买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供了一种基于深度学习的宫颈癌预后全自动预测方法，采用UNet网络分割模型代替人工勾画影像肿瘤区域，极大地减少了人工勾画成本，并且减轻因个体差异而导致的肿瘤区域偏差的问题，从而减少因肿瘤区域的偏差导致的特征缺失，此外，本发明基于VIT构建了预后预测模型，通过模型的自我学习来提取特征，并筛选出合适特征降维成最终的预测结果，模型能够较好的拟合数据并具有良好的泛化能力。

主权项：1.一种基于深度学习的宫颈癌预后全自动预测方法，其特征在于，包括：获取患者影像序列及临床数据；确定所述患者影像序列及临床数据中的肿瘤区域，得到患者影像数据；计算所述患者影像数据的掩码，使用所述患者影像数据及所述患者影像数据的掩码训练分割模型；使用所述分割模型获取待预测患者影像序列的肿瘤掩码；筛选出肿瘤区域最大的影像并裁剪出肿瘤区域；提取肿瘤区域影像特征并训练预后预测模型；利用所述预后预测模型预测宫颈癌预后；所述患者影像序列及临床数据包括：MR影像序列、总生存期、是否生存、无进展生存期和是否复发；提取肿瘤区域影像特征并训练预后预测模型包括：建立基于VisionTransformer的预后预测模型；使用VisionTransformer提取患者肿瘤区域的影像特征并训练预后预测模型对预后的预测能力；其中，使用VisionTransformer提取患者肿瘤区域的影像特征并训练预后预测模型对预后的预测能力包括：将裁剪出的肿瘤区域图像复制3次，并拼接成3通道输入；使用预后预测模型提取3通道输入的特征，其中，预后预测模型包括1个嵌入层、12个Transformer编码器和1个全连接层，每个Transformer编码器包括2个归一化层、1个多头注意力和1个多层感知机；用患者的总生存期、是否生存、无进展生存期、是否复发以及预后预测模型预测出的风险评分来求损失，并用损失函数更新预后预测模型参数；其中，使用预后预测模型提取3通道输入的特征包括：将3通道肿瘤图像输入到嵌入层，将图像分为多个16×16补丁，再将每个补丁展平成固定长度的向量，再输入12个连续的Transformer编码器中提取深度特征，最后通过全连接层实现特征降维并得到每个患者的预后风险评分，对全部风险评分排序，取中位数风险评分作为预后风险分层的阈值，损失函数为考克斯偏似然，计算公式为： 式中代表总生存期考克斯偏似然，代表无进展生存期考克斯偏似然；其中：考克斯偏似然的计算公式为： 式中x表示输入模型的图像数据，代表模型预测的风险评分，是生存时间比患者i短的患者列表；所述筛选出肿瘤区域最大的影像并裁剪出肿瘤区域包括：依次遍历所述待预测患者影像序列的肿瘤掩码，统计掩码的面积，筛选出每个患者具有最大掩码面积的影像，根据掩码在影像中的坐标，确定能框住掩码的矩形，将矩形向外扩展10个像素，并进行裁剪。

全文数据：

权利要求：

百度查询： 浙江省肿瘤医院 中国科学院杭州医学研究所 一种基于深度学习的宫颈癌预后全自动预测方法