本發(fā)明涉及直腸癌治療輔助系統(tǒng)，具體為從一種基于磁共振圖像分析的直腸癌新輔助放化療療效預(yù)測(cè)方法和系統(tǒng)。

背景技術(shù)：

1、直腸癌是全球范圍內(nèi)常見的惡性腫瘤之一，尤其在消化道癌癥中發(fā)病率較高。局部晚期直腸癌(larc，locally?advanced?rectal?cancer)患者通常需要接受新輔助放化療(neoadjuvant?chemoradiotherapy,ncrt)以縮小腫瘤體積，降低腫瘤分期，從而為后續(xù)的手術(shù)治療創(chuàng)造更有利的條件。然而，臨床上發(fā)現(xiàn)，不同患者對(duì)新輔助放化療的反應(yīng)存在顯著差異，有些患者可以獲得完全緩解(cr)，而另一些患者的治療效果較差，甚至無效。因此，如何在治療開始前準(zhǔn)確預(yù)測(cè)患者對(duì)新輔助放化療的反應(yīng)，對(duì)制定個(gè)性化治療方案、避免不必要的治療副作用、提高治療效率具有重要意義。

2、目前，放化療療效的評(píng)估主要基于術(shù)后病理檢查以及治療后的影像學(xué)評(píng)估，如傳統(tǒng)的ct、mri等影像手段。然而，這些方法通常只能在治療結(jié)束后提供療效信息，無法在放化療前或治療過程中進(jìn)行預(yù)測(cè)，缺乏前瞻性。此外，這些傳統(tǒng)評(píng)估手段主要依賴醫(yī)生的主觀判斷，可能導(dǎo)致一定程度的誤判。隨著醫(yī)學(xué)影像技術(shù)的發(fā)展，磁共振成像(mri)憑借其高軟組織分辨率、無放射性等優(yōu)勢(shì)，逐漸成為直腸癌診斷和療效評(píng)估的重要工具。

3、尤其是近年來，多參數(shù)磁共振成像(mpmri)技術(shù)在腫瘤的定性和定量評(píng)估中顯示出了巨大的潛力。mpmri可以結(jié)合t1加權(quán)成像(t1wi)、t2加權(quán)成像(t2wi)、擴(kuò)散加權(quán)成像(dwi)和動(dòng)態(tài)對(duì)比增強(qiáng)磁共振成像(dce-mri)等多種模態(tài)，提供豐富的組織學(xué)和功能性信息。例如，擴(kuò)散加權(quán)成像能夠反映腫瘤的細(xì)胞密度，通過表觀擴(kuò)散系數(shù)(adc)的計(jì)算，評(píng)估腫瘤組織內(nèi)水分子運(yùn)動(dòng)的自由度；動(dòng)態(tài)對(duì)比增強(qiáng)成像可以評(píng)估腫瘤的血流灌注狀態(tài)，反映腫瘤微循環(huán)的變化。通過綜合分析這些影像學(xué)參數(shù)，能夠全面評(píng)估腫瘤的形態(tài)學(xué)特征及其微觀環(huán)境的變化。

4、此外，隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)的發(fā)展，基于醫(yī)學(xué)影像數(shù)據(jù)的自動(dòng)化分析方法為癌癥治療效果的預(yù)測(cè)提供了新的思路。機(jī)器學(xué)習(xí)算法能夠通過從大規(guī)模數(shù)據(jù)集中自動(dòng)提取特征，并構(gòu)建分類或回歸模型，精確地預(yù)測(cè)患者對(duì)治療的反應(yīng)。這些算法可以結(jié)合影像學(xué)數(shù)據(jù)、臨床數(shù)據(jù)、病理學(xué)指標(biāo)等多維度信息，自動(dòng)篩選出與療效高度相關(guān)的特征，建立高精度的預(yù)測(cè)模型。通過這些模型，醫(yī)生可以在治療開始之前預(yù)判患者對(duì)放化療的敏感性，從而制定更加個(gè)性化的治療方案。

5、盡管目前已有一些研究嘗試使用mri影像及機(jī)器學(xué)習(xí)算法對(duì)直腸癌放化療療效進(jìn)行預(yù)測(cè)，但仍存在以下幾個(gè)問題：

6、影像特征的選擇與融合：傳統(tǒng)的mri影像分析方法大多側(cè)重于單一模態(tài)，難以充分利用多模態(tài)影像(如t1wi、t2wi、dwi、dce-mri)的優(yōu)勢(shì)，缺乏對(duì)多模態(tài)影像特征的有效融合與綜合分析。

7、機(jī)器學(xué)習(xí)模型的泛化能力：在模型訓(xùn)練過程中，如何避免過擬合，提高模型的泛化能力仍是一個(gè)重要挑戰(zhàn)。特別是在小樣本的醫(yī)學(xué)數(shù)據(jù)集上，模型的性能容易受到數(shù)據(jù)量和數(shù)據(jù)質(zhì)量的限制。

