一种基于多视图CT影像的基因突变无创检测方法

技术领域

本发明属于肺部CT影像的基因突变无创检测技术领域，具体而言是一种基于多视图CT影像的基因突变无创检测方法。

背景技术

肺部CT影像的基因突变无创检测任务的目标是通过CT影像结合人工智能分析实现对基因突变状态的无创检测。通过明确患者的基因突变状态，帮助医生制定针对的治疗方案，具有广泛的临床应用价值。然而现有的临床方法通过穿刺取出组织样本再进行基因检测来确定基因突变状态，存在有创性、高风险以及难以多次采样等诸多缺点。因此，发展无创的基因突变状态检测方法具有重大的研究意义。近年来，研究者们提出的基于多视图CT影像的基因突变无创检测并获得了成功应用。

然而，现有的基于多视图CT影像的基因突变无创检测方法仍存在一些亟待解决的问题。首先，有研究显示，CT影像的不同视图可以联合反映肺部异常区域在纹理、形状等多方面的病理信息，这种视图间共享的信息对基因突变状态检测具有重要价值。然而，现有的多视图方法大多采用分别学习不同视图特征的策略，忽视对上述跨视图共享信息的有效提取，从而导致检测方法的性能下降。其次，CT影像中通常存在与基因突变状态无关的信息，如视图中出现的肋骨、脊柱等。而现有的多视图方法直接融合来自不同视图的信息，在此过程中不可避免地混入突变状态无关信息，导致生成的多视图表征质量欠佳，进而影响检测的准确性。

发明内容

本发明为解决现有技术的不足之处，提出了一种基于多视图CT影像的基因突变无创检测，以期能在联合CT图像的不同视图学习到视图间共享信息的同时，减少多视图融合过程中混入的突变无关信息，从而能够有效提升基因突变无创检测的准确性和效率。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于多视图CT影像的基因突变无创检测方法的特点在于，包括以下步骤：

步骤1、肺部CT数据的获取以及预处理；

获取带有基因突变类别标签的N个病例的肺部CT影像数据，并使用三线性插值算法将所有肺部CT影像数据进行重采样以统一体素尺寸，从而得到每个病例的肺部CT切片集合及其对应类别标签，记为

以X

将第i个病例的肺部CT图像I

步骤2、构建基因突变无创检测模型；

步骤2.1、构建联合表征学习模块，包括：参数共享编码器E

步骤2.2、构建双对抗表征学习模块，包括：轴状-冠状视图鉴别器D

步骤2.3、构建基因状态检测模块，包括：权重生成模块和分类模块；

步骤3、所述联合表征学习模块对肺部CT图像进行共享信息的提取以及突变无关信息的分离；

步骤3.1、将第i个病例的多视图数据{I

步骤3.2、将第i个病例在轴向视图方向av上的肺部CT图像Ii

将第i个病例在矢状视图方向cv上的肺部CT图像I

将第i个病例在冠状视图方向sv上的肺部CT图像I

步骤4、所述双对抗表征学习模块对共享信息和突变无关信息进行监督；

步骤4.1、以

将

将

步骤4.2、将

步骤5、所述基因状态检测模块对表征进行融合和检测；

步骤5.1、所述权重生成模块利用式(7)生成第i个病例在视图方向n上的权重w

式(7)中，MLP表示多层感知机；

步骤5.2、所述分类模块利用式(8)得到第i个病例多视图数据融合表征F

步骤6、构建总损失函数并对检测模型进行训练，得到训练后的检测模型；

步骤6.1、构建总损失函数L

对N个病例的多视图数据的视图鉴别损失函数{L

对N个病例的多视图数据的突变鉴别损失函数{L

对N个病例的多视图数据的分离损失函数{L

对N个病例的多视图数据的分类损失函数{L

利用式(11)构建总体损失函数L

L

式(7)中，α代表L

步骤6.2、通过Adam优化器不断对基因突变无创检测网络进行训练，并计算总损失函数L

本发明所述的基于多视图CT影像的基因突变无创检测方法的特点也在于：

所述参数共享编码器E

视图鉴别器D

所述权重生成模块和分类模块均包括C

利用式(2)构建第i个病例的视图鉴别损失L

L

式(2)中，L

利用式(1)构建第i个病例的分离损失函数L

式(1)中，

利用式(5)构建第i个病例的突变鉴别损失L

式(5)中，L

利用式(9)构建第i个病例的分类损失函数L

L

本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述基因突变无创检测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述基因突变无创检测方法的步骤。

与已有技术相比，本发明的有益效果体现在：

1本发明方法通过联合CT影像的轴向、冠状和矢状视图的异常位置的中心切片作为多视图输入，并将将其映射到共享子空间以获得视图不变表征，从而充分提取多视图的共享信息；同时，通过学习每个视图的特异性表征，该方法还捕获了每个视图中的突变无关信息，能促使模型学习到更有辨别力的表征，从而有利于提高基因突变无创检测的准确性。

