基于无监督学习的乳腺癌分子分型方法、装置及系统制造方法及图纸

本发明专利技术涉及一种基于无监督学习的乳腺癌分子分型方法、装置及系统，所述方法包括如下步骤：获得待预测的乳腺DCE

【技术实现步骤摘要】
基于无监督学习的乳腺癌分子分型方法、装置及系统


[0001]本专利技术涉及计算机辅助医学领域，具体涉及一种基于无监督学习的乳腺癌分子分型方法、装置及系统。

技术介绍

[0002]据2021年世界卫生组织国际癌症研究机构最新数据显示，乳腺癌已取代肺癌成为全球发病率最高的癌症。作为一种异质性极为显著的恶性肿瘤，即使患者的临床分期、病理类型相同，其治疗疗效及预后也存在很大的差异。当前，免疫组织化学标记技术或基因表达谱已成为精准判定乳腺癌分子亚型的主要方式，然而该操作方式复杂有创，且未能做到“早发现、早诊断、早治疗”。现代医学影像学的蓬勃发展为乳腺癌的早期筛查与诊疗创造了有利条件。除常见的乳腺钼靶和超声成像外，磁共振成像因为能够保持乳腺软组织高分辨率，也逐渐受到了临床的广泛青睐。近年来，联合多模态磁共振成像序列，从影像数据的角度深入分析乳腺癌分子分型的相关特征已成为该领域的一大研究热点。
[0003]从目前的国内外研究现状来看，基于MRI的乳腺癌分子分型的研究可依据方法的主要技术路线分为两类：一是基于统计学分析的分子分型关联性研究，利用统计学回归模型，分析医学影像中病灶表型特征、表观扩散系数以及血流动力学参数与各亚型的关系。但通过这类方法获得的浅层次的可视化特征很难深入分析与肿瘤异质性之间的相关程度，且研究样本量较小，降低了结果的借鉴意义。二是通过影像组学，研究特征与乳腺癌分子分型的内在关联，以构建合理的乳腺癌分子分型预测模型。然而在该类方法中，为保证感兴趣区域勾画以及特征提取优化时精准有效，需要经过放射科医师的多次确认，再次降低分子分型检出的时效性。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种预测灵敏且精度较高的基于无监督学习的乳腺癌分子分型方法、装置及系统。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于无监督学习的乳腺癌分子分型方法，该方法包括如下步骤：
[0007]步骤S1，获得待预测的乳腺DCE
‑
MRI影像，提取该影像中多种规格的序列影像的感兴趣区域；
[0008]步骤S2，利用一采用无监督学习训练获得的分子分型预测模型预测获得各种所述序列影像的对应的分子亚型分类概率；
[0009]步骤S3，采用集成学习融合，获得最终对应的分子亚型分类结果；
[0010]所述分子分型预测模型的训练过程包括：
[0011]获取用于训练的乳腺DCE
‑
MRI影像，按照影像中病变良恶性划分形成互不相交的一源域数据集和一目标域数据集，所述源域数据集包含的是无标签样本，所述目标域数据集包含的是有标签样本；
[0012]分别提取源域数据集和目标数据集中多种规格的序列影像的感兴趣区域；
[0013]采用所获得源域数据集中多种序列影像的感兴趣区域，分别对所构建的一分子分型预测模型进行无监督学习预训练，获得模型权重；
[0014]采用所获得目标域数据集中多种序列影像的感兴趣区域，分别对所述预训练的分子分型预测模型进行迁移学习微调，更新模型权重，完成训练。
[0015]优选地，所述感兴趣区域的提取具体为：
[0016]读取乳腺DCE
‑
MRI影像对应的肿瘤标记及临床诊断数据，确定肿瘤形态及位置；
[0017]基于所述肿瘤形态及位置将影像裁剪为若干个多尺度图像块，获得所述感兴趣区域。
[0018]优选地，所述分子亚型分类结果包括管腔上皮型和非管腔上皮型。
[0019]优选地，所述分子分型预测模型基于2D深度学习卷积神经网络模型构建，所述2D深度学习卷积神经网络模型包含一个初始卷积块、三个引入注意力机制和深度残差收缩机制的卷积池化单元、一个特征融合单元、一个全局平均池化层和一个分类层。
[0020]优选地，所述分子分型预测模型的无监督学习预训练具体为：
[0021]将所述源域数据集的感兴趣区域输入到分子分型预测模型中，获得正样本的低阶特征及高阶特征；
[0022]随机打乱所述正样本的低阶特征及高阶特征的通道排列，获得伪样本的低阶特征及高阶特征；
[0023]构建判别器，分别计算正伪样本间低阶特征和高阶特征的深度互信息，训练获得模型权重。
[0024]优选地，对所述分子分型预测模型进行无监督学习预训练时使用的优化目标函数数学表达式为：
[0025][0026]其中，W
×
H为低阶特征的尺寸，代表互信息计算函数，α、β、γ为权重因子，KL[
·
||
·
]代表相对熵损失项，为输出特征服从的编码分布，为标准正态分布，G(x)与L
ij
