CN110175978A - 一种肝癌影像组学数据处理方法、系统、装置和存储介质 - Google Patents
一种肝癌影像组学数据处理方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN110175978A CN110175978A CN201910259983.3A CN201910259983A CN110175978A CN 110175978 A CN110175978 A CN 110175978A CN 201910259983 A CN201910259983 A CN 201910259983A CN 110175978 A CN110175978 A CN 110175978A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- image
- liver cancer
- image group
- gray level
- 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.)
- Granted
Links
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肝癌影像组学数据处理方法、系统、装置和存储介质,所述方法包括获取肝癌患者的上腹部CT图像,计算所述上腹部CT图像对应的影像组学数据,计算所述多个影像组学特征值的线性组合,和根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组或肝动脉化疗栓塞术无反应组等步骤。本发明所使用的影像组学技术可以从三维立体角度全方位提取CT图像中包含的肿瘤特征信息,克服了现有方法没有考虑肿瘤异质性的缺点;根据患者影像学特征的分值将患者区分为有反应组和无反应组,具有良好的临床指导意义,为临床工作者提供更优的决策参考。本发明广泛应用于数据处理技术领域。
Description
技术领域
本发明涉及数据处理技术领域,尤其是一种肝癌影像组学数据处理方法、系统、装置和存储介质。
背景技术
原发性肝癌目前在全球范围内是第六大高发恶性肿瘤,其致死率亦排名世界第三位。由于早期肝癌症状不典型,且多数患者并未有明显不适,故较多数肝癌患者在确诊时已处于肿瘤晚期,甚至出现了血管侵犯或远处转移,丧失了外科手术切除或肝移植等根治性治疗手段。
根据病理类型,原发性肝癌可分为三种,即肝细胞癌、肝内胆管细胞癌和混合性肝癌,其中肝细胞癌占据所有肝癌患者的80%,尤其是在乙肝病毒感染高发的东亚地区(中国,韩国及日本等国家),肝细胞癌患者可占所有肝癌患者的90%以上。
根据国际及国内原发性肝癌诊疗指南,肝动脉化疗栓塞术(TACE)是一种针对不可切除肝细胞癌的标准治疗手段。然而,并不是所有患者都能从肝动脉化疗栓塞术治疗获益。有一些患者在连续接受数次肝动脉化疗栓塞术之后,肿瘤仍处于进展,即患者对肝动脉化疗栓塞术无反应,此时再换用其他系统性治疗措施便过晚,继而大大影响了患者的预后及生存质量。
因此,在实施治疗前先评估肝动脉化疗栓塞术对患者的疗效,再决定是否对患者使用肝动脉化疗栓塞术,可以提高不可切除肝细胞癌的治疗效果。现有的肝动脉化疗栓塞术疗效预测方法,是以单纯的影像学特征如肿瘤直径、肿瘤分期、磁共振表观弥散系数等,或单纯的生化指标如天冬氨酸转氨酶与中性粒细胞比值及早期甲胎蛋白应答等预测患者肝动脉化疗栓塞术治疗的近期疗效及长期预后。现有技术存在以下不足:患者个体间存在的年龄、性别和生理因素差异,使得临床测量的一些生化指标与实际值有一定出入,影响了预测精度;对血液生化值等生化指标的测量方法未标准化,使得不同环境下进行预测的结果不稳定;现有技术手段所反映的特征均比较单一,无法完整体现肿瘤异质性的特点;在使用电子计数器测量过程中,可能有多个变量影响生化结果真实性;肿瘤异质性难以定量评估。
发明内容
为了解决上述技术问题,本发明的目在于提供一种肝癌影像组学数据处理方法、系统、装置和存储介质。
一方面,本发明包括一种肝癌影像组学数据处理方法,包括以下步骤:
获取肝癌患者的上腹部CT图像;
计算所述上腹部CT图像对应的影像组学数据;所述影像组学数据包括多个影像组学特征值;
计算所述多个影像组学特征值的线性组合;所述线性组合的计算结果为用于评价肝动脉化疗栓塞术效果的预测值;
根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组或肝动脉化疗栓塞术无反应组。
进一步地,所述计算所述上腹部CT图像对应的影像组学数据这一步骤,是通过PyRadiomics执行的。
进一步地,所述影像组学特征值包括:
exponential_glrlm_Long Run Emphasis;
exponential_glrlm_Long Run Low Gray Level Emphasis;
exponential_glszm_Small Area High Gray Level Emphasis;
logarithm_first order_Skewness;
logarithm_glcm_Idmn;
original_gldm_Dependence Variance;
original_gldm_Small Dependence High Gray Level Emphasis;
original_glszm_Gray Level Non Uniformity;
original_shape_Maximum 2D Diameter Slice;
original_shape_Maximum 3D Diameter;
original_shape_Sphericity;
square_glszm_Small Area Emphasis;
wavelet.HHL_firstorder_Skewness;
wavelet.HHL_glcm_Cluster Prominence;
