【技術實現步驟摘要】
本專利技術涉及圖像處理領域，尤其涉及一種利用術前ct圖像對轉換療法進行預測的方法及裝置。
技術介紹
1、最新的流行病學數據顯示，胃癌在全球惡性腫瘤中發病率排名第五，死亡率排名第四；由于早期胃癌的臨床狀態缺乏明顯的特異性，大多數胃癌患者往往在病情進展時才被確診。由于廣泛遠處轉移、腹膜轉移或局部進展等因素，一些晚期胃癌患者無法接受根治性切除手術，只能接受保守治療以延緩疾病進展。如何更好地治療這類患者，改善預后仍面臨挑戰；近年來，隨著胃癌發生、發展和生物學行為特征的深入了解，以及新型抗癌藥物的開發和應用，晚期胃癌的治療理念和策略逐漸發生了深刻的變化，目前，各種提高生存率的策略層出不窮，其中轉換療法在不可切除的晚期胃癌患者中被證明是有效的，并提高了生存率。
2、然而，由于腫瘤生物學的差異和異質性，轉換療法的實施并不精確，并非所有患者都能從轉換療法中獲益；在臨床上，組織病理學檢查仍是評估反應的黃金標準，但組織病理學檢查只能在手術后獲得，延誤了治療的及時調整。因此，如何預測胃癌晚期患者對轉換療法的反應，評估轉換療法實施的可行性，是目前需要考慮的問題。
技術實現思路
1、本專利技術的目的在于克服現有技術的缺點，提供了一種利用術前ct圖像對轉換療法進行預測的方法及裝置，解決了現有技術存在的不足。
2、本專利技術的目的通過以下技術方案來實現：一種利用術前ct圖像對轉換療法進行預測的方法，所述方法包括：
3、步驟一、對數據進行預處理得到用于對深度學習模型進行訓練的圖
4、步驟二、在知識蒸餾的基礎上加入多次模型迭代，并引入標簽平滑、余弦動態學習率調整和模型噪聲，得到對模型進行訓練的漸進式蒸餾方法；
5、步驟三、按照設定比例劃分的訓練集和測試集對在imagenet數據集上預訓練好的efficientnet網絡進行多輪次訓練和測試，并通過對經過多輪次訓練和測試后的最終模型進行預測，得到預測結果。
6、所述步驟一中對數據進行預處理包括：
7、s11、查看原始腹腔ct切片，如果病人胃癌腫瘤轉移至腹腔以外，則刪除該病人圖像，不將病人圖像用于模型訓練；
8、s12、查看原始腹腔ct切片，刪除圖像質量低的病人圖像，不將病人圖像用于模型訓練；
9、s13、查看原始腹腔ct切片，刪除病人除門靜脈期以外的所有圖像，只保留門靜脈期圖像用于模型訓練；
10、s14、將所有圖像轉換為35的窗寬和250的窗位；
11、s15、將得到的圖像縮放至256×256像素，并隨機裁剪至224×224像素后進行隨機翻轉和旋轉的數據增強處理。
12、所述步驟二具體包括以下內容：
13、s21、初始化并訓練教師模型，得到教師模型后由教師模型輸出對圖像的軟標簽預測，并將軟標簽傳遞給學生模型用于傳授知識，且教師模型在傳遞知識的過程中自身凍結，即軟標簽預測不會發生改變；
14、s22、第一輪漸進蒸餾迭代，學生模型1在訓練過程中加入模型噪聲，學生模型1在訓練完成后輸出一個軟標簽用于kld損失函數計算損失，將兩個損失乘以各自的系數得到最終學生模型1的損失；
15、s23、將學生模型1重新作為教師模型，輸出軟標簽用于傳遞給學生模型2用于傳授知識；
16、s24、學生模型2收到學生模型1的知識傳遞，并學習，最后重新作為教師教授之后的學生模型。
17、所述步驟三具體包括以下內容：
18、s31、訓練模型采用effcientnet，并加載imagenet預訓練模型，在訓練過程匯總，使用隨機梯度下降法作為優化器，初始學習率為0.001，動量為0.9，權重衰減為0.0005，訓練輪次為n-m輪，在此期間，使用余弦退火動態學習率調整策略，從0.001逐漸衰減，按照余弦函數衰減，最低點為0.00001，在m輪達到最低點；
19、s32、訓練后的模型根據ct圖像輸出屬于測試集中每位患者的所有圖像被劃分為1類的預測概率，計算10個最高概率的平均值作為預測結果，如果該平均值大于閾值，則被分為1類，否則分為0類，其中，1類表示反應不良類，0類表示反應良好類；
20、s33、通過經過多輪次訓練和測試后的最終模型進行預測，得到預測結果。
21、一種利用術前ct圖像對轉換療法進行預測的裝置，所述裝置包括：數據預處理模塊、漸進式蒸餾模塊和訓練測試模塊；
22、所述數據預處理模塊：用于對數據進行預處理得到用于對深度學習模型進行訓練的圖像；
