申请/专利权人：郑州大学

申请日：2023-11-24

公开（公告）日：2024-03-26

公开（公告）号：CN117766124A

主分类号：G16H50/20

分类号：G16H50/20;G06T7/00;G06T7/11;G06V10/20;G06V10/40;G06V10/80;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明属于医学影像智能分析技术领域，涉及到一种基于多模态深度学习的脑胶质瘤IDH基因型预测方法，对多个MRI序列进行预处理，提取每个MRI序列图像脑胶质瘤区域的特征并进行特征融合，根据融合后的特征进行脑胶质瘤IDH基因型预测，最后进行模型训练与参数优化，本发明设计特征提取器获取每个MRI序列的局部‑全局特征；利用脑胶质瘤分割任务引导特征提取器自动捕获每个MRI序列脑胶质瘤区域的特征；通过计算多个MRI序列间的特征相似度进行跨模态特征增强并使用注意力机制对特征进行融合，不仅可以去除冗余，而且可以充分利用多模态MRI序列间的互补信息，实现更精准的IDH基因型预测。

主权项：1.一种基于多模态深度学习的脑胶质瘤IDH基因型预测方法，其特征在于，包括如下步骤：对多个样本的多模态MRI序列图像进行预处理，得到数据样本集，所述数据样本集包括各个样本的多个MRI序列的图像数据；利用脑胶质瘤分割任务引导设计的特征提取器获取每个输入MRI序列的脑胶质瘤区域的局部-全局特征，首先使用3DCNN骨干网络提取每个模态MRI序列的局部特征，然后使用Transformer进一步提取其全局上下文信息，最后利用脑胶质瘤分割解码器获取每个MRI序列的包含局部和全局上下文信息的脑胶质瘤区域特征描述；根据所述特征描述，通过计算多个MRI序列间的特征相似度进行跨模态特征增强并使用注意力机制对特征进行融合；根据计算的特征相似度的大小采取不同的特征计算策略，对相似度较大的MRI序列，利用求和和最大化方法进行跨模态特征增强并去除冗余，然后，利用通道注意力机制和空间注意力机制进行特征融合从而获取跨模态的多序列融合特征；根据所述多序列融合特征，利用IDH基因型分类器对样本的IDH基因型进行预测，预测类型包括突变型和野生型；联合脑胶质瘤分割和IDH基因型预测两个任务设计损失函数，并用于训练和更新模型参数。

全文数据：

权利要求：

百度查询： 郑州大学 基于多模态深度学习的脑胶质瘤IDH基因型预测方法

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