检索历史 清除

摘要近年来，结直肠癌已经成为全球三大癌症之一，严重威胁着人类的健康和生命安全。目前在临床上证实KRAS基因突变患者对一种治疗结直肠癌患者的靶向药物有着严重的抗药性，KRAS基因突变与否将导致完全不同的治疗方案，因此准确地预测患者是否存在KRAS基因突变十分有必要。临床上现行的金标准是活检和术后样本检测，但是这两种方法会对病人的身体造成伤害，且活检的随机性强，检测结果不稳定。目前深度学习的蓬勃发展，为KRAS基因检测提供了新的思路，使用医学图像处理技术研究患者的基因状态成为了一个新的课题。本文通过使用结直肠癌患者的MRI数据集，并采用一系列的深度学习方法，研究探索出能够准确预测结直肠癌患者KRAS基因状态的模型。本文基于结直肠癌患者的MRI数据集，搭建了以下深度学习模型来预测KRAS基因状态：<br>　　（1）基于双分支的卷积Transformer融合预测模型。相比影像组学的手工特征提取，深度学习的特征提取搜索的空间更大，信息更全面，更容易找到肉眼观察不到的特征。而Transformer具有卷积网络所不具有的捕获图像远程依赖关系的能力。我们使用深度学习模型建立KRAS基因突变与结直肠癌MRI影像数据之间的关联性，以提高我们模型对KRAS基因的预测能力。文章在第三章提出一种基于双分支的卷积Transformer融合预测模型，该模型使用Transformer捕获MRI图像数据的远程依赖关系，使用卷积分支捕获MRI的局部信息，并在多尺度上融合模型学习到的特征，降低模型的过拟合问题，提升对KRAS基因的预测能力。我们提出了多尺度融合模块，使得不同的模型分支更加关注到各自学习到的共性特征，增强模型训练的稳定性。最终此模型在合作医院的结直肠癌MRI数据集上取得了91.31%的准确率，与其他深度学习预测模型相比有着显著优势。<br>　　（2）基于数据增强的卷积Transformer预测模型。医学影像数据集难以获得，并且由医师标注的医学标注数据更为珍贵。为高效利用有限的医学影像数据集，改善小样本数据集的过拟合问题，本文第四章提出了一种图像数据增强的方法，使我们提出的模型更高效地提取MRI图像特征信息。第四章所提出的网络模型使用卷积网络和卷积Transformer网络来分别提取MRI图像的局部特征和全局特征，并使用两种分类策略互补的方式，克服医学图像特征不显著的问题，提升了网络模型对KRAS基因的预测性能。此模型的实验在合作医院的数据集上的准确率达到了91.54%，经过对比实验分析，与其他医学分类模型有明显的优势，这表明我们的实验模型对KRAS基因的预测是有效的。