CN117974604A - 一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备 - Google Patents
一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117974604A CN117974604A CN202410149117.XA CN202410149117A CN117974604A CN 117974604 A CN117974604 A CN 117974604A CN 202410149117 A CN202410149117 A CN 202410149117A CN 117974604 A CN117974604 A CN 117974604A
- Authority
- CN
- China
- Prior art keywords
- data
- image data
- medical image
- module
- network module
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 72
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 38
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 48
- 230000004927 fusion Effects 0.000 claims description 36
- 238000013527 convolutional neural network Methods 0.000 claims description 35
- 238000012216 screening Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 230000007170 pathology Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012854 evaluation process Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 8
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000001225 therapeutic effect Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000012830 cancer therapeutic Substances 0.000 description 3
- 238000009099 neoadjuvant therapy Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000009098 adjuvant therapy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 238000012352 Spearman correlation analysis Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备,包括:获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据;对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域;对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;调用预训练的疗效预测模型;将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。实现结合多模态数据分析以提高预测结果准确性。
Description
技术领域
本发明涉及预测技术领域,尤其涉及一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备。
背景技术
新辅助治疗(NAT,neoadjuvant therapy)已成为乳腺癌的标准治疗,用于减小肿瘤的分期。在乳腺癌中,病理完全缓解(pCR,Pathologic complete response)是一种有效的替代终点用于预测预后。对于NAT后的手术,达到pCR的患者可以从保乳手术(BCS)中受益,甚至可以省略手术而不进行乳房切除术。
对于pCR评估的金标准取决于NAT术后标本的病理结果,对于预测pCR对于改善手术风险分层和患者管理具有临床意义,通过基于MRI影像的术前pCR预测模型进行预测,模型通过MRI影像中提取的影像特征来预测患者经过新辅助治疗后是否pCR,多数是采用对2D影像数据进行特征提取,但是,此种方法存在模态单一、缺乏患者多维度信息,从而导致预测性能受限、预测结果不准确的问题,进而导致后续确定治疗方案存在误判的风险。
发明内容
本发明提供了一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备,用于解决现有技术中存在的对于疗效预测不准确的问题。
根据本发明的一方面,提供了一种基于多模态数据的乳腺癌疗效预测方法,包括:
获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据;
对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域;
对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;
调用预训练的疗效预测模型,疗效预测模型包括第一网络模块、第二网络模型,其中,第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,第二网络模块由特征筛选子模块和分类子模块构成;
将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。
可选的,在获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据之后,还包括:
基于第一医学影像数据对第二医学影像数据进行配准处理,得到配准后的第二医学影像数据,其中,第一医学影像数据中包括已勾画出的感兴趣区域。
