申请/专利权人：复旦大学附属肿瘤医院

申请日：2023-11-20

公开（公告）日：2024-02-23

公开（公告）号：CN117594235A

主分类号：G16H50/30

分类号：G16H50/30;G06T7/11;G06T5/50

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.12#实质审查的生效;2024.02.23#公开

摘要：本发明涉及基于TransPyramid模型的晚期高级别浆液性卵巢癌HRD状态预测方法，通过对HGSOC肿瘤病灶分割，将MRI图像分为肿瘤区域和其他区域并分别提取特征区域，再将所有的亚区域特征一起输入Transformer模型中进行特征融合，对融合后的多序列MRI影像特征通过全连接层进行计算，得到HRD状态预测结果，实现对晚期高级别浆液性卵巢癌HRD状态的预测。与现有技术相比，本发明使用了多序列MRI影像的TransPyramid特征，为HGSOC患者HRD状态预测任务提供比CT影像特征更为丰富且灵敏的特征，并构建了多尺度亚区域图像金字塔用于提取影像的多尺度信息，提高特征信息量，进而提高预测模型的预测效能。

主权项：1.基于TransPyramid模型的晚期高级别浆液性卵巢癌HRD状态预测方法，其特征在于，包括以下步骤：步骤1：对HGSOC肿瘤病灶分割，通过语义分割模型分割出多序列MRI的HGSOC肿瘤原发灶区域；步骤2：确立肿瘤病灶亚区域，根据步骤1中获得的肿瘤原发灶分割结果，将MRI图像分为肿瘤区域Φtumor和其他区域Φother，并将其他区域Φother拆分为N个亚区域，即步骤3：多尺度亚区域金字塔构建，对步骤2中确定的N个亚区域Φx进行若干次下采样，构建多尺度亚区域的3D图像金字塔步骤4：亚区域特征提取，基于3DSwinTransformer的图像编码器对步骤3中的多尺度亚区域3D图像金字塔进行特征提取，记为Ftumor及步骤5：亚区域特征融合，将步骤4中所有的亚区域特征一起输入Transformer模型中进行特征融合，经过模型融合后的特征记为全域的多序列MRI影像特征Fradiomics；步骤6：HRD状态预测，对步骤5中的多序列MRI影像特征Fradiomics进行计算，得到HRD状态预测结果y′，基于与样本真值的比较，实现对模型参数的逐步修正，得到最终TransPyramid模型，通过最终TransPyramid模型实现对晚期高级别浆液性卵巢癌HRD状态的预测。

全文数据：

权利要求：

百度查询： 复旦大学附属肿瘤医院 基于TransPyramid模型的晚期高级别浆液性卵巢癌HRD状态预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD