一种生物学引导的乳腺癌pCR跨中心预测方法

本发明属于医学影像智能分析，特别是涉及一种生物学引导的乳腺癌pcr跨中心预测方法。

背景技术：

1、乳腺癌新辅助化疗后的病理完全缓解（pcr，pathologic complete response）是评价新辅助治疗反应、判断预后并辅助制定后续治疗策略的重要参考指标，mri（magneticresonance imaging）能够反映肿瘤形态、强化特征及血流动力学变化，因此常用于无创评估新辅助治疗疗效，并可作为预测术后病理pcr状态的重要影像学手段，从而帮助提前判断术前治疗反应，为后续治疗策略及手术方案优化提供参考。近年来，transformer类图像分类方法被逐渐引入医学影像分析，但在多中心乳腺mri场景下，现有方法仍难以同时解决三维空间建模、跨中心稳定预测和非因果特征干扰等问题。

2、transformer类图像分类方法最早主要以vit为代表，然而vit通常需要大规模数据进行训练，对医学影像这类标注样本有限的数据并不友好，且vit是将图像切分为较大的patch后再进行建模，容易削弱局部细节信息。对于乳腺mri而言，肿瘤边界、局部强化差异和周围组织反应均可能与pcr相关，如果patch粒度过粗，模型容易忽略这些细微但具有临床意义的特征。为降低自注意力计算量并增强层级特征表达，swin transformer提出了窗口注意力和移位窗口注意力结构，该方法先在局部窗口内计算注意力，再通过窗口移位实现不同窗口之间的信息交互，从而兼顾计算效率和上下文建模能力。

3、虽然swin transformer在自然图像分类和检测任务中表现较好，也被进一步扩展到医学影像场景中，但现有swin transformer类结构主要关注三维空间特征提取，本质上仍采用统一的特征变换路径，所有样本均通过同一组参数完成映射，在单中心或同分布数据中，这种设计可以有效学习通用表征。但在多中心乳腺mri中，不同医院的扫描仪型号、磁场强度、增强协议、采集时间点和重建参数均可能不同，会导致影像强度分布、纹理风格和背景噪声存在明显差异。统一的特征变换路径容易将pcr相关的肿瘤生物学特征与中心特异的成像风格混合编码，容易造成模型在训练中心或内部测试集上表现较好，而在外部中心上的预测性能会明显下降。

4、因此，现有transformer类图像分类方法虽具备较强的三维空间建模能力，但缺少面向多中心乳腺mri的域差异解耦机制；现有域泛化方法虽关注跨域稳定性，但多数停留在数据增强、整体特征对齐或抽象不变性约束层面，难以在模型内部明确分离pcr相关跨中心稳定表征与中心特异噪声。因而，亟需一种新的医疗影像分析方法，在不单纯依赖目标域标注或额外领域判别器的情况下，提高乳腺癌pcr预测模型在多中心数据中的稳定性、泛化性和临床适用性。

技术实现思路

1、本发明实施例的目的在于提供一种生物学引导的乳腺癌pcr跨中心预测方法，以解决现有乳腺mri分析方法在pcr概率预测不稳定的问题。

2、为解决上述技术问题，本发明所采用的技术方案是一种生物学引导的乳腺癌pcr跨中心预测方法，步骤包括：

3、步骤s1，获取乳腺癌患者的mri体数据、新辅助治疗后的pcr标签及生物学辅助标签；

4、步骤s2，对mri体数据进行预处理，获取患者的标准化mri体数据；

5、步骤s3，对标准化mri体数据进行数据增强，生成标准化mri体数据三维掩码；

6、步骤s4，对标准swin3d中的swin3d block进行改进，然后构建编码器，将标准化mri体数据、两种增强视图遮蔽后的mri体数据分别输入编码器，获取对应的全局影像表征；