可选的,获取目标对象的临床特征数据,包括:
获取临床原始数据,对临床原始数据进行数据清洗,得到结构化的临床特征数据。
可选的,第二网络模块中的特征筛选子模块用于对输入的至少一类特征数据进行特征筛选,确定满足预设需求的目标特征数据;第二网络模块中的分类子模块用于对目标特征数据进行特征分类处理,以得到疗效预测模型的预测结果。
可选的,裁剪影像数据包括第一类影像数据和第二类影像数据;
将裁剪影像数据输入至第一网络模块,得到第二特征数据,包括:
基于第一网络模块中的第一卷积神经网络子模块对第一类影像数据进行特征提取,得到第一类特征数据;
基于第一网络模块中的第二卷积神经网络子模块对第二类影像数据进行特征提取,得到第二类特征数据;
基于第一网络模块中的特征融合子模块对第一类特征数据和第二类特征数据进行特征融合,得到第二特征数据。
可选的,疗效预测模型的训练方法包括:
获取样本数据集,将样本数据集划分为训练队列和验证队列;其中,样本数据集包括样本对象在第一阶段的第一医学影像数据和样本对象在第二阶段的第二医学影像数据,以及获取样本对象的临床特征数据、病理结果数据,病理结果数据作为疗效预测模型的标签数据;
对训练队列中的第二医学影像数据进行裁剪处理,得到裁剪影像数据;
在疗效预测模型的第一训练阶段,将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第二特征数据输入至第二网络模块,得到第一预测结果数据,基于第一预测结果数据和对应的标签数据确定第一损失函数,基于第一损失函数对第一网络模块进行训练,得到训练好的第一网络模块;
在疗效预测模型的第二训练阶段,对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;基于第一特征数据、第二特征数据、临床特征数据和对应的标签数据对第二网络模块进行训练,得到训练好的第二网络模块;
训练好的第一网络模块和训练好的第二网络模块构成待评估疗效预测模型。
可选的,方法还包括:
基于验证队列对待评估疗效预测模型进行评估,得到待评估疗效预测模型的评估结果;
其中,评估过程包括:将验证队列作为待评估疗效预测模型的输入参数,待评估疗效预测模型输出预测结果,基于预测结果绘制对应的ROC曲线;基于ROC曲线确定AUC值,基于AUC值确定待评估疗效预测模型的评估结果。
根据本发明的一方面,提供了一种基于多模态数据的乳腺癌疗效预测装置,包括:
数据获取模块,用于获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据;
裁剪影像数据确定模块,用于对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域;
第一特征数据确定模块,用于对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;
疗效预测模型调用模块,用于调用预训练的疗效预测模型,疗效预测模型包括第一网络模块、第二网络模型,其中,第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,第二网络模块由特征筛选子模块和分类子模块构成;
疗效预测结果确定模块,用于将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。
根据本发明的另一方面,提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的基于多模态数据的乳腺癌疗效预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的基于多模态数据的乳腺癌疗效预测方法。
根据本发明的另一方面,提供了一种计算机程序产品,其特征在于,计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现本发明任一实施例的基于多模态数据的乳腺癌疗效预测方法。
本发明实施例的技术方案,通过获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据;对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域;对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;调用预训练的疗效预测模型,疗效预测模型包括第一网络模块、第二网络模型,其中,第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,第二网络模块由特征筛选子模块和分类子模块构成;将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。本技术方案通过对第一医学影像数据、第二医学影像数据、临床特征数据等多模态数据综合处理以得到准确的预测结果,以解决现有技术中的疗效预测方法存在模态单一、疗效预测不准确的问题,使得数据参考依据更加的全面,提高了基于多模态数据的乳腺癌疗效预测的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于多模态数据的乳腺癌疗效预测方法的流程图;
图2是本发明实施例二提供的一种基于多模态数据的乳腺癌疗效预测方法的流程图;
图3是适用于本发明实施例的一种疗效预测模型的结构示意图;
图4是本发明实施例三提供的一种基于多模态数据的乳腺癌疗效预测装置的结构示意图;
图5是实现本发明实施例的基于多模态数据的乳腺癌疗效预测方法的电子设备的结构示意图。
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,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一特征数据”、“第二特征数据”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请所涉及技术方案中对数据的获取、存储和/或处理,符合国家法律法规的相关规定。
实施例一
图1是本发明实施例一提供的一种基于多模态数据的乳腺癌疗效预测方法的流程图,本实施例可适用于进行乳腺癌疗效预测的情况,该方法可以由基于多模态数据的乳腺癌疗效预测装置来执行,该基于多模态数据的乳腺癌疗效预测装置可以采用硬件和/或软件的形式实现,该基于多模态数据的乳腺癌疗效预测装置可配置于本发明实施例提供的电子设备中。如图1所示,该方法包括:
