[发明专利]基于多序列MRI全局信息的胶质瘤患者术后生存期预测方法

说明书

本发明提供了一种本发明提供一种基于多序列MRI全局信息的胶质瘤患者术后生存期预测方法，通过对四个模态的影像进行数据预处理操作后，按照T1、FLAIR、T2和T1ce的顺序进行拼接，采用基于3D ResNet 50网络模型进行预测，在预测过程中引入年龄特征对全局特征进行加权。本发明提出的基于全局信息的胶质瘤患者生存期三维回归预测方法，通过对多序列磁共振影像进行裁剪后便于学习肿瘤大小、位置、形状、纹理、异质性等特征。在BraTS 2020验证集上取得了较为理想的预测结果。

技术领域

本发明涉及一种影像分析领域，尤其是一种利用核磁共振影像进行患者生存期预测的方法，本发明利用三维卷积神经网络根据多序列核磁共振影像的全局信息进行预测胶质瘤患者生存期。

背景技术

近年来，胶质瘤发病率呈逐年增高的趋势，其恶性程度高、致死率高，已经成为严重影响人类健康的恶性肿瘤之一。由于存在图像退化、胶质瘤影像学病理表征复杂、个体差异明显等困难，胶质瘤患者生存期预测存在较大挑战。现在的方法大多是基于手工设计的特征，采用传统的机器学习方法。但是提取手工设计的特征极大地依赖分割标注，一旦分割标注不准确，势必会导致特征可靠性的下降。与此同时，深度学习的迅猛发展使其被广泛地应用于计算机视觉等领域。其中深度学习的经典网络模型：三维残差神经网络(3DResidual Neural Network,3D ResNet)被逐渐地应用在医学图像处理领域之中。如腾讯医疗团队使用基于三维卷积神经网络的MedicalNet网络模型从多序列磁共振影像中分割胶质瘤。

发明内容

为了克服现有技术的不足，本发明提供一种基于多序列MRI全局信息的胶质瘤患者术后生存期预测方法。为了在术前为医生制定治疗方案提供建议与参考，准确有效地预测胶质瘤患者的预后生存期是有必要的，本发明提出了一种基于多序列磁共振影像全局信息融合的胶质瘤患者术后生存期预测方法。在训练阶段，获得的数据集中包括了患者的年龄信息和具有T1、T1 ce、T2、FLAIR四个模态的磁共振影像。通过对四个模态的影像进行数据预处理操作后，按照T1、FLAIR、T2和T1 ce的顺序进行拼接，采用基于3D ResNet 50网络模型进行预测。由于年龄与患者预后恢复情况有关，在预测过程中引入年龄特征对全局特征进行加权。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1.数据预处理；

首先将体素进行数据归一化处理，将数据映射到[0,1]区间上，便于网络模型学习，如式(1)所示：

其中，x′表示归一化后的体素值，x表示核磁共振影像的体素值，表示非零体素值的均值，σ表示非零体素值的标准差；

将多序列核磁共振影像的黑边裁切掉，将裁切黑边后的影像采用最近邻插值法缩放至d*h*w大小，其中d表示深度，h表示长度，w表示宽度，按照T1、FLAIR、T2和T1 ce的顺序按通道进行拼接；

步骤2.回归预测；

将包含肿瘤大小、位置、形状、纹理的全局信息的多序列磁共振影像作为训练数据，输入到基于3D ResNet 50的三维回归网络模型中进行回归预测；

通过计算损失函数，进行梯度反向传播更新模型参数；首先对预测模型输出的结果进行分类，然后当存在预测结果与真实情况类别不一致的数据时，对类别不一致的数据计算损失函数，进行梯度反向传播更新；当前批次中的所有数据的预测结果都与对应的真实情况类别相同时，对批次中的所有数据计算损失函数，损失函数如式(5)所示：