一种基于机器学习的头颈肿瘤远端转移预测方法

摘要

本发明涉及一种基于机器学习的头颈肿瘤远端转移预测方法，通过构建改进的卷积神经网络，通过发生远端转移的头颈肿瘤患者的头颈部CT图像数据对构建的网络模型进行训练，训练完成后，将实时拍摄的头颈肿瘤患者的头颈部CT图像输入至网络模型中，输出结果作为对头颈肿瘤患者的头颈部CT图像的远端转移预测。本发明采用影像组学的方法代替活检方法对头颈部癌症进行远端转移的预测，避免头颈部病人承受多次活检的痛苦，采用深度学习的方法对原影像组学的特征提取算法进行补充，解决头颈部医学图像较少的问题。

说明书

技术领域

本发明涉及深度学习技术领域，更具体地说，涉及一种基于机器学习的头颈肿瘤远端转移预测方法、计算机设备及存储介质。

背景技术

头颈部恶性肿瘤约占全身恶性肿瘤的5％，由于解剖结构复杂等原因，手术虽为治疗的主要方式，但根治性切除率较低，并且早期临床症状隐匿，患者就诊时多已处于肿瘤中晚期，故一直是肿瘤治疗上的难点。头颈部恶性肿瘤的诊断通常需要结合病史、体征、内镜下活组织病理检查及相关影像学检查，其中影像学检查有助于肿瘤的检测、分期及治疗预后的评估。预测肿瘤是否转移对于医生制定手术方案有重要指导意义。影像组学是临床医学的新兴方法，指通过定量医学影像来描述肿瘤的异质性，构造大量纹理图像特征，对临床问题进行分析决策。利用先进机器学习方法实现的影像组学已经大大提高了肿瘤良恶性的预测准确性。研究表明，通过客观定量的描述影像信息，并结合临床经验，对肿瘤进行术前预测及预后分析，将对临床产生更好的指导价值。深度学习已经在自然图像分类上取得了骄人的成绩，目前也已有研究将深度学习应用于医学影像处理诊断，但是头颈部癌症的影像资料较少。

发明内容

本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种基于机器学习的头颈肿瘤远端转移预测方法、计算机设备及存储介质。

本发明解决其技术问题所采用的技术方案是：构造一种基于机器学习的头颈肿瘤远端转移预测方法，包括：

获取发生远端转移的头颈肿瘤患者的头颈部CT图像数据，进行图像预处理后，划分训练集和测试集；

在卷积神经网络的第三层重采样后增加LRN层，在第六层全连接层后使用Dropout层，构建改进的卷积神经网络模型，并将作为训练集的发生远端转移的头颈肿瘤患者头颈部CT图像数据输入改进的卷积神经网络模型中进行训练，调节网络参数与函数，至输出的结果为准确分类结果为止，训练完成后将作为测试集的发生远端转移的头颈肿瘤患者头颈部CT图像数据输入训练好的改进的卷积神经网络模型，验证改进的卷积神经网络模型的准确性；

将实时拍摄的头颈肿瘤患者的头颈部CT图像数据输入训练完成的改进的卷积神经网络模型，通过网络模型的计算，输出的结果作为对输入的头颈肿瘤患者的头颈部CT图像数据的远端转移预测结果。

其中，在验证改进的卷积神经网络模型的准确性的步骤中，计算阳性预测值(PPV)、阴性预测值(NPV)、阳性似然比(PLR)和阴性似然比(NLR)，用于验证改进的卷积神经网络模型的准确性。

其中，图像预处理的方式至少包括对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行图像去噪、图像滤波、特征增强、归一化及数据扩增的操作。

其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行图像滤波的步骤中，采用边缘检测算法的方式增强头颈肿瘤患者的头颈部CT图像中的纹理特征，以提高模型识别的准确性。

其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行特征增强的步骤中，包括步骤：

用发生远端转移的头颈肿瘤患者的头颈部CT图像数据的原图减去高斯模糊(GaussianBlur)图，得到两图差异；

用GaussianBlur算法得到最终特征增强后的发生远端转移的头颈肿瘤患者的头颈部CT图像数据。

其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行归一化的步骤中，将数据增强后的发生远端转移的头颈肿瘤患者的头颈部CT图像数据固定至512*512的分辨率。

其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行数据扩增的步骤中，对图像进行缩放、旋转、翻转、改变亮度操作。

其中，采用模型准确率、空间复杂度两个指标来客观评价改进的卷积神经网络的分类效果：

用于评估模型分类效果的指标有准确率和平均准确率，计算公式分别如下：

其中m

用模型空间复杂度来评估模型的好坏，模型空间复杂度决定了模型的参数数量，模型参数越多，训练模型所需的数据量就越大，当训练数据量不足以匹配模型参数时，会导致训练模型过拟合问题；模型空间复杂度由模型总参数量和各层输出特征图的空间占用两部分组成，计算公式如下：

其中D、K、M分别表示卷积神经网络的卷积层数、特征图尺寸以及卷积核尺寸，n表示卷积神经网路卷积层标签，C表示卷积层的输出通道数，同时也等于上一卷积层的输出通道数，式中第一项表示神经网络模型总参数量，第二项表示输出特征图的空间占用。

此外，本发明构建了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如前述技术方案所述的基于机器学习的头颈肿瘤远端转移预测方法中的步骤。