S110、获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据。
其中,目标对象具体可以理解为是进行治疗方案疗效预测的患者,在本实施例中,以乳腺癌患者为例。第一阶段、第二阶段具体可以理解为是用于表征目标对象所处的治疗阶段,示例性的,第一阶段可以是目标对象进行治疗前的阶段,第二阶段可以是目标对象进行一段时间治疗后的阶段,在本实施例中,第一阶段为目标对象进行NAT治疗之前的阶段,第二阶段为目标对象进行NAT治疗之后的阶段。第一医学影像数据具体可以理解为是通过影像采集设备采集的目标对象在第一阶段的影像数据,第二医学影像数据具体可以理解为是通过影像采集设备采集的目标对象在第二阶段的影像数据,示例性的,医学影像数据可以是通过连续、重复、快速扫描得到的多序列核磁图像数据,在本实施例中,影像数据是三维影像数据,其中,三维影像数据中的特征信息丰富,使得从中提取到的信息也会包含较多的有用信息,有助于提高疗效预测的准确性。需要说明的是,在本实施例中,多模态数据包括第一医学影像数据、第二医学影像数据、临床特征数据。
具体的,根据目标对象的信息从医学影像库中获取信息匹配的影像数据,包括目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据。示例性的,第一医学影像数据包括目标对象在第一阶段的DCE-MRI、ADC-MRI影像数据,第二医学影像数据包括目标对象在第二阶段的DCE-MRI、ADC-MRI影像数据。根据目标对象的信息从预设信息库中获取相匹配的目标对象的临床特征数据,其中,目标对象的信息包含但不限于目标对象的姓名、编号。
需要说明的是,从预设信息库中获取目标对象的临床数据通常是原始数据,而且,想要获取到完整的临床数据,往往需要从多个预设信息库中获取,因此获取的目标对象的临床数据就会存在信息繁杂的问题,不利于进行临床数据分析,因此,对于获取目标对象的临床特征数据的方法,可选的,获取目标对象的临床特征数据,包括:获取临床原始数据,对临床原始数据进行数据清洗,得到结构化的临床特征数据。
具体的,根据目标对象的信息从预设信息库中获取相匹配的临床原始数据,对临床原始数据集进行数据清洗,筛选出与后续疗效预测相关联的数据,并将筛选得到的临床数据进行结构化处理,得到结构化的临床特征数据,使得有利于后续对临床特征数据进行数据分析,其中,与后续疗效预测相关联的数据可以通过对历史数据进行分析,确定与疗效预测相关联的字段信息和对应的临床数据,示例性的,可以将筛选出的临床数据存储至预设数据格式的数据表中,得到结构化的临床特征数据。
示例性的,可以从多种数据源中收集目标对象的临床数据,对收集的41个临床字段进行数据结构化和标准化,结构化数据表满足包括编码、来源、名称、定义、值域、类别、数字格式、字段长度和填充率等要求。
可选的,在获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据之后,还包括:基于第一医学影像数据对第二医学影像数据进行配准处理,得到配准后的第二医学影像数据,其中,第一医学影像数据中包括已勾画出的感兴趣区域。
具体的,基于第一医学影像数据通过预设分割方法对图像中的感兴趣区域进行分割处理,将第一医学影像数据对应的感兴趣区域勾画出来,为了使得勾画出来的感兴趣区域更加准确,可以通过专业人员通过核查方式对勾画影像进行全量逐层质检,得到第一医学影像数据中准确的感兴趣区域。使用ants软件包进行对第一阶段的医学影像数据的感兴趣区域进行3D配准,以期获得自动生成的第一阶段的医学影像数据的原病灶感兴趣区域。具体而言,以第一阶段的医学影像数据的原始MRI影像为浮动图像,以第二阶段的医学影像数据的原始MRI为参考图像进行非线性配准并获取配准场矩阵,然后将配准场矩阵作用于第一阶段的医学影像数据的勾画的病灶感兴趣区域以获取配准标签,即得到第二医学影像数据的感兴趣区域。
在本实施例中,通过获取目标对象的不同治疗阶段的多种影像数据以及目标对象的临床特征数据,得到第一医学影像数据、第二医学影像数据、临床特征数据等多模态数据,用于后续进行数据分析和确定疗效预测结果,提供了更多的影像特征数据以及临床数据参考,有助于提高疗效预测结果的准确性。
S120、对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域。
具体的,识别出第二医学影像数据中的感兴趣区域,将对应的感兴趣区域进行裁剪处理,得到裁剪影像数据。需要说明的是,考虑到误差的影响,裁剪出的感兴趣区域还包括感兴趣区域周围的背景区域,裁剪出的背景区域的大小不宜过大,满足预设裁剪阈值即可。
S130、对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据。
具体的,通过预设特征提取方法对第一医学影像数据和第二医学影像数据进行特征提取,得到第一特征数据,示例性的,特征提取方法可以是影像组学分析方法、预设深度学习模型。
示例性的,基于目标对象的第一医学影像数据和第二医学影像数据和对应的感兴趣区域,使用Pyradiomics程序进行了影像组学特征提取,并使用滤波器以期获得衍生图像和更丰富的图像信息,得到第一特征数据,需要说明的是,滤波器包括拉普拉斯高斯变换和小波变换。其中,影像组学特征类型包括一阶灰度特征、形状特征和高阶灰度特征,需要说明的是,高阶灰度特征包括表征纹理、边缘等信息。
S140、调用预训练的疗效预测模型,疗效预测模型包括第一网络模块、第二网络模型,其中,第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,第二网络模块由特征筛选子模块和分类子模块构成。
其中,疗效预测模型是用于预测目标对象在经过治疗之后的疗效是否能够满足病理完全缓解,即是否满足pCR,若不满足,则预测结果为非pCR。具体的,将获取的第二医学影像数据的裁剪影像数据、第一特征数据、临床特征数据作为输入参数,调用预训练的疗效预测模型,将第二医学影像数据的裁剪影像数据作为第一网络模块的输入参数,由两个卷积神经网络子模块和特征融合子模块进行处理,将输出结果与第一特征数据、临床特征数据输入至第二网络模块,由特征筛选子模块和分类子模块进行处理。可选的,第二网络模块中的特征筛选子模块用于对输入的至少一类特征数据进行特征筛选,确定满足预设需求的目标特征数据;第二网络模块中的分类子模块用于对目标特征数据进行特征分类处理,以得到疗效预测模型的预测结果。
