基于深度学习的乳腺癌保乳术前精准影像辅助决策系统的制作方法

本技术涉及影像学，具体而言，涉及一种基于深度学习的乳腺癌保乳术前精准影像辅助决策系统。

背景技术：

1、乳腺癌是中国及全球女性发病率最高，死亡人数最多的肿瘤类型。目前，保乳术已成为早期乳腺癌首选的手术方式。在保乳手术中，必须在完全切除肿瘤以实现治愈和保留足够健康乳腺组织以达到美容效果之间取得平衡。这个平衡的底线是确保手术中切缘阴性状态。切缘阴性就是切除下来的组织边缘经过活检之后，没有发现癌细胞。如果发现癌细胞则为切缘阳性。大量研究表明，保乳术中肿瘤的切缘状态是决定保乳手术是否成功及影响患者预后的关键因素。

2、随着医学技术的发展和保乳手术观念的革新，最新指南对保乳术中切缘阴性的判定标准为：对于浸润性乳腺癌患者，只需确保“无肿瘤墨迹”；对于纯导管原位癌患者，只需保留2毫米的切缘即可。在这样的最新指南指导下，乳腺外科医生正在逐步将切缘调整到健康组织与已知肿瘤（原发肿瘤）之间的最小边界。在这样的临床实践转变中，术前准确预测乳腺肿瘤周围的空间浸润概率，协助外科医生根据每个患者个性化的情况选择手术方法，调整手术切缘，从而避免或减少因切缘阳性而导致的二次切除或再手术，已成为一个重要的临床需求。

3、尽管病理检查被认为是评估保乳手术切缘状态的金标准，但其方法具有侵入性且耗时，并且存在一定的滞后性。此外，病理检查无法提供肿瘤的全面空间方位信息，限制了其在乳腺癌保乳术前决策中的广泛应用。

4、而乳腺mri由于其软组织分辨率高、无创的特点，成为乳腺癌早期诊断和术前准确分期的重要工具。研究表明，乳腺mri在诊断和筛查乳腺癌方面优于钼靶和超声检查。得益于乳腺mri的高空间分辨率和无创性，它在保乳术前评估中的应用日益广泛。国内外指南也推荐将乳腺mri作为保乳术前评估的首选检查方法。通过术前乳腺mri的全面评估，医生能够更准确地进行术前规划，优化手术切缘，减少复发和再手术的风险。

5、传统乳腺mri方法对于保乳手术的方式选择和术中范围指导，通常仅单纯依赖于影像医生对乳腺mri图像的分析和解读。随后，外科医生根据这些被动提供的mri图像和报告信息，结合实际情况进行讨论，最终确定手术方式以及保乳手术中的肿瘤切除范围。然而，这种传统乳腺mri分析方法存在一些局限性：首先，传统的mri影像的解读高度依赖于医生的专业知识和经验，导致结果可能因人而异。其次，mri影像虽然能显示肿瘤的位置和大小，但难以提供肿瘤与周围健康组织的精准分界，尤其不能很准确地给出肿瘤在其周围三维空间的浸润范围。而目前的，mri系统只能够给出肿瘤的边界情况，但是并不会给出癌细胞的扩散情况，使得医生在短时间内准确解读和决策变得困难。

技术实现思路

1、本技术的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本技术的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、作为本技术的第一个方面，为了解决无法准确的判断肿瘤细胞浸润范围的技术问题，本技术提供了一种基于深度学习的乳腺癌保乳术前精准影像辅助决策系统，包括：

3、临床信息收集模块，用于收集患者的临床信息，以生成患者临床信息的临床特征；

4、影像学信息收集模块，用于收集患者的mri图像，并对mri图像进行肿瘤靶区的勾画和靶区切割，得到肿瘤靶区的影像学特征；

5、数据分析模块，分别与临床信息收集模块和影像学信息收集模块信号连接；

6、数据分析模块，将肿瘤靶区的边缘划分为若干个判定区域；

7、数据分析模块根据判定区域的影像学特征和患者的临床特征，得到边缘区域向外延伸区域的癌细胞残留概率的梯度信息。

8、本技术所提供的技术方案中，数据分析模块能够将肿瘤靶区的边缘划分为多个三维空间判定区域，每个判定区域都会计算对应的细胞残留概率的梯度信息，所以能够以此准确的描绘出肿瘤外侧边缘存在癌细胞的扩散概率，医生在进行保乳术中肿瘤切除范围区域时，可以直接用癌细胞残留概率的梯度信息，辅助保乳术的切缘范围。

