CN109671499B - 一种直肠毒性预测系统构建方法 - Google Patents

一种直肠毒性预测系统构建方法 Download PDF

Info

Publication number
CN109671499B
CN109671499B CN201811226013.5A CN201811226013A CN109671499B CN 109671499 B CN109671499 B CN 109671499B CN 201811226013 A CN201811226013 A CN 201811226013A CN 109671499 B CN109671499 B CN 109671499B
Authority
CN
China
Prior art keywords
dose
data
prediction
dimensional
rectal
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
Application number
CN201811226013.5A
Other languages
English (en)
Other versions
CN109671499A (zh
Inventor
甄鑫
何强
陈海斌
李欣
孙磊
莫天澜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Medical University
Original Assignee
Southern Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Medical University filed Critical Southern Medical University
Priority to CN201811226013.5A priority Critical patent/CN109671499B/zh
Publication of CN109671499A publication Critical patent/CN109671499A/zh
Application granted granted Critical
Publication of CN109671499B publication Critical patent/CN109671499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • 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

  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种直肠毒性预测系统构建方法包括有5个步骤。该直肠毒性预测系统构建方法能够全面构建了一个从原始图像数据到最终直肠毒性预测结果的系统模型，同时结合多种维度的信息和不同类型的分类器，以达到更可靠的预测直肠毒性结果。该方法同时将剂量分布图像和从剂量分布中提取的剂量学特征，通过不同的分类器，并构造了数学模型并将其融合在一起，使不同维度的信息和分类方法优势互补。基于机器学习方法提出了一套融合多维度特征和多分类器的毒性预测系统模型，实现个体化预测，辅助指导临床决策。

