CN109259780A - 基于增强ct影像组学的胃癌预后和化疗获益的辅助评估系统与方法 - Google Patents
基于增强ct影像组学的胃癌预后和化疗获益的辅助评估系统与方法 Download PDFInfo
- Publication number
- CN109259780A CN109259780A CN201810819823.5A CN201810819823A CN109259780A CN 109259780 A CN109259780 A CN 109259780A CN 201810819823 A CN201810819823 A CN 201810819823A CN 109259780 A CN109259780 A CN 109259780A
- Authority
- CN
- China
- Prior art keywords
- image
- gastric cancer
- variance
- sum
- invdfmom
- 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
- 206010017758 gastric cancer Diseases 0.000 title claims abstract description 54
- 208000005718 Stomach Neoplasms Diseases 0.000 title claims abstract description 53
- 201000011549 stomach cancer Diseases 0.000 title claims abstract description 52
- 238000002512 chemotherapy Methods 0.000 title claims abstract description 41
- 238000004393 prognosis Methods 0.000 title claims abstract description 31
- 230000008901 benefit Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 12
- 238000002271 resection Methods 0.000 claims abstract description 6
- 238000001356 surgical procedure Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009182 swimming Effects 0.000 claims description 4
- 210000001367 artery Anatomy 0.000 claims description 3
- 210000003462 vein Anatomy 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 230000002980 postoperative effect Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 21
- 230000004083 survival effect Effects 0.000 description 20
- 201000010099 disease Diseases 0.000 description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000010200 validation analysis Methods 0.000 description 9
- 230000001575 pathological effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000036962 time dependent Effects 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 230000000973 chemotherapeutic effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000010749 gastric carcinoma Diseases 0.000 description 2
- 230000000968 intestinal effect Effects 0.000 description 2
- 210000001187 pylorus Anatomy 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 201000000498 stomach carcinoma Diseases 0.000 description 2
- HEVGGTGPGPKZHF-UHFFFAOYSA-N Epilaurene Natural products CC1C(=C)CCC1(C)C1=CC=C(C)C=C1 HEVGGTGPGPKZHF-UHFFFAOYSA-N 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 206010034647 Peristalsis visible Diseases 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 208000022534 visible peristalsis Diseases 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]