wavelet.HHL_glszm_Gray Level Non Uniformity;
wavelet.HHL_glszm_Large Area High Gray Level Emphasis;
wavelet.HHL_glszm_Low Gray Level Zone Emphasis;
wavelet.HLH_gldm_Dependence Non Uniformity Normalized;
wavelet.LHH_first order_Skewness;
wavelet.LHL_glszm_Large Area Low Gray Level Emphasis;
wavelet.LLH_first order_Median;
wavelet.LLH_glcm_Cluster Shade;
wavelet.LLL_first order_90Percentile;
wavelet.LLL_glcm_Idmn。
进一步地,所述计算所述多个影像组学特征值的线性组合这一步骤,所用的公式为:
PYRad Score=2.502e+04*exponential_glrlm_Long Run Emphasis
-2.502e+04*exponential_glrlm_Long Run Low Gray Level Emphasis
+1.976e+01*exponential_glszm_Small Area High Gray Level Emphasis
-9.396e-02*logarithm_first order_Skewness
+1.004e+02*logarithm_glcm_Idmn
-5.060e-02*original_gldm_Dependence Variance
-3.662e-02*original_gldm_Small Dependence High Gray Level Emphasis
-1.305e-04*original_glszm_Gray Level Non Uniformity
+4.262e-03*original_shape_Maximum 2D Diameter Slice
+6.609e-03*original_shape_Maximum 3D Diameter
+9.891e+00*original_shape_Sphericity
-1.362e+00*square_glszm_Small Area Emphasis
+6.523e-01*wavelet.HHL_firstorder_Skewness
+3.869e-05*wavelet.HHL_glcm_Cluster Prominence
-2.459e-04*wavelet.HHL_glszm_Gray Level Non Uniformity
-8.487e-11*wavelet.HHL_glszm_Large Area High Gray Level Emphasis
+2.924e+00*wavelet.HHL_glszm_Low Gray Level Zone Emphasis
-2.301e+01*wavelet.HLH_gldm_Dependence Non Uniformity Normalized
-4.023e-01*wavelet.LHH_first order_Skewness
-4.079e-08*wavelet.LHL_glszm_Large Area Low Gray Level Emphasis
+1.630e+00*wavelet.LLH_first order_Median
-9.764e-01*wavelet.LLH_glcm_Cluster Shade
+2.615e-03*wavelet.LLL_first order_90Percentile
-2.532e+02*wavelet.LLL_glcm_Idmn;
式中,PYRad Score为所述预测值。
进一步地,所述根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组或肝动脉化疗栓塞术无反应组这一步骤,具体为:
当所述预测值大于或等于-0.311时,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组,反之,将所述肝癌患者划分为肝动脉化疗栓塞术无反应组。
另一方面,本发明包括一种肝癌影像组学数据处理系统,包括:
CT图像模块,用于获取肝癌患者的上腹部CT图像;
影像组学数据计算模块,用于计算所述上腹部CT图像对应的影像组学数据;所述影像组学数据包括多个影像组学特征值;
预测值计算模块,用于计算所述多个影像组学特征值的线性组合;所述线性组合的计算结果为用于评价肝动脉化疗栓塞术效果的预测值;
肝癌患者分组模块,用于根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组或肝动脉化疗栓塞术无反应组。
另一方面,本发明包括一种肝癌影像组学数据处理装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行本发明肝癌影像组学数据处理方法。
另一方面,本发明包括一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行本发明肝癌影像组学数据处理方法。
本发明的有益效果是:本发明通过对病灶CT图像的影像组学分析结果计算预测值,进而根据预测值输出肝动脉化疗栓塞术治疗建议信息。影像组学分析所提取的影像组学特征值均从肿瘤靶病灶获取而来,不受年龄、性别等个体因素差异干扰;在影像组学分析过程中,通过三维重建软件进行立体靶病灶勾画重建,利用基于开源的平台PyRadiomics提取影像组学特征,适用于所有患者,因此本发明方法是一个标准化的方法,在不同的环境下都能有稳定的评估效果;影像组学技术可以从三维立体角度全方位提取CT图像中包含的肿瘤特征信息,克服了现有方法没有考虑肿瘤异质性的缺点;根据患者影像学特征的分值将患者区分为有反应组和无反应组,具有良好的临床指导意义,为临床工作者提供更优的决策参考。
