CN110930402A - 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法 - Google Patents
一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法 Download PDFInfo
- Publication number
- CN110930402A CN110930402A CN201911269281.XA CN201911269281A CN110930402A CN 110930402 A CN110930402 A CN 110930402A CN 201911269281 A CN201911269281 A CN 201911269281A CN 110930402 A CN110930402 A CN 110930402A
- Authority
- CN
- China
- Prior art keywords
- endometrial cancer
- dki
- sequence
- image
- value
- 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
- 206010014759 Endometrial neoplasm Diseases 0.000 title claims abstract description 62
- 206010014733 Endometrial cancer Diseases 0.000 title claims abstract description 61
- 238000003384 imaging method Methods 0.000 title claims abstract description 20
- 238000003672 processing method Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000008030 elimination Effects 0.000 claims abstract description 7
- 238000003379 elimination reaction Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000012352 Spearman correlation analysis Methods 0.000 claims description 3
- 238000000546 chi-square test Methods 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 201000003914 endometrial carcinoma Diseases 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 208000017497 prostate disease Diseases 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 235000012149 noodles Nutrition 0.000 claims 1
- 230000001575 pathological effect Effects 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 6
- 238000007794 visualization technique Methods 0.000 abstract description 3
- 206010028980 Neoplasm Diseases 0.000 description 13
- 201000011510 cancer Diseases 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 208000030808 Clear cell renal carcinoma Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 206010073251 clear cell renal cell carcinoma Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000005002 female reproductive tract Anatomy 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012633 nuclear imaging Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于子宫内膜癌的DKI序列MK图的影像组学特征处理方法,包括:收集子宫内膜癌DKI序列MK样本图像,并对其进行感兴趣区域勾画,提取感兴趣区域的图像特征;对提取的图像特征进行哑变量处理,生成一个取值为0或1的哑变量特征;计算Spearman相关系数以0.95为阈值去除高相关性特征,再使用支持向量机递归特征消除方法进行特征选择;构建Bagging分类器模型,采用ROC方法对模型进行评价。本发明对影像组学特征进行哑变量处理后模型的效果较优,具有较高的准确性,将高通量的影像组学特征与子宫内膜癌病理分型信息相关联,为术前判定子宫内膜癌病理分型提供一种基于放射影像组学特征的非侵袭性的可视化方法。
Description
技术领域
