CN110604550B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110604550B CN110604550B CN201910902822.1A CN201910902822A CN110604550B CN 110604550 B CN110604550 B CN 110604550B CN 201910902822 A CN201910902822 A CN 201910902822A CN 110604550 B CN110604550 B CN 110604550B
- Authority
- CN
- China
- Prior art keywords
- radiotherapy
- image
- organs
- extracting
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1071—Monitoring, verifying, controlling systems and methods for verifying the dose delivered by the treatment plan
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种肿瘤患者放疗后的临床并发症预测技术，尤指一种基于多模态影像组学特征和放疗剂量学特征的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，包括：S1、建立多模态影像数据库；S2、提取肿瘤靶区附近的危及器官的影像数据；S3、提取危及器官的影像组学特征，进行正常器官影像数据的特征提取；S4、根据影像分割结果提取危及器官的影像表型特征的参数；S5、分析影像组学特征；S6、提取危及器官的受照剂量的参数；S7、收集特征并提取；本发明应用影像组学数据对肿瘤患者放疗、化疗后并发症进行预测，通过可靠安全、高精确读的预测方法可为患者及时提供有效的治疗和干预，减少并发症的发生，从而提高患者治疗效果以及后期生活质量。
Description
技术领域
本发明涉及一种肿瘤患者放疗后的临床并发症预测技术，尤指一种基于多模态影像组学特征和放疗剂量学特征的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。
背景技术
恶性肿瘤是严重威胁人类健康的重大疾病，放疗和化疗是很多肿瘤患者在治疗中常用的两种手段，考虑到肿瘤患者术后并发症的可能性，放疗和化疗过程中尽可能地提高靶区（肿瘤）剂量同时减少靶区周围正常组织（危及器官）放射损伤，是放射治疗的终极目标。
由于肿瘤发病位置通常位于患者体内，射线穿透人体的同时必定会穿过某些正常组织，而且X 线的侧向散射也增加了靶区周围正常组织受辐射的剂量，即使目前最精确的放疗技术也无法避免对靶区周围正常组织的误照射。当人体内一定体积的器官受到一定剂量的照射时，就会表现出器官功能的受损，从而使人体表现出并发症，而同期或非同期的化疗可能会加剧危及器官并发症的发生。
近年来随着模式识别工具的增加和计算机技术的发展，影像组学已成为肿瘤治疗过程中重要的工具，影像组学从影像、病理、基因等海量数据中利用自动化高通量的数据特征提取算法将影像数据转化为具有高分辨率的可挖掘的影像特征数据，通过这些数据挖掘描述组织特性。研究表明应用影像组学数据能够对肿瘤患者放疗、化疗后并发症进行预测，以便为患者及时提供有效的治疗和干预，减少并发症的发生，但是目前影像组学数据预测方法由于针对性与规划性不足导致精确程度不高，仍不能广泛适用，因此需要一种针对患者进行高效有序的预测方法，才能对预测精确程度加以改进，对于提高患者治疗效果以及后期生活质量具有重要意义。
发明内容
为解决上述问题，本发明旨在公开一种肿瘤患者放疗后的临床并发症预测技术，尤指一种基于多模态影像组学特征和放疗剂量学特征的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。
为实现上述目的，本发明采用的技术方案是：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，其特征在于，所述的建立方法主要包括以下步骤：
S1、获取数个放疗患者在X个时期的Y种模态影像数据，以及获取放疗患者在放疗后的危及器官并发症出现与否、出现种类、出现时间的信息，建立多模态影像数据库；
S2、从多模态影像数据库中，采用分割方法提取肿瘤靶区附近的危及器官的影像数据；
S3、根据分割提取的影像数据获得危及器官的影像分割结果，按照放疗阶段规划提取时间提取危及器官的影像组学特征，然后在多模态影像数据库内进行正常器官影像数据的特征提取；
S4、根据危及器官的影像分割结果，提取危及器官的影像表型特征的参数在至少两个不同时期的变化量；
S5、分析影像组学特征；
S6、从放疗患者的放射治疗计划中提取危及器官的受照剂量的参数；
S7、收集放疗患者的临床基线特征、放疗剂量学特征和影像组学特征，并分为训练集和验证集，将训练集用于模型构建，将验证集用于验证模型的准确性；最后进行特征提取，提取影像组学标签，并用于模型构建。
优选地，所述步骤S1的多模态影像数据包括诊断CT、模拟定位CT、不同序列多参数MR影像、PET/CT、B超影像、CBCT影像及常规X线影像数据。