附图说明
图1为本发明方法实施例的流程图。
具体实施方式
本实施例中一种肝癌影像组学数据处理方法,参照图1,包括以下步骤:
S1.获取肝癌患者的上腹部CT图像;
S2.计算所述上腹部CT图像对应的影像组学数据;所述影像组学数据包括多个影像组学特征值;
S3.计算所述多个影像组学特征值的线性组合;所述线性组合的计算结果为用于评价肝动脉化疗栓塞术效果的预测值;
S4.根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组或肝动脉化疗栓塞术无反应组。
步骤S1中,通过CT仪器获取肝癌患者的上腹部CT图像,所述上腹部CT图像中包含了患者肝部病灶的信息。
步骤S2中,针对上腹部CT图像进行影像组学分析,所得到的影像组学数据包括多个影像组学特征值。影像组学分析的具体过程以及所得到的影像组学数据的具体格式与所使用的影像组学分析工具有关。
本实施例中,使用PyRadiomics计算语言平台作为影像组学分析工具,即通过PyRadiomics来执行步骤S2。使用是通过PyRadiomics对CT图像进行处理,可以得到9类衍生图像以及与被处理CT图像本身相同的原始图像。原始图像和9类衍生图像包括:Original图像、Wavelet图像、LoG图像、Square图像、SquareRoot图像、Logarithm图像、Exponential图像、Gradient图像、LocalBinaryPattern2D图像及LocalBinaryPattern3D图像。
针对上述原始图像和9类衍生图像中的每一个,可以进一步提取出各类影像组学特征值。
在应用任何滤波器(即转换图像类别)之时或之后,即可以定制这种图像类型的特征提取方式,然后使用不同影像组学特征类别计算特征值。可用于提取影像组学特征值的类别包括First Order特征、shape特征以及纹理特征[包括Gray Level Co-occurrenceMatrix(GLCM)特征、Gray Level SizeZone Matrix(GLSZM)特征、Gray Level RunLengthMatrix(GLRLM)特征、Neigbouring GrayTone Difference Matrix(NGTDM)特征和GrayLevelDependence Matrix(GLDM)Features特征]。其中,shape特征只能从原始图像抽取,其余类别的特征则可以在任何类别的图像上抽取。在本实施例中,选取了三个类型的特征进行提取,即:first-order特征,shape特征,以及纹理特征(包括GLCM,GLRLM,GLSZM,GLDM共四种)。
步骤S3中,将通过PyRadiomics处理得到的多个影像组学特征值线性组合起来,即使用上述当中的部分或全部影像组学特征值分别乘以相应的系数再进行求和,所得的结果作为所述预测值。
步骤S4中,将所得的预测值与预设的阈值进行比较。当预测值大于预设的阈值时,将该肝癌患者划分为肝动脉化疗栓塞术有反应组,即认为针对该患者实施肝动脉化疗栓塞术是能够取得良好效果的,医生可以参考这一评估结果临床实施肝动脉化疗栓塞术;反之,将该肝癌患者划分为肝动脉化疗栓塞术无反应组,即认为针对该患者实施肝动脉化疗栓塞术是不能取得满意效果的,医生可以参考这一评估结果改为实施其他治疗方法。
本发明方法通过针对病灶CT图像的影像组学分析结果来给出预测值,所述预测值的大小为是否在临床上实施肝动脉化疗栓塞术提供参考,具有以下技术效果:
影像组学分析所提取的影像组学特征值均从肿瘤靶病灶获取而来,不受年龄、性别等个体因素差异干扰;在影像组学分析过程中,通过三维重建软件进行立体靶病灶勾画重建,利用基于开源的平台PyRadiomics提取影像组学特征,适用于所有患者,因此本发明方法是一个标准化的方法,在不同的环境下都能有稳定的评估效果;
影像组学技术可以从三维立体角度全方位提取CT图像中包含的肿瘤特征信息,克服了现有方法没有考虑肿瘤异质性的缺点;
根据患者影像学特征的分值将患者区分为有反应组和无反应组,具有良好的临床指导意义,为临床工作者提供更优的决策参考。
进一步作为优选的实施方式,本实施例中,从PyRadiomics所提供的多达832个的影像组学特征值中优选出24个用于计算预测值,这24个影像组学特征值分别属于first-order特征、shape特征以及纹理特征(包括GLCM,GLRLM,GLSZM,GLDM共四种),包括:
exponential_glrlm_Long Run Emphasis;
exponential_glrlm_Long Run Low Gray Level Emphasis;
exponential_glszm_Small Area High Gray Level Emphasis;
logarithm_first order_Skewness;
logarithm_glcm_Idmn;
original_gldm_Dependence Variance;
original_gldm_Small Dependence High Gray Level Emphasis;
original_glszm_Gray Level Non Uniformity;
original_shape_Maximum 2D Diameter Slice;
original_shape_Maximum 3D Diameter;
original_shape_Sphericity;
square_glszm_Small Area Emphasis;
wavelet.HHL_firstorder_Skewness;
wavelet.HHL_glcm_Cluster Prominence;
wavelet.HHL_glszm_Gray Level Non Uniformity;
