CN109598266A - 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统 - Google Patents
基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统 Download PDFInfo
- Publication number
- CN109598266A CN109598266A CN201811245597.0A CN201811245597A CN109598266A CN 109598266 A CN109598266 A CN 109598266A CN 201811245597 A CN201811245597 A CN 201811245597A CN 109598266 A CN109598266 A CN 109598266A
- Authority
- CN
- China
- Prior art keywords
- feature
- thrombolysis
- limb
- efficiency
- deep veins
- 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
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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明公开了基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统,方法包括:从MRI图像中得到下肢深静脉血栓的感兴趣区域;对下肢深静脉血栓的感兴趣区域进行影像组学特征提取;根据影像组学特征提取的结果采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测。本发明基于机器学习的下肢深静脉血栓溶栓疗效预测方法系统,通过影像组学特征提取和采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测,将MRI影像组学方法和机器学习技术相结合来预测下肢深静脉血栓的溶栓疗效,且能在溶栓治疗前就能通过预测来完成疗效评估工作,不再依赖于医生的经验,溶栓疗效预测结果更准确且效率更高。本发明可广泛应用于医学图像处理领域。
Description
技术领域
本发明涉及医学图像处理领域,尤其是一种基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统。
背景技术
深静脉血栓(Deep Vein Thrombosis,DVT)是发生于下肢深静脉的常见疾病,每年的发病率约为0.1%,呈逐年上升趋势,已成为第三大心血管疾病。DVT除了下肢肿痛等症状外,50%以上患者易并发肺栓塞,死亡率超过20%,被称为“沉默的杀手”。
当前用于DVT检查的影像学手段有多种,包括超声、计算机断层扫描技术(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Imaging,MRI)、数字减影技术等。MRI作为一种无创性检查技术,具有良好的软组织对比度、全视野和无辐射等优势,可直接显示下肢深静脉血栓的信号,是诊断下肢深静脉血栓的有效检查方法。
DVT一旦明确诊断,宜尽快介入治疗,以缩短病程、提高管腔再通率、阻止病程进入慢性期。溶栓治疗是目前治疗DVT的主要方法。溶栓治疗效果与年龄、既往病史、阻塞血管的病变性质、病程等因素密切相关,医生往往需要通过临床症状和影像资料来综合评估病人的溶栓治疗效果,并根据评估结果来选择是否进行溶栓治疗:如果适合溶栓的患者没有进行溶栓,则可能会错过最佳治疗;如果不适合溶栓的患者进行了溶栓,则可能会造成脑出血等致命伤害。然而DVT病人的临床症状通常较为主观,如患者所述病史天数与实际病史天数不一致等情况会影响医生的评估结果;而目前影像评估尚处于研究阶段,医生大多通过观察血栓信号的高低和范围以及血管周围间隙水肿情况,凭借经验来评估溶栓疗效,但不同医生之间的经验差异容易导致诊断结果参差不齐,同时,磁共振扫描图像多样,人工阅片耗时较多,且只有在溶栓治疗后才能进行疗效评估,因此目前的评估方法已无法满足日益增长的临床需求。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种效率高和准确的基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统。
本发明一方面所采取的技术方案是:
基于机器学习的下肢深静脉血栓溶栓疗效预测方法,包括以下步骤:
从MRI图像中得到下肢深静脉血栓的感兴趣区域;
对下肢深静脉血栓的感兴趣区域进行影像组学特征提取;
根据影像组学特征提取的结果采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测。
进一步,所述从MRI图像中得到下肢深静脉血栓的感兴趣区域这一步骤,具体包括:
输入待预测对象的MRI图像;
根据待预测对象的MRI图像得到对应的横断面图像、矢状面图像和冠状面图像;
根据得到的横断面图像、矢状面图像和冠状面图像进行血栓病灶边界勾画,得到下肢深静脉血栓的感兴趣区域。
进一步,所述对下肢深静脉血栓的感兴趣区域进行影像组学特征提取这一步骤,具体包括:
根据预设的特征类型从下肢深静脉血栓的感兴趣区域中提取出初步的影像组学特征,其中,预设的特征类型包括形状特征、强度特征、纹理特征和小波特征;
采用特征选择法对初步的影像组学特征进行筛选,得到最终的影像组学特征。
进一步,所述采用特征选择法对初步的影像组学特征进行筛选,得到最终的影像组学特征这一步骤,具体包括:
根据血栓溶栓的临床治疗效果金标准构建正样本标签和负样本标签;
判断正样本标签的特征与负样本标签的特征是否符合正态分布要求,若是,则执行下一步骤,反之,则采用曼-惠特尼U检验法筛选出最终的影像组学特征;
判断正样本标签的特征与负样本标签的特征是否符合方差齐次要求,若是,则采用双样本T参数校验法筛选出最终的影像组学特征,反之,则采用Welch's T检验法筛选出最终的影像组学特征。
进一步,所述根据影像组学特征提取的结果采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测这一步骤,具体包括:
根据影像组学特征提取的结果和训练样本采用逻辑斯蒂回归分类法来构建下肢深静脉血栓溶栓疗效三分类预测模型;所述下肢深静脉血栓溶栓疗效预测三分类模型的预测结果包括不好、一般和好,其中,不好对应操作医师对患肢血栓溶解前后进行下肢静脉造影评估的疗效评分为0-0.5,一般对应操作医师对患肢血栓溶解前后进行下肢静脉造影评估的疗效评分为0.5-0.99,好对应操作医师对患肢血栓溶解前后进行下肢静脉造影评估的疗效评分为1.0;
采用下肢深静脉血栓溶栓疗效三分类预测模型对待预测的样本进行预测,得到下肢深静脉血栓溶栓疗效预测的结果。
进一步,所述根据影像组学特征提取的结果和训练样本采用逻辑斯蒂回归分类法来构建下肢深静脉血栓溶栓疗效三分类预测模型这一步骤,具体包括:
根据影像组学特征提取的结果采用逻辑斯蒂回归分类法对所有训练样本进行第一次划分,得到疗效预测结果为不好的样本和疗效预测结果为待定的样本;
采用逻辑斯蒂回归分类法对疗效预测结果为待定的样本进行第二次划分,得到疗效预测结果为一般的样本和疗效预测结果为好的样本;
根据疗效预测结果为不好的样本、疗效预测结果为一般的样本和疗效预测结果为好的样本得到下肢深静脉血栓溶栓疗效三分类预测模型。
本发明另一方面所采取的技术方案是:
基于机器学习的下肢深静脉血栓溶栓疗效预测系统,包括:
感兴趣区域获取模块,用于从MRI图像中得到下肢深静脉血栓的感兴趣区域;
特征提取模块,用于对下肢深静脉血栓的感兴趣区域进行影像组学特征提取;
疗效预测模块,用于根据影像组学特征提取的结果采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测。
进一步,所述特征提取模块具体包括:
提取单元,用于根据预设的特征类型从下肢深静脉血栓的感兴趣区域中提取出初步的影像组学特征,其中,预设的特征类型包括形状特征、强度特征、纹理特征和小波特征;
筛选单元,用于采用特征选择法对初步的影像组学特征进行筛选,得到最终的影像组学特征。
进一步,所述筛选单元包括:
标签构建子单元,用于根据血栓溶栓的临床治疗效果金标准构建正样本标签和负样本标签;
第一判断子单元,用于判断正样本标签的特征与负样本标签的特征是否符合正态分布要求,若是,则由第二判断子单元处理,反之,则采用曼-惠特尼U检验法筛选出最终的影像组学特征;
第二判断子单元,用于判断正样本标签的特征与负样本标签的特征是否符合方差齐次要求,若是,则采用双样本T参数校验法筛选出最终的影像组学特征,反之,则采用Welch's T检验法筛选出最终的影像组学特征。
本发明另一方面所采取的技术方案是:
基于机器学习的下肢深静脉血栓溶栓疗效预测系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于执行所述程序以实现如本发明所述的基于机器学习的下肢深静脉血栓溶栓疗效预测方法。
本发明的有益效果是:本发明基于机器学习的下肢深静脉血栓溶栓疗效预测方法系统,通过影像组学特征提取和采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测,将MRI影像组学方法和机器学习技术相结合来预测下肢深静脉血栓的溶栓疗效,不再依赖于医生的经验,且能在溶栓治疗前就能通过预测来完成疗效评估工作,溶栓疗效评估结果更准确且效率更高。
附图说明
图1为本发明基于机器学习的下肢深静脉血栓溶栓疗效预测方法的步骤流程图;
图2为本发明优选实施例溶栓疗效预测方法的具体流程图;
图3为本发明优选实施例特征选择流程图;
图4为本发明优选实施例层次式三分类模型实现流程图。
具体实施方式
参照图1,本发明基于机器学习的下肢深静脉血栓溶栓疗效预测方法,包括以下步骤:
从MRI图像中得到下肢深静脉血栓的感兴趣区域;
对下肢深静脉血栓的感兴趣区域进行影像组学特征提取;
根据影像组学特征提取的结果采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测。
具体地,本发明的主要目的是构建一个能够实现准确的溶栓疗效预测的模型,实现这个模型的方法是利用机器学习的技术。机器学习,是指预先得到(如通过临床记录得到)一些数据的特征和标签(即训练样本数据),然后通过这些标签和特征来寻找疗效预测的规律,下次再有一些新的数据即使没有标签,也可以按照先前学习到的规律,让模型自动预测患者的疗效。
进一步作为优选的实施方式,所述从MRI图像中得到下肢深静脉血栓的感兴趣区域这一步骤,具体包括:
输入待预测对象的MRI图像;
根据待预测对象的MRI图像得到对应的横断面图像、矢状面图像和冠状面图像;
