CN116310367A - 基于Gabor乳腺影像组学特征提取及筛选系统和方法 - Google Patents
基于Gabor乳腺影像组学特征提取及筛选系统和方法 Download PDFInfo
- Publication number
- CN116310367A CN116310367A CN202310168104.2A CN202310168104A CN116310367A CN 116310367 A CN116310367 A CN 116310367A CN 202310168104 A CN202310168104 A CN 202310168104A CN 116310367 A CN116310367 A CN 116310367A
- Authority
- CN
- China
- Prior art keywords
- image
- breast
- image data
- module
- screening
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000000481 breast Anatomy 0.000 title claims abstract description 107
- 238000012216 screening Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 title claims abstract description 48
- 238000002372 labelling Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 17
- 239000000126 substance Substances 0.000 claims abstract description 8
- 238000002604 ultrasonography Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000009607 mammography Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 230000003902 lesion Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 206010006187 Breast cancer Diseases 0.000 description 5
- 208000026310 Breast neoplasm Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002512 chemotherapy Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 241001250090 Capra ibex Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010005949 Bone cancer Diseases 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 201000007327 bone benign neoplasm Diseases 0.000 description 1
- 208000030270 breast disease Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于Gabor乳腺影像组学特征提取及筛选系统和方法，包括：图像采集模块、图像标注模块、图像配对模块、特征提取模块和特征筛选模块，图像采集模块、图像标注模块、图像配对模块、特征提取模块和特征筛选模块电性连接；其中，图像采集模块，用于获取乳腺超声影像数据和乳腺超声影像数据集；图像标注模块，用于标注乳腺超声影像数据，获取标注掩膜图像数据；图像配对模块，用于对乳腺超声影像数据和标注掩膜图像数据配对；特征提取模块，用于对配对后的图像进行Gabor滤波器滤波处理，提取乳腺超声影像数据集的各影像组学特征；特征筛选模块，用于对乳腺超声影像数据集的各影像组学特征进行筛选，获取相关性最大的特征。
Description
技术领域
本发明属于图像影像后处理、特征工程技术领域，尤其涉及基于Gabor乳腺影像组学特征提取及筛选系统和方法。
背景技术
