[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

说明书

本发明属于计算机医学图像处理技术领域。具体为一种的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和系统。本发明具有6个卷积层和4096个神经元的完全连接层的卷积神经网络来识别磁共振图像中的肿瘤区域；通过费舍尔向量编码从最后的卷积层中提取深层反应；卷积神经网络为每个病例生成16384个高通量图像特征；基于配对的t检验和F分数和p值筛选方法识别与IDH1高度相关联的卷积神经网络特征；采用支持向量机作为分类器。在IDH1预测中，在相同的数据集的条件下，常规影像组学方法的工作特征曲线下面积为86％，而本发明的AUC为92％；使用基于多模态磁共振图像时，IDH1预测的AUC提高到95％。本发明可以成为从医学图像中提取深层信息更有效的方法。

技术领域

发明属于计算机医学图像处理技术领域，具体涉及基于深度学习的影像组学(Deep Learning-Based Radiomics,DLR)的低级别脑胶质瘤柠檬酸脱氢酶(IsocitrateDehydrogenase 1,IDH1)无损预测方法及系统。

背景技术

影像组学(Radiomics)是一种新兴的方法，通过对高通量图像特征进行一系列定性和定量分析，从医学图像中获得预测或预后信息[1]。近年来，影像组学的方法被应用于各种医学图像分析，并提供了不同疾病的基因-蛋白质特征与患者结果、肿瘤表型之间相关联的信息 [2][3]。通常，影像组学分析的过程包括图像采集，图像分割，特征提取，特征选择和信息分析。现有的影像组学测序方法有三个基本问题。第一，图像分割步骤通常依赖于手动操作，这个过程既耗时又受到不同标准的影响。即使图像分割准确，也没有图像特征提取的标准评估方法，不同的图像特征将导致不同的分析结果。第二，由于难以验证图像特征的准确性和可重复性，图像特征的计算错误，可能会产生额外的错误。第三，目前的影像组学的方法通过使用几组图像特征(包括强度，形状，纹理和小波)来表征医学图像。虽然可以计算许多这样的图像特征，但是不可能将分段区域的所有这些成像特征包括在预先设计的特征中。

为了克服影像组学方法的缺点，本发明采用了一种更为先进的方法，称为基于深度学习的影像组学方法(DLR)。DLR通过归一化来深度神经网络的信息来获得影像组学特征。DLR的主要假设是，一旦图像被深层神经网络精确分割，所有关于分割区域的信息都已经被包含在网络中。与目前影像组学的计算方法不同，在DLR中，高通量图像特征直接从深度神经网络中提取出来。因为DLR不涉及额外的特征提取操作，所以由于特征计算，在影像组学分析中不会引入额外的误差。特征的有效性仅与分割的质量有关。如果肿瘤已被精确分割，则可以保证图像特征的准确性和有效性。

在本发明所提出的DLR方法中，采用的是一种改进的卷积神经网络(Convolutional Neural Network)。卷积神经网络是一种用于深度学习的代表性方法，已经成功应用于图像分割领域。近来，许多人利用卷积神经网络进行医学图像分割，它提供了比传统方法更好的效果。在基于磁共振图像的胶质瘤分割中，大多数卷积神经网络方法被提出应用于高级胶质瘤。与高级胶质瘤相比，低级胶质瘤较小，与周围组织的对比度较低。现有的卷积神经网络结构对于低分化胶质瘤的分割效果并不理想。因此，卷积神经网络的主要架构调整对于图像分割和特征提取都是至关重要的。为了解决低级胶质瘤的难题，本发明使用了6个卷积层的改进的卷积神经网络结构4096个神经元的完全连接层进行分割。

通过卷积神经网络获得的更准确的分割结果，可以提取更多的信息。与传统的计算特征不同，卷积神经网络使用整个图像的卷积内核的操作保留了大量的全局空间信息。实际上，卷积神经网络提取特征在许多领域中比传统计算特征显示出更好的性能，如场景识别，变换域转移和边缘识别。最近，对于纹理属性的识别，卷积神经网络提取的特征展现了理想的结果，并且卷积神经网络的表现至少胜过传统方法10％。在DLR中，卷积神经网络特征从最后一个卷积层提取出来。利用费舍尔向量从不同尺寸的磁共振图像切片中归一化网络信息；卷积神经网络为每种情况生成16384个高通量图像特征。