CN111242174B - 一种基于影像组学的肝癌图像特征提取与病理分类方法 - Google Patents

一种基于影像组学的肝癌图像特征提取与病理分类方法 Download PDF

Info

Publication number
CN111242174B
CN111242174B CN201911417817.8A CN201911417817A CN111242174B CN 111242174 B CN111242174 B CN 111242174B CN 201911417817 A CN201911417817 A CN 201911417817A CN 111242174 B CN111242174 B CN 111242174B
Authority
CN
China
Prior art keywords
image
liver cancer
feature
representing
matrix
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
CN201911417817.8A
Other languages
English (en)
Other versions
CN111242174A (zh
Inventor
丁勇
阮世健
邵嘉源
丁越雷
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201911417817.8A priority Critical patent/CN111242174B/zh
Publication of CN111242174A publication Critical patent/CN111242174A/zh
Application granted granted Critical
Publication of CN111242174B publication Critical patent/CN111242174B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于影像组学的肝癌图像特征提取与病理分类方法和装置。包括如下步骤：1)采集符合标准的病人临床图像，对收集的图像采用Growcut半自动分割方法实现对肝癌病灶区域的勾画；2)在分割出的病灶区域进行不同水平的影像组学特征提取；3)特征筛选，从过滤法开始，后采用过滤式的Boruta算法提炼出无冗余并与分类目标强相关的特征；4)结合病人的临床指标，经初步统计分析滤出显著无差异的特征，再融合影像组学特征进行下一步的Boruta筛选；5)利用最终筛选出的特征在随机森林上训练，得到分类标签，完成对肝癌病理分级的预测。本发明较临床上传统的活检方法具有非侵入的特点，更具安全稳定的优势，有望成为有效的临床术前评估工具。

Description

一种基于影像组学的肝癌图像特征提取与病理分类方法
技术领域
本发明属于医学图像处理技术领域，尤其涉及一种基于影像组学的肝癌图像特征提取与病理分类方法。
背景技术
肝癌是世界上癌症死亡的主要原因之一，在全球的肿瘤发病率和死亡率分别排第7位和第3位。中国占世界新发肝癌病例的50％，危害国民健康的同时给家庭和社会造成沉重的经济负担。根据肝癌的不同阶段进行个体化综合治疗，是提高疗效的关键。目前，判断肝癌分期的传统影响因素包括肿瘤大小、数目、肿瘤浸润深度等，并无法反映肿瘤的内在异质性，而肿瘤异质性决定了肿瘤的临床生物学行为和预后。肝癌的病理学分级可以通过活检获得，然而活检获得肿瘤标本进行肿瘤分级的准确性存在争议，并有肿瘤种植转移等风险。亟需一种非侵入式的虚拟的数字活检方法，影像组学有望成为解决手术前评价肝癌分化这一临床难题的有效工具。
近些年，荷兰学者Lambin提出了影像组学(Radiomics)的概念，将包含有大量的肿瘤病理生理改变信息的数字化的医学图像被转换成可供开发的高维度数据，通过定量的方法对这些信息数据进行分析，实现对肿瘤诊断、疗效和预后等因素的评估，以提高临床的决策能力。其不同于受到采样位置限制的侵入式活检方法，影像组学特征可以非侵入式地反映肿瘤内在异质性。以前的研究表明，来源于计算机断层扫描成像(CT)磁共振成像(MRI)的影像组学特征有助于其他癌症的病理分级识别，然而在肝癌病理分级方面的影像组学研究较少，对于术前肝癌的分化程度评价仍然是粗糙的。因此需要探索影像新技术和新方法以获得术前相对准确的肝癌病理分级预测模型。
发明内容
本发明公开了一种基于影像组学的术前肝癌病理分级模型。其目的是利用影像组学的技术，完成对肝癌病理分级模型的全流程设计，构建影像组学特征参与的预测模型，为肝癌的术前病理分级评价提供实用的评价方法，帮助实现肝癌患者的精准治疗。
本发明解决其技术问题所采用的技术方案如下：
步骤(1).将肝癌图像及其对应的病理分类标签作为训练数据集；
步骤(2).利用GrowCut算法对影像中的肝癌病灶区域进行半自动分割，提取肝癌病灶区域的影像；
步骤(3).对步骤(2)中分割出来的肝癌病灶区域进行影像组学特征的提取，所述的影像组学特征包括形态学特征、灰度统计特征、纹理特征和小波特征，得到影像组学特征集合X＝{X1,X2,...,Xi,...,Xn}，其中n表示特征向量的数量，Xi表示影像组学特征集合中的第i个特征向量，Xi＝{xi1,xi2,...,xik,...,xim}，xik表示Xi中的第i个元素，m表示Xi中的元素数量；
步骤(4).对步骤(3)中提取的影像组学特征进行筛选：
步骤(4.1).首先通过过滤法排除只有单一值的特征、方差小于预设阈值的特征、与病理分级无关的特征、以及冗余特征；
特征与病理分级的关系强度通过互信息计算来衡量，将互信息值低于预设阈值的特征称为与病理分级无关的特征，所述互信息的计算公式为：
Figure GDA0003716730840000021
其中，Xi表示影像组学特征集合中的第i个特征向量，Y表示标签，p(x,y)是X和Y的联合概率密度函数，p(x)和p(y)分别是X和Y的边缘概率密度函数；
所述的冗余特征为相关系数大于0.9的特征，相关系数的计算公式为：
Figure GDA0003716730840000022
其中，ρ为相关系数的计算结果，xik表示影像组学特征集合中的第i个特征向量中的第k个元素，xjk表示影像组学特征集合中的第j个特征向量中的第k个元素，
Figure GDA0003716730840000024
和
Figure GDA0003716730840000023
分别表示影像组学特征集合中的第i和第j个特征向量中的所有元素的均值；
步骤(4.2).采用Boruta算法对筛选后的影像组学特征进行二次筛选，步骤为：
a.将步骤(4.1)筛选后得到的特征矩阵X′随机打乱顺序，得到阴影特征矩阵Xs，将Xs拼接在X′后面，构成新的特征矩阵N＝[X′,Xs]；
b.将新的特征矩阵输入随机森林分类器，得到X′和Xs的Z分数；
c.将Z分数作为重要性度量，取Xs的Z分数的最大值MZSA，将X′中得分高于MZSA的特征记录一次命中；
d.根据累计命中次数，标记X′中特征重要或者不重要，
e.对于每个重要性未定的属性，执行与MZSA相等的双侧检验；
f.将标记为不重要的特征剔除，重复步骤a-e，直到所有的特征都被标记；
所述的重要性度量是通过对象之间属性值的随机排列导致分类准确性的损失来获得的，通过随机森林分类器得到精度损失的平均值和标准偏差，由平均损失除以其标准偏差计算得到Z分数；
步骤(5).获取肝癌病灶区域影像的临床指标特征，利用χ2检验和Kruskal-WallisH检验对临床指标特征进行筛选，剔除显著性水平P值大于0.01的临床指标特征；
步骤(6).将经过步骤(4)筛选得到的影像组学特征和经过步骤(5)筛选得到的临床指标特征进行融合，融合后的特征采用步骤(4.2)所述的Boruta算法进行最终的特征筛选，获得最终特征矩阵；将最终特征矩阵输入随机森林进行训练预测，获得最佳预测模型，最终映射为肝癌的病理分级结果；
步骤(7).获取待进行肝癌病理分级的临床CT影像，按照步骤(2)分割出肝癌病灶区域影像，从肝癌病灶区域影像中提取与步骤(6)所述最终特征矩阵中特征类别相同的特征作为待分级特征矩阵，将待分级特征矩阵输入到步骤(6)得到的最佳预测模型中，得到肝癌病理分级结果。
进一步的，本发明的提取的特征主要包括以下的几种类别：
A.形态学特征，代表肿瘤形状的相关特征，各个形态特征的计算公式为：
网格表面：
Figure GDA0003716730840000031
其中Oiai和Oibi是网格中第i个三角形的边，由顶点ai、bi和原点O构成。
像素表面：
Figure GDA0003716730840000032
通过将感兴趣区域中的像素数乘以单个像素Ak的表面积来近似感兴趣区域Apixel的表面积。
周长：
Figure GDA0003716730840000033
其中ai和bi是外围网格中第i条线的顶点。首先计算网格圆周中每条线的周长Pi。然后通过取所有计算出的子区域的总和来获得总周长P。
周长与表面积之比：
