一种基于PET/CT影像的肝细胞癌微血管侵犯预测方法

技术特征：
1.一种基于pet/ct影像的肝细胞癌微血管侵犯预测方法，其特征在于包括以下步骤：步骤1：数据集由包含n幅pet/ct影像组成，采集器为biograph 64 pet/ct显像仪，数据格式为dicom格式，肿瘤区域的手工标记图像由两位具有多年临床经验的影像科医生手工标注分割后形成，图片尺寸为224
×
224mm，从数据集中选取m幅所述pet/ct影像组成训练集，并选取s幅未参与训练的pet/ct影像组成测试集，m和s均为正整数，n＝m s；步骤2：分别对所述训练集和所述测试集中的所有所述pet/ct影像进行预处理，得到预处理之后的训练集和测试集，将所述预处理之后的训练集和测试集中的图像分别记为第一图像和第二图像；步骤3：初始化双branch网络中的参数，并将所有所述第一图像依次输入到所述双branch网络中进行训练，不断更新所述双branch网络中的参数，得到训练完成的双branch网络；其中，使用任意一幅第一图像对所述双branch网络进行训练的具体过程为：步骤3-1：每个所述第一图像都包括pet图像和ct图像，所述双branch网络包括pet-guided branch、ct branch两个分支，将所述pet图像输入到所述pet-guided branch中，将所述ct图像输入到所述ct branch中；步骤3-2：所述pet-guided branch和所述ct branch分别包括有n个残差模块，在所述pet-guided branch中的前三个残差模块和所述ct branch中的前三个残差模块之间引入pet-guided attention，利用所述pet-guided attention凸出病灶区域；步骤3-3：在所述pet-guided branch中，经过n个残差模块后进行采样，得到pet采样特征图，在所述ct branch中，经过n个残差模块后进行采样，得到ct采样特征图，将所述pet采样特征图与所述ct采样特征图相加，并从主网络中输出预测结果；步骤3-4：将所述预测结果记为y，对所述预测结果计算损失函数，并反向传播到双branch网络中，更新双branch网络中的参数，得到一次训练之后的双branch网络中；其中，损失函数公式为：步骤4：将所述第二图像输入到所述训练完成的双branch网络中，得到预测结果。2.根据权利要求1所述的基于pet/ct影像的肝细胞癌微血管侵犯预测方法，其特征在于，所述步骤3-2中在所述pet-guided branch中的前三个残差模块和所述ct branch中的前三个残差模块之间引入pet-guided attention，包括：步骤3-2-1：所述pet图像经过第一个pet残差模块后得到pet特征，所述ct图像经过第一个ct残差模块后得到ct特征；步骤3-2-2：将所述pet特征放入maxpool模块和avgpool模块处理，得到第一处理结果；步骤3-2-3：将所述第一处理结果放入通道级联操作模块和卷积运算模块得到第二处理结果；步骤3-2-4：使用sigmoid函数模块对所述第二处理结果激活，生成特征软注意力映射mpet(fpet)；步骤3-2-5：将所述特征软注意力映射mpet(fpet)分别与所述pet特征、所述ct特征进
行相乘，得到pet引导的注意力特征，公式表示为：m
pet
(f
pet
)＝sigmoid(f7×7([avgpool(f
pet
)；maxpool(f
pet
)]))步骤3-2-6：将所述pet引导的注意力特征继续输入到第二个pet残差模块和第二个ct残差模块中，并在前三个残差模块中重复进行步骤3-2-1到步骤3-2-6；其中，所述pet-guided attention module包括：所述maxpool模块、所述avgpool模块、所述通道级联操作模块、所述卷积运算模块和所述sigmoid函数模块。

技术总结
本发明提供了一种基于PET/CT影像的肝细胞癌微血管侵犯预测方法，方法包括：步骤1，从数据集中选取m幅PET/CT影像组成训练集，并选取s幅未参与训练的PET/CT影像组成测试集；步骤2，分别对训练集和测试集中的所有PET/CT影像进行预处理；步骤3，将所有第一图像依次输入到双branch网络中进行训练，不断更新双branch网络中的参数，得到训练完成的双branch网络；步骤4，将第二图像输入到训练完成的双branch网络中，得到预测结果。本发明解决的问题是难以综合利用PET和CT各自的优势使肝细胞癌微血管侵犯的预测更加准确的技术问题，实现基于双模态PET/CT影像研究对肝细胞癌微血管侵犯的预测，并使得预测结果更加准确的技术效果。并使得预测结果更加准确的技术效果。并使得预测结果更加准确的技术效果。


技术研发人员：王玉涛 叶正洁 张建 余仲飞 金炜
受保护的技术使用者：宁波大学医学院附属医院
技术研发日：2022.11.21
技术公布日：2023/3/3