wavelet.HHL_glszm_Large Area High Gray Level Emphasis;
wavelet.HHL_glszm_Low Gray Level Zone Emphasis;
wavelet.HLH_gldm_Dependence Non Uniformity Normalized;
wavelet.LHH_first order_Skewness;
wavelet.LHL_glszm_Large Area Low Gray Level Emphasis;
wavelet.LLH_first order_Median;
wavelet.LLH_glcm_Cluster Shade;
wavelet.LLL_first order_90Percentile;
wavelet.LLL_glcm_Idmn。
进一步作为优选的实施方式,所述步骤S3中,所述计算所述多个影像组学特征值的线性组合这一步骤,所用的公式为:
PYRad Score=2.502e+04*exponential_glrlm_Long Run Emphasis
-2.502e+04*exponential_glrlm_Long Run Low Gray Level Emphasis
+1.976e+01*exponential_glszm_Small Area High Gray Level Emphasis
-9.396e-02*logarithm_first order_Skewness
+1.004e+02*logarithm_glcm_Idmn
-5.060e-02*original_gldm_Dependence Variance
-3.662e-02*original_gldm_Small Dependence High Gray Level Emphasis
-1.305e-04*original_glszm_Gray Level Non Uniformity
+4.262e-03*original_shape_Maximum 2D Diameter Slice
+6.609e-03*original_shape_Maximum 3D Diameter
+9.891e+00*original_shape_Sphericity
-1.362e+00*square_glszm_Small Area Emphasis
+6.523e-01*wavelet.HHL_firstorder_Skewness
+3.869e-05*wavelet.HHL_glcm_Cluster Prominence
-2.459e-04*wavelet.HHL_glszm_Gray Level Non Uniformity
-8.487e-11*wavelet.HHL_glszm_Large Area High Gray Level Emphasis
+2.924e+00*wavelet.HHL_glszm_Low Gray Level Zone Emphasis
-2.301e+01*wavelet.HLH_gldm_Dependence Non Uniformity Normalized
-4.023e-01*wavelet.LHH_first order_Skewness
-4.079e-08*wavelet.LHL_glszm_Large Area Low Gray Level Emphasis
+1.630e+00*wavelet.LLH_first order_Median
-9.764e-01*wavelet.LLH_glcm_Cluster Shade
+2.615e-03*wavelet.LLL_first order_90Percentile
-2.532e+02*wavelet.LLL_glcm_Idmn。
进一步作为优选的实施方式,所述预测值为-0.311。所述步骤S4,即所述根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组或肝动脉化疗栓塞术无反应组这一步骤,具体为:
当所述预测值大于或等于-0.311时,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组,反之,将所述肝癌患者划分为肝动脉化疗栓塞术无反应组。
上述式中,字母e表示10的次幂,例如e+04表示10的4次幂,计算所得的PYRadScore为所述预测值。
步骤S3的计算预测值PYRad Score的式中,每个影像组学特征值都具有相应的系数,这些系数是通过分析医院针对患者进行临床治疗和研究所得的病历数据库得到的。
各影像组学特征值对应系数的具体值是通过以下步骤计算的:
步骤一、在医院患者病历数据库中查找接受过肝动脉化疗栓塞术治疗的患者;收集这些患者的不可切除肝细胞癌样本、对应的肝动脉化疗栓塞术疗效评价,以及患者在肝动脉化疗栓塞术术前、术后上腹部增强CT图像;
步骤二、提取步骤一中所得的各个患者术前CT图像的影像组学数据;
步骤三、对步骤二中所得到的影像组学数据进行筛选,统计计算并筛选出与肝动脉化疗栓塞术疗效相关的影像组学特征值及其系数,并建立线性预测模型。
具体地,步骤一中所查找的患者的搜索条件包括:(1)患有按照《原发性肝癌诊疗规范》(卫计委2017年版)临床确诊或经组织/细胞学确诊的的原发性肝细胞癌;(2)巴塞罗那分期为中晚期,即BCLC B期或BCLC C期;(4)肝功能Child-Pugh评分A级(5-6分)或者B级(7分)患者;(4)初次治疗为针对肝脏原发病灶进行的肝动脉化疗栓塞术,肝动脉化疗栓塞术治疗至影像学复查期间未接受其它治疗,如外科手术、放疗、化疗、射频消融、微波消融、无水酒精注射、分子靶向药物、免疫治疗等;(5)术前4周内有本院上腹部增强CT图像,术后8周内有本院复查上腹部增强CT图像。
