一种基于模型驱动元学习的乳腺癌分子亚型预测方法技术

本发明专利技术公开了一种基于模型驱动元学习的乳腺癌分子亚型预测方法，包括，通过乳腺癌数据库获取动态增强磁共振图像和动态增强磁共振图像的标签；将动态增强磁共振图像进行处理得到动态增强磁共振体积数据，将动态增强磁共振体积数据与动态增强磁共振图像的标签匹配得到有标签的动态增强磁共振体积数据；将有标签的动态增强磁共振体积数据分为支持集和查询集，利用支持集和查询集构建时空循环注意力分类器；利用改进的元学习策略优化时空循环注意力分类器，通过时空循环注意力分类器进行分子亚型预测。本发明专利技术能够在小量数据样本的情况下准确的实现乳腺癌的分子亚型预测。下准确的实现乳腺癌的分子亚型预测。下准确的实现乳腺癌的分子亚型预测。

【技术实现步骤摘要】
一种基于模型驱动元学习的乳腺癌分子亚型预测方法


[0001]本专利技术涉及小样本学习的
，尤其涉及一种基于模型驱动元学习的乳腺癌分子亚型预测方法。

技术介绍

[0002]近年来，乳腺癌分子亚型成为研究热点，因为不同分子亚型乳腺癌在疾病的表达、对治疗的反应、预后及生存结果上存在显著差异，些传统的乳腺癌分子亚型方法，有尝试通过患者影像预测乳腺癌分子亚型，比如采用的影像技术有乳腺钼靶、乳腺超声、正电子断层扫描与动态增强磁共振等，然而这些技术一般采用人工提取特征，存在主观性，很难客观反应乳腺癌本质特征。
[0003]最近，深度学习算法在医学图像分类中取得了巨大的成功，更多的研究试图将深度学习算法应用于癌症检测和诊断领域，然而医学图像的数据量极低，妨碍了深度学习算法充分发挥其潜力，并限制了评估结果的能力，因此，利用少量的医学图像样本对其进行分类是一个具有挑战性的问题。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术提供了一种基于模型驱动元学习的乳腺癌分子亚型预测方法，能够避免人工判别的主观性的同时解决了少量的医学图像样本分类的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：包括，通过乳腺癌数据库获取动态增强磁共振图像和动态增强磁共振图像的标签；将所述动态增强磁共振图像进行处理得到所述动态增强磁共振体积数据，将所述动态增强磁共振体积数据与所述动态增强磁共振图像的标签进行匹配得到有标签的动态增强磁共振体积数据；将所述有标签的动态增强磁共振体积数据分为支持集和查询集，利用支持集和查询集构建时空循环注意力分类器；利用改进的元学习策略优化所述时空循环注意力分类器，通过所述时空循环注意力分类器进行分子亚型预测。
[0008]作为本专利技术所述的基于模型驱动元学习的乳腺癌分子亚型预测方法的一种优选方案，其中：还包括，所述动态增强磁共振图像包括三个空间维度和一个时间维度；所述动态增强磁共振图像的标签包括正常型、管腔上皮型、HER
‑
2过表达型和基底细胞样型。
[0009]作为本专利技术所述的基于模型驱动元学习的乳腺癌分子亚型预测方法的一种优选方案，其中：将所述动态增强磁共振图像进行处理包括，根据人工标注病灶区域面积大小，在所述动态增强磁共振图像上截取病灶区域的感兴趣区域图像；将感兴趣区域图像统一采样为像素相同的图像，并放入三维矩阵中，得到动态增强磁共振体积数据。
[0010]作为本专利技术所述的基于模型驱动元学习的乳腺癌分子亚型预测方法的一种优选方案，其中：将所述有标签的动态增强磁共振体积数据分为支持集和查询集包括将所述有标签的动态增强磁共振体积数据通过N
‑
way K
‑
shot分类策略划分支持集和查询集。
[0011]作为本专利技术所述的基于模型驱动元学习的乳腺癌分子亚型预测方法的一种优选方案，其中：所述时空循环注意力分类器包括：循环神经网络、注意力机制、批标准化层和池化层；所述时空循环注意力分类器用循环神经网络并加入注意力机制，首先连接n
×
n
×
n的卷积运算，采用线性整流激活函数，然后连接一个批标准化层用来缓解过拟合现象，然后连接m
×
m
×
m的最大池化操作并加入注意力机制用来连接下一层；接着连接n
×
n
×
n的卷积运算，采用线性整流激活函数，然后连接一个批标准化层用来缓解过拟合现象，然后连接m
×
m
×
m的最大池化操作并加入注意力机制用来连接下一层；再接着连接n
×
n
×
n的卷积运算，采用线性整流激活函数，然后连接一个批标准化层用来缓解过拟合现象，然后连接m
×
m
×
m的最大池化操作；再进行压平操作；最后采用全连接层，采用归一化指数函数激活函数进行结果预测；所述卷积运算都使用a个滤波器；内循环采用梯度下降过程，学习率由模型自由选择；外循环学习率为b，采用Adam优化器。
[0012]作为本专利技术所述的基于模型驱动元学习的乳腺癌分子亚型预测方法的一种优选方案，其中：所述循环神经网络包括3个卷积层：一个是前一层进入单元的输入，另一个是过去和未来时间帧的隐藏状态，最后一个是上一次迭代的隐藏状态,表示在第l层、时间帧t和迭代次数i的特征表达，表示在第l
‑
1层、时间帧t和迭代次数i的特征表达，表示在第l层、时间帧t和迭代次数i
‑
1的特征表达；是当信息在CRAN内向前传播时计算的表达，是在t