- A61B6/032—Transmission computed tomography [CT]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pulmonology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于增强CT影像组学的胃癌预后和化疗获益的辅助评估系统与方法。本发明所述系统和方法包括提取胃癌对象增强CT门静脉期图像上胃癌病灶区域的19个图像纹理和形态特征数据,计算每个对象的胃癌影像组学评分GC Rad‑score,根据评分高低,对特定的个体分别进行定性以及定量的预测分析,评估对象接受手术切除肿瘤后预后和化疗获益,提供可信的预测与分析结果。本发明所述的系统和方法是以GC Rad‑score评分来辅助评估胃癌术后预后和化疗获益,操作过程简便、直观、易于重复。通过本发明所述系统与方法能够很好地评估胃癌术后预后和化疗获益情况,更好的辅助医生制定治疗和随访方案。
Description
技术领域
本发明涉及对于胃癌预后和化疗获益的评估,尤其涉及一种基于增强CT影响组学的胃癌预后和化疗获益的辅助评估系统和方法。
背景技术
胃癌(Gastric cancer,GC)是世界上最常见的恶性肿瘤之一,仅在中国2015年新发生胃癌病人679,000例,胃癌死亡病人498,000例,严重加剧了全球,尤其是中国的疾病负担。胃癌易发生转移和化疗不敏感,是导致其预后差的重要原因。有效的预测胃癌患者术后的预后和化疗获益,将可以选择合适的治疗人群和方式,为有效诊治提供有力的支持。根据TNM(tumor node metastasis)分期系统和组织分型对胃癌进行的临床分期,是目前最常用的预测预后和制定治疗方案的参考标准。然而,大量的研究表明即使是相同临床分期,治疗方案一致的病人,他们的临床结局也存在很大差异。
增强CT(computed tomography)影像作为一种无创的肿瘤早期诊断方法,已被广泛应用于胃癌的辅助诊断中。目前使用增强CT影像信息进行临床辅助诊断往往依靠医生的主观经验,通过影像反映出的病人疾病影像特征给予相应诊断。然而医学影像中仍有待开发的揭示患者预后和化疗疗效的有价值信息。
不同个体的胃癌组织由于其病理特性在增强CT影像上的表现出差异,不同的胃癌影像特征也预示着化疗疗效完全不同,并直接影响着患者预后。目前通过增强CT影像手段实现胃癌的预判都需要医生根据其主观的临床经验、病理切片以及血检等进行详细的检测得到临床检测结果。然而,基于现有的医学影像特征分析研究,某些多维纹理特征能够准确反映病变组织的病理学信息,对于实现个体化医疗具有重要的研究价值。所以建立基于增强CT影像组学的胃癌预后和化疗获益的辅助评估系统和方法具有极高的实用意义。
发明内容
为了克服现有技术存在的不足之处,本发明的目的在于而提供了一种基于增强CT影响组学的胃癌预后和化疗获益的辅助评估系统,可有效地用于无创地对胃癌术后预后和化疗获益进行辅助评估。
本发明所述的基于增强CT影像组学的胃癌预后和化疗获益的辅助评估系统,包括:
数据输入模块,用于输入通过增强CT影像设备采集的来自对象的影像数据中的图像特征指标的数据,所述图像特征指标包括:S(1,1)DifVarnc(difference variance(差方差))、S(1,-1)SumVarnc(sum variance(和方差))、S(2,0)InvDfMom(inverse differencemoment(逆差矩))、S(2,0)Entropy(熵)、S(3,3)Correlat(correlation(自相关))、S(3,-3)SumOfSqs(Sum of squares(平方和))、S(3,-3)InvDfMom(inverse difference moment(逆差矩))、S(3,-3)SumVarnc(sum variance(和方差))、S(0,4)AngScMom(angular secondmoment energy(角二次矩能量))、S(0,4)InvDfMom(inverse difference moment(逆差矩))、S(4,4)SumOfSqs(Sum of squares(平方和))、S(4,-4)Correlat(correlation(自相关))、S(5,5)SumVarnc(sum variance(和方差))、S(5,5)SumEntrp(sum entropy(和熵))、S(5,5)DifEntrp(difference entropy(差熵))、S(5,-5)InvDfMom(inverse differencemoment(逆差矩))、Horzl_ShrtREmp(horizontal short run emphasis(水平短游程补偿))、WavEnHH_s-2(energies of wavelet transform coefficients in sub-bands HH,with subsampling factor s=2.(高频子带HH区域中小波变换系数的能量,其中二级小波分解区域为第二部分))、WavEnHH_s-3(energies of wavelet transform coefficientsin sub-bands HH,with subsampling factor s=3.(高频子带HH区域中小波变换系数的能量,其中二级小波分解区域为第三部分),其中,S(x,y)表示为共生矩阵计算图像像素之间的不同方向和距离的各种纹理特征参数;共有4种方向和5个距离,分别为(a,0)水平方向,(0,a)垂直方向,(a,a)45度方向,(a,-a)135度方向4种计算参数方向;以及图像像素之间的5个距离a,其中a=1,2,3,4,5;
模型计算模块,包括影像组学评分模型,根据患者图像特征指标的结果以及影像组学评分模型计算患者影像组学评分Rad-score(Radiomics score)结果,计算公式GCRad-score=3.90E-03×S(1,1)DifVarnc-8.02E-04×S(1,-1)SumVarnc+1.63E+00×S(2,0)InvDfMom+1.30E+00×S(2,0)Entropy+3.65E-01×S(3,3)Correlat-3.45E-03×S(3,-3)SumOfSqs-4.89E-01×S(3,-3)InvDfMom-9.31E-05×S(3,-3)SumVarnc-1.77E+00×S(0,4)AngScMom-2.30E-02×S(0,4)InvDfMom-2.52E-03×S(4,4)SumOfSqs-7.76E-02×S(4,-4)Correlat-1.59E-04×S(5,5)SumVarnc-1.19E+00×S(5,5)SumEntrp-1.28E-02×S(5,5)DifEntrp-5.76E-01×S(5,-5)InvDfMom-2.05E+00×Horzl_ShrtREmp-9.70E-03×WavEnHH_s-2-1.45E-03×WavEnHH_s-3;以及