Figure GDA0003716730840000034
圆球度：
Figure GDA0003716730840000041
球形不规则度：
Figure GDA0003716730840000042
主轴长度：
Figure GDA0003716730840000043
λmajor表示对感兴趣区域像素中心的物理坐标执行主成分分析后的最大主成分值；主轴长度特征产生包围感兴趣区域的椭球的最大轴长，并且使用最大主成分λmajor来计算；
短轴长度：
Figure GDA0003716730840000044
λminor表示对感兴趣区域像素中心的物理坐标执行主成分分析后的最二大主成分值；短轴长度特征产生包围感兴趣区域的椭球的第二大轴长度，并且使用最二大主成分λminor来计算；
延伸率：
Figure GDA0003716730840000045
延伸率显示了感兴趣区域形状中两个最大主成分之间的关系。
B.一阶特征(灰度统计特征)：灰度统计特征是基于强度直方图得到的特征，描述了肿瘤区内的像素强度的分布。用下式表示强度直方图的定义：
Figure GDA0003716730840000046
其中，i表示离散强度级别，NP表示肝癌病灶区域影像中总的像素数，Ng表示离散强度级别的种类数，ni表示肝癌病灶区域影像中具有离散强度级别i的像素个数，H(i)表示肝癌病灶区域影像中具有离散强度级别i的像素出现的频率；此外，令M表示肝癌肿瘤区域所有像素的像素值集合，M(i)表示第i个像素的像素值；
所述的灰度统计特征包括：
能量：
Figure GDA0003716730840000047
其中c是可选的用于表示移动的像素强度，防止在M中出现负值；
总能量：
Figure GDA0003716730840000048
熵：
Figure GDA0003716730840000051
其中ε表示是一个任意小的正数；
四分位间距：Interquartile range＝n75-n25，其中n25和n75分别表示离散强度级别在第25和第75百分位的像素个数；
平均绝对偏差：
Figure GDA0003716730840000052
其中
Figure GDA0003716730840000053
表示像素值的均值；
稳健的平均绝对偏差：
Figure GDA0003716730840000054
其中M10-90(i)表示离散强度级别在第10和第90百分位之间第i个像素的像素值，
Figure GDA0003716730840000055
表示平均值，N10-90表示离散强度级别在第10和第90百分位之间的级别种类数；
稳健平均绝对偏差是在灰度级介于或等于第10和第90百分位的像素矩阵子集上计算的所有强度值与平均值的平均距离；
偏度：
Figure GDA0003716730840000056
峰度：
Figure GDA0003716730840000057
一致性：
Figure GDA0003716730840000058
此外还有常用的一阶统计特征包括最大值、最小值、均值、方差、标准差，这里均不再赘述。
C.二阶特征(纹理特征)：纹理特征分析由图像的灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度区域大小矩阵(GLSZM)、局部灰度差分矩阵(NGTDM)提取用于描述肿瘤内纹理分布的特征。
GLCM：计算在肿瘤区中相邻体素之间的灰度关系来表征图像的纹理。大小为Ng×Ng的GLCM描述了受掩模约束的图像区域的二阶联合概率函数，定义为P(i,j|δ,θ)。该矩阵的第(i,j)个元素表示图像中像素i级和j级沿角度θ相距δ像素的组合出现次数。中心像素的δ被定义为具有无穷范数的距离。
GLRLM：分析相同强度的像素在空间中的关系来表述图像的条状纹理。灰度级游程被定义为连续具有相同灰度级值的像素数量长度。在灰度级游程长度矩阵P(i,j|θ)中，第(i,j)个元素描述了灰度级i和长度j沿角度θ出现在图像(ROI)中的游程数量。
GLSZM：灰度级大小区域量化图像中的灰度级区域。灰度区域被定义为共享相同灰度强度的连接像素的数量。根据无穷范数，如果距离为1(2D中的8连通区域，3D中的26连通区域)，则像素被认为是连通的。在灰度级区域矩阵P(i,j)中，第(i,j)个元素等于图像中出现的具有灰度级i和尺寸j的区域的数量。与灰度共生矩阵和GLRLM矩阵相反，是独立于旋转的，在感兴趣区域的所有方向上只计算一个矩阵。
NGTDM：描述基于某个体素及其邻域的纹理视觉特性。相邻灰度差异矩阵量化距离δ内相邻灰度值和平均灰度值之间的差异。灰度级i的绝对差值之和存储在矩阵中。让Xgl是一组分割的体素，xgl(jx,jy,jz)∈Xgl是一个体素在位置(jx,jy,jz)的灰度级，那么邻域的平均灰度级是:
Figure GDA0003716730840000061
其中(jx,jy,jz)≠(0,0,0)并且xgl(jx+kx,jy+ky,jz+kz)∈Xgl。W是领域的像素个数。
D.小波特征：采用非抽样二维(2D)小波变换对原始二维图像进行滤波。将二维图像看成一系列行向量构成，经过小波滤波以后原信号被分为高频信号和低频信号两部分，对这两部分信号进行下采样，保留行向量的小标为偶数的元素，这样高频部分得到相应的高频矩阵，低频信号获得新的低频矩阵。再分别针对新生成的矩阵的列向量进行小波滤波以及下采样，由此获得三个高频信号和一个低频信号。再对低频信号进行小波滤波以及下采样处理，反复Jdec次后最终获得Jdec×3个高频信号以及一个低频近似图像。使用的Daubechies小波的模平方表达式为：
|m0(ω)|2＝[cos2(ω/2)]NP[sin2(ω/2)]
其中小波的离散形式为
Figure GDA0003716730840000062
ω为角向量，hk为参数。对小波分解后的图像进行多尺度的强度及纹理特征提取得到小波特征。
进一步的，为结合临床，充分挖掘有助于肝癌病理分级的信息，需对病人的临床特性进行筛选后融合进后续模型的构建。首先分别利用χ2检验和Kruskal-Wallis H检验进行分类变量、连续变量的组间差异分析。卡方检验的计算公式如下：
Figure GDA0003716730840000071