目前，乳腺超声图像是判断乳腺相关疾病的常用辅助手段，无论是在乳腺癌诊断、治疗，还是对新辅助化疗疗效评估方面，相较于其他影像检查方式，超声检查都有着较大的优势。近年来，人工智能技术在图像处理任务领域取得了较大成就，而人工智能辅助诊断、影像组学技术也有一系列成功案例。因机器扫描的原理不同，CT、MRI逐层扫查，扫描结束后可进行三维重建超声检查受限于机器扫描机制，且受扫查者主观性影响较大，且常规超声机器难以进行三维重建，故目前基于人工智能辅助诊断技术主要应用于处理CT图像、MRI图像，而应用于超声图像的人工辅助诊断技术较少。而超声检查是乳腺检查不可缺少的检查项目，超声医师每天需要观察和分析大量乳腺超声图像，且超声图像具有分辨率低和病理组织与正常组织难以区分的缺点，在此情况下，会给医生带来巨大压力，给乳腺疾病的诊断与治疗带来了极大的困难。
目前，国外推出了几款影像组学相关软件——基于Python开发的Pyradiomics、基于Matlab开发的IBEX。Weikai Sun等人利用基于Pyradiomics的CT图像影像组学，构建临床和影像组学特征的组合诺模图，作为一种无创性的术前预测方法，鉴别良、恶性骨肿瘤，并辅助治疗计划；Andrea Bettinelli等人验证了IBEX是符合Image BiomarkerStandardization Initiative(影像生物标志物标准化计划)，且适用于定量准确的特征提取。但这两款软件均已CT、MRI图像作为开发重点，对超声图像的处理支持依旧不好，实际临床应用可行性不佳，且主要存在的缺点有两方面：1.影像组学特征数量提取较少，2.超声等二维图像难以进行特征提取。为解决现有技术中的问题，亟需提出一种基于影像组学的乳腺超声影像特征提取及筛选系统和方法。
发明内容
本发明的目的在于提出基于Gabor乳腺影像组学特征提取及筛选系统和方法，对乳腺超声进行定量化、自动化的多种影像组学信息的提取及筛选，进行影像组学模型的构建及评估。
一方面为实现上述目的，本发明提供了基于Gabor乳腺影像组学特征提取及筛选系统，包括：
图像采集模块、图像标注模块、图像配对模块、特征提取模块和特征筛选模块，所述图像采集模块、所述图像标注模块、所述图像配对模块、所述特征提取模块和所述特征筛选模块电性连接；
其中，所述图像采集模块，用于获取乳腺超声影像数据和乳腺超声影像数据集；
所述图像标注模块，用于标注所述乳腺超声影像数据，获取标注掩膜图像数据；
所述图像配对模块，用于对所述乳腺超声影像数据和所述标注掩膜图像数据配对；
所述特征提取模块，用于对配对后的图像进行Gabor滤波器滤波处理，提取乳腺超声影像数据集的各影像组学特征；
所述特征筛选模块，用于对所述乳腺超声影像数据集的各影像组学特征进行筛选，获取相关性最大的特征。
可选的，获取乳腺超声影像数据集的过程包括：
基于乳腺病灶，对所述乳腺超声影像数据进行标注，获取标注后的乳腺超声影像数据，对所述乳腺超声影像数据通过二分类获取标注掩膜图像数据，所述乳腺超声影像数据和所述标注掩膜图像数据组成所述乳腺超声影像数据集。
可选的，所述乳腺超声影像数据集中的图像配对的过程包括：将所述乳腺超声影像数据和所述标注掩膜图像保存在文件夹中，所述乳腺超声影像数据和所述标注掩膜图像在文件夹中命名格式前缀一致，根据文件夹命名的前缀所述乳腺超声影像数据和所述标注掩膜图像完成配对。
可选的，对配对后的图像进行滤波处理，提取乳腺超声影像数据集的各影像组学特征的过程包括：
通过Gabor滤波器滤波对配对后的图像进行预处理，提取所述乳腺超声影像数据集的各影像组学特征。
可选的，所述各影像组学特征包括：一阶特征、形态特征、灰度共生矩阵特征、灰度级大小区域矩阵特征、灰度游程矩阵特征、相邻灰度差矩阵特征、灰度依赖矩阵特征。
可选的，对所述乳腺超声影像数据集的各影像组学特征进行筛选，获取相关性最大的特征的过程包括：
根据最小绝对收缩和选择算子回归方法，基于所述乳腺超声影像数据集的各影像组学特征进行筛选获取相关性最大的特征。
另一方面为实现上述目的，本发明提供了基于Gabor乳腺影像组学特征提取及筛选方法，包括以下步骤：
获取乳腺超声影像数据，基于所述乳腺超声影像数据标注乳腺病灶，获取乳腺超声影像数据集；
将所述乳腺超声影像数据集中的图像进行配对，对配对后的图像进行滤波处理，提取乳腺超声影像数据集的各影像组学特征；
对所述乳腺超声影像数据集的各影像组学特征进行筛选，获取相关性最大的特征，构建影像组学模型并对所述影像组学模型评估。
可选的，对配对后的图像进行滤波处理，提取乳腺超声影像数据集的各影像组学特征
的计算过程包括：