此外本发明构建了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前述技术方案所述的基于机器学习的头颈肿瘤远端转移预测方法中的步骤。

本发明提供了一种基于机器学习的头颈肿瘤远端转移预测方法，通过构建改进的卷积神经网络，通过发生远端转移的头颈肿瘤患者的头颈部CT图像数据对构建的网络模型进行训练，训练完成后，将实时拍摄的头颈肿瘤患者的头颈部CT图像输入至网络模型中，输出结果作为对头颈肿瘤患者的头颈部CT图像的远端转移预测。本发明采用影像组学的方法代替活检方法对头颈部癌症进行远端转移的预测，避免头颈部病人承受多次活检的痛苦，采用深度学习的方法对原影像组学的特征提取算法进行补充，解决头颈部医学图像较少的问题。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明提供的一种基于机器学习的头颈肿瘤远端转移预测方法的流程示意图。

图2是本发明提供的一种基于机器学习的头颈肿瘤远端转移预测方法中的计算机设备的结构示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

如图1所示，本发明提供了一种基于机器学习的头颈肿瘤远端转移预测方法，包括：

获取发生远端转移的头颈肿瘤患者的头颈部CT图像数据，进行图像预处理后，划分训练集和测试集；

在卷积神经网络的第三层重采样后增加LRN层，在第六层全连接层后使用Dropout层，构建改进的卷积神经网络模型，并将作为训练集的发生远端转移的头颈肿瘤患者头颈部CT图像数据输入改进的卷积神经网络模型中进行训练，调节网络参数与函数，至输出的结果为准确分类结果为止，训练完成后将作为测试集的发生远端转移的头颈肿瘤患者头颈部CT图像数据输入训练好的改进的卷积神经网络模型，验证改进的卷积神经网络模型的准确性；

将实时拍摄的头颈肿瘤患者的头颈部CT图像数据输入训练完成的改进的卷积神经网络模型，通过网络模型的计算，输出的结果作为对输入的头颈肿瘤患者的头颈部CT图像数据的远端转移预测结果。

头颈部恶性肿瘤的远端转移，是肿瘤治疗失败和死亡的主要原因之一，也是耳鼻咽喉-头颈外科临床的难题之一。近年来各家报告的头颈部肿瘤远端转移率，因临床检查方法有别而结果悬殊很大，一般临床诊断的远端转移率较低，但是死亡后的尸检分析却有较高的转移率。头颈部肿瘤的远端转移，转移部位按照转移率依次为：肺部、骨、肝、纵膈，就头颈部肿瘤的整体而言，肺转移居首位。尽管临床诊断的远端转移率不高，但是鉴于实际转移率高，明显影响病人的生存率，因此需要对头颈部肿瘤进行远端转移预测，以期发现远端转移并进行针对治疗，提高生存率。

其中，在验证改进的卷积神经网络模型的准确性的步骤中，计算阳性预测值(PPV)、阴性预测值(NPV)、阳性似然比(PLR)和阴性似然比(NLR)，用于验证改进的卷积神经网络模型的准确性。

其中，图像预处理的方式至少包括对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行图像去噪、图像滤波、特征增强、归一化及数据扩增的操作。

其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行图像滤波的步骤中，采用边缘检测算法的方式增强头颈肿瘤患者的头颈部CT图像中的纹理特征，以提高模型识别的准确性。

其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行特征增强的步骤中，包括步骤：

用发生远端转移的头颈肿瘤患者的头颈部CT图像数据的原图减去高斯模糊(GaussianBlur)图，得到两图差异；

用GaussianBlur算法得到最终特征增强后的发生远端转移的头颈肿瘤患者的头颈部CT图像数据。

其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行归一化的步骤中，将数据增强后的发生远端转移的头颈肿瘤患者的头颈部CT图像数据固定至512*512的分辨率。

其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行数据扩增的步骤中，对图像进行缩放、旋转、翻转、改变亮度操作。

其中，采用模型准确率、空间复杂度两个指标来客观评价改进的卷积神经网络的分类效果：

用于评估模型分类效果的指标有准确率和平均准确率，计算公式分别如下：

其中m

用模型空间复杂度来评估模型的好坏，模型空间复杂度决定了模型的参数数量，模型参数越多，训练模型所需的数据量就越大，当训练数据量不足以匹配模型参数时，会导致训练模型过拟合问题；模型空间复杂度由模型总参数量和各层输出特征图的空间占用两部分组成，计算公式如下：

其中D、K、M分别表示卷积神经网络的卷积层数、特征图尺寸以及卷积核尺寸，n表示卷积神经网路卷积层标签，C表示卷积层的输出通道数，同时也等于上一卷积层的输出通道数，式中第一项表示神经网络模型总参数量，第二项表示输出特征图的空间占用。

此外，本发明构建了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如前述技术方案所述的基于机器学习的头颈肿瘤远端转移预测方法中的步骤。

此外本发明构建了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前述技术方案所述的基于机器学习的头颈肿瘤远端转移预测方法中的步骤。

如图2所示，本发明提供了一种存储介质11，存储介质11可被处理器12读写，存储介质11存储有计算机指令111，计算机可读指令111被一个或多个处理器12执行时，使得一个或多个处理器12执行如前述技术方案所述的基于机器学习的头颈肿瘤远端转移预测方法的步骤。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。