其中，Ai为i水平的观测频数，Ei为原假设条件下i水平的期望频数，n为总频数，pi为i水平的期望概率。i水平的期望频数Ei等于总频数n×i水平的期望概率pi，k为单元格数。当n比较大时，χ2统计量近似服从k-1个自由度的卡方分布。
Kruskal-Wallis H检验用来检验K个独立样本的组间差异，计算公式为：
Figure GDA0003716730840000072
式中，k为样本数，nj为第j个样本的个案数，N为总个案数；Rj为第j个样本中的秩和。通过以上两种假设检验将显著性水平设置为0.01，P值大于0.01的临床特性舍去后，将保留的临床特性与步骤(4)中筛选出的影像组学特征融合并再次代入到Boruta算法中进行最终的特征筛选。
本发明的另一目的在于提供一种基于影像组学的肝癌图像特征提取与病理分类装置，其包括：
采样模块，用于将肝癌图像中的肝癌病灶区域进行分割，提取肝癌病灶区域的影像并进行标注，将带有标注结果的肝癌病灶区域影像作为训练集合；
特征提取模块，用于对采样模块得到的肝癌病灶区域进行影像组学特征和临床指标特征的提取；所述的影像组学特征包括形态学特征、灰度统计特征、纹理特征和小波特征，得到影像组学特征集合和临床指标特征集合；
特征筛选模块：用于将特征提取模块获得的影像组学特征和临床指标特征进行筛选；
分类模块，用于将特征筛选结果进行组合，作为最终特征矩阵，并进行分类。
作为本发明的优选，所述采样模块包括：
标注子模块：用于将肝癌图像进行前景区域和背景区域的区分，所述的前景区域为肝癌病灶区域，背景区域为非肝癌病灶区域，并为肝癌病灶区域的像素分配标签，为元胞自动机子模块提供初始分割种子。
元胞自动机子模块：用于为肝癌病灶区域的每一个像素分配标签，通过建立三元组A＝(S,N,δ)实现，其中A表示一个元胞自动机模型，S是一个非空状态集，N是领域系统，δ是局部状态转移函数；元胞自动机子模块的初始状态通过指定分割种子实现。
作为本发明的优选，所述特征筛选模块包括：
第一级特征筛选子模块：用于排除只有单一值的特征、方差小于预设阈值的特征、互信息值低于预设阈值的特征、以及相关系数大于0.9的特征；
第二级特征筛选子模块：用于基于Boruta算法，将第一级特征筛选子模块筛选后的特征进行进一步筛选。
本发明的另一目的在于提供一种基于影像组学的肝癌图像特征提取与病理分类装置，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现前述任一方案所述的基于影像组学的肝癌图像特征提取与病理分类方法。
本发明的另一目的在于提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现前述任一方案所述的基于影像组学的肝癌图像特征提取与病理分类方法。
本发明的有益效果：
本发明开发了一套完整的基于影像组学的用于肝癌病理分级模型构建系统和装置，包括数据获取、病灶分割、特征提取、特征筛选、模型构建。最终借用随机森林的机器学习方法获得一种适应影像组学特征和临床特征的肝癌病理分级模型。实验结果表明，该模型可以有效预测术前肝癌的病理分级，与其它在医学诊断上尝试过的分类模型相比较，本发明在算法和运用上都有自己的独创性和独特性，而且对区别微妙差异的性能更加优越，该装置可方便地用作术前评估工具，有望帮助外科医生在未来定制个体化术前治疗方案和预后评估。
附图说明
图1为本发明的一种基于影像组学的肝癌图像特征提取与病理分类方法的流程图。
具体实施方式
下面结合附图对本发明方法作进一步说明。
步骤(1).将肝癌图像及其对应的病理分类标签作为训练数据集；
步骤(2).利用GrowCut算法实现对肝癌病灶区域的半自动分割。在网格位置
Figure GDA0003716730840000091
(图像处理中的像素或体素)上运行。元胞自动机表示为一个三元组A＝(S,N,δ)，其中，A表示一个元胞自动机模型，S是一个非空状态集，N是领域系统，δ:SN→S是局部转移函数，该函数定义了在给定邻域细胞在时间步t处的状态后计算细胞在t+1个时间步状态的规则。使用的邻域系统N是冯·诺伊曼邻域：
Figure GDA0003716730840000092
细胞状态
Figure GDA0003716730840000093
其中lp表示当前细胞的标签，θp是当前细胞的强度，
Figure GDA0003716730840000094
是由当前细胞的特征矢量。获得的CT图像是一个k*m的二维矩阵，一个未被标记的图像视为元胞自动机的特定配置状态。分割的最终目标是为像素分配标签。
元胞自动机的初始状态通过指定分割种子实现。为种子的对应细胞设定标签后，同时将细胞强度设置为种子的强度值。在第t+1次迭代中，细胞标签
Figure GDA0003716730840000095
和细胞强度
Figure GDA0003716730840000096
按如下规则更新：
Figure GDA0003716730840000097
其中g是限制在[0,1]之间的单调递减函数，表达公式为：
Figure GDA0003716730840000101
其中，x表示
Figure GDA0003716730840000102
Figure GDA0003716730840000103
表示所有细胞的特征矢量。
区域生长和竞争的规则：在每个离散的时间步中，每个细胞都试图“攻击”其邻域，攻击力由攻击细胞的强度θq以及“攻击者”和“防御者”的特征向量
Figure GDA0003716730840000104
和
Figure GDA0003716730840000105
之间的距离来衡量。当邻域细胞被征服，其标签和强度也会随之改变，由此在图像上实现逐步扩散，计算将持续到元胞自动机收敛到稳定的配置。
步骤(3).对步骤(2)中分割出来的病灶区域进行图像特征的提取，提取的特征主要包括以下的几种类别：
A.形态学特征。各个形态特征的计算公式为：
网格表面积A：
Figure GDA0003716730840000106
其中Oiai和Oibi是网格中第i个三角形的边，由顶点ai、bi和原点O构成，Nf表示网格中三角形的个数。
像素表面积：
Figure GDA0003716730840000107
