基于深度学习的预测消融术后肝脏肿瘤形态变化的方法
专利汇可以提供基于深度学习的预测消融术后肝脏肿瘤形态变化的方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 深度学习 的预测 消融 术后肝脏 肿瘤 形态变化的方法，包括：获取患者肝脏肿瘤消融前后的医学影像图；对消融前后的医学影像图进行预处理；获取术前肝脏区域图和术前肝脏肿瘤区域图；获取术后肝脏区域图、术后消融区域图和术后肝脏肿瘤残影图；利用CPD点集配准 算法 获得变换矩阵，根据变换矩阵获得配准结果图；通过随机 梯度下降法 对网络进行训练，获得肝脏肿瘤 预测模型 ；利用肝脏肿瘤预测模型预测患者进行消融术后的肝脏肿瘤形态变化。本发明可以根据患者CT/MRI图像，预测患者消融后的肝脏肿瘤形态变化，为定量评估消融区是否完全 覆盖 肿瘤提供依据，有利于医生对术后疗效进行精准评估，并为患者后续 治疗 方案 奠定了 基础 。，下面是基于深度学习的预测消融术后肝脏肿瘤形态变化的方法专利的具体信息内容。
1.基于深度学习的预测消融术后肝脏肿瘤形态变化的方法，其特征在于，包括以下步骤：
获取患者肝脏肿瘤消融前后的医学影像图；
对消融前后的医学影像图进行预处理；
从消融前的医学影像图中获取术前肝脏区域图和术前肝脏肿瘤区域图；从消融后的医学影像图中获取术后肝脏区域图、术后消融区域图和术后肝脏肿瘤残影图；
利用CPD点集配准算法对术前肝脏区域图和术后肝脏区域图进行配准，获得变换矩阵，根据变换矩阵获得术前肝脏区域图和术前肝脏肿瘤区域图对应于消融后的医学影像图的配准结果图；
将消融前的医学影像图、术前肝脏区域图、术前肝脏肿瘤区域图和配准结果图作为U-net网络输入，并将术后肝脏肿瘤残影图作为真实训练标签，通过随机梯度下降法对网络进行训练，获得肝脏肿瘤预测模型；
利用肝脏肿瘤预测模型预测患者进行消融术后的肝脏肿瘤形态变化。
2.根据权利要求1所述的基于深度学习的预测消融术后肝脏肿瘤形态变化的方法，其特征在于，所述医学影像图包括CT和MRI。
3.根据权利要求1所述的基于深度学习的预测消融术后肝脏肿瘤形态变化的方法，其特征在于，对消融前后的医学影像图进行预处理具体为：根据肝脏影响因素对数据集进行分组划分，然后读取消融前后的医学影像图，对医学影像图进行高斯去噪、灰度直方图均衡化、增强图像对比度、旋转、翻转和数据标准化处理。
4.根据权利要求3所述的基于深度学习的预测消融术后肝脏肿瘤形态变化的方法，其特征在于，所述肝脏影响因素包括肝脏状态、肿瘤类型和病理类型。
5.根据权利要求1所述的基于深度学习的预测消融术后肝脏肿瘤形态变化的方法，其特征在于，从消融前的医学影像图中获取术前肝脏区域图和术前肝脏肿瘤区域图；从消融后的医学影像图中获取术后肝脏区域图、术后消融区域图和术后肝脏肿瘤残影图具体为：
利用最大流/最小割算法标记出术前肝脏区域图、术前肝脏肿瘤区域图、术后肝脏区域图、术后消融区域图和术后肝脏肿瘤残影图，分割过程中引入基于整体和局部区域表征的势能场函数作为约束，建立自适应混合变分模型，利用最大流/最小割算法对能量方程最小化进行求解，在不同图像区域有选择性地根据灰度信息、边界梯度、纹理信息及局部上下文信息确定目标区域。
6.根据权利要求5所述的基于深度学习的预测消融术后肝脏肿瘤形态变化的方法，其特征在于，利用CPD点集配准算法对术前肝脏区域图和术后肝脏区域图进行配准，获得变换矩阵，根据变换矩阵获得术前肝脏区域图和术前肝脏肿瘤区域图对应于消融后的医学影像图的配准结果图具体为：获取术前肝脏区域图和术后肝脏区域图的肝脏数据点集，令术前肝脏区域图的术前肝脏数据点集为Xi＝(x1,...,xN)T，作为目标点集，令术后肝脏区域图的术后肝脏数据点集为Yi＝(y1,...,yM)T，作为模板点集；目标点集作为高斯混合模型的数据集，模板点集作为高斯混合模型的内核点集，N和M分别代表目标点集和模板点集的个数，则高斯混合模型的概率密度函数为：
其中，p(x|m)是高斯混合模型的概率密度基函数，ω表示溢出点的权重值，取值范围为
0～1，x为平移变量；
计算最小负对数似然函数：
根据梯度下降法，对其进行求导可得：
其中，
采用最大期望算法进行迭代，求解出模型的最佳参数，最后根据选取的点云数据和变换参数，计算术前肝脏区域图对应于术后的医学影像图中的位置。
