【技術實現步驟摘要】
本專利技術涉及醫療輔助診斷，具體涉及一種子宮肌瘤多模態評估方法及裝置、計算設備。
技術介紹
1、子宮肌瘤是由子宮平滑肌細胞增生而成，為女性生殖系統的良性腫瘤。計算機斷層掃描(ct)和磁共振成像(mri)能夠提供豐富的解剖結構和病理信息，有助于醫生更全面了解子宮肌瘤的情況。
2、現有的子宮肌瘤評估方法包括基于水平集的方法和基于模糊c均值的方法。其中，基于水平集的方法通過構建能量函數，利用圖像梯度信息引導曲線的演化，從而實現對目標的分割。然而在處理復雜形狀的子宮肌瘤時，往往難以得到準確的分割結果。此外，水平集方法對初始條件較為敏感，不同的初始條件可能導致不同的分割結果，從而影響了評估的準確性。例如，某子瘤體的邊界可能由于與周圍組織對比度較低而被忽略，或者由于邊界不規則而被錯誤地劃分到相鄰的組織中。基于模糊c均值的方法為聚類分析方法，其通過迭代優化目標函數將圖像中的像素點劃分為不同的類別。但是在處理具有模糊邊界的子宮肌瘤時，容易出現誤分割的情況。并且對于噪聲和圖像質量的變化也較為敏感。當遇到具有模糊邊界的子宮肌瘤時，難以準確地區分肌瘤與周圍組織，導致誤分割的情況。例如，將屬于肌瘤的像素點錯誤劃分到周圍組織中，將屬于周圍組織的像素點錯誤劃分到肌瘤中。
3、為解決上述問題，本專利技術提出一種子宮肌瘤多模態評估方法，通過多模態子宮肌瘤融合分割模型提取形狀、紋理、信號強度分布及擴散系數定量特征，以揭示肌瘤的微觀結構和生物學特性，進一步提高子宮肌瘤術后復發風險的預測精度。
技術實現思路
1、鑒于上述問題，本專利技術提供一種子宮肌瘤多模態評估方法及裝置、計算設備。
2、根據本專利技術的一個方面，提供了一種子宮肌瘤多模態評估方法，包括：
3、獲取女性患者的盆腔ct和mri影像數據，其中，所述影像數據包括t2wi與ce-t1wi的不同序列圖像；
4、將所述盆腔ct和mri影像數據輸入多模態子宮肌瘤融合分割模型，提取并標注子宮肌瘤的多維定量特征，其中，所述多模態子宮肌瘤融合分割模型包括輸入層、可變形卷積層、rpn區域層、roi區域選擇層、多模態特征提取網絡以及輸出層；
5、將所述多維定量特征、患者的的年齡和激素水平輸入子宮肌瘤復發風險預測模型，得到子宮肌瘤的術后復發風險概率；其中，所述子宮肌瘤復發風險預測模型為2d?unet變體網絡，所述2d?unet變體網絡引入senet混合注意力層以及fpn區域層。
6、在一種可選的方式中，所述多維定量特征包括子宮肌瘤的類型、形狀、大小、數量、位置、紋理、信號強度分布、擴散系數以及灌注參數；
7、所述子宮肌瘤的類型包括平滑肌細胞增生、腺肌瘤樣改變以及惡性變。
8、在一種可選的方式中，所述多模態特征提取網絡包括多個殘差網絡restnet-101、多個cnn網絡層、多個注意力門、gcn圖卷積網絡層、多個門信號、多個連接層、多個3d卷積塊以及多個上采樣層；
9、各個所述殘差網絡restnet-101與對應的cnn網絡層依次交替連接，與最后一個殘差網絡restnet-101連接的cnn網絡層連接注意力門，并通過3×3卷積和注意力門連接cnn網絡層；其中，所述殘差網絡restnet-101放棄最后輸出層的3層；
10、所述cnn網絡層依次通過門信號和3×3卷積連接下一個cnn網絡層；
11、所述gcn圖卷積網絡層用于強調或抑制各個cnn網絡層的輸出特征以及對應的權重。
12、在一種可選的方式中，所述多模態子宮肌瘤融合分割模型中的可變形卷積層調整卷積核的采樣位置的公式為：
13、
14、其中，y(p)為輸出特征圖中位置p的值；x(p+pk+δpk)為輸入特征圖中經過偏移量δpk后的采樣值，偏移量δpk通過卷積層從輸入特征圖中學習得到；wk為第k個卷積核的權重；pk為卷積核的常規位置偏移；k為卷積核的總數。
15、在一種可選的方式中，所述rpn區域層用于生成候選區域，所述候選區域的候選框的坐標偏移量預測公式為：
16、
17、其中，(x,y,w,h)為預測框的坐標和尺寸；(xa,ya,wa,ha)為錨點框的坐標和尺寸；偏移量tx,ty,tw,th用于訓練rpn以準確預測候選區域。
18、在一種可選的方式中，所述senet混合注意力層增強特征表示的步驟包括：
19、通過全局平均池化將每個通道的特征圖壓縮為一個實數，以捕獲全局信息；
20、通過兩個全連接層學習每個通道的權重；其中，第一個全連接層后接relu激活，第二個全連接層后接sigmoid激活。
21、在一種可選的方式中，所述fpn區域層通過自頂向下的路徑和橫向連接增強多尺度特征表示；