其中，x'＝xcosθ+ysinθ,y'＝-xsinθ+ycosθ,x,y分别为像素坐标位置。
可选的，构建影像组学模型并对所述影像组学模型评估的方法包括：
本发明技术效果：本发明公开了基于Gabor乳腺影像组学特征提取及筛选系统和方法，对乳腺超声进行定量化、自动化的多种影像组学信息的提取及筛选，进行影像组学模型的构建及评估，同时，利用Gabor滤波器可以在频域的不同尺度，不同方向上提取相关特征的特点，了解乳腺病灶在超声图像上不同方向上的差异性，实现了自动提取乳腺超声影像中的病灶信息，速度快，准确率较高，重复性佳，方便快捷，而且所提取的影像组学特征可用于临床诊断乳腺癌及评估乳腺癌新辅助化疗的疗效，且所提取的影像组学信息联合临床模型用于构建联合预测模型，或用于影像组学相关的其他科学研究，值得在从事超声影像学研究领域的人员中推广。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例基于Gabor乳腺影像组学特征提取及筛选系统的结构示意图；
图2为本发明实施例基于Gabor乳腺影像组学特征提取及筛选方法的流程示意图；
图3为本发明实施例基于Gabor乳腺影像组学特征提取及筛选方法的乳腺超声图像原图及掩模图示意图；
图4为本发明实施例基于Gabor乳腺影像组学特征提取及筛选方法的Gabor滤波器滤波核示意图；
图5为本发明实施例基于Gabor乳腺影像组学特征提取及筛选方法的实施例影像组学特征提取GUI界面及影像组学模型构建GUI界面；
图6为本发明实施例基于Gabor乳腺影像组学特征提取及筛选方法的Lambda变化图；
图7为本发明实施例基于Gabor乳腺影像组学特征提取及筛选方法的LASSO筛选特征系数变化曲线图；
图8为本发明实施例基于Gabor乳腺影像组学特征提取及筛选方法的影像组学模型ROC曲线图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供基于Gabor乳腺影像组学特征提取及筛选系统，包括：图像采集模块、图像标注模块、图像配对模块、特征提取模块和特征筛选模块，所述图像采集模块、所述图像标注模块、所述图像配对模块、所述特征提取模块和所述特征筛选模块电性连接；
其中，所述图像采集模块，用于获取乳腺超声影像数据；
所述图像标注模块，用于标注所述乳腺超声影像数据，获取标注掩膜图像数据；
所述图像配对模块，用于对所述乳腺超声影像数据和所述标注掩膜图像数据配对；
所述特征提取模块，用于对配对后的图像进行Gabor滤波器滤波处理，提取乳腺超声影像数据集的各影像组学特征；
所述特征筛选模块，用于对所述乳腺超声影像数据集的各影像组学特征进行筛选，获取相关性最大的特征。
进一步优化方案，获取乳腺超声影像数据集的过程包括：
基于乳腺病灶，对所述乳腺超声影像数据进行标注，获取标注后的乳腺超声影像数据，对所述乳腺超声影像数据通过二分类获取标注掩膜图像数据，所述乳腺超声影像数据和所述标注掩膜图像数据组成所述乳腺超声影像数据集。
进一步优化方案，所述乳腺超声影像数据集中的图像配对的过程包括：将所述乳腺超声影像数据和所述标注掩膜图像保存在文件夹中，所述乳腺超声影像数据和所述标注掩膜图像在文件夹中命名格式前缀一致，根据文件夹命名的前缀所述乳腺超声影像数据和所述标注掩膜图像完成配对。
进一步优化方案，对配对后的图像进行滤波处理，提取乳腺超声影像数据集的各影像组学特征的过程包括：
通过Gabor滤波器滤波对配对后的图像进行预处理，提取所述乳腺超声影像数据集的各影像组学特征。
进一步优化方案，所述各影像组学特征包括：一阶特征、形态特征、灰度共生矩阵特征、灰度级大小区域矩阵特征、灰度游程矩阵特征、相邻灰度差矩阵特征、灰度依赖矩阵特征。
进一步优化方案，对所述乳腺超声影像数据集的各影像组学特征进行筛选，获取相关性最大的特征的过程包括：
根据最小绝对收缩和选择算子回归方法，基于所述乳腺超声影像数据集的各影像组学特征进行筛选获取相关性最大的特征。
实施例二
如图2所示，本实施例中提供基于Gabor乳腺影像组学特征提取及筛选方法，包括以下步骤：
步骤1、采集乳腺超声影像数据，并进行乳腺病灶标注，构建乳腺超声影像图像数据集。本步骤的具体实现方法如下：