结果输出模块,根据GC Rad-score评分结果对特定的个体分别进行定性以及定量的预测分析,评估患者接受手术切除肿瘤后预后和化疗获益,提供可信的预测与分析结果。
根据本发明所述的系统的进一步特征,所述胃癌增强CT图像的采集参数为:120KV;150-190ms;0.5-0.4秒旋转时间;探测器准直:8×2.5mm或64×0.625mm;视场350×350mm;矩阵512×512。
根据本发明所述的系统的进一步特征,所述图像特征指标的数据是从增强CT门静脉期图像上提取的原始数值。
本发明的另一个方面还提供了一种基于增强CT影响组学的胃癌预后和化疗获益的辅助评估方法,可有效地用于无创地对胃癌术后预后和化疗获益进行辅助评估。
本发明所述的基于增强CT影像组学的胃癌预后和化疗获益的辅助评估方法,包括以下步骤:
使用计算机软件(Mazda 4.6)对胃癌增强CT图像的影像数据进行预处理,人工选取胃癌病灶面积最大的门静脉期图像,在其上面勾画感兴趣的胃癌病灶区域,提取感兴趣区域的图像特征,从每个病人图像中提取了纹理特征、形态特征等269个特征数据,利用LASSO COX回归模型的方法从269个特征数据获得19个图像特征指标建立胃癌影像组学评分(Radiomics Score of GC,GC Rad-score),所述19个图像特征指标为:S(1,1)DifVarnc(difference variance(差方差))、S(1,-1)SumVarnc(sum variance(和方差))、S(2,0)InvDfMom(inverse difference moment(逆差矩))、S(2,0)Entropy(熵)、S(3,3)Correlat(correlation(自相关))、S(3,-3)SumOfSqs(Sum of squares(平方和))、S(3,-3)InvDfMom(inverse difference moment(逆差矩))、S(3,-3)SumVarnc(sum variance(和方差))、S(0,4)AngScMom(angular second moment energy(角二次矩能量))、S(0,4)InvDfMom(inverse difference moment(逆差矩))、S(4,4)SumOfSqs(Sum of squares(平方和))、S(4,-4)Correlat(correlation(自相关))、S(5,5)SumVarnc(sum variance(和方差))、S(5,5)SumEntrp(sum entropy(和熵))、S(5,5)DifEntrp(difference entropy(差熵))、S(5,-5)InvDfMom(inverse difference moment(逆差矩))、Horzl_ShrtREmp(horizontalshortrun emphasis(水平短游程补偿))、WavEnHH_s-2(energies of wavelettransformcoefficients in sub-bands HH,with subsampling factor s=2.(高频子带HH区域中小波变换系数的能量,其中二级小波分解区域为第二部分))、WavEnHH_s-3(energies ofwavelettransform coefficients in sub-bands HH,with subsampling factor s=3.(高频子带HH区域中小波变换系数的能量,其中二级小波分解区域为第三部分),其中,S(x,y)表示为共生矩阵计算图像像素之间的不同方向和距离的各种纹理特征参数;共有4种方向和5个距离,分别为(a,0)水平方向,(0,a)垂直方向,(a,a)45度方向,(a,-a)135度方向4种计算参数方向;以及图像像素之间的5个距离a,其中a=1,2,3,4,5;
根据所述19个图像特征指标的数值,计算每个患者的胃癌影像组学评分(GC Rad-score),根据评分高低,对特定的个体分别进行定性以及定量的预测分析,评估患者接受手术切除肿瘤后预后和化疗获益,提供可信的预测与分析结果。
将所述19个图像特征指标结合LASSO COX回归模型获得的系数,计算每个对象的影像组学评分(GC Rad-score),计算公式GC Rad-score=3.90E-03×S(1,1)DifVarnc-8.02E-04×S(1,-1)SumVarnc+1.63E+00×S(2,0)InvDfMom+1.30E+00×S(2,0)Entropy+3.65E-01×S(3,3)Correlat-3.45E-03×S(3,-3)SumOfSqs-4.89E-01×S(3,-3)InvDfMom-9.31E-05×S(3,-3)SumVarnc-1.77E+00×S(0,4)AngScMom-2.30E-02×S(0,4)InvDfMom-2.52E-03×S(4,4)SumOfSqs-7.76E-02×S(4,-4)Correlat-1.59E-04×S(5,5)SumVarnc-1.19E+00×S(5,5)SumEntrp-1.28E-02×S(5,5)DifEntrp-5.76E-01×S(5,-5)InvDfMom-2.05E+00×Horzl_ShrtREmp-9.70E-03×WavEnHH_s-2-1.45E-03×WavEnHH_s-3。为了简化使用,用X-title软件根据与预后的关系选取两个分界值为-1.1和-0.8,将对象分为Rad-score高、中和低三组。
最后,使用19个特征计算每个对象的影像组学评分Rad-score,根据评分高低,评估对象接受手术切除肿瘤后预后和化疗获益;当对象Rad-score<-1.1时,对象预后最差,接受化疗几乎不能获得生存获益;当对象-1.1≤Rad-score<-0.8时,对象预后较好,接受化疗能够获得中等的生存获益;当对象Rad-score≥-0.8时,对象预后最好,接受化疗容易获得显著的生存获益。
本发明所述系统非常成熟,操作过程简便、直观、易于重复,由普通的技术员均可以完成。利用人工勾画肿瘤区域然后进行自动图像特征提取,结果客观准确,优于计算机自动勾画肿瘤区域再进行自动图像特征提取。