9、进一步的，数据分析模块包括判定边缘划分单元、特征融合单元，以及癌细胞残留概率计算单元；

10、其中，判定边缘划分单元用于划分判定区域；

11、特征融合单元，用于对完成筛选的临床信息和影像学特征进行信息融合，得到融合特征；

12、癌细胞残留概率计算单元，用于将融合特征转化为各判定区域外侧的癌细胞残留概率的梯度信息。

13、临床信息多为文字信息，例如患者的疾病史、生理情况的描述，以及患者的年龄等信息，而影像学信息实际上是图片信息，也就是表征出肿瘤外部轮廓或者内部纹理的图片信息。两种信息在融合时，会因为隶属于两种不同维度，神经网络模型很难对这两种信息进行对应的融合，进而使得数据分析模块在建立癌细胞残留概率的梯度信息时，难以准确的评估临床信息，进而导致癌细胞残留概率的梯度模型不符合实际的临床情况。针对这一问题，本技术提供了如下技术方案：

14、进一步的，临床信息收集模块包括临床信息收集单元、临床信息筛选单元，以及临床信息转化单元；

15、临床信息收集单元，用于收集患者的临床信息；

16、临床信息筛选单元，与临床信息收集单元信号连接，用于根据预先配置的临床信息的标准格式，对收集到的临床信息进行过滤和筛选，得到符合标准格式的临床信息；

17、临床信息转化单元，接收符合标准格式的临床信息，并对符合标准格式的临床信息中的各项信息进行数据清洗，以转化为矩阵m1、m2、以及m3；m1、m2、以及m3分别为临床信息的第一数字矩阵，第二数字矩阵，以及第三数字矩阵，临床特征包括第一数字矩阵，第二数字矩阵，以及第三数字矩阵。

18、本技术所提供的技术方案中，针对原有的临床信息和图片不相容的问题。对临床信息进行了标准化处理，标准化处理之后进行数据清洗，进而将原先的文字信息转化为了标准的数字矩阵m，而图像信息实际上就是矩阵信息，进而避免了原先文字信息与数字矩阵信息无法相容的问题，增加了信息融合模型的精度。

19、临床信息的种类和数目非常多，并且很多信息之间又存在时效性。例如，患者的检测结果，有些检测结果是半年前的，有些检测结果又是当天的，不同患者检测的项目可能也不一样。而且在临床工作中，也并不是所有的信息都能够收集完整。针对这一问题，本技术提供如下技术方案：

20、进一步的，临床信息筛选单元采用如下步骤对收集到的临床信息进行过滤和筛选，以得到临床特征：

21、s1：预先配置标准的临床信息的标准格式；

22、标准格式包括若干个临床信息主分类信息，和每个主分类下辖的次级分类信息；

23、s2：对临床信息中各类项目信息按照预先配置的时限要求进行筛选，删除超过时限要求的项目信息；

24、s3：将患者的临床信息中的各类项目信息填入至对应的次级分类信息中；

25、s4：将患者的临床信息中缺失的次级分类信息项目用初始信息进行补充。

26、本技术所提供的技术方案中，预先设置了主分类信息，并且在每个主分类信息下辖对应的次级分类信息，所以患者的临床信息按照该分类方式之后，能够合理的表征出各类项目信息对于肿瘤影响的相关度。而未收集到的信息，则以初始信息替代。所以保证了每个患者的临床信息，在对应的信息种类上都是一致；进而，每个患者的临床特征的格式是一致的，只是对应矩阵中各元素的数值不一致，所以便于神经网络模型对临床特征的内在信息进行挖掘。

27、进一步的临床信息包括患者的年龄、吸烟史、是否绝经、是否有家族乳腺癌病史，是否存在brca基因突变，是否存在其他肿瘤病史，生育信息。

28、进一步的，影像学特征包括：肿瘤整体特征和肿瘤局部特征。

29、癌细胞在肿瘤周围的分散情况虽然呈现一定的随机性，但是总体而言和肿瘤的边缘形态的关系度比较大。目前的方案中，都是基于肿瘤的影像学特征来分析肿瘤的扩散情况，进而得到癌细胞的扩散特性。但是，因为癌细胞的扩散因素非常复杂，还与临床信息相关，而临床信息中的每项信息在不同的肿瘤情况，对于患者的影响是不一样的，而肿瘤在扩散时，实际上也是存在了每个方向都具有特异性的特点，所以将整个临床信息设置为一个权重信息，用于指导癌细胞的分布情况并不准确，从而使得手术切缘阳性的概率增加。针对这一问题，本技术提供了如下技术方案：

