技术特征：
1.一种脑肿瘤患者生存分析方法，其特征在于，该方法包括如下步骤：a.收集肿瘤患者的临床信息，建立数据集，所述临床信息包括：核磁共振图像数据、存活状态及生存时间；b.对所述数据集中的图像数据格式转换、重采样及配准；c.将所述数据集中患者的整脑影像作为模型的输入，对数据集中的数据进行标准化；d.根据患者的临床信息将数据集划分为训练集和测试集；e.建立transformer神经网络，对所述训练集进行预训练提取全局尺度影像特征，获取类激活映射图；f.根据获取的类激活映射图，裁剪肿瘤区域，输入网络并提取局部尺度影像特征，得到分出的图像块；g.根据全局尺度对所有分出的图像块进行排序，获取贡献程度较高的部分图像块提取细粒度影像特征；h.根据获取的全局尺度影像特征、局部尺度影像特征及细粒度影像特征，做交叉注意力操作，融合多个尺度的信息，输出预测结果；i.进行模型的训练，选择效果好的结果作为最终的模型并保存。2.如权利要求1所述的脑肿瘤患者生存分析方法，其特征在于，所述核磁共振图像数据包括多模态核磁共振图像；每一例患者的核磁共振图像包含四个常用模态；所述四个常用模态为t1、t2、t1c、flair模态。3.如权利要求2所述的脑肿瘤患者生存分析方法，其特征在于：所述的步骤b包括：首先将dicom格式转化为nifti格式；接着对图像进行重采样；然后对图像进行配准，将多个时间点中对应于空间同一位置的点一一对应起来，配准时使用刚性配准模式，使用互信息作为图像相似度度量；所述的步骤c包括：使用灰度归一化、直方图均衡化方法对数据集中的图像数据进行标准化处理。4.如权利要求3所述的脑肿瘤患者生存分析方法，其特征在于，所述的步骤e具体包括：构建全局视觉transformer预训练网络和具有三个分支的视觉transformer网络；将三维整脑影像分成k个固定大小的三维图像块，映射为固定长度d的一维向量，作为全局视觉transformer模型的输入；所述四个常用模态作为四个图像通道处理，模型以负对数似然损失对参数进行优化，提取全局特征，全局视觉transformer预训练网络中的自注意力机制将注意力放在肿瘤区域；训练结束后保存效果最好的模型，根据该模型参数分布获取的相关类激活映射图用于定位肿瘤大致区域。5.如权利要求4所述的脑肿瘤患者生存分析方法，其特征在于，所述的步骤g具体包括：通过排序模块根据全局尺度的输出对所有分出的图像块进行排序，获取贡献程度较高的部分图像块提取细粒度影像特征；通过排序模块对每个输入一维向量通过一层线性投影整合每个向量的局部信息，然后通过全局池化，得到一个包含全局信息的向量，最后，将全局向量和每个一维向量进行拼接，输入到线性分类模块中预测每个向量的贡献；从具有最高贡献且与该区域重叠的相应块中通过transformer的细粒度分支提取特征。6.一种脑肿瘤患者生存分析系统，其特征在于，该系统包括数据集建立单元、数据处理
单元、划分单元、全局尺度影像特征提取单元、局部尺度影像特征提取单元、细粒度影像特征提取单元、输出单元、选择单元，其中：所述数据集建立单元用于收集肿瘤患者的临床信息，建立数据集，所述临床信息包括：核磁共振图像数据、存活状态及生存时间；所述数据处理单元用于对所述数据集中的图像数据格式转换、重采样及配准；所述数据处理单元还用于将所述数据集中患者的整脑影像作为模型的输入，对数据集中的数据进行标准化；所述划分单元用于根据患者的临床信息将数据集划分为训练集和测试集；所述全局尺度影像特征提取单元用于建立transformer神经网络，对所述训练集进行预训练提取全局尺度影像特征，获取类激活映射图；所述局部尺度影像特征提取单元用于根据获取的类激活映射图，裁剪肿瘤区域，输入网络并提取局部尺度影像特征，得到分出的图像块；所述细粒度影像特征提取单元用于根据全局尺度对所有分出的图像块进行排序，获取贡献程度较高的部分图像块提取细粒度影像特征；所述输出单元用于根据获取的全局尺度影像特征、局部尺度影像特征及细粒度影像特征，做交叉注意力操作，融合多个尺度的信息，输出预测结果；所述选择单元用于进行模型的训练，选择效果好的结果作为最终的模型并保存。7.如权利要求6所述的脑肿瘤患者生存分析系统，其特征在于，所述核磁共振图像数据包括多模态核磁共振图像；每一例患者的核磁共振图像包含四个常用模态；所述四个常用模态为t1、t2、t1c、flair模态。8.如权利要求7所述的脑肿瘤患者生存分析系统，其特征在于，所述的数据处理单元具体用于：首先将dicom格式转化为nifti格式；接着对图像进行重采样；然后对图像进行配准，将多个时间点中对应于空间同一位置的点一一对应起来，配准时使用刚性配准模式，使用互信息作为图像相似度度量；以及使用灰度归一化、直方图均衡化方法对数据集中的图像数据进行标准化处理。9.如权利要求8所述的脑肿瘤患者生存分析系统，其特征在于，所述的全局尺度影像特征提取单元具体用于：构建全局视觉transformer预训练网络和具有三个分支的视觉transformer网络；将三维整脑影像分成k个固定大小的三维图像块，映射为固定长度d的一维向量，作为全局视觉transformer模型的输入；所述四个常用模态作为四个图像通道处理，模型以负对数似然损失对参数进行优化，提取全局特征，全局视觉transformer预训练网络中的自注意力机制将注意力放在肿瘤区域；训练结束后保存效果最好的模型，根据该模型参数分布获取的相关类激活映射图用于定位肿瘤大致区域。10.如权利要求9所述的脑肿瘤患者生存分析系统，其特征在于，所述的细粒度影像特征提取单元具体用于：通过排序模块根据全局尺度的输出对所有分出的图像块进行排序，获取贡献程度较高的部分图像块提取细粒度影像特征；通过排序模块对每个输入一维向量通过一层线性投影整合每个向量的局部信息，然后通过全局池化，得到一个包含全局信息的向量，最后，将全
局向量和每个一维向量进行拼接，输入到线性分类模块中预测每个向量的贡献；从具有最高贡献且与该区域重叠的相应块中通过transformer的细粒度分支提取特征。
技术总结
本发明涉及一种脑肿瘤患者生存分析方法及系统，所述方法包括：收集肿瘤患者的临床信息，建立数据集；对数据集中的图像数据格式转换、重采样、配准及标准化；将数据集划分为训练集和测试集；建立Transformer神经网络，对训练集进行预训练提取全局尺度影像特征；裁剪肿瘤区域，输入网络并提取局部尺度影像特征，得到分出的图像块；对所有分出的图像块进行排序，获取贡献程度较高的部分图像块提取细粒度影像特征；对全局尺度影像特征、局部尺度影像特征及细粒度影像特征，做交叉注意力操作，输出预测结果；进行模型的训练，选择效果好的结果作为最终的模型并保存。本发明能够充分利用整脑影像，提高了模型的准确性以及可解释性。提高了模型的准确性以及可解释性。提高了模型的准确性以及可解释性。
技术研发人员：吴文霞 李志成 梁栋 赵源深 段静娴
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：2022.11.16
技术公布日：2023/3/17