【技術實現步驟摘要】
本專利技術涉及直腸癌療效評估系統領域，尤其是涉及基于數字多組學的直腸癌crt療效評估系統和方法。
技術介紹
1、深度學習是目前人工智能領域用于圖像識別和語音分析的最契合、應用最廣泛的算法，其靈感來自于人類大腦的工作機制，是通過建立卷積神經網絡對外部輸入的數據進行自動化特征提取，從而能夠使機器理解學習數據，獲得信息并輸出。目前，基于深度學習的人工智能已應用于各個行業領域，包括語音識別、人臉識別、車標識別、手寫漢字識別等。近年來人工智能輔助醫療技術的產品研發也取得重大進展，如由谷歌大腦及verily公司研發的用于乳腺癌病理診斷的人工智能產品可達到89％的腫瘤定位準確率；浙江大學附屬第一醫院利用人工智能實現快速分析甲狀腺b超中結節區域的位置和良惡性；中山大學中山眼科中心利用深度學習算法建立了cc-cruiser人工智能平臺以協助篩查先天性白內障等。可見，通過對大量醫學圖像數據的深度學習能有效輔助臨床醫療工作者進行疾病診療。
2、直腸癌是最常見的消化道惡性腫瘤之一，單純的手術治療效果往往不盡如人意。近年來，直腸癌術前同期新輔助放化療(chemoradiotherapy，crt)越來越多地應用于直腸癌治療中，crt能使腫瘤有不同程度的消退，依腫瘤退縮程度((tumor?regressiongrading，trg)可分為0-3級，0級代表病理腫瘤全消(pathology?completeresponse,pcr)。在crt結束后6-8周后行全系膜切除術，有助于提高手術切除率、減少局部復發率、延長生存期限等，并可使約16.7～30
3、近年來大數據技術與醫學影像輔助診斷的有機融合產生了新的影像組學方法，影像組學是指從影像(ct、mr、pet等)中高通量地提取大量影像信息，實現腫瘤分割、特征提取與模型建立，憑借對海量影像數據信息進行更深層次的挖掘、預測和分析來輔助醫師做出最準確的診斷。浙江大學醫學院孫曉南教授研究團隊利用影像組學數據分析，在篩選出的48名直腸癌患者中，評估出其中11名患者能通過crt治療使腫瘤達到pcr級別，而治療后的病理結果分析亦正符合預期的結果，初步實現了直腸癌新輔助放化療效果的定量化精準評估。而中國科學院自動化研究所田捷團隊和廣東省人民醫院放射科劉在毅團隊合作發表了結合ct影像、ct回報淋巴結陽性情況及血清標記物cea等特征信息構建并驗證結直腸癌淋巴結轉移術前預測模型的研究成果，和傳統ct影像學評估方法相比，該預測模型將術前淋巴結預測準確率提高了14.8％。
4、術后標本的病理學結果是評估直腸癌新輔助放化療療效的金標準，但它需要通過手術切除才能獲得，不適用于治療前療效評估。磁共振(mr)具有較高的空間分辨率與軟組織分辨率，可以清晰顯示腫瘤的侵犯深度。以及有無腸壁外靜脈浸潤等，是療前評估放化療療效的優選影像檢查手段。目前臨床上通過臨床實踐和專業知識培養醫生，由合格的醫生人工審閱療前、療后mri圖像，結合自身長期積累的臨床診斷經驗作出分析和診斷，其準確率不高，耗時長，工作持續時間有限。這種人工肉眼閱片方法與醫生自身經驗、工作狀態、主觀情緒等主觀因素密切相關，容易產生漏診、誤診、爭議性。并且，療后圖像由于crt后腸壁纖維化、增厚、crt誘導的炎癥浸潤等因素導致辨識難度增加，也是難以準確評估療效的一大原因。除此之外，培養一名合格的醫師時間十分漫長，臨床經驗的積累更是不可或缺，而且在長時間的工作過程中難免會受主觀情緒、工作狀態的影響，這諸多因素都可能影響患者的治療方案制定。
5、現有的利用影像組學單一評估直腸癌新輔助治療療效，關注點基本都在腫瘤區，而忽略了腸壁、腫瘤周圍等腫瘤容易侵襲區的信息，但腫瘤的診治難點正在于其侵襲性，所以用單一的腫瘤區影像評估療效及有限的影像組學信息，準確度及可信度均有限制。
技術實現思路
1、本專利技術的目的就是為了克服上述現有技術存在利用影像組學單一評估直腸癌新輔助治療療效，準確度及可信度均有限制的缺陷而提供一種基于數字多組學的直腸癌crt療效評估系統和方法。
2、本專利技術的目的可以通過以下技術方案來實現：
3、一種基于數字多組學的直腸癌crt療效評估系統，包括：
4、圖像獲取單元，用于獲取直腸癌患者進行crt治療前的mri影像和對應的治療后腫瘤消退等級標簽；
5、圖像標注單元，用于對圖像獲取單元獲取的部分mri影像進行腫瘤區域、腫瘤外圍區域及腸壁的人工標注；
6、自動分割單元，用于采用自動分割標注模型，根據圖像標注單元的標注結果，輸出所有mri影像的標注信息；
7、分子多組學特征獲取單元，用于對直腸癌患者的組織進行分析，獲取病理組學、基因組學和代謝組學的數字多組學分子特征；
8、卷積神經網絡構造單元，用于構造第一卷積神經網絡模型；
