申请/专利权人：中科(厦门)数据智能研究院

申请日：2021-08-11

公开（公告）日：2024-03-15

公开（公告）号：CN113516653B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/11;G06T7/33;G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.15#授权;2021.11.05#实质审查的生效;2021.10.19#公开

摘要：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。

主权项：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；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：对胶质瘤病灶分割模型获取的病灶体积块，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；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，得到病灶信息；S3、针对结构像融合后的胶质瘤数据集，则根据人工交叉筛选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ShuffleNet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。

全文数据：

权利要求：

百度查询： 中科(厦门)数据智能研究院 一种多特征融合计算识别胶质瘤复发与坏死的方法

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