【技术实现步骤摘要】
本申请涉及生物医学，具体而言，本申请涉及一种基于深度学习的肝癌tace疗效评估方法、设备、介质及产品。
技术介绍
1、早期的肝细胞肝癌（hepatocellular carcinoma,hcc）可通过肝切除、射频、微波消融和肝移植等方案达到潜在治愈可能。然而，不幸的是，尽管对高危人群进行密切监测，但约80%左右肝细胞肝癌患者确诊时已是中晚期，导致5年生存率低。
2、在肝细胞肝癌的治疗中，对于不可切除的巴塞罗那临床肝癌（barcelona clinicliver cancer staging system, bclc）a/b期（即多灶性hcc，无血管浸润或肝外转移且child-pugh评分为a/b的hcc），推荐的主要治疗方案是经导管动脉化疗栓塞（transarterial chemoembolization, tace）。tace治疗的基本原理是局部区域选择性地将高浓度化疗药物（如阿霉素等）输送至靶病灶并栓塞肿瘤供血动脉，导致肿瘤靶病灶的强烈细胞毒性和缺血效应。tace治疗的关键步骤在于靶向药物释放、穿过血管屏障、渗入复杂且高度动态的肿瘤微环境的质量运输。
3、tace治疗可以不同程度地缓解肿瘤进展，从而为不可切除的hcc患者提供了潜在的手术切除机会。但是，因为肝细胞肝癌的发生和发展是一个复杂的过程，其中包含多因素参与且多步骤相互关联。因此，对于推荐接受tace治疗的中期hcc患者人群，由于肿瘤细胞的组成、代谢、大小、数量，肿瘤微环境和肝功能等方面具有高度异质性，导致同一阶段的患者在接受tace治疗后具有
技术实现思路
1、本申请实施例提供了一种基于深度学习的肝癌tace疗效评估方法、设备、介质及产品，可以解决现有人工评估tace治疗疗效，速度慢，准确性差，难以准确筛选出tace治疗适宜人群的问题。为了实现该目的，本申请实施例提供了如下几个方案。
2、根据本申请实施例的一个方面，提供了一种基于深度学习的肝癌tace疗效评估方法，包括：触发于预设条件，将目标对象的肝癌数据输入病灶分割模型，所述病灶分割模型是基于历史患者的回顾性肝癌数据训练得到的，所述目标对象的肝癌数据和所述回顾性肝癌数据均包括tace治疗前和tace治疗后的ct增强扫描影像；
3、根据所述病灶分割模型的输出结果获取所述目标对象的靶病灶区活灶信息，基于所述靶病灶区活灶信息评估对所述目标对象执行tace治疗后的治疗效果。
4、在一个可能的实现方式中，所述病灶分割模型的获取，包括：
5、基于预定的筛选标准对所述回顾性肝癌数据进行筛选处理，接着对筛选处理后的所述回顾性肝癌数据进行预处理，进而得到模型训练数据，所述预定的筛选标准包括历史患者的纳入标准和排除标准；
6、利用所述模型训练数据生成训练样本，所述训练样本包括靶病灶标记信息；
7、根据预定的深度学习框架以及所述训练样本进行神经网络训练，得到所述病灶分割模型，所述深度学习框架包括nnu-net框架。
8、在一个可能的实现方式中，所述对筛选处理后的所述回顾性肝癌数据进行预处理，得到模型训练数据，包括：
9、基于互信息将所述回顾性肝癌数据中的ct增强扫描影像对应至同一坐标系中；
10、识别所述ct增强扫描影像中的肝脏肿瘤标记区域，根据识别结果裁剪所述ct增强扫描影像得到ct裁剪影像；
11、对所述ct裁剪影像进行重采样处理得到重采样图像；
12、标准化处理所述重采样图像生成所述模型训练数据。
13、在一个可能的实现方式中，所述对所述ct裁剪影像进行重采样处理得到重采样图像，包括：
14、根据所有所述ct裁剪影像对应的体素间距信息确定目标空间大小；
15、基于所述目标空间大小以及每个ct裁剪影像对应的实际空间大小调整所述每个ct裁剪影像的大小，得到所述重采样图像。
16、在一个可能的实现方式中，所述标准化处理所述重采样图像生成所述模型训练数据，包括：
17、获取所述重采样图像中非背景体素的均值和标准差，所述非背景体素包括肝癌病灶所在区域的体素；
18、根据所述均值和所述标准差对所述重采样图像进行标准化处理，得到所述模型训练数据。
19、在一个可能的实现方式中，所述根据预定的深度学习框架以及所述训练样本进行神经网络训练，包括：
20、提取所述训练样本中的数据集特征；
21、根据所述数据集特征确定所述深度学习框架的配置参数；
22、将所述训练样本划分为训练集、验证集，基于所述训练集、所述验证集以及所述配置参数进行神经网络训练。
