是否对HCC患者使用TACE疗法,该方法充分融合了两种模态数据的互补信息,能够更加准确预测TACE的治疗效果,预测准确性高。
附图说明
图1为本发明的流程图;
图2为本发明的预测模型的框架图;
图3为本发明的图像数据预处理前后对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
如图1至图3所示,一种基于深度学习的TACE疗效预测方法,包括以下步骤:
S1、获取数据,并对数据进行预处理;
步骤S1的具体过程为:
S11、获取TCIA(TheCancerImmunomeAtlas)数据库的公开数据集HCC-TACE-SEG,该数据集HCC-TACE-SEG包含105例患者的CT图像数据与相关临床信息,并根据疾病进展时间是否小于14周将病例划分为两个类型;
S12、针对CT图像数据,将图像以粗略勾画的肿瘤区域为中心进行裁剪,得到尺寸为C×360×360的图像,其中C表示CT图像的层数,再筛选出肿瘤区域面积最大的一层及其相邻两层图像,从而组成尺寸为3×360×360的三通道图像,最后对数据进行归一化,将像素值映射到0和1之间,得到预处理后的CT图像;
S13、针对临床信息,选取患者年龄、性别、是否吸烟、是否饮酒、BCLC分期、肝炎状况,将同一患者的不同临床信息拼接为向量形式,得到预处理后的临床信息;
S2、构建可实现多模态信息融合的预测模型,预测模型分为图像特征提取阶段与特征融合阶段;
步骤S2中在图像特征提取阶段,以深度学习模型ResNet18作为主体架构,并在深度学习模型ResNet18的基础上设计通道注意力机制模块,实现在图像特征提取过程中融入临床信息特征,以临床信息特征辅助图像特征提取;步骤S2中在特征融合阶段,设计交叉特征融合模块,以实现第二阶段的多模态融合,并将融合的特征作为模型输出,用以预测TACE疗效;
S3、将预处理后的数据输入到预测模型中,依次进行图像特征提取与特征融合;
步骤S3中所述图像特征提取的具体过程为:
S31、将预处理后的CT图像输入深度学习模型ResNet18中,经过卷积层、批标准化层、激活函数层,得到基本图像特征M;
S32、将预处理后的临床信息中的临床信息特征,通过全连接层转化特征维度,并与图像特征进行匹配;
S33、利用预测模型中通道注意力机制模块,融合图像特征与临床信息特征;
S34、将融合特征继续传入深度学习模型ResNet18的残差模块,进一步提取特征,得到深层次图像特征;
步骤S3中所述特征融合的具体过程为:
S35、通过深层次图像特征生成对应的特征向量K与特征向量V;
S36、将原始临床信息转换为对应的特征向量Q;
S37、通过特征向量Q与特征向量K相乘,并将结果利用softmax函数进行转化,得到概率分布矩阵N;
S38、将概率分布矩阵N与特征向量V在通道维度相乘,得到融合特征向量,并将融合特征向量与深层次图像特征求和;
S4、对预测模型进行训练,并通过训练后的预测模型进行TACE疗效预测;
步骤S4的具体过程为:
S41、将数据集HCC-TACE-SEG以7:1:2划分为训练集、验证集、测试集;
S42、将训练集数据输入预测模型中,预测模型输出2维结果,分别代表属于每一类的概率,将概率表示为y,,利用交叉熵损失函数计算预测模型输出结果与真实标签y的差距,从而优化模型,该损失函数为:
其中,i表示第i个维度,K表示向量维度总数,yi表示标签第i个维度值,yi,表示第i个维度预测值;
S43、每轮训练之后,通过验证集数据评估预测模型效果;
S44、取在验证集上预测效果最优的预测模型作为最优预测模型,并将测试集数据输入到最优预测模型进行TACE疗效预测
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于深度学习的TACE疗效预测方法,其特征在于,包括以下步骤:
S1、获取数据,并对数据进行预处理;
S2、构建可实现多模态信息融合的预测模型,预测模型分为图像特征提取阶段与特征融合阶段;
S3、将预处理后的数据输入到预测模型中,依次进行图像特征提取与特征融合;
S4、对预测模型进行训练,并通过训练后的预测模型进行TACE疗效预测。
2.如权利要求1所述的一种基于深度学习的TACE疗效预测方法,其特征在于,步骤S1的具体过程为:
S11、获取TCIA数据库的公开数据集HCC-TACE-SEG,该数据集HCC-TACE-SEG包含105例患者的CT图像数据与相关临床信息,并根据疾病进展时间是否小于14周将病例划分为两个类型;
S12、针对CT图像数据,将图像以勾画的肿瘤区域为中心进行裁剪,得到尺寸为C×360×360的图像,其中C表示CT图像的层数,再筛选出肿瘤区域面积最大的一层及其相邻两层图像,从而组成尺寸为3×360×360的三通道图像,最后对数据进行归一化,将像素值映射到0和1之间,得到预处理后的CT图像;
S13、针对临床信息,选取患者年龄、性别、是否吸烟、是否饮酒、BCLC分期、肝炎状况,将同一患者的不同临床信息拼接为向量形式,得到预处理后的临床信息。
3.如权利要求2所述的一种基于深度学习的TACE疗效预测方法,其特征在于:步骤S2中在图像特征提取阶段,以深度学习模型ResNet18作为主体架构,并在深度学习模型ResNet18的基础上设计通道注意力机制模块,实现在图像特征提取过程中融入临床信息特征,以临床信息特征辅助图像特征提取;步骤S2中在特征融合阶段,设计交叉特征融合模块,以实现第二阶段的多模态融合,并将融合的特征作为模型输出,用以预测TACE疗效。
4.如权利要求3所述的一种基于深度学习的TACE疗效预测方法,其特征在于,步骤S3中所述图像特征提取的具体过程为:
S31、将预处理后的CT图像输入深度学习模型ResNet18中,经过卷积层、批标准化层、激活函数层,得到基本图像特征M;
S32、将预处理后的临床信息中的临床信息特征,通过全连接层转化特征维度,并与图像特征进行匹配;
S33、利用预测模型中通道注意力机制模块,融合图像特征与临床信息特征;
S34、将融合特征继续传入深度学习模型ResNet18的残差模块,进一步提取特征,得到深层次图像特征;
步骤S3中所述特征融合的具体过程为:
S35、通过深层次图像特征生成对应的特征向量K与特征向量V;
S36、将原始临床信息转换为对应的特征向量Q;
S37、通过特征向量Q与特征向量K相乘,并将结果利用softmax函数进行转化,得到概率分布矩阵N;
S38、将概率分布矩阵N与特征向量V在通道维度相乘,得到融合特征向量,并将融合特征向量与深层次图像特征求和。
5.如权利要求4所述的一种基于深度学习的TACE疗效预测方法,其特征在于,步骤S4的具体过程为:
S41、将数据集HCC-TACE-SEG以7:1:2划分为训练集、验证集、测试集;
S42、将训练集数据输入预测模型中,预测模型输出2维结果,分别代表属于每一类的概率,将概率表示为y,,利用交叉熵损失函数计算预测模型输出结果与真实标签y的差距,从而优化模型,该损失函数为:
其中,i表示第i个维度,K表示向量维度总数,yi表示标签第i个维度值,yi,表示第i个维度预测值;
S43、每轮训练之后,通过验证集数据评估预测模型效果;
S44、取在验证集上预测效果最优的预测模型作为最优预测模型,并将测试集数据输入到最优预测模型进行TACE疗效预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310061478.4A CN116013543A (zh) | 2023-01-16 | 2023-01-16 | 一种基于深度学习的tace疗效预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310061478.4A CN116013543A (zh) | 2023-01-16 | 2023-01-16 | 一种基于深度学习的tace疗效预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116013543A true CN116013543A (zh) | 2023-04-25 |