通过将感兴趣区域中的像素数乘以单个像素Ak的表面积来近似感兴趣区域Apixel的表面积，Nv表示像素数。
周长P：
Figure GDA0003716730840000108
其中ai和bi是外围网格中第i条线的顶点。首先计算网格圆周中每条线的周长Pi。然后通过取所有计算出的子区域的总和来获得总周长P，Nw表示总线数。
周长与表面积之比：
Figure GDA0003716730840000109
圆球度：
Figure GDA00037167308400001010
球形不规则度：
Figure GDA00037167308400001011
主轴长度：
Figure GDA00037167308400001012
λmajor表示对感兴趣区域像素中心的物理坐标执行主成分分析后的最大主成分值；主轴长度特征产生包围感兴趣区域的椭球的最大轴长，并且使用最大主成分λmajor来计算；
短轴长度：
Figure GDA0003716730840000111
λminor表示对感兴趣区域像素中心的物理坐标执行主成分分析后的最二大主成分值；短轴长度特征产生包围感兴趣区域的椭球的第二大轴长度，并且使用最二大主成分λminor来计算；
延伸率：
Figure GDA0003716730840000112
B.一阶特征(灰度统计特征)：所述的灰度统计特征是基于强度直方图得到的特征，表示肝癌病灶区域内的像素强度的分布，用下式表示强度直方图的定义：
Figure GDA0003716730840000113
其中，i表示离散强度级别，NP表示肝癌病灶区域影像中总的像素数，Ng表示离散强度级别的种类数，ni表示肝癌病灶区域影像中具有离散强度级别i的像素个数，H(i)表示肝癌病灶区域影像中具有离散强度级别i的像素出现的频率；此外，令M表示肝癌肿瘤区域所有像素的像素值集合，M(i)表示第i个像素的像素值；
所述的灰度统计特征包括：
能量：
Figure GDA0003716730840000114
这里c是可选值，表示移动的像素强度以防止在X中出现负值。
总能量：
Figure GDA0003716730840000115
熵：
Figure GDA0003716730840000116
四分位间距：Interquaritle range＝n75-n25 (3-14)
其中n25和n75分别表示离散强度级别在第25和第75百分位的像素个数。
平均绝对偏差：
Figure GDA0003716730840000117
稳健的平均绝对偏差：
Figure GDA0003716730840000121
其中M10-90(i)表示离散强度级别在第10和第90百分位之间第i个像素的像素值，
Figure GDA0003716730840000122
表示平均值，N10-90表示离散强度级别在第10和第90百分位之间的级别种类数；稳健平均绝对偏差是在灰度级介于或等于第10和第90百分位的像素矩阵子集上计算的所有强度值与平均值的平均距离；
偏度：
Figure GDA0003716730840000123
峰度：
Figure GDA0003716730840000124
一致性：
Figure GDA0003716730840000125
此外还有常用的一阶统计特征包括最大值、最小值、均值、方差、标准差。
C.二阶特征(纹理特征)：通过图像的灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度区域大小矩阵(GLSZM)、局部灰度差分矩阵(NGTDM)提取用于描述肿瘤内纹理分布的特征。
GLCM：大小为Ng×Ng的GLCM描述为受掩模约束的图像区域的二阶联合概率函数，定义为P(i,j|δ,θ)。该矩阵的第(i,j)个元素表示图像中像素i级和j级沿角度θ相距δ像素的组合出现次数。中心像素的δ被定义为具有无穷范数的距离。
GLRLM：在灰度级游程长度矩阵P(i,j|θ)中，第(i,j)个元素描述了灰度级i和长度j沿角度θ出现在图像(ROI)中的游程数量。
GLSZM：在灰度区域矩阵P(i,j)中，第(i,j)个元素等于图像中出现的具有灰度级i和尺寸j的区域的数量。在感兴趣区域的所有方向上只计算一个矩阵。
NGTDM：相邻灰度差异矩阵量化距离δ内相邻灰度值和平均灰度值之间的差异。灰度级i的绝对差值之和存储在矩阵中。让Xgl是一组分割的体素，是xgl(jx,jy,jz)∈Xgl一个体素在位置(jx,jy,jz)的灰度级，那么邻域的平均灰度级是:
Figure GDA0003716730840000131
其中(jx,jy,jz)≠(0,0,0)并且xgl(jx+kx,jy+ky,jz+kz)∈Xgl。W是领域的像素个数。
D.小波特征：采用非抽样二维(2D)小波变换对原始二维图像进行滤波。将二维图像看成一系列行向量构成，经过小波滤波以后原信号被分为高频信号和低频信号两部分，对这两部分信号进行下采样，保留行向量的小标为偶数的元素，这样高频部分得到相应的高频矩阵，低频信号获得新的低频矩阵。再分别针对新生成的矩阵的列向量进行小波滤波以及下采样，由此获得三个高频信号和一个低频信号。再对低频信号进行小波滤波以及下采样处理，反复Jdec次后最终获得Jdec×3个高频信号以及一个低频近似图像。本发明设置尺度为Jdec＝1的分解，共获得四种组合的小波变换的图像，即XLYL,XLYH,XHYL,XHYH，其中XLYL表示在X方向上取低频段，在Y方向上取低频段的图像。使用的Daubechies小波的模平方表达式为：
|m0(ω)|2＝[cos2(ω/2)]NP[sin2(ω/2)] (3-21)
其中小波的离散形式为
Figure GDA0003716730840000132
ω为角向量，hk为参数。对小波分解后的图像进行多尺度的强度及纹理特征提取得到小波特征。
步骤(4).对步骤(3)中提取的特征进行特征筛选。特征筛选主要从过滤法和包裹法两方面入手：
ⅰ.排除了只有单一值的特征。同样，方差太小的特征也被过滤掉。
ⅱ.基于互信息过滤与病理分级明显无关的特征。互信息计算公式为：
Figure GDA0003716730840000133