优选地，所述步骤S3规划的提取时间为放疗过程和/或化疗开始前、结束后以及结束后的第n个月、n+1个月、n+2个月直至第m个月，其中第m个月为放化疗后危及器官并发症的潜伏期。
优选地，所述步骤S4中不同时期的变化量可以为治疗前对比治疗结束时的变化量、治疗前对比治疗结束后第n个月的变化量、治疗前对比治疗结束后第m个月的变化量，治疗结束时对比治疗结束后第m个月的变化量。
优选地，所述步骤S5的影像组学特征包括灰度特征、纹理特征和小波特征。
优选地，所述步骤S6中提取的受照剂量的参数可以为最大剂量、平均剂量、受照剂量体积或器官体积接受的最大剂量。
优选地，所述的步骤S7还包括：
1）进行放疗患者的正常器官放疗剂量学特征参数的提取；
2）收集放疗患者年龄、性别、病理组织学、TNM分期、治疗方式如放化疗、基因突变的信息，进行放疗患者的临床基线特征的提取；
3）收集放疗患者在放疗后指定时期内危及器官并发症出现与否及其程度，进行对危及器官并发症发病率及其严重程度分级的收集；
4）完成放疗患者临床基线特征、放疗剂量学特征的提取收集后，将放疗患者分组，分为训练集和验证集，其中训练集用于模型构建，验证集用于验证模型的准确性；
5）进行全部特征的提取，即提取影像组学特征，用于模型构建。
优选地，所述的建立方法还包括以下两个后续步骤：
S8、进行特征选择以去除冗余信息；
S9、特征预测性能验证。
优选地，所述步骤S8还包括特征去冗余方法，所述方法包括以下步骤：1）采用聚类算法 K-means 作为特征去冗余的算法；2）采用循环多个 K 值计算、多次计算去均值的方法进行最优聚类结果的选择，得到聚类特征集；3）每个特征集中含有 K 个簇，在每个簇中每一类中选出代表性影像特征，去除其余特征以降低特征冗余；4）筛选出预测精度最高的特征为本簇内的种子特征；5）计算簇内其余特征与种子特征之间的相关系数，经过筛选后得出最终特征集。
优选地，所述步骤S9还包括特征预测性能验证方法，所述验证方法包括步骤：依次选用 Logistic 回归分类器、 随机森林分类器、K 近邻分类器和支持向量机分类器作为模型训练分类器，进行验证选出特征集预测性能，并输出分类模型在测试集上的精确度结果以及最高预测精度的预测模型和特征集。
本发明的有益效果体现在：本发明应用临床基线特征、放疗剂量学特征、影像组学数据对肿瘤患者放疗、化疗后并发症进行预测，通过可靠安全、高精确读的预测方法可为患者及时提供有效的治疗和干预，减少并发症的发生，同时本发明对患者进行规划有序并针对性强的预测方法，有效提高预测精确程度，从而提高患者治疗效果以及后期生活质量，减轻因放疗导致的副作用及并发症发生。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式：
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，其特征在于，所述的建立方法主要包括以下步骤：
S1、获取数个放疗患者在X个时期的Y种模态影像数据，以及获取放疗患者在放疗后的危及器官并发症出现与否、出现种类、出现时间的信息，比如出现时间为治疗结束后的第m个月，建立多模态影像数据库； 进一步地，多模态影像数据包括诊断CT、模拟定位CT、不同序列多参数MR影像、PET/CT、B超影像、CBCT影像及常规X线影像数据；
S2、从多模态影像数据库中，采用分割方法提取肿瘤靶区附近的危及器官的影像数据；分割方法为自动或手工分割，自动分割包括但不限于采用基于模板库的分割方式；
S3、根据分割提取的影像数据获得危及器官的影像分割结果，按照放疗阶段规划提取时间提取危及器官的影像组学特征，然后在多模态影像数据库内进行正常器官影像数据的特征提取；进一步地，规划的提取时间为放疗过程和/或化疗开始前、结束后以及结束后的第n个月、n+1个月、n+2个月直至第m个月，其中第m个月为放化疗后危及器官并发症的潜伏期；
S4、根据危及器官的影像分割结果，提取危及器官的影像表型特征的参数在至少两个不同时期的变化量；进一步地，不同时期的变化量可以为治疗前对比治疗结束时的变化量、治疗前对比治疗结束后第n个月的变化量、治疗前对比治疗结束后第m个月的变化量，治疗结束时对比治疗结束后第m个月的变化量；
S5、分析影像组学特征；进一步地，影像组学特征包括灰度特征、纹理特征和小波特征，具体来说，所述灰度特征为灰度最大值、最小值、均值、中值、方差、峰态、能量、熵、绝对方差、均值、歪斜度、标准差、均匀度、灰度值域、均方根共1 4个特征，所述纹理特征为基于灰度共生矩阵衍生出的9维特征，即能量、对比度、熵、同质性、相关性、方差、和平均、差异性、自相关和基于灰度游程矩阵衍生出的1 3个特征，所述小波特征为在4个小波分量上分别计算灰度特征和纹理特征，共144个特征；
S6、从放疗患者的放射治疗计划中提取危及器官的受照剂量的参数；进一步地，提取的受照剂量的参数可以为最大剂量、平均剂量、受照剂量体积或器官体积接受的最大剂量，具体的受照剂量体积包括V5、V10、V15、V20、V25（指受照剂量超过5Gy、10Gy、15Gy、20Gy、25Gy的体积），器官体积接受的最大剂量包括D1、D5（1%、5%器官体积接受的最大剂量），且不限于上述剂量体积参数；