23、所述漸進式蒸餾模塊：用于在知識蒸餾的基礎上加入多次模型迭代，并引入標簽平滑、余弦動態學習率調整和模型噪聲，得到對模型進行訓練的漸進式蒸餾方法；
24、所述訓練測試模塊：用于按照設定比例劃分的訓練集和測試集對在imagenet數據集上預訓練好的efficientnet網絡進行多輪次訓練和測試，并通過對經過多輪次訓練和測試后的最終模型進行預測，得到預測結果。
25、所述數據預處理模塊具體包括以下內容：
26、查看原始腹腔ct切片，如果病人胃癌腫瘤轉移至腹腔以外，則刪除該病人圖像，不將病人圖像用于模型訓練；
27、查看原始腹腔ct切片，刪除圖像質量低的病人圖像，不將病人圖像用于模型訓練；
28、查看原始腹腔ct切片，刪除病人除門靜脈期以外的所有圖像，只保留門靜脈期圖像用于模型訓練；
29、將所有圖像轉換為35的窗寬和250的窗位；
30、將得到的圖像縮放至256×256像素，并隨機裁剪至224×224像素后進行隨機翻轉和旋轉的數據增強處理。
31、所述漸進式蒸餾模塊具體包括以下內容：
32、初始化并訓練教師模型，得到教師模型后由教師模型輸出對圖像的軟標簽預測，并將軟標簽傳遞給學生模型用于傳授知識，且教師模型在傳遞知識的過程中自身凍結，即軟標簽預測不會發生改變；
33、第一輪漸進蒸餾迭代，學生模型1在訓練過程中加入模型噪聲，學生模型1在訓練完成后輸出一個軟標簽用于kld損失函數計算損失，將兩個損失乘以各自的系數得到最終學生模型1的損失；
34、將學生模型1重新作為教師模型，輸出軟標簽用于傳遞給學生模型2用于傳授知識；
35、學生模型2收到學生模型1的知識傳遞，并學習，最后重新作為教師教授之后的學生模型。
36、所述訓練測試模塊具體包括以下內容：
37、訓練模型采用effcientnet，并加載imagenet預訓練模型，在訓練過程匯總，使用隨機梯度下降法作為優化器，初始學習率為0.001，動量為0.9，權重衰減為0.0005，訓練輪次為n-m輪，在此期間，使用余弦退火動態學習率調整策略，從0.001逐漸衰減，按照余弦函數衰減，最低點為0.00001，在m輪達到最低點；
38、訓練后的模型根據ct圖像輸出屬于測試集中每位患者的所有圖像被劃分為1類本文檔來自技高網...
【技術保護點】
1.一種利用術前CT圖像對轉換療法進行預測的方法，其特征在于：所述方法包括：
2.根據權利要求1所述的一種利用術前CT圖像對轉換療法進行預測的方法，其特征在于：所述步驟一中對數據進行預處理包括：
3.根據權利要求1所述的一種利用術前CT圖像對轉換療法進行預測的方法，其特征在于：所述步驟二具體包括以下內容：
4.根據權利要求1所述的一種利用術前CT圖像對轉換療法進行預測的方法，其特征在于：所述步驟三具體包括以下內容：
5.一種利用術前CT圖像對轉換療法進行預測的裝置，其特征在于：所述裝置包括：數據預處理模塊、漸進式蒸餾模塊和訓練測試模塊；
6.根據權利要求5所述的一種利用術前CT圖像對轉換療法進行預測的裝置，其特征在于：所述數據預處理模塊具體包括以下內容：
7.根據權利要求5所述的一種利用術前CT圖像對轉換療法進行預測的裝置，其特征在于：所述漸進式蒸餾模塊具體包括以下內容：
8.根據權利要求5所述的一種利用術前CT圖像對轉換療法進行預測的裝置，其特征在于：所述訓練測試模塊具體包括以下內容：
【技術特征摘要】
1.一種利用術前ct圖像對轉換療法進行預測的方法，其特征在于：所述方法包括：
2.根據權利要求1所述的一種利用術前ct圖像對轉換療法進行預測的方法，其特征在于：所述步驟一中對數據進行預處理包括：
3.根據權利要求1所述的一種利用術前ct圖像對轉換療法進行預測的方法，其特征在于：所述步驟二具體包括以下內容：
4.根據權利要求1所述的一種利用術前ct圖像對轉換療法進行預測的方法，其特征在于：所述步驟三具體包括以下內容：
5.一種利用術前ct圖像...
【專利技術屬性】
技術研發人員：鄧佳麗，張桐，龔海剛，程旋，劉明輝，劉念伯，劉明，王曉敏，
申請(專利權)人：電子科技大學長三角研究院衢州，
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。