具体的,第二网络模块的输入参数包括第一网络模块的输出数据、第一特征数据、临床特征数据,通过第二网络模块中的特征筛选子模型对输入的至少一类特征数据进行特征筛选,筛选出满足预设需求的目标特征数据,示例性的,使用T检验和卡方检验以选择在pCR组和非pCR组之间具有显著差异的特征,然后使用递归特征消除(RFE)的方法筛选出最小特征集合,再通过具有十年以上临床经验的医生结合临床经验对筛选的特征进行再次人工确认。对于提取的影像组学特征和深度学习特征,我们使用T检验初步筛选具有显著差异的特征,再进行Spearman相关分析计算不同特征间的相关系数,并将相关系数大于0.8的两个特征中保留统计学检验p值更小者。为进一步消除特征的多重共线性问题,采用Lasso回归进行筛选,保留非零系数的特征。为避免医学影像数据和临床特征数据这两个模态特征之间依然存在多重共线性的问题,可以通过融合两类特征后再利用树模型(CATBoost)对其进行非线性筛选,并保留基尼系数(特征重要性)大于0.7的特征,最后,使用RFE筛选出影像-临床最小特征集合,得到目标特征数据,通过分类子模块对目标特征数据进行特征分类处理,以得到疗效预测模型的预测结果。
可选的,疗效预测模型的训练方法包括:获取样本数据集,将样本数据集划分为训练队列和验证队列;其中,样本数据集包括样本对象在第一阶段的第一医学影像数据和样本对象在第二阶段的第二医学影像数据,以及获取样本对象的临床特征数据、病理结果数据,病理结果数据作为疗效预测模型的标签数据;对训练队列中的第二医学影像数据进行裁剪处理,得到裁剪影像数据;在疗效预测模型的第一训练阶段,将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第二特征数据输入至第二网络模块,得到第一预测结果数据,基于第一预测结果数据和对应的标签数据确定第一损失函数,基于第一损失函数对第一网络模块进行训练,得到训练好的第一网络模块;在疗效预测模型的第二训练阶段,对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;基于第一特征数据、第二特征数据、临床特征数据和对应的标签数据对第二网络模块进行训练,得到训练好的第二网络模块;训练好的第一网络模块和训练好的第二网络模块构成待评估疗效预测模型。
具体的,从医学数据库中采集样本数据集,示例性的,收集不同地理位置的多家医院近十年来的多例样本对象的新辅助治疗前、后的多序列核磁图像、临床病理数据,对采集到的样本数据进行纳排处理,以获得有效且完整的样本数据。得到的样本数据集包括新辅助治疗前、后所拍摄的MRI影像数据,包括DCE-MRI、高/低b值DWI、样本对象治疗前的临床特征数据、样本对象的手术病理结果,其中,治疗前的DCE和DWI序列进行了感兴趣区域的3D勾画,样本对象的手术病理结果为pCR/Non-pCR。将获取的数据进行划分处理,任意选择两家医院的数据作为训练队列,剩余的数据作为验证队列,其中,验证队列可以设置为三列验证队列,需要说明的是,也可以设置两列验证队列、四列验证队列,根据实际需求进行设置,在本实施例中,以三列验证队列为示例。具体的,样本对象治疗前的MRI影像数据作为样本对象在第一阶段的第一医学影像数据,样本对象治疗后的MRI影像数据作为样本对象在第二阶段的第二医学影像数据,以及获取样本对象的临床特征数据、病理结果数据,将病理结果数据作为疗效预测模型的标签数据。在对模型进行训练之前,对训练队列中的第二医学影像数据进行裁剪处理,得到裁剪影像数据,将裁剪影像数据作为待训练的疗效预测模型的输入参数,用以训练疗效预测模型。疗效预测模型的训练包括两个训练阶段,第一阶段是用于训练疗效预测模型中的第一网络模块,在疗效预测模型的第一训练阶段,将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第二特征数据输入至第二网络模块,得到第一预测结果数据,通过第一预测结果数据和对应的标签数据确定对应的交叉熵损失函数,得到第一损失函数,通过第一损失函数对第一网络模块进行训练,满足预设训练停止条件的情况,将得到的第一网络模型作为训练好的第一网络模块,其中,预设训练停止条件可以是训练次数满足预设训练次数阈值,也可以是在损失函数达到稳定状态,根据实际需要设定训练停止条件。第二训练阶段是对第二网络模块的训练,在疗效预测模型的第二训练阶段,对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据,将第二医学影像数据进行3D裁剪后,将得到的裁剪影像数据输入至训练好的第一网络模块中,输出第二特征数据;进一步地,将第一特征数据、第二特征数据、临床特征数据作为第二网络模块的输入参数,将对应的标签数据作为第二网络模块的标签数据,对第二网络模块进行训练,确定每一组输入参数对应的输出结果,计算输出结果与对应的标签数据之间的损失函数,通过计算得到的损失函数对第二网络模块进行训练,调整第二网络模块的参数,得到训练好的第二网络模块,将训练好的第一网络模块和训练好的第二网络模块构成待评估疗效预测模型。
在上述实施例的基础上,方法还包括:基于验证队列对待评估疗效预测模型进行评估,得到待评估疗效预测模型的评估结果;其中,评估过程包括:将验证队列作为待评估疗效预测模型的输入参数,待评估疗效预测模型输出预测结果,基于预测结果绘制对应的ROC曲线;基于ROC曲线确定AUC值,基于AUC值确定待评估疗效预测模型的评估结果。
其中,ROC:Receiver Operating Characteristic,受试者工作特征曲线;AUC:Area Under the ROC,ROC曲线下方面积。
具体的,将多个验证队列作为输入参数输入至待评估疗效预测模型,经待评估疗效预测模型进行处理后,得到每一验证队列对应的预测结果,基于得到的预测结果绘制对应的ROC曲线,计算AUC值以评价模型的预测性能,示例性的,在具体的模型评估中,使用ROC曲线、校准曲线、决策曲线来可视化判定模型的预测能力。另外,还计算特异性、敏感性、准确性、阳性预测值PPV和阴性预测值NPV,以更全面评估判定模型的效能,并使用综合判别改善IDI指数量化模型改善后的增益。
在一个具体的实施例中,通过影像组学和深度学习方法提取医学影像数据MRI上的MRI上的低级(边缘、纹理等)特征和高级语义特征,并结合临床特征进一步进行特征筛选,将筛选后的特征作为预测指标,构建pCR判定的CRDL融合模型,即疗效预测模型。可以使用scikit-learn机器学习包进行模型的开发和评估,其中训练队列(C1、C2)用于疗效预测模型模型开发,外部验证队列(C3、C4、C5)用于模型性能评估。以Logistics回归作为分类器,建立判定是否pCR的有监督学习模型。我们对分类器进行了多轮迭代,以准确地拟合输入特征与标签之间的线性关系。为了选择最适合模型的模型超参数,使用网格搜索的方法对训练队列进行了5折交叉验证,并以AUC值作为精度的度量指标,确定模型的最佳参数。
