BraTS_OS:BraTS 2019挑战赛中基于特征提取的整体生存预测

简介：
该存储库提供了一个基于深度学习的方法，在BraTS 2019挑战赛中实现了整体生存预测。该方法通过提取图像特征结合非图像辅助信息，构建了预测模型。 尼巴伯、OpenCV 3.0绑定到PyTorch的框架中，并支持多模态医学影像的数据处理与分析功能。系统的主要功能包括：1）手工特征提取模块；2）位置编码分割模块。 在手工特征提取方面，我们设计了三类核心指标：第一类为非图像辅助信息（如年龄、肿瘤切除程度等），第二类为体积相关参数（包括肿瘤体积、表面积及其比值等），第三类为空间关系特征（涉及肿瘤中心与脑中心的空间关联性）。这些特征的提取和计算过程均基于统一的数据标准化处理流程。 在位置编码分割方面，我们采用层次化空间表达模型，通过多尺度特征融合机制实现对肿瘤边缘区域的有效定位。该系统支持端到端的学习框架，并提供多种超参数调优方案以优化预测性能。 运行步骤如下：1）输入医学影像数据；2）初始化深度学习模型；3）执行特征提取与分割操作；4）输出预测结果。实验结果表明，该方法在Brats 2019生存预测任务中取得了显著的效果。