本发明涉及影像医学与核医学、影像组学技术领域,具体而言,尤其涉及一种能谱CT增强碘水图影像组学术前预测肾透明细胞癌WHO/ISUP分级方法。
背景技术
子宫内膜癌是常见的女性生殖道恶性肿瘤,不同病理学类型的内膜癌生物学行为不同,低风险型内膜癌(I型癌G1、G2级)因侵袭性弱而较少存在肿瘤淋巴管间隙浸润(lymphvascular space invasion,LVSI),而高风险型内膜癌(II型癌、I型癌G3级)常侵及深肌层且广泛存在LVSI。LVSI是导致子宫内膜癌复发、影响预后及治疗方案制定的重要因素。术前诊断性刮宫取材有限,往往影响病理类型判定的准确性,因此术前通过影像学方法评估子宫内膜癌病理风险分型尤为重要。弥散峰度成像(diffusion kurtosis imaging,DKI)为MR功能成像,可更为精准的反映组织内水分子的非高斯分布弥散状态以及组织微观结构的变化,目前已应用于肝脏、肾脏、前列腺、直肠等腹部器官。本团队前期研究发现,DKI作为MR非增强功能成像序列,可提供多个有效鉴别不同病理类型子宫内膜癌的定量参数,但该研究感兴趣区的放置仅仅在病灶实质区,忽略了病灶的空间异质性。影像组学分析是基于像素强度和空间分布特点,定量描述了组织异质性。
子宫内膜癌病理学风险分型与其疗效及预后密切相关。目前,术前评估子宫内膜癌病理风险分型主要依赖于诊断性刮宫,而肿瘤异质性限制了该样本的有效性,因为小组织样本不可能代表整个肿瘤。影像检查能够直观地涵盖整个肿块的信息,避免了因肿瘤异质性造成的差异。它还可以观察肿瘤外周区域,而这些区域通常不能通过外科手术切除,很难获取其病理信息。
发明内容
根据上述提出的技术问题,而提供一种基于子宫内膜癌的DKI序列MK图的影像组学特征处理方法。本发明将高通量的影像组学特征与子宫内膜癌病理分型信息相关联,为术前判定子宫内膜癌病理分型提供一种基于放射影像组学特征的非侵袭性的可视化方法。
本发明采用的技术手段如下:
一种基于子宫内膜癌的DKI序列MK图的影像组学特征处理方法,包括如下步骤:
S1、收集子宫内膜癌DKI序列MK样本图像,包括高风险型子宫内膜癌DKI序列MK图像和低风险型子宫内膜癌DKI序列MK图像;
S2、对所述子宫内膜癌DKI序列MK样本图像进行感兴趣区域勾画,提取区域内的图像特征;
S3、对所述步骤S2中提取的图像特征进行哑变量处理,生成一个取值为0或1的哑变量特征;
S4、计算Spearman相关系数以0.95为阈值去除高相关性特征,再使用支持向量机递归特征消除方法进行特征选择;
S5、构建Bagging分类器模型,采用ROC方法对模型进行评价。
进一步地,所述步骤S3中的哑变量处理过程具体为:
S31、假设所述子宫内膜癌DKI序列MK样本图像的数量为n,所述高风险型子宫内膜癌DKI序列MK图像的数量为n1,低风险型子宫内膜癌DKI序列MK图像的数量为n2,提取的图像特征为p;
S32、对p中的n个取值p1,...,pn进行由小至大排序,得到q1,...,qn;
S33、设置普通阈值cutoffi,且令cutoffi=qi;对qi进行离散化,令大于cutoffi的取值为1;反之,小于cutoffi的取值为0,得到新特征p’;
S34、将所述子宫内膜癌DKI序列MK样本图像的类别与新特征相匹配,得到混淆矩阵Ti;其中,高风险型子宫内膜癌DKI序列MK图像的类别为1类,低风险型子宫内膜癌DKI序列MK图像的类别为0类;
S35、根据混淆矩阵Ti,计算出与其对应的敏感度sensitivityi、特异度specificityi以及和值senspei,且令:和值=敏感度+特异度;
S36、计算所有和值中的最大值,即senspek=maxsenspei,得出对应的k值、混合矩阵Tk、cutoffk、sensitivityk、specificityk以及取值为0或1的哑变量特征qk。
进一步地,所述步骤S4的具体过程如下:
S41、采用相关性分析方法降低特征之间的冗余性,引用Spearman相关性分析,计算相关性系数corxy,当|corxy|≥0.95时,剔除卡方检验p值较大特征;所述计算相关性系数corxy的公式如下:
其中,number of concordant pairs表示在混淆矩阵Tk中主对角线的和;numberof disconcordant pairs表示在混淆矩阵Tk中副对角线的和;
S42、采用支持向量机递归特征消除法对影像组学特征进行筛选;具体如下:
S421、假设前列腺疾病的磁共振扩散加权样本图像数据集为:
T={(x1,y1),(x1,y1),...,(xi,yi),...,(xn,yn)}
其中,xi∈RD,yi∈{-1,+1},n为样本量,xi为第i个样本,D为影像组学特征数,S={1,2,...,D}为原始特征集合,SVM模型的切分面为:
ω·x+b=0
其中,ω为法向量,b为截距;
S422、优化SVM模型:
s.t.yi(ω·xi+b)≥1-ξi,i=1,2,...,n
ξi≥0,i=1,2,...,n
其中,C为惩罚参数,b为截距,ξi为松弛变量;
S423、将原始问题转化为对偶问题:
0≤αi≤C,i=1,2,...,n
其中,αi为拉格朗日乘子,解出:
第i个影像组学特征的排序准则得分的定义为:
S424、循环执行ci过程直到S为空集,再找出排序最小的组学特征p=argminkck后,更新特征集R={p,R},在原始特征集合中删去该特征p,剩下的S`=S/p即为新的特征集合。
进一步地,所述步骤S5的具体过程如下:
S51、Bagging分类器默认以决策树作为底层模型,对子宫内膜癌DKI序列MK总体样本进行有放回抽样Bootstrap,执行k次后生成k个子样本集;
S52、对上述每一个子样本集进行模型训练,将各个子模型同等权重组合形成最终分类器;
