[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

说明书

本发明公开了一种多特征融合计算识别胶质瘤复发与坏死的方法，包括以下步骤，步骤一：数据预处理；步骤二：对胶质瘤病灶进行分割；步骤三：对胶质瘤病灶影像组学特征进行获取；步骤四：对多特征融合分类；本发明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，本方法神经网络的卷积层特征与影像组学特征进行融合，使模型通过两种特征维度空间，能够从常规MRI结构像学习到区分复发与坏死的病灶特征信息，以此缓解国内专业医疗人员的分布不均匀、高质量影像设备有限等问题，从而能够辅助医生对术后的GBM患者有更好的预判结果。

技术领域

本发明涉及图像处理领域，特别涉及一种多特征融合计算识别胶质瘤复发与坏死的方法。

背景技术

胶质母细胞瘤（Glioblastoma，GBM）依据WHO分级属于星形细胞瘤IV级，按WHO分级体系，I级为低度恶性，具有较小的恶性度；而IV级为高度恶性，具有快速生长的潜能和侵袭性的生物学行为，胶质瘤是成人中枢神经系统最常见和侵袭性最强的恶性原发性肿瘤，在外观、形状和组织学上具有极端的内在异质性。临床治疗时胶质瘤患者的预后很差，目前手术切除配合术后放疗或联合放化疗成为胶质瘤治疗最重要的方法。其中，放射坏死(RN)通常发生在放射治疗后3年内，并且通常与复发性肿瘤无法区分，因为它表现为增强的肿块病变，周围有不同程度的水肿，并在连续磁共振成像(MRI，magnetic resonance imaging)上呈进行性增强。因此，区分复发性胶质瘤和RN在决定后续治疗方面具有临床重要性；复发表明治疗失败，需要使用额外的抗癌疗法，而RN则接受保守治疗。

临床上医生阅片通常是采用正电子发射型计算机断层显像（PET）、弥散加权成像（DWI）、及灌注影像(Perfusion fMRI)，当前国内的PET数量较少且地域分布不均衡，并且DTI和fMRI的影像分析对医生的要求较高，而常规的MRI结构影像又很难获取复发与坏死的相关特征信息。对于胶质瘤的复发与坏死的研究，通常是研究PET、DWI及fMRI影像的影像学特征、相对表观扩散系数（rADC）、相对脑血容量（rCBV）以及相对脑血流量（rCBF）等生化指标，其对研究者的专业性要求度较高。

随着计算机视觉技术的发展，采用传统影像特征分析技术、基于深度学习的图像分割、检测、分类技术，研究胶质瘤病灶的形状的分割、病灶大小的计算、位置的检测及生长速度的预测较多，结合上面的分析，故本文将常规的MRI影像进行偏置场校正、图像模态配准、图像采样归一化和颅骨去除等预处理操作后的脑部区域，采用基于图像分割的影像组学的特征融合技术和基于深度学习的图像分类技术，实现能够较快、较准确对患者拍摄的常规MRI结构像识别胶质瘤病灶区域复发与坏死病症信息，为此，我们提出一种多特征融合计算识别胶质瘤复发与坏死的方法。

发明内容

本发明提出了一种多特征融合计算识别胶质瘤（GBM）复发与坏死的方法，该方法首先，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；其次，在常规MRI结构像的分割比赛RSNA-ASNR-MICCAIBraTS Challenge 2021（BraTS21）数据集上训练病灶分割模型，其中分割模型采用基于UNet改进的Intel UNet的nnUNet网络结构，获取病灶区域的体像素，以此，减少繁重的标注工作，只需要医师审核标注结果是否正确即可；然后结合影像组学的T-test、Lasso特征筛选等传统图像处理技术获取GBM病灶区域的影像学特征，如病灶体积的形状信息、灰度分布、纹理特征等；最后，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GBM的复发与坏死，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

一种多特征融合计算识别胶质瘤复发与坏死的方法，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；