30、进一步的，判定边缘划分单元判定区域的划分方式如下：

31、预先配置肿瘤局部特征的换算方法和判定阈值；

32、以判定区域内肿瘤局部特征经过换算后特征间的差值小于判定阈值为准，划分判定区域。

33、本技术所提供的技术方案中，在划分判定区域时，并不是直接按照预先配置的划分比例进行划分，而是根据肿瘤局部特征的区别来进行划分，如果肿瘤局部特征的区别比较小，则设置为一个区域，如果肿瘤局部特征的区别大，则不会设置为一个区域。所以在实践中，因为判定区域划分的特异性，进而能够让临床区域给不同的判定区域设置特异性权重分配，增加对于肿瘤癌细胞扩梯度预测的准确性。

34、进一步的，所述的换算方法和肿瘤局部特征差值的计算方法为汉明距离。

35、进一步的，依据各判定区域在肿瘤轮廓上所占据的表面积比例确定肿瘤外侧区域与判定区域的对应关系。

36、本技术的有益效果在于：

37、1.提高诊断准确性：通过适当的ai算法能够通过学习海量的医学影像数据，识别出微小的肿瘤病灶和细微的病理变化，显著提高诊断的准确性和敏感性。

38、2.减少主观差异：ai分析可以标准化影像解读过程，减少不同医生之间的主观差异，提供更一致可靠的影像评估结果。

39、3.优化手术规划：通过ai对乳腺mri影像的精准分析，医生可以在保乳术前获得更详细的肿瘤空间浸润和边界信息，从而精确规划手术切除范围，确保彻底切除肿瘤并最大限度保留健康组织。

40、4.提高效率：ai分析可以快速处理大量影像数据，减少医生的工作负担，提高诊断和手术规划的效率，为患者提供更快速的治疗方案。

41、5.辅助决策：ai系统可以结合多种数据源（如影像、病理、临床数据），提供全面的决策支持，帮助医生在复杂情况下做出最佳手术方式和手术范围的选择。

技术特征：

1.一种基于深度学习的乳腺癌保乳术前精准影像辅助决策系统，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的乳腺癌保乳术前精准辅助决策系统，其特征在于：数据分析模块包括判定边缘划分单元、特征融合单元，以及癌细胞残留概率计算单元；

3.根据权利要求2所述的基于深度学习的乳腺癌保乳术前精准影像辅助决策系统，其特征在于：临床信息收集模块包括临床信息收集单元、临床信息筛选单元，以及临床信息转化单元；

4.根据权利要求3所述的基于深度学习的乳腺癌保乳术前精准辅助决策系统，其特征在于：临床信息筛选单元采用如下步骤对收集到的临床信息进行过滤和筛选，以得到临床特征：

5.根据权利要求3所述的基于深度学习的乳腺癌保乳术前精准辅助决策系统，其特征在于：临床信息至少包括患者的年龄、吸烟史、是否绝经、是否有家族乳腺癌病史，是否存在brca基因突变，是否存在其他肿瘤病史，生育信息。

6.根据权利要求2所述的基于深度学习的乳腺癌保乳术前精准辅助决策系统，其特征在于：影像学特征包括：肿瘤整体特征和肿瘤局部特征。

7.根据权利要求6所述的基于深度学习的乳腺癌保乳术前精准辅助决策系统，其特征在于：判定边缘划分单元判定区域的划分方式如下：

8.根据权利要求7所述的基于深度学习的乳腺癌保乳术前精准辅助决策系统，其特征在于：所述的换算方法和肿瘤局部特征差值的计算方法为汉明距离。

9.根据权利要求8所述的基于深度学习的乳腺癌保乳术前精准辅助决策系统，其特征在于：依据各判定区域在肿瘤轮廓上所占据的表面积比例确定肿瘤外侧区域与判定区域的对应关系。

技术总结
本申请公开了一种基于深度学习的乳腺癌保乳术前精准影像辅助决策系统。属于影像学技术领域。一种基于深度学习的乳腺癌保乳术前精准影像辅助决策系统，包括临床信息收集模块、影像学信息收集模块、多维度数据融合与分析模块；数据分析模块根据影像专家判定的靶肿瘤区域，获取融合靶肿瘤中间区域影像学特征、临床病理特征等多维度特征，得到靶肿瘤边缘区域向周围空间延伸的癌细胞残留风险概率的梯度信息。本申请所提供的技术方案中，数据分析模块能够将肿瘤靶区的边缘划分为多个三维空间的判定影像区域，每个判定区域都会计算对应的细胞残留概率的梯度信息，所以能够以此准确的描绘出靶肿瘤外侧边缘在三维立体空间存在癌细胞残留的概率。

技术研发人员：罗红兵,杨文龙,陈哲,周鹏,赵世轩,崔婧然
受保护的技术使用者：四川省肿瘤医院
技术研发日：
技术公布日：2024/9/23