[发明专利]基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统

摘要

本发明属于计算机医学图像处理技术领域。具体为一种的基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法和系统。本发明具有6个卷积层和4096个神经元的完全连接层的卷积神经网络来识别磁共振图像中的肿瘤区域；通过费舍尔向量编码从最后的卷积层中提取深层反应；卷积神经网络为每个病例生成16384个高通量图像特征；基于配对的t检验和F分数和p值筛选方法识别与IDH1高度相关联的卷积神经网络特征；采用支持向量机作为分类器。在IDH1预测中，在相同的数据集的条件下，常规影像组学方法的工作特征曲线下面积为86％，而本发明的AUC为92％；使用基于多模态磁共振图像时，IDH1预测的AUC提高到95％。本发明可以成为从医学图像中提取深层信息更有效的方法。

主权项

1.基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法，其特征在于，具体步骤为：步骤一、通过深度学习进行图像分割1.1数据的预处理对于T1对比增强的磁共振图像，首先使用SPM配准到T2flair磁共振图像，然后利用Brainsuite软件从脑部磁共振图像中去除颅骨和头皮，并校正磁共振图像的偏倚；1.2对脑部磁共振图像中的脑胶质瘤区域进行人工标注对所有脑部磁共振图像进行人工标注，获得的手动分割结果被用作卷积神经网络训练阶段的金标准；1.3基于卷积神经网络的脑胶质瘤分割所述卷积神经网络是以现有处理脑胶质瘤最佳的卷积神经网络结构为基准，在其基础上增加2个卷积层至6个卷积层，全连接层的神经元数从256个增加到4096个；并选择修正线性单元作为激活函数，在每个卷积层之后对它们进行设置；另外，在每个完全连接层之后应用随机丢失层；在网络的最后，选择Softmax作为网络的输出分类层；1.3.1卷积神经网络的训练随机从脑部磁共振图像中获取训练样本，训练样本为33×33像素的小块；去除一个通道中所有小块的平均灰度，然后依次对小块的灰度值和方差进行归一化；训练过程中，选择每个小块对应中心点的像素类别作为教师，使用随机梯度下降方法对卷积神经网络进行训练；1.3.2利用卷积神经网络进行脑胶质瘤分割在获得了训练好的网络之后,利用卷积神经网络对所有脑部磁共振图像进行分割：首先利用训练阶段得到的预处理参数对图像进行预处理，包括平均灰度值、归一化灰度值和方差，这样测试数据就与训练数据有了类似的参数分布；步骤二、从肿瘤分割网络中获取肿瘤的描述特征在确认网络能够识别肿瘤区域后，将肿瘤区域图像添加到训练好的卷积神经网络中，以获取网络中的深层相应作为肿瘤的描述特征；具体过程为：2.1多尺度肿瘤区域的选取对每个脑部磁共振图像中的脑胶质瘤区域，选取10个具有不同尺度的图像，图像缩放的比例从为0.5到2；2.2利用卷积神经网络处理图像在利用卷积神经网络提取特征的过程中将卷积神经网络作为图像滤波器，即将不同尺度图像输入到卷积神经网络，并从最后的卷积层的特征图生成肿瘤区域的特征；将同一病例的所有脑部磁共振图像连接起来作为该病例的卷积神经网络特征；2.3利用一种改进的费舍尔向量对特征进行归一化引入改进的费舍尔向量编码来对特征进行归一化和描述；通过构建使用高斯混合模型获得的视觉词典，将费舍尔向量汇总在多个局部特征描述符的向量统计量中；具体过程为：2.3.1获取训练数据的高斯混合模型参数基于训练数据统计获得具有64个高斯分量的高斯混合模型参数；2.3.2由获得高斯混合模型获得所有数据的费舍尔向量费舍尔向量描述128个最后一层卷积神经网络的滤波器中每一个的64个高斯分量中的每一个的一阶和二阶统计量，即产生具有16k维度(128×64×2)的描述特征；改进的费舍尔向量的计算由matlab中的VLfeat工具箱实现；图像X得到D维特征向量[x1,x2,…,xN]，其中D是指滤波器组的数量，N是特征的维数，即为对应病例包含的所有肿瘤切片包含的特征数目；编码器Θ(μk，wk，σk)保存高斯混合模型的第k个内核的参数；费舍尔向量是每个核的平均向量和协方差偏差向量的组合：其中，j＝1,...D是向量维数，yik是每个xi到高斯混合模型的第k个核的后验概率；从所有图像中提取卷积神经网络特征，经过费舍尔向量编码，获得的图像特征具有相同的维度，即每个病例有16384个特征值；步骤三、特征选择在得到费舍尔向量-卷积神经网络特征之后，选择与IDH1突变状态相关的特征，采用如下特征选择方法：3.1利用t检验筛选特征首先对特征进行假设检验，根据p值<0.05表示统计学意义的标准，将t检验应用于所有提取的特征，以识别具有显着区分效果的特征；3.2利用F分数进一步筛选特征为了提升分类判决准确率，进一步利用基于F分数的特征进一步处理，以去除不相关和多余的特征，第m个特征的F分数计算公式为： F m = ( x m p ‾ - x m ‾ ) 2 + ( x m n ‾ - x m ‾ ) 2 1 n p - 1 Σ k = 1 n p ( x k