首先，采集足量该医院一段时间内不同患者的实际乳腺超声图像，并采用Dicom格式保存，要求保持所研究的二分类问题两类超声影像图像比例均衡，以保证后期影像组学模型的高准确性；然后对采集的乳腺超声图像进行整理，由高年资超声医师采用Itk-Snap软件工具对乳腺病灶位置的标注，生成后缀为“.nii”或“.nrrd”的文件保存并整理，如图3所示，得到标注病灶后的乳腺超声图像数据集；将二分类的原图及掩模图分别存储在同一个文件夹中，图像要求如下：1.病人单次检查所得图像，2.选取最长径切面超声图像用于研究分析，3.原图命名格式为“_image.png”,掩模图命名格式为“(前缀)_label.nii”或“(前缀)_label.nrrd”，原图及对应的掩模图必须确保前缀保持一致。
步骤2、获取文件夹中超声图像内容并导入。本步骤的具体实现方法是选择储存有乳腺超声影像原图、标注掩模图的文件夹，点击“选择文件夹”即可，完成超声图像内容的导入。
步骤3、对超声图像的原图及掩模图进行配对，并进行Gabor滤波器滤波处理，计算标注图像掩模内乳腺超声影像的各影像组学特征数据并提取。本步骤的具体实现方法如下：
首先，程序会根据图像命名，自动识别乳腺超声原图及其对应的掩模图。
然后，根据公式
其中，x'＝xcosθ+ysinθ,y'＝-xsinθ+ycosθ,x,y分别表示像素坐标位置,利用Gabor滤波器提取不同尺度(默认为9、11、13、15)，不同方向上(默认为0°、45°、90°、135°)的特征，并可根据研究内容进行组合，在0°方向依次生成尺度9、尺度11、尺度13、尺度15的Gabor滤波核，在45°方向依次生成尺度9、尺度11、尺度13、尺度15的Gabor滤波核，在90°方向依次生成尺度9、尺度11、尺度13、尺度15的Gabor滤波核，在135°方向依次生成尺度9、尺度11、尺度13、尺度15的Gabor滤波核，共16个，如图4所示为在0°方向上尺度9、尺度11、尺度13、尺度15的4个Gabor滤波核。Gabor滤波器对于图像的亮度和对比度变化以及图像姿态变化具有较强的鲁棒性，并且它表达的是对图像识别最为有用的局部特征，实际应用中，Gabor滤波器可以在频域的不同尺度，不同方向上提取相关特征。
Lambda(λ)为波长，它的值以像素为单位指定，通常大于等于2，但不能大于输入图像尺寸的1/5；Theta(θ)为方向，指定了Gabor函数并行条纹的方向，有效值为从0°到360°的实数，所填值为将360°均分为几份；
为相位偏移，它的取值范围为-180°到180°。其中，0°与180°对应的方程与原点对称，-90和90°的方程关于原点成中心对称；Gamma(γ)为空间纵横比，决定了Gabor函数形状的椭圆率，当γ＝1时，形状是圆的，当γ<1时，形状随着平行条纹方向而拉长，通常该值为0.5；Sigma(σ)表示Gabor函数的高斯因子的标准差。
最后计算并提取标注图像掩模内乳腺超声影像的各影像组学数据特征，影像组学特征包括一阶特征、形态特征、灰度共生矩阵(GLCM)特征、灰度级大小区域矩阵(GLSZM)特征、灰度游程矩阵(GLRLM)特征、相邻灰度差矩阵(NGTDM)特征、灰度依赖矩阵(GLDM)特征。
最终程序完成该影像组学特征提取后，会将所提取的影像组学特征依次存入Excel工作表(xlsx格式)，存储于文件夹“./DataStatistics/GaborRadiomics/02GaborLvbo/”中，并在GUI上显示出来，同时要求“手动合并原图和label图”。
所述“Gabor滤波器滤波处理”的具体实现方法为：
Gabor滤波器对于图像的亮度和对比度变化以及图像姿态变化具有较强的鲁棒性，并且它表达的是对图像识别最为有用的局部特征，实际应用中，Gabor滤波器可以在频域的不同尺度，不同方向上提取相关特征。根据公式
其中，x'＝xcosθ+ysinθ,y'＝-xsinθ+ycosθ,x,y分别表示像素坐标位置,利用Gabor滤波器提取不同尺度，不同方向上的特征，并可根据研究内容进行组合，生成的16个Gabor滤波核。其中，λ为波长，它的值以像素为单位指定，θ为方向，指定了Gabor函数并行条纹的方向，/>
为相位偏移，γ为空间纵横比，决定了Gabor函数形状的椭圆率，当γ＝1时，形状是圆的，当γ<1时，形状随着平行条纹方向而拉长；σ表示Gabor函数的高斯因子的标准差。
