一种乳腺癌分子分型预测方法、系统、介质、设备及终端

本发明属于医疗影像处理、计算机辅助诊断，尤其涉及一种乳腺癌分子分型预测方法、系统、介质、设备及终端。

背景技术：

1、目前，乳腺癌是世界女性范围内发病率最高的癌症，八分之一到十分之一的女性会在一生中患上乳腺癌。如果对乳腺癌患者进行早期筛查并制定全面的治疗计划，可以有效地降低乳腺癌患者的死亡率。乳腺癌具有较高的异质性，乳腺肿瘤的异质性会对患者的治疗反应、预后产生不良影响并且与乳腺癌的转移相关联。因此，异质性是乳腺癌研究中最重要的和临床相关的领域之一。

2、随着临床医学的不断进步，为了评估肿瘤的异质性，乳腺癌的分子分型系统逐渐完善起来。目前最主流的划分方式是将乳腺癌分子分型划分为luminal a型、luminal b型、her2过表达型和三阴性型四种类型。在临床上，通过免疫组化的方法，获取病人的雌激素受体(er)、孕激素受体(progesterone receptor，pr)、人表皮生长因子受体2(her2)与增值细胞核抗原(ki-67)等指标确定乳腺癌的分子分型。在临床诊断中，要想获得患者的免疫组化特征(er、pr、her2、ki-67等)从而确定乳腺癌的分子分型，必须要通过手术手段实现，但会对患者造成不良影响。因此，亟需一种无创的诊断方式确定病人分子分型。

3、随着医疗成像技术的发展，乳腺x光片、超声波成像以及磁共振成像(magneticresonance imaging，mri)等无创的诊断技术被越来越广泛地用于乳腺癌分子分型的确定中。相对于乳腺x光片、超声波成像等成像方式，动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging，dce-mri)具有无辐射、分辨率高的特点，能够较为清晰地呈现出乳腺病灶的组织学和形态学上的特点。除此之外，dce-mri通过注射造影剂拍摄多期图片的方式，体现出了乳腺病变的动力学特征，从中提取的信号强度-时间曲线与乳腺癌的异质性有着很大的关联。目前的研究大多数是基于乳腺的mri数据，利用计算机诊断系统或者是矩阵计算的方式直接提取与乳腺癌异质性相关的量化特征，但是这种方法大多数只着重于乳腺肿瘤的形态学或者图像上直观反映出来的特征，没有发掘到将多期dce-mri图像结合起来才能得到的像素-时间曲线等深层次的异质性特征，而且能够从mri图像中直接提取的动力学特征较少，使得后续预测模型的建立存在着许多困难和挑战。

4、近年来，基于dce-mri的乳腺肿瘤异质性对乳腺癌分子分型进行预测的研究逐渐兴起，但是异质特征的提取方法以及异质特征之间的冗余性与传统的机器学习方法限制着计算机辅助诊断的精确度。dce-mri成像方式复杂，难以开发出一种有效的手段从中获取与乳腺癌分子分型相关的异质性特征，异质性特征之间的冗余性也难以消除。而基于传统的机器学习预测乳腺癌分子分型的方法，由于特征选择的复杂性、分类器的多样性，如何选择有效的特征及合适的分类器是一个难题。因此，亟需设计一种新的乳腺癌分子分型方法。

5、通过上述分析，现有技术存在的问题及缺陷为：

6、(1)在临床诊断中，要想获得患者的免疫组化特征从而确定乳腺癌的分子分型，必须要通过手术手段实现，但有创的方式会对患者造成不良的影响。

7、(2)传统基于乳腺mri数据的乳腺癌分子分型确定方法大多只侧重于乳腺肿瘤的形态学或图像上直观反映的特征，未发掘到将多期dce-mri图像结合才能得到的像素-时间曲线等深层次的异质性特征，且从mri图像中直接提取的动力学特征较少，使得后续预测模型的建立存在着许多困难和挑战。