S53、采用ROC方法进行模型评价,得出AUC值。
较现有技术相比,本发明具有以下优点:
1、本发明提供的基于子宫内膜癌的DKI序列MK图的影像组学特征处理方法,将高通量的影像组学特征与子宫内膜癌病理分型信息相关联,为术前判定子宫内膜癌病理分型提供一种基于放射影像组学特征的非侵袭性的可视化方法。
2、本发明提供的基于子宫内膜癌的DKI序列MK图的影像组学特征处理方法,对影像组学特征进行哑变量处理后模型的效果较优,具有较高的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
图2为本发明实施例提供的Bagging分类器流程图。
图3为本发明实施例提供的ROC曲线图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例
如图1所示,本发明提供了一种基于子宫内膜癌的DKI序列MK图的影像组学特征处理方法,包括如下步骤:
S1、收集子宫内膜癌DKI序列MK样本图像,包括高风险型子宫内膜癌DKI序列MK图像和低风险型子宫内膜癌DKI序列MK图像;
S2、对所述子宫内膜癌DKI序列MK样本图像进行感兴趣区域勾画,提取区域内的图像特征;
S3、对所述步骤S2中提取的图像特征进行哑变量处理,生成一个取值为0或1的哑变量特征;
进一步地,作为本发明优选的实施方式
所述步骤S3中的哑变量处理过程具体为:
S31、假设所述子宫内膜癌DKI序列MK样本图像的数量为n,所述高风险型子宫内膜癌DKI序列MK图像的数量为n1,低风险型子宫内膜癌DKI序列MK图像的数量为n2,提取的图像特征为p;
S32、对p中的n个取值p1,...,pn进行由小至大排序,得到q1,...,qn;
S33、设置普通阈值cutoffi,且令cutoffi=qi;对qi进行离散化,令大于cutoffi的取值为1;反之,小于cutoffi的取值为0,得到新特征p’;
S34、将所述子宫内膜癌DKI序列MK样本图像的类别与新特征相匹配,得到混淆矩阵Ti;其中,高风险型子宫内膜癌DKI序列MK图像的类别为1类,低风险型子宫内膜癌DKI序列MK图像的类别为0类;
S35、根据混淆矩阵Ti,计算出与其对应的敏感度sensitivityi、特异度specificityi以及和值senspei,且令:和值=敏感度+特异度;
S36、计算所有和值中的最大值,即senspek=maxsenspei,得出对应的k值、混合矩阵Tk、cutoffk、sensitivityk、specificityk以及取值为0或1的哑变量特征qk。
S4、计算Spearman相关系数以0.95为阈值去除高相关性特征,再使用支持向量机递归特征消除方法进行特征选择;
进一步地,作为本发明优选的实施方式
步骤S4的具体过程如下:
S41、采用相关性分析方法降低特征之间的冗余性,引用Spearman相关性分析,计算相关性系数corxy,当|corxy|≥0.95时,剔除卡方检验p值较大特征;所述计算相关性系数corxy的公式如下:
其中,number of concordant pairs表示在混淆矩阵Tk中主对角线的和;numberofdisconcordant pairs表示在混淆矩阵Tk中副对角线的和;
S42、采用支持向量机递归特征消除法对影像组学特征进行筛选;具体如下:
S421、假设前列腺疾病的磁共振扩散加权样本图像数据集为:
T={(x1,y1),(x1,y1),...,(xi,yi),...,(xn,yn)}
其中,xi∈RD,yi∈{-1,+1},n为样本量,xi为第i个样本,D为影像组学特征数,S={1,2,...,D}为原始特征集合,SVM模型的切分面为:
ω·x+b=0
其中,ω为法向量,b为截距;
S422、优化SVM模型:
s.t.yi(ω·xi+b)≥1-ξi,i=1,2,...,n
ξi≥0,i=1,2,...,n
其中,C为惩罚参数,b为截距,ξi为松弛变量;
S423、将原始问题转化为对偶问题:
0≤αi≤C,i=1,2,...,n
其中,αi为拉格朗日乘子,解出:
第i个影像组学特征的排序准则得分的定义为:
S424、循环执行ci过程直到S为空集,再找出排序最小的组学特征p=argminkck后,更新特征集R={p,R},在原始特征集合中删去该特征p,剩下的S`=S/p即为新的特征集合。
S5、构建Bagging分类器模型,采用ROC方法对模型进行评价。
进一步地,作为本发明优选的实施方式
如图2所示,步骤S5的具体过程如下:
S51、Bagging分类器默认以决策树作为底层模型,对子宫内膜癌DKI序列MK总体样本进行有放回抽样Bootstrap,执行k次后生成k个子样本集;
S52、对上述每一个子样本集进行模型训练,将各个子模型同等权重组合形成最终分类器;
S53、采用ROC方法进行模型评价,得出AUC值。随后采用DeLong’s test对ROC进行显著性检验以评价AUC统计学意义。如图3所示,为本实施例提供的ROC曲线图,进而得出ROC曲线下面积AUC值;与表1ROC曲线下AUC值及其诊断效果做对比。
表1 ROC曲线下AUC值及其诊断效果
研究的结论为对影像组学特征进行哑变量化后模型的效果较优,具有较高的准确性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (4)
1.一种基于子宫内膜癌的DKI序列MK图的影像组学特征处理方法,其特征在于,包括如下步骤:
S1、收集子宫内膜癌DKI序列MK样本图像,包括高风险型子宫内膜癌DKI序列MK图像和低风险型子宫内膜癌DKI序列MK图像;
S2、对所述子宫内膜癌DKI序列MK样本图像进行感兴趣区域勾画,提取区域内的图像特征;