根据得到的横断面图像、矢状面图像和冠状面图像进行血栓病灶边界勾画,得到下肢深静脉血栓的感兴趣区域。
具体地,待预测对象为下肢深静脉血栓的病患者。可通过将待预测对象的MRI图像导入ITK-SNAP软件来得到对应的横断面图像、矢状面图像和冠状面图像,后续即可在ITK-SNAP软件中参考横断面图像、矢状面图像和冠状面图像来自动或手工完成血栓病灶边界勾画。
进一步作为优选的实施方式,所述对下肢深静脉血栓的感兴趣区域进行影像组学特征提取这一步骤,具体包括:
根据预设的特征类型从下肢深静脉血栓的感兴趣区域中提取出初步的影像组学特征,其中,预设的特征类型包括形状特征、强度特征、纹理特征和小波特征;
采用特征选择法对初步的影像组学特征进行筛选,得到最终的影像组学特征。
具体地,形状特征、强度特征、纹理特征和小波特征这四大类特征中每大类特征可以提取出数十乃至上千的特征信息,故初步的影像组学特征的数据维度过高包含大量无关或冗余特征,不能直接用于预测模型的训练,需要再经过特征选择法进行筛选,降低数据维度以达到高效建模的目的。
进一步作为优选的实施方式,所述采用特征选择法对初步的影像组学特征进行筛选,得到最终的影像组学特征这一步骤,具体包括:
根据血栓溶栓的临床治疗效果金标准构建正样本标签和负样本标签;
判断正样本标签的特征与负样本标签的特征是否符合正态分布要求,若是,则执行下一步骤,反之,则采用曼-惠特尼U检验法筛选出最终的影像组学特征;
判断正样本标签的特征与负样本标签的特征是否符合方差齐次要求,若是,则采用双样本T参数校验法筛选出最终的影像组学特征,反之,则采用Welch's T检验法筛选出最终的影像组学特征。
具体地,血栓溶栓的临床治疗效果金标准为由操作医师通过DSA(数字减影血管造影)图像对患肢血栓溶解前后进行下肢静脉造影评估得到的疗效。机器学习需要寻找不同疗效评估结果之间的特征联系,所以需要先构建正负样本。
进一步作为优选的实施方式,所述根据影像组学特征提取的结果采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测这一步骤,具体包括:
根据影像组学特征提取的结果和训练样本采用逻辑斯蒂回归分类法来构建下肢深静脉血栓溶栓疗效三分类预测模型;所述下肢深静脉血栓溶栓疗效预测三分类模型的预测结果包括不好、一般和好,其中,不好对应操作医师对患肢血栓溶解前后进行下肢静脉造影评估的疗效评分为0-0.5,一般对应操作医师对患肢血栓溶解前后进行下肢静脉造影评估的疗效评分为0.5-0.99,好对应操作医师对患肢血栓溶解前后进行下肢静脉造影评估的疗效评分为1.0;
采用下肢深静脉血栓溶栓疗效三分类预测模型对待预测的样本进行预测,得到下肢深静脉血栓溶栓疗效预测的结果。
具体地,逻辑斯蒂函数是连续、且平滑的,故执行逻辑斯蒂回归时可将整个数据集及标签拟合为一个逻辑斯蒂函数,这样不仅决策边界附近的数据有助于降低损失,其余的数据对于降低损失也都有不同程度的贡献。另外,逻辑斯蒂回归模型原理简单,易于理解且性能优异,因此,本实施例选用逻辑斯蒂回归来作为溶栓疗效三分类预测模型的分类器。传统的下肢深静脉血栓溶栓疗效评估方法实现原理是:通过操作医师对患肢血栓溶解前后进行下肢静脉造影评估并计算出疗效评分,然后根据疗效评分的具体数值范围来得到相应的疗效评估结果(不好、一般和好中的一个)。本实施例则基于上述原理采用机器学习中的逻辑斯蒂回归来构建肢深静脉血栓溶栓疗效三分类预测模型,这样当有待预测的样本输入时,即可自动通过肢深静脉血栓溶栓疗效三分类预测模型预测出疗效评估结果(不好、一般和好中的一个),不再需要计算疗效评分,更加高效与方便。
具体地,待预测的样本即为实际要进行溶栓疗效预测的下肢深静脉血栓样本。
进一步作为优选的实施方式,所述根据影像组学特征提取的结果和训练样本采用逻辑斯蒂回归分类法来构建下肢深静脉血栓溶栓疗效三分类预测模型这一步骤,具体包括:
根据影像组学特征提取的结果采用逻辑斯蒂回归分类法对所有训练样本进行第一次划分,得到疗效预测结果为不好的样本和疗效预测结果为待定的样本;
采用逻辑斯蒂回归分类法对疗效预测结果为待定的样本进行第二次划分,得到疗效预测结果为一般的样本和疗效预测结果为好的样本;
根据疗效预测结果为不好的样本、疗效预测结果为一般的样本和疗效预测结果为好的样本得到下肢深静脉血栓溶栓疗效三分类预测模型。
具体地,可通过逻辑斯蒂回归建立一种层次式的三分类模型,来对所有样本进行三类疗效评估等级的划分:首先,以评价为“不好”为正标签,以评价为“好”和“一般”合计为负标签,先进行第一轮划分;然后,再以“好”为正标签,“一般”为负标签,进行第二轮划分,最终完成三分类任务。
为了更好地利用MRI所提供的影像信息,减轻医生负担,提高诊断效率,本具体实施例针对下肢深静脉血栓溶栓疗效预测问题,基于机器学习图像处理技术和磁共振影像理论,提出了一种新的溶栓疗效预测方法。如图2所示,该溶栓疗效预测方法建立了影像组学特征与血栓的溶栓治疗效果之间的关系模型来对病患血栓的溶栓疗效进行有效预测,共分为以下三个部分:1)勾画血栓;2)提取血栓区域的影像组学特征;3)血栓的溶栓疗效预测算法。下面对这三部分的内容进行详细说明:
第一部分 勾画血栓