S7、收集放疗患者的临床基线特征、放疗剂量学特征和影像组学特征，并分为训练集和验证集，将训练集用于模型构建，将验证集用于验证模型的准确性；最后进行特征提取，提取影像组学标签，并用于模型构建；进一步地，所述的步骤S7还包括：
1）进行放疗患者的正常器官放疗剂量学特征参数的提取；
2）收集放疗患者年龄、性别、病理组织学、TNM分期、治疗方式如放化疗、基因突变的信息，进行放疗患者的临床基线特征的提取；
3）收集放疗患者在放疗后指定时期内危及器官并发症出现与否及其程度，进行对危及器官并发症发病率及其严重程度分级的收集；
4）完成放疗患者临床基线特征、放疗剂量学特征的提取收集后，将放疗患者分组，分为训练集和验证集，其中训练集用于模型构建，验证集用于验证模型的准确性；
5）进行全部特征的提取，即提取影像组学特征，用于模型构建，随着机器学习的发展和大数据的到来，提取的特征也不断的增加和改变， 机器学习的最终结果是建立在特征的基础上的，特征质量的好坏直接影响到机器学习最终的训练结果，而且特征的数量也直接影响到机器学习的训练效率，因此在影像组学的执行过程中，特征的选择是必须的一步；
进一步地，所述的建立方法还包括以下两个后续步骤：
S8、进行特征选择以去除冗余信息：
还包括特征去冗余方法，所述方法包括以下步骤：1）采用聚类算法 K-means 作为特征去冗余的算法；2）采用循环多个 K 值计算、多次计算去均值的方法进行最优聚类结果的选择，得到聚类特征集；3）每个特征集中含有 K 个簇，在每个簇中每一类中选出代表性影像特征，去除其余特征以降低特征冗余；4）筛选出预测精度最高的特征为本簇内的种子特征；5）计算簇内其余特征与种子特征之间的相关系数，经过筛选后得出最终特征集；
S9、特征预测性能验证：
还包括特征预测性能验证方法，所述验证方法包括步骤：依次选用 Logistic 回归分类器、 随机森林分类器、K 近邻分类器和支持向量机分类器作为模型训练分类器，进行验证选出特征集预测性能，并输出分类模型在测试集上的精确度结果以及最高预测精度的预测模型和特征集。
本实施例提供了一种特征选择以去除冗余信息与特征预测性能验证的详细过程，其中特征去冗余方法具体如下：
1）采用聚类算法 K-means 作为特征去冗余的算法；K-means 算法是一种无监督的聚类算法，聚类的最终结果是将所有类似的变量聚集到同一个簇中，本实施例选择无监督聚类算法 K-means 作为特征去冗余的主要算法，分三步进行特征的去冗余选择；
2）首先，为了解决K-means 聚类算法的缺点所带来问题，采用循环多个 K 值计算、多次计算去均值的方法进行最优聚类结果的选择，结合实际应用环境和数据集；将 K的值设定为 10-40，分别循环计算出各个 K 值的情况下的聚类结果，得到聚类特征集；
3）经过步骤2）得到的聚类特征集，每个特征集中含有 K 个簇，当每个簇中所含的影像特征所表达的信息相似或者比较接近时，同一类中的特征即为冗余特征，在每一类中选出至少一个（一个或者多个）代表性影像特征，去除其余特征以降低特征冗余；本实施例结合 Logistic 回归分类器进行特征选择，具体做法为：对于循环内每一组聚类特征集中，分别使用每一个特征作为训练集训练预测分类器；
4）使用完成训练的分类器进行分类验证，将每一个簇中的分类结果的精确度进行排序，以筛选出预测精度最高的特征为本簇内的种子特征；
5）当所有簇的种子特征确定完成后，分别计算簇内其余特征与种子特征之间的相关系数 R（X,Y）2，设定 R（X,Y）2的阈值为 0.5，当同一个簇内，其余特征与种子特征之间的相关系数为 R（X,Y）2>0.5 时，特征相似度高，为冗余特征，对其进行删除，经过筛选后所保留的特征即为最终选择出来的特征集；
采用K-means 算法去冗余特征的运算流程如下：
输入：k, featureSet[n]；
(1)随机选择出k 个初始聚类中心点，例如cluster[0]=featureSet[0]，…，cluster [k-1]= featureSet[k-1]；
(2)对于featureSet[0]…featureSet[n]，分别与cluster [0]…cluster[k-1]比较，假定与 cluster[i]差值最少，就标记为i；
(3)对于所有标记为 i 点，重新计算 cluster[i]={所有标记为 i 的featureSet[j]之和}/标记为 i 的个数；
(4)重复(2)(3)，直到所有 cluster[i]值的变化小于给定阈值。
由于选择的候选特征集，包含较少的冗余信息，符合预期的目标，而该特征集的预测性能未得到验证；其中特征预测性能验证方法具体如下：
1）选择模型训练分类器：
为验证筛选的特征集的预测性能，并且从候选特征集中寻找出预测能力最高的特征集作为最优特征集，本实施例的模型训练分类器：可选用 Logistic 回归分类器、 随机森林分类器、K 近邻分类器和支持向量机分类器，以进行验证选出特征集预测性能；
2）Logistic回归模型训练：
将待验证的候选特征集设定为候选特征集C2，为验证候选特征集 C2 的预测性能，首先选择Logistic回归分类器（逻辑斯蒂回归分类器）进行预测模型训练，为了防止训练的模型产生过拟合，在所有预测模型训练过程中，将数据集按照时间划分为训练集和测试集，