Description

一种直肠毒性预测系统构建方法
技术领域
本发明涉及直肠毒性预测系统领域，特别涉及一种直肠毒性预测系统构建方法。
背景技术
近年来，影像组学成为新的研究热点，被广泛应用于肿瘤的诊断、治疗、预后等方面的研究，为肿瘤的精准治疗提供新的依据。目前大多数影像组学的研究都是基于单维度数据或单分类器来实现分类预测。例如，利用二维或者三维的图片构建卷积神经网络(CNN)预测模型，利用从图像中提取的纹理、几何等一维特征构建逻辑回归(LogisticRegression)、判别分析(LDA)等预测模型。不同维度的信息之间以及不同的分类器之间各有优势和局限性，如何将多种维度的信息和多个分类器相结合，是目前的研究热点。
前列腺癌是常见的老年男性泌尿系统恶性肿瘤，放疗作为前列腺癌的主要治疗手段，其基本目标是最大限度地将放射线的剂量集中到肿瘤区域，杀灭肿瘤细胞，同时使周围正常组织和器官少受或免受不必要的照射，以达到最大限度地增加肿瘤的局部控制概率(TCP)和降低周围正常组织的放疗并发症概率(NTCP)。为了提高前列腺癌的TCP，提高靶区的放射剂量是一种有效手段，但是同时也会增加危及器官(Organs at Risk,OARs)，如直肠、乙状结肠、膀胱等的受照剂量，增加其发生放疗并发症的风险。而这些危及器官的腔壁粘膜、调控某些功能的肌肉和神经丛对放射线十分敏感，很容易导致放射性损伤，出现溃疡、出血、局部纤维化、组织坏死、瘘管等放疗毒性病征。
目前临床上常采用高剂量区域的剂量体积参数D0.1cc、D1cc和D2cc来评价危及器官的放射毒性。其中，D0.1cc、D1cc和D2cc分别表示受到最高剂量照射的0.1cm3、1cm3和2cm3的体积内的最小剂量值。利用剂量体积参数对危及器官的放射毒性进行评估存在以下局限性：第一、剂量体积参数是基于危及器官受照剂量的剂量体积直方图(Dose volume histogram,DVH)计算得到，并不包含任何剂量空间分布信息；第二、多个分次下的剂量体积参数的计算是基于最坏条件假设，即高剂量区域在不同放疗分次是不变的，对分次间的剂量体积参数的数字进行简单累加。没有考虑治疗分次间危及器官的形变，高估了危及器官的实际受照剂量。
陈嘉伟提出一种基于精确表面剂量累加的宫颈癌放疗直肠并发症预测模型。该方法的主要流程如下：1)手动勾画直肠外轮廓，利用ZhongZC提出的基于点颗粒各向异性表面网格生成方法，将放疗期间各个治疗分次的直肠轮廓线转化成均匀的直肠表面网格点集；2)采用Chen H提出的TOP-DIR配准方法对直肠表面点集进行配准，得到直肠表面变形场；3)利用得到的变形场对每个治疗分次的直肠壁受照剂量进行变形并累加至参考分次，得到直肠壁多个分次累积受照剂量；4)根据三维的直肠累积受照剂量提取剂量体积参数特征，同时将三维的直肠累积受照剂量展开为二维剂量分布图，并在该分布图上提取剂量几何特征和纹理特征；5)基于以上提取的特征采用支持向量机构建直肠毒性预测模型，对宫颈癌放疗中直肠并发症进行预测。X Zhen等则采取了不同的思路，将陈嘉伟等提出的方法的步骤4)中得到的二维剂量分布图作为深度学习网络模型VGG16的输入，对宫颈癌放疗中直肠并发症进行预测。
陈嘉伟等提出的方法是从二维或三维剂量分布图上提取一维信息，来构建逻辑回归的分类模型，而X Zhen等则是直接将二维剂量分布图作为VGG16的输入，这两者都没有应用其他维度的信息。该两种均是采用单一维度，单一分类器来构建直肠并发症预测模型，没有充分利用不同维度的信息之间的差异和不同类型的分类器，其结果的可信性有待考证。
因此针对现有技术不足，提供一种直肠毒性预测系统构建方法以解决现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种直肠毒性预测系统构建方法。该直肠毒性预测系统构建方法能够全面构建了一个从原始图像数据到最终直肠毒性预测结果的系统模型，同时结合多种维度的信息和不同类型的分类器，以达到更可靠的预测直肠毒性结果。
本发明的上述目的通过以下技术措施实现：
提供一种直肠毒性预测系统构建方法，步骤包括有：
步骤一，分别输入N个目标对象的数据，得到数据模块，其中N为正整数；
步骤二，分别对步骤一得到的数据模块进行预处理，得到预处理模块；
步骤三，对步骤二得到的预处理模块分别对N个目标对象进行特性输出，得到N个特性数据；
步骤四，将步骤三得到的N个特性数据和步骤一得到的数据模块进行预测构建，得到预测构建模块。
优选的，上述目标对象的数据包括直肠CT图像数据、放疗剂量分布图像数据和目标对象直肠毒性的标签数据。
优选的，上述直肠CT图像数据为目标对象进行放疗前的CT图像数据。
优选的，上述放疗剂量分布图像数据为目标对象进行放疗前目标部位的不同剂量水平形成的放疗剂量分布图像数据。
优选的，上述标签数据具体为当直肠有出血情况数据和糜烂情况时标签数据为有直肠毒性标签数据，当直肠无出血情况数据和糜烂情况时标签数据为无直肠毒性标签数据。
优选的，上述步骤二具体为：
步骤2.1、对步骤一得到的N个目标对象的直肠CT图像数据和放疗剂量分布图像数据分别进行勾画出靶区同时生成表面网格，进入步骤2.2；
步骤2.2、获取直肠表面变形场，进入步骤2.3；
步骤2.3、获取直肠表面三维累积受照剂量分布图像，进入步骤2.4；
步骤2.4、提取一维剂量参数特征，得到预处理模块。
优选的，上述特性数据包括有二维累积受照剂量分布图、剂量体积特征和剂量几何特征。
优选的，上述剂量几何特征为剂量体积特征和剂量几何特征共同构成的一维剂量参数特征。
