[发明专利]基于多模态影像组学的癫痫药物治疗结局预测方法和装置

说明书

本发明公开了一种癫痫药物治疗结局预测方法和装置，包括：获取TSC患者在进行抗癫痫药物治疗前的多种模态磁共振影像；把TSC患者按比例随机分为训练集和测试集；基于U‑net++网络对每一种模态磁共振影像进行区域分割，获取感兴趣区域；对每一个感兴趣区域进行特征提取，获取高维影像组学特征；对高维影像组学特征进行分析筛选得到目标影像组学特征；对训练集中的目标影像组学特征运用机器学习算法训练预测模型，构建获得癫痫药物治疗结局预测模型并在验证模型；利用构建获得癫痫药物治疗结局预测模型对待治疗患者的目标影像组学特征进行预测，获得预测的癫痫药物治疗结局。本发明能够快速、有效地预测癫痫患者的药物治疗结局，辅助医生制定更好的治疗方案。

技术领域

本发明涉及计算机辅助诊断技术领域，具体涉及一种基于多模态影像组学的癫痫药物治疗结局预测方法和装置、终端设备。

背景技术

结节性硬化症(TSC)是一种罕见的常染色体显性遗传病，由TSC1或TSC2mTOR通路基因功能丧失突变引起。TSC是一种影响脑、皮肤、心脏、肺、肾脏和癫痫的神经精神疾病。癫痫是TSC患者中最普遍和最具挑战性的症状，影响了大约85％的患者，而且其中将近三分之二的患者在一岁左右会伴随着癫痫首次发作。在TSC诊断后，患者尽早进行癫痫治疗可以预防或控制癫痫发作，改善TSC患者的认知神经发育并提高患者的生活质量。

在所有TSC患者中，几乎都可以在脑部影像上观察到神经系统表现，而磁共振成像(MRI)具有丰富的软组织对比度，是用于临床诊断TSC的先进的成像工具。皮质结节和皮质下结节是主要的TSC相关的脑部病灶，在MRI的液体衰减反转恢复(FLAIR)序列中和T2W序列中能够清晰观察到异常高或低信号。T1W能够观察患者的脑部结构和其他病变、T2W和FLAIR提供了较高的病变和大脑对比度，这三个序列通常包含在常规TSC诊断的MRI扫描方案中。在MRI上不仅可以清晰的观察到脑部病灶，也能够观察患者的脑部结构，是目前临床上认可的成像方法。

目前临床上癫痫药物治疗结果诊断的主要途径是：确诊TSC后，对患者进行抗癫痫药物(AEDs)治疗，由医生随访观察患者是否一年之内仍有癫痫发作，来判断药物治疗结局，如果一年之内仍有癫痫发作，则为药物难治型患者，否则为药物控制型患者。药物难治型患者需要更换治疗方法，比如手术。这种方式有以下几个缺点：人力成本高，由于药物治疗的特殊性，所以需要经过专业训练的医师才能够对患者进行药物治疗；时间成本高，药物治疗结局一般需要一年以上的治疗，才能知道患者是否耐药，然后再对耐药患者更换治疗方案，这对患者治疗很不利，可能会耽误患者的最佳治疗时间。

因此，研究一种预测癫痫药物治疗结局的智能模型来区分药物治疗控制型癫痫和未控制型(药物难治)的TSC癫痫患者，能够辅助医生对两种类型的患者制定针对性的治疗方案，降低患者的死亡率以及提高患者的生活质量，具有重要的意义。

发明内容

有鉴于此，本发明提供了一种基于多模态影像组学的癫痫药物治疗结局预测方法和装置，以解决如何对TSC癫痫患者的癫痫药物治疗结局进行预测的问题，能够快速区分药物治疗控制型和未控制型(药物难治)的TSC癫痫患者。

为了解决上述技术问题，本发明的一方面是提供一种基于多模态影像组学的癫痫药物治疗结局预测方法，其包括步骤：

获取TSC患者在进行抗癫痫药物治疗前的多种模态磁共振影像，并对所述多种模态磁共振影像进行预处理；

把TSC患者按比例随机分为训练集和测试集，所述训练集用于训练预测模型，所述测试集用于验证预测模型的性能；

基于U-net++网络对预处理后的每一种模态磁共振影像进行区域分割，获取每一种模态磁共振影像对应的感兴趣区域；

对每一种模态磁共振影像的每一个感兴趣区域进行特征提取，获取每一个感兴趣区域对应的高维影像组学特征；

对所述高维影像组学特征进行分析筛选，降维后得到目标影像组学特征；