其中，Xi表示影像组学特征集合中的第i个特征向量，Y表示标签，p(x,y)是X和Y的联合概率密度函数，p(x)和p(y)分别是X和Y的边缘概率密度函数；
ⅲ.使用相关分析去除相关系数大于0.9的冗余特征。相关系数的计算公式为：
Figure GDA0003716730840000134
其中，ρ为相关系数的计算结果，xik表示影像组学特征集合中的第i个特征向量中的第k个元素，xjk表示影像组学特征集合中的第j个特征向量中的第k个元素，
Figure GDA0003716730840000135
和
Figure GDA0003716730840000141
分别表示影像组学特征集合中的第i和第j个特征向量中的所有元素的均值；
接下来采用基于随机森林的Boruta算法。Boruta算法步骤如下：
a.将步骤(4.1)筛选后得到的特征矩阵X′随机打乱顺序，得到阴影特征矩阵Xs，将Xs拼接在X′后面，构成新的特征矩阵N＝[X′,Xs]；
b.将新的特征矩阵N输入随机森林分类器，得到X′和Xs的Z分数；
c.将Z分数作为重要性度量，取Xs的Z分数的最大值MZSA，将X′中得分高于MZSA的特征记录一次命中；
d.根据累计命中次数，标记X′中特征重要或者不重要，
e.对于每个重要性未定的属性，执行与MZSA相等的双侧检验；
f.将标记为不重要的特征剔除，重复步骤a-e，直到所有的特征都被标记或者已经达到预设的随机森林运行限制；
所述的重要性度量是通过对象之间属性值的随机排列导致分类准确性的损失来获得的。在随机森林中计算出精度损失的平均值和标准偏差。由平均损失除以其标准偏差计算出Z分数。
步骤(5).结合临床特性进行后续模型的构建。首先分别利用χ2检验和Kruskal-Wallis H检验进行分类变量、连续变量的组间差异分析。卡方检验的计算公式如下：
Figure GDA0003716730840000142
其中，Ai为i水平的观测频数，Ei为原假设条件下i水平的期望频数，n为总频数，pi为i水平的期望概率。i水平的期望频数Ei等于总频数n×i水平的期望概率pi，k为单元格数。当n比较大时，χ2统计量近似服从k-1个自由度的卡方分布。
Kruskal-Wallis H检验用来检验K个独立样本的组间差异，计算公式为：
Figure GDA0003716730840000143
式中，k为样本数，nj为第j个样本的个案数，N为总个案数；Rj为第j个样本中的秩和。将显著性水平设置为0.01，通过以上两种假设检验，将P值大于0.01的临床特性舍去后，将保留的临床特性与步骤(4)中筛选出的影像组学特征融合并再次代入到Boruta算法中进行最终的特征筛选，获得最终特征矩阵。
步骤(6).将最终特征矩阵进行随机森林(RF)训练预测，获得最佳预测模型，最终映射为肝癌的病理分级。
RF采用多中心的方法进行训练、测试和验证模型。具体方案如下：
步骤(6.1).将来自一家机构的数据样本随机按照7：3的比例分为训练集和内部测试集，同时保证每一级病理的样本比例相等。在训练集进行RF训练并在内部测试集上测试以获得最佳模型。
步骤(6.2).来自另外一家机构的数据样本作为外部独立验证集来验证模型的泛化能力。模型的性能由ROC和AUC来衡量。
模型可表达如下：
Grade＝RF(Index1,Index2,…,Indexn) (6-1)
其中，Grade为肝癌病理分级的预测结果。
在另一实施例中提供了一种基于影像组学的肝癌图像特征提取与病理分类装置，其包括：
采样模块，用于将肝癌图像中的肝癌病灶区域进行分割，提取肝癌病灶区域的影像并进行标注，将带有标注结果的肝癌病灶区域影像作为训练集合；
特征提取模块，用于对采样模块得到的肝癌病灶区域进行影像组学特征和临床指标特征的提取；所述的影像组学特征包括形态学特征、灰度统计特征、纹理特征和小波特征，得到影像组学特征集合和临床指标特征集合；
特征筛选模块：用于将特征提取模块获得的影像组学特征和临床指标特征进行筛选；
分类模块，用于将特征筛选结果进行组合，作为最终特征矩阵，并进行分类。
其中，采样模块包括：
标注子模块：用于将肝癌图像进行前景区域和背景区域的区分，所述的前景区域为肝癌病灶区域，背景区域为非肝癌病灶区域，并为肝癌病灶区域的像素分配标签，为元胞自动机子模块提供初始分割种子。
元胞自动机子模块：用于为肝癌病灶区域的每一个像素分配标签，通过建立三元组A＝(S,N,δ)实现，其中A表示一个元胞自动机模型，S是一个非空状态集，N是领域系统，δ是局部状态转移函数；元胞自动机子模块的初始状态通过指定分割种子实现。
其中，特征筛选模块包括：
第一级特征筛选子模块：用于排除只有单一值的特征、方差小于预设阈值的特征、互信息值低于预设阈值的特征、以及相关系数大于0.9的特征；
第二级特征筛选子模块：用于基于Boruta算法，将第一级特征筛选子模块筛选后的特征进行进一步筛选。
另外，在另一实施例中，本发明提供了一种基于影像组学的肝癌图像特征提取与病理分类装置，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现前述任一方案所述的基于影像组学的肝癌图像特征提取与病理分类方法。
需要注意的是，存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。当然，还装置中还应当具有实现程序运行的必要组件，例如电源、通信总线等。
本发明的另一目的在于提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现前述任一方案所述的基于影像组学的肝癌图像特征提取与病理分类方法。
下面利用前述实施例中的一种基于影像组学的肝癌图像特征提取与病理分类方法，通过一个具体实施例来展现本发明分类方法的具体效果，具体步骤如上述，此处不再赘述。为了证明随机森林在本研究问题上的优越性能，根据不同的机器学习模型进行了预测结果的比较，在测试集和独立验证集上比较的结果由表1所示。实验结果表明在诸多的模型中随机森林的预测性能最优，最大的AUC值表明了借助本发明的模型在肝癌病理分级问题上的有效性。
表1不同机器学习模型的比较
Figure GDA0003716730840000161
Figure GDA0003716730840000171