本具体实施例需要先在MRI图像上对血栓区域进行感兴趣区(region ofinterest,ROI)勾画,以便于下一步提取血栓的影像组学特征。勾画的方式可以是手工勾画或自动勾画。自动勾画是指通过预先训练好的AI模型进行自动勾画。手工勾画是指由医生对血栓病灶边界进行勾画。手工勾画相对于自动勾画来说,成本更低,所以更为通用。手工勾画血栓部分需要多位经验丰富的医师在ITK-SNAP软件中对血栓边界进行勾画并进行多次核实,以尽可能降低主观性影响。在勾画的过程中,医生需要根据ITK-SNAP软件中患者的横断面、矢状面和冠状面的图像进行相互参考和补充,通过横断面图像判断静脉血栓的范围,随后在冠状面图像上完成血栓ROI的勾画。
第二部分 提取血栓区域影像组学特征
血栓ROI勾画完成后,需要对其进行影像组学特征提取。影像组学是指高通量、自动地从放射影像如CT、MRI的图像中分析大量定量的影像数据,并提取它们的特征。在血栓诊疗上,影像科医生往往是通过观察影像中血栓信号的高低和范围以及血管周围间隙水肿情况等部分视觉二维特征,并结合临床症状来综合评估病人的溶栓治疗效果。而影像组学方法则要求从数据中高通量地提取高维复杂特征,全面定量评估血栓的差异性。因此,影像组学方法所选择的特征应尽可能包含较多的定量描述信息并且低冗余。目前影像组学研究常用的特征主要包括形状、强度、纹理、小波等4大类特征,各大类特征可以提取出数十乃至上千的特征信息。影像组学研究常用的特征如下表1所示。
表1.影像组学研究常用的特征
特征类型 | 特征描述 | 数量 |
形状 | 紧密度、最长直径、表面面积、体积等 | 28 |
强度 | 最大值、标准方差、能量、范围等 | 44 |
纹理 | 灰度共生矩阵、和熵、和平均等 | >240 |
小波 | 边界、自由粘贴面积比等 | >480 |
对于提取出来的高通量的影像组学特征,因其数据维度过高(本具体实施例共提取了8400维特征)且其中通常包含大量无关或冗余特征,故不能直接用于预测模型的训练。此时需要经过特征降维或特征选择等方法对所提取的特征进行筛选,降低数据维度以达到高效建模的目的。特征降维是指利用线性或非线性映射函数将样本从高维空间映射至低维空间进行表示的方法。特征降维后,虽然降低了特征维数,但原始特征也发生了变化,可能伴随某些特征信息的丢失,并且原始特征中包含的无关或冗余特征也一并进行了降维而未剔除。因此,影像组学研究在特征筛选时较少使用特征降维方法,更多地选择了特征选择的方法。
特征选择的方法,是指利用统计学分析方法来分析正负样本特征的差异性,当分析所得P值(将观察结果认为有效即具有总体代表性的犯错概率)小于0.05时,则认为两样本具有有统计学意义的显著差异,相应特征即视为与研究对象显著相关的特征。表2为影像组学研究常用的特征筛选方法。
表2.影像组学研究常用的特征筛选方法
特征降维方法 | 特征选择方法 |
主成分分析 | T检验 |
局部线性嵌入 | 曼-惠特尼U检验 |
拉普拉斯特征映射 | Relief算法 |
线性判别式分析 | Fisher score算法 |
Isomap等距映射 | 最小冗余最大相关度 |
特选选择的方法又分为参数检验法与非参数检验法。二者的根本区别在于参数检验法要利用到总体的信息(总体分布、总体的一些参数特征如方差),以总体分布和样本信息对总体参数作出推断;非参数检验法不需要利用总体的信息(总体分布、总体的一些参数特征如方差),只以样本信息对总体分布作出推断。本具体实施例选用T-test参数检验(简称T检验)和曼-惠特尼U检验非参数检验来衡量两类样本的显著性差异,选用alpha=0.05的统计显著水平,把具有统计学显著差异的特征作为后续预测模型训练使用的特征,从而完成特征的筛选。
T检验是用T分布理论来推论差异发生的概率,从而比较两个平均数的差异是否显著。其中,如果正负标签样本同时满足正态分布和方差齐次性要求,则进行双样本T检验;如果满足正态分布但不满足方差齐次性,则进行Welch's T检验。
其中,方差齐性检验是数理统计学中检查不同样本的总体方差是否齐次的一种方法,其首先计算两组样本的标准偏差的平方,即:
其中,n为样本容量,为样本均值。然后计算F:
接着,将计算的F值与查表得到的F表值相比较,如果计算的F值<F表值,表明两组数据方差齐次;反之则方差不齐次。
双样本T检验的检验统计量t为:
其中,S1 2,S2 2为两样本方差;n1,n2为两样本容量。通过输出结果t来查看T检验对应的P值,从而观察差异是否达到显著水平。
而Welch's T检验的统计量t为:
其中,S1 2,S2 2为两样本方差;n1,n2为两样本容量。通过输出结果t来查看T检验对应的P值,从而观察差异是否达到显著水平。
曼-惠特尼U检验是假设两个样本分别来自除了总体均值以外完全相同的两个总体,目的是检验这两个总体的均值是否有显著的差别。由于曼-惠特尼U检验明确地考虑了每一个样本中各测定值所排的秩,它比符号检验法使用了更多的信息。曼-惠特尼U检验的具体步骤为:
(1)将两组数据混合,并按照大小顺序编排等级。最小的数据等级为1,第二小的数据等级为2,依此类推(若有数据相等的情形,则取这几个数据排序的平均值作为其等级)。
(2)分别求出两个样本的等级和W1,W2。
(3)计算曼-惠特尼U检验统计量,n1为第一个样本的量,n2为第二个样本的量:
(4)选择U1和U2中最小者与临界值Ua比较,当U1<Ua或U2<Ua时,即为有显著性差异。
由上述内容可知,本具体实施例所使用的特征选择流程如图3所示。
第三部分血栓的溶栓疗效预测算法
该算法是基于多年的临床实践经验总结而设计的,能够对病患者的溶栓疗效进行有效预测。这里,根据医学先验知识把溶栓疗效评估的预测结果划分为三个等级:“好”、“一般”和“不好”。其中,等级为“好”,对应操作医师对患肢溶栓前后进行下肢静脉造影评估疗效的评分为1.0(评分范围从0到1,0代表管腔完全堵塞,1代表管腔通畅无血栓);等级为“一般”,对应评分为0.5-0.99;等级为“不好”,对应评分为0-0.5。