具体地,所述步骤二中,通过3D-Slicer软件可进行原始空间内完整的肝动脉化疗栓塞术治疗的肝癌病灶的感兴趣区域勾画,三维立体重建,再进行影像组学特征提取,可完整体现肝癌肿瘤的全局属性。
具体地,所述步骤三中利用了LASSO回归模型。LASSO通过拟合广义线性模型,同时进行变量筛选和复杂度调整,是一种惩罚估计统计方法,主要通过参数lambda(λ)来控制惩罚力度,lambda(λ)越大对变量较多的线性模型的惩罚力度就越大,通过压缩模型系数,使一些变量的回归系数归为零,从而实现变量的降维及筛选,最终获得一个精简的但与预测结局密切关联的变量组合。
采用十倍交叉验证(10 fold Cross Validation),选择了交叉验证误差最小的lambda(λ),此时所选择的是最少特征变量,而非最佳变量。
对选取的特征,用Logsitic回归构建模型,如下:
其中n为经过LASSO算法后筛选的影像组学特征的总数量,Xi为第i个影像组学特征,βi为经过回归计算后该特征所对应的系数。在这些所筛选的影像组学特征结果和系数的基础上,线性组合得到了影像组学得分(PyRad-Score)的公式,即形如Yi=β0+β1Xi1+β2Xi2+...+βkXik的线性回归模型,其中,i为患者序号,Yi为预测值,Xik为第k个影像组学特征值,βk为系数。
本实施例中一种肝癌影像组学数据处理系统,包括:
CT图像模块,用于获取肝癌患者的上腹部CT图像;
影像组学数据计算模块,用于计算所述上腹部CT图像对应的影像组学数据;所述影像组学数据包括多个影像组学特征值;
预测值计算模块,用于计算所述多个影像组学特征值的线性组合;所述线性组合的计算结果为用于评价肝动脉化疗栓塞术效果的预测值;
肝癌患者分组模块,用于根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组或肝动脉化疗栓塞术无反应组。
其中,CT图像模块可以是CT仪器,影像组学数据计算模块、预测值计算模块和肝癌患者分组模块可以是控制CT仪器的计算系统中所运行的软件模块。
本实施例中一种肝癌影像组学数据处理装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行肝癌影像组学数据处理方法。
本实施例中一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行肝癌影像组学数据处理方法。
本实施例中的肝癌影像组学数据处理系统、装置和存储介质,可以执行本发明的肝癌影像组学数据处理方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何存储介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上是对本发明的较佳实施进行了具体说明,但对本发明创造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 (8)
1.一种肝癌影像组学数据处理方法,其特征在于,包括以下步骤:
获取肝癌患者的上腹部CT图像;
计算所述上腹部CT图像对应的影像组学数据;所述影像组学数据包括多个影像组学特征值;
计算所述多个影像组学特征值的线性组合;所述线性组合的计算结果为用于评价肝动脉化疗栓塞术效果的预测值;
根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组或肝动脉化疗栓塞术无反应组。
2.根据权利要求1所述的一种肝癌影像组学数据处理方法,其特征在于,所述计算所述上腹部CT图像对应的影像组学数据这一步骤,是通过PyRadiomics执行的。
3.根据权利要求2所述的一种肝癌影像组学数据处理方法,其特征在于,所述影像组学特征值包括:
exponential_glrlm_Long Run Emphasis;
exponential_glrlm_Long Run Low Gray Level Emphasis;
exponential_glszm_Small Area High Gray Level Emphasis;
logarithm_first order_Skewness;
logarithm_glcm_Idmn;
original_gldm_Dependence Variance;
original_gldm_Small Dependence High Gray Level Emphasis;
original_glszm_Gray Level Non Uniformity;
original_shape_Maximum 2D Diameter Slice;
original_shape_Maximum 3D Diameter;
original_shape_Sphericity;
square_glszm_Small Area Emphasis;
wavelet.HHL_firstorder_Skewness;
wavelet.HHL_glcm_Cluster Prominence;
wavelet.HHL_glszm_Gray Level Non Uniformity;
wavelet.HHL_glszm_Large Area High Gray Level Emphasis;
wavelet.HHL_glszm_Low Gray Level Zone Emphasis;
wavelet.HLH_gldm_Dependence Non Uniformity Normalized;
wavelet.LHH_first order_Skewness;
wavelet.LHL_glszm_Large Area Low Gray Level Emphasis;
wavelet.LLH_first order_Median;
wavelet.LLH_glcm_Cluster Shade;
wavelet.LLL_first order_90 Percentile;