S150、将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。
具体的,将裁剪影像数据作为输入参数输入至第一网络模块中,由第一网络模块处理,得到对应的第二特征数据,然后将第一特征数据、第二特征数据、临床特征数据作为输入参数输入至第二网络模块中,经第二网络模块处理,确定第二医学影像数据相对于第一医学影像数据的疗效预测结果,即预测治疗后的影像数相较于治疗前的影像数据所表征的治疗效果是否满足pCR。
本实施例的技术方案,通过获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据;对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域;对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;调用预训练的疗效预测模型,疗效预测模型包括第一网络模块、第二网络模型,其中,第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,第二网络模块由特征筛选子模块和分类子模块构成;将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。本技术方案通过对第一医学影像数据、第二医学影像数据、临床特征数据等多模态数据综合处理以得到准确的预测结果,以解决现有技术中的疗效预测方法存在模态单一、疗效预测不准确的问题,使得数据参考依据更加的全面,提高了基于多模态数据的乳腺癌疗效预测的准确性。
实施例二
图2是本发明实施例二提供的一种基于多模态数据的乳腺癌疗效预测方法的流程图,本实施例是上述实施例的方法的进一步优化,裁剪影像数据包括第一类影像数据和第二类影像数据;基于第一网络模块中的第一卷积神经网络子模块对第一类影像数据进行特征提取,得到第一类特征数据;基于第一网络模块中的第二卷积神经网络子模块对第二类影像数据进行特征提取,得到第二类特征数据;基于第一网络模块中的特征融合子模块对第一类特征数据和第二类特征数据进行特征融合,得到第二特征数据。
如图2所示,该方法包括:
S210、获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据。
S220、对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域。
S230、对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据。
S240、调用预训练的疗效预测模型,疗效预测模型包括第一网络模块、第二网络模型,其中,第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,第二网络模块由特征筛选子模块和分类子模块构成。
S250、裁剪影像数据包括第一类影像数据和第二类影像数据。
示例性的,第一类影像数据可以是治疗后的DCE-MRI医学影像数据,第二类影像数据可以是治疗后的ADC-MRI医学影像数据。
S260、基于第一网络模块中的第一卷积神经网络子模块对第一类影像数据进行特征提取,得到第一类特征数据。
其中,第一卷积神经子网络模块是第一网络模块中的任一子网络模块,用于提取医学影像数据中的特征信息。
具体的,将第一类影像数据输入至第一网络模块中的第一卷积神经子网络模块,用于对第一类影像数据进行特征提取处理,得到第一类特征数据。
S270、基于第一网络模块中的第二卷积神经网络子模块对第二类影像数据进行特征提取,得到第二类特征数据。
其中,第二卷积神经子网络模块是第一网络模块中的任一子网络模块,用于提取医学影像数据中的特征信息,与上述提到的第一卷积神经子网络模块本质一样,第二卷积神经网络子模块与第一卷积神经网络子模块只是用于区分不同的子模块。
具体的,将第二类影像数据输入至第一网络模块中的第二卷积神经子网络模块,用于对第二类影像数据进行特征提取处理,得到第二类特征数据。
需要说明的是,第二卷积神经网络子模块与第一卷积神经网络子模块分别对第二类影像数据和第一类影像数据采用并行处理方式,分别得到第一类影像数据对应的第一类特征数据和第二类影像数据对应的第二类特征数据,可以提高对医学影像数据处理的速度。
S280、基于第一网络模块中的特征融合子模块对第一类特征数据和第二类特征数据进行特征融合,得到第二特征数据。
具体的,在确定完成第一类特征数据和第二类特征数据之后,再通过特征融合子模块将对第一类特征数据和第二类特征数据进行特征融合,得到第二特征数据。
在一个具体的实施例中,为深度挖掘MRI影像数据上的特征信息,通过设计一种基于自注意力机制的3D深度学习网络结构,即第一网络模块。该结构主要由两个3D-ResNet18的并行backbone和一个特征融合模块构成,其中,两个3D-ResNet18的并行backbone分别作为第一卷积神经网络子模块和第二卷积神经网络子模块,特征融合模块包括张量融合和自注意力机制融合,即为第一网络模块中的特征融合子模块,其中两个3D-ResNet18backbone共享网络参数。多个输入序列首先通过3D-ResNet18网络初步提取特征,然后经过该多序列的特征融合模块,最终获取多序列深度学习融合特征。该网络同时接收到多个输入,包括新辅助治疗NAT后的DCE、ADC的裁剪影像,裁剪区域主要来自于治疗后经过配准的ROI(Region of Interest,感兴趣区域)区域。考虑到标签配准误差的影响,将配准的ROI区域分别在层内、层间经过5mm、2mm的形态学膨胀,同时裁剪区域包括ROI周围的背景区域。该裁剪区域被重采样为96×96×32的大小,并对非零体素值进行了0-1标准化处理。训练过程中使用Adam优化器,初始learning rate设置为5×10-4的大小,训练输入batch size大小为4,epoch大小为150轮次,采用交叉熵损失函数监督训练过程。深度学习网络训练结束后,将最后一个全连接层的输出256维向量作为提取到的深度学习特征。
S290、将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。