Family
ID=86028074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310061478.4A Pending CN116013543A (zh) | 2023-01-16 | 2023-01-16 | 一种基于深度学习的tace疗效预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116013543A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721772A (zh) * | 2023-08-10 | 2023-09-08 | 北京市肿瘤防治研究所 | 肿瘤治疗预后预测方法、装置、电子设备及存储介质 |
CN117438103A (zh) * | 2023-12-20 | 2024-01-23 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 基于mri图像的度洛西汀镇痛疗效预测方法及系统 |
-
2023
- 2023-01-16 CN CN202310061478.4A patent/CN116013543A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721772A (zh) * | 2023-08-10 | 2023-09-08 | 北京市肿瘤防治研究所 | 肿瘤治疗预后预测方法、装置、电子设备及存储介质 |
CN116721772B (zh) * | 2023-08-10 | 2023-10-20 | 北京市肿瘤防治研究所 | 肿瘤治疗预后预测方法、装置、电子设备及存储介质 |
CN117438103A (zh) * | 2023-12-20 | 2024-01-23 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 基于mri图像的度洛西汀镇痛疗效预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021179205A1 (zh) | 医学图像分割方法、医学图像分割装置及终端设备 | |
CN116013543A (zh) | 一种基于深度学习的tace疗效预测方法 | |
CN108062753A (zh) | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 | |
Li et al. | NPCNet: jointly segment primary nasopharyngeal carcinoma tumors and metastatic lymph nodes in MR images | |
CN111325750B (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
CN112215844A (zh) | 基于ACU-Net的MRI多模态图像分割方法和系统 | |
CN112927246B (zh) | 肺部轮廓分割、肿瘤免疫浸润分类系统及方法 | |
Luo et al. | Classification of tumor in one single ultrasound image via a novel multi-view learning strategy | |
Misra et al. | Deep learning‐based multimodal fusion network for segmentation and classification of breast cancers using B‐mode and elastography ultrasound images | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
Wang et al. | Multiscale feature fusion for skin lesion classification | |
Dou et al. | Tooth instance segmentation based on capturing dependencies and receptive field adjustment in cone beam computed tomography | |
Yu et al. | 3D Medical Image Segmentation based on multi-scale MPU-Net | |
Kamli et al. | Synthetic medical image generator for data augmentation and anonymisation based on generative adversarial network for glioblastoma tumors growth prediction | |
CN116467675A (zh) | 一种融合多模态特征的内脏器官属性编码方法及系统 | |
Tang et al. | Medical image fusion quality assessment based on conditional generative adversarial network | |
Chen et al. | Deeply supervised vestibule segmentation network for CT images with global context‐aware pyramid feature extraction | |
CN115937083A (zh) | 一种融合先验信息的前列腺磁共振图像区域分割方法 | |
Wu et al. | A feature-enhanced network for stroke lesion segmentation from brain MRI images | |
Liu et al. | A gastric cancer recognition algorithm on gastric pathological sections based on multistage attention‐DenseNet | |
Yang et al. | Lung Nodule Segmentation and Uncertain Region Prediction with an Uncertainty-Aware Attention Mechanism | |
Lu et al. | A Novel U‐Net Based Deep Learning Method for 3D Cardiovascular MRI Segmentation | |
Fu et al. | High-risk Factor Prediction in Lung Cancer Using Thin CT Scans: An Attention-Enhanced Graph Convolutional Network Approach | |
Guo et al. | MRI Image Segmentation of Nasopharyngeal Carcinoma Using Multi-Scale Cascaded Fully Convolutional Network. | |
Ma et al. | ConvLSTM coordinated longitudinal transformer under spatio-temporal features for tumor growth prediction |
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 |