CN105726052B - 一种获取浸润性病灶概率的方法及系统 - Google Patents
一种获取浸润性病灶概率的方法及系统 Download PDFInfo
- Publication number
- CN105726052B CN105726052B CN201610060784.6A CN201610060784A CN105726052B CN 105726052 B CN105726052 B CN 105726052B CN 201610060784 A CN201610060784 A CN 201610060784A CN 105726052 B CN105726052 B CN 105726052B
- Authority
- CN
- China
- Prior art keywords
- wellability
- lesion
- lung
- image feature
- patient
- 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.)
- Active
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title abstract description 15
- 230000008595 infiltration Effects 0.000 claims abstract description 27
- 238000001764 infiltration Methods 0.000 claims abstract description 27
- 210000004072 lung Anatomy 0.000 claims description 36
- 230000002685 pulmonary effect Effects 0.000 claims description 27
- 230000000391 smoking effect Effects 0.000 claims description 15
- 210000004224 pleura Anatomy 0.000 claims description 9
- 238000007373 indentation Methods 0.000 description 7
- 239000005337 ground glass Substances 0.000 description 4
- 208000009956 adenocarcinoma Diseases 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种获取浸润性病灶概率的方法及系统,提供一浸润性概率模型,方法为:S1.获取患者的浸润程度参数组;S2.将所述浸润程度参数组输入所述浸润性概率模型进行计算,以获取浸润性病灶概率;S3.判断所述浸润性病灶概率是否小于预设阈值,若是,则输出癌前病变结果;若否,则输出浸润病变结果。获取浸润性病灶概率的方法将患者的浸润程度参数组输入至浸润性概率模型以获取浸润性病灶概率,根据浸润性病灶概率给出患者临床建议结果,可靠性高。
Description
技术领域
本发明涉及医学领域,尤其涉及一种获取浸润性病灶概率的方法及系统。
背景技术
随着CT技术的提高,临床肺部磨玻璃结节的检出率越来越高,其中磨玻璃结节与肺腺癌高度相关,由于目前的临床决策普遍是医生依据患者的临床检查资料、CT影像资料及临床经验进行临床决策并给出相应的临床建议,但是仍存在较大争议。目前结节的分析仍然停留在影像科医生对于CT图像的判读,而没有统一可靠的技术。
发明内容
针对现有的结节的分析存在的上述问题,现提供一种旨在实现可根据患者的CT影像特征准确获取浸润性病灶概率的方法及系统。
具体技术方案如下:
一种获取浸润性病灶概率的方法,提供一浸润性概率模型,包括下述步骤:
S1.获取患者的浸润程度参数组;
S2.将所述浸润程度参数组输入所述浸润性概率模型进行计算,以获取浸润性病灶概率;
S3.判断所述浸润性病灶概率是否小于预设阈值,若是,则输出癌前病变结果;若否,则输出浸润病变结果。
优选的,所述浸润程度参数组包括:患者的吸烟史状态及肺部CT影像特征。
优选的,所述肺部CT影像特征包括:肺部结节直径、肺部结节形状类型、肺部结节边缘类型、平均CT值和胸膜凹陷征状态。
优选的,所述浸润性概率模型为:p=ex/(1+ex),
x=-0.4982+(0.36225*A)–(1.9591*B)+(0.9161*C)+(1.1988*D)+(0.0041*E)+(1.8230*F),
其中,p为浸润性病灶概率,e为自然指数,A表示肺部CT影像特征的肺部结节直径,B表示肺部CT影像特征的肺部结节形状类型,C表示肺部CT影像特征的肺部结节边缘类型,D表示肺部CT影像特征的胸膜状态,E表示肺部CT影像特征的平均CT值,F表示吸烟史状态。
优选的,当患者的吸烟史状态为有吸烟史时F=1,当患者的吸烟史状态为无吸烟史时F=0。
优选的,当患者的肺部CT影像特征的胸膜状态为有胸膜凹陷时D=1,当患者的肺部CT影像特征的胸膜状态为无胸膜凹陷时D=0。
优选的,当患者的肺部CT影像特征的肺部结节边缘类型为边缘有分叶征或毛刺征时C=1,当患者的肺部CT影像特征的肺部结节边缘类型为边缘光滑时C=0。
优选的,当患者的肺部CT影像特征的肺部结节形状类型为圆形时B=2,当患者的肺部CT影像特征的肺部结节形状类型为椭圆形时B=1,当患者的肺部CT影像特征的肺部结节形状类型不属于圆形或椭圆形时B=0。
优选的,所述阈值为50%。
一种获取浸润性病灶概率的系统,应用如上述的获取浸润性病灶概率的方法,包括:
一接收单元,用以接收患者的浸润程度参数组;
一处理单元,连接所述接收单元,并提供所述浸润性概率模型,用以将所述浸润程度参数组输入所述浸润性概率模型进行计算,以获取所述浸润性病灶概率;
一比较单元,连接所述处理单元,用以判断所述浸润性病灶概率是否小于预设阈值,若是,则输出癌前病变结果;若否,则输出浸润病变结果。
上述技术方案的有益效果:
1)获取浸润性病灶概率的方法将患者的浸润程度参数组输入至浸润性概率模型以获取浸润性病灶概率,根据浸润性病灶概率给出患者临床建议结果,提高了临床诊断的准确性,可靠性高;
