[发明专利]基于深度学习CT影像组学的结直肠癌生存期预测方法

说明书

本发明公开了一种基于深度学习CT影像组学的结直肠癌生存期预测方法。属于医学图像处理技术领域。具体步骤：(1)、获取数据；(2)、对CT影像组学数据进行结直肠肿瘤区域标注；(3)、对获取数据进行预处理；(4)、构建基于深度神经网络的特征学习模型；(5)、利用Lasso回归对结直肠癌CT影像组学深度高通量特征降维，建立患者的风险评分模型；(6)、根据风险评分分组；(7)、曲线及特征有效性验证；(8)、构建深度神经网络多任务逻辑回归(DNN‑MTLR)模型进行生存期概率预测；本发明在得到病人拍摄CT图像后导入系统分析，结果可为医师(特别是年轻经验不足的放射科医生)提供参考，以便更好地了解病人病情并进行下一步决策。

技术领域

本发明属于医学图像处理技术领域，可用于智慧医疗疾病诊断，介绍了一种基于深度学习CT影像组学的结直肠癌生存期预测方法，最终得出结直肠癌病人的五年无病生存期(DFS)概率。

背景技术

结直肠癌是一种胃肠道中常见的恶性肿瘤，其发病率和死亡率都很高。根据 2018年国际肿瘤研究机构对全球调查结果显示，其中结直肠癌发病率排名第三，仅次于肺癌和乳腺癌。死亡率排在第二，仅次于肺癌。在国内，经济条件较发达的地区与东南沿海地区发病率与死亡率也是处于显著增加的趋势。

准确预测病人的生存期具有重要的临床价值以及社会价值。对于医生而言， (尤其对于年轻的经验不足的医生)准确预测病人的生存期可帮助医生更好地了解患者病情，得出诊断，做出最优得医疗决策。对于病人而言，准确预测病人的生存期，可为病人提供科学的生存预期，从而更好了解自身的身体状况。从而指导病人科学依从治疗计划，避免过度医疗，减轻家庭经济负担，也有助于改善医患关系。

随着影像学和人工智能技术的发展，计算机断层扫描(CT)、正电子发射断层扫描(PET)、核磁共振(MR)等成像技术在肿瘤的诊断、诊疗、预后等扮演者越来越重要的角色。医学影像的作用也从以往的疾病诊断和筛查等传统分析方式逐渐转变为个体化精确诊疗。未来医学发展的主流方向是精确医学，精确医学需要考虑到个体差异性预防以及相应的诊断和治疗策略。人工智能与医学结合也是未来医学未来发展的必经之路，人工智能的实现离不开机器学习，而深度学习就是其中的技术之一。可将深度学习技术与CT影像组学特征结合用于结直肠癌病人的生存期预测。

发明内容

针对上述问题，本发明提供了一种基于深度学习CT影像组预测CRC(结直肠癌)病人生存期的一种新方法；特别是提出了一种基于深度学习CT影像组学的结直肠癌生存期预测方法。

本发明的技术方案是：基于深度学习CT影像组学的结直肠癌生存期预测方法，具体步骤包括如下：

步骤(1.1)、获取数据：所述的数据包括临床数据和CT影像组学数据；

步骤(1.2)、对CT影像组学数据进行结直肠肿瘤区域标注；

步骤(1.3)、对获取数据进行预处理；

步骤(1.4)、构建基于深度神经网络的特征学习模型，得到结直肠癌CT 影像组学数据的深度高通量特征；

步骤(1.5)、利用Lasso回归对结直肠癌CT影像组学数据的深度高通量特征降维，并建立患者的风险评分模型；

步骤(1.6)、根据患者的影像组学风险评分S,使用影像组学标签评分值的中值得到截断值T，将患者分为生存期高风险组和生存期低风险组；

步骤(1.7)、对得到的深度高通量特征使用绘画KM曲线并采用数据分析软件进行曲线评估与验证；

步骤(1.8)、构建深度神经网络多任务逻辑回归模型进行生存期概率预测。

进一步的，其特征在于，在步骤(1.1)中，具体的：