wavelet.LLL_glcm_Idmn。
4.根据权利要求3所述的一种肝癌影像组学数据处理方法,其特征在于,所述计算所述多个影像组学特征值的线性组合这一步骤,所用的公式为:
PYRad Score=2.502e+04*exponential_glrlm_Long Run Emphasis
-2.502e+04*exponential_glrlm_Long Run Low Gray Level Emphasis
+1.976e+01*exponential_glszm_Small Area High Gray Level Emphasis
-9.396e-02*logarithm_first order_Skewness
+1.004e+02*logarithm_glcm_Idmn
-5.060e-02*original_gldm_Dependence Variance
-3.662e-02*original_gldm_Small Dependence High Gray Level Emphasis
-1.305e-04*original_glszm_Gray Level Non Uniformity
+4.262e-03*original_shape_Maximum 2D Diameter Slice
+6.609e-03*original_shape_Maximum 3D Diameter
+9.891e+00*original_shape_Sphericity
-1.362e+00*square_glszm_Small Area Emphasis
+6.523e-01*wavelet.HHL_firstorder_Skewness
+3.869e-05*wavelet.HHL_glcm_Cluster Prominence
-2.459e-04*wavelet.HHL_glszm_Gray Level Non Uniformity
-8.487e-11*wavelet.HHL_glszm_Large Area High Gray Level Emphasis
+2.924e+00*wavelet.HHL_glszm_Low Gray Level Zone Emphasis
-2.301e+01*wavelet.HLH_gldm_Dependence Non Uniformity Normalized
-4.023e-01*wavelet.LHH_first order_Skewness
-4.079e-08*wavelet.LHL_glszm_Large Area Low Gray Level Emphasis
+1.630e+00*wavelet.LLH_first order_Median
-9.764e-01*wavelet.LLH_glcm_Cluster Shade
+2.615e-03*wavelet.LLL_first order_90 Percentile
-2.532e+02*wavelet.LLL_glcm_Idmn;
式中,PYRad Score为所述预测值。
5.根据权利要求4所述的一种肝癌影像组学数据处理方法,其特征在于,所述根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组或肝动脉化疗栓塞术无反应组这一步骤,具体为:
当所述预测值大于或等于-0.311时,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组,反之,将所述肝癌患者划分为肝动脉化疗栓塞术无反应组。
6.一种肝癌影像组学数据处理系统,其特征在于,包括:
CT图像模块,用于获取肝癌患者的上腹部CT图像;
影像组学数据计算模块,用于计算所述上腹部CT图像对应的影像组学数据;所述影像组学数据包括多个影像组学特征值;
预测值计算模块,用于计算所述多个影像组学特征值的线性组合;所述线性组合的计算结果为用于评价肝动脉化疗栓塞术效果的预测值;
肝癌患者分组模块,用于根据所述预测值与预设阈值的大小关系,将所述肝癌患者划分为肝动脉化疗栓塞术有反应组或肝动脉化疗栓塞术无反应组。
7.一种肝癌影像组学数据处理装置,其特征在于,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行权利要求1-5任一项所述方法。
8.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-5任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910259983.3A CN110175978B (zh) | 2019-04-02 | 2019-04-02 | 一种肝癌影像组学数据处理方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910259983.3A CN110175978B (zh) | 2019-04-02 | 2019-04-02 | 一种肝癌影像组学数据处理方法、系统、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175978A true CN110175978A (zh) | 2019-08-27 |
CN110175978B CN110175978B (zh) | 2021-05-11 |
Family
ID=67688999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910259983.3A Active CN110175978B (zh) | 2019-04-02 | 2019-04-02 | 一种肝癌影像组学数据处理方法、系统、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175978B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