进一步，所述“计算标注图像掩模内乳腺超声影像的各影像组学特征数据并提取”中的影像组学特征包括一阶特征、形态特征、灰度共生矩阵(GLCM)特征、灰度级大小区域矩阵(GLSZM)特征、灰度游程矩阵(GLRLM)特征、相邻灰度差矩阵(NGTDM)特征、灰度依赖矩阵(GLDM)特征；其中，所述一阶特征包括能量、总能量、熵、最小特征值、10％特征值、90％特征值、最大特征值、均值、中位数、四分位距离、灰度值范围、平均绝对误差、鲁棒平均绝对偏差、均方根误差、标准差、偏度、峰度、方差、均匀度，形态特征：网格面、像素面、周长、周长比、球形度、球形不均匀度、最大二维直径、长轴长度、短轴长度、伸长率，灰度共生矩阵特征：自相关、联合平均、集群显著性、集群阴影、集群趋势、对比度、相关性、平均差、差分熵、差异方差、联合能量、联合熵、相关性信息度量(IMC)1、相关性信息度量(IMC)2、逆差矩、最大相关系数、逆差分矩归一化、逆差、逆差分归一化、逆方差、最大概率、求和平均、总熵、平方和，灰度级大小区域矩阵特征：小尺寸区域分布的量度、大面积区域分布的度量、灰度非均匀性、灰度非均匀归一化、尺寸区域非均匀性、尺寸区域非均匀归一化、区域百分比、灰度方差、区域方差、区域熵、低灰度区域强调、高灰度区域强调、小面积低灰度区域强调、小区域高灰度强调、大面积低灰度强调、大面积高灰度强调，灰度游程矩阵特征：衡量短运行长度分布、衡量长运行长度分布、灰度非均匀性、灰度非均匀归一化、运行长度非均匀性、运行长度非均匀归一化、运行百分比、灰度级方差、运行方差、运行熵、低灰度值分布、高灰度值分布、低灰度值短运行长度的联合分布、高灰度值短运行长度的联合分布、低灰度值长运行长度的联合分布、高灰度值长运行长度的联合分布，相邻灰度差矩阵特征：粗糙度、对比度、繁忙度、复杂度、强度，灰度依赖矩阵特征：小依赖分布度量、大依赖分布度量、灰度非均匀性、图像依赖关系相似性、依赖非均匀归一化、灰度方差、依赖方差、依赖熵、低灰度值分布、高灰度值分布、低灰度值小相关性的联合分布、高灰度值小相关性的联合分布、低灰度值大相关性的联合分布、高灰度值大相关性的联合分布。
步骤4、对海量超声影像组学特征数据进行特征筛选。本步骤的具体实现方法如下：
对所有超声影像特征数据依次进行“对照组、实验组数据合并”、“训练组、验证组分组”、“T检验”、“皮尔逊相关分析”及“归一化”处理后，采用最小绝对收缩和选择算子(LASSO)回归方法进一步筛选影像组学特征，筛选出相关性最大的特征(每一步分别导入上一步的文件)。LASSO筛选中“np.logspace a”、“np.logspace b”、“np.logspace n”分别为正则项系数、增大倍率、最大值，其中，正则项系数初始值为10-4(np.logspace a＝-4)，数值越大，则对复杂模型的惩罚力度越大，np.logspace b默认为1，np.logspace n默认为50。
步骤5、采用随机森林构建影像组学模型并评估模型优劣性。本步骤的具体实现方法如下：
根据公式
RF(x)表示随机森林对样本x的预测值，B表示总共有B棵树，/>
表示第i棵树所使用的训练集，从所有训练集中进行行采样和列采样得到的子数据集。其中，“分类标准”为gini和entropy，默认为entropy，“分类权重”为balanced和None，默认为balanced，树分枝数及随机种子数为正整数，默认为200及20。
与现有技术相比，本发明更契合于超声影像组学的研究，不再受限于在三维层面上难以提取影像组学特征的问题，并且本发明创新性把Gabor滤波融入超声影像组学特征计算及提取中，利用Gabor滤波器可以在频域的不同尺度，不同方向上提取相关特征的特点，可使所提取的超声影像组学特征扩充至原来的数倍，了解乳腺病灶在超声图像上不同方向上的差异性，在更多不同尺度及方向上观察乳腺病灶在影像组学的差异性，在影像组学特征提取完成后进行特征筛选，构建影像组学模型，从而可判断该模型优劣性。
下面通过具体实施例进一步对本发明所述的基于Gabor滤波乳腺超声影像组学特征自动化提取、筛选方法做进一步说明。
Gabor影像组学特征提取用户界面
基于python平台，生成基于Gabor滤波乳腺超声影像组学特征自动化提取的GUI界面。按钮、文本编辑器、静态文本框是GUI界面上的主要控件。用户可通过控件完成测量工作。打开GUI界面，点击“Gabor滤波变换处理”模块中“选择文件夹”，导入一个分类的文件夹，点击“滤波处理”，等待处理完毕后，在GUI界面上显示“请手动合并原图和label图！！！”，用户需要手动将滤波处理后的原图及掩模图进行合并处理，即把后缀为“label”文件夹下“nrrd”文件夹内的全部文件移动至相同前缀的“image”文件夹下的“nrrd”文件夹内，同时将后缀为“label”文件夹删除；点击“Gabor影像组学特征提取”模块中“选择文件夹”、“特征提取”，等待处理完毕后，在GUI界面上会显示相关影像组学特征；点击“特征拼接”，等待拼接完毕后，数据文件保存在“./DataStatistics/GaborRadiomics/03GaborRadiomics/Gabor.xl sx”；然后将文件“Gabor.xlsx”进行备份，导入另一分类文件夹，重复上述操作。
