[发明专利]乳腺癌新辅助化疗后MRI影像生成及疗效预测方法

说明书

本发明公开了一种乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，包括如下步骤：S1、获取病例数据，所述病例数据包括文本数据和影像数据；S2、对病例数据进行预处理，并制作数据集；S3、搭建深度对抗神经网络模型，并实施影像生成及疗效预测训练任务，所述深度对抗神经网络模型为输入非匹配的循环对抗神经网络模型；S4、将最终学习训练完成的对抗生成神经网络模型迁移至用于实际应用的影像生成及疗效评价预测模块，进行最终疗效预测及化疗后影像生成任务有助于医生针对患者实施更加精准的治疗方案，以提高治疗效率有着重要的实用价值和意义。

技术领域

本发明涉及到深度学习图像处理技术与机器视觉技术领域，具体指一种乳腺癌新辅助化疗后MRI影像生成及疗效预测方法。

背景技术

在医学影像领域当中，肿瘤病灶在影像学上的变化模式与肿瘤化疗疗效密切相关，在实际的化疗过程中病灶的变化模式的信息当中包含了丰富的化疗疗效信息，本发明就时在此基础之上研究得到的，为此我们提出了一种基于深度生成对抗网络的乳腺癌早期新辅助化疗后的病灶影像生成以及疗效预测方法。目前，在深度学习机器视觉领域针对癌症医学影像的研究工作中，一方面是利用深度卷积神经网络对医学癌症影像进行深度特征提取来学习预测病灶良恶性类别，学习预测病灶生长的变化方式以及在化疗过程中针对性的疗效如何；另一方面，则是通过对抗生成网络技术实现医学影像的跨域转换，例如利用MRI(核磁共振影像)生成CT(计算机断层扫描影像)等等，却少有将在化疗过程中病灶在医学影像上的变化模式信息与化疗疗效相结合起来研究的。

传统实现新辅助化疗疗效评价预测的技术通常采用的是有创性的病理组织穿刺数据进行机器或深度学习预测的研究方法，穿刺的方法对穿刺部位的准确性要求较高，同时会对患者的皮肤造成有创性的伤害，还增加了患者的支出成本，且无法对新辅助化疗后的病灶变化趋势进行准确的预测。

而直观的病灶影像特征上的变化却能够很好的反映新辅助化疗过程的有效性，且影像数据的获取相对于利用组织穿刺分析获取的数据而言更加容易取得且对患者更加友好。但是，多次进行核磁共振影像的拍摄过程本身也会对患者的身体造成一定的影响。

因此，亟需寻找替代性的方案，能够减少影像的拍摄次数，在已拍摄的影像基础之上对新辅助化疗后影像进行准确的生成性预测则变得极具实际意义。

发明内容

现有疗效预测技术大多是直接从影像特征上直接针对最终化疗疗效进行研究学习，而少有考虑到化疗过程中的中间病灶变化形态对结果的影响，以及如何自动预测中间化疗结果影响。本发明根据现有技术的不足，提出一种乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，不仅能够直观的反映病灶在影像上的变化，并可以根据其变化来对最终的新辅助化疗疗效进行准确的推测。因此，本发明在针对实际减轻患者负担，同时为医生提供在患者病灶影像上的变化趋势的直观参考，有助于医生针对患者实施更加精准的治疗方案，以提高治疗效果，本发明有着重要的实用价值和意义。

为了解决上述技术问题，本发明的技术方案为：

一种乳腺癌新辅助化疗后MRI影像生成及疗效预测方法，包括如下步骤：

S1、获取病例数据，所述病例数据包括文本数据和影像数据；

S2、对病例数据进行预处理，并制作数据集；

S3、搭建深度对抗神经网络模型，并实施影像生成及疗效预测训练任务，

所述深度对抗神经网络模型为输入非匹配的循环对抗神经网络模型，主要包含两套生成器与判别器组合，分别用于完成从正向化疗前至化疗后影像的生成以及由化疗后向化疗前影像的恢复生成；

S4、将最终学习训练完成的对抗生成神经网络模型迁移至用于实际应用的影像生成及疗效评价预测模块，进行最终疗效预测及化疗后影像生成任务。