‑
1时刻当信息在CRAN内向前传播时计算的表达；是信息在CRAN内向后传播时计算的表达，是在t+1时刻当信息在CRAN内向后传播时计算的表达。CRAN的详细表达为：
[0013][0014][0015][0016]*为卷积运算，为线线性整流激活函数，W
l
为输入到隐藏卷积的过滤器，W
i
为在迭代过程中演化的隐藏到隐藏的循环卷积，W
t
为随时间演化的循环卷积滤波器，t为时刻，A
l
为一个偏差项。
[0017]作为本专利技术所述的基于模型驱动元学习的乳腺癌分子亚型预测方法的一种优选方案，其中：还包括，
[0018]时空循环注意力分类器学习图像形态学和药代动力学特征表征的步骤为：给出动态MR序列为
[0019][0020]定义时刻t的每个MRI体积V
t
为:
[0021][0022]构造卷积循环注意力网络学习形态学和药代动力学表征，并周期性地利用循环注意力来模拟动态对比增强依赖性，可表示为：
[0023]y
spatio
‑
temporal
＝f
M
(f
M
‑1(
…
(f1(x
nt
))))
[0024]其中，H和W为输入图像的高度和宽度，S为每个空间体积数中的切片数，T为时间点，V1,V2,
…
V
T
表示在1,2,
…
T时刻体积数据，表示在空间上具有S个切片数并且具有T个时序数的高度为H宽度为W的总数据；表示在具体t时刻第1,2,
…
S的体积数据；y
spatio
‑
temporal
代表卷积循环注意力的预测，x
nt
表示带切片的下采样图像序列，f表示卷积循环注意力网，M表示迭代次数。
[0025]作为本专利技术所述的基于模型驱动元学习的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型驱动元学习的乳腺癌分子亚型预测方法，其特征在于：包括，通过乳腺癌数据库获取动态增强磁共振图像和动态增强磁共振图像的标签；将所述动态增强磁共振图像进行处理得到动态增强磁共振体积数据，将所述动态增强磁共振体积数据与所述动态增强磁共振图像的标签匹配得到有标签的动态增强磁共振体积数据；将所述有标签的动态增强磁共振体积数据分为支持集和查询集，利用支持集和查询集构建时空循环注意力分类器；利用改进的元学习策略优化所述时空循环注意力分类器，通过所述时空循环注意力分类器进行分子亚型预测。2.如权利要求1所述的基于模型驱动元学习的乳腺癌分子亚型预测方，其特征在于：还包括，所述动态增强磁共振图像包括三个空间维度和一个时间维度；所述动态增强磁共振图像的标签包括正常型、管腔上皮型、HER
‑
2过表达型和基底细胞样型。3.如权利要求2所述的基于模型驱动元学习的乳腺癌分子亚型预测方，其特征在于：将所述动态增强磁共振图像进行处理包括，根据人工标注病灶区域面积大小，在所述动态增强磁共振图像上截取病灶区域的感兴趣区域图像；将感兴趣区域图像统一采样为像素相同的图像，并放入三维矩阵中，得到动态增强磁共振体积数据。4.如权利要求3所述的基于模型驱动元学习的乳腺癌分子亚型预测方，其特征在于：将所述有标签的动态增强磁共振体积数据分为支持集和查询集包括：将所述有标签的动态增强磁共振体积数据通过N
‑
way K
‑
shot分类策略划分支持集和查询集。5.如权利要求1～4任一所述的基于模型驱动元学习的乳腺癌分子亚型预测方，其特征在于：所述时空循环注意力分类器包括：循环神经网络、注意力机制、批标准化层和池化层；所述时空循环注意力分类器用循环神经网络并加入注意力机制，首先连接n
×
n
×
n的卷积运算，采用线性整流激活函数，然后连接一个批标准化层用来缓解过拟合现象，然后连接m
×
m
×
m的最大池化操作并加入注意力机制用来连接下一层；接着连接n
×
n
×
n的卷积运算，采用线性整流激活函数，然后连接一个批标准化层用来缓解过拟合现象，然后连接m
×
m
×
m的最大池化操作并加入注意力机制用来连接下一层；再接着连接n
×
n
×
n的卷积运算，采用线性整流激活函数，然后连接一个批标准化层用来缓解过拟合现象，然后连接m
×
m
×
m的最大池化操作；再进行压平操作；最后采用全连接层，采用归一化指数函数激活函数进行结果预测；所述卷积运算都使用a个滤波器；内循环采用梯度下降过程，学习率由模型自由选择；外循环学习率为b，采用Adam优化器。6.如权利要求5所述的基于模型驱动元学习的乳腺癌分子亚型预测方，其特征在于：所述循环神经网络包括3个卷积层：一个是前一层进入单元的输入，另一个是过去和未来时间帧的隐藏状态，最后一个是上一次迭代的隐藏状态,表示在第l层、时间帧t和迭代次数
i的特征表达，表示在第l
‑
1层、时间帧t和迭代次数i的特征表达，表示在第l层、时间帧t和迭代次数i
‑
1的特征表达；是当信息在CRAN内向前传播时计算的表达，是在t
‑
1时刻当信息在CRAN内向前传播时计算的表达；是信息在CRAN内向后传播时计算的表达，是在t+1时刻当信息在CRAN内向后传播时计算的表达。CRAN的详细表达为：达为...

【专利技术属性】
技术研发人员：潘祥，王益航，吕天旭，厉力华，张岩，胡曙东，张继如，刘渊，谢振平，
申请(专利权)人：江南大学，
类型：发明
国别省市：