一种基于深度学习的乳腺癌基因分型预测方法及装置与流程

本技术涉及图像处理，特别是一种基于深度学习的乳腺癌基因分型预测方法及装置。

背景技术：

1、乳腺癌是妇女最常见的恶性肿瘤之一，是女性健康的头号杀手。2000年，perou等首次针对乳腺癌基因分型进行分析，预示肿瘤本质研究的开始。人们逐渐发现，乳腺癌易感基因和致癌位点的不同，在疾病表达、治疗以及生存结果上存在明显的差异。2003年stgallen等推荐基因分析用于遗传性乳腺癌，并针对乳腺癌易感基因（brca1和brca2）阳性表达具有高危险因素病人选择预防性对侧乳腺切除以降低乳癌风险。现在，医学界已认可乳腺癌21基因检测和70基因检测对预测化疗获益有价值，并批准进入临床应用。然而，现有条件下昂贵的费用和难以达到的技术水平限制了基因检测在临床的推广应用。最新研究发现，通过对影像特征的定量分析，能够一定程度上预测肿瘤基因水平的差异，这表明，对医学图像的深度挖掘可以发现影像与基因的深层次联系，在乳腺癌的影像检查与精准医学治疗之间建立一条直通的桥梁。

2、目前，人工智能领域中最热门的方向之一就是深度学习。深度学习网络的处理过程模仿人类大脑的神经网络，是一个不断迭代、自下而上不断抽象的过程，它以强大的自动特征提取、复杂模型构建及图像处理能力来主动识别自然世界，因此能自动发现特征，无需人类预设先验知识。2012年，瑞士ciresan等将深度学习用于乳腺癌细胞图片中有丝分裂的自动寻找，该模型的准确率远远超过了以往方法，赢得了当年icpr竞赛的冠军。但深度学习在影像组学的应用上仍处于发展初期，pubmed上仅有2篇文献：antropova n将551例乳腺mr增强图像放入预先训练的卷积神经网络，模型抽取出4096个特征并进行乳腺肿块的良恶性分类，结果表明，auc值为0.85，表明该模型能较好地预测乳腺肿瘤的良恶性。huynh bq等用“迁移学习”来解决小样本的问题，在219例乳腺病变的良恶性预测上取得了较好的成绩。然而，这些研究仅停留在判断病灶的良恶性上，并没有更进一步挖掘影像组学与基因分型之间的关联。

技术实现思路

1、鉴于上述提到的问题，提出了本技术以便提供克服所述问题或者至少部分地解决所述问题的一种基于深度学习的乳腺癌基因分型预测方法及装置，包括：

2、一种基于深度学习的乳腺癌基因分型预测方法，包括：

3、获取样本癌变乳腺的样本医学影像集合和样本基因分型；其中，所述样本医学影像集合包括至少三种不同类型的乳腺医学影像；

4、依据所述样本医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练，得到训练完成的基因分型预测模型；其中，所述初始基因分型预测模型包括依次连接的输入层、分支网络集合、融合层和全连接块；所述分支网络集合包括与每一类型的乳腺医学影像对应的分支网络；

5、获取目标癌变乳腺的目标医学影像集合；其中，所述样本医学影像集合包括至少一种类型的乳腺医学影像；

6、使用所述训练完成的基因分型预测模型对所述目标医学影像集合进行处理，得到所述目标癌变乳腺的目标基因分型。

7、优选的，所述依据所述样本医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练，得到训练完成的基因分型预测模型的步骤，包括：

8、对所述样本医学影像集合中的乳腺医学影像进行随机遮蔽，得到遮蔽医学影像集合；

9、依据所述样本医学影像集合、所述遮蔽医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练，得到训练完成的基因分型预测模型。

10、优选的，所述对所述样本医学影像集合中的乳腺医学影像进行随机遮蔽，得到遮蔽医学影像集合的步骤，包括：

11、依据所述样本医学影像集合，生成与每一类型的乳腺医学影像对应的均值遮蔽影像；

12、将所述样本医学影像集合中随机数量的乳腺医学影像中的随机区域替换为对应的所述均值遮蔽影像中的对应区域，得到遮蔽医学影像集合。

13、优选的，所述依据所述样本医学影像集合、所述遮蔽医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练，得到训练完成的基因分型预测模型的步骤，包括：

