[发明专利]一种基于CNN-XGBoost的胶质母细胞瘤预后预测方法

说明书

本发明公开了一种基于CNN‑XGBoost的胶质母细胞瘤预后预测方法，包括以下步骤：S1脑部MR影像基础预处理；S2基于混合双高斯模型的肿瘤特征图提取；S3数据增强；S4深度学习特征提取；S5基于传统机器学XGBoost特征分类器进行预后模型的建立。本发明基于双高斯模型对患者术前MR影像的强度直方图进行拟合提取肿瘤特征图，降低了后续网络模型特征提取的难度。同时，本发明设计了一种深度卷积特征提取网络该网络，包括上、下游两条支路。上游支路为简易特征提取模块，其主要聚焦于提取分割标签图像的简单特征。下游支路为肿瘤特征图的深度特征提取网络，其主要聚焦于由预处理后得到的肿瘤特征图。此外，再结合XGBoost对由深度神经卷积网络所提取到的特征进行分类拟合可有效缓解过拟合现象，提升预后预测的精度等性能。

技术领域

本发明涉及一种医疗技术，具体涉及一种基于CNN-XGBoost的胶质母细胞瘤预后预测方法。

背景技术

脑胶质瘤是最严重的恶性肿瘤之一，占成人原发性肿瘤的70％。世界卫生组织(WHO)将胶质瘤分为四个级别，其中分级为IV级的胶质瘤称为胶质母细胞瘤(GBM)是最致命的，其总体生存时间短且需及时采取治疗措施。若能在术前诊断时，针对这部分术后易出现不良预后结果的胶质母细胞瘤患者划分成相应预后好坏的两类人群，则可指导医生建议患者及时复诊，而对于确诊复发的患者进行治疗干预或规划不同的诊疗方案以避免错过最佳治疗时机。因此，针对术前预测出具有不良预后效果的患者，为其规划不同的治疗和管理方案具有重要意义。

当前常用胶质母细胞瘤预后分析方法基本仅依赖临床的指标(如，年龄，KPS评分值等)或采取一些MR影像的量化分析方法(如，传统特征提取方法加机器学习、深度学习方法等)。而影像的量化分析方法中往往对仅经过常规预处理的MR图像直接进行特征提取，若能对输入的图像数据进行进一步处理操作分解重叠的特征，则可能降低后续模型提取特征的难度进而提升预测性能。在方法上，深度学习、传统机器学习方法各有优势。针对医学图像往往样本量有限，深度学习在小样本数据集上提取到的高维深度特征往往导致模型出现过拟合现象，这使得模型泛化能力不强预测精度不高。而特征工程结合传统机器学习的方式却因人工设计提取到的浅层特征可能无法正确表征关系而较难取得理想预测效果。

因此，本发明人设计了一种基于CNN-XGBoost的胶质母细胞瘤预后预测方法。首先对病人原始MR影像进行除常规图像预处理操作外，进一步对其进行处理提取其肿瘤特征图作为输入图像数据。此外，设计了一个深度卷积神经网络并与传统机器学习方法相结合以发挥各自的优势，从而缓解过拟合现象、提升模型的预测性能。

发明内容

本发明的目的是提供一种基于CNN-XGBoost的胶质母细胞瘤预后预测方法，设计了基于双高斯模型对患者术前MR影像的强度直方图进行拟合并提取肿瘤特征图的方法以分解重叠的特征，降低后续网络模型特征提取的难度。同时，设计了一种深度卷积神经网络该网络包括上、下游两条支路。上游支路为简易特征提取模块，其主要聚焦于提取分割标签图像的简单特征。下游支路为肿瘤特征图的深度特征提取网络，其主要聚焦于由预处理后得到的肿瘤特征图。此外，再结合传统机器学习中的XGBoost，凭借其特征筛选和集成功能从而降低过拟合风险、提升预后预测的精度等性能。

这样，采用该方法可实现个体化的胶质母细胞瘤不良预后的预测，有助于指导患者及时复诊，对于确诊复发的病人进行干预或规划新的治疗方案，以避免错过最佳治疗时机。

为实现上述目的，本发明提供了一种基于CNN-XGBoost的胶质母细胞瘤预后预测方法，包括以下步骤：

S1：脑部MR影像基础预处理

将获得的2D图像根据已有的分割标签对其掩膜提取感兴趣区域(ROI，regionofinteresting),而后进行标准化、归一化操作。

S2：基于混合双高斯模型的肿瘤特征图提取