CN113571194A (zh) * | 2021-07-09 | 2021-10-29 | 清华大学 | 肝细胞癌远期预后预测的建模方法及装置 |
CN113850788A (zh) * | 2021-09-28 | 2021-12-28 | 中国医学科学院北京协和医院 | 一种判断膀胱癌肌层浸润状态的系统及其应用 |
CN114190958A (zh) * | 2021-11-08 | 2022-03-18 | 南方医科大学南方医院 | 一种基于影像组学的pd-1疗效预测模型及其构建方法 |
CN115440386A (zh) * | 2022-09-30 | 2022-12-06 | 中国医学科学院北京协和医院 | 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170035381A1 (en) * | 2015-08-06 | 2017-02-09 | Case Western Reserve University | Characterizing disease and treatment response with quantitative vessel tortuosity radiomics |
CN108376565A (zh) * | 2018-02-13 | 2018-08-07 | 北京市神经外科研究所 | 一种脑胶质瘤Ki-67表达水平的影像组学预测方法 |
CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
-
2019
- 2019-04-02 CN CN201910259983.3A patent/CN110175978B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170035381A1 (en) * | 2015-08-06 | 2017-02-09 | Case Western Reserve University | Characterizing disease and treatment response with quantitative vessel tortuosity radiomics |
CN108376565A (zh) * | 2018-02-13 | 2018-08-07 | 北京市神经外科研究所 | 一种脑胶质瘤Ki-67表达水平的影像组学预测方法 |
CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
Non-Patent Citations (2)
Title |
---|
GUANGYI WANG 等: "《Pretreatment MR imaging radiomics signatures for response prediction to induction chemotherapy in patients with nasopharyngeal carcinoma》", 《EUROPEAN JOURNAL OF RADIOLOGY》 * |
JONGHOON KIM 等: "《Predicting Survival Using Pretreatment CT for Patents With Hepatocelluar Carcinoma Treated With Transarterial Chemoembolization: Comparison of Models Using Radiomics》", 《AMERICAN JOURNAL OF ROENTGENOLOGY》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
CN111178449B (zh) * | 2019-12-31 | 2021-11-05 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法 |
CN113571194A (zh) * | 2021-07-09 | 2021-10-29 | 清华大学 | 肝细胞癌远期预后预测的建模方法及装置 |
CN113571194B (zh) * | 2021-07-09 | 2022-05-13 | 清华大学 | 肝细胞癌远期预后预测的建模方法及装置 |
CN113850788A (zh) * | 2021-09-28 | 2021-12-28 | 中国医学科学院北京协和医院 | 一种判断膀胱癌肌层浸润状态的系统及其应用 |
CN114190958A (zh) * | 2021-11-08 | 2022-03-18 | 南方医科大学南方医院 | 一种基于影像组学的pd-1疗效预测模型及其构建方法 |
CN114190958B (zh) * | 2021-11-08 | 2022-11-22 | 南方医科大学南方医院 | 一种基于影像组学的pd-1疗效预测模型及其构建方法 |
CN115440386A (zh) * | 2022-09-30 | 2022-12-06 | 中国医学科学院北京协和医院 | 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果 |
Also Published As
Publication number | Publication date |
---|---|
CN110175978B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127466B (zh) | 医学图像检测方法、装置、设备及存储介质 | |
CN110175978A (zh) | 一种肝癌影像组学数据处理方法、系统、装置和存储介质 | |