S3、对所述步骤S2中提取的图像特征进行哑变量处理,生成一个取值为0或1的哑变量特征;
S4、计算Spearman相关系数以0.95为阈值去除高相关性特征,再使用支持向量机递归特征消除方法进行特征选择;
S5、构建Bagging分类器模型,采用ROC方法对模型进行评价。
2.根据权利要求1所述的基于子宫内膜癌的DKI序列MK图的影像组学特征处理方法,其特征在于,所述步骤S3中的哑变量处理过程具体为:
S31、假设所述子宫内膜癌DKI序列MK样本图像的数量为n,所述高风险型子宫内膜癌DKI序列MK图像的数量为n1,低风险型子宫内膜癌DKI序列MK图像的数量为n2,提取的图像特征为p;
S32、对p中的n个取值p1,...,pn进行由小至大排序,得到q1,...,qn;
S33、设置普通阈值cutoffi,且令cutoffi=qi;对qi进行离散化,令大于cutoffi的取值为1;反之,小于cutoffi的取值为0,得到新特征p’;
S34、将所述子宫内膜癌DKI序列MK样本图像的类别与新特征相匹配,得到混淆矩阵Ti;其中,高风险型子宫内膜癌DKI序列MK图像的类别为1类,低风险型子宫内膜癌DKI序列MK图像的类别为0类;
S35、根据混淆矩阵Ti,计算出与其对应的敏感度sensitivityi、特异度specificityi以及和值senspei,且令:和值=敏感度+特异度;
S36、计算所有和值中的最大值,即senspek=max senspei,得出对应的k值、混合矩阵Tk、cutoffk、sensitivityk、specificityk以及取值为0或1的哑变量特征qk。
3.根据权利要求1或2所述的基于子宫内膜癌的DKI序列MK图的影像组学特征处理方法,其特征在于,所述步骤S4的具体过程如下:
S41、采用相关性分析方法降低特征之间的冗余性,引用Spearman相关性分析,计算相关性系数corxy,当|corxy|≥0.95时,剔除卡方检验p值较大特征;所述计算相关性系数corxy的公式如下:
其中,number of concordant pairs表示在混淆矩阵Tk中主对角线的和;number ofdisconcordant pairs表示在混淆矩阵Tk中副对角线的和;
S42、采用支持向量机递归特征消除法对影像组学特征进行筛选;具体如下:
S421、假设前列腺疾病的磁共振扩散加权样本图像数据集为:
T={(x1,y1),(x1,y1),...,(xi,yi),...,(xn,yn)}
其中,xi∈RD,yi∈{-1,+1},n为样本量,xi为第i个样本,D为影像组学特征数,S={1,2,...,D}为原始特征集合,SVM模型的切分面为:
ω·x+b=0
其中,ω为法向量,b为截距;
S422、优化SVM模型:
s.t.yi(ω·xi+b)≥1-ξi,i=1,2,...,n
ξi≥0,i=1,2,...,n
其中,C为惩罚参数,b为截距,ξi为松弛变量;
S423、将原始问题转化为对偶问题:
0≤αi≤C,i=1,2,...,n
其中,αi为拉格朗日乘子,解出:
第i个影像组学特征的排序准则得分的定义为:
S424、循环执行ci过程直到S为空集,再找出排序最小的组学特征p=arg min kck后,更新特征集R={p,R},在原始特征集合中删去该特征p,剩下的S`=S/p即为新的特征集合。
4.根据权利要求1所述的基于子宫内膜癌的DKI序列MK图的影像组学特征处理方法,其特征在于,所述步骤S5的具体过程如下:
S51、Bagging分类器默认以决策树作为底层模型,对子宫内膜癌DKI序列MK总体样本进行有放回抽样Bootstrap,执行k次后生成k个子样本集;
S52、对上述每一个子样本集进行模型训练,将各个子模型同等权重组合形成最终分类器;
S53、采用ROC方法进行模型评价,得出AUC值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911269281.XA CN110930402B (zh) | 2019-12-11 | 2019-12-11 | 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911269281.XA CN110930402B (zh) | 2019-12-11 | 2019-12-11 | 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110930402A true CN110930402A (zh) | 2020-03-27 |
CN110930402B CN110930402B (zh) | 2023-11-07 |
Family
ID=69860063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911269281.XA Active CN110930402B (zh) | 2019-12-11 | 2019-12-11 | 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930402B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111554381A (zh) * | 2020-04-23 | 2020-08-18 | 上海市第一人民医院 | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 |
CN116030983A (zh) * | 2023-03-29 | 2023-04-28 | 鲁东大学 | 一种基于机器学习的子宫内膜癌组织学等级预测方法 |