在临床诊断上,医生更关注的是患者适不适合溶栓,故这里所预测的溶栓治疗效果是否为“不好”。因为如果患者不适合溶栓,贸然进行溶栓可能会影响患者的治疗效果,甚至引发死亡。因此,基于所选择的特征,我们用逻辑斯蒂回归建立了一种层次式的三分类模型,来对所有样本进行三类疗效评估等级的划分:以评价为“不好”为正标签,以评价为“好”和“一般”合计为负标签,先进行第一轮划分;然后,再以“好”为正标签,“一般”为负标签,进行第二轮划分,最终完成三分类任务。图4为本具体实施例所建立的层次式三分类模型的分类流程。
二项逻辑斯蒂回归(Logistic regression,LR)是参数化的逻辑斯蒂分布,由条件概率分布P(Y|x)表示。其中,随机变量x取值为所有实数,随机变量Y取值为0或1。如下式所示:
其中,x∈Rn是输入,Y∈{0,1}是输出,w∈Rn和b∈R分别是权值向量和偏置,w.x为w和x的内积。对于给定的输入样本x,按照公式(7)和公式(8)可以求得P(Y=1|x)和P(Y=0|x),然后将样本分到概率值较大的那一类。
逻辑斯蒂函数是连续、且平滑的,所以执行逻辑斯蒂回归将整个数据集及标签拟合为一个逻辑斯蒂函数,不仅决策边界附近的数据有助于降低损失,其余的数据对于降低损失也都有不同程度的贡献。另外,逻辑斯蒂回归模型原理简单,易于理解且性能优异,因此,我们选用逻辑斯蒂回归作为我们预测模型的分类器。
以患者溶栓疗效评估结果作为疗效预测的金标准,采用本发明的方法对多名下肢DVT患者进行溶栓疗效预测,预测的结果表明,本发明的疗效预测算法的准确率约为81%。
与图1的方法相对应,本发明基于机器学习的下肢深静脉血栓溶栓疗效预测系统,包括:
感兴趣区域获取模块,用于从MRI图像中得到下肢深静脉血栓的感兴趣区域;
特征提取模块,用于对下肢深静脉血栓的感兴趣区域进行影像组学特征提取;
疗效预测模块,用于根据影像组学特征提取的结果采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测。
进一步作为优选的实施方式,所述特征提取模块具体包括:
提取单元,用于根据预设的特征类型从下肢深静脉血栓的感兴趣区域中提取出初步的影像组学特征,其中,预设的特征类型包括形状特征、强度特征、纹理特征和小波特征;
筛选单元,用于采用特征选择法对初步的影像组学特征进行筛选,得到最终的影像组学特征。
进一步作为优选的实施方式,所述筛选单元包括:
标签构建子单元,用于根据血栓溶栓的临床治疗效果金标准构建正样本标签和负样本标签;
第一判断子单元,用于判断正样本标签的特征与负样本标签的特征是否符合正态分布要求,若是,则由第二判断子单元处理,反之,则采用曼-惠特尼U检验法筛选出最终的影像组学特征;
第二判断子单元,用于判断正样本标签的特征与负样本标签的特征是否符合方差齐次要求,若是,则采用双样本T参数校验法筛选出最终的影像组学特征,反之,则采用Welch's T检验法筛选出最终的影像组学特征。
与图1的方法相对应,本发明基于机器学习的下肢深静脉血栓溶栓疗效预测系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于执行所述程序以实现如本发明所述的基于机器学习的下肢深静脉血栓溶栓疗效预测方法。
综上所述,本发明一种基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统,首次将MRI影像组学方法和机器学习技术相结合,应用来进行下肢DVT溶栓疗效预测,达到了81%的较高准确率,有望为今后制定科学的DVT诊疗方案提供可靠的诊断依据,提高患者治愈率及诊断一致性;减少了对医生经验的依赖,诊断效率更高,促进了DVT影像诊断和现代高科技整合发展,有利于后续推广该技术应用于全身血栓性病变的诊治,具有较好的经济和社会效益。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于机器学习的下肢深静脉血栓溶栓疗效预测方法,其特征在于:包括以下步骤:
从MRI图像中得到下肢深静脉血栓的感兴趣区域;
对下肢深静脉血栓的感兴趣区域进行影像组学特征提取;
根据影像组学特征提取的结果采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测。
2.根据权利要求1所述的基于机器学习的下肢深静脉血栓溶栓疗效预测方法,其特征在于:所述从MRI图像中得到下肢深静脉血栓的感兴趣区域这一步骤,具体包括:
输入待预测对象的MRI图像;
根据待预测对象的MRI图像得到对应的横断面图像、矢状面图像和冠状面图像;
根据得到的横断面图像、矢状面图像和冠状面图像进行血栓病灶边界勾画,得到下肢深静脉血栓的感兴趣区域。
3.根据权利要求1所述的基于机器学习的下肢深静脉血栓溶栓疗效预测方法,其特征在于:所述对下肢深静脉血栓的感兴趣区域进行影像组学特征提取这一步骤,具体包括:
根据预设的特征类型从下肢深静脉血栓的感兴趣区域中提取出初步的影像组学特征,其中,预设的特征类型包括形状特征、强度特征、纹理特征和小波特征;
采用特征选择法对初步的影像组学特征进行筛选,得到最终的影像组学特征。
4.根据权利要求3所述的基于机器学习的下肢深静脉血栓溶栓疗效预测方法,其特征在于:所述采用特征选择法对初步的影像组学特征进行筛选,得到最终的影像组学特征这一步骤,具体包括:
根据血栓溶栓的临床治疗效果金标准构建正样本标签和负样本标签;
判断正样本标签的特征与负样本标签的特征是否符合正态分布要求,若是,则执行下一步骤,反之,则采用曼-惠特尼U检验法筛选出最终的影像组学特征;
判断正样本标签的特征与负样本标签的特征是否符合方差齐次要求,若是,则采用双样本T参数校验法筛选出最终的影像组学特征,反之,则采用Welch's T检验法筛选出最终的影像组学特征。
5.根据权利要求1所述的基于机器学习的下肢深静脉血栓溶栓疗效预测方法,其特征在于:所述根据影像组学特征提取的结果采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测这一步骤,具体包括:
根据影像组学特征提取的结果和训练样本采用逻辑斯蒂回归分类法来构建下肢深静脉血栓溶栓疗效三分类预测模型;所述下肢深静脉血栓溶栓疗效预测三分类模型的预测结果包括不好、一般和好,其中,不好对应操作医师对患肢血栓溶解前后进行下肢静脉造影评估的疗效评分为0-0.5,一般对应操作医师对患肢血栓溶解前后进行下肢静脉造影评估的疗效评分为0.5-0.99,好对应操作医师对患肢血栓溶解前后进行下肢静脉造影评估的疗效评分为1.0;
采用下肢深静脉血栓溶栓疗效三分类预测模型对待预测的样本进行预测,得到下肢深静脉血栓溶栓疗效预测的结果。
6.根据权利要求5所述的基于机器学习的下肢深静脉血栓溶栓疗效预测方法,其特征在于:所述根据影像组学特征提取的结果和训练样本采用逻辑斯蒂回归分类法来构建下肢深静脉血栓溶栓疗效三分类预测模型这一步骤,具体包括:
根据影像组学特征提取的结果采用逻辑斯蒂回归分类法对所有训练样本进行第一次划分,得到疗效预测结果为不好的样本和疗效预测结果为待定的样本;
采用逻辑斯蒂回归分类法对疗效预测结果为待定的样本进行第二次划分,得到疗效预测结果为一般的样本和疗效预测结果为好的样本;
根据疗效预测结果为不好的样本、疗效预测结果为一般的样本和疗效预测结果为好的样本得到下肢深静脉血栓溶栓疗效三分类预测模型。
7.基于机器学习的下肢深静脉血栓溶栓疗效预测系统,其特征在于:包括:
感兴趣区域获取模块,用于从MRI图像中得到下肢深静脉血栓的感兴趣区域;
特征提取模块,用于对下肢深静脉血栓的感兴趣区域进行影像组学特征提取;
疗效预测模块,用于根据影像组学特征提取的结果采用机器学习的方法进行下肢深静脉血栓溶栓疗效预测。
8.根据权利要求7所述的基于机器学习的下肢深静脉血栓溶栓疗效预测系统,其特征在于:所述特征提取模块具体包括:
提取单元,用于根据预设的特征类型从下肢深静脉血栓的感兴趣区域中提取出初步的影像组学特征,其中,预设的特征类型包括形状特征、强度特征、纹理特征和小波特征;
筛选单元,用于采用特征选择法对初步的影像组学特征进行筛选,得到最终的影像组学特征。
9.根据权利要求8所述的基于机器学习的下肢深静脉血栓溶栓疗效预测系统,其特征在于:所述筛选单元包括:
标签构建子单元,用于根据血栓溶栓的临床治疗效果金标准构建正样本标签和负样本标签;
第一判断子单元,用于判断正样本标签的特征与负样本标签的特征是否符合正态分布要求,若是,则由第二判断子单元处理,反之,则采用曼-惠特尼U检验法筛选出最终的影像组学特征;
第二判断子单元,用于判断正样本标签的特征与负样本标签的特征是否符合方差齐次要求,若是,则采用双样本T参数校验法筛选出最终的影像组学特征,反之,则采用Welch'sT检验法筛选出最终的影像组学特征。
10.基于机器学习的下肢深静脉血栓溶栓疗效预测系统,其特征在于:包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于执行所述程序以实现如权利要求1-6任一项所述的基于机器学习的下肢深静脉血栓溶栓疗效预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245597.0A CN109598266A (zh) | 2018-10-24 | 2018-10-24 | 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245597.0A CN109598266A (zh) | 2018-10-24 | 2018-10-24 | 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109598266A true CN109598266A (zh) | 2019-04-09 |
Family
ID=65957505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811245597.0A Pending CN109598266A (zh) | 2018-10-24 | 2018-10-24 | 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598266A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223280A (zh) * | 2019-06-03 | 2019-09-10 | Oppo广东移动通信有限公司 | 静脉血栓检测方法和静脉血栓检测装置 |
CN110956610A (zh) * | 2019-10-31 | 2020-04-03 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及系统 |
