本发明属于医疗技术、信息，具体涉及一种基于大模型的直肠癌图像分割方法及组学疗效预测系统。
背景技术：
1、近年来结直肠癌的发病率和病死率明显提高，是世界上第三大常见癌症，也是癌症死亡的第二大原因。直肠癌患者约占结直肠癌总体患者的 1/3，对于局部进展期直肠癌（larc）患者，目前的标准治疗方式是新辅助放化疗（ncrt）加全直肠系膜切除手术 (tme)，这种治疗策略可以显著降低局部复发率。有研究表明，在进行新辅助放化疗（ncrt）后，约20%的患者能达到病理完全缓解（pcr），这些患者可能从观察等待或非手术策略中受益。因此，有效预测新辅助放化疗（ncrt）反应，对直肠癌患者后期治疗方案的决策具有重要意义。
2、医学图像分割是临床实践中的重要组成部分，有助于准确的诊断、治疗计划和疾病监测。近年来基于深度学习的模型在医学图像分割中显示出巨大的前景。然而，许多医学图像分割模型的一个显著局限性是缺乏通用性，从而限制其在临床实践中的更广泛应用。目前，分割大模型的出现，能够加快诊断工具的演变并在制定个性化治疗计划方面展现出巨大潜力。近年来，影像组学通过从图像中提取大量定量特征提供非视觉信息，在预测疗效方面显示出良好的前景，同时结合机器学习后展现出更好的鲁棒性和准确性，并具有极强的泛化能力。因此将自动分割大模型、影像组学及机器学习联合应用，可以通过放化疗前后多参数序列的图像预测局部晚期直肠癌患者新辅助放化疗后的治疗反应。
3、自动分割大模型、影像组学及机器学习的联合应用，能够显著减少传统手动分割过程所耗费的时间和人力，确保一致性并使大规模数据分析成为可能；同时有助于早期准确识别局部晚期直肠癌新辅助放化疗后反应良好的患者，使其受益于观察等待或非手术策略，也能避免反应较差的患者遭受不必要的放化疗副反应，及时地采取其他有效治疗措施。
技术实现思路
1、本发明针对上述问题，提供一种基于大模型的直肠癌图像分割方法及组学疗效预测系统。
2、本发明采用的技术方案如下：
3、一种基于大模型的直肠癌图像分割方法，包括以下步骤：
4、采集局部进展期直肠癌患者在接受新辅助放化疗前和在接受全直肠系膜切除手术前的t2-mri图像和dwi-mri图像，对采集的四类图像进行预处理，得到待分割的四类图像；
5、将待分割的四类图像分别输入分割大模型medsam的病灶分割网络，得到四类图像的分割结果。
6、进一步地，所述对采集的四类图像进行预处理，包括：
7、将采集的四类图像进行n4偏置场校正，并应用各向异性滤波器对图像进行增强处理以减少噪声的干扰并突出肿瘤的边缘特征，然后通过裁剪和强度归一化获得四类图像i1-i4，其中i1代表新辅助放化疗前一周的t2加权图像，i2代表接受全直肠系膜切除手术前一周的t2加权图像，i3代表新辅助放化疗前一周的扩散加权图像，i4代表接受全直肠系膜切除手术前一周的扩散加权图像；
8、将图像i3和i4通过log[s(1000sec/mm2)]公式获得图像i5和i6，其中1000sec/mm2为b值，s代表信号强度；
9、将图像i1、i2、i5、i6分层切片为2d图像，通过进行排除异常值、裁剪数据、归一化和零值保留操作得到3维特征数组，对应的图像记为i7、i8、i9、i10，即为待分割的四类图像。
10、进一步地，所述将待分割的四类图像分别输入分割大模型medsam的病灶分割网络，其中对于每个类别的图像，导入对应图像类别的微调后的权重进行分割。
11、进一步地，所述分割大模型medsam的病灶分割网络对输入的待分割的四类图像进行以下处理：
12、每类待分割的图像ii首先进入图像编码器，其结果表示为xi，xi经过图像嵌入得到yi；
13、获取待分割病灶的边界框提示，将边界框提示输入到提示编码器，得到的结果以c表示；
14、将yi和c同时输入到掩码解码器中，得到分割结果si，四类图像i7、i8、i9、i10经过相同操作步骤，最终得到四类分割结果，表示为s1-s4。
15、进一步地，还包括以下步骤：
16、对四类图像i7-i10及其分割结果s1-s4进行提取影像组学特征和图像平均值；
17、利用影像组学特征和图像平均值，采用机器学习算法预测患者pcr的概率。
18、进一步地，所述对四类图像i7-i10及其分割结果s1-s4进行提取影像组学特征和图像平均值，包括：
