[发明专利]用于肝细胞癌微血管侵犯预测的方法及系统

说明书

本申请提供了用于肝细胞癌微血管侵犯预测方法及系统，其将收到的待检测患者的影像图像作为输入提供给预先训练好的用于进行病灶分割的深度神经网络，以得到该影像图像上与病灶相关的区域；以及基于与病灶相关的区域提取特征并输入给预先训练好的微血管侵犯预测模型来对该患者是否存在肝癌MVI进行预测。该方案实现了对肝癌MVI预测的全自动流程，不再受医生主观经验的影响，改善了术前预测肝癌MVI的效率和准确性。

技术领域

本发明涉及医疗信息化领域，尤其涉及利用计算机实现的术前预测肝细胞癌微血管侵犯(也可简称为肝癌MVI)的系统及方法。

背景技术

肝细胞癌(HCC,hepatocellular carcinoma)是最常见的原发性肝脏恶性肿瘤之一，其发病率在世界范围内不断增加。随着医学技术的发展，肝癌的治疗效果取得很大进步，其中以手术切除及肝移植为主的外科手术依然是最有效的治疗方式。但是肝癌术后复发率高，手术切除后5年复发率约为70％，而肝移植术后5年复发率约为35％。有研究结果证实微血管侵犯(MVI,Microvascularinvasion)是影响HCC治疗后复发和转移的独立危险因子。术前预测MVI对评估HCC患者预后、选择手术方案及制定抗复发转移治疗方案具有重要意义。例如，如果对具有高MVI风险的病人进行肝切除治疗时，可以选择基于Couinaud段的解剖性肝切除。与非解剖切除相比，解剖性切除可以完全切除带有肿瘤的门静脉支持，更有效地根除肝内MVI，降低复发率。对于接受肝移植的HCC病人，没有MVI风险的病人已被证明拥有更好的预后结果。因此，精准预测MVI是改善HCC患者预后的重要突破口。

由于肿瘤内异质性导致抽样误差和存在种植转移的可能性，故使用术前活检检测MVI不可行。目前术前预测肝癌MVI的研究中较为普遍的是采用影像组学(Radiomics)方法，其借助于计算机从大量医学影像图像中提取影像组学特征，使用统计学和/或机器学习方法进行分类或预测以用于疾病的定性、肿瘤分级分期、疗效评估和预后预测等。而其中影像组学特征的提取往往依赖于专业医生在影像图像上标注和分割的病灶区域(比如癌症或肿瘤区域)。这种采用人工标注与分割的方式不仅耗费人力与时间成本较大，难以对较大的样本量进行处理，而且还带有很强的主观性，这是因为不同水平的医生可能因个人经验不同产生不同的判断，由此不同医生所标注的区域存在主观偏差。这些因素无疑会对术前预测肝癌MVI的效率和准确性造成影响。

发明内容

因此，本发明实施例的目的在于提供一种全自动的肝癌MVI预测方法及系统。上述目的是通过以下技术方案实现的：

根据本发明实施例的第一方面，提供了一种用于肝细胞癌微血管侵犯预测的方法，其包括将收到的待检测患者的影像图像作为输入提供给预先训练好的用于进行病灶分割的深度神经网络，以得到该影像图像上与病灶相关的区域；以及基于影像图像上与病灶相关的区域提取特征并输入给预先训练好的微血管侵犯预测模型来对该患者是否存在肝细胞癌微血管侵犯进行预测。

在本发明的一些实施例中，所述微血管侵犯预测模型可以采用深度神经网络模型。

在本发明的一些实施例中，所述影像图像可以为MRI图像。在本发明的一些实施例中，所述影像图像可以是为不同时相的MRI图像。

在本发明的一些实施例中，基于影像图像上与病灶相关的区域所提取的特征可以为影像组学特征。

在本发明的一些实施例中，该方法还可包括提取待检测患者的临床特征，并将所述临床特征与基于影像图像上与病灶相关的区域提取的特征一起作为输入提供给所述微血管侵犯预测模型。

在本发明的一些实施例中，所述临床特征可以来自与下列中的一个或多个：与待检测患者相关的血液检查结果、与待检测患者相关的基础病信息、与待检测患者相关的症状信息和/或与待检测患者相关的个人基本信息。

在本发明的一些实施例中，所述用于进行病灶分割的深度神经网络可以是基于包含标注有由专家分割的与病灶相关的区域的影像图像的样本集预先训练的。