[发明专利]一种脑侵袭分类和脑膜瘤分级的多任务预测方法

说明书

本发明公开了一种脑侵袭分类和脑膜瘤分级的多任务预测方法，包括三个阶段，在多模态图像特征融合阶段，不同模态的图像特征被分别提取并进行融合。在特征解耦阶段，引入对比学习技术，通过对比损失函数使针对同一任务的任务特定特征与对齐的任务共同特征比针对不同任务的任务特定特征与对齐的任务共同特征更相似，从而加强每个任务特定特征的预测能力。在多任务预测阶段，主预测分支将对应同一任务的任务特定特征与对齐的任务共同特征融合，对两个任务同时预测。本发明为同时考虑脑侵袭分类和脑膜瘤分级的多任务预测方法，脑侵袭分类和脑膜瘤分级的术前预测对医生了解病人病情从而实施精准治疗和预后有重要的指导作用，具有重要的临床应用价值。

技术领域

本发明属于医疗影像处理技术领域，具体涉及一种脑侵袭分类和脑膜瘤分级的多任务预测方法。

背景技术

脑侵袭分类以及脑膜瘤分级预测研究：脑膜瘤是成人最常见的原发性颅内肿瘤，占中枢神经系统肿瘤的38.3％。根据世界卫生组织规定，脑膜瘤被分为三个级别，一级、二级和三级，其中一级脑膜瘤为低级别脑膜瘤，二级和三级脑膜瘤为高级别脑膜瘤。低级别和高级别的脑膜瘤病人的治疗方案和预后存在差异并且低级别脑膜瘤病人在手术后极少复发，但高级别脑膜瘤在手术后存在复发的风险，其中二级脑膜瘤复发率为20％-75％，三级脑膜瘤普遍复发。2016年，世界卫生组织将脑侵袭判定为一级脑膜瘤和二级脑膜瘤独立的判定标准，许多最近的研究揭示了脑侵袭与肿瘤进展、疾病复发和预后不良风险增加之间存在一定的联系。

临床上，医生在手术后才能对病人是否发生脑侵袭以及脑膜瘤的级别进行判定。术前对是否脑侵袭分类以及脑膜瘤分级的预测可以帮助医生了解病人的病情，从而更加精确的实施治疗方案。最近临床领域的许多研究致力于通过分析脑部MRI来预测脑膜瘤分级或脑侵袭分类。然而，这些研究大多通过传统的机器学习方法提取手工特征来进行脑侵袭分类或脑膜瘤分级预测的任务，而没有探索神经网络强大的特征表示来进行脑部MRI特征提取。此外，据我们所知，虽然脑侵袭分类以及脑膜瘤分级两个预测任务之间存在临床联系，但是此前没有研究同时完成这两项任务的预测。

对比学习研究：对比学习技术在自然图像领域显示出巨大的潜力，近年来也开始应用于医学图像领域。对比学习的核心思想是“学习比较”：给定一个锚点，在样本空间中区分与之相似(或正)样本与一组与之不同(或负)样本。当前大多数对比学习研究是基于图像级和像素级的。一般来说，图像级对比学习技术将同一图像的多个视图作为正样本，将不同图像作为负样本。像素级对比学习技术将属于同一类别的像素作为正样本，将属于不同类别的像素作为负样本。

参考文献

[1]Ostrom,Q.T.,Patil,N.,Cioffi,G.,Waite,K.,Kruchko,C.,Barnholtz-Sloan,J.S.:Cbtrus statistical report:Primary brain and other central nervoussystem tumors diagnosed in the united states in 2013–2017.Neuro Oncology 22,iv1–iv96(2020).

[2]Champeaux,C.,Houston,D.,Dunn,L.,meningioma,A.:A study onrecurrence and disease-specific survival.Neurochirurgie63,272–281(2017).

[3]Huang,R.Y.,Bi,W.L.,Griffith,B.,Kaufmann,T.J.,la Fougère,C.,Schmidt,N.O.,Tonn,J.C.,Vogelbaum,M.A.,Wen,P.Y.,Aldape,K.,et al.:Imaging anddiagnostic advances for intracranial meningiomas.Neuro-oncology21(Supplement_1),i44–i61(2019).