本发明能够利用增强CT图像中蕴含的丰富的信息,并利用多个图像特征组合技术,弥补了传统方法的不足,对特定的个体分别进行定性以及定量的预测分析,提供可信的预测与分析结果。
附图说明
图1为本发明的实施例中在训练组(N=228)和测试组(N=186)中预测术后无病生存率的time-dependent ROC曲线和预测术后无病生存和整体生存曲线;图1中,Trainingcohort是训练组;Validation cohort是验证组;RS是Rad-score影像组学评分;Disease-free Survival是无病生存率;Overall Survival是整体生存率。
图2为本发明的实施例中在训练组(N=228)和测试组(N=186)中预测术后无病生存率的时间依赖性接收者操作特征曲线(time-dependent ROC曲线),计算ROC曲线下面积(AUC),检验GC Rad-score预测无病生存率的准确性。图2中,A、C为Rad-score和TNM分期的预测不同生存时间的AUC值;B、D为预测不同生存时间的Rad-score减去TNM分期的AUC值的差值(Rad-score的AUC值减去TNM分期的);Time(month)为术后生存时间(月);Trainingcohort为训练组;Validation cohort为验证组。
图3为本发明的实施例中在训练组(N=228)和测试组(N=186)中预测术后整体生存率的时间依赖性接收者操作特征曲线(time-dependent ROC曲线),计算ROC曲线下面积(AUC),检验GC Rad-score预测整体生存率的准确性。A、C为Rad-score和TNM分期的预测不同生存时间的AUC值。B、D为Rad-score和TNM分期预测不同生存时间的的AUC值的差值(Rad-score的AUC值减去TNM分期的)。Time(month)为术后生存时间(月)。Training cohort为训练组;Validation cohort为验证组。
图4为本发明的实施例中在胃癌对象中检测GC Rad-score高、中和低三组对象接受化疗和不接受化疗的无病生存和整体生存曲线。图4中,No chemo-表示没有接受化疗的对象,Chemotherapy表示接受化疗的对象;横坐标(month)表示为术后生存时间(月)。
图5为本发明的实施例中在胃癌对象中检测高、中和低三组对象接受化疗和不接受化疗的无病生存率和整体生存率根据不同临床特征亚组分析的森林图。图5中,No chemo表示没有接受化疗的对象,Chemo表示接受化疗的对象,Number of patients是病人数量;HR是风险比;CI是置信区间。End-point为HR的数值。Location是肿瘤部位;pylorus是幽门;Lauren type是Lanren分型;diffuse是弥散型;intestinal是肠型。
具体实施方式
为更好的说明本发明的目的、技术方案和优点,下面将结合具体实施例对本发明作进一步说明。
本发明采用的胃癌增强CT图像是通过以下增强CT影像设备采集得到的:256-MDCTscanner Brilliance iCT,Philips Healthcare,Cleveland,OH,USA;64-sectionLightSpeed VCT,GE Medical Systems,Milwaukee,Wis;和GE Lightspeed 16,GEHealthcare Milwaukee,WI。
首先,使用计算机软件Mazda4.6对胃癌增强CT图像进行预处理,选取胃癌病灶面积最大的门静脉期图像,由两位经验丰富的病理科医生在其上面勾画感兴趣区域(所有胃癌病灶区域),自动提取感兴趣区域的图像特征;从每个病人图像中提取了纹理特征、形态特征等269个特征数据。所述图像特征包括强度、形状和纹理三大类特征。筛选出2007年1月至2011年4月做过胃癌手术切除的251例保存有增强CT图像的胃癌对象作为训练组,再筛选出2011年5月至2013年4月做过手术的186例胃癌对象为验证组,用从训练组对象增强CT图像上提取的数据建立模型,用测试组数据验证建立的模型是否合适。在训练组中,利用LASSO COX回归模型的方法获得19个图像特征指标建立胃癌影像组学评分(RadiomicsScore of GC,GC Rad-score),19个特征分别为:S(1,1)DifVarnc、S(1,-1)SumVarnc、S(2,0)InvDfMom、S(2,0)Entropy、S(3,3)Correlat、S(3,-3)SumOfSqs、S(3,-3)InvDfMom、S(3,-3)SumVarnc、S(0,4)AngScMom、S(0,4)InvDfMom、S(4,4)SumOfSqs、S(4,-4)Correlat、S(5,5)SumVarnc、S(5,5)SumEntrp、S(5,5)DifEntrp、S(5,-5)InvDfMom、Horzl_ShrtREmp、WavEnHH_s-2、和WavEnHH_s-3;利用这19个图像特征指标结合LASSO COX回归模型获得的系数计算每个对象的影像组学评分(GC Rad-score),计算公式GC Rad-score=3.90E-03×S(1,1)DifVarnc-8.02E-04×S(1,-1)SumVarnc+1.63E+00×S(2,0)InvDfMom+1.30E+00×S(2,0)Entropy+3.65E-01×S(3,3)Correlat-3.45E-03×S(3,-3)SumOfSqs-4.89E-01×S(3,-3)InvDfMom-9.31E-05×S(3,-3)SumVarnc-1.77E+00×S(0,4)AngScMom-2.30E-02×S(0,4)InvDfMom-2.52E-03×S(4,4)SumOfSqs-7.76E-02×S(4,-4)Correlat-1.59E-04×S(5,5)SumVarnc-1.19E+00×S(5,5)SumEntrp-1.28E-02×S(5,5)DifEntrp-5.76E-01×S(5,-5)InvDfMom-2.05E+00×Horzl_ShrtREmp-9.70E-03×WavEnHH_s-2-1.45E-03×WavEnHH_s-3。为了简化使用,用X-title软件选取两个分界值为-1.1和-0.8,将对象分为Rad-score高、中和低三组。生存分析表明利用GC Rad-score获得的三组对象的无病生存率和整体生存率均有显著性差异(P<0.001)。在纳入了186例胃癌病人的验证组也得到了相似的结果(如图1所示)。运用时间依赖性接收者操作特征曲线(time-dependent ROC曲线),计算ROC曲线下面积(AUC),检验GC Rad-score预测无病生存率和整体生存率的准确性,发现AUC在训练组和验证组都很高,并且优于TNM分期(如图1,2,3所示)。多因素COX分析中,GCRad-score可以作为独立预测无病生存和整体生存的因素(P<0.001;如表1所示)。所以,GCRad-score可以有效用于胃癌术后预后的预测。