本实施例的预测结果为一个二分类问题，在标签内，定义 0 为无并发症，1 为有并发症，使用Logistic回归分类器训练预测模型后，将特征值 X 和 theta 的乘积作为sigmoid 函数的参数进行预测分析，由于 sigmoid函数的值域为（0,1），因此设定预测函数的阈值为 0.5，将预测值小于 0.5的判定为无并发症出现，将预测值大于 0.5 的判定为有并发症出现，Logistic回归分类器的训练过程如下所示：
输入数据：X 为候选特征集 C2，Y 为分类标签向量，训练过程：
(1) 将 X 分为训练集和测试集两部分；
(2) 在训练集上使用梯度下降法迭代θ至收敛；
(3) 求得逻辑回归模型 f (θ) ；
输出结果：分类模型在测试集上的精确度。
3）随机森林模型训练：
在随机森林分类器模型训练的过程中，按照时间轴将患者数据分为训练集、测试集；随机森林分类器中决策树的个数定义为 500，通过有放回的采样训练n个学习器，由此产生 n 个预测结果，通过投票法确定最终的预测结果，即统计出所有 n 个学习器的预测结果，分类结果数量较多的结构确定为最终预测结果；随机森林分类器的训练过程如下所示：
输入数据：X 为候选特征集 C2，Y 为分类标签向量，训练过程：
(1) 将 X 分为训练集和测试集两部分；
(2) 在训练集上有放回的采样 n 次，生成 n 个数据集合；
(3) 使用决策树算法分别将 n 个数据集训练成 n 个决策树模型；
(4) 将数据分别输入 n 个决策树模型中进行预测分析；
(5) 统计 n 个决策树的预测结果；
输出结果：分类模型在测试集上的精确度。
4）K 近邻模型训练：
K近邻回归模型在训练过程中无需训练参数，而是参考统计排序后 K 个相关系数最近训练数据的标签数量，也即在 K 近邻预测模型训练的过程中，根据输入的测试集的特征数据，计算其特征值与训练集中特征值接近的 K 个样本的距离，根据这些样本的类型将输入的新的数据归类为 K 中多数的类别，由于 K 值的设定对结果有很大的影响，因此采用交叉验证的方法来选择最优 K 值，K 近邻分类器的训练过程如下所示：
输入数据：X 为候选特征集 C2，Y 为分类标签向量；
训练过程：
(1) 将 X 分为训练集和测试集两部分；
(2) 循环将交叉验证的验证集数据输入到训练数据集上；
(3) 计算出训练集上与验证集上的特征相似度；
(4) 选择出 k 个相似度较高的实例数据；
(5) 统计 k 个实例数据的分类标签；
输出结果：分类模型在测试集上的精确度。
5）支持向量机模型训练：
使用支持向量机（SVM）来构建脑胶质瘤分级的预测模型时，使用的数据集按照时间轴将患者数据分为训练集、测试集；在支持向量机分类模型训练过程中，本文为了选择出最好的分类效果，采用不同的惩罚项和不同的核函数以进行重复训练，直至筛查最好的组合，由于参数惩罚项 cost 代表的是 SVM 预测模型对错误分类的容忍度，模型的误差率与cost 的值成反比，但是如果误差太小，训练的预测模型容易产生过拟合，误差太大影响预测的精确度，因此使用 cost 的参数范围为[0.1,1],每次循环的步长为 0.01，支持向量机分类器的训练过程如下所示：
输入数据：X 为候选特征集 C2，Y 为分类标签向量；训练过程：
(1) 将 X 分为训练集和测试集两部分；
(2) 循环不同的核函数；
(3) 在每次选择的核函数之内循环不同的 cost 值；
(4) 选择出精确度最高的预测模型；
输出结果：分类模型在测试集上的精确度。
经过以上四个分类器的训练，最终得出了 31 组预测分类模型，每组分别包含Logistic 回归算法、随机森林算法、K 近邻算法和支持向量机算法这四 个分类器所训练的预测模型，整个实验流程的伪代码如下所示：
输入: 影像特征集(F1 和 F2)；
输出: 具有最好预测精度的预测模型和特征集。
以上所述，仅是本发明的较佳实施例，并非对本发明的技术范围作任何限制，本行业的技术人员，在本技术方案的启迪下，可以做出一些变形与修改，凡是依据本发明的技术实质对以上的实施例所作的任何修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (8)
1.一种肿瘤放疗后正常组织器官并发症预测模型的建立方法，其特征在于，所述的建立方法主要包括以下步骤：
S1、获取数个放疗患者在X个时期的Y种模态影像数据，以及获取放疗患者在放疗后的危及器官并发症出现与否、出现种类、出现时间的信息，建立多模态影像数据库；多模态影像数据包括诊断CT、模拟定位CT、不同序列多参数MR影像、PET/CT、B超影像、CBCT影像及常规X线影像数据；
S2、从多模态影像数据库中，采用分割方法提取肿瘤靶区附近的危及器官的影像数据；
S3、根据分割提取的影像数据获得危及器官的影像分割结果，按照放疗阶段规划提取时间提取危及器官的影像组学特征，然后在多模态影像数据库内进行正常器官影像数据的特征提取；
S4、根据危及器官的影像分割结果，提取危及器官的影像表型特征的参数在至少两个不同时期的变化量；
S5、分析影像组学特征；
S6、从放疗患者的放射治疗计划中提取危及器官的受照剂量的参数；
S7、收集放疗患者的临床基线特征、放疗剂量学特征和影像组学特征，并分为训练集和验证集，将训练集用于模型构建，将验证集用于验证模型的准确性；最后进行特征提取，提取影像组学标签，并用于模型构建；
S8、进行特征选择以去除冗余信息；
S9、特征预测性能验证。