CN111145901A (zh) * | 2019-12-04 | 2020-05-12 | 深圳大学 | 深静脉血栓溶栓疗效预测方法及系统、存储介质与终端 |
CN111292343A (zh) * | 2020-01-15 | 2020-06-16 | 东北大学 | 一种基于多视角下的肺叶分割方法和装置 |
CN111528800A (zh) * | 2020-04-30 | 2020-08-14 | 深圳开立生物医疗科技股份有限公司 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
CN111583217A (zh) * | 2020-04-30 | 2020-08-25 | 深圳开立生物医疗科技股份有限公司 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
CN112164448A (zh) * | 2020-09-25 | 2021-01-01 | 上海市胸科医院 | 免疫治疗疗效预测模型训练方法、预测系统及方法和介质 |
CN112651955A (zh) * | 2020-12-30 | 2021-04-13 | 深圳大学 | 一种肠道图像的识别方法及终端设备 |
CN112669929A (zh) * | 2020-12-30 | 2021-04-16 | 深圳大学 | 克罗恩病英夫利昔单抗药效预测方法及终端设备 |
CN113628761A (zh) * | 2021-08-05 | 2021-11-09 | 复旦大学附属中山医院 | 抗血管生成药物联合免疫检查点抑制剂治疗疗效预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后系统和方法 |
CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
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 |
CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
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 |
-
2018
- 2018-10-24 CN CN201811245597.0A patent/CN109598266A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后系统和方法 |
CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
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 |
Non-Patent Citations (4)
Title |
---|
KE NIE等: "Rectal Cancer: Assessment of Neoadjuvant Chemoradiation Outcome based on Radiomics of Multiparametric MRI", 《CLINICAL CANCER REARSH》 * |
吴学森等: "《医学统计学》", 30 August 2016, 中国医药科技出版社 * |
湖南医科大学附属第二医院普外科: "《普外科临床进修手册》", 30 June 1998, 湖南科学技术出版社 * |
赵理莉等: "结合层次法与主成分分析特征变换的宫颈细胞识别", 《国防科技大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223280B (zh) * | 2019-06-03 | 2021-04-13 | Oppo广东移动通信有限公司 | 静脉血栓检测方法和静脉血栓检测装置 |
CN110223280A (zh) * | 2019-06-03 | 2019-09-10 | Oppo广东移动通信有限公司 | 静脉血栓检测方法和静脉血栓检测装置 |
CN110956610A (zh) * | 2019-10-31 | 2020-04-03 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及系统 |
CN111145901A (zh) * | 2019-12-04 | 2020-05-12 | 深圳大学 | 深静脉血栓溶栓疗效预测方法及系统、存储介质与终端 |
CN111292343A (zh) * | 2020-01-15 | 2020-06-16 | 东北大学 | 一种基于多视角下的肺叶分割方法和装置 |
CN111528800A (zh) * | 2020-04-30 | 2020-08-14 | 深圳开立生物医疗科技股份有限公司 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
CN111583217A (zh) * | 2020-04-30 | 2020-08-25 | 深圳开立生物医疗科技股份有限公司 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
CN112164448A (zh) * | 2020-09-25 | 2021-01-01 | 上海市胸科医院 | 免疫治疗疗效预测模型训练方法、预测系统及方法和介质 |