9、卷積神經網絡模型訓練單元，用于以圖像獲取單元獲取的mri影像、分子多組學特征獲取單元獲取的數字多組學分子特征、自動分割單元輸出的mri影像的標注信息作為輸入數據，以對應的治療后腫瘤消退等級標簽計算輸出的損失函數，對所述第一卷積神經網絡模型的參數進行迭代訓練，獲得用于評估直腸癌crt療效的第二卷積神經網絡模型；
10、圖像分類單元，用于將待預測的crt治療前的mri影像輸入第二卷積神經網絡模型中，預測治療后腫瘤消退等級以及相應的概率。
11、進一步地，所述圖像獲取單元還用于將獲取的mri影像劃分為訓練集和測試集，所述訓練集用于第一卷積神經網絡模型的訓練；
12、所述系統還包括卷積神經網絡模型驗證單元，用于驗證所述第二卷積神經網絡模型的準確率，獲取第三卷積神經網絡模型；
13、所述卷積神經網絡模型驗證單元包括：
14、卷積神經網絡模型測試單元，用于檢測第二卷積神經網絡模型在測試集上的準確率；
15、卷積神經網絡模型評價單元，用于根據第二卷積神經網絡模型測試單元輸出的準確率評價第二卷積神經網絡模型是否過擬合和欠擬合，若過擬合或欠擬合，則重新對第二卷積神經網絡模型進行迭代訓練；若無過擬合和欠擬合，則得到通過驗證的第三卷積神經網絡模型，用于評估直腸癌crt療效。
16、進一步地，所述系統還包括患者篩選單元，用于對直腸癌患者進行納入標準和排除標準的篩選，對篩選后的直腸癌患者通過圖像獲取單元和分子多組學特征獲本文檔來自技高網...
【技術保護點】
1.一種基于數字多組學的直腸癌CRT療效評估系統，其特征在于，包括：
2.根據權利要求1所述的一種基于數字多組學的直腸癌CRT療效評估系統，其特征在于，所述圖像獲取單元(102)還用于將獲取的MRI影像劃分為訓練集和測試集，所述訓練集用于第一卷積神經網絡模型的訓練；
3.根據權利要求1所述的一種基于數字多組學的直腸癌CRT療效評估系統，其特征在于，所述系統還包括患者篩選單元(101)，用于對直腸癌患者進行納入標準和排除標準的篩選，對篩選后的直腸癌患者通過圖像獲取單元(102)和分子多組學特征獲取單元(103)進行數據獲取；
4.根據權利要求1所述的一種基于數字多組學的直腸癌CRT療效評估系統，其特征在于，所述圖像分類單元包括：
5.根據權利要求4所述的一種基于數字多組學的直腸癌CRT療效評估系統，其特征在于，所述待檢區域篩選單元(107)采用自適應閾值法預選出活體組織區域。
6.根據權利要求1所述的一種基于數字多組學的直腸癌CRT療效評估系統，其特征在于，所述自動分割單元(106)采用的自動分割標注模型為YOLO-NAS
7.根據權利要求1所述的一種基于數字多組學的直腸癌CRT療效評估系統，其特征在于，所述系統分別連接有輸入終端和輸出終端，所述輸入終端用于從服務器中獲取與局部晚期直腸癌患者相關聯的病例數據；所述輸出終端用于將直腸癌CRT療效評估結果呈現給用戶。
8.一種基于數字多組學的直腸癌CRT療效評估方法，其特征在于，包括以下步驟：
9.根據權利要求8所述的一種基于數字多組學的直腸癌CRT療效評估方法，其特征在于，所述第一卷積神經網絡模型中全連接層輸出的通道分別代表各個治療后腫瘤消退等級的概率；
10.根據權利要求8所述的一種基于數字多組學的直腸癌CRT療效評估方法，其特征在于，所述方法還包括：將采集的MRI影像劃分為訓練集和測試集，所述訓練集用于第一卷積神經網絡模型的訓練；
...【技術特征摘要】
1.一種基于數字多組學的直腸癌crt療效評估系統，其特征在于，包括：
2.根據權利要求1所述的一種基于數字多組學的直腸癌crt療效評估系統，其特征在于，所述圖像獲取單元(102)還用于將獲取的mri影像劃分為訓練集和測試集，所述訓練集用于第一卷積神經網絡模型的訓練；
3.根據權利要求1所述的一種基于數字多組學的直腸癌crt療效評估系統，其特征在于，所述系統還包括患者篩選單元(101)，用于對直腸癌患者進行納入標準和排除標準的篩選，對篩選后的直腸癌患者通過圖像獲取單元(102)和分子多組學特征獲取單元(103)進行數據獲取；
4.根據權利要求1所述的一種基于數字多組學的直腸癌crt療效評估系統，其特征在于，所述圖像分類單元包括：
5.根據權利要求4所述的一種基于數字多組學的直腸癌crt療效評估系統，其特征在于，所述待檢區域篩選單元(107)采用自適應閾值法預選出活體組織區域。
6.根據權利要求1所述的一種基于數字多組學的直腸癌crt療效評估系統，其特征在于，...
【專利技術屬性】
技術研發人員：萬覺鋒，陳佳，石潔，
申請(專利權)人：復旦大學附屬腫瘤醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。