2.根据权利要求1所述的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，其特征在于，所述步骤S3规划的提取时间为放疗过程和/或化疗开始前、结束后以及结束后的第n个月、n+1个月、n+2个月直至第m个月，其中第m个月为放化疗后危及器官并发症的潜伏期。
3.根据权利要求1所述的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，其特征在于，所述步骤S4中不同时期的变化量可以为治疗前对比治疗结束时的变化量、治疗前对比治疗结束后第n个月的变化量、治疗前对比治疗结束后第m个月的变化量，治疗结束时对比治疗结束后第m个月的变化量。
4.根据权利要求1所述的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，其特征在于，所述步骤S5的影像组学特征包括灰度特征、纹理特征和小波特征。
5.根据权利要求1所述的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，其特征在于，所述步骤S6中提取的受照剂量的参数可以为最大剂量、平均剂量、受照剂量体积或器官体积接受的最大剂量。
6.根据权利要求1所述的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，其特征在于，所述的步骤S7还包括：
1）进行放疗患者的正常器官放疗剂量学特征参数的提取；
2）收集放疗患者年龄、性别、病理组织学、TNM分期、治疗方式，进行放疗患者的临床基线特征的提取；
3）收集放疗患者在放疗后指定时期内危及器官并发症出现与否及其程度，进行对危及器官并发症发病率及其严重程度分级的收集；
4）完成放疗患者临床基线特征、放疗剂量学特征的提取收集后，将放疗患者分组，分为训练集和验证集，其中训练集用于模型构建，验证集用于验证模型的准确性；
5）进行全部特征的提取，即提取影像组学特征，用于模型构建。
7.根据权利要求1所述的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，其特征在于，所述步骤S8还包括特征去冗余方法，所述方法包括以下步骤：1）采用聚类算法K-means 作为特征去冗余的算法；2）采用循环多个 K 值计算、多次计算去均值的方法进行最优聚类结果的选择，得到聚类特征集；3）每个特征集中含有 K 个簇，在每个簇中每一类中选出代表性影像特征，去除其余特征以降低特征冗余；4）筛选出预测精度最高的特征为本簇内的种子特征；5）计算簇内其余特征与种子特征之间的相关系数，经过筛选后得出最终特征集。
8.根据权利要求1所述的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，其特征在于，所述步骤S9还包括特征预测性能验证方法，所述验证方法包括步骤：依次选用Logistic 回归分类器、 随机森林分类器、K 近邻分类器和支持向量机分类器作为模型训练分类器，进行验证选出特征集预测性能，并输出分类模型在测试集上的精确度结果以及最高预测精度的预测模型和特征集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910902822.1A CN110604550B (zh) | 2019-09-24 | 2019-09-24 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910902822.1A CN110604550B (zh) | 2019-09-24 | 2019-09-24 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110604550A CN110604550A (zh) | 2019-12-24 |
| CN110604550B true CN110604550B (zh) | 2022-06-21 |
Family
ID=68892006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910902822.1A Active CN110604550B (zh) | 2019-09-24 | 2019-09-24 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110604550B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111968742A (zh) * | 2020-08-14 | 2020-11-20 | 上海市肺科医院 | 一种肺癌基因突变的跨模态预测系统及方法 |
| 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 |
| CN112450878A (zh) * | 2020-10-16 | 2021-03-09 | 中国人民解放军63919部队 | 睡眠检测方法、系统及存储介质 |
| CN113139568B (zh) * | 2021-02-22 | 2022-05-10 | 杭州深睿博联科技有限公司 | 一种基于主动学习的类别预测模型建模方法及装置 |
