[发明专利]基于乳腺MR影像组学的乳腺癌分子分型变化预测装置

说明书

本发明公开了一种基于乳腺MR影像组学的乳腺癌分子分型变化预测装置，包括：采集模块，用于采集乳腺癌患者的MR图像；分割模块，用于提取MR图像中的增强图像，并对增强图像中的肿物边缘进行勾画，得到标注的病灶区域；第一预测模块，用于提取病灶区域得到待处理图像，并对待处理图像进行图像预处理后输入到深度学习模型中，得到乳腺癌分子分型的第一预测结果；第二预测模块，用于提取增强图像中的特征数据，基于特征数据进行分析得到乳腺癌分子分型的第二预测结果；验证模块，用于对第一预测结果和第二预测结果进行鲁棒性的验证。本发明实施例通过第一预测结果和第二结果进行鲁棒性验证，能够有效提高对乳腺癌分子分型预测的准确性。

技术领域

本发明涉及计算机医学图像信息处理技术领域，尤其是涉及一种基于乳腺MR影像组学的乳腺癌分子分型变化预测装置。

背景技术

目前乳腺影像组学主要运用于：良恶性肿瘤的鉴别、对于新辅助治疗效果的预测、与预后因子的相关性(包括淋巴结转移状态、与Ki67表达的相关性等)、与分子分型及临床分期的相关性、复发风险的评估等。影像组学用于乳腺癌分子分型或免疫组化表达的研究，均是对基线分子分型或免疫组化的相关性研究，在常规做新辅助化疗前穿刺病理的免疫组化的情况下，现阶段对临床诊疗的价值有限，但证明了磁共振影像组学有区分不同分子分型乳腺癌的能力，为在各分子分型组内进行影像组学研究提供了基础。对于影像组学用于乳腺癌新辅助治疗的疗效评估主要着眼于对病理完全缓解(pCR)的预测，此外，也有专门针对HER-2阳性型乳腺癌及其亚型预后的研究和对新辅助治疗不敏感的患者预后的研究，均得到了较为理想的预测模型，乳腺癌影像组学的研究已经具有一定的技术基础和经验。现有的乳腺癌分子分型变化预测装置仅采用深度学习方法进行乳腺癌分子分型预测分析，但是深度学习方法并不具有因果逻辑性，导致预测的结果不准确。

发明内容

本发明提供一种基于乳腺MR影像组学的乳腺癌分子分型变化预测装置，以解决现有的乳腺癌分子分型变化预测装置仅采用深度学习方法进行乳腺癌分子分型预测分析，导致预测的结果不准确的技术问题。

本发明的实施例提供了一种基于乳腺MR影像组学的乳腺癌分子分型变化预测装置，包括：

采集模块，用于采集通过纳入及排除标准的MR图像，其中，所述通过纳入及排除标准的MR图像包括病例纳入及排除标准和MR纳入及排除标准；

分割模块，用于提取所述MR图像中的增强图像，并对所述增强图像中的肿物边缘进行勾画，得到标注的病灶区域；

第一预测模块，用于提取所述病灶区域得到待处理图像，并对所述待处理图像进行图像预处理后输入到深度学习模型中，得到乳腺癌分子分型的第一预测结果；

第二预测模块，用于提取所述增强图像中的特征数据，基于所述特征数据进行分析得到乳腺癌分子分型的第二预测结果；

验证模块，用于对所述第一预测结果和所述第二预测结果进行鲁棒性的验证，使得第一预测结果和第二预测结果能够相互验证，并根据验证结果确定最终的预测结果。

进一步的，所述分割模块，具体用于：

导出DICOM格式的乳腺癌MR图像，并将所述乳腺癌MR图像进行脱敏处理，提取所述MR图像中的增强图像，并对所述增强图像中的肿物边缘进行勾画，得到标注的病灶区域。

进一步的，所述提取所述病灶区域得到待处理图像，具体为：

对DCE成像中的MR图像的所述病灶区域进行标注以及拷贝，并分别通过T1加权成像、T2加权成像、扩散加权成像提取所述病灶区域，得到待处理图像。

进一步的，所述对所述待处理图像进行图像预处理后输入到深度学习模型中，得到乳腺癌分子分型的第一预测结果，具体为：