一种基于制造技术

本发明专利技术主要关于一种基于

【技术实现步骤摘要】
一种基于CT图像的胃癌新辅助化疗疗效预测系统


[0001]本专利技术主要关于智能医学影像应用
，特别是关于一种基于
CT
图像的胃癌新辅助化疗疗效预测系统
。

技术介绍

[0002]近年来，新辅助化疗
(NCT)
被证明能显著改善局部晚期胃癌患者
(LAGC)
的预后，已成为标准治疗方法
。NCT
主要通过化疗在手术前降低肿瘤体积
、
实现肿瘤降解
、
尽早消除微转移，提高
R0
切除的可能性，从而提高总生存率和无病生存率
。
此外，在手术前维持肿瘤血管完整性可增强化疗的疗效
。
然而，并非所有的
LAGC
患者都能从
NCT
中受益，无效的新辅助治疗可能会增加毒性，并允许肿瘤在化疗期间进展
。
因此，现阶段的研究都在不断探索如何在术前化疗早期阶段就能对患者获益结果进行预测
。
[0003]目前，研究主要基于临床病理学资料及
CT
影像开发机器学习模型
(
影像组学
)
来非侵入性识别对化疗有反应的患者
。
预处理成像与原发性肿瘤特征相关，而术后成像可以反映肿瘤治疗的反应和效果
。
研究发现，肿瘤内部异质性在一定程度上可通过提取的影像组学特征在
CT
图像中的独特纹理和空间灰度模式得到反映
。r/>因此，目前研究多集中于利用
CT
影像开发机器学习模型
(
影像组学
)
来非侵入性识别对化疗有反应的患者，包括：组学特征的提取与选择
、
多模态机器学习模型的建立与验证等
。
[0004]目前提出的基于影像组学的胃癌新辅助化疗反应预测模型在验证过程中仍存在很多漏检
、
误检情况，因为研究的影像特征是人为设定好的，导致无法全面地捕捉对某种疾病敏感度高的特征特性，因此使得实际预测产生偏差
。
[0005]前述
技术介绍
知识的记载旨在帮助本领域普通技术人员理解与本专利技术较为接近的现有技术，同时便于对本申请专利技术构思及技术方案的理解，应当明确的是，在没有明确的证据表明上述内容在本专利申请的申请日前已公开的情况下，上述
技术介绍
不应当用于评价本申请技术方案的新创性
。