7、步骤s5，计算生物学多标签监督损失、三维掩码重构损失、风格不变对比损失和专家负载均衡损失及联合预训练总损失；

8、步骤s6，对每个患者分别执行s3~s5，并根据联合预训练总损失执行反向传播算法，更新模型参数；

9、步骤s7，冻结完成联合预训练的编码器参数，并加入pcr分类头，提取患者全局影像表征，获取患者达到病理完全缓解的概率，并计算pcr分类损失；

10、步骤s8，将待预测乳腺癌患者mri体数据输入完成训练的pcr预测模型，获取该待预测乳腺癌患者的pcr预测概率。

11、进一步的，所述s2中的预处理包括体素间距统一、尺寸调整、感兴趣区域裁剪，计算出感兴趣区域的灰度均值和标准差后执行标准化，得到患者的标准化mri体数据。

12、进一步的，所述s3中的具体步骤如下：

13、s31，随机选取强度扰动、随机裁剪、随机噪声注入和随机空间变换四种增强方式中的两种，对标准化mri体数据进行数据增强，表达式如下：

14、

15、其中，表示第一种数据增强操作，表示第二种数据增强操作，表示第一种增强视图，表示第二种增强视图；

16、s32，通过mae类方法生成标准化mri体数据的三维掩码，对mri体数据中的部分三维空间区域进行遮蔽，得到遮蔽后的mri体数据，公式如下：

17、

18、式中，表示三维掩码，=1的位置表示该位置对应的体素被遮蔽，=0的位置表示该位置被保留；表示逐元素相乘。

19、进一步的，所述s4中，对swin3d block的改进具体为：保留标准swin3d block的窗口多头自注意力和移位窗口多头自注意力机制，将每个swin3d block中的mlp子层替换为cds-moe模块，改进后的swin3d block记为cds-moe-swin3d block；

20、所述cds-moe-swin3d block包括四个子层，第一子层包括一个层归一化ln和一个窗口多头自注意力层w-msa，第二子层包括一个层归一化ln和第一cds-moe模块，第三子层包括一个层归一化ln和一个移位窗口多头自注意力层sw-msa，第四子层包括一个层归一化ln和第二cds-moe模块。

21、进一步的，所述cds-moe模块包括一个门控网络gate、一个共享专家es和个独立专家e，具体的：首先门控网络将输入的上一个子层输出结果层归一化后的归一化特征映射到维度空间，得到每个独立专家的原始得分，通过将原始得分转换为概率分布，得到每个独立专家的权重，其中，第一cds-moe模块中，独立专家权重的计算公式如下：

22、

23、

24、式中，表示第一子层输出的特征序列层归一化后的归一化特征，表示门控网络中的权重矩阵，表示门控网络中的偏置向量，和均为可学习参数，表示第个独立专家的门控权重，共有个独立专家，表示概率分布映射函数；

25、第二cds-moe模块中独立专家权重的计算方法和第一cds-moe模块相同，区别仅在于输入门控网络的是第三子层输出的特征序列层归一化后的归一化特征；

26、然后选择权重最高的个独立专家，将第一子层输出的特征序列层归一化后的归一化特征输入共享专家模块和被选中的个独立专家模块，计算得到第二子层的输出特征序列，公式如下：

27、

28、式中，表示第一cds-moe模块中的共享专家，表示第一cds-moe模块中被选中的第个独立专家，表示被选中的第个独立专家的对应的门控权重，表示被选中的独立专家的总数量；

29、第二cds-moe模块的架构及计算方法与第一cds-moe模块相同，区别仅在于输入门控网络的是第三子层输出的特征序列层归一化后的归一化特征。

30、进一步的，所述s4中，将标准化mri体数据、两种增强视图和、遮蔽后的mri体数据分别输入编码器，获取对应全局影像表征的具体步骤如下：

31、s42a，将患者的标准化mri体数据输入三维patch嵌入模块，将划分为多个不重叠三维patch，并将每个patch映射到统一维度的token表示，得到带有三维空间位置信息的token序列，三维patch嵌入过程表示为：

32、

33、式中，表示第个患者的带有三维空间位置信息的token序列，表示三维patch划分和线性嵌入操作；

34、每个patch的尺寸为，patch数量为：

35、

36、式中，表示标准化mri体数据在patch嵌入模块中被划分的patch数量，、、分别表示mri体数据的深度、高度、宽度，、、分别表示每个patch的深度、高度、宽度；

37、s42b，将带有三维空间位置信息的token序列划分为两个并行分支，一支输入第一个cds-moe-swin3d block，另一支直接与第一个cds-moe-swin3d block的输出特征序列相加，融合后的结果再次划分为两个分支，一支输入下一个cds-moe-swin3d block，另一支与下一个cds-moe-swin3d block的输出特征序列相加，经过个cds-moe-swin3d block处理后得到的最终特征序列全局池化后得到患者标准化mri体数据的全局影像表征，第个cds-moe-swin3d block中的计算过程如下：

38、

39、

40、

41、

42、式中，表示第个cds-moe-swin3d block输出的特征序列，表示层归一化，表示窗口多头自注意力，表示移位窗口多头自注意力，表示第一个cds-moe模块，表示第二个cds-moe模块，和结构一致但权重独立；表示第个cds-moe-swin3d block中经层归一化和窗口多头自注意力处理后的特征序列与的相加结果，表示第个cds-moe-swin3d block中经层归一化和第一个cds-moe模块处理后的特征序列与的相加结果，表示第个cds-moe-swin3d block中经层归一化和移位窗口多头自注意力处理后的特征序列与的相加结果，表示第个cds-moe-swin3d block中经层归一化和第二个cds-moe模块处理后的特征序列与的相加结果；

43、增强视图、增强视图、遮蔽后的mri体数据在编码器

f中的处理过程与标准化mri体数据相同；

44、s43，分别输出患者标准化mri体数据、两种增强视图和、遮蔽后的mri体数据经编码器

f处理后的结果，分别进行全局池化后得到患者标准化mri体数据的全局影像表征、增强视图的全局影像表征、增强视图的全局影像表征、遮蔽后的mri体数据的全局影像表征。

45、进一步的，所述步骤s5的具体步骤如下：

46、s51，计算生物学多标签监督损失，公式如下：

47、

48、式中，表示第个患者的第个真实生物学辅助标签，表示第个患者的第个生物学辅助标签的预测概率；

49、s52，在被遮蔽区域计算三维掩码的重构损失，公式如下：

50、

51、其中，表示遮蔽后的mri体数据的全局影像表征，表示第个患者的标准化mri体数据，表示逐元素乘法，表示用于mlp实现的重构头，表示l1范数，表示三维掩码；

52、s53，计算同一mri样本的风格不变对比损失，公式如下：

53、

54、

55、式中，表示编码器参数，表示投影头，表示投影头参数，、分别表示同一患者的增强视图、增强视图的投影特征，表示余弦相似度；表示温度系数，表示同一批次中的候选对比特征，表示候选对比特征的索引；

56、s54，计算专家负载均衡损失，公式如下：

57、

58、其中，表示被选中的第个独立专家在训练样本中的平均门控概率，表示第个专家被选中的平均频率，q为编码器中cds-moe-swin3d block的个数；

59、s55，计算联合预训练总损失，公式如下：

60、

61、其中，、、和分别表示生物学多标签监督损失、三维掩码重构损失、风格不变对比损失和专家负载均衡损失的权重。

62、进一步的，所述s7中，首先通过冻结参数后的编码器提取患者全局影像表征，然后将输入pcr分类头，获取患者达到病理完全缓解的概率，并计算pcr分类损失，公式如下：

63、

64、

65、

66、其中，表示第个患者的标准化mri体数据，表示pcr分类头，表示分类头参数，表示sigmoid激活函数，表示第个患者的pcr标签，表示第个患者的pcr预测概率；

67、对每个患者分别执行s7，根据pcr分类损失执行反向传播，仅更新pcr分类头参数φ，不更新冻结后的编码器参数，输出训练完成的pcr分类头及pcr预测模型。

68、进一步的，所述s8中，将待预测乳腺癌患者的pcr预测概率与预设阈值进行比较，若pcr预测概率≥，提示mri影像特征与pcr相关性较高，若pcr预测概率<，提示mri影像特征与pcr相关性较低。

69、本发明的有益效果是：

70、1、本发明在swin transformer的原有block内部使用cds-moe模块替换mlp，能够提高模型对多中心mri影像数据的适应能力，减少了不同医院、不同扫描设备和不同扫描协议带来的影响，从而提升了pcr预测的准确性和泛化性能。

71、2、本发明在pcr分类阶段冻结编码器，仅训练轻量化的分类头，可以在小样本标注条件下保持较好的稳定性和可靠性，降低过拟合风险，使预测结果更加稳定，并提高模型在实际临床应用中的可信度。