14、将所述样本医学影像集合和所述遮蔽医学影像集合输入初始基因分型预测模型，得到预测基因分型；

15、依据所述预测基因分型和所述样本基因分型计算所述初始基因分型预测模型的损失值；

16、调整所述初始基因分型预测模型的参数，直至所述损失值小于预设值。

17、优选的，所述使用所述训练完成的基因分型预测模型对所述目标医学影像集合进行处理，得到所述目标癌变乳腺的目标基因分型的步骤，包括：

18、当所述目标医学影像集合中乳腺医学影像的数量等于所述样本医学影像集合中乳腺医学影像的数量时，将所述目标医学影像集合输入所述训练完成的基因分型预测模型，得到所述目标癌变乳腺的目标基因分型；

19、当所述目标医学影像集合中乳腺医学影像的数量小于所述样本医学影像集合中乳腺医学影像的数量时，对所述目标医学影像集合中缺失的乳腺医学影像进行填充，得到填充医学影像集合；

20、将所述填充医学影像集合输入所述训练完成的基因分型预测模型，得到所述目标癌变乳腺的目标基因分型。

21、优选的，所述对所述目标医学影像集合中缺失的乳腺医学影像进行填充，得到填充医学影像集合的步骤，包括：

22、依据所述目标医学影像集合中已有的乳腺医学影像，生成目标填充影像；

23、将所述目标填充影像添加至所述目标医学影像集合，得到填充医学影像集合。

24、优选的，所述对所述目标医学影像集合中缺失的乳腺医学影像进行填充，得到填充医学影像集合的步骤，包括：

25、依据所述样本医学影像集合和所述目标医学影像集合中已有的乳腺医学影像，生成目标填充影像；

26、将所述目标填充影像添加至所述目标医学影像集合，得到填充医学影像集合。

27、一种基于深度学习的乳腺癌基因分型预测装置，包括：

28、样本获取模块，用于获取样本癌变乳腺的样本医学影像集合和样本基因分型；其中，所述样本医学影像集合包括至少三种不同类型的乳腺医学影像；

29、模型训练模块，用于依据所述样本医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练，得到训练完成的基因分型预测模型；其中，所述初始基因分型预测模型包括依次连接的输入层、分支网络集合、融合层和全连接块；所述分支网络集合包括与每一类型的乳腺医学影像对应的分支网络；

30、目标获取模块，用于获取目标癌变乳腺的目标医学影像集合；其中，所述样本医学影像集合包括至少一种类型的乳腺医学影像；

31、目标预测模块，用于使用所述训练完成的基因分型预测模型对所述目标医学影像集合进行处理，得到所述目标癌变乳腺的目标基因分型。

32、一种计算机设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述任一项所述的方法。

33、一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的方法。

34、本技术具有以下优点：

35、在本技术的实施例中，相对于现有技术无法通过影像检查结果对乳腺癌基因分型进行预测的问题，本技术提供了采用具有多分支网络的基因分型预测模型对目标医学影像集合进行处理，得到其基因分型预测结果的解决方案，具体为：“获取样本癌变乳腺的样本医学影像集合和样本基因分型；其中，所述样本医学影像集合包括至少三种不同类型的乳腺医学影像；依据所述样本医学影像集合和所述样本基因分型对初始基因分型预测模型进行训练，得到训练完成的基因分型预测模型；其中，所述初始基因分型预测模型包括依次连接的输入层、分支网络集合、融合层和全连接块；所述分支网络集合包括与每一类型的乳腺医学影像对应的分支网络；获取目标癌变乳腺的目标医学影像集合；其中，所述样本医学影像集合包括至少一种类型的乳腺医学影像；使用所述训练完成的基因分型预测模型对所述目标医学影像集合进行处理，得到所述目标癌变乳腺的目标基因分型”。通过设置多个分支网络对不同类型的医学影像进行特征提取，每个分支网络可以根据其处理的图像类型进行特定的特征提取，允许以不同的方式学习并捕获每种图像类型的重要特征，并且，每个分支可以针对其处理的图像类型分别进行优化，有助于提高模型预测的准确性和鲁棒性；通过设置融合层和全连接块对来自多个分支的信息进行融合处理，综合考虑不同模态的信息，有助于提高模型预测的准确性和泛化能力。