(x)分别为全局特征和局部特征。
[0027]优选地，对所述分子分型预测模型进行迁移学习微调时，加载预训练权重，使用较小学习率，通过目标域数据集分别进行微调和重新训练。
[0028]优选地，使用加权投票策略对获得的多种序列影像所对应的分子亚型分类概率进行所述集成学习的融合。
[0029]本专利技术还提供一种基于无监督学习的乳腺癌分子分型装置，包括：
[0030]训练数据集获取模块，获取用于训练的乳腺DCE
‑
MRI影像，按照影像中病变良恶性划分形成互不相交的一源域数据集和一目标域数据集，所述源域数据集包含的是无标签样本，所述目标域数据集包含的是有标签样本；
[0031]感兴趣区域提取模块，用于提取多种规格的乳腺DCE
‑
MRI序列影像的感兴趣区域；
[0032]无监督学习预训练模块，采用所获得源域数据集中多种序列影像的感兴趣区域，分别对所构建的一分子分型预测模型进行无监督学习预训练，获得模型权重；
[0033]迁移学习微调模块，采用所获得目标域数据集中多种序列影像的感兴趣区域，分别对所述预训练的分子分型预测模型进行迁移学习微调，更新模型权重；
[0034]分类模块，以训练好的分子分型预测模型对待预测乳腺DCE
‑
MRI影像的多种规格的感兴趣区域进行处理，并采用集成学习融合，获得最终对应的分子亚型分类结果。
[0035]本专利技术还提供一种基于无监督学习的乳腺癌分子分型计算机系统，包括：
[0036]一个或多个命令处理器；
[0037]与处理器关联的存储器；
[0038]其中，所述命令处理器执行时调用存储器中的程序指令，以实现如所述方法中的步骤。
[0039]与现有技术相比，本专利技术具有以下有益效果：
[0040]1、本专利技术提出的乳腺癌分子分型方法通过无监督学习预训练网络和迁移学习微调网络的思想，前一阶段充分利用乳腺良性肿瘤影像构建无标签的源域数据集，增强模型提取特征的能力；后一阶段采用乳腺恶性肿瘤影像构建有标签的目标域数据集对带有预训练权重的模型微调，有效提升分类层鉴别特征的准确率。相对于从ImageNet迁移学习的传统方法而言，该二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的乳腺癌分子分型方法，其特征在于，该方法包括如下步骤：步骤S1，获得待预测的乳腺DCE
‑
MRI影像，提取该影像中多种规格的序列影像的感兴趣区域；步骤S2，利用一采用无监督学习训练获得的分子分型预测模型预测获得各种所述序列影像的对应的分子亚型分类概率；步骤S3，采用集成学习融合，获得最终对应的分子亚型分类结果；所述分子分型预测模型的训练过程包括：获取用于训练的乳腺DCE
‑
MRI影像，按照影像中病变良恶性划分形成互不相交的一源域数据集和一目标域数据集，所述源域数据集包含的是无标签样本，所述目标域数据集包含的是有标签样本；分别提取源域数据集和目标数据集中多种规格的序列影像的感兴趣区域；采用所获得源域数据集中多种序列影像的感兴趣区域，分别对所构建的一分子分型预测模型进行无监督学习预训练，获得模型权重；采用所获得目标域数据集中多种序列影像的感兴趣区域，分别对所述预训练的分子分型预测模型进行迁移学习微调，更新模型权重，完成训练。2.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，所述感兴趣区域的提取具体为：读取乳腺DCE
‑
MRI影像对应的肿瘤标记及临床诊断数据，确定肿瘤形态及位置；基于所述肿瘤形态及位置将影像裁剪为若干个多尺度图像块，获得所述感兴趣区域。3.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，所述分子亚型分类结果包括管腔上皮型和非管腔上皮型。4.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，所述分子分型预测模型基于2D深度学习卷积神经网络模型构建，所述2D深度学习卷积神经网络模型包含一个初始卷积块、三个引入注意力机制和深度残差收缩机制的卷积池化单元、一个特征融合单元、一个全局平均池化层和一个分类层。5.根据权利要求1所述的基于无监督学习的乳腺癌分子分型方法，其特征在于，所述分子分型预测模型的无监督学习预训练具体为：将所述源域数据集的感兴趣区域输入到分子分型预测模型中，获得正样本的低阶特征及高阶特征；随机打乱所述正样本的低阶特征及高阶特征的通道排列，获得伪样本的低阶特征及高阶特征；构建判别器，分别计算正伪样本间低阶特征和高阶特征...

【专利技术属性】
技术研发人员：谢元忠，聂生东，孙榕，李秀娟，孔雪，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：