优选的，上述步骤四具体为，通过步骤三的N个特性数据进行多个分类器训练，然后通过步骤一得到数据模块分别确定每个分类器的权重，得到预测构建模块，其中各个分类器对应的权重为wi,i表示为第i个分类器。
优选的，上述分类器的个数为4个，即i＝1,2,3,4。
优选的，上述分类器为VGG16、逻辑回归、判别分析和贝叶斯。
优选的，上述步骤四具体为，
步骤4.1、分类器训练，
VGG16的训练具体为，采用Python编程语言下的Lasagne深度学习包搭建VGG16网络，利用ImageNet训练参数初始化网络的每一层的参数，再将N个目标对象的二维累积受照剂量分布图和标签数据输入到VGG16中，调用fit函数对网络进行训练，保存并输出；
逻辑回归的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建逻辑回归模型，再将N个目标对象的一维剂量参数和标签数据输入到逻辑回归模型，调用fit函数进行训练，保存并输出；
判别分析的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建判别分析模型，再将N个目标对象的一维剂量参数和标签数据输入到判别分析模型，调用fit函数进行训练，保存并输出；
贝叶斯的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建贝叶斯模型，再将N个目标对象的一维剂量参数和标签数据输入到贝叶斯模型，调用fit函数进行训练，保存并输出；
所述VGG16网络其中包括13层卷积层和3层全连接层；
步骤4.2、确定各个分类器的权重，
步骤4.2.1、将步骤三得到的二维累积受照剂量分布图输入到VGG16调用predict函数进行预测，得到VGG16预测结果，
将步骤三得到的剂量体积特征和剂量几何特征合并为一维剂量参数特征分别输入到逻辑回归，调用predict函数进行预测，得到逻辑回归预测结果，
将步骤三得到的剂量体积特征和剂量几何特征合并为一维剂量参数特征分别输入到逻判别分析，调用predict函数进行预测，得判别分析预测结果，
将步骤三得到的剂量体积特征和剂量几何特征合并为一维剂量参数特征分别输入到贝叶斯调用predict函数进行预测，得贝叶斯预测结果；
步骤4.2.2、根据步骤4.2.1得到的VGG16预测结果、逻辑回归预测结果、判别分析预测结果、贝叶斯预测结果和步骤一得到的标签数据，分别计算各个分类器的预测准确度参数并得到唯一个的4×4分析矩阵(xij)m,n，进入步骤4.2.3，
所述准确度参数为精度、特异性、灵敏度和AUC，其中j表示为第j个准确度参数，xij表示为第i个分类器的第j个准确度参数的值，m表示分类器的个数，n为分类器的准确度参数的个数，且m＝4即4个分类器，n＝4即4个准确度参数；
步骤4.2.3、对步骤4.2.2得到的分析矩阵进行分类器权重分配计算。
优选的，上述步骤4.2.3具体为：
步骤4.2.3.1、利用式(I)将步骤4.2.2得到的分析矩阵标准化，得到标准化分析矩阵R＝(rij)m,n，
Figure BDA0001835993050000071
其中i＝1、2、......、m，j＝1、2、...、n；
步骤4.2.3.2、通过式(II)将步骤4.2.2得到的分析矩阵权重化，得到权重化分析矩阵(tij)m,n，
tij＝rij×wj 式(II)，
其中wj为分类器的输出属性对应的权重，按照式(III)所示的计算方式对权重进行归一化：
Figure BDA0001835993050000072
步骤4.2.3.3、计算准确度参数的最大值
Figure BDA0001835993050000073
和最小值/>
Figure BDA0001835993050000081
步骤4.2.3.4、计算各个分类器的最大值与最小值之间的差值
Figure BDA0001835993050000082
和/>
Figure BDA0001835993050000083
步骤4.2.3.5、通过式(Ⅳ)计算得到各个分类器与最小值的相似度，
Figure BDA0001835993050000084
其中相似度即为各个分类器的权重wi，且wi＝Si；
步骤4.2.3.5、保存各个分类器的权重wi并输出。
优选的，上述精度、特异性、灵敏度和AUC分别设置相同的权重。
本发明的一种直肠毒性预测系统构建方法包括有：步骤一，分别输入N个目标对象的数据，得到数据模块，其中N为正整数；步骤二，分别对步骤一得到的数据模块进行预处理，得到预处理模块；步骤三，对步骤二得到的预处理模块分别对N个目标对象进行特性输出，得到N个特性数据；步骤四，将步骤三得到的N个特性数据和步骤一得到的数据模块进行预测构建，得到预测构建模块。
该直肠毒性预测系统构建方法能够全面构建了一个从原始图像数据到最终直肠毒性预测结果的系统模型，同时结合多种维度的信息和不同类型的分类器，以达到更可靠的预测直肠毒性结果。该方法同时将剂量分布图像和从剂量分布中提取的剂量学特征，通过不同的分类器，并构造了数学模型并将其融合在一起，使不同维度的信息和分类方法优势互补。基于机器学习方法提出了一套融合多维度特征和多分类器的毒性预测系统模型，实现个体化预测，辅助指导临床决策。
附图说明
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。
图1为本发明的一种直肠毒性预测系统构建方法流程图。
图2为某例前列腺癌对像的某个分次的CT图像。
图3为某例前列腺癌对像的某个分次的剂量分布图像。
图4为直肠掩模图像。
图5为直肠表面网格点图像。