其次,生存分析表明在II期和III期胃癌对象中,GC Rad-score高的对象接受化疗能够获得显著的生存获益(P<0.05),而GC Rad-score低的对象接受化疗并不能获得生存获益,GC Rad-score中的对象接受化疗仅能获得较小生存获益(如图4所示)。根据不同临床病理特征做亚组分析,同样发现了相似的趋势(如图5所示),表明GC Rad-score可以预测胃癌对象的化疗治疗的生存获益,对特定的个体分别进行定性以及定量的预测分析,提供可信的预测与分析结果,为临床选择治疗方案提供帮助。
表1:多因素分析与生存相关的因素
CA199:糖抗原199。
注:COX比例风险回归模型;单因素分析中具有显著差异(P<0.05)的指标纳入多因素分析;HR:风险比;CI:置信区间。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于增强CT影像组学的胃癌预后和化疗获益的辅助评估系统,其特征在于,包括:
数据输入模块,用于输入通过增强CT影像设备采集的来自对象的影像数据中的图像特征指标的数据,所述图像特征指标包括:S(1,1)DifVarnc(difference variance(差方差))、S(1,-1)SumVarnc(sum variance(和方差))、S(2,0)InvDfMom(inverse differencemoment(逆差矩))、S(2,0)Entropy(熵)、S(3,3)Correlat(correlation(自相关))、S(3,-3)SumOfSqs(Sum of squares(平方和))、S(3,-3)InvDfMom(inverse difference moment(逆差矩))、S(3,-3)SumVarnc(sum variance(和方差))、S(0,4)AngScMom(angular secondmoment energy(角二次矩能量))、S(0,4)InvDfMom(inverse difference moment(逆差矩))、S(4,4)SumOfSqs(Sum of squares(平方和))、S(4,-4)Correlat(correlation(自相关))、S(5,5)SumVarnc(sum variance(和方差))、S(5,5)SumEntrp(sum entropy(和熵))、S(5,5)DifEntrp(difference entropy(差熵))、S(5,-5)InvDfMom(inverse differencemoment(逆差矩))、Horzl_ShrtREmp(horizontal short run emphasis(水平短游程补偿))、WavEnHH_s-2(energies of wavelet transform coefficients in sub-bands HH,with subsampling factor s=2.(高频子带HH区域中小波变换系数的能量,其中二级小波分解区域为第二部分))、WavEnHH_s-3(energies of wavelet transform coefficientsin sub-bands HH,with subsampling factor s=3.(高频子带HH区域中小波变换系数的能量,其中二级小波分解区域为第三部分),其中,S(x,y)表示为共生矩阵计算图像像素之间的不同方向和距离的各种纹理特征参数;共有4种方向和5个距离,分别为(a,0)水平方向,(0,a)垂直方向,(a,a)45度方向,(a,-a)135度方向4种计算参数方向;以及图像像素之间的5个距离a,其中a=1,2,3,4,5;
模型计算模块,包括影像组学评分模型,根据对象图像特征指标的结果以及影像组学评分模型计算对象影像组学评分Rad-score(Radiomics score)结果,计算公式GC Rad-score=3.90E-03×S(1,1)DifVarnc-8.02E-04×S(1,-1)SumVarnc+1.63E+00×S(2,0)InvDfMom+1.30E+00×S(2,0)Entropy+3.65E-01×S(3,3)Correlat-3.45E-03×S(3,-3)SumOfSqs-4.89E-01×S(3,-3)InvDfMom-9.31E-05×S(3,-3)SumVarnc-1.77E+00×S(0,4)AngScMom-2.30E-02×S(0,4)InvDfMom-2.52E-03×S(4,4)SumOfSqs-7.76E-02×S(4,-4)Correlat-1.59E-04×S(5,5)SumVarnc-1.19E+00×S(5,5)SumEntrp-1.28E-02×S(5,5)DifEntrp-5.76E-01×S(5,-5)InvDfMom-2.05E+00×Horzl_ShrtREmp-9.70E-03×WavEnHH_s-2-1.45E-03×WavEnHH_s-3;以及
结果输出模块,根据GC Rad-score评分结果对特定的个体分别进行定性以及定量的预测分析,评估对象接受手术切除肿瘤后预后和化疗获益,提供可信的预测与分析结果。
2.根据权利要求1所述的系统,其特征在于,所述胃癌增强CT图像的采集参数为:120KV;150-190ms;0.5-0.4秒旋转时间;探测器准直:8×2.5mm或64×0.625mm;视场350×350mm;矩阵512×512。
3.根据权利要求1所述的系统,其特征在于:所述图像特征指标的数据是从增强CT门静脉期图像上提取的原始数值。