2)获取浸润性病灶概率的系统可支持获取浸润性病灶概率的方法。
附图说明
图1为本发明所述的获取浸润性病灶概率的方法的一种实施例的方法流程图;
图2为本发明所述的获取浸润性病灶概率的系统的一种实施例的模块图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
如图1所示,一种获取浸润性病灶概率的方法,提供一浸润性概率模型,包括下述步骤:
S1.获取患者的浸润程度参数组;
S2.将浸润程度参数组输入浸润性概率模型进行计算,以获取浸润性病灶概率;
S3.判断浸润性病灶概率是否小于预设阈值,若是,则输出癌前病变结果;若否,则输出浸润病变结果。
进步一地,阈值为50%。
在本实施例的患者为肺病患者,癌前病变为从正常组织到发生癌变的中间阶段。浸润性概率模型是通过收集肺部纯磨玻璃结节的患者资料(临床,病理和CT影像)进行统计分析而获得的模型。通过将肺病患者的浸润程度参数组输入至浸润性概率模型以获取浸润性病灶概率,根据浸润性病灶概率给出患者相应的临床建议结果,提高了临床诊断的准确性,可靠性高。
在优选的实施例中,浸润程度参数组包括:患者的吸烟史状态及肺部CT影像特征。
进一步地,肺部CT影像特征包括:肺部结节直径、肺部结节形状类型、肺部结节边缘类型、平均CT值和胸膜凹陷征状态。
在优选的实施例中,浸润性概率模型为:p=ex/(1+ex),
x=-0.4982+(0.36225*A)–(1.9591*B)+(0.9161*C)+(1.1988*D)+(0.0041*E)+(1.8230*F),
其中,p为浸润性病灶概率,e为自然指数,A表示肺部CT影像特征的肺部结节直径,B表示肺部CT影像特征的肺部结节形状类型,C表示肺部CT影像特征的肺部结节边缘类型,D表示肺部CT影像特征的胸膜状态,E表示肺部CT影像特征的平均CT值,F表示吸烟史状态。
当患者的吸烟史状态为有吸烟史时F=1,当患者的吸烟史状态为无吸烟史时F=0;
当患者的肺部CT影像特征的胸膜状态为有胸膜凹陷时D=1,当患者的肺部CT影像特征的胸膜状态为无胸膜凹陷时D=0;
当患者的肺部CT影像特征的肺部结节边缘类型为边缘有分叶征或毛刺征时C=1,当患者的肺部CT影像特征的肺部结节边缘类型为边缘光滑时C=0;
当患者的肺部CT影像特征的肺部结节形状类型为圆形时B=2,当患者的肺部CT影像特征的肺部结节形状类型为椭圆形时B=1,当患者的肺部CT影像特征的肺部结节形状类型不属于圆形或椭圆形时B=0。
本实施例中的浸润性概率模型是经过统计了898例纯磨玻璃结节患者的分析了术前的临床资料(性别,年龄,与肺癌相关症状,吸烟史,家族肿瘤史,实验室检查资料)、CT影像资料(结节直径,结节形状,结节边缘类型,CT影像特征的平均CT值,是否具有支气管充气征,胸膜状态)和术后病理资料(是否为浸润性病变:微浸润性腺癌或浸润性腺癌)进行统计分析而获得的模型。
在本实施例中,将肺部结节直径A=15mm,平均CT值E=-600HU,肺部结节形状类型为不规则形状B=0,肺部结节边缘为毛刺边缘C=1,有吸烟史F=1,胸膜状态为胸膜凹陷征D=1输入至浸润性概率模型,可获取患者的浸润性病灶概率p=0.9984,大于预设阈值,因此可输出浸润病变结果,患者可根据该结果进行相应的治疗。
如图2所示,一种获取浸润性病灶概率的系统,包括:
一接收单元1,用以接收患者的浸润程度参数组;
一处理单元2,连接接收单元1,并提供浸润性概率模型,用以将浸润程度参数组输入浸润性概率模型进行计算,以获取浸润性病灶概率;
一比较单元3,连接处理单元2,用以判断浸润性病灶概率是否小于预设阈值,若是,则输出癌前病变结果;若否,则输出浸润病变结果。
在本实施例中,处理单元2可根据接收单元1接收到的浸润程度参数组通过浸润性概率模型进行计算以获取浸润性病灶概率,比较单元3根据浸润性病灶概率给出患者临床建议结果,可靠性高。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (1)
1.一种获取浸润性病灶概率的系统,其特征在于,包括:
一接收单元,用以接收患者的浸润程度参数组;
一处理单元,连接所述接收单元,并提供一浸润性概率模型,用以将所述浸润程度参数组输入所述浸润性概率模型进行计算,以获取所述浸润性病灶概率;
一比较单元,连接所述处理单元,用以判断所述浸润性病灶概率是否小于预设阈值,若是,则输出癌前病变结果;若否,则输出浸润病变结果;
所述浸润性概率模型为:p=ex/(1+ex),
x=-0.4982+(0.36225*A)-(1.9591*B)+(0.9161*C)+(1.1988*D)+(0.0041*E)+(1.8230*F),
其中,p为浸润性病灶概率,e为自然指数,A表示肺部CT影像特征的肺部结节直径,B表示肺部CT影像特征的肺部结节形状类型,C表示肺部CT影像特征的肺部结节边缘类型,D表示肺部CT影像特征的胸膜状态,E表示肺部CT影像特征的平均CT值,F表示吸烟史状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610060784.6A CN105726052B (zh) | 2016-01-28 | 2016-01-28 | 一种获取浸润性病灶概率的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610060784.6A CN105726052B (zh) | 2016-01-28 | 2016-01-28 | 一种获取浸润性病灶概率的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105726052A CN105726052A (zh) | 2016-07-06 |
CN105726052B true CN105726052B (zh) | 2018-11-23 |
Family