图6为直肠表面变形场。
图7为直肠表面的三维累积受照剂量分布图。
图8为直肠表面的二维累积受照剂量分布图。
具体实施方式
结合以下实施例对本发明的技术方案作进一步说明。
实施例1。
一种直肠毒性预测系统构建方法，如图1所示，步骤包括有：
步骤一，分别输入N个目标对象的数据，得到数据模块，其中N为正整数；
步骤二，分别对步骤一得到的数据模块进行预处理，得到预处理模块；
步骤三，对步骤二得到的预处理模块分别对N个目标对象进行特性输出，得到N个特性数据；
步骤四，将步骤三得到的N个特性数据和步骤一得到的数据模块进行预测构建，得到预测构建模块。
目标对象的数据包括直肠CT图像数据、放疗剂量分布图像数据和目标对象直肠毒性的标签数据。
直肠CT图像数据为目标对象进行放疗前的CT图像数据。
放疗剂量分布图像数据为目标对象进行放疗前目标部位的不同剂量水平形成的放疗剂量分布图像数据。
标签数据具体为当直肠有出血情况数据和糜烂情况时标签数据为有直肠毒性标签数据，当直肠无出血情况数据和糜烂情况时标签数据为无直肠毒性标签数据。
其中步骤二具体为：
步骤2.1、对步骤一得到的N个目标对象的直肠CT图像数据和放疗剂量分布图像数据分别进行勾画出靶区同时生成表面网格，进入步骤2.2；
步骤2.2、获取直肠表面变形场，进入步骤2.3；
步骤2.3、获取直肠表面三维累积受照剂量分布图像，进入步骤2.4；
步骤2.4、提取一维剂量参数特征，得到预处理模块。
特性数据包括有二维累积受照剂量分布图、剂量体积特征和剂量几何特征。
剂量几何特征为剂量体积特征和剂量几何特征共同构成的一维剂量参数特征。
步骤四具体为，通过步骤三的N个特性数据进行多个分类器训练，然后通过步骤一得到数据模块分别确定每个分类器的权重，得到预测构建模块，其中各个分类器对应的权重为wi,i表示为第i个分类器。
分类器的个数为4个，即i＝1,2,3,4。
分类器为VGG16、逻辑回归、判别分析和贝叶斯。
其中步骤四具体为，
步骤4.1、分类器训练，
VGG16的训练具体为，采用Python编程语言下的Lasagne深度学习包搭建VGG16网络，利用ImageNet训练参数初始化网络的每一层的参数，再将N个目标对象的二维累积受照剂量分布图和标签数据输入到VGG16中，调用fit函数对网络进行训练，保存并输出；
逻辑回归的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建逻辑回归模型，再将N个目标对象的一维剂量参数和标签数据输入到逻辑回归模型，调用fit函数进行训练，保存并输出；
判别分析的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建判别分析模型，再将N个目标对象的一维剂量参数和标签数据输入到判别分析模型，调用fit函数进行训练，保存并输出；
贝叶斯的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建贝叶斯模型，再将N个目标对象的一维剂量参数和标签数据输入到贝叶斯模型，调用fit函数进行训练，保存并输出；
VGG16网络其中包括13层卷积层和3层全连接层；
步骤4.2、确定各个分类器的权重，
步骤4.2.1、将步骤三得到的二维累积受照剂量分布图输入到VGG16调用predict函数进行预测，得到VGG16预测结果，
将步骤三得到的剂量体积特征和剂量几何特征合并为一维剂量参数特征分别输入到逻辑回归，调用predict函数进行预测，得到逻辑回归预测结果，
将步骤三得到的剂量体积特征和剂量几何特征合并为一维剂量参数特征分别输入到逻判别分析，调用predict函数进行预测，得判别分析预测结果，
将步骤三得到的剂量体积特征和剂量几何特征合并为一维剂量参数特征分别输入到贝叶斯调用predict函数进行预测，得贝叶斯预测结果；
步骤4.2.2、根据步骤4.2.1得到的VGG16预测结果、逻辑回归预测结果、判别分析预测结果、贝叶斯预测结果和步骤一得到的标签数据，分别计算各个分类器的预测准确度参数并得到唯一个的4×4分析矩阵(xij)m,n，进入步骤4.2.3，
准确度参数为精度、特异性、灵敏度和AUC，其中j表示为第j个准确度参数，xij表示为第i个分类器的第j个准确度参数的值，m表示分类器的个数，n为分类器的准确度参数的个数，且m＝4即4个分类器，n＝4即4个准确度参数；
步骤4.2.3、对步骤4.2.2得到的分析矩阵进行分类器权重分配计算。
其中步骤4.2.3具体为：
步骤4.2.3.1、利用式(I)将步骤4.2.2得到的分析矩阵标准化，得到标准化分析矩阵R＝(rij)m,n，
Figure BDA0001835993050000131
其中i＝1、2、......、m，j＝1、2、...、n，rij表示为xij经过式(I)标准化后对应的值，即第i个分类器的第j个准确度参数的值标准化后的值；
步骤4.2.3.2、通过式(II)将步骤4.2.2得到的分析矩阵权重化，得到权重化分析矩阵(tij)m,n，
tij＝rij×wj 式(II)，
其中wj为分类器的输出属性对应的权重，tij表示为在rij的基础上，rij的值乘上其准确度参数对应的权重wj，tij具体为第i个分类器的第j个准确度参数的值经过标准化，权重化后的值，按照式(III)所示的计算方式对权重进行归一化：
Figure BDA0001835993050000141
步骤4.2.3.3、计算准确度参数的最大值
Figure BDA0001835993050000142
和最小值/>