8、(3)现有基于dce-mri的乳腺肿瘤异质性对乳腺癌分子分型进行预测的方法无法有效获取与乳腺癌分子分型相关的异质性特征，异质特征的提取方法以及异质特征之间的冗余性限制计算机辅助诊断的精确度。

9、(4)基于传统的机器学习预测乳腺癌分子分型的方法，由于特征选择的复杂性、分类器的多样性，如何选择有效的特征及合适的分类器是一个难题。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种乳腺癌分子分型预测方法、系统、介质、设备及终端，尤其涉及一种基于异质子区域分析的乳腺癌分子分型预测方法、系统、介质、设备及终端。

2、本发明是这样实现的，一种乳腺癌分子分型预测方法，乳腺癌分子分型预测方法包括：在乳腺癌的多期dce-mri图像上使用手动分割和边界膨胀方法将乳腺肿瘤和瘤周区域进行提取并作为样本；使用混合物凸分析-隔室建模(convex analysis ofmixtures–compartment modeling，cam-cm)方法分别对瘤周和肿瘤图像进行无监督矩阵分解，将乳腺癌中的异质性信息进行提取和转化，得到动力学异质性不同的子区域图像；将异质子区域图像作为输入训练搭建好的具有自动搜索功能的vit(vision transformer)网络，对异质子区域图像中的深层次特征进行提取；将训练好的网络模型在测试集上进行预测，自动搜索不同的异质子区域组合，评估不同异质子区域的异质性，完成乳腺癌分子分型预测任务。

3、进一步，乳腺癌分子分型方法包括以下步骤：

4、步骤一，乳腺肿瘤和瘤周图像的获取：在原始的乳腺dce-mri图像上，手动勾画乳腺肿瘤的轮廓，生成乳腺肿瘤瘤内的掩膜矩阵，并将掩膜矩阵与原图像像素矩阵相乘后进行图像化处理得到乳腺肿瘤图像；从乳腺肿瘤的边界开始，向外膨胀r个像素点的大小并去除乳腺肿瘤区域，得到乳腺肿瘤的瘤周图像；在每一期的dce-mri图像上，沿着z轴的方向取肿瘤最大的切片的前后各k张切片共得到2k+1张切片，增加不同的肿瘤图像的训练数据；

5、步骤二，将得到的瘤周和瘤内图像进行像素-时间信息处理操作后得到像素时间矩阵并送入cam-cm算法中；cam-cm算法由近邻传播聚类算法和混合物凸分析算法两个模块组成，其中近邻传播算法将给定的像素-时间矩阵中的像素点无初始化地聚类成o个类别，混合物凸分析算法根据聚类得到的聚类中心的结果分析每个像素中所包含的异质性信息并进行分离；cam-cm算法处理后得到j个像素矩阵，将j个像素矩阵可视化后得到j张异质子区域图像；

6、步骤三，将瘤内和瘤周的异质子区域图像送入搭建的具有自动搜索功能的vit网络中，自动遍历所有可能的异质子区域组合，评估所有组合的预测效果，选出最佳组合；计算输入样本标签与网络得到的预测结果之间的交叉熵损失作为损失函数；使用反向传播算法将误差逐层反向传播至输入层，梯度下降法更新网络参数，直至网络收敛；将验证数据集送入训练模型中，评估模型性能；

7、步骤四，将测试数据集送入训练好的模型中，由基于cam-cm算法提取出的异质子区域图像的不同组合预测乳腺癌的分子分型；对测试结果按一个病人的多张切片进行投票，获取分子分型的最终预测结果，并评估网络性能。

8、进一步，步骤一中的在获得的乳腺原始dce-mri图像上对肿瘤区域和瘤周区域的分割与处理包括：

9、(1)在获取得到的乳腺dce-mri图像中，对原始图像中的肿瘤区域进行手动分割；

10、(2)将软件生成的原始图像、分割后的肿瘤区域掩模图像数据转换成像素矩阵表示的形式；

11、(3)在瘤内区域掩膜像素矩阵中，使用膨胀的方法得到瘤周区域掩膜像素矩阵；将原始图像的像素矩阵与瘤内和瘤周区域的掩膜像素矩阵相乘并进行可视化，得到乳腺肿瘤和瘤内的图像；