| CN113499091B (zh) * | 2021-08-19 | 2023-08-15 | 四川大学华西医院 | 一种患者体表和体内肿瘤运动相关性及肿瘤内部动度的预测方法和系统 |
| CN115100155A (zh) * | 2022-07-01 | 2022-09-23 | 广州医科大学附属肿瘤医院 | 放射性肺炎预测模型的建立方法与系统 |
| CN117524502B (zh) * | 2024-01-04 | 2024-03-22 | 安徽大学 | 一种基于模式挖掘的调强放射治疗多目标射束优化方法 |
| CN117690551A (zh) * | 2024-02-04 | 2024-03-12 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于等剂量线的并发症发生概率确定装置及电子设备 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2290071C2 (ru) * | 2005-02-16 | 2006-12-27 | Государственное образовательное учреждение высшего профессионального образования "Челябинская государственная медицинская академия" Министерства здравоохранения России | Способ прогнозирования вероятности ранних и поздних лучевых осложнений при брахитерапии увеальной меланомы |
| FR2934698B1 (fr) * | 2008-08-01 | 2011-11-18 | Commissariat Energie Atomique | Procede de prediction pour le pronostic ou le diagnostic ou la reponse therapeutique d'une maladie et notamment du cancer de la prostate et dispositif permettant la mise en oeuvre du procede. |
| PL2976645T3 (pl) * | 2013-03-20 | 2017-12-29 | Koninklijke Philips N.V. | Wsparcie decyzji klinicznej (cds) dla radioterapii raka prostaty |
| CN103394167B (zh) * | 2013-08-01 | 2016-04-27 | 山东省肿瘤医院 | 一种基于生物效应剂量的肿瘤放射治疗并发症的预测方法 |
| WO2015176011A1 (en) * | 2014-05-15 | 2015-11-19 | The Johns Hopkins University | Method, system and computer-readable media for treatment plan risk analysis |
| UA95483U (ru) * | 2014-07-07 | 2014-12-25 | Державна Установа "Інститут Медичної Радіології Ім. С.П. Григор'Єва Національної Академії Медичних Наук України" | Способ ранней диагностики кардиальных осложнений лучевой терапии у больных раком легкого |
| CN106169028B (zh) * | 2016-07-05 | 2020-11-03 | 西南医科大学附属医院 | 调强放疗中构建危及器官吸收剂量预测系统 |
| CN106730412A (zh) * | 2016-12-23 | 2017-05-31 | 北京精诚聚信科技发展有限公司 | 放疗同质化方法及平台 |
| TWI637187B (zh) * | 2017-09-19 | 2018-10-01 | 臺北榮民總醫院 | 磁共振影像的分析方法及評估放射治療風險的方法 |
| CN109671499B (zh) * | 2018-10-22 | 2023-06-13 | 南方医科大学 | 一种直肠毒性预测系统构建方法 |
| CN109859817B (zh) * | 2019-04-01 | 2022-12-09 | 安徽大学 | 食管放射治疗计划中风险器官剂量学评估方法、评估系统 |
-
2019
- 2019-09-24 CN CN201910902822.1A patent/CN110604550B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110604550A (zh) | 2019-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110604550B (zh) | 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 | |