Figure BDA0001835993050000143
步骤4.2.3.4、计算各个分类器的最大值与最小值之间的差值
Figure BDA0001835993050000144
和/>
Figure BDA0001835993050000145
步骤4.2.3.5、通过式(Ⅳ)计算得到各个分类器与最小值的相似度，
Figure BDA0001835993050000146
其中相似度即为各个分类器的权重wi，且wi＝Si；
步骤4.2.3.5、保存各个分类器的权重wi并输出。
精度、特异性、灵敏度和AUC分别设置相同的权重。
该直肠毒性预测系统构建方法包括有：步骤一，分别输入N个目标对象的数据，得到数据模块，其中N为正整数；步骤二，分别对步骤一得到的数据模块进行预处理，得到预处理模块；步骤三，对步骤二得到的预处理模块分别对N个目标对象进行特性输出，得到N个特性数据；步骤四，将步骤三得到的N个特性数据和步骤一得到的数据模块进行预测构建，得到预测构建模块。该直肠毒性预测系统构建方法能够全面构建了一个从原始图像数据到最终直肠毒性预测结果的系统模型，同时结合多种维度的信息和不同类型的分类器，以达到更可靠的预测直肠毒性结果。该方法同时将剂量分布图像和从剂量分布中提取的剂量学特征，通过不同的分类器，并构造了数学模型并将其融合在一起，使不同维度的信息和分类方法优势互补。基于机器学习方法提出了一套融合多维度特征和多分类器的毒性预测系统模型，实现个体化预测，辅助指导临床决策。
实施例2。
本实施例关于前列腺癌放疗的一种直肠毒性预测系统构建,如图2至8所示，包括的步骤有：
本实施例收集33例前列腺癌对像放疗后数据，包括每个前列腺癌对像的每个放疗分次的直肠CT图像数据，放疗剂量分布图像数据和目标对象直肠毒性的标签数据。
在这33例前列腺癌对像的数据中，13例未发生直肠毒性，20例发生了直肠毒性。
本基于收集的33例前列腺癌对像的数据，对发明的一种直肠毒性预测系统构建方法进行说明，其具体步骤如下：
步骤一，数据输入：
分别输入33例前列腺癌对像的直肠CT图像数据、放疗剂量分布图像数据和目标对象直肠毒性的标签数据，即得到33个直肠CT图像数据、33个放疗剂量分布图像数据和33个目标对象直肠毒性的标签数据；
步骤二，数据预处理：
预处理模块主要由以下4个步骤组成：
步骤2.1：分对每个前列腺癌对像，按照时间顺序读取每个治疗分次的直肠CT图像数据和放疗剂量分布图像数据。
然后在每个分次的直肠CT图像数据上逐层手动勾画直肠外轮廓，得到直肠掩模图像。
再利用基于点颗粒各向异性表面网格生成方法将直肠掩模图像转化成直肠表面网格点集，得到直肠表面网格点图像。
步骤2.2、选择步骤一中生成的第一个治疗分次的直肠表面网格点集作为参考点集，其他治疗分次的直肠表面网格点集作为浮动点集，利用TOP-DIR配准方法对直肠表面网格点集进行配准，然后再采用薄板样条插值，得到直肠表面变形场；
步骤2.3、除第一个治疗分次外，其余治疗分次利用步骤2.2中得到的直肠表面变形场对相应治疗分次的放疗剂量分布图像数据进行变形，并叠加至第一个治疗分次的放疗剂量分布图像数据上，得到直肠的三维累积受照剂量分布。然后将其与第一个治疗分次的直肠掩模图像点乘，得到直肠表面的三维累积受照剂量；
步骤2.4：根据步骤2.3中得到的直肠表面的三维累积受照剂量提取剂量体积特征。再利用直肠表面展开方法，将直肠表面的三维累积受照剂量展开为直肠表面的二维累积受照剂量分布图。在直肠表面的二维累积受照剂量分布图上提取剂量几何特征。将剂量体积特征和剂量几何特征合并在一起，作为一维剂量参数特征；
33例前列腺癌对像都要进行上述4个步骤，直至所有的直肠CT图像数据和放疗剂量分布图像数据完成预处理。
其中表面展开的方法的过程如下：
a、对于每一层的直肠壁轮廓线，计算出该层轮廓线的几何中心；
b、以该几何中心为始点作n(n＝30)条等角度间隔(12°)的射线，各射线对应相交于直肠壁上n个点，记录其对应的剂量值；
c、考虑到直肠的腔体结构，将每一层记录的直肠壁轮廓线上的点剂量值展开，三维剂量分布则被映射大小为z×n的二维剂量分布矩阵，其中z为层数，n为采样点大小。
步骤三，特征输出：
33例前列腺癌对像经过预处理模块后，每例前列腺癌对像都包括：二维累积受照剂量分布图，剂量体积特征和剂量几何特征，
剂量几何特征是剂量体积特征和剂量几何特征共同构成一维剂量参数特征。
如图1中所示，“二维累积受照剂量分布图×N”，在此N＝33，表示为有33例前列腺癌对像的二维累积受照剂量分布图，以此类推。
步骤四，预测模型构建：
步骤4.1、分类器训练，
VGG16的训练具体为，采用Python编程语言下的Lasagne深度学习包搭建VGG16网络，利用ImageNet训练参数初始化网络的每一层的参数，再将33例前列腺癌对像的二维累积受照剂量分布图和标签数据输入到VGG16中，调用fit函数对网络进行训练，保存并输出；
逻辑回归的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建逻辑回归模型，再将33例前列腺癌对像的一维剂量参数和标签数据输入到逻辑回归模型，调用fit函数进行训练，保存并输出；
判别分析的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建判别分析模型，再将33例前列腺癌对像的一维剂量参数和标签数据输入到判别分析模型，调用fit函数进行训练，保存并输出；