在一个具体的实施例中,如图3所示的一种疗效预测模型的结构示意图。将目标对象的NAT治疗后的DCE-MRI和ADC-MRI影像数据进行3D影像裁剪处理,分别得到对应的裁剪影像数据,将裁剪影像数据输入至第一网络模块中,由第一网络模块中的第一卷积神经网络子模块和第二卷积神经网络子模块分别对DCE-MRI和ADC-MRI影像数据对应的裁剪影像数据进行特征提取,得到对应的第一类特征数据和第二类特征数据,再通过特征融合子模块对第一类特征数据和第二类特征数据进行特征融合处理,得到第二特征数据。对NAT治疗后的DCE-MRI和ADC-MRI影像数据结合NAT治疗前的DCE-MRI和ADC-MRI影像数据通过影像组学分析方法进行特征提取处理,得到第一特征数据,将第一特征数据、第二特征数据和临床特征数据输入至第二网络模块,由第二网络模块中的特征筛选子模块和分类子模块对多种模态数据进行处理,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。
本实施例的技术方案,通过获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据;对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域;对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;调用预训练的疗效预测模型,疗效预测模型包括第一网络模块、第二网络模型,其中,第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,第二网络模块由特征筛选子模块和分类子模块构成;裁剪影像数据包括第一类影像数据和第二类影像数据;基于第一网络模块中的第一卷积神经网络子模块对第一类影像数据进行特征提取,得到第一类特征数据;基于第一网络模块中的第二卷积神经网络子模块对第二类影像数据进行特征提取,得到第二类特征数据;基于第一网络模块中的特征融合子模块对第一类特征数据和第二类特征数据进行特征融合,得到第二特征数据。将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。本技术方案通过对第一医学影像数据、第二医学影像数据、临床特征数据等多模态数据综合处理以得到准确的预测结果,以解决现有技术中的疗效预测方法存在模态单一、疗效预测不准确的问题,使得数据参考依据更加的全面,提高了基于多模态数据的乳腺癌疗效预测的准确性。
实施例三
图4是本发明实施例三提供的一种基于多模态数据的乳腺癌疗效预测装置的结构示意图。如图4所示,该装置包括:
数据获取模块410,用于获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据;
裁剪影像数据确定模块420,用于对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域;
第一特征数据确定模块430,用于对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;
疗效预测模型调用模块440,用于调用预训练的疗效预测模型,疗效预测模型包括第一网络模块、第二网络模型,其中,第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,第二网络模块由特征筛选子模块和分类子模块构成;
疗效预测结果确定模块450,用于将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。
本实施例的技术方案,通过数据获取模块获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据;裁剪影像数据确定模块对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域;第一特征数据确定模块对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;疗效预测模型调用模块调用预训练的疗效预测模型,疗效预测模型包括第一网络模块、第二网络模型,其中,第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,第二网络模块由特征筛选子模块和分类子模块构成;疗效预测结果确定模块将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。本技术方案通过对第一医学影像数据、第二医学影像数据、临床特征数据等多模态数据综合处理以得到准确的预测结果,以解决现有技术中的疗效预测方法存在模态单一、疗效预测不准确的问题,使得数据参考依据更加的全面,提高了基于多模态数据的乳腺癌疗效预测的准确性。
在上述实施例的基础上,可选的,在获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据之后,数据获取模块410还具体用于:
基于第一医学影像数据对第二医学影像数据进行配准处理,得到配准后的第二医学影像数据,其中,第一医学影像数据中包括已勾画出的感兴趣区域。
可选的,数据获取模块410还具体用于:获取临床原始数据,对临床原始数据进行数据清洗,得到结构化的临床特征数据。
可选的,疗效预测结果确定模块450,具体用于:
基于第一网络模块中的第一卷积神经网络子模块对第一类影像数据进行特征提取,得到第一类特征数据;
基于第一网络模块中的第二卷积神经网络子模块对第二类影像数据进行特征提取,得到第二类特征数据;
基于第一网络模块中的特征融合子模块对第一类特征数据和第二类特征数据进行特征融合,得到第二特征数据。
可选的,疗效预测模型调用模块440,具体用于:
获取样本数据集,将样本数据集划分为训练队列和验证队列;其中,样本数据集包括样本对象在第一阶段的第一医学影像数据和样本对象在第二阶段的第二医学影像数据,以及获取样本对象的临床特征数据、病理结果数据,病理结果数据作为疗效预测模型的标签数据;
对训练队列中的第二医学影像数据进行裁剪处理,得到裁剪影像数据;
在疗效预测模型的第一训练阶段,将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第二特征数据输入至第二网络模块,得到第一预测结果数据,基于第一预测结果数据和对应的标签数据确定第一损失函数,基于第一损失函数对第一网络模块进行训练,得到训练好的第一网络模块;