4.一种基于增强CT影像组学的胃癌预后和化疗获益的辅助评估方法,其特征在于,包括以下步骤:
使用计算机软件(Mazda 4.6)对胃癌增强CT图像的影像数据进行预处理,选取胃癌病灶面积最大的门静脉期图像,在其上面勾画感兴趣的胃癌病灶区域,提取感兴趣区域的图像特征,从每个病人图像中提取了纹理特征、形态特征等269个特征数据,利用LASSO COX回归模型的方法从269个特征数据获得19个图像特征指标建立胃癌影像组学评分(RadiomicsScore of GC,GC Rad-score),所述19个图像特征指标为:S(1,1)DifVarnc(differencevariance(差方差))、S(1,-1)SumVarnc(sum variance(和方差))、S(2,0)InvDfMom(inverse difference moment(逆差矩))、S(2,0)Entropy(熵)、S(3,3)Correlat(correlation(自相关))、S(3,-3)SumOfSqs(Sum of squares(平方和))、S(3,-3)InvDfMom(inverse difference moment(逆差矩))、S(3,-3)SumVarnc(sum variance(和方差))、S(0,4)AngScMom(angular second moment energy(角二次矩能量))、S(0,4)InvDfMom(inverse difference moment(逆差矩))、S(4,4)SumOfSqs(Sum of squares(平方和))、S(4,-4)Correlat(correlation(自相关))、S(5,5)SumVarnc(sum variance(和方差))、S(5,5)SumEntrp(sum entropy(和熵))、S(5,5)DifEntrp(difference entropy(差熵))、S(5,-5)InvDfMom(inverse difference moment(逆差矩))、Horzl_ShrtREmp(horizontalshortrun emphasis(水平短游程补偿))、WavEnHH_s-2(energies of wavelettransformcoefficients in sub-bands HH,with subsampling factor s=2.(高频子带HH区域中小波变换系数的能量,其中二级小波分解区域为第二部分))、WavEnHH_s-3(energies ofwavelettransform coefficients in sub-bands HH,with subsampling factor s=3.(高频子带HH区域中小波变换系数的能量,其中二级小波分解区域为第三部分),其中,S(x,y)表示为共生矩阵计算图像像素之间的不同方向和距离的各种纹理特征参数;共有4种方向和5个距离,分别为(a,0)水平方向,(0,a)垂直方向,(a,a)45度方向,(a,-a)135度方向4种计算参数方向;以及图像像素之间的5个距离a,其中a=1,2,3,4,5;
根据所述19个图像特征指标的数值,计算每个对象的胃癌影像组学评分(GC Rad-score),根据评分高低,对特定的个体分别进行定性以及定量的预测分析,评估对象接受手术切除肿瘤后预后和化疗获益,提供可信的预测与分析结果。
5.根据权利要求1所述的方法,其特征在于,所述胃癌增强CT图像的采集参数为:120KV;150-190ms;0.5-0.4秒旋转时间;探测器准直:8×2.5mm或64×0.625mm;视场350×350mm;矩阵512×512。
6.根据权利要求1所述的方法,其特征在于:所述图像特征指标的数据是从增强CT门静脉期图像上提取的原始数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810819823.5A CN109259780A (zh) | 2018-07-24 | 2018-07-24 | 基于增强ct影像组学的胃癌预后和化疗获益的辅助评估系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810819823.5A CN109259780A (zh) | 2018-07-24 | 2018-07-24 | 基于增强ct影像组学的胃癌预后和化疗获益的辅助评估系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109259780A true CN109259780A (zh) | 2019-01-25 |
Family
ID=65153112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810819823.5A Pending CN109259780A (zh) | 2018-07-24 | 2018-07-24 | 基于增强ct影像组学的胃癌预后和化疗获益的辅助评估系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109259780A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110265095A (zh) * | 2019-05-22 | 2019-09-20 | 首都医科大学附属北京佑安医院 | 用于hcc复发及rfs的预测模型和诺模图的构建方法及应用 |
CN110956626A (zh) * | 2019-12-09 | 2020-04-03 | 北京推想科技有限公司 | 一种基于图像的预后评估方法及装置 |
CN112071418A (zh) * | 2020-05-26 | 2020-12-11 | 南方医科大学南方医院 | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 |
CN112949772A (zh) * | 2021-04-12 | 2021-06-11 | 中国科学院自动化研究所 | 基于影像组学的胃癌多维特征提取与分析系统 |
CN114613498A (zh) * | 2022-03-24 | 2022-06-10 | 中国人民解放军总医院第五医学中心 | 一种基于机器学习的辅助mdt临床决策方法、系统及设备 |