贝叶斯的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建贝叶斯模型，再将33例前列腺癌对像的一维剂量参数和标签数据输入到贝叶斯模型，调用fit函数进行训练，保存并输出。
VGG16网络其中包括13层卷积层和3层全连接层；
步骤4.2、确定每个分类器的权重，
步骤4.2.1、将步骤三得到的二维累积受照剂量分布图输入到VGG16调用predict函数，对33例前列腺癌对像的数据进行预测，
将步骤三得到的剂量体积特征和剂量几何特征合并为一维剂量参数特征分别输入到逻辑回归、判别分析和贝叶斯，调用predict函数，对33例前列腺癌对像的数据进行预测。
步骤4.2.2、根据步骤4.2.1中的单个分类器对33例前列腺癌对像的预测结果，计算单个分类器的预测准确度参数：精度、特异性、灵敏度和AUC，构成一个如表1所示4×4大小的分析矩阵；
表1为4×4大小的分析矩阵
Figure BDA0001835993050000181
其中精度、特异性、灵敏度和AUC的计算方法如下：
对于待分类(二类)的目标，可将其分成阳性和阴性两部分。在实际分类预测中，会出现以下四种情况：
如果一个目标是阳性，且被预测为阳性，即为真阳性(True Postive,TP)；如果一个目标是阳性，但是被预测成为阴性，即为假阴性(False Negative,FN)；如果一个目标是阴性，但是被预测成为阳性，即为假阳性(False Postive,FP)；如果一个目标是阴性，且被预测成为阴性，即为真阴性(True Negative,TN)；
那么精度(accuracy)的计算如式(Ⅴ)所示：
Figure BDA0001835993050000191
特异性(specificity)的计算如式(Ⅵ)所示：
Figure BDA0001835993050000192
灵敏度(sensitivity)的计算如式(Ⅶ)所示：
Figure BDA0001835993050000193
以1-specificity为横轴，sensitivity为纵轴绘制出出“受试者工作特性”(Receiver Operating Characteristic,ROC)曲线，该曲线下的面积即为AUC(Area underROC curve)。
步骤4.2.3、分类器权重分配计算：将属性的权重设定为每个属性权重相同，再利用式(III)将属性权重归一化，则每个属性的权重即为
Figure BDA0001835993050000194
利用上述提出的权重分配方法，求解式(Ⅳ)的结果，得到表2；
表2为VGG16、逻辑回归、判别分析和贝叶斯的权重
VGG16/w1 逻辑回归/w2 判别分析/w3 贝叶斯/w4
权重 0.227 0.239 0.399 0.254
预测构建模块完成：输出步骤4.2.2中训练完成的单个分类器：VGG16、逻辑回归、判别分析和贝叶斯；同时输出表2所示的各个分类器的权重wi,i＝1,2,3,4。
实施例3。
一种直肠毒性预测系统构建方法在前列腺癌放疗直肠毒性预测系统的应用。
本实例回顾性地收集了11例前列腺癌对像放疗后数据，包括每例前列腺癌对像每个放疗分次的CT图像，剂量分布图像及其是否发生直肠毒性的标签数据。
(主要用于计算该系统的预测准确度参数及稳定性)。在11例训练数据中，4例未发生直肠毒性，7例发生了直肠毒性。基于收集的11例前列腺癌对像的数据对本发明所述方法进行应用测试，其具体步骤如下：
步骤一、得到数据模块：分别将11例的前列腺癌对像分别的直肠CT图像数据、放疗剂量分布图像数据和目标对象直肠毒性的标签数据，得到数据模块；
步骤二、得到预处理模块：按照单例的前列腺癌对像的数据预处理部分的步骤2.1至步骤2.4对该例前列腺癌对像的CT图像和剂量分布图像进行预处理；
步骤三、得到特性数据：单例前列腺癌对像预处理完成后，输出三种特征，分别为：二维累积受照剂量分布图、剂量几何特征和剂量体积特征。
其中剂量体积特征由剂量几何特征和剂量体积特征共同构成的一维剂量参数特征。
步骤四、得到预测构建模块：将步骤三的特性数据和步骤一得到的数据模块进行预测构建，得到预测构建模块。
步骤五、预测构建模块的应用：将单例的前列腺癌对像步骤三中的二维累积受照剂量分布图输入到步骤四构建好的VGG16预测模型，将该例前列腺癌对像的一维剂量参数特征输入到构建好的逻辑回归、判别分析和贝叶斯中。单个分类器预测该例前列腺癌对像发生直肠毒性的概率pi,i＝1,2,3,4。
再结合表2中单个分类器的权重wi,i＝1,2,3,4，基于式(Ⅷ)，求解可得到融合后单例前列腺癌对像发生直肠毒性的概率p，若p大于0.5，则预测该前列腺癌对像发生直肠毒性，反之则预测该前列腺癌对像不发生直肠毒性。
Figure BDA0001835993050000211
步骤六、重复上述步骤五，直到所有11例前列腺癌对像全部预测完成。
步骤七、根据11个前列腺癌对像的预测结果，计算整套系统的预测精度、AUC、灵敏度和特异性，如表3所示。
表3为VGG16、逻辑回归、判别分析、贝叶斯和本发明的预测构建模块的预测精度、AUC、灵敏度和特异性
Figure BDA0001835993050000221
从表3可知，使用本发明融合多个分类器后，除了特异性之外，在预测精度、AUC、和灵敏度方面均高于单个分类器；同时，利用t检验在显著性水平为0.05的条件下，比较本融合方法与单个分类器在预测结果方面是否有显著差异，结果发现，结果均明显小于0.05，表明本发明提出多个分类器融合模型与单个分类器之间存在显著性差异。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (4)