12、(4)使用遍历切片的方式确定乳腺肿瘤最大的切片，以最大切片为中心上下选择k张切片得到共2k+1张切片并取瘤周图像中对应的2k+1张切片；

13、(5)将处理后的肿瘤区域和瘤周区域的多张切片图像作为异质子区域提取的输入数据。

14、进一步，步骤二中的肿瘤区域和瘤周区域的异质子区域的提取包括：

15、(1)获取病人多期乳腺dce-mri图像的肿瘤和瘤周区域，每期取2k+1张切片，将多期图像中的对应切片图像像素矩阵展开后合并为像素时间矩阵；

16、(2)对像素-时间矩阵的列数进行遍历，去除图像中的背景区域；

17、(3)将处理后的矩阵送入cam-cm算法中进行处理，使用近邻传播聚类算法对输入矩阵中的像素点进行无初始化地聚类，再使用期望最大化算法将聚类后得到的聚类中心进行优化；使用基于最小边界误差准则的凸优化算法将聚类中心进行处理，再使用最小二乘拟合求解出异质子区域的像素矩阵；

18、(4)将背景部分插入回异质子区域矩阵中，恢复到原像素时间矩阵的大小；

19、(5)将恢复后的矩阵每一行分别取出并进行可视化操作，得到三张异质子区域的图像；

20、(6)对所有病人的2k+1张切片依次进行处理，得到每个病人肿瘤区域和瘤周区域的2k+1张切片对应的异质子区域图像并组成数据集。

21、进一步，步骤三中的将训练数据集送入构建的具有自动搜索功能的vit网络中训练网络模型包括：

22、(1)将包含肿瘤区域和瘤周区域的共2j张异质子区域图像作为训练数据，送入构建的具有自动搜索功能的vit网络中；

23、(2)将经过l个transformer编码模块得到的2j张特征图与自动搜索编码器产生的编码加权取平均，得到融合后的特征图；

24、(3)将融合后的特征图经过g个transformer编码模块以及多层感知机层后，输出网络的分子分型预测结果；

25、(4)计算网络的预测结果与训练数据的真实标签之间的分类交叉熵损失函数作为网络的损失函数，则给定样本标签为yi,i∈(1,…,n)情况下的损失函数为：

26、

27、其中，n为样本个数，pi为网络将样本预测为正样本的概率；

28、利用反向传播算法将误差逐层反向传播至输入层，梯度下降法更新网络参数，直至网络收敛至局部最优；

29、(5)将验证数据集送入训练模型中，评估模型性能。

30、进一步，步骤四中的在测试集上对训练好的模型进行测试包括：

31、(1)将测试数据集送入训练好的模型中，确定由cam-cm提取的异质子区域图像对应的乳腺肿瘤属于哪种分子分型；

32、(2)对测试结果进行病人级别的投票，获取分子分型标签，评估网络性能。

33、本发明的另一目的在于提供一种应用所述的乳腺癌分子分型预测方法的乳腺癌分子分型预测系统，乳腺癌分子分型预测系统包括：

34、区域提取模块，用于在乳腺癌的多期dce-mri图像上，使用手动分割和边界膨胀的方法将乳腺肿瘤和瘤周区域进行提取并作为样本；

35、图像分解模块，用于使用混合物凸分析-隔室建模方法分别对瘤周和肿瘤图像进行无监督矩阵分解，得到与肿瘤异质性相关的异质子区域图像；

36、vit网络构建模块，用于以具有不同药代动力学异质性特征的异质子区域图像作为输入，乳腺癌分子分型作为输出，构建具有自动搜索功能的vit网络；

37、乳腺癌分型预测模块，用于将训练数据集送入vit网络计算损失函数并训练网络；将训练好的网络模型在测试集上进行预测，预测乳腺癌分子分型。

38、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的乳腺癌分子分型预测方法的步骤。

39、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的乳腺癌分子分型预测方法的步骤。

40、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的乳腺癌分子分型预测系统。

