[发明专利]肺部轮廓分割、肿瘤免疫浸润分类系统及方法

说明书

本发明提供了肺部轮廓分割、肿瘤免浸润分类系统及方法。包括：对第一数据集中的第一数据进行预处理；将预处理后的所述第一数据输入Unet网络进行训练得到分割网络；将第二数据集输入分割网络进行分割得到肺部区域分割结果；根据所述肺部区域分割结果得到第三数据集，对所述第三数据集中的第三数据进行预处理，同时处理肿瘤最大矩形区域得到注意力图，得到免疫浸润类型分类。该肺部轮廓分割、肿瘤免浸润分类系统改善了现有技术中医生肉眼区分不同的免疫浸润类型在CT上的影像表现难度较大的问题。

技术领域

本发明涉及计算机多媒体技术领域，尤其是涉及一种基于深度学习的肺部轮廓分割、肿瘤免浸润分类系统及方法。

背景技术

通过发挥促肿瘤作用和抗肿瘤作用，浸润肿瘤的免疫细胞可以深刻影响肿瘤的进展以及抗癌治疗的成功。因此，肿瘤浸润免疫细胞的量化有望揭示免疫系统在人类癌症中的多方面作用，并参与肿瘤逃逸机制和对治疗的反应。我们可以使用生物信息学方法从人肿瘤的RNA测序数据中量化肿瘤浸润的免疫细胞。

医生团队对肺癌肿瘤免疫浸润进行分析，通过对样本进行免疫分型，并分析免疫相关细胞激活程度，结合关键蛋白表达等分析了不同亚型样本的免疫浸润程度及预测了不同亚型的预后。免疫调节剂及细胞通讯分析则为不同亚型个体的免疫治疗提供指导作用。

CT扫描可探测肺部病变情况，不同的免疫浸润类型在CT上有一定的影像表现，但医生肉眼区分难度较大。

发明内容

本发明的目的在于提供一种基于深度学习的肺部轮廓分割、肿瘤免疫浸润分类系统及方法，该基于深度学习的肺部轮廓分割、肿瘤免疫浸润分类系统能够解决现有技术中医生肉眼区分不同的免疫浸润类型在CT上的影像表现难度较大的问题。

为了实现上述目的，本发明提供如下技术方案：

一种肺部轮廓分割方法，所述方法具体包括：

S101，对第一数据集中的第一数据进行预处理；

S102，将预处理后的所述第一数据输入Unet网络进行训练得到分割网络；

一种肿瘤免疫浸润分类方法，所述方法具体包括：

S101，对第一数据集中的第一数据进行预处理；

S102，将预处理后的所述第一数据输入Unet网络进行训练得到分割网络；

S103，将第二数据集输入分割网络进行分割得到肺部区域分割结果；

S104，根据所述肺部区域分割结果得到第三数据集，对所述第三数据集中的第三数据进行预处理，同时处理肿瘤最大矩形区域得到注意力图，得到免疫浸润类型分类。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步地，得到第三数据集具体包括：以肿瘤区域最大区域所在的CT切片为中心，上下各取8层CT切片，形成所述第三数据集。

进一步地，得到免疫浸润类型分类具体包括：将所述第三数据集中的CT图像读取为RGB三通道，通过imagenet均值方差将所述RGB三通道归一化；将肿瘤最大矩形区域的角点坐标输入所述分类网络，所述分类网络根据生成肿瘤区域为1，其余区域为0的注意力图；resnet输出特征图，根据所述特征图的大小等比例缩放所述注意力图。

进一步地，得到免疫浸润类型分类具体还包括：将RGB三通道归一化后的第三数据集和所述注意力图输入所述分类网络，通过resnet作为backbone提取第一数据和所述注意力图中肿瘤的高阶特征。

进一步地，得到免疫浸润类型分类具体还包括：将所述高阶特征输入注意力模块，将所述特征图与所述注意力图相乘，得到肿瘤局部特征图，将肺部全局特征图和所述肿瘤局部特征图拼接在一起，作为注意力模块的输出；