1.一种直肠毒性预测系统构建方法，其特征在于，步骤包括有：
步骤一，分别输入N个目标对象的数据，得到数据模块，其中N为正整数；
步骤二，分别对步骤一得到的数据模块进行预处理，得到预处理模块；
步骤三，对步骤二得到的预处理模块分别对N个目标对象进行特性输出，得到N个特性数据；
步骤四，将步骤三得到的N个特性数据和步骤一得到的数据模块进行预测构建，得到预测构建模块；
所述步骤四具体为，通过步骤三的N个特性数据进行多个分类器训练，然后通过步骤一得到数据模块分别确定每个分类器的权重，得到预测构建模块，其中各个分类器对应的权重为wi,i表示为第i个分类器；
所述分类器的个数为4个，即i＝1,2,3,4；
所述分类器为VGG16、逻辑回归、判别分析和贝叶斯；
所述目标对象的数据包括直肠CT图像数据、放疗剂量分布图像数据和目标对象直肠毒性的标签数据；
所述特性数据包括有二维累积受照剂量分布图、剂量体积特征和剂量几何特征；
所述剂量几何特征为剂量体积特征和剂量几何特征共同构成的一维剂量参数特征；
所述步骤四具体为，
步骤4.1、分类器训练，
VGG16的训练具体为，采用Python编程语言下的Lasagne深度学习包搭建VGG16网络，利用ImageNet训练参数初始化网络的每一层的参数，再将N个目标对象的二维累积受照剂量分布图和标签数据输入到VGG16中，调用fit函数对网络进行训练，保存并输出；
逻辑回归的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建逻辑回归模型，再将N个目标对象的一维剂量参数和标签数据输入到逻辑回归模型，调用fit函数进行训练，保存并输出；
判别分析的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建判别分析模型，再将N个目标对象的一维剂量参数和标签数据输入到判别分析模型，调用fit函数进行训练，保存并输出；
贝叶斯的训练具体为，采用Python编程语言环境下的scikit-learn机器学习软件包来构建贝叶斯模型，再将N个目标对象的一维剂量参数和标签数据输入到贝叶斯模型，调用fit函数进行训练，保存并输出；
所述VGG16网络其中包括13层卷积层和3层全连接层；
步骤4.2、确定各个分类器的权重，
步骤4.2.1、将步骤三得到的二维累积受照剂量分布图输入到VGG16调用predict函数进行预测，得到VGG16预测结果，
将步骤三得到的剂量体积特征和剂量几何特征合并为一维剂量参数特征分别输入到逻辑回归，调用predict函数进行预测，得到逻辑回归预测结果，
将步骤三得到的剂量体积特征和剂量几何特征合并为一维剂量参数特征分别输入到逻判别分析，调用predict函数进行预测，得判别分析预测结果，
将步骤三得到的剂量体积特征和剂量几何特征合并为一维剂量参数特征分别输入到贝叶斯调用predict函数进行预测，得贝叶斯预测结果；
步骤4.2.2、根据步骤4.2.1得到的VGG16预测结果、逻辑回归预测结果、判别分析预测结果、贝叶斯预测结果和步骤一得到的标签数据，分别计算各个分类器的预测准确度参数并得到唯一个的4×4分析矩阵(xij)m,n，进入步骤4.2.3，
所述准确度参数为精度、特异性、灵敏度和AUC，其中j表示为第j个准确度参数，xij表示为第i个分类器的第j个准确度参数的值，m表示分类器的个数，n为分类器的准确度参数的个数，且m＝4即4个分类器，n＝4即4个准确度参数；
步骤4.2.3、对步骤4.2.2得到的分析矩阵进行分类器权重分配计算；
所述步骤4.2.3具体为：
步骤4.2.3.1、利用式(I)将步骤4.2.2得到的分析矩阵标准化，得到标准化分析矩阵R＝(rij)m,n，
Figure QLYQS_1
其中i＝1、2、......、m，j＝1、2、...、n；
步骤4.2.3.2、通过式(II)将步骤4.2.2得到的分析矩阵权重化，得到权重化分析矩阵(tij)m,n，
tij＝rij×wj 式(II)，
其中wj为分类器的输出属性对应的权重，按照式(III)所示的计算方式对权重进行归一化：
Figure QLYQS_2
步骤4.2.3.3、计算准确度参数的最大值
Figure QLYQS_3
和最小值/>
Figure QLYQS_4
步骤4.2.3.4、计算各个分类器的最大值与最小值之间的差值
Figure QLYQS_5
和/>
Figure QLYQS_6
步骤4.2.3.5、通过式(Ⅳ)计算得到各个分类器与最小值的相似度，
Si＝dimin·(dimin+dimax)式(Ⅳ)，
其中相似度即为各个分类器的权重wi，且wi＝Si；
步骤4.2.3.5、保存各个分类器的权重wi并输出。
2.根据权利要求1所述的直肠毒性预测系统构建方法，其特征在于：所述直肠CT图像数据为目标对象进行放疗前的CT图像数据；
所述放疗剂量分布图像数据为目标对象进行放疗前目标部位的不同剂量水平形成的放疗剂量分布图像数据；
所述标签数据具体为当直肠有出血情况数据和糜烂情况时标签数据为有直肠毒性标签数据，当直肠无出血情况数据和糜烂情况时标签数据为无直肠毒性标签数据。
3.根据权利要求2所述的直肠毒性预测系统构建方法，其特征在于，所述步骤二具体为：
步骤2.1、对步骤一得到的N个目标对象的直肠CT图像数据和放疗剂量分布图像数据分别进行勾画出靶区同时生成表面网格，进入步骤2.2；
步骤2.2、获取直肠表面变形场，进入步骤2.3；
步骤2.3、获取直肠表面三维累积受照剂量分布图像，进入步骤2.4；
步骤2.4、提取一维剂量参数特征，得到预处理模块。
4.根据权利要求3所述的直肠毒性预测系统构建方法，其特征在于,所述精度、特异性、灵敏度和AUC分别设置相同的权重。
CN201811226013.5A 2018-10-22 2018-10-22 一种直肠毒性预测系统构建方法 Active CN109671499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811226013.5A CN109671499B (zh) 2018-10-22 2018-10-22 一种直肠毒性预测系统构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811226013.5A CN109671499B (zh) 2018-10-22 2018-10-22 一种直肠毒性预测系统构建方法