在疗效预测模型的第二训练阶段,对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;基于第一特征数据、第二特征数据、临床特征数据和对应的标签数据对第二网络模块进行训练,得到训练好的第二网络模块;
训练好的第一网络模块和训练好的第二网络模块构成待评估疗效预测模型。
基于验证队列对待评估疗效预测模型进行评估,得到待评估疗效预测模型的评估结果;
其中,评估过程包括:将验证队列作为待评估疗效预测模型的输入参数,待评估疗效预测模型输出预测结果,基于预测结果绘制对应的ROC曲线;基于ROC曲线确定AUC值,基于AUC值确定待评估疗效预测模型的评估结果。
本发明实施例所提供的基于多模态数据的乳腺癌疗效预测装置可执行本发明任意实施例所提供的基于多模态数据的乳腺癌疗效预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5是本发明实施例四提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如基于多模态数据的乳腺癌疗效预测方法。
在一些实施例中,基于多模态数据的乳腺癌疗效预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基于多模态数据的乳腺癌疗效预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于多模态数据的乳腺癌疗效预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用参照产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行基于多模态数据的乳腺癌疗效预测方法,该方法包括:
获取目标对象在第一阶段的第一医学影像数据和目标对象在第二阶段的第二医学影像数据,第一阶段在第二阶段之前;以及获取目标对象的临床特征数据;
对第二医学影像数据进行裁剪,得到裁剪影像数据,裁剪影像数据中包括感兴趣区域;
对第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;
调用预训练的疗效预测模型,疗效预测模型包括第一网络模块、第二网络模型,其中,第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,第二网络模块由特征筛选子模块和分类子模块构成;
将裁剪影像数据输入至第一网络模块,得到第二特征数据,将第一特征数据、第二特征数据、临床特征数据输入至第二网络模块,得到第二医学影像数据相对于第一医学影像数据的疗效预测结果。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
Claims (10)
1.一种基于多模态数据的乳腺癌疗效预测方法,其特征在于,包括:
获取目标对象在第一阶段的第一医学影像数据和所述目标对象在第二阶段的第二医学影像数据,所述第一阶段在第二阶段之前;以及获取所述目标对象的临床特征数据;
对所述第二医学影像数据进行裁剪,得到裁剪影像数据,所述裁剪影像数据中包括感兴趣区域;
对所述第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;
调用预训练的疗效预测模型,所述疗效预测模型包括第一网络模块、第二网络模型,其中,所述第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,所述第二网络模块由特征筛选子模块和分类子模块构成;
将所述裁剪影像数据输入至所述第一网络模块,得到第二特征数据,将所述第一特征数据、所述第二特征数据、所述临床特征数据输入至所述第二网络模块,得到所述第二医学影像数据相对于所述第一医学影像数据的疗效预测结果。
2.根据权利要求1所述的方法,其特征在于,在获取目标对象在第一阶段的第一医学影像数据和所述目标对象在第二阶段的第二医学影像数据之后,还包括:
基于所述第一医学影像数据对所述第二医学影像数据进行配准处理,得到配准后的所述第二医学影像数据,其中,所述第一医学影像数据中包括已勾画出的感兴趣区域。
3.根据权利要求1所述的方法,其特征在于,所述获取所述目标对象的临床特征数据,包括:
获取临床原始数据,对所述临床原始数据进行数据清洗,得到结构化的所述临床特征数据。
4.根据权利要求1所述的方法,其特征在于,所述第二网络模块中的特征筛选子模块用于对输入的至少一类特征数据进行特征筛选,确定满足预设需求的目标特征数据;所述第二网络模块中的分类子模块用于对所述目标特征数据进行特征分类处理,以得到所述疗效预测模型的预测结果。
5.根据权利要求1所述的方法,其特征在于,所述裁剪影像数据包括第一类影像数据和第二类影像数据;
所述将所述裁剪影像数据输入至所述第一网络模块,得到第二特征数据,包括:
基于所述第一网络模块中的第一卷积神经网络子模块对所述第一类影像数据进行特征提取,得到第一类特征数据;
基于所述第一网络模块中的第二卷积神经网络子模块对所述第二类影像数据进行特征提取,得到第二类特征数据;
基于所述第一网络模块中的特征融合子模块对所述第一类特征数据和所述第二类特征数据进行特征融合,得到所述第二特征数据。
6.根据权利要求1所述的方法,其特征在于,所述疗效预测模型的训练方法包括:
获取样本数据集,将所述样本数据集划分为训练队列和验证队列;其中,所述样本数据集包括样本对象在第一阶段的第一医学影像数据和所述样本对象在第二阶段的第二医学影像数据,以及获取所述样本对象的临床特征数据、病理结果数据,所述病理结果数据作为所述疗效预测模型的标签数据;
对所述训练队列中的第二医学影像数据进行裁剪处理,得到裁剪影像数据;
在所述疗效预测模型的第一训练阶段,将所述裁剪影像数据输入至所述第一网络模块,得到第二特征数据,将所述第二特征数据输入至所述第二网络模块,得到第一预测结果数据,基于所述第一预测结果数据和对应的标签数据确定第一损失函数,基于所述第一损失函数对所述第一网络模块进行训练,得到训练好的所述第一网络模块;
在所述疗效预测模型的第二训练阶段,对所述第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;基于所述第一特征数据、所述第二特征数据、所述临床特征数据和对应的标签数据对所述第二网络模块进行训练,得到训练好的所述第二网络模块;
