[发明专利]一种基于深度图像特征预测胶质瘤分子亚型及预后方法

权利要求书

1.一种基于深度图像特征预测胶质瘤分子亚型及预后方法，其特征在于，包括以下步骤：

步骤1，构建数据集：所述数据集包括多例原发性胶质瘤患者的磁共振成像MRI；

步骤2，构建基于RA-UNet神经网络的特征提取器：

2-1，使用RA-UNet对步骤1的每一例原发性胶质瘤患者的磁共振成像MRI进行分割，生成分割结果，每一例原发性胶质瘤患者的磁共振成像MRI生成n个分割结果；

2-2，对步骤2-1所得到的分割结果，使用特征提取器提取高维特征，每一个分割结果提取的高维特征维数是(64，64，64，32)，集成到每一例原发性胶质瘤患者的磁共振成像MRI的高维特征维数是(n，64，64，64，32)；

步骤3，构建特征优化器：

3-1，对步骤2-2得到的高维特征使用主成分分析方法进行降维，经过主成分分析方法降维后的每一例原发性胶质瘤患者的磁共振成像MRI的特征维数是(n，1024，32)；

3-2，对步骤3-1得到的降维后的特征使用改进的Fishe Vector方法进行编码，归一化每一例原发性胶质瘤患者的磁共振成像MRI的特征维数，归一化将原始Fisher Vector中的内核k(X，Y)，替换为新的内核k₁(X，Y)：

其中

其中X＝{X_n，n＝1…N}是从肿瘤图像中提取的N个特征X_n的集合，Y是N个特征X_n的集合的子集，F_λ是μ_λ的Fisher信息矩阵，μ_λ是参数λ建模X的概率密度函数，是描述X的梯度向量，具有以下形式：

经过使用改进的Fishe Vector方法进行编码后，每一例原发性胶质瘤患者的磁共振成像MRI的特征维数归一化为(1，4096)；

3-3，对步骤3-2得到的归一化后的特征使用F-score方法作为优化标准，计算归一化后的特征的F-score值，将无法计算的编码后的特征剔除掉，获得最终优化后的特征；

步骤4，构建基于深度图像特征的DeepRA模型，所述DeepRA模型包括原发性胶质瘤分子亚型预测器及患者生存时间预测器：

4-1划分训练集和测试集：

将步骤3-3得到的最终优化后的特征划分成训练集和测试集；

4-2构建原发性胶质瘤分子亚型预测器：

用步骤4-1得到的训练集训练支持向量机SVM，利用测试集对支持向量机SVM进行测试，将原发性胶质瘤分子亚型作为分类标签；

4-3构建原发性胶质瘤患者生存时间预测器：

用步骤4-1得到的训练集训练支持向量机SVM，利用测试集对支持向量机SVM进行测试，，将原发性胶质瘤患者生存时间作为分类标签；

步骤5，对原发性胶质瘤分子亚型预测器及患者生存时间预测器进行性能评价；

步骤6，利用分子亚型预测器、生存时间预测器对病患的原发性胶质瘤患者的磁共振成像MRI进行预测。

2.如权利要求1所述的基于深度图像特征预测胶质瘤分子亚型及预后方法，其特征在于，所述步骤1中的数据集来自The Cancer Genome Atlas数据库。

3.如权利要求1所述的基于深度图像特征预测胶质瘤分子亚型及预后方法，其特征在于，所述数据集由50-100例原发性胶质瘤患者的磁共振成像MRI构成。

4.如权利要求1所述的基于深度图像特征预测胶质瘤分子亚型及预后方法，其特征在于，所述步骤2-1中，利用3D RA-UNet-II以64*64*64的分辨率为每个磁共振成像MRI随机提取切块，从每个磁共振成像MRI的400个分割结果中随机抽取约十个切块进行处理，若有一个切块留在肿瘤边界，再添加一个或两个切块。

5.如权利要求1所述的基于深度图像特征预测胶质瘤分子亚型及预后方法，其特征在于，所述步骤3-2中，Fisher Vector使用高斯混合模型GMMs的导数表示每个图像，利用Fisher Vector对每个切块进行编码，并使用最大似然ML标准和期望最大化EM算法对高斯混合模型进行训练。