CN116230215A (zh) * | 2023-05-08 | 2023-06-06 | 中国医学科学院北京协和医院 | 一种卵巢透明细胞癌预测的设备、系统及可存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN106248945A (zh) * | 2016-08-02 | 2016-12-21 | 冯骥良 | 对肝细胞癌患者进行肝细胞癌根治切除术预后情况分组的方法、系统以及试剂盒 |
CN109658411A (zh) * | 2019-01-21 | 2019-04-19 | 杭州英库医疗科技有限公司 | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 |
CN109949268A (zh) * | 2019-01-24 | 2019-06-28 | 郑州大学第一附属医院 | 一种基于机器学习的肝细胞癌分化水平分级方法 |
US20190247000A1 (en) * | 2018-02-14 | 2019-08-15 | China Medical University Hospital | Prediction Model For Grouping Hepatocellular Carcinoma, Prediction System Thereof, And Method For Determining Hepatocellular Carcinoma Group |
-
2019
- 2019-12-11 CN CN201911269281.XA patent/CN110930402B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN106248945A (zh) * | 2016-08-02 | 2016-12-21 | 冯骥良 | 对肝细胞癌患者进行肝细胞癌根治切除术预后情况分组的方法、系统以及试剂盒 |
US20190247000A1 (en) * | 2018-02-14 | 2019-08-15 | China Medical University Hospital | Prediction Model For Grouping Hepatocellular Carcinoma, Prediction System Thereof, And Method For Determining Hepatocellular Carcinoma Group |
CN109658411A (zh) * | 2019-01-21 | 2019-04-19 | 杭州英库医疗科技有限公司 | 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法 |
CN109949268A (zh) * | 2019-01-24 | 2019-06-28 | 郑州大学第一附属医院 | 一种基于机器学习的肝细胞癌分化水平分级方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111554381A (zh) * | 2020-04-23 | 2020-08-18 | 上海市第一人民医院 | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 |
CN116030983A (zh) * | 2023-03-29 | 2023-04-28 | 鲁东大学 | 一种基于机器学习的子宫内膜癌组织学等级预测方法 |
CN116230215A (zh) * | 2023-05-08 | 2023-06-06 | 中国医学科学院北京协和医院 | 一种卵巢透明细胞癌预测的设备、系统及可存储介质 |
CN116230215B (zh) * | 2023-05-08 | 2023-08-18 | 中国医学科学院北京协和医院 | 一种卵巢透明细胞癌预测的设备、系统及可存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110930402B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Multiparametric MRI and radiomics in prostate cancer: a review | |
CN110930402A (zh) | 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法 | |
CN107133638B (zh) | 基于两分类器的多参数mri前列腺癌cad方法及系统 | |
Mao et al. | Intratumoral and peritumoral radiomics for preoperative prediction of neoadjuvant chemotherapy effect in breast cancer based on contrast-enhanced spectral mammography | |
CN110916666B (zh) | 一种预测手术切除肝细胞癌复发的影像组学特征处理方法 | |
Abbaspour et al. | Endorectal ultrasound radiomics in locally advanced rectal cancer patients: despeckling and radiotherapy response prediction using machine learning | |