CN115170564A (zh) * | 2022-09-06 | 2022-10-11 | 北京肿瘤医院(北京大学肿瘤医院) | 一种结直肠癌放化疗反应自动预测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007267773A (ja) * | 2006-03-30 | 2007-10-18 | Hitachi Medical Corp | 医用画像表示装置 |
EP2138589A1 (en) * | 2008-06-27 | 2009-12-30 | Institut Pasteur | Molecular signature of liver tumor grade and use to evaluate prognosis and therapeutic regimen |
CN107368695A (zh) * | 2017-08-24 | 2017-11-21 | 南方医科大学南方医院 | 基于放射组学的胃肠间质瘤恶性潜能分类模型的构建方法 |
CN107582097A (zh) * | 2017-07-18 | 2018-01-16 | 中山大学附属第医院 | 一种基于多模态超声组学的智能辅助决策系统 |
CN107907395A (zh) * | 2017-11-16 | 2018-04-13 | 南方医科大学南方医院 | 早期胃癌切除标本的癌旁胶原组织评价方法 |
-
2018
- 2018-07-24 CN CN201810819823.5A patent/CN109259780A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007267773A (ja) * | 2006-03-30 | 2007-10-18 | Hitachi Medical Corp | 医用画像表示装置 |
EP2138589A1 (en) * | 2008-06-27 | 2009-12-30 | Institut Pasteur | Molecular signature of liver tumor grade and use to evaluate prognosis and therapeutic regimen |
CN107582097A (zh) * | 2017-07-18 | 2018-01-16 | 中山大学附属第医院 | 一种基于多模态超声组学的智能辅助决策系统 |
CN107368695A (zh) * | 2017-08-24 | 2017-11-21 | 南方医科大学南方医院 | 基于放射组学的胃肠间质瘤恶性潜能分类模型的构建方法 |
CN107907395A (zh) * | 2017-11-16 | 2018-04-13 | 南方医科大学南方医院 | 早期胃癌切除标本的癌旁胶原组织评价方法 |
Non-Patent Citations (2)
Title |
---|
FRANCESCO GIGANTI等: "《Gastric cancer: texture analysis from multidetector computed tomography as a potential preoperative prognostic biomarker》", 《EUR RADIOL》 * |
王永芹等: "《CT平扫图像纹理分析对肝癌与肝血管瘤鉴别诊断的初步研究》", 《中国普外基础与临床杂志》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110265095A (zh) * | 2019-05-22 | 2019-09-20 | 首都医科大学附属北京佑安医院 | 用于hcc复发及rfs的预测模型和诺模图的构建方法及应用 |
CN110956626A (zh) * | 2019-12-09 | 2020-04-03 | 北京推想科技有限公司 | 一种基于图像的预后评估方法及装置 |
CN112071418A (zh) * | 2020-05-26 | 2020-12-11 | 南方医科大学南方医院 | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 |
CN112071418B (zh) * | 2020-05-26 | 2023-08-01 | 南方医科大学南方医院 | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 |
CN112949772A (zh) * | 2021-04-12 | 2021-06-11 | 中国科学院自动化研究所 | 基于影像组学的胃癌多维特征提取与分析系统 |
CN114613498A (zh) * | 2022-03-24 | 2022-06-10 | 中国人民解放军总医院第五医学中心 | 一种基于机器学习的辅助mdt临床决策方法、系统及设备 |
CN115170564A (zh) * | 2022-09-06 | 2022-10-11 | 北京肿瘤医院(北京大学肿瘤医院) | 一种结直肠癌放化疗反应自动预测系统 |
CN115170564B (zh) * | 2022-09-06 | 2022-12-02 | 北京肿瘤医院(北京大学肿瘤医院) | 一种结直肠癌放化疗反应自动预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109259780A (zh) | 基于增强ct影像组学的胃癌预后和化疗获益的辅助评估系统与方法 | |
Ikedo et al. | Development of a fully automatic scheme for detection of masses in whole breast ultrasound images | |
CN105005714A (zh) | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 | |
JP7224441B2 (ja) | 超音波及び/又は光音響(oa/us)特徴に基づいて癌分子サブタイプを決定するためのプログラム及びシステム | |