8、臨床應(yīng)用的可解釋性：盡管深度學(xué)習(xí)模型在影像識(shí)別任務(wù)中取得了優(yōu)異的性能，但其“黑箱”特性導(dǎo)致模型的可解釋性較低，這使得臨床醫(yī)生在應(yīng)用此類模型時(shí)可能會(huì)產(chǎn)生一定的信任障礙。

9、因此，迫切需要一種結(jié)合多模態(tài)磁共振影像、臨床和病理數(shù)據(jù)，并利用機(jī)器學(xué)習(xí)算法預(yù)測(cè)新輔助放化療療效的綜合性方法和系統(tǒng)。這種方法可以在治療前有效預(yù)測(cè)療效，幫助臨床醫(yī)生根據(jù)患者的個(gè)體化特征制定最優(yōu)治療方案，降低治療風(fēng)險(xiǎn)，提高治療效果。

10、本發(fā)明旨在解決以上問題，提供一種基于磁共振圖像分析的直腸癌新輔助放化療療效預(yù)測(cè)方法和系統(tǒng)，充分利用多模態(tài)mri數(shù)據(jù)，結(jié)合定性、定量分析與臨床病理指標(biāo)，利用機(jī)器學(xué)習(xí)算法構(gòu)建預(yù)測(cè)模型，為larc患者提供個(gè)性化的療效預(yù)測(cè)方案，具有顯著的臨床應(yīng)用價(jià)值。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足之處，提供一種基于磁共振圖像分析的直腸癌新輔助放化療療效預(yù)測(cè)方法和系統(tǒng)，以解決背景技術(shù)中所提出的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于磁共振圖像分析的直腸癌新輔助放化療療效預(yù)測(cè)方法，包括以下步驟：

3、獲取患者的多模態(tài)磁共振圖像，包括t1加權(quán)圖像(t1wi)、t2加權(quán)圖像(t2wi)、擴(kuò)散加權(quán)成像(dwi)和動(dòng)態(tài)對(duì)比增強(qiáng)磁共振成像(dce-mri)；

4、對(duì)獲取的多模態(tài)磁共振圖像進(jìn)行預(yù)處理，包括噪聲去除、圖像標(biāo)準(zhǔn)化、配準(zhǔn)和腫瘤區(qū)域分割，提取感興趣區(qū)域(roi)；

5、通過定性分析獲得腫瘤的形態(tài)學(xué)特征；

6、通過定量分析獲得腫瘤的擴(kuò)散特征和微循環(huán)參數(shù)；

7、結(jié)合臨床指標(biāo)和病理指標(biāo)，構(gòu)建特征集；

8、利用機(jī)器學(xué)習(xí)算法建立療效預(yù)測(cè)模型，包括特征提取、選擇及模型訓(xùn)練；

9、輸入新患者的多模態(tài)磁共振圖像及臨床、病理數(shù)據(jù)，預(yù)測(cè)其對(duì)新輔助放化療的敏感性。

10、作為本發(fā)明優(yōu)選的技術(shù)方案，定性分析包括評(píng)估腫瘤的大小、形狀、邊界清晰度和信號(hào)強(qiáng)度，定量分析包括計(jì)算腫瘤的表觀擴(kuò)散系數(shù)(adc)值、血流量(bf)、血容量(bv)和血管滲透性(ps)。

11、作為本發(fā)明優(yōu)選的技術(shù)方案，表觀擴(kuò)散系數(shù)(adc)通過以下公式計(jì)算：

12、

13、其中，s(b)是擴(kuò)散加權(quán)圖像在擴(kuò)散敏感因子b時(shí)的信號(hào)強(qiáng)度，s(0)是b值為0時(shí)的信號(hào)強(qiáng)度，b是擴(kuò)散敏感因子。

14、作為本發(fā)明優(yōu)選的技術(shù)方案，微循環(huán)參數(shù)包括血流量(bf)、血容量(bv)和血管滲透性(ps)，這些參數(shù)通過動(dòng)態(tài)對(duì)比增強(qiáng)磁共振成像(dce-mri)計(jì)算得到，微循環(huán)參數(shù)的計(jì)算公式如下：

15、

16、其中，ktrans為血管滲透性系數(shù)，ct(t)是在時(shí)間t內(nèi)的腫瘤組織中對(duì)比劑濃度，cp(t)是在時(shí)間t內(nèi)的血漿中對(duì)比劑濃度。

17、作為本發(fā)明優(yōu)選的技術(shù)方案，臨床指標(biāo)包括患者的年齡、性別、腫瘤分期、癌胚抗原(cea)水平；病理指標(biāo)包括ki-67、p53等，所有特征通過下述公式歸一化：