Publications (2)

Publication Number Publication Date
CN109671499A CN109671499A (zh) 2019-04-23
CN109671499B true CN109671499B (zh) 2023-06-13

Family

ID=66142453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811226013.5A Active CN109671499B (zh) 2018-10-22 2018-10-22 一种直肠毒性预测系统构建方法

Country Status (1)

Country Link
CN (1) CN109671499B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
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
CN110604550B (zh) * 2019-09-24 2022-06-21 广州医科大学附属肿瘤医院 一种肿瘤放疗后正常组织器官并发症预测模型的建立方法
EP4043072A1 (en) 2021-02-16 2022-08-17 Siemens Healthcare GmbH Radiation-induced toxicity and machine learning

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2974199A1 (en) * 2015-01-20 2016-07-28 Nantomics, Llc Systems and methods for response prediction to chemotherapy in high grade bladder cancer
WO2016192612A1 (zh) * 2015-06-02 2016-12-08 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
WO2018119366A1 (en) * 2016-12-23 2018-06-28 Heartflow, Inc. Machine learning of anatomical model parameters

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8849790B2 (en) * 2008-12-24 2014-09-30 Yahoo! Inc. Rapid iterative development of classifiers
US10055551B2 (en) * 2013-10-10 2018-08-21 Board Of Regents Of The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes
CN108899093A (zh) * 2018-05-11 2018-11-27 南方医科大学 基于智能学习的调强放疗计划剂量学指征项预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2974199A1 (en) * 2015-01-20 2016-07-28 Nantomics, Llc Systems and methods for response prediction to chemotherapy in high grade bladder cancer
WO2016192612A1 (zh) * 2015-06-02 2016-12-08 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
WO2018119366A1 (en) * 2016-12-23 2018-06-28 Heartflow, Inc. Machine learning of anatomical model parameters

Also Published As

Publication number Publication date
CN109671499A (zh) 2019-04-23

Similar Documents

Publication Publication Date Title
Lei et al. CT prostate segmentation based on synthetic MRI‐aided deep attention fully convolution network
Liu et al. Semi-supervised medical image classification with relation-driven self-ensembling model
Cui et al. Hippocampus analysis by combination of 3-D DenseNet and shapes for Alzheimer's disease diagnosis
CN110211664B (zh) 一种基于机器学习自动设计放射治疗方案的系统
US11717702B2 (en) 3D deep planning radiotherapy system and method
CN109671499B (zh) 一种直肠毒性预测系统构建方法
Wang et al. Toward predicting the evolution of lung tumors during radiotherapy observed on a longitudinal MR imaging study via a deep learning algorithm
CN112241766A (zh) 基于样本生成和迁移学习的肝脏ct图像多病变分类方法
CN110464353A (zh) 一种基于深度卷积神经网络的伪ct合成方法及应用
Peng et al. Segmentation of lung in chest radiographs using hull and closed polygonal line method
An et al. Medical image classification algorithm based on visual attention mechanism-MCNN
Karimzadeh et al. A novel shape-based loss function for machine learning-based seminal organ segmentation in medical imaging
Liu et al. AHU-MultiNet: adaptive loss balancing based on homoscedastic uncertainty in multi-task medical image segmentation network
Lu Computer-aided diagnosis research of a lung tumor based on a deep convolutional neural network and global features
Jiao et al. TransDose: Transformer-based radiotherapy dose prediction from CT images guided by super-pixel-level GCN classification
Zhou et al. Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning
Xu et al. Brain tumor diagnosis from MRI based on Mobilenetv2 optimized by contracted fox optimization algorithm
Guo et al. Classification and diagnosis of residual thyroid tissue in SPECT images based on fine-tuning deep convolutional neural network
CN116758089A (zh) 一种宫颈癌临床靶区和正常器官智能勾画系统和方法
CN116129124A (zh) 一种图像分割方法、系统及设备
Bharati et al. Disease Detection from Lung X-ray Images Based on Hybrid Deep Learning
Zhang et al. Dose prediction for cervical cancer VMAT patients with a full-scale 3D-cGAN-based model and the comparison of different input data on the prediction results
CN115834161A (zh) 一种人工智能四层架构的电网假数据注入攻击检测方法
Wang et al. Renal lesion classification in kidney CT images by seven-layer convolution neural network
Zhou et al. Prediction of brain tumor recurrence location based on Kullback–Leibler divergence and nonlinear correlation learning

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
GR01 Patent grant
GR01 Patent grant