影像组学特征筛选及模型构建用户界面
如图5所示，“数据处理及特征筛选”模块共由6部分组成，“对照组、实验组数据合并”中导入对照组及实验组数据，对照组＝label0，实验组＝label1(例如：良性病变组＝label0，恶性肿瘤组＝label1)，点击“合并”选择导出文件夹；在“分组”模块中，载入上述导出文件，点击分组，完成后数据会依次存入“train.xlsx”“test.xlsx”并存储于文件夹“./DataStatistics/RadiomicsFeatures/00fenzu/”中；“T检验”模块中，导入上述“train.xlsx”文件，进行T检验，完成后数据会依次存入Excel工作表(xlsx格式)并存储于文件夹“./DataStatistics/RadiomicsFeatures/01Ttest/Ttest.xlsx”中；“皮尔逊相关过滤”模块中，导入上述“Ttest.xlsx”文件，点击“开始分析”，完成后数据会依次存入Excel工作表(xlsx格式)并存储于文件夹“./DataStatistics/RadiomicsFeatures/02CorrelationFilter/CorrelationFilter.xlsx”中；“归一化”模块中，导入上述“CorrelationFilter.xlsx”文件，完成后数据会依次存入Excel工作表(xlsx格式)并存储于文件夹“./DataStatistics/RadiomicsFeatures/03Normalization/Normalization.xlsx”中；“LASSO筛选”模块中，导入上述“Normalization.xlsx”文件，点击“开始分析”，完成会生成LASSO筛选后的特征表格“04Lasso.xlsx”及LASSO筛选后的特征权重“04Lasso_coefficient.xlsx”，数据保存“./DataStatistics/RadiomicsFeatures/04Lasso/”，并生成Lambda变化图及LASSO筛选特征系数变化曲线图，如图6、图7所示。在“影像组学构建模块中”中，导入“04Lasso.xlsx”文件，并点击“开始分析”，即可构建该影像组学模型，并生成ROC曲线图，如图8所示。
本发明公开了基于Gabor乳腺影像组学特征提取及筛选系统和方法，对乳腺超声进行定量化、自动化的多种影像组学信息的提取及筛选，进行影像组学模型的构建及评估，同时，利用Gabor滤波器可以在频域的不同尺度，不同方向上提取相关特征的特点，了解乳腺病灶在超声图像上不同方向上的差异性，实现了自动提取乳腺超声影像中的病灶信息，速度快，准确率较高，重复性佳，方便快捷，而且所提取的影像组学特征可用于临床诊断乳腺癌及评估乳腺癌新辅助化疗的疗效，且所提取的影像组学信息联合临床模型用于构建联合预测模型，或用于影像组学相关的其他科学研究，值得在从事超声影像学研究领域的人员中推广。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.基于Gabor乳腺影像组学特征提取及筛选系统，其特征在于，包括：图像采集模块、图像标注模块、图像配对模块、特征提取模块和特征筛选模块，所述图像采集模块、所述图像标注模块、所述图像配对模块、所述特征提取模块和所述特征筛选模块电性连接；
其中，所述图像采集模块，用于获取乳腺超声影像数据和乳腺超声影像数据集；
所述图像标注模块，用于标注所述乳腺超声影像数据，获取标注掩膜图像数据；
所述图像配对模块，用于对所述乳腺超声影像数据和所述标注掩膜图像数据配对；
所述特征提取模块，用于对配对后的图像进行Gabor滤波器滤波处理，提取乳腺超声影像数据集的各影像组学特征；
所述特征筛选模块，用于对所述乳腺超声影像数据集的各影像组学特征进行筛选，获取相关性最大的特征。
2.如权利要求1所述的基于Gabor乳腺影像组学特征提取及筛选系统，其特征在于，获取乳腺超声影像数据集的过程包括：
基于乳腺病灶，对所述乳腺超声影像数据进行标注，获取标注后的乳腺超声影像数据，对所述乳腺超声影像数据通过二分类获取标注掩膜图像数据，所述乳腺超声影像数据和所述标注掩膜图像数据组成所述乳腺超声影像数据集。
3.如权利要求2所述的基于Gabor乳腺影像组学特征提取及筛选系统，其特征在于，所述乳腺超声影像数据集中的图像配对的过程包括：将所述乳腺超声影像数据和所述标注掩膜图像保存在文件夹中，所述乳腺超声影像数据和所述标注掩膜图像在文件夹中命名格式前缀一致，根据文件夹命名的前缀所述乳腺超声影像数据和所述标注掩膜图像完成配对。
