一种基于对抗生成网络的肝脏肿瘤切除后效果预测工具制造技术

本发明专利技术提供了一种基于对抗生成网络的肝脏肿瘤切除后效果预测工具，包括训练后的深度学习模型，所述的深度学习模型包括第一模型和第二模型，所述的第一模型用于根据术前增强MRI数据和肝脏切除范围输出术后增强MRI数据，所述的第二模型用于以术前血清肿瘤标志物数据和第一模型输出的术后增强MRI数据为输入输出复发率评估结果。本发明专利技术能够实现在术前基于现有的数据(术前肝脏增强MRI数据、术前的血清肿瘤标志物数据)和手术方案(肝脏切除范围)给出较为准确的术后预测结果，并且同时能够提供影像学可视化的预测，无论是对于患者的预后治疗还是手术前肝脏切除范围的确定，都具有非常重要的意义。重要的意义。重要的意义。

【技术实现步骤摘要】
一种基于对抗生成网络的肝脏肿瘤切除后效果预测工具


[0001]本专利技术属于术后效果预测
，尤其是涉及一种基于对抗生成网络的肝脏肿瘤切除后效果预测工具。

技术介绍

[0002]目前为止，肝切除术仍是肝癌众多治疗策略中的第一选择，随着精准医疗的不断推进，经过我国广大医学工作者多年不懈的努力，我国在肝切除技术方面取得巨大成就，目前已处于世界较高水平，并仍在飞速发展。肝切除术虽然对于肝脏肿瘤具有不错的治疗效果，但是仍有一定几率出现肝功能不全甚至急性肝衰竭，也可能出现消化道出血、肝性脑病等并发症，严重时会危及患者生命。
[0003]目前尚没有针对肝切除术术后患者情况，尤其是影像学方面的可视化预测方法，而正确的预后判断对于改善手术效果、验证辅助治疗的作用至关重要。尤其对于肝切除术来说，手术切除范围的差异可能对术后效果会产生巨大的影响，如果能够事先预测切除术后的预测效果，甚至是影像学可视化的预后，并且预测复发率，这样无论是对于患者的预后治疗还是手术前肝脏切除范围的确定，都具有非常重要的意义。

