本發(fā)明涉及醫(yī)療，具體涉及一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法。

背景技術：

1、2021年發(fā)布的第5版《世界衛(wèi)生組織中樞神經(jīng)系統(tǒng)腫瘤分類》整合了膠質(zhì)瘤的分子病理，其中包括idh突變、1p/19q共缺失和mgmt啟動子甲基化。無創(chuàng)預測膠質(zhì)瘤的分子病理有助于下一步的醫(yī)療決策。利用深度學習對mri(磁共振成像)進行學習預測被認為是一種具有前景的方法。然而，當前的方法往往只利用常規(guī)mri進行預測，忽略了dt?i(彌散張量成像)這類高級成像的潛在預測效益；而且現(xiàn)在的技術通常需要提供mri膠質(zhì)瘤分割區(qū)域作為訓練數(shù)據(jù)，mri分割膠質(zhì)瘤區(qū)域十分耗時，限制了進一步發(fā)展；此外，以往的方法只局限于只預測一種分子病理類型，無法提供多種分子病理信息。

技術實現(xiàn)思路

1、本發(fā)明所要解決的技術問題是提供一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法，以克服上述現(xiàn)有技術中的不足。

2、本發(fā)明解決上述技術問題的技術方案如下：一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法，包括如下步驟：

3、步驟s01：輸入多模態(tài)全腦的mri成像數(shù)據(jù)和dt?i成像數(shù)據(jù)；

4、步驟s02：從mri成像數(shù)據(jù)和dt?i成像數(shù)據(jù)中提取多維度、多切片的二維cnn塊；

5、步驟s03：對二維cnn塊進行預處理；

6、步驟s04：對預處理后得到的多維度、多切片的圖像特征進行解析，分別提取出軸面特征esag、冠狀面特征ecor以及矢狀面特征eax，根據(jù)esag、ecor和eax，計算出多平面多切片特征s；

7、步驟s05：對s進行多平面多切片圖像標記，添加帶分類頭的變換器編碼塊，進行idh突變、1p/19q共缺失和mgmt啟動子甲基化多分子病理預測。

8、本發(fā)明的有益效果是：本發(fā)明通過將多模態(tài)全腦的mr?i成像數(shù)據(jù)和dt?i成像數(shù)據(jù)進行綜合訓練，從mri成像數(shù)據(jù)和dt?i成像數(shù)據(jù)中提取特征進行訓練，實現(xiàn)idh突變、1p/19q共缺失和mgmt啟動子甲基化多分子病理預測，且預測過程中考慮了dt?i成像數(shù)據(jù)，及無需手動標記膠質(zhì)瘤區(qū)域的mri。

9、在上述技術方案的基礎上，本發(fā)明還可以做如下改進。

10、進一步，步驟s03中的提取多維度、多切片圖像特征由提取算子e計算得出，算子e的計算公式為：

11、r^c3d×l×w×h→r^c3d×n×w×h。

12、進一步，步驟s04中的計算出多平面多切片特征s具體包括使用3d表示特征x的e＝[ecor，esag，eax]；計算得出的s＝[scor，ssag，sax]。

13、進一步，步驟s05中的帶分類頭的變換器編碼塊包括：

14、非線性層non-l?i?near，其用于減小到原始圖像輸入的維數(shù)；

15、多維度、多切面的嵌入層，其中多維度嵌入層，其用于保留位置信息；

16、多切面嵌入層，其用于提供一維標記用于提供指示這些標記屬于哪個平面；

17、多維度、多切面的編碼器，其用于將圖像中的位置信息嵌入到特征表示中,處理圖像中的位置變化和尺度變化；

18、多分類的層結構，其用于同時預測idh突變、1p/19q共缺失和mgmt啟動子甲基化多分子病理特征。

19、進一步，多分類的層結構具體用于：

20、idh突變狀態(tài)：野生型和突變型；

21、1p/19q缺失狀態(tài)：缺失和無缺失；

22、mgmt甲基化狀態(tài)：未甲基化和甲基化。

23、進一步，mri成像數(shù)據(jù)的量化參數(shù)包括t1w、t1wc、t2w以及flai?r。

24、進一步，dt?i成像數(shù)據(jù)的量化參數(shù)包括adc和fa。

25、進一步，步驟s03中的預處理包括歸一化、去噪和增強。

技術特征：

1.一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法，其特征在于，包括如下步驟：

2.根據(jù)權利要求1所述的一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法，其特征在于，所述步驟s03中的所述提取多維度、多切片圖像特征由提取算子e計算得出，所述算子e的計算公式為：

3.根據(jù)權利要求2所述的一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法，其特征在于，所述步驟s04中的所述計算出多平面多切片特征s具體包括使用3d表示特征x的e＝[ecor，esag，eax]；計算得出的s＝[scor，ssag，sax]。

4.根據(jù)權利要求1至3任一所述的一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法，其特征在于，所述步驟s05中的所述帶分類頭的變換器編碼塊包括：

5.根據(jù)權利要求4所述的一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法，其特征在于，所述多分類的層結構具體用于：

6.根據(jù)權利要求1所述的一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法，其特征在于，所述mri成像數(shù)據(jù)的量化參數(shù)包括t1w、t1wc、t2w以及flair。

7.根據(jù)權利要求1所述的一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法，其特征在于，所述dti成像數(shù)據(jù)的量化參數(shù)包括adc和fa。

8.根據(jù)權利要求1所述的一種基于多模態(tài)全腦mri的深度學習預測膠質(zhì)瘤多種分子病理的方法，其特征在于，所述步驟s03中的預處理包括歸一化、去噪和增強。

技術總結
本發(fā)明涉及一種基于多模態(tài)全腦MRI的深度學習預測膠質(zhì)瘤多種分子病理的方法，包括輸入多模態(tài)全腦的MRI成像數(shù)據(jù)和DT?I成像數(shù)據(jù)；提取多維度、多切片的二維CNN塊；對預處理后得到的多維度、多切片的圖像特征進行解析，分別提取出軸面特征Esag、冠狀面特征Ecor以及矢狀面特征Eax，并計算出多平面多切片特征S；對S進行多平面多切片圖像標記，添加帶分類頭的變換器編碼塊，進行I?DH突變、1p/19q共缺失和MGMT啟動子甲基化多分子病理預測。通過將多模態(tài)全腦的MRI成像數(shù)據(jù)和DT?I成像數(shù)據(jù)進行綜合訓練，從MR?I成像數(shù)據(jù)和DT?I成像數(shù)據(jù)中提取特征進行訓練，實現(xiàn)I?DH突變、1p/19q共缺失和MGMT啟動子甲基化多分子病理預測，且預測過程中考慮了DT?I成像數(shù)據(jù)，及無需手動標記膠質(zhì)瘤區(qū)域的MRI。

技術研發(fā)人員：余東虎,李志強,王澤芬,劉洋,梁仁釗
受保護的技術使用者：武漢大學中南醫(yī)院
技術研發(fā)日：
技術公布日：2025/1/6