19、将四类图像i7-i10及其分割结果s1-s4通过python编程语言与影像组学分析库pyradiomics进行处理，首先对输入的图像进行z-score标准化，然后从图像中提取四类图像i7-i10对应的特征f1-f4，其中f1代表从新辅助放化疗前的t2-mri图像中提取的特征，f2代表从新辅助放化疗后的t2-mri图像中提取的特征，f3代表从新辅助放化疗前低b值dwi-mri图像中提取的特征，f4代表从新辅助放化疗后低b值dwi-mri图像中提取的特征；
20、将f1-f4分别经过特征筛选，得到的筛选后的特征表示为f1'-f4'，f1'-f4'均包含图像平均值和影像组学特征；所述影像组学特征包括：最小值、第十百分位、四分位数范围、中值、峰度、偏度、伸长率、最大2d直径切片、归一化区域大小不均匀性和小面积强调。
21、进一步地，所述利用影像组学特征和图像平均值，采用机器学习算法预测患者pcr的概率，包括：
22、将特征f1'和f3'输入到xgboost算法中，训练的模型表示为model a，最终输出的预测患者pcr的概率表示为p1，roc曲线下面积auc值表示为r1；
23、将特征f2'和f4'输入到xgboost算法中，训练的模型表示为model b，最终输出的预测患者pcr的概率表示为p2，roc曲线下面积auc值表示为r2；
24、将特征f1'-f4'输入到xgboost算法中，训练的模型表示为model c，最终输出的预测患者pcr的概率表示为p3，roc曲线下面积auc值表示为r3；
25、从model a、model b、model c中选取预测性能最强的模型作为最终模型并表示为model max，并得到最终预测pcr的概率p和最大auc值r，其中p=max（p1-p3），r=max（r1-r3）。
26、一种新辅助放化疗的组学疗效预测系统，其包括：
27、图像获取模块，用于采集局部进展期直肠癌患者在接受新辅助放化疗前和在接受全直肠系膜切除手术前的t2-mri图像和dwi-mri图像，对采集的四类图像进行预处理，得到待分割的四类图像；
28、图像分割模块，用于将待分割的四类图像分别输入分割大模型medsam的病灶分割网络，得到四类图像的分割结果；
29、特征提取模块，用于对四类图像及其分割结果进行提取影像组学特征和图像平均值；
30、pcr预测模块，用于利用影像组学特征和图像平均值，采用机器学习算法预测患者pcr的概率。
31、本发明的有益效果如下：
32、1）本发明利用自动分割大模型进行精准的医学图像分割，相较于传统手动分割其显著减少了耗费的时间和人力，同时确保标准化和一致性，从而使大规模数据分析成为可能；
33、2）影像组学联合机器学习通过同时从具有多个不同的输入数据流中提取有用的特征，可以获得更丰富的信息，本发明将新辅助放化疗前后两个模态共四类图像联合分析，可以更准确地预测是否达到病理完全缓解状态；
34、3）本发明将自动分割大模型、影像组学和机器学习联合应用，能够早期准确识别出局部晚期直肠癌新辅助放化疗后反应良好的患者，使其受益于观察等待或非手术策略，同时使反应较差的患者免于遭受不必要的放化疗副反应，进而及时采取其他有效治疗措施。
1.一种基于大模型的直肠癌图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对采集的四类图像进行预处理，包括：
3.根据权利要求2所述的方法，其特征在于，所述将待分割的四类图像分别输入分割大模型medsam的病灶分割网络，其中对于每个类别的图像，导入对应图像类别的微调后的权重进行分割。
4.根据权利要求2所述的方法，其特征在于，所述分割大模型medsam的病灶分割网络对输入的待分割的四类图像进行以下处理：
5.根据权利要求4所述的方法，其特征在于，还包括以下步骤：
6.根据权利要求5所述的方法，其特征在于，所述对四类图像i7-i10及其分割结果s1-s4进行提取影像组学特征和图像平均值，包括：
7.根据权利要求6所述的方法，其特征在于，所述利用影像组学特征和图像平均值，采用机器学习算法预测患者pcr的概率，包括：
8.一种新辅助放化疗的组学疗效预测系统，其特征在于，包括：
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1~7中任一项所述方法的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现权利要求1~7中任一项所述的方法。
