(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210143820.0 (22)申请日 2022.02.17 (71)申请人 厦门大学 地址 361005 福建省厦门市思明区思明南 路422号 (72)发明人 徐丽娜　曾海龙　蔡聪波　蔡淑惠　 陈忠　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 赵兴华 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01)G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种磁共振成像脑胶质瘤IDH基因预测方法 及系统 (57)摘要 本发明涉及图像 分割及检测技术领域， 具体 涉及一种磁共振成像脑胶质瘤IDH基因预测方法 及系统， 该方法包括： 构建脑胶质瘤区域预测 网 络； 预测网络包括生成网络、 判别网络和分割网 络； 生成网络用于源域数据集和目标域数据集域 间的自适应转换； 基于损失目标函数采用源域和 目标域数据集训练预测网络； 损失目标函数根据 对抗损失、 循环一致性损失、 分割损失和分割一 致性损失确定； 采用训练好的脑胶质瘤区域预测 网络对待预测磁共振图像进行脑胶质瘤区域分 割； 分别采用放射组学和深度神经网络提取分割 后的脑胶质瘤区域组学特征和深度特征； 将组学 特征和深度特征结合作为随机森 林算法的输入， 输出IDH基因型的分类。 本发明提高了基因型预 测的鲁棒 性。 权利要求书3页 说明书9页 附图3页 CN 114463320 A 2022.05.10 CN 114463320 A 1.一种磁共 振成像脑胶质瘤IDH基因预测方法， 其特 征在于， 包括： 获取源域数据集和目标域数据集， 所述源域数据集中图像为有标签的磁共振图像， 所 述目标域数据集中图像为无 标签的磁共 振图像； 构建脑胶质瘤区域预测网络； 所述脑胶质瘤区域预测网络包括生成网络、 判别网络和 分割网络； 所述生成网络用于源域数据集和目标域数据集域间的自适应相互转换， 所述生 成网络包括第一生成器和第二生成器， 第一生成器和第二生成器互呈双向循环结构； 所述 判别网络包括第一判别器和第二判别器， 所述第一判别器和所述第一生成器组成第一生成 对抗网络， 所述第二判别器和所述第二生成器组成第二生成对抗网络； 所述分割网络用于 对输入图像进行脑胶质瘤区域分割； 基于损失 目标函数， 采用所述源域数据集和所述目标域数据集训练所述脑胶质瘤区域 预测网络， 获得训练好的脑胶质瘤区域预测网络； 所述损失目标函数根据对抗损失、 循环 一 致性损失、 分割损失和分割一致性损失确定； 所述对抗损失根据所述生成网络和所述判别 网络确定， 所述分割损失通过所述分割网络输出结果与对应标签图像确定， 所述循环一致 性损失为所述生成网络保留输入图像全局语义信息的损失， 所述分割一致性损失为所述分 割网络保留输入图像脑胶质瘤区域语义信息的损失； 采用训练好的脑胶质瘤区域预测网络对待预测磁共振图像进行脑胶质瘤区域分割， 获 得分割后的脑胶质瘤区域； 采用放射组学提取 所述分割后的脑胶质瘤区域组学 特征； 采用深度神经网络提取 所述分割后的脑胶质瘤区域深度特 征； 将所述组学特征和所述深度 特征结合后加入年龄特征作为随机森林算法的输入， 输出 待预测磁共 振图像对应的IDH基因型的分类。 2.根据权利要求1所述的磁共振成像脑胶质瘤IDH基因预测方法， 其特征在于， 所述损 失目标函数为： 其中， λ和γ均表示正则化系数， 为对抗损失， 为循环一致性损失， 为分 割损失， 为分割一 致性损失， GB表示第一 生成器， GA表示第二 生成器， DB表示第一判别器， DA表示第二判别器， S表示分割网络； xA表示目标域数据集中图像， xB表示源域数据集中图像， pd表示概率分布函数， 表示求 期望。 3.根据权利要求1所述的磁共振成像脑胶质瘤IDH基因预测方法， 其特征在于， 将所述 组学特征和所述深度特征结合作为随机森林算法的输入， 输出待预测磁共振图像对应的 IDH基因型的分类， 具体包括：权　利　要　求　书 1/3 页 2 CN 114463320 A 2采用t检验方法分别对所述组学特征和所述深度特征进行特征筛选， 获得筛选后的所 述组学特征和筛选后的所述深度特 征； 将筛选后的所述组学 特征和筛选后的所述深度特 征结合， 获得混合特 征； 将所述混合特征和与所述待预测磁共振图像对应的年龄特征作为随机森林算法的输 入， 输出待预测磁共 振图像对应的IDH基因型的分类。 4.根据权利要求1所述的磁共振成像脑胶质瘤IDH基因预测方法， 其特征在于， 所述获 取源域数据集和目标域数据集之后， 还 包括： 对所述源域数据集和所述目标域数据集中图像进行归一 化处理。 5.一种磁共 振成像脑胶质瘤IDH基因预测系统， 其特 征在于， 包括： 数据采集模块， 用于获取源域数据集和目标域数据集， 所述源域数据集中图像为有标 签的磁共 振图像， 所述目标域数据集中图像为无 标签的磁共 振图像； 脑胶质瘤区域预测网络构建模块， 用于构建脑胶质瘤区域预测网络； 所述脑胶质瘤区 域预测网络包括生成网络、 判别网络和分割网络； 所述生成网络用于源域数据集和目标域 数据集域间的自适应转换， 所述生成网络包括第一生成器和第二生成器， 第一生成器和第 二生成器互呈双向循环结构； 所述判别网络包括第一判别器和第二判别器， 所述第一判别 器和所述第一生成器组成第一生成对抗网络， 所述第二判别器和所述第二生成器组成第二 生成对抗网络； 所述分割网络用于对输入图像进行脑胶质瘤区域分割； 脑胶质瘤区域预测网络训练模块， 用于基于损 失目标函数， 采用所述源域数据集和所 述目标域数据集训练所述脑胶质瘤区域预测网络， 获得训练好的脑胶质瘤区域预测网络； 所述损失目标函数根据对抗损失、 循环一致性损失、 分割损失和分割一致性损失确定； 所述 对抗损失根据所述生成网络和所述判别网络确定， 所述分割损失通过所述分割网络输出结 果与对应标签图像确定， 所述循环一致性损失为所述生成网络保留输入图像全局语义信息 的损失， 所述分割一致性损失为所述分割网络保留输入图像脑胶质瘤区域语义信息的损 失； 脑胶质瘤区域分割模块， 用于采用训练好的脑胶质瘤区域预测网络对待预测磁共振图 像进行脑胶质瘤区域分割， 获得分割后的脑胶质瘤区域； 组学特征提取模块， 用于采用放 射组学提取 所述分割后的脑胶质瘤区域组学 特征； 深度特征提取模块， 用于采用深度神经网络提取所述分割后的脑胶质瘤区域深度特 征； IDH基因型分类模块， 用于将所述组学特征和所述深度特征结合后加入年龄特征作为 随机森林算法的输入， 输出待预测磁共 振图像对应的IDH基因型的分类。 6.根据权利要求5所述的磁共振成像脑胶质瘤IDH基因预测系统， 其特征在于， 所述损 失目标函数为： 其中， λ和γ均表示正则化系数， 为对抗损失， 为循环一致性损失， 为分 割损失， 为分割一致性损失， GB表示第一生成器， GA表示第二生成器， DB表示第一判别 器， DA表示第二判别器， S表示分割网络；权　利　要　求　书 2/3 页 3 CN 114463320 A 3