| US11416716B2 (en) | System and method for automatic assessment of cancer | |
| US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
| Sahu et al. | FINE_DENSEIGANET: Automatic medical image classification in chest CT scan using Hybrid Deep Learning Framework | |
| Son et al. | TW3-based fully automated bone age assessment system using deep neural networks | |
| CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
| de Pinho Pinheiro et al. | Detection and classification of pulmonary nodules using deep learning and swarm intelligence | |
| CN110840468B (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
| CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
| CN112365980B (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
| CN110956626B (zh) | 一种基于图像的预后评估方法及装置 | |
| Obulesu et al. | [Retracted] Adaptive Diagnosis of Lung Cancer by Deep Learning Classification Using Wilcoxon Gain and Generator | |
| Shahajad et al. | Features extraction for classification of brain tumor MRI images using support vector machine | |
| CN112508902B (zh) | 白质高信号分级方法、电子设备及存储介质 | |
| CN112614126A (zh) | 基于机器学习的磁共振图像脑区划分方法、系统和装置 | |
| Bansal et al. | An improved hybrid classification of brain tumor MRI images based on conglomeration feature extraction techniques | |
| CN109214388B (zh) | 一种基于个性化融合网络的肿瘤分割方法及装置 | |
| Bouguerra et al. | Brain Tumor Classification Based Deep Transfer Learning Approaches | |
| Kumar et al. | Prediction of Lung Cancer Using Machine Learning Technique: A Survey | |
| Jabbar et al. | Deep learning based classification of wrist cracks from X-ray imaging | |
| CN111192244B (zh) | 一种基于关键点确定舌部特征的方法及系统 | |
| Xu et al. | Unsupervised profiling of microglial arbor morphologies and distribution using a nonparametric Bayesian approach | |
| Vijayadeep et al. | A hybrid feature extraction based optimized random forest learning model for brain stroke prediction | |
| Srimathi et al. | Threshold based stochastic regression model with gabor filter for segmentation and random forest classification of lung cancer | |
| Indraswari et al. | Brain tumor detection on magnetic resonance imaging (MRI) images using convolutional neural network (CNN) |
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 |