4.如权利要求3所述的基于Gabor乳腺影像组学特征提取及筛选系统，其特征在于，对配对后的图像进行滤波处理，提取乳腺超声影像数据集的各影像组学特征的过程包括：
通过Gabor滤波器滤波对配对后的图像进行预处理，提取所述乳腺超声影像数据集的各影像组学特征。
5.如权利要求4所述的基于Gabor乳腺影像组学特征提取及筛选系统，其特征在于，所述各影像组学特征包括：一阶特征、形态特征、灰度共生矩阵特征、灰度级大小区域矩阵特征、灰度游程矩阵特征、相邻灰度差矩阵特征、灰度依赖矩阵特征。
6.如权利要求5所述的基于Gabor乳腺影像组学特征提取及筛选系统，其特征在于，对所述乳腺超声影像数据集的各影像组学特征进行筛选，获取相关性最大的特征的过程包括：
根据最小绝对收缩和选择算子回归方法，基于所述乳腺超声影像数据集的各影像组学特征进行筛选获取相关性最大的特征。
7.基于Gabor乳腺影像组学特征提取及筛选方法，其特征在于，包括以下步骤：
获取乳腺超声影像数据，基于所述乳腺超声影像数据标注乳腺病灶，获取乳腺超声影像数据集；
将所述乳腺超声影像数据集中的图像进行配对，对配对后的图像进行滤波处理，提取乳腺超声影像数据集的各影像组学特征；
对所述乳腺超声影像数据集的各影像组学特征进行筛选，获取相关性最大的特征，构建影像组学模型并对所述影像组学模型评估。
8.如权利要求7所述的基于Gabor乳腺影像组学特征提取及筛选方法，其特征在于，对配对后的图像进行滤波处理，提取乳腺超声影像数据集的各影像组学特征
的计算过程包括：
其中，x'＝xcosθ+ysinθ,y'＝-xsinθ+ycosθ,x,y分别为像素坐标位置。
9.如权利要求8所述的基于Gabor乳腺影像组学特征提取及筛选方法，其特征在于，构建影像组学模型并对所述影像组学模型评估的方法包括：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310168104.2A CN116310367A (zh) | 2023-02-27 | 2023-02-27 | 基于Gabor乳腺影像组学特征提取及筛选系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310168104.2A CN116310367A (zh) | 2023-02-27 | 2023-02-27 | 基于Gabor乳腺影像组学特征提取及筛选系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116310367A true CN116310367A (zh) | 2023-06-23 |
Family
ID=86833451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310168104.2A Pending CN116310367A (zh) | 2023-02-27 | 2023-02-27 | 基于Gabor乳腺影像组学特征提取及筛选系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116310367A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665017A (zh) * | 2023-07-28 | 2023-08-29 | 神州医疗科技股份有限公司 | 一种基于影像组学的前列腺癌预测系统及构建方法 |
-
2023
- 2023-02-27 CN CN202310168104.2A patent/CN116310367A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665017A (zh) * | 2023-07-28 | 2023-08-29 | 神州医疗科技股份有限公司 | 一种基于影像组学的前列腺癌预测系统及构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sechopoulos et al. | Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: State of the art | |
| CN110996789B (zh) | 执行筛查、诊断或其他基于图像的分析任务的系统和方法 | |
