[发明专利]基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统

权利要求书

1.基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法，其特征在于，具体步骤为：

步骤一、通过深度学习进行图像分割

1.1数据的预处理

对于T1对比增强的磁共振图像，首先使用SPM配准到T2flair磁共振图像，然后利用Brainsuite软件从脑部磁共振图像中去除颅骨和头皮，并校正磁共振图像的偏倚；

1.2对脑部磁共振图像中的脑胶质瘤区域进行人工标注

对所有脑部磁共振图像进行人工标注，获得的手动分割结果被用作卷积神经网络训练阶段的金标准；

1.3基于卷积神经网络的脑胶质瘤分割

所述卷积神经网络是以现有处理脑胶质瘤最佳的卷积神经网络结构为基准，在其基础上增加2个卷积层至6个卷积层，全连接层的神经元数从256个增加到4096个；并选择修正线性单元作为激活函数，在每个卷积层之后对它们进行设置；另外，在每个完全连接层之后应用随机丢失层；在网络的最后，选择Softmax作为网络的输出分类层；

1.3.1卷积神经网络的训练

随机从脑部磁共振图像中获取训练样本，训练样本为33×33像素的小块；

去除一个通道中所有小块的平均灰度，然后依次对小块的灰度值和方差进行归一化；训练过程中，选择每个小块对应中心点的像素类别作为教师，使用随机梯度下降方法对卷积神经网络进行训练；

1.3.2利用卷积神经网络进行脑胶质瘤分割

在获得了训练好的网络之后,利用卷积神经网络对所有脑部磁共振图像进行分割：首先利用训练阶段得到的预处理参数对图像进行预处理，包括平均灰度值、归一化灰度值和方差，这样测试数据就与训练数据有了类似的参数分布；

步骤二、从肿瘤分割网络中获取肿瘤的描述特征

在确认网络能够识别肿瘤区域后，将肿瘤区域图像添加到训练好的卷积神经网络中，以获取网络中的深层相应作为肿瘤的描述特征；具体过程为：

2.1多尺度肿瘤区域的选取

对每个脑部磁共振图像中的脑胶质瘤区域，选取10个具有不同尺度的图像，图像缩放的比例从为0.5到2；

2.2利用卷积神经网络处理图像

在利用卷积神经网络提取特征的过程中将卷积神经网络作为图像滤波器，即将不同尺度图像输入到卷积神经网络，并从最后的卷积层的特征图生成肿瘤区域的特征；将同一病例的所有脑部磁共振图像连接起来作为该病例的卷积神经网络特征；

2.3利用一种改进的费舍尔向量对特征进行归一化

引入改进的费舍尔向量编码来对特征进行归一化和描述；通过构建使用高斯混合模型获得的视觉词典，将费舍尔向量汇总在多个局部特征描述符的向量统计量中；具体过程为：

2.3.1获取训练数据的高斯混合模型参数

基于训练数据统计获得具有64个高斯分量的高斯混合模型参数；

2.3.2由获得高斯混合模型获得所有数据的费舍尔向量

费舍尔向量描述128个最后一层卷积神经网络的滤波器中每一个的64个高斯分量中的每一个的一阶和二阶统计量，即产生具有16k维度(128×64×2)的描述特征；改进的费舍尔向量的计算由matlab中的VLfeat工具箱实现；图像X得到D维特征向量[x1,x2,…,xN]，其中D是指滤波器组的数量，N是特征的维数，即为对应病例包含的所有肿瘤切片包含的特征数目；编码器Θ(μk，wk，σk)保存高斯混合模型的第k个内核的参数；费舍尔向量是每个核的平均向量和协方差偏差向量的组合：

其中，j＝1,...D是向量维数，yik是每个xi到高斯混合模型的第k个核的后验概率；

从所有图像中提取卷积神经网络特征，经过费舍尔向量编码，获得的图像特征具有相同的维度，即每个病例有16384个特征值；

步骤三、特征选择

在得到费舍尔向量-卷积神经网络特征之后，选择与IDH1突变状态相关的特征，采用如下特征选择方法：

3.1利用t检验筛选特征

首先对特征进行假设检验，根据p值<0.05表示统计学意义的标准，将t检验应用于所有提取的特征，以识别具有显着区分效果的特征；

3.2利用F分数进一步筛选特征

为了提升分类判决准确率，进一步利用基于F分数的特征进一步处理，以去除不相关和多余的特征，第m个特征的F分数计算公式为：

F m = ( x m p ‾ - x m ‾ ) 2 + ( x m n ‾ - x m ‾ ) 2 1 n p - 1 Σ k = 1 n p ( x k , m p - x m p ‾ ) 2 + 1 n n - 1 Σ k = 1 n n ( x k , m n - x m n ‾ ) 2 - - - ( 3 ) ]]>

其中，和分别表示正样本的第m个特征的平均值，负样本的第m个特征的均值和所有样本的第m个特征的平均值；np和nn分别代表正样本和负样本的数量，和分别表示正样本和负样本的第k个样本的第m个特征的值；按照F分数从大到小排列即将特征的显著性从大到小排列；

步骤四、分类判决

在找到与IDH1突变状态表现出显著相关性的特征之后，使用支持向量机对病例进行分类判决；具体过程为：

4.1使用支持向量机进行留一法验证

选择支持向量机作为分类器，选择线性内核作为支持向量机的核函数，框约束c设置为1；IDH1预测使用留一法交叉验证，在进行了一个实验后用另一个独立验证集进行验证；

4.2计算评价分类标准的指标

通过几个指标用于评估模型的预测性能，这些指标包括：ROC曲线，AUC，精度ACC，灵敏度SENS，特异性SPEC，PPV，阴性预测值NPV和马修相关系数这7个参数，用于预测性能，并作为预测结果呈现。