检索历史 清除

摘要早期及中期肝细胞癌(HepatocellularCarcinoma，HCC)患者接受肝切除或介入治疗后，大血管侵犯(MacrovascularInvasion，MaⅥ)的发生会限制其后续治疗的开展，因此MaⅥ是重要的预后不良指标。临床上，已有靶向、免疫等药物可用于治疗MaⅥ，但其安全性和有效性高度依赖于早发现早治疗。为确保MaⅥ的早诊早治以提高HCC的生存率，MaⅥ的风险预测必不可少。鉴于肝癌诊疗过程可不依赖于病理结果完成，为避免非必要的穿刺活检导致额外出血风险，基于医学影像构建深度学习模型是实现MaⅥ风险预测的合理思路。为实现上述思路，需解决两大核心问题:1)肝癌的精确自动分割。MaⅥ的风险预测任务，需要提取肝癌区域作为感兴趣区域。虽然手动分割方法精度较高，但耗时耗力，不利于MaⅥ预测任务的后续研究。因此，如何在保障分割精度的同时建立肝癌自动分割方法，是有效预测MaⅥ风险的基石保障。2)MaⅥ风险的有效预测。在自动分割基础上，如何运用深度学习方法全面提取信息是有效预测MaⅥ风险的核心问题。<br>　　由于肝癌在CT图像上存在大小、形状、位置、灰度差异性大，以及边界不清晰等问题，在CT图像上实现肝癌自动分割十分具有挑战性。因此，本文提出一种基于SwinTransformerUNet(STUNet)的肝癌分割方法解决上述肝癌分割问题。首先，本文使用U形网络，引入多尺度信息，以学习大小、形状、灰度差异较大的肝癌;其次，在跳跃连接处加入SwinTransformer，获取图像的全局信息，以学习位置差异较大的肝癌;最后，引入鲁棒分割损失函数，以解决肝癌边界不清晰的问题。此外，实验表明本文提出的算法优于现有的一些常用分割算法，验证了本文方法的有效性。<br>　　在CT图像中，MaⅥ的阳性与阴性样本之间存在类间相似性和类内差异性的问题，从而提高了MaⅥ的早期预测难度。此外，现有的方法未能考虑与HCC相关的临床先验知识，导致信息提取不全面。对此，本文提出一种先验知识引导网络(Priorknowledge-awarefusionnetwork，PKAFnet)来实现MaⅥ的精确早期预测。首先，本文提出了一个感知模块，可在图域中提取与肝癌边缘异质性相关的特征，并引入旋转不变性捕获肝癌边缘的灰度变化;其次，构建肝癌分割网络，以获取肝癌内部异质性相关的信息;最后，本文通过使用多域注意力特征融合模块，以结合肝癌边缘和肝癌区域特征进行MaⅥ预测。通过结合与MaⅥ相关的先验知识，PKAFnet可以有效缓解过拟合，从而提高识别能力。该方法与现有多种分类方法对比展现出巨大优势，在MaⅥ预测中具有应用潜力。<br>　　本文的STUNet和PKAFnet都在多中心数据集上进行泛化性能验证。此外，本文的两个方法分别解决MaⅥ早期预测算法中的实用性和精确性问题，为MaⅥ早期预测的临床应用奠定基础。