18、

19、其中，x為原始特征值，x′為歸一化后的特征值，min(x)和max(x)分別為特征x的最小和最大值。

20、作為本發(fā)明優(yōu)選的技術(shù)方案，特征集的構(gòu)建采用特征融合方法，將影像學(xué)、臨床和病理數(shù)據(jù)結(jié)合，生成特征向量f：

21、f＝[fimage，fclinical，fpathology]

22、其中，fimage為影像學(xué)特征，fclinical為臨床特征，fpathology為病理特征。特征向量通過主成分分析(pca)進(jìn)行降維，其公式為：

23、z＝xw

24、其中，z為降維后的特征矩陣，x為特征矩陣，w為降維矩陣。

25、作為本發(fā)明優(yōu)選的技術(shù)方案，療效預(yù)測(cè)模型采用機(jī)器學(xué)習(xí)算法，支持向量機(jī)(svm)，其損失函數(shù)如下：

26、

27、其中，w為權(quán)重向量，xi為輸入特征，yi為標(biāo)簽，b為偏置，c為正則化參數(shù)。

28、作為本發(fā)明優(yōu)選的技術(shù)方案，模型訓(xùn)練可以采用隨機(jī)森林(randomforest)算法，其集成公式為：

29、

30、其中，為最終預(yù)測(cè)結(jié)果，m為樹的數(shù)量，fm(x)為第m棵決策樹的預(yù)測(cè)結(jié)果。

31、本發(fā)明還提供了一種直腸癌新輔助放化療療效預(yù)測(cè)系統(tǒng)，包括：

32、圖像采集模塊，用于獲取患者的t1wi、t2wi、dwi和dce-mri影像；

33、圖像處理模塊，用于對(duì)獲取的磁共振圖像進(jìn)行預(yù)處理和腫瘤區(qū)域分割；

34、特征提取模塊，用于提取定性和定量影像特征；

35、數(shù)據(jù)輸入模塊，用于輸入患者的臨床和病理數(shù)據(jù)；

36、模型訓(xùn)練模塊，用于基于影像學(xué)、臨床和病理特征訓(xùn)練療效預(yù)測(cè)模型；

37、預(yù)測(cè)模塊，用于對(duì)新患者的療效進(jìn)行預(yù)測(cè)。

38、作為本發(fā)明優(yōu)選的技術(shù)方案，模型能夠通過集成影像、臨床和病理數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)(如卷積神經(jīng)網(wǎng)絡(luò)，cnn)進(jìn)行深度學(xué)習(xí)，其損失函數(shù)為交叉熵?fù)p失：

39、

40、其中，yi為實(shí)際標(biāo)簽，pi為模型預(yù)測(cè)的概率值，n為樣本數(shù)量。模型可以自動(dòng)優(yōu)化并持續(xù)改進(jìn)預(yù)測(cè)性能。

41、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

42、本發(fā)明提供了一種基于磁共振圖像分析的直腸癌新輔助放化療療效預(yù)測(cè)方法和系統(tǒng)，通過多模態(tài)磁共振成像(如t1wi、t2wi、dwi、dce-mri)獲取豐富的腫瘤形態(tài)和功能信息，結(jié)合臨床和病理數(shù)據(jù)，全面評(píng)估患者對(duì)新輔助放化療的反應(yīng)。該方法通過定量與定性特征的融合，利用先進(jìn)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型提高了療效預(yù)測(cè)的準(zhǔn)確性，能夠?yàn)榛颊咛峁﹤€(gè)性化的治療方案，減少治療的盲目性和不必要的副作用。

43、本發(fā)明充分利用機(jī)器學(xué)習(xí)技術(shù)，自動(dòng)篩選影像、臨床和病理特征，對(duì)預(yù)測(cè)模型進(jìn)行持續(xù)優(yōu)化和改進(jìn)。通過交叉驗(yàn)證和動(dòng)態(tài)監(jiān)測(cè)，模型能夠提供準(zhǔn)確的療效預(yù)測(cè)，支持臨床醫(yī)生在治療前做出科學(xué)決策。特別是對(duì)于不敏感或無效的患者，本發(fā)明能夠及時(shí)調(diào)整治療策略，優(yōu)化治療方案，減少治療時(shí)間和費(fèi)用。

44、綜上所述，本發(fā)明通過非侵入性的方法，提供了一種高效、準(zhǔn)確的療效預(yù)測(cè)工具，具有個(gè)性化治療指導(dǎo)和早期干預(yù)的功能。其在直腸癌新輔助放化療中的廣泛應(yīng)用，不僅提升了患者的預(yù)后效果，還優(yōu)化了醫(yī)療資源的使用，推動(dòng)了直腸癌治療的精準(zhǔn)化和個(gè)性化發(fā)展。