技术实现思路

[0006]为解决上述
技术介绍
中提及的至少一种技术问题及胃癌领域新辅助治疗的技术难题，提供一种解决目前临床上难以在患者治疗前精确预判具有个体差异的患者是否应该采取接受新辅助治疗的系统，通过多模态深度模型算法对腹部增强
CT
图像进行处理分析，同时结合临床危险因素，精准预测新辅助化疗的疗效，并对化疗敏感的区域进行了可视化及区别对比
。
[0007]一种基于
CT
图像的胃癌新辅助化疗疗效预测系统，包括：获取模块，其被配置为获取患者
CT
图像
、
临床资料及病理数据，并对
CT
图像进行预处理后作为输入数据；影像模块，其被配置为以残差神经网络为基准模型构建影像深度学习模型，并在残差模块的前后分别添加了通道注意力模块；
临床模块，其被配置为将临床特征归一化处理得到临床特征结构化向量，利用
Spearman
和
LASSO
进行特征选择，利用多因素逻辑回归方法构建临床预测模型；预测模块，其被配置为将影像深度学习模型与临床预测模型构成多模态预测模型，将经过预处理的
CT
图像和临床特征结构化向量作为输入数据输入多模态预测模型，使用梯度加权类激活图可视化显示多模态预测模型导出的影响胃癌化疗疗效的肿瘤特征区域，并输出
TRG
分类概率
。
[0008]作为对本专利技术技术方案的优化，获取模块中，所述新辅助化疗是在切除肿瘤病灶前接受含5‑
氟尿嘧啶的新辅助化疗
。
[0009]作为对本专利技术技术方案的优化，获取模块中，所述患者
CT
图像包括胃癌患者和
/
或
Siewert III
型食管胃结合部腺癌患者的
CT
图像
。
[0010]作为对本专利技术技术方案的优化，获取模块中，所述患者
CT
图像包括横断位上包含肿瘤最大层面及其相邻两个切片
。
[0011]作为对本专利技术技术方案的优化，获取模块中，所述临床资料包括：年龄
、
性别
、BMI、
肿瘤位置
、
最大直径
、Borrmann
分型
、cT
分期
、cN
分期
、cM
分期
、
分化程度
、
病理分型
、CEA、CA125、AFP、ALB、PCT、Lymph%、Glu、Neut。
[0012]作为对本专利技术技术方案的优化，获取模块中，所述病理数据包括
TRG
病理反应等级
。
[0013]作为对本专利技术技术方案的优化，获取模块中，所述对
CT
图像进行预处理包括：
(1)
基于
ITK
‑
SNAP
开源软件对
CT
图像感兴趣区域勾画；
(2)
图像分辨率归一化采样；
(3)
图像像素级别归一化；
(4)
利用图像级
SMOTE
采样方法对少样本数据进行上采样以生成图像
。
[0014]作为对本专利技术技术方案的优化，获取模块中，所述输入数据在进入训练集之前使用翻转和旋转作为数据增强策略
。
[0015]作为对本专利技术技术方案的优化，获取模块中，所述翻转和旋转具体是先对
CT
图像做正向和逆向
45
°
、135
°
旋转，再对旋转后的
CT
图像做左右翻转
。
[0016]作为对本专利技术技术方案的优化，影像模块中，所述影像深度学习模型中，将
Resnet
网络的
softmax
层更改为
sigmoid
层作为最终层，以产生二元分类器的概率预测
。
[0017]作为对本专利技术技术方案的优化，影像模块中，所述影像深度学习模型依次包括：卷积模块
、
最大池化模块
、
通道注意力模块
、
残差模块
、
通道注意力模块
、
平均池化模块和全卷积模块
。
整个深度学习网络模块
/
模型以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
CT
图像的胃癌新辅助化疗疗效预测系统，其特征在于包括：获取模块，其被配置为获取患者
CT
图像
、
临床资料及病理数据，并对
CT
图像进行预处理后作为输入数据；影像模块，其被配置为以残差神经网络为基准模型构建影像深度学习模型，并在残差模块的前后分别添加了通道注意力模块；临床模块，其被配置为将临床特征归一化处理得到临床特征结构化向量，利用
Spearman
和
LASSO
进行特征选择，利用多因素逻辑回归方法构建临床预测模型；预测模块，其被配置为将影像深度学习模型与临床预测模型构成多模态预测模型，将经过预处理的
CT
图像和临床特征结构化向量作为输入数据输入多模态预测模型，使用梯度加权类激活图可视化显示多模态预测模型导出的影响胃癌化疗疗效的肿瘤特征区域，并输出
TRG
分类概率
。2.
根据权利要求1所述的基于
CT
图像的胃癌新辅助化疗疗效预测系统，其特征在于：获取模块中，所述患者
CT
图像包括胃癌患者和
/
或
Siewert III
型食管胃结合部腺癌患者的
CT
图像
。3.
根据权利要求1所述的基于
CT
图像的胃癌新辅助化疗疗效预测系统，其特征在于：获取模块中，所述临床资料包括：年龄
、
性别
、BMI、
肿瘤位置
、
最大直径
、Borrmann
分型
、cT
分期
、cN
分期
、cM
分期
、
分化程度
、
病理分型
、CEA、CA125、AFP、ALB、PCT、Lymph%、Glu、Neut
；所述病理数据包括
TRG
病理反应等级
。4.
根据权利要求1所述的基于
CT
图像的胃癌新辅助化疗疗效预测系统，其特征在于：获取模块中，所述对
CT
图像进行预处理包括：
(1)
基于
ITK
‑
SNAP
开源软件对
CT
图像感兴趣区域勾画；...

【专利技术属性】
技术研发人员：程向东，胡灿，李冯，黄陈翠，徐志远，李一鸣，
申请(专利权)人：杭州深睿博联科技有限公司，
类型：发明
国别省市：