Lin et al. | Deep learning-based hepatocellular carcinoma histopathology image classification: accuracy versus training dataset size | |
Diao et al. | Weakly supervised framework for cancer region detection of hepatocellular carcinoma in whole-slide pathologic images based on multiscale attention convolutional neural network | |
Wang et al. | Radiomic model for determining the value of elasticity and grayscale ultrasound diagnoses for predicting BRAFV600E mutations in papillary thyroid carcinoma | |
You et al. | Performances of whole tumor texture analysis based on MRI: predicting preoperative T stage of rectal carcinomas | |
Wu et al. | Integration of ultrasound radiomics features and clinical factors: A nomogram model for identifying the Ki-67 status in patients with breast carcinoma | |
Zhu et al. | Prediction of Ki‐67 of invasive ductal breast cancer based on ultrasound radiomics nomogram | |
Jiang et al. | Classification of benign and malignant breast cancer based on DWI texture features | |
Mudeng et al. | Domain and histopathology adaptations–based classification for malignancy grading system | |
Ahmed et al. | Detection of uterine fibroids in medical images using deep neural networks | |
CN114445374A (zh) | 一种基于扩散峰度成像mk图的图像特征处理方法及系统 | |
Singanamalli et al. | Identifying in vivo DCE MRI parameters correlated with ex vivo quantitative microvessel architecture: A radiohistomorphometric approach | |
CN110930401B (zh) | 一种能谱ct增强碘水图影像组学术前预测肾透明细胞癌who/isup分级方法 | |
Sun et al. | Prognostic Nomogram for Gastrointestinal Stromal Tumors after Surgery Based on the SEER Database | |
Batohi et al. | Comparison of MRI and digital breast tomosynthesis in the preoperative evaluation of multifocal breast cancer | |
CN110916665B (zh) | 一种磁共振扩散加权图像影像组学特征处理方法 | |
Aguado-Sarrió et al. | Virtual biopsies for breast cancer using MCR-ALS perfusion-based biomarkers and double cross-validation PLS-DA | |
Bhola et al. | Impact of index of multiple deprivation and ethnicity on breast screening uptake in the North West of England | |
Zhang et al. | Radiomic nomogram based on bi-parametric magnetic resonance imaging to predict the International Society of Urological Pathology grading≥ 3 prostate cancer: a multicenter study | |
Tennant et al. | Contrast-enhanced spectral mammography: what is the'added value'in a symptomatic setting? Initial findings from a UK centre |
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 |