所述训练好的第一网络模块和所述训练好的第二网络模块构成待评估疗效预测模型。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
基于所述验证队列对所述待评估疗效预测模型进行评估,得到所述待评估疗效预测模型的评估结果;
其中,评估过程包括:将所述验证队列作为所述待评估疗效预测模型的输入参数,所述待评估疗效预测模型输出预测结果,基于所述预测结果绘制对应的ROC曲线;基于所述ROC曲线确定AUC值,基于所述AUC值确定所述待评估疗效预测模型的评估结果。
8.一种基于多模态数据的乳腺癌疗效预测装置,其特征在于,包括:
数据获取模块,用于获取目标对象在第一阶段的第一医学影像数据和所述目标对象在第二阶段的第二医学影像数据,所述第一阶段在第二阶段之前;以及获取所述目标对象的临床特征数据;
裁剪影像数据确定模块,用于对所述第二医学影像数据进行裁剪,得到裁剪影像数据,所述裁剪影像数据中包括感兴趣区域;
第一特征数据确定模块,用于对所述第一医学影像数据和第二医学影像数据进行特征提取处理,得到第一特征数据;
疗效预测模型调用模块,用于调用预训练的疗效预测模型,所述疗效预测模型包括第一网络模块、第二网络模型,其中,所述第一网络模块由两个卷积神经网络子模块和特征融合子模块构成,所述第二网络模块由特征筛选子模块和分类子模块构成;
疗效预测结果确定模块,用于将所述裁剪影像数据输入至所述第一网络模块,得到第二特征数据,将所述第一特征数据、所述第二特征数据、所述临床特征数据输入至所述第二网络模块,得到所述第二医学影像数据相对于所述第一医学影像数据的疗效预测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基于多模态数据的乳腺癌疗效预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于多模态数据的乳腺癌疗效预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410149117.XA CN117974604A (zh) | 2024-02-02 | 2024-02-02 | 一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410149117.XA CN117974604A (zh) | 2024-02-02 | 2024-02-02 | 一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974604A true CN117974604A (zh) | 2024-05-03 |
Family
ID=90857748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410149117.XA Pending CN117974604A (zh) | 2024-02-02 | 2024-02-02 | 一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974604A (zh) |
-
2024
- 2024-02-02 CN CN202410149117.XA patent/CN117974604A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111313B (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
CN106815481B (zh) | 一种基于影像组学的生存期预测方法及装置 | |
CN112906502A (zh) | 目标检测模型的训练方法、装置、设备以及存储介质 | |
CN110705403A (zh) | 细胞分类方法、装置、介质及电子设备 | |
CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
CN114565763B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
CN113936011A (zh) | 基于注意力机制的ct影像肺叶图像分割系统 | |
CN115018805A (zh) | 分割模型训练方法、图像分割方法、装置、设备及介质 | |
CN116485817A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN114708301A (zh) | 一种运动伪影识别方法、装置、存储介质及电子设备 | |
CN112465050B (zh) | 一种图像模板选择方法、装置、设备及存储介质 | |
CN114972220B (zh) | 一种图像处理方法、装置、电子设备及可读存储介质 | |
CN114972361B (zh) | 一种血流分割方法、装置、设备及存储介质 | |
CN117974604A (zh) | 一种基于多模态数据的乳腺癌疗效预测方法、装置及电子设备 | |
CN115631370A (zh) | 一种基于卷积神经网络的mri序列类别的识别方法及装置 | |
CN112634226B (zh) | 头部ct图像检测装置、方法、电子设备及存储介质 | |
CN113723461B (zh) | 超声设备及超声图像分析方法 | |
Vidya et al. | Automated detection of intracranial hemorrhage in noncontrast head computed tomography | |
CN117333487B (zh) | 一种痘痘分级方法、装置、设备及存储介质 | |
CN115578564B (zh) | 实例分割模型的训练方法、装置、电子设备及存储介质 | |
CN117275130B (zh) | 基于人脸识别的智慧门禁验证系统 | |
CN117808823A (zh) | 冠脉血管分割处理方法、装置、电子设备及存储介质 | |
CN114419068A (zh) | 一种医学图像的分割方法、装置、设备及存储介质 | |
CN118015401A (zh) | 一种模型训练、目标检测方法、装置、电子设备及存储介质 | |
CN115239994A (zh) | 应用于甘草饮片的等级信息生成方法、装置和电子设备 |
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 |