7.根据权利要求6所述的基于深度学习的预测消融术后肝脏肿瘤形态变化的方法，其特征在于，将消融前的医学影像图、术前肝脏区域图、术前肝脏肿瘤区域图和配准结果图作为U-net网络输入，并将术后肝脏肿瘤残影图作为真实训练标签，通过随机梯度下降法对网络进行训练，获得肝脏肿瘤预测模型具体为：将消融前的医学影像图、术前肝脏区域图、术前肝脏肿瘤区域图和配准结果图组成4通道的图像数据，然后输入U-net进行编码，获得像素分类概率图，将像素分类概率图中概率≥0.5的像素点判定为肝脏肿瘤，概率<0.5的像素点判定为背景，最终获得预测的肝脏肿瘤区域。
8.根据权利要求7所述的基于深度学习的预测消融术后肝脏肿瘤形态变化的方法，其特征在于，获得像素分类概率图具体为：将消融前的医学影像图、术前肝脏区域图、术前肝脏肿瘤区域图和配准结果图组成4通道的图像数据，然后输入U-net进行编码，输入数据经过两次卷积，每次卷积的输出通道数为64，获得特征图f1，进行最大池化；再经过两次卷积，每次卷积的输出通道数为128，获得特征图f2，进行最大池化；再经过两次卷积，每次卷积的输出通道数为256，获得特征图f3，进行最大池化；再经过两次卷积，每次卷积的输出通道数为512，获得特征图f4，进行最大池化；再经过两次卷积，每次卷积的输出通道数为1024，获得特征图f5，此过程为编码过程；再对f5进行解码，即将f5进行上采样并与f4进行concat，经过两次卷积，每次卷积的输出通道数为512，获得特征图f4_1；对f4_1进行上采样并与f3进行concat，经过两次卷积，每次卷积的输出通道数为256，获得特征图f3_1；对f3_1进行上采样并与f2进行concat，经过两次卷积，每次卷积的输出通道为128，获得特征图f2_1；对f2_1进行上采样并与f1进行concat，经过两次卷积，每次卷积的输出通道数为64，再经过一次卷积，输出通道数为2，得到像素分类概率图；所述concat为将两个特征图在通道维度上进行连接。
9.根据权利要求8所述的基于深度学习的预测消融术后肝脏肿瘤形态变化的方法，其特征在于，所述卷积具体为： 其中，符号*表示卷积运算符；l
表示层数；i表示l-1层的第i个神经元节点；j表示l层的第j个神经元节点；Mj表示选择的输入特征图的集合； 是指l-1层的输出，作为l层的输入；f表示激活函数；上述最大池化即在一个区域中选取最大值，代表该区域特征。
10.根据权利要求9所述的基于深度学习的预测消融术后肝脏肿瘤形态变化的方法，其特征在于，在网络进行训练过程中构建Dice损失函数，用于缓解背景和前景像素不平衡问题，所述Dice损失函数具体为： 其中，p表示预测的肝脏肿瘤区域，t表示真实肝脏肿瘤区域。
基于深度学习的预测消融术后肝脏肿瘤形态变化的方法
技术领域
背景技术
发明内容
64，再经过一次卷积，输出通道数为2，得到像素分类概率图；所述concat为将两个特征图在通道维度上进行连接。
具体实施方式
64，再经过一次卷积，输出通道数为2，得到像素分类概率图；所述concat为将两个特征图在通道维度上进行连接。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于分簇结构无线传感器网络的数据接收方法及装置 | 2020-09-29 | 0 |
| 基于多变量分组的服务器性能预测方法 | 2021-08-08 | 1 |
| 基于EEMD-ELM的非平稳脉动风速高精度预测方法 | 2023-04-13 | 0 |
| 一种高炉炼铁过程一氧化碳利用率的建模方法 | 2022-07-07 | 0 |
| 基于深度学习的预测消融术后肝脏肿瘤形态变化的方法 | 2020-06-17 | 2 |
| 记忆减退型在线序列极限学习机 | 2020-08-24 | 0 |
| 一种基于快速梯度提升机的风电机组故障检测方法及装置 | 2020-07-14 | 1 |
| 基于结构磁共振的带状疱疹性神经痛疗效预测方法及系统 | 2020-10-13 | 1 |
| 一种造影剂作用下的成像方法与设备 | 2020-06-06 | 1 |
| 基于业务线的预测方法、装置、存储介质及终端 | 2021-02-12 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
