[发明专利]一种多特征融合计算识别胶质瘤复发与坏死的方法

权利要求书

1.一种多特征融合计算识别胶质瘤复发与坏死的方法，其特征在于，包括以下步骤：

步骤一、数据预处理：采用传统图像处理和基于深度学习的UNet分割算

法，对常规的MRI结构像进行多结构影像的配准及归一化等数据预处理；

步骤二、对胶质瘤病灶进行分割：在常规MRI结构像的分割比赛数据集上训练病灶分割模型，其中分割模型采用nnUNet网络结构，对病灶区域的体像素进行获取；

步骤三、对胶质瘤病灶影像组学特征进行获取：结合影像组学的T-test、

Lasso特征筛选等传统图像处理技术获取胶质瘤病灶区域的影像学特征；

步骤四、对多特征融合分类：将通过影像组学提取的特征与基于ShuffleNet

的分类网络的最后一层卷积进行多种特征融合计算，实现仅采用常规的MRI结构像，能够识别胶质瘤的复发与坏死。

2.根据权利要求1所述的一种多特征融合计算识别胶质瘤复发与坏死的方法，其特征在于：所述数据预处理的具体流程如下：首先，将格式为dicom切片图集转成nii格式；然后，对数据进行偏置场校正；其次，进行像素空间、坐标空间归一化；最后，采用基于Unet的深度学习分割算法，将除脑组织外的颅骨区域去除。

3.根据权利要求1所述的一种多特征融合计算识别胶质瘤复发与坏死的方法，其特征在于：所述对胶质瘤病灶进行分割的具体流程如下：首先，采用nnUNet模型在比赛数据集的T1、T1ce、T2三个模态的胶质瘤数据集上训练胶质瘤病灶的分割模型；然后，将获取的分割模型在上述步骤一中数据预处理清洗的胶质瘤数据集进行病灶区域的分割推断；其次，对于患者的病灶分割效果，进行人工交叉检查，标记错误或漏分割的数据；最后，结合人工的意见，获得比常规影像上呈现的胶质瘤的病灶区域涉及的多的体像素数据。

4.根据权利要求1所述的一种多特征融合计算识别胶质瘤复发与坏死的方法，其特征在于：所述对胶质瘤病灶影像组学特征进行获取的具体流程如下：对上述胶质瘤病灶分割模块获取的病灶体积块，采用pyradiomic库，提取影像组学特征，采用T-test结合Lasso特征对一部分特征量进行筛选。

5.根据权利要求1所述的一种多特征融合计算识别胶质瘤复发与坏死的方法，其特征在于：所述对多特征融合分类的具体流程如下：

S1、将常规MRI的T1、T1ce、T2结构像数据对应R、G、B通道，进行

三模态的特征融合；

S2、常规MRI的三个结构像融合后的图像上荧光绿的区域及周围则表示病灶信息；

S3、针对结构像融合后的胶质瘤数据集，则根据上述人工交叉筛选nnUNet分割模型推断的结果，筛选掉没有病灶信息的结构像融合切片图；

S4、在结构像融合切片图数据集上调用多尺度特征学习网络Shuffle Net模型学习病灶的多尺度信息；

S5、将最后卷积层输入到Max池化层获取关键信息，再融合到前述GBM数据集上获取的病灶影像组学特征获取模块获取的含有胶质瘤病灶信息的特征，结合分类层进一步学习特征信息；

S7、通过softmax分类器优化卷积神经网络特征融合分类模型对于复发和坏死的分类效果。

6.根据权利要求4所述的一种多特征融合计算识别胶质瘤复发与坏死的方法，其特征在于：所述Lasso特征约束条件如下：

。

7.根据权利要求4所述的一种多特征融合计算识别胶质瘤复发与坏死的方法，其特征在于：采用所述pyradiomic库，提取的影像组学特征为First Order Statistics、Shape-based (3D)、Shape-based (2D)、Gray Level Cooccurence Matrix、Gray Level RunLength Matrix、Gray Level Size Zone Matrix、Neighbouring Gray Tone DifferenceMatrix、Gray Level Dependence Matrix。