CN112164448B (zh) * | 2020-09-25 | 2021-06-22 | 上海市胸科医院 | 免疫治疗疗效预测模型训练方法、预测系统及方法和介质 |
CN112651955A (zh) * | 2020-12-30 | 2021-04-13 | 深圳大学 | 一种肠道图像的识别方法及终端设备 |
CN112669929A (zh) * | 2020-12-30 | 2021-04-16 | 深圳大学 | 克罗恩病英夫利昔单抗药效预测方法及终端设备 |
CN112669929B (zh) * | 2020-12-30 | 2021-08-03 | 深圳大学 | 克罗恩病英夫利昔单抗药效预测方法及终端设备 |
CN113628761A (zh) * | 2021-08-05 | 2021-11-09 | 复旦大学附属中山医院 | 抗血管生成药物联合免疫检查点抑制剂治疗疗效预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598266A (zh) | 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统 | |
CN100387196C (zh) | 用于测量与疾病相关的组织变化的方法和系统 | |
CN112070119A (zh) | 超声切面图像质量控制方法、装置和计算机设备 | |
JP2005199040A (ja) | 病気の発見に役立つ画像データの処理方法及び装置 | |
CN109685814B (zh) | 基于mspcnn的胆囊结石超声图像全自动分割方法 | |
CN112907563B (zh) | 基于深度学习的cta全自动侧枝循环评分方法及系统 | |
CN107507197A (zh) | 一种基于聚类算法和卷积神经网络的肺实质提取方法 | |
CN113164142B (zh) | 相似度确定装置、方法及程序 | |
EP2793164A1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
CN112950614A (zh) | 一种基于多尺度空洞卷积的乳腺癌检测方法 | |
Dong et al. | Identifying carotid plaque composition in MRI with convolutional neural networks | |
Muljo et al. | Improving lung disease detection by joint learning with COVID-19 radiography database | |
Gull et al. | A deep transfer learning approach for automated detection of brain tumor through magnetic resonance imaging | |
Irene et al. | Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method | |
CN116188485A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Bhat et al. | Identification of intracranial hemorrhage using ResNeXt model | |
CN112784924A (zh) | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 | |
CN209770401U (zh) | 医学图像快速分析处理系统 | |
CN111971751A (zh) | 用于评估动态数据的系统和方法 | |
Wiharto et al. | Assessment of early hypertensive retinopathy using fractal analysis of retinal fundus image | |
Veeturi et al. | Radiomics Features on MRI are Associated with High Risk Intracranial Aneurysms | |
Georgsson et al. | An identification of handling uncertainties within medical screening: a case study within screening for breast cancer | |
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 | |
CN114305387A (zh) | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 | |
CN110766651B (zh) | 超声设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190409 |
|
RJ01 | Rejection of invention patent application after publication |