41、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

42、第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

43、本发明的基于异质子区域分析的乳腺癌分子分型预测方法，在乳腺癌的多期dce-mri图像上，使用手动分割以及边界膨胀的方法将乳腺肿瘤和瘤周区域提取出来作为样本；使用混合物凸分析-隔室建模(convex analysis of mixtures-compartment modeling，cam-cm)算法分别对瘤周和肿瘤图像进行无监督的矩阵分解，得到与肿瘤异质性相关的异质子区域图像；将异质子区域图像作为输入数据训练搭建好的具有自动搜索功能的vit(vision transformer)网络中；训练好的网络模型在测试集上进行预测，完成乳腺癌分子分型的预测。

44、本发明使用cam-cm算法提取出来的异质子区域能够有效地反应出乳腺肿瘤的不同分子分型之间的异质性特征，并且图像化的方式还包含有更深层次的特征。本发明使用自动搜索思想能够有效去除异质子区域图像之间包含的冗余特征，提高模型的效率和精度。另外，本发明还利用有效的深度学习网络模型可以用于乳腺癌分子分型的分类，为乳腺癌提供了一种辅助诊断治疗的方式，避免了手术对人体的损害，并有效减少了人工诊断带来的误差。

45、本发明充分利用了乳腺dce-mri数据中包含的与乳腺癌分子分型相关的药代动力学异质性特征，全面考虑了乳腺肿瘤及其周围区域的信息；通过使用具有自动搜索功能的vit替代了传统的机器学习方法，去除了异质子区域图像中包含的冗余信息，提取了异质子区域图像中的深层次特征，提高了模型的预测精度。本发明可以用于乳腺癌分子分型的分类，可以为临床提供辅助诊断治疗手段，为医生诊断提供参考。

46、第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

47、本发明有效地提取出了乳腺肿瘤中所包含的药代动力学异质性，并且不同于传统方法中的量化特征，将其作为图像化的形式呈现出来，保留了更多的乳腺肿瘤异质性特征；所搭建的网络能够对不同异质区域组合进行自动搜索，实现了乳腺癌分子分型的预测，相较于传统的影像组学方法，有更加高的精度。本发明在实现乳腺癌分子分型预测的同时，提供了一种乳腺癌动力学异质性的研究思路，对后续的将乳腺癌动力学异质性应用于乳腺癌诊断中的研究具有重要参考价值。

48、第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

49、(1)本发明的技术方案转化后的预期收益和商业价值为：

50、乳腺癌是一种常见的恶性肿瘤，本发明提出的乳腺癌分子分型预测方法的应用有望为乳腺癌的早期诊断、精准治疗和个性化医疗提供有效手段。预期收益包括但不限于以下几个方面：提高乳腺癌的诊断准确性和有效性，降低误诊率和漏诊率，提高治疗效果和生存率；实现个性化医疗，根据患者的分型结果为其量身定制治疗方案，避免不必要的治疗和药物副作用；增加患者对乳腺癌治疗的信心和满意度，提升医院的品牌价值和口碑。

51、本发明的商业价值主要包括：市场前景广阔。据统计，全球每年有超过200万人被诊断为乳腺癌，乳腺癌的患病率和死亡率居女性恶性肿瘤之首。因此，乳腺癌分子分型预测方法具有广阔的市场前景和潜在的商业价值；技术领先。本发明基于乳腺癌的异质性研究，从分子分型分类依据出发，具有较高的准确性和可靠性，与其他乳腺癌分子分型方法相比具有明显的技术优势和领先地位；合作机会。本发明可以为医药企业和医疗机构提供合作机会，共同开发和推广相关产品和服务，实现互利共赢的商业模式。

52、(2)本发明的技术方案填补了国内外业内技术空白：

53、本发明独特性地将重点放在乳腺癌异质性上，以乳腺癌分子分型为预测任务，对乳腺癌的动力学异质性进行了不同程度的评估，这是过往的研究中未曾涉及的方法。