技术实现思路

[0004]本专利技术的目的是针对上述问题，提供一种基于对抗生成网络的肝脏肿瘤介入反应后评估方法及系统。
[0005]为达到上述目的，本专利技术采用了下列技术方案：
[0006]一种基于对抗生成网络的肝脏肿瘤切除后效果预测工具，包括训练后的深度学习模型，所述的深度学习模型包括第一模型和第二模型，所述的第一模型用于根据术前增强MRI数据和肝脏切除范围输出术后增强MRI数据，所述的第二模型用于以术前血清肿瘤标志物数据和第一模型输出的术后增强MRI数据为输入输出复发率评估结果。
[0007]在上述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具中，所述的第一模型以术前增强MRI数据、肝脏切除范围和术后增强MRI数据为样本数据进行训练。
[0008]在上述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具中，所述的第二模型以术后增强MRI数据、术前血清肿瘤标志物数据和复发数据作为样本数据进行训练。
[0009]在上述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具中，所述的深度学习模型的输出结果包括第一模型输出的术后增强MRI数据和第二模型输出的复发率评估结果。
[0010]在上述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具中，所述的第一模型采用包含生成器和判别器的对抗生成网络。
[0011]在上述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具中，所述的生成器包括映射网络和综合网络。
[0012]在上述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具中，所述的映射网络
包括8个全连接层，且用于执行以下步骤：
[0013]S1.从隐藏变量z变换得到中间变量w；
[0014]S2.将中间变量w变换为风格控制向量A输入至综合网络。
[0015]在上述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具中，所述的综合网络结合AdaIN风格变换方法将目标图片的均值和标准差与结果图片对齐，以将风格应用于空间特征图，且所述的AdaIN风格变换方法如下：
[0016]x和y分别是内容图片和风格图片编码以后的特征图，σ和μ分别是均值和标准差。
[0017]在上述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具中，所述综合网络的每一层均包含控制向量A和随机噪声B两个输入，且所述的随机噪声为经过缩放转换后的噪声。
[0018]在上述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具中，所述的第二模型采用SVM模型。
[0019]本专利技术的优点在于：
[0020]提出一种由对抗生成网络和SVM构成的深度学习网络，能够由对抗生成网络利用肝切除术患者术前肝脏增强MRI数据以及肝脏切除范围能够预测术后增强MRI数据，由SVM模型利用术前血清肿瘤标志物数据和术后增强MRI数据能够预测术后复发率，通过两个网络模型的配合，能够实现在术前基于现有的数据(术前肝脏增强MRI数据、术前的血清肿瘤标志物数据)和手术方案(肝脏切除范围)给出较为准确的术后预测结果，并且同时能够提供影像学可视化的预测，无论是对于患者的预后治疗还是手术前肝脏切除范围的确定，都具有非常重要的意义。
附图说明
[0021]图1为本专利技术基于对抗生成网络的肝脏肿瘤切除后效果预测工具中对抗生成网络的训练流程图；
[0022]图2为本专利技术基于对抗生成网络的肝脏肿瘤切除后效果预测工具中对抗生成网络的预测流程图；
[0023]图3为本专利技术基于对抗生成网络的肝脏肿瘤切除后效果预测工具中SVM模型的训练流程图；
[0024]图4为本专利技术基于对抗生成网络的肝脏肿瘤切除后效果预测工具中SVM模型的预测流程图；
[0025]图5为本专利技术基于对抗生成网络的肝脏肿瘤切除后效果预测工具中由对抗生成网络和SVM模型构成的深度学习模型的预测流程图；
[0026]图6为本专利技术基于对抗生成网络的肝脏肿瘤切除后效果预测工具中对抗生成网络的网络结构图；
[0027]图7为使用本专利技术基于对抗生成网络的肝脏肿瘤切除后效果预测工具进行术后预测的6个月复发率情况进行评估的ROC曲线图；
[0028]图8a、图8b、图8c分别为右肝切除术前患者增强MRI影像T2加权影像，Inphase，
Outphase影像；
[0029]图9a、图9b、图9c分别为右肝切除术后生成仿真患者增强MRI影像的T2加权影像，Inphase，Outphase影像；
[0030]图10a、图10b、图10c分别为右肝切除术后患者真实增强MRI影像T2加权影像，Inphase，Outphase影像；
具体实施方式
[0031]下面结合附图和具体实施方式对本专利技术做进一步详细的说明。
[0032]本方案针对目前无法对手术切除方案进行可视化预测的问题提出一种基于对抗生成网络的肝脏肿瘤切除后效果预测工具，该工具应用目前较为热门的深度学习技术，包括深度学习模型，特别地，本方案的深度学习模型包括第一模型和第二模型。本实施例中，第一模型采用包含生成器和判别器的对抗生成网络，第二模型采用SVM模型。
[0033]如图1所示，使用对抗生成网络以术前增强MRI数据、肝脏切除范围和术后增强MRI数据为样本数据进行训练，具体训练方式不在此赘述，如图2所示，训练后的对抗生成网络以术前增强MRI数据、肝脏切除范围输出术后增强MRI数据，能够在术前医生制定手术切除方案后，依据术前增强MRI数据、手术切除方案的肝脏切除范围生成预测的术后增强MRI数据，从而提供可视化的术后预测。
[0034]如图3所示，SVM模型以术后增强MRI数据、术前血清肿瘤标志物数据和复发数据作为样本数据进行训练，复发数据是指作为样本的患者的术后三个月复发情况，术后2年复发情况，术后5年复发情况等信息数据。具体训练方式不在此赘述。如图4所示，训练后的SVM模型以增强MRI数据、术前血清肿瘤标志物数据作为输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗生成网络的肝脏肿瘤切除后效果预测工具，其特征在于，包括训练后的深度学习模型，所述的深度学习模型包括第一模型和第二模型，所述的第一模型用于根据术前增强MRI数据和肝脏切除范围输出术后增强MRI数据，所述的第二模型用于以术前血清肿瘤标志物数据和第一模型输出的术后增强MRI数据为输入输出复发率评估结果。2.根据权利要求1所述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具，其特征在于，所述的第一模型以术前增强MRI数据、肝脏切除范围和术后增强MRI数据为样本数据进行训练。3.根据权利要求2所述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具，其特征在于，所述的第二模型以术后增强MRI数据、术前血清肿瘤标志物数据和复发数据作为样本数据进行训练。4.根据权利要求3所述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具，其特征在于，所述的深度学习模型的输出结果包括第一模型输出的术后增强MRI数据和第二模型输出的复发率评估结果。5.根据权利要求4所述的基于对抗生成网络的肝脏肿瘤切除后效果预测工具，其特征在于，所述的第一模型采用包含生成器和判别器的对抗生成网络。6.根据权...

【专利技术属性】
技术研发人员：王伟林，丁元，陈以宁，陈婉仪，蔡田，孙忠权，
申请(专利权)人：浙江大学，
类型：发明
国别省市：