1.一种胶质母细胞瘤瘤周肿瘤浸润分割模型构建方法,其特征在于,包括:临床病例采集,分别对胶质母细胞瘤、非强化脑胶质瘤以及脑膜瘤设计纳入标准与排除标准,采集符合要求的病例;
影像信息采集,使用3TMR扫描仪对病例影像进行采集,所述采集包括常规核磁共振成像平扫、多b值弥散加权成像扫描与高分辨3DT1WI增强扫描;
病理信息采集,所述病理信息包括胶质母细胞瘤患者立体定向活检信息以及病理检测下细胞形态、有丝分裂计数、Ki-67标记指数;
影像数据预处理,对图像进行参数图计算与配准,并通过人工进行感兴趣区域分割,随后将影像数据标准化;
影像特征学习,使用对比预测编码的方式对Gb瘤周水肿区域进行自学习,对Gb数据集进行完整的特征抽取;
建立浸润分割模型,使用3DUX-Net分割模型进行迁移学习,构建瘤周浸润分割模型;
分割模型验证,通过人工与瘤周浸润分割模型对病例进行双盲分析预测,对分析结果进行对比,评估模型的有效性;
所述使用对比预测编码的方式进行自学习包括:特征编码,编码器网络E将原始数据映射到低维特征空间,输出编码后的特征Z:,其中,是原始3D数据,是编码后的特征表示;
预测建模,预测模型P根据历史特征预测未来特征,假设要预测未来k步的特征,则:,其中,是预测的未来特征,是历史特征序列;
对比损失构建,对比损失基于InfoNCE损失来构建,用于最大化正样本之间的相似性,最小化负样本之间的相似性,对比损失可以定义为:,其中,(x)是相似度度量函数,用于调整对比损失尺度的参数;
模型训练,模型训练使用优化器和对比损失函数来更新编码器和预测模型的参数:,其中,是模型参数,是学习率,是梯度运算符。
2.根据权利要求1所述的胶质母细胞瘤瘤周肿瘤浸润分割模型构建方法,其特征在于:所述影像数据标准化包括:图像归一化,将图像数据的像素值转换到特定范围使不同图像之间具有相似的像素值范围;
图像裁剪,在3D图像数据中以图像中心为基准提取感兴趣区域,并裁剪至统一尺寸;
重采样,计算原始图像和目标图像的尺寸比例或分辨率比例,在每个维度上,通过插值方法计算目标图像中的像素位置在原始图像中的位置,并使用相应的插值方法来计算像素值。
3.根据权利要求1所述的胶质母细胞瘤瘤周肿瘤浸润分割模型构建方法,其特征在于:所述影像特征学习还包括基于注意力机制和卷积网络进行监督学习。
4.根据权利要求1所述的胶质母细胞瘤瘤周肿瘤浸润分割模型构建方法,其特征在于:所述3DUX-Net分割模型包括,特征提取,将预处理后的数据分别输入模型中,设多模态数据为X,满足,表示具有个样本、个通道、深度、高度和宽度的数据,提取的特征为F,相似地,满足,提取特征:,
其中,代表特征提取器,3D卷积神经网络;
特征融合,设融合后的特征为,满足,融合特征:,
其中,代表融合方式,拟尝试逐元素相加、逐元素相乘或通道拼接等;
特征解码,对融合后的特征进行解码,设解码后的结果为,满足,特征解码:,其中,代表解码器,3D转置卷积神经网络;
损失计算与优化,设损失值L,真实标签为,计算损失:;
模型训练,根据训练数据、特征提取器、融合机制、解码器、损失函数,使用优化器;和损失函数来更新模型参数,以最小化损失,进行训练:,其中,是模型参数,是学习率,是梯度运算符。
5.根据权利要求4所述的胶质母细胞瘤瘤周肿瘤浸润分割模型构建方法,其特征在于:所述特征提取包括,通过3D卷积层从多模态核磁共振成像中提取空间特征,,
其中,表示第层中位置()的输出特征图,表示第层中大小为()的3D卷积核,符号表示卷积操作,是第层的偏置项,是激活函数;
通过自注意力机制的层次化Transformer结构,,
其中,分别表示查询、键和值,通常通过线性变换从输入特征图中得到,是键向量的维度,用于缩放注意力分数,是归一化函数。
6.根据权利要求1所述的胶质母细胞瘤瘤周肿瘤浸润分割模型构建方法,其特征在于:所述分割模型验证中分割的准确性判断方法包括Dice相似系数、豪斯多夫距离与交并比。
7.根据权利要求1所述的胶质母细胞瘤瘤周肿瘤浸润分割模型构建方法,其特征在于:所述人工进行感兴趣区域分割中至少使用两个不同的人工进行分割,两个ROI的重叠区域差异应不大于5%。