Arimura et al. | Radiomics with artificial intelligence for precision medicine in radiation therapy | |
Peeken et al. | Radiomics in radiooncology–challenging the medical physicist | |
Duran et al. | ProstAttention-Net: A deep attention model for prostate cancer segmentation by aggressiveness in MRI scans | |
Liu et al. | Automatic organ segmentation for CT scans based on super-pixel and convolutional neural networks | |
JP5814504B2 (ja) | 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ | |
JP6063446B2 (ja) | 細胞におけるバイオマーカーの発現の積率による解析 | |
CN115036002B (zh) | 一种基于多模态融合模型的治疗效果预测方法及终端设备 | |
Kavur et al. | Basic ensembles of vanilla-style deep learning models improve liver segmentation from ct images | |
Ebert et al. | Spatial descriptions of radiotherapy dose: normal tissue complication models and statistical associations | |
Leo et al. | Computationally derived cribriform area index from prostate cancer hematoxylin and eosin images is associated with biochemical recurrence following radical prostatectomy and is most prognostic in gleason grade group 2 | |
Zheng et al. | Integrating semi-supervised and supervised learning methods for label fusion in multi-atlas based image segmentation | |
Saeed et al. | TMSS: an end-to-end transformer-based multimodal network for segmentation and survival prediction | |
WO2011068475A1 (en) | A method for construction and use of a probabilistic atlas for diagnosis and prediction of a medical outcome | |
Hu et al. | Multimodal volume-aware detection and segmentation for brain metastases radiosurgery | |
WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
Tang et al. | Intratumoral and peritumoral CT-based radiomics strategy reveals distinct subtypes of non-small-cell lung cancer | |
Anderson et al. | Automated segmentation of colorectal liver metastasis and liver ablation on contrast-enhanced CT images | |
Cannella et al. | Performances and variability of CT radiomics for the prediction of microvascular invasion and survival in patients with HCC: a matter of chance or standardisation? | |
Lian et al. | Imaging-based deep graph neural networks for survival analysis in early stage lung cancer using ct: A multicenter study | |
Fan et al. | Application of three‐dimensional reconstruction of left upper lung lobes in anatomical segmental resection | |
CN112768060A (zh) | 基于随机生存森林的肝癌术后复发预测方法、存储介质 | |
CN115631387B (zh) | 基于图卷积神经网络的肺癌病理高危因素预测方法和装置 | |
Wang et al. | Artificial intelligence in breast imaging |
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 |