资源类型：
申请号：
申请日期：
授权年份：
公开号：
公开日：
法律状态：
主分类号：
分类号：
摘要：
发明涉及基于多模态影像的脑胶质瘤异质性病理可视化方法及装置，属于医学影像处理技术领域，方法包括：S1、获取脑胶质瘤影像集；S2、获取所述影像样本所示的脑胶质瘤的若干点位的组织病理检测结果标签，基于所述点位的坐标获取所述点位在影像样本中对应的点位区域；S3、对所述影像样本的多模态影像进行融合以获得融合特征嵌入；S4、将所述融合特征嵌入输入多任务预测模型进行预测分析，基于所述损失值对所述多任务预测模型进行训练；S5、通过训练得到的多任务预测模型进行预测；S6、基于影像序列中各影像的脑胶质瘤边框和所述脑胶质瘤边框中各点位区域的分子亚型和组织级别病理等级进行模型重建以获得脑胶质瘤的分子可视模型。
主权项：
1.一种基于多模态影像的脑胶质瘤异质性病理可视化方法，其特征在于，包括以下步骤： S1、获取脑胶质瘤影像集，所述脑胶质瘤影像集中的每个影像样本包括脑胶质瘤的多模态影像序列，所述影像序列中的每个影像还包括脑胶质瘤区域边框标签；多模态影像是通过完成脑胶质瘤患者的术前一体化PET/MR扫描获得的；所述脑胶质瘤影像集中的影像样本为自TCGA或TCIA平台公开的脑胶质瘤数据集获得的； S2、获取所述影像样本所示的脑胶质瘤的若干点位的组织病理检测结果标签，基于所述点位的坐标获取所述点位在影像样本中对应的点位区域，所述组织病理检测结果标签包括对应点位的分子亚型标签和组织级别病理等级标签；组织级别病理等级指的是通过穿刺活检获得的肿瘤内部点位组织的病理等级判断结果； S3、对所述影像样本的多模态影像进行融合以获得融合特征嵌入，所述多模态影像包括T1，T2，DWI，PWI，MRS或者PET/MR中的至少两种或者多种的组合； S4、将所述融合特征嵌入输入多任务预测模型进行预测分析获得预测分析结果，预测分析结果包括脑胶质瘤边框、点位区域的分子亚型和点位区域的组织级别病理等级，基于点位区域对应的分子亚型标签和组织级别病理等级标签与所述预测分析结果之间的差异确定损失值，基于所述损失值对所述多任务预测模型进行训练； S5、通过训练得到的多任务预测模型根据输入的脑胶质瘤多模态影像输出脑胶质瘤边框、所述脑胶质瘤边框中各点位区域的分子亚型和组织级别病理等级，重复步骤S5直到遍历影像序列； S6、基于影像序列中各影像的脑胶质瘤边框和所述脑胶质瘤边框中各点位区域的分子亚型和组织级别病理等级行模型重建以获得脑胶质瘤的分子可视模型； 通过多任务预测模型进行脑胶质瘤边框预测、点位区域的分子亚型预测和点位区域的组织级别病理等级预测的过程中均采用同一个非线性变换网络； 其中，通过深度神经网络进行影像信息精确提取和计算，建立基于人工智能自动化术前快速胶质瘤分子识别方法，包括： 利用数据库TCGA、TCIA大数据平台系统，对相关基因突变特征的影像纹理计算、识别和学习，对脑胶质瘤影像的自动整合分子诊断； 构建多模态影像分割识别的结构参数化可解释模型，基于颅脑解剖结构形态特征与脑胶质瘤结构建模，提升脑组织及肿瘤识别模型构建过程的可解释程度，实现精准的脑组织及肿瘤分割与识别； 其中，在多任务预测模型之前建立其他模型以完成脑胶质瘤影像的预处理，包括： 构建基于神经网络的面向颅骨剥离任务、大脑结构分割任务、肿瘤识别任务、肿瘤轮廓分割任务以及肿瘤级别病理等级识别任务的预测模型，完善输出信息以及提高后续进行点位区域组织分子亚型识别任务和组织级别病理等级识别任务的准确度。