Claims (5)

1.一种基于影像组学的肝癌图像特征提取与病理分类方法，其特征在于，包括以下步骤：
步骤(1).将肝癌图像及其对应的病理分类标签作为训练数据集；
步骤(2).利用GrowCut算法对影像中的肝癌病灶区域进行半自动分割，提取肝癌病灶区域的影像；
步骤(3).对步骤(2)中分割出来的肝癌病灶区域进行影像组学特征的提取，所述的影像组学特征包括形态学特征、灰度统计特征、纹理特征和小波特征，得到影像组学特征集合X＝{X1,X2,...,Xi,...,Xn}，其中n表示特征向量的数量，Xi表示影像组学特征集合中的第i个特征向量，Xi＝{xi1,xi2,...,xik,...,xim}，xik表示Xi中的第k个元素，m表示Xi中的元素数量；
步骤(4).对步骤(3)中提取的影像组学特征进行筛选：
步骤(4.1).首先通过过滤法排除只有单一值的特征、方差小于预设阈值的特征、与病理分级无关的特征、以及冗余特征；
特征与病理分级的关系强度通过互信息计算来衡量，将互信息值低于预设阈值的特征称为与病理分级无关的特征，所述互信息的计算公式为：
Figure FDA0003716730830000011
其中，Xi表示影像组学特征集合中的第i个特征向量，Y表示标签，p(x,y)是X和Y的联合概率密度函数，p(x)和p(y)分别是X和Y的边缘概率密度函数；
所述的冗余特征为相关系数大于0.9的特征，相关系数的计算公式为：
Figure FDA0003716730830000012
其中，ρ为相关系数的计算结果，xik表示影像组学特征集合中的第i个特征向量中的第k个元素，xjk表示影像组学特征集合中的第j个特征向量中的第k个元素，
Figure FDA0003716730830000013
和
Figure FDA0003716730830000014
分别表示影像组学特征集合中的第i和第j个特征向量中的所有元素的均值；
步骤(4.2).采用Boruta算法对筛选后的影像组学特征进行二次筛选，步骤为：
a.将步骤(4.1)筛选后得到的特征矩阵X′随机打乱顺序，得到阴影特征矩阵Xs，将Xs拼接在X′后面，构成新的特征矩阵N＝[X′,Xs]；
b.将新的特征矩阵输入随机森林分类器，得到X′和Xs的Z分数；
c.将Z分数作为重要性度量，取Xs的Z分数的最大值MZSA，将X′中得分高于MZSA的特征记录一次命中；
d.根据累计命中次数，标记X′中特征重要或者不重要，
e.对于每个重要性未定的属性，执行与MZSA相等的双侧检验；
f.将标记为不重要的特征剔除，重复步骤a-e，直到所有的特征都被标记；
所述的重要性度量是通过对象之间属性值的随机排列导致分类准确性的损失来获得的，通过随机森林分类器得到精度损失的平均值和标准偏差，由平均损失除以其标准偏差计算得到Z分数；
步骤(5).获取肝癌病灶区域影像的临床指标特征，利用χ2检验和Kruskal-Wallis H检验对临床指标特征进行筛选，剔除显著性水平P值大于0.01的临床指标特征；
步骤(6).将经过步骤(4)筛选得到的影像组学特征和经过步骤(5)筛选得到的临床指标特征进行融合，融合后的特征采用步骤(4.2)所述的Boruta算法进行最终的特征筛选，获得最终特征矩阵；将最终特征矩阵输入随机森林进行训练预测，获得最佳预测模型，最终映射为肝癌的病理分级结果；
步骤(7).获取待进行肝癌病理分级的临床CT影像，按照步骤(2)分割出肝癌病灶区域影像，从肝癌病灶区域影像中提取与步骤(6)所述最终特征矩阵中特征类别相同的特征作为待分级特征矩阵，将待分级特征矩阵输入到步骤(6)得到的最佳预测模型中，得到肝癌病理分级结果。
2.如权利要求1所述的一种基于影像组学的肝癌图像特征提取与病理分类方法，其特征在于，步骤(2)所述的GrowCut算法基于元胞自动机模型CA实现分割，获得的临床CT影像是一个k*m的二维矩阵，每一个像素点对应于CA中的一个细胞，形成细胞集合P，一个未被标记的临床CT影像视为元胞自动机的特定配置状态，分割的最终目标是为像素分配标签；
建立三元组A＝(S,N,δ)，其中A表示一个元胞自动机模型，S是一个非空状态集，N是领域系统，δ是局部状态转移函数；元胞自动机的初始状态通过指定分割种子实现，对临床CT影像设置前景区域和背景区域初始分割种子以及对应的标签，所述的前景区域为肝癌病灶区域，背景区域为非肝癌病灶区域；
种子细胞实施攻击，定义当前细胞状态
Figure FDA0003716730830000031
其中lp表示当前细胞的标签，θp是当前细胞的强度，
Figure FDA0003716730830000032
是由当前细胞的特征矢量；邻域细胞
Figure FDA0003716730830000033
开始攻击当前细胞
Figure FDA0003716730830000034
在第t+1次迭代中，若
Figure FDA0003716730830000035
时，攻击成功，更新
Figure FDA0003716730830000036
否则攻击失败，当前细胞状态不变，t+1次迭代的当前细胞状态直接复制上一时刻的当前细胞状态；反复更新，直到没有细胞状态发生改变时，算法收敛，分割结束；其中g(x)是限制在[0,1]之间的单调递减函数，表达公式为：
Figure FDA0003716730830000037
其中，x表示
Figure FDA0003716730830000038
Figure FDA0003716730830000039
表示所有细胞的特征矢量。
3.如权利要求1所述的一种基于影像组学的肝癌图像特征提取与病理分类方法，其特征在于，步骤(3)所述的形态学特征包括：
网格表面积A：
Figure FDA00037167308300000310
其中Oiai和Oibi是网格中第i个三角形的边，由顶点ai、bi和原点O构成，Nf表示网格中三角形的个数；
像素表面积Apixel：
Figure FDA00037167308300000311
其中Ak表示单个像素Ak的表面积，Nv表示像素数；
周长P：
Figure FDA00037167308300000312
其中ai和bi是外围网格中第i条线的顶点，Pi表示网格圆周中每条线的周长，Nw表示总线数；
周长与表面积之比
Figure FDA00037167308300000313
圆球度
Figure FDA00037167308300000314
球形不规则度
Figure FDA00037167308300000315
主轴长度
Figure FDA00037167308300000316
λmajor表示对感兴趣区域像素中心的物理坐标执行主成分分析后的最大主成分值；主轴长度特征产生包围感兴趣区域的椭球的最大轴长，并且使用最大主成分λmajor来计算；
短轴长度
Figure FDA0003716730830000041
λminor表示对感兴趣区域像素中心的物理坐标执行主成分分析后的最二大主成分值；短轴长度特征产生包围感兴趣区域的椭球的第二大轴长度，并且使用最二大主成分λminor来计算；
延伸率：
Figure FDA0003716730830000042
步骤(3)所述的灰度统计特征是基于强度直方图得到的特征，表示肝癌病灶区域内的像素强度的分布，用下式表示强度直方图的定义：
Figure FDA0003716730830000043
其中，i表示离散强度级别，NP表示肝癌病灶区域影像中总的像素数，Ng表示离散强度级别的种类数，ni表示肝癌病灶区域影像中具有离散强度级别i的像素个数，H(i)表示肝癌病灶区域影像中具有离散强度级别i的像素出现的频率；此外，令M表示肝癌肿瘤区域所有像素的像素值集合，M(i)表示第i个像素的像素值；
所述的灰度统计特征包括：
能量：
Figure FDA0003716730830000044
其中c是可选的用于表示移动的像素强度，防止在M中出现负值；
总能量：
Figure FDA0003716730830000045
熵：
Figure FDA0003716730830000046
其中ε表示是一个任意小的正数；
四分位间距：Interquartile range＝n75-n25，其中n25和n75分别表示离散强度级别在第25和第75百分位的像素个数；
平均绝对偏差：
Figure FDA0003716730830000047
其中
Figure FDA0003716730830000048
表示像素值的均值；
稳健的平均绝对偏差：
Figure FDA0003716730830000049
其中M10-90(i)表示离散强度级别在第10和第90百分位之间第i个像素的像素值，
Figure FDA00037167308300000410
表示平均值，N10-90表示离散强度级别在第10和第90百分位之间的级别种类数；
稳健平均绝对偏差是在灰度级介于或等于第10和第90百分位的像素矩阵子集上计算的所有强度值与平均值的平均距离；
偏度：
Figure FDA0003716730830000051
峰度：
Figure FDA0003716730830000052
一致性：
Figure FDA0003716730830000053
此外还包括最大值、最小值、均值、方差、标准差；
步骤(3)所述的纹理特征为所述纹理特征为基于灰度共生矩阵GLCM、灰度游程矩阵GLRLM、灰度区域大小矩阵GLSZM和基于局部灰度差分矩阵NGTDM衍生出的特征；
步骤(3)所述的小波特征采用非抽样二维小波变换对原始二维图像进行滤波，将二维图像看成一系列行向量构成，经过小波滤波以后原信号被分为高频信号和低频信号两部分，对这两部分信号进行下采样，保留行向量的小标为偶数的元素，生成高频矩阵和低频矩阵；
分别针对新生成的矩阵的列向量进行小波滤波以及下采样，由此获得三个高频信号和一个低频信号；对低频信号进行小波滤波以及下采样处理，反复Jdec次后最终获得Jdec×3个高频信号以及一个低频近似图像；使用的Daubechies小波的模平方表达式为：
|m0(ω)|2＝[cos2(ω/2)]NP[sin2(ω/2)]
其中，小波的离散形式为
Figure FDA0003716730830000054
ω为角向量，hk为参数，N表示小波阶数；针对小波分解后得到的4个小波分量，分别计算灰度统计特征及纹理特征，得到小波特征。
4.一种基于影像组学的肝癌图像特征提取与病理分类装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1～3任一项所述的基于影像组学的肝癌图像特征提取与病理分类方法。
5.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1～3任一项所述的基于影像组学的肝癌图像特征提取与病理分类方法。
CN201911417817.8A 2019-12-31 2019-12-31 一种基于影像组学的肝癌图像特征提取与病理分类方法 Active CN111242174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911417817.8A CN111242174B (zh) 2019-12-31 2019-12-31 一种基于影像组学的肝癌图像特征提取与病理分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911417817.8A CN111242174B (zh) 2019-12-31 2019-12-31 一种基于影像组学的肝癌图像特征提取与病理分类方法