2本发明为了强化对视图不变及特异性表征的学习，设计了一种联合视图鉴别器和突变鉴别器的双对抗学习策略。具体而言，通过建立视图鉴别器与共享编码器的对抗博弈过程，实现视图不变表征间的分布对齐，从而更有效地挖掘视图间的共享信息；突变鉴别器和特异性编码器之间也采用对抗的方式进行训练，确保视图特异性表征与突变状态无关，从而显著减少了多视图融合过程中混入的突变无关信息，有效解决了多视图表征质量不佳的问题，从而有效地提升了模型对基因突变无创检测的性能。

附图说明

图1为本发明的流程示意图；

图2为本发明的网络结构图。

具体实施方式

本实施例中，一种基于多视图CT影像的基因突变无创检测方法，如图1所示，是按如下步骤进行：

步骤1、肺部CT数据的获取以及预处理；

获取带有基因突变类别标签的N个病例的肺部CT影像数据，并使用三线性插值算法将所有肺部CT影像数据进行重采样以统一体素尺寸，从而得到每个病例的肺部CT切片集合及其对应类别标签，记为

以X

将第i个病例的肺部CT图像I

步骤2、如图2所示，构建基因突变无创检测模型；

步骤2.1、构建联合表征学习模块，包括：参数共享编码器E

参数共享编码器E

步骤2.2、构建双对抗表征学习模块，包括：轴状-冠状视图鉴别器D

其中，视图鉴别器D

步骤2.3、构建基因状态检测模块，包括：权重生成模块和分类模块；

权重生成模块和分类模块包括C

步骤3、联合表征学习模块对图像样本进行共享信息提取以及突变无关信息分离；

步骤3.1、将第i个病例的多视图数据{I

步骤3.2、将第i个病例在轴向视图方向av上的肺部CT图像I

将第i个病例在矢状视图方向cv上的肺部CT图像I

将第i个病例在冠状视图方向sv上的肺部CT图像I

步骤3.3、为了鼓励视图不变表征

式(1)中，

步骤4、双对抗表征学习模块对共享信息和突变无关信息进行监督；

步骤4.1、在提取共享信息的过程中难免会受到视图间差异的影响。在实际临床中，医生在分析CT影像时，通常会轴状视图为主，其他两种视图作为辅助，因此很自然地，本发明将这一过程应用到对抗过程中。以

为了减少视图间差异的影响，本实施例引入轴状-冠状视图鉴别器D

引入轴状-矢状视图鉴别器D

利用(2)式为第i个病例的多视图数据构建视图鉴别损失L

L

式(2)中，L

在训练过程中，使用梯度反转层(GRL)训练视图鉴别损失。该层在正向传播期间保持输入不变，但在反向传播期间反转梯度符号。

步骤4.2、在表征学习过程中，不同表征之间会不可避免的产生信息泄漏问题，为解决这一问题，本施例在突变鉴别器D

与之相对的，特异性编码器

式(5)中，L

步骤4.3、利用式(6)构建第i个病例的双对抗损失函数L

L

式(6)中，α

步骤5、所述基因状态检测模块对表征进行融合和检测；

步骤5.1、权重生成模块利用式(7)生成第i个病例在视图方向n上的权重w

式(7)中，MLP表示多层感知机。

步骤5.2、分类模块利用式(8)得到第i个病例多视图数据融合表征F

步骤5.3、利用式(9)构建第i个病例的分类损失函数L

L

步骤6、构建总损失函数并对检测模型进行训练，得到训练后的检测模型；

步骤6.1、构建总损失函数L

对N个病例的多视图数据的视图鉴别损失函数{L

对N个病例的多视图数据的突变鉴别损失函数{L

对N个病例的多视图数据的分离损失函数{L

对N个病例的多视图数据的分类损失函数{L

利用式(11)构建总体损失函数L

L

式(11)中，γ代表L

步骤6.2、通过Adam优化器不断对基因突变无创检测网络进行训练，并计算总损失函数L

本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。

本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。

为了定量地评估本发明提出方法的性能，本实施例展示了将所提出的方法与Su等人、Feng等人的多视图分类方法以及Wu等人、Li等人在多视图医学影像领域的深度学习方法在收集的420例肺部EGFR基因突变CT数据集上进行五折交叉验证实验的性能比较结果，如表1所示；

表1与其他方法的对比

本发明在实验过程中，首先通过联合CT影像的不同视图学习视图间不变表征，充分提取多视图的共享信息，从而可以充分利用到视图间共享的信息。同时，通过学习每个视图的特异性表征，该方法还捕获了每个视图中的突变无关信息，从而显著减少了多视图融合过程中混入的突变无关信息。此外，还通过双对抗表征学习策略来强化不变表征和特异性表征的学习，有效提升了模型的检测性能。