ID=56246907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610060784.6A Active CN105726052B (zh) | 2016-01-28 | 2016-01-28 | 一种获取浸润性病灶概率的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105726052B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415206B (zh) * | 2019-04-08 | 2023-12-15 | 上海墩庐生物医学科技有限公司 | 一种识别肺腺癌浸润分型的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4475625B2 (ja) * | 2003-05-27 | 2010-06-09 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
JP4599191B2 (ja) * | 2005-03-01 | 2010-12-15 | 国立大学法人神戸大学 | 画像診断処理装置および画像診断処理プログラム |
EP2208183B1 (en) * | 2007-11-14 | 2018-05-02 | Koninklijke Philips N.V. | Computer-aided detection (cad) of a disease |
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
-
2016
- 2016-01-28 CN CN201610060784.6A patent/CN105726052B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105726052A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292114B (zh) | 一种孤立性肺结节恶性概率预测模型的建立方法 | |
Choi et al. | Quantitative assessment of multiscale structural and functional alterations in asthmatic populations | |
Trevisani et al. | Surveillance for early diagnosis of hepatocellular carcinoma: is it effective in intermediate/advanced cirrhosis? | |
CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
CN107247887A (zh) | 基于人工智能帮助肺癌筛查的方法及系统 | |
KR20220131530A (ko) | 향후 폐암의 위험을 예측하기 위한 시스템 및 방법 | |
Almasi et al. | Epidemiology characteristics and trends of lung cancer incidence in Iran | |
WO2021189900A1 (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
Sun et al. | Incidence and trends of stroke and its subtypes in Changsha, China from 2005 to 2011 | |
CN113539498A (zh) | 一种基于决策树模型的孤立肺结节恶性风险预测系统 | |
Torabi et al. | Geographical variation and factors associated with colorectal cancer mortality in a universal health care system | |
CN109117871A (zh) | 一种通过深度学习获取肺部病灶恶性概率的系统和方法 | |
Berrino et al. | Interpreting survival differences and trends | |
Ng et al. | Development and validation of risk prediction models for COVID-19 positivity in a hospital setting | |
CN105726052B (zh) | 一种获取浸润性病灶概率的方法及系统 | |
Abbas et al. | Persistent hypercarbia after resuscitation is associated with increased mortality in congenital diaphragmatic hernia patients | |
CN110911008A (zh) | 一种建立胆道闭锁列线图预测模型的方法及其用途 | |
CN110246126A (zh) | 一种从肺部ct图像中提取末端支气管树的方法 | |
CN115736963A (zh) | 用于气道壁密度和气道壁炎症的同时评估的方法和系统 | |
CN108492883B (zh) | 一种bclc分期模型建立方法及终端 | |
CN116612881A (zh) | 执行肺结节评估的方法 | |
Pramanik | Hemoptysis with diagnostic dilemma | |
Mourato et al. | Use of PET/CT to aid clinical decision-making in cases of solitary pulmonary nodule: a probabilistic approach | |
Shen et al. | Evaluation of dynamic lung changes during coronavirus disease 2019 (COVID-19) by quantitative computed tomography | |
Khokle et al. | Role of fine needle aspiration cytology in evaluation of Neck Masses: our experience |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |