一种胶质瘤PTEN基因突变的检测方法

技术特征：
1.一种胶质瘤pten基因突变的检测方法，其特征在于，包括以下步骤：获取胶质瘤患者t1加权，造影剂强化t1加权，t2加权，液体衰减反转恢复序列多模态磁共振图像;将获取的多模态图像进行标准化；将获取标准化的多模态图像训练成深度残差网络模型以提取深度学习特征并获取类激活图；将获取的类激活图使用最大类间方差法进行二值化以获得感兴趣区域；将获取的标准化的感兴趣区域多模态图像提取出降维的影像组学特征；整合提取的深度学习特征及提取的降维的影像组学特征进行训练从而整合模型用于预测pten突变状态。2.根据权利要求1所述的方法，其特征在于，对所述获取的多模态磁共振图像进行颅骨剥离，n4偏置场校正，直方图匹配，重采样，刚性配准，变形的标准化处理。3.根据权利要求1所述的方法，其特征在于，所述深度残差网络是三维resnet-18。4.根据权利要求1所述的方法，其特征在于，所述深度学习特征是指全肿瘤区域经过所述深度残差网络池化层输出的特征。5.根据权利要求1所述的方法，其特征在于，所述类激活图为最后一层特征图经过双线性插值上采样与原图大小一致的图。6.根据权利要求1所述的方法，其特征在于，所述影像组学特征包括实性肿瘤区域及全肿瘤区域的几何特征，强度特征，纹理特征，及经过三层小波分解的八个子带的几何特征，强度特征，纹理特征。7.根据权利要求1所述的方法，其特征在于，所述整合模型为以降维的影像组学特征与深度学习特征为输入的四层全连接网络。8.根据权利要求6所述的方法，其特征在于，所述纹理特征包括灰度共生矩阵，灰度行程矩阵，灰度区域大小矩阵，领域灰度差矩阵提取的特征。9.根据权利要求7所述方法，其特征在于，所述降维的影像组学特征为经过影像组学特征降维模型输出的特征。10.根据权利要求9所述的方法，其特征在于，所述影像组学特征降维模型为四层全连接网络。

技术总结
本发明公开了一种胶质瘤PTEN基因突变的检测方法，包括获取胶质瘤患者多模态磁共振图像,将获取的多模态图像标准化,将获取标准化的多模态图像训练成深度残差网络模型以提取深度学习特征并获取类激活图，将获取的类激活图使用最大类间方差法进行二值化以获得感兴趣区域，将获取感兴趣区域多模态图像提取出降维的影像组学特征，整合提取的深度学习特征及降维的影像组学特征进行训练从而整合模型。本发明通过深度学习及影像组学方法高通量提取多模态脑磁共振影像的定量特征，借助深度学习构建预测模型，可在小样本中获取具有代表性的特征，保证模型的效能，在验证数据中具有较好的诊断准确性，有望无创地为临床诊治提供指导，具有较高的卫生经济效益。具有较高的卫生经济效益。具有较高的卫生经济效益。


技术研发人员：陈银生 陈泓宇 林富华
受保护的技术使用者：中山大学肿瘤防治中心
技术研发日：2022.01.01
技术公布日：2022/10/27