Publications (2)

Publication Number Publication Date
CN111242174A CN111242174A (zh) 2020-06-05
CN111242174B true CN111242174B (zh) 2022-09-23

Family

ID=70875872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911417817.8A Active CN111242174B (zh) 2019-12-31 2019-12-31 一种基于影像组学的肝癌图像特征提取与病理分类方法

Country Status (1)

Country Link
CN (1) CN111242174B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814868A (zh) * 2020-07-03 2020-10-23 苏州动影信息科技有限公司 一种基于影像组学特征选择的模型、构建方法和应用
CN112037167B (zh) * 2020-07-21 2023-11-24 苏州动影信息科技有限公司 一种基于影像组学和遗传算法的目标区域确定系统
CN113792568B (zh) * 2020-11-05 2023-12-19 北京航空航天大学 确定用于判断细胞状态的关键特征的方法
CN112419290A (zh) * 2020-11-30 2021-02-26 青岛大学附属医院 一种基于ct图像影像组学特征的进展期胃癌边缘状态识别系统
CN112633348B (zh) * 2020-12-17 2022-03-15 首都医科大学附属北京天坛医院 一种检测脑动静脉畸形并判断其弥散性的方法和装置
CN113724185A (zh) * 2021-03-08 2021-11-30 腾讯科技（深圳）有限公司 用于图像分类的模型处理方法、装置及存储介质
CN113017674B (zh) * 2021-03-11 2021-12-31 中日友好医院(中日友好临床医学研究所) 基于胸部ct图像的egfr基因突变检测方法和系统
CN112991295B (zh) * 2021-03-12 2023-04-07 中国科学院自动化研究所 基于深度学习的淋巴结转移影像分析系统、方法及设备
CN113096080B (zh) * 2021-03-30 2024-01-16 四川大学华西第二医院 图像分析方法及系统
CN113077439A (zh) * 2021-03-31 2021-07-06 复旦大学附属中山医院 一种新型的预测肝细胞肝癌mvi的超声造影系统
CN113066549B (zh) * 2021-04-06 2022-07-26 青岛瑞斯凯尔生物科技有限公司 基于人工智能的医疗器械的临床有效性评估方法及系统
CN113421272B (zh) * 2021-06-22 2023-05-23 厦门理工学院 一种肿瘤浸润深度的监测方法、装置、设备和存储介质
CN113793324A (zh) * 2021-09-17 2021-12-14 山东师范大学 一种鼻咽癌诱导化疗疗效预测方法及系统
CN113706533B (zh) * 2021-10-28 2022-02-08 武汉大学 图像处理方法、装置、计算机设备及存储介质
CN115187512B (zh) * 2022-06-10 2024-01-30 珠海市人民医院 肝细胞癌大血管侵犯风险预测方法、系统、装置及介质
CN116309250A (zh) * 2022-09-08 2023-06-23 深圳大学 一种基于肌肉超声的影像特征提取及分类方法
CN116681892B (zh) * 2023-06-02 2024-01-26 山东省人工智能研究院 基于多中心PolarMask模型改进的图像精准分割方法
CN116665017A (zh) * 2023-07-28 2023-08-29 神州医疗科技股份有限公司 一种基于影像组学的前列腺癌预测系统及构建方法
CN117576127B (zh) * 2024-01-17 2024-04-19 神州医疗科技股份有限公司 一种基于病理图像的肝癌区域自动勾画方法
CN117893450B (zh) * 2024-03-15 2024-05-24 西南石油大学 一种数字病理图像增强的方法、装置和设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10943345B2 (en) * 2015-11-17 2021-03-09 The Board Of Trustees Of The Leland Stanford Junior University Profiling of pathology images for clinical applications
CN106355023A (zh) * 2016-08-31 2017-01-25 北京数字精准医疗科技有限公司 基于医学影像的开放式定量分析方法与系统
CN107169284A (zh) * 2017-05-12 2017-09-15 北京理工大学 一种生物医学关键属性选择方法
CN107480702B (zh) * 2017-07-20 2021-03-30 东北大学 面向hcc病理图像识别的特征选择与特征融合方法
CN108898160B (zh) * 2018-06-01 2022-04-08 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

Also Published As

Publication number Publication date
CN111242174A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111242174B (zh) 一种基于影像组学的肝癌图像特征提取与病理分类方法
CN111178449B (zh) 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
Halder et al. Lung nodule detection from feature engineering to deep learning in thoracic CT images: a comprehensive review
Wang et al. A multi-view deep convolutional neural networks for lung nodule segmentation
Choi et al. Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images
Omonigho et al. Breast cancer: tumor detection in mammogram images using modified alexnet deep convolution neural network
Kromp et al. Evaluation of deep learning architectures for complex immunofluorescence nuclear image segmentation
Razmjooy et al. Entropy-based breast cancer detection in digital mammograms using world cup optimization algorithm
EP2027566B1 (en) Automatic recognition of preneoplastic anomalies in anatomic structures based on an improved region-growing segmentation, and computer program therefor
Li et al. Learning image context for segmentation of the prostate in CT-guided radiotherapy
Xu et al. Classification of diffuse lung disease patterns on high-resolution computed tomography by a bag of words approach
Liu et al. A CADe system for nodule detection in thoracic CT images based on artificial neural network
CN113269225A (zh) 基于影像组学的非侵入式肝脏上皮样血管平滑肌脂肪瘤图像分类装置
US20230005140A1 (en) Automated detection of tumors based on image processing
Yonekura et al. Improving the generalization of disease stage classification with deep CNN for glioma histopathological images
Kurmi et al. Content-based image retrieval algorithm for nuclei segmentation in histopathology images: CBIR algorithm for histopathology image segmentation
Li et al. Segmentation of pulmonary nodules using a GMM fuzzy C-means algorithm
Das et al. A fast and automated segmentation method for detection of masses using folded kernel based fuzzy c-means clustering algorithm
Chen et al. An artificial-intelligence lung imaging analysis system (ALIAS) for population-based nodule computing in CT scans
Sharma et al. A comparative study of cell nuclei attributed relational graphs for knowledge description and categorization in histopathological gastric cancer whole slide images
Hassan et al. A dilated residual hierarchically fashioned segmentation framework for extracting gleason tissues and grading prostate cancer from whole slide images
Ayu et al. Amniotic fluid segmentation based on pixel classification using local window information and distance angle pixel
Hamed et al. Comparative study and analysis of recent computer aided diagnosis systems for masses detection in mammograms
Pezeshki et al. Mass classification of mammograms using fractal dimensions and statistical features
Junior et al. A novel fusion-based texture descriptor to improve the detection of architectural distortion in digital mammography

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