CN110265095A (zh) | 用于hcc复发及rfs的预测模型和诺模图的构建方法及应用 | |
Zhang et al. | Deep learning on enhanced CT images can predict the muscular invasiveness of bladder cancer | |
Reis et al. | Digital rectal examination standardization for inexperienced hands: teaching medical students | |
CN115440383B (zh) | 用于预测晚期癌症患者pd-1/pd-l1单抗治疗疗效的系统 | |
Song et al. | Hypervascular hepatic focal lesions on dynamic contrast-enhanced CT: preliminary data from arterial phase scans texture analysis for classification | |
CN115937130A (zh) | 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 | |
Quaia et al. | Value of percent change in tumoral volume measured at T2‐weighted and diffusion‐weighted MRI to identify responders after neoadjuvant chemoradiation therapy in patients with locally advanced rectal carcinoma | |
Zou et al. | Multi-task deep learning based on T2-Weighted Images for predicting Muscular-Invasive Bladder Cancer | |
Wang et al. | Development and validation of an MRI radiomics-based signature to predict histological grade in patients with invasive breast cancer | |
Xu et al. | A new endoscopic ultrasonography image processing method to evaluate the prognosis for pancreatic cancer treated with interstitial brachytherapy | |
CN110163195A (zh) | 肝癌分群预测模型、其预测系统以及肝癌分群判断方法 | |
Sankar et al. | RETRACTED ARTICLE: Regression Neural Network segmentation approach with LIDC-IDRI for lung lesion | |
EP4348678A1 (en) | A radiomic-based machine learning algorithm to reliably differentiate benign renal masses from renal cell carcinoma | |
Banik et al. | Computer-aided detection of architectural distortion in prior mammograms of interval cancer | |
Jang et al. | Radiogenomic and deep learning network approaches to predict KRAS mutation from radiotherapy plan CT | |
Liu et al. | Clinical Study of Virtual Reality Augmented Technology Combined with Contrast-Enhanced Ultrasound in the Assessment of Thyroid Cancer | |
Huang et al. | Application of DCE-MRI radiomics signature analysis in differentiating molecular subtypes of luminal and non-luminal breast cancer | |
Ren et al. | [Retracted] Analysis of KRAS Mutation Status Prediction Model for Colorectal Cancer Based on Medical Imaging | |
Khorrami et al. | Radiomic predicts early response to CDK4/6 inhibitors in hormone receptor positive metastatic breast cancer | |
Shuaib et al. | The Cancer Detection using Deep Learning: A Survey: Cancer Detection using Deep Learning: A Survey | |
Wang et al. | Development of an Ultrasonic Nomogram for Preoperative Prediction of Castleman Disease Pathological Type. |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190125 |
|
WD01 | Invention patent application deemed withdrawn after publication |