23、在一个可能的实现方式中，所述病灶分割模型包括tace治疗前的分割模型和tace治疗后的分割模型，所述根据所述病灶分割模型的输出结果获取所述目标对象的靶病灶区活灶信息，包括：
24、所述根据所述病灶分割模型的输出结果获取所述目标对象的靶病灶区活灶信息，包括：根据所述分割模型的输出结果提取靶病灶中的活灶体积及直径信息。
25、根据本申请实施例的一个方面，提供一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如上所述方法的步骤。
26、根据本申请实施例的再一个方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
27、根据本申请实施例的再一个方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
28、本申请实施例提供的技术方案带来的有益效果是：
29、本申请提供一种基于深度学习的肝癌tace疗效评估方法，具体地，触发于预设条件，将目标对象的肝癌数据输入基于历史患者的回顾性肝癌数据训练的病灶分割模型；根据病灶分割模型的输出结果获取目标对象的靶病灶区活灶信息，基于靶病灶区活灶信息评估对目标对象执行tace治疗后的治疗效果。本申请实施例利用经历史患者tace治疗前和tace治疗后的ct增强扫描影像训练的病灶分割模型对目标对象的肝癌数据进行处理，得到与tace治疗疗效相关的靶病灶区活灶信息，利用该靶病灶区活灶信息评估对目标对象执行tace治疗后的治疗效果。本申请实施例能够利用基于深度学习的病灶分割模型获取靶病灶区活灶信息，有效降低医生个人技术水平对疗效评估的影响，速度快，效率高，且准确性好，便于准确筛选出tace治疗适宜人群，有效辅助临床医生制定个体化的治疗方案。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的肝癌TACE疗效评估方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的肝癌TACE疗效评估方法，其特征在于，所述病灶分割模型的获取，包括：
3.根据权利要求2所述的基于深度学习的肝癌TACE疗效评估方法，其特征在于，所述对筛选处理后的所述回顾性肝癌数据进行预处理，得到模型训练数据，包括：
4.根据权利要求3所述的基于深度学习的肝癌TACE疗效评估方法，其特征在于，所述对所述CT裁剪影像进行重采样处理得到重采样图像，包括：
5.根据权利要求3所述的基于深度学习的肝癌TACE疗效评估方法，其特征在于，所述标准化处理所述重采样图像生成所述模型训练数据，包括：
6.根据权利要求2所述的基于深度学习的肝癌TACE疗效评估方法，其特征在于，所述根据预定的深度学习框架以及所述训练样本进行神经网络训练，包括：
7.根据权利要求1所述的基于深度学习的肝癌TACE疗效评估方法，其特征在于，所述病灶分割模型包括TACE治疗前的分割模型和TACE治疗后的分割模型，所述根据所述病灶分割模型的输出结果
8.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的肝癌tace疗效评估方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的肝癌tace疗效评估方法，其特征在于，所述病灶分割模型的获取，包括：
3.根据权利要求2所述的基于深度学习的肝癌tace疗效评估方法，其特征在于，所述对筛选处理后的所述回顾性肝癌数据进行预处理，得到模型训练数据，包括：
4.根据权利要求3所述的基于深度学习的肝癌tace疗效评估方法，其特征在于，所述对所述ct裁剪影像进行重采样处理得到重采样图像，包括：
5.根据权利要求3所述的基于深度学习的肝癌tace疗效评估方法，其特征在于，所述标准化处理所述重采样图像生成所述模型训练数据，包括：
6.根据权利要求2所述的基于深度学习的肝癌tace疗效评估方法，其特征在于，所述根据...
【专利技术属性】
技术研发人员：张璐，马晓，金哲，鄢梦，张斌，张水兴，
申请(专利权)人：暨南大学附属第一医院广州华侨医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。