22、其中，所述fpn區域層中的特征金字塔中第l層特征圖pl的構建公式為：
23、pl＝conv(pl+1↑+resize(cl))
24、其中，pl+1↑為第l+1層特征圖通過上采樣得到的特征圖；cl為對應殘差網絡中原始圖像尺寸的特征圖；resize函數為調整尺寸函數以匹配pl+1↑的尺寸；conv為卷積操作，用于融合特征并減少上采樣帶來的混疊效應。
25、在一種可選的方式中，所述方法還包括：
26、獲取患者的既往治療特征信息，包括子宮肌瘤切除術、子宮動脈栓塞術、治療時間、癥狀改善情況以及肌瘤大小變化；將所述既往治療特征信息通過獨熱編碼輸入所述2dunet變體網絡；
27、通過shap值評估每個既往治療特征對所述子宮肌瘤復發風險預測模型的貢獻；其中，所述shap值通過計算每個特征在所述子宮肌瘤復發風險預測模型預測中的平均邊際貢獻得到，并以蜜蜂圖的方式展示每個特征所影響的預測結果。
28、根據本專利技術的另一方面，提供了一種子宮肌瘤多模態評估裝置，包括：
29、ct和mri影像數據獲取模塊，用于獲取女性患者的盆腔ct和mri影像數據，其中，所述影像數據包括t2wi與ce-t1wi的不同序列圖像；
30、子宮肌瘤融合分割模塊，用于將所述盆腔ct和mri影像數據輸入多模態子宮肌瘤融合分割模型，提取并標注子宮肌瘤的多維定量特征，其中，所述多模態子宮肌瘤融合分割模型包括輸入層、可變形卷積層、rpn區域層、roi區域選擇層、多模態特征提取網絡以及輸出層；
31、子宮肌瘤復發風險預測模塊，用于將所述多維定量特征、患者的的年齡和激素水平輸入子宮肌瘤復發風險預測模型，得到子宮肌瘤的術后復發風險概率；其中，所述子宮肌瘤復發風險預測模型為2dunet變體網絡，所述2d?unet變體網絡引入senet混合注意力層以及fpn區域層。
32、根據本專利技術的又一方面，提供了一種計算設備，包括：處理器、存儲器、通信接口和通信總線，所述處理器、所述存儲器和所述通信接口通過所述通信總線完成相互間的通信。
33、根據本專利技術提供的方案本文檔來自技高網...
【技術保護點】
1.一種子宮肌瘤多模態評估方法，其特征在于，包括：
2.根據權利要求1所述的子宮肌瘤多模態評估方法，其特征在于，所述多維定量特征包括子宮肌瘤的類型、形狀、大小、數量、位置、紋理、信號強度分布、擴散系數以及灌注參數；
3.根據權利要求1或2所述的子宮肌瘤多模態評估方法，其特征在于，所述多模態特征提取網絡包括多個殘差網絡RestNet-101、多個CNN網絡層、多個注意力門、GCN圖卷積網絡層、多個門信號、多個連接層、多個3D卷積塊以及多個上采樣層；
4.根據權利要求3所述的子宮肌瘤多模態評估方法，其特征在于，所述多模態子宮肌瘤融合分割模型中的可變形卷積層調整卷積核的采樣位置的公式為：
5.根據權利要求1所述的子宮肌瘤多模態評估方法，其特征在于，所述RPN區域層用于生成候選區域，所述候選區域的候選框的坐標偏移量預測公式為：
6.根據權利要求1所述的子宮肌瘤多模態評估方法，其特征在于，所述SENet混合注意力層增強特征表示的步驟包括：
7.根據權利要求1所述的子宮肌瘤多模態評估方法，其特征在于，所述FPN區域層通過
8.根據權利要求1所述的子宮肌瘤多模態評估方法，其特征在于，所述方法還包括：
9.一種子宮肌瘤多模態評估裝置，其特征在于，包括：
10.一種計算設備，包括：處理器、存儲器、通信接口和通信總線，所述處理器、所述存儲器和所述通信接口通過所述通信總線完成相互間的通信；
...【技術特征摘要】
1.一種子宮肌瘤多模態評估方法，其特征在于，包括：
2.根據權利要求1所述的子宮肌瘤多模態評估方法，其特征在于，所述多維定量特征包括子宮肌瘤的類型、形狀、大小、數量、位置、紋理、信號強度分布、擴散系數以及灌注參數；
3.根據權利要求1或2所述的子宮肌瘤多模態評估方法，其特征在于，所述多模態特征提取網絡包括多個殘差網絡restnet-101、多個cnn網絡層、多個注意力門、gcn圖卷積網絡層、多個門信號、多個連接層、多個3d卷積塊以及多個上采樣層；
4.根據權利要求3所述的子宮肌瘤多模態評估方法，其特征在于，所述多模態子宮肌瘤融合分割模型中的可變形卷積層調整卷積核的采樣位置的公式為：
5.根據權利要求1所述的子宮肌瘤...
【專利技術屬性】
技術研發人員：汪雯雯，楊舒皓，顏慶，袁素珍，張敏莉，王世宣，
申請(專利權)人：華中科技大學同濟醫學院附屬同濟醫院，
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。