| US8335359B2 (en) | Systems, apparatus and processes for automated medical image segmentation | |
| TWI750583B (zh) | 醫學圖像分割方法、裝置、系統及圖像分割方法 | |
| US20140355840A1 (en) | Apparatus and Method for Utilizing Mammogram Images for Verification | |
| US20140072193A1 (en) | Diagnostic support apparatus and diagnostic support method | |
| US6674880B1 (en) | Convolution filtering of similarity data for visual display of enhanced image | |
| US11969265B2 (en) | Neural network classification of osteolysis and synovitis near metal implants | |
| Kose et al. | Utilizing machine learning for image quality assessment for reflectance confocal microscopy | |
| CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
| KR20180082817A (ko) | 다중 파라메터 자기공명영상에서 전립선 주변부 영역의 전립선암 자동 검출 및 국소화 방법 | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
| CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 | |
| CN116310367A (zh) | 基于Gabor乳腺影像组学特征提取及筛选系统和方法 | |
| Jie et al. | Medical image fusion based on extended difference-of-Gaussians and edge-preserving | |
| CN116309551B (zh) | 确定病灶取样区的方法、装置、电子设备及可读介质 | |
| CN111528918B (zh) | 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质 | |
| Armya et al. | Medical images segmentation based on unsupervised algorithms: a review | |
| Atiyah et al. | Brain MRI Images Segmentation Based on U-Net Architecture | |
| Li et al. | Clinical study of diffusion-weighted imaging in the diagnosis of liver focal lesion | |
| WO2001039122A1 (en) | Convolution filtering of similarity data for visual display of enhanced image | |
| Ye et al. | Automated segmentation of mass regions in DBT images using a dilated DCNN approach | |
| Zhou et al. | Enhanced 3D curvature pattern and melanoma diagnosis | |
| Dzyubachyk et al. | Comparative exploration of whole-body MR through locally rigid transforms | |
| Mousavi Moghaddam et al. | Lung parenchyma segmentation from CT images with a fully automatic method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |