CN111445946B - 一种利用pet/ct图像推算肺癌基因分型的演算方法 - Google Patents
一种利用pet/ct图像推算肺癌基因分型的演算方法 Download PDFInfo
- Publication number
- CN111445946B CN111445946B CN202010224526.3A CN202010224526A CN111445946B CN 111445946 B CN111445946 B CN 111445946B CN 202010224526 A CN202010224526 A CN 202010224526A CN 111445946 B CN111445946 B CN 111445946B
- Authority
- CN
- China
- Prior art keywords
- lung cancer
- correlation
- tumor
- pet
- dimensional
- 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
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 22
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 22
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 22
- 238000003205 genotyping method Methods 0.000 title claims abstract description 14
- 238000004364 calculation method Methods 0.000 title abstract description 3
- 238000002591 computed tomography Methods 0.000 title description 21
- 238000002600 positron emission tomography Methods 0.000 title description 20
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 42
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 230000006798 recombination Effects 0.000 claims abstract description 5
- 238000005215 recombination Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 17
- 210000001519 tissue Anatomy 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000003709 image segmentation Methods 0.000 claims description 7
- 210000004072 lung Anatomy 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 210000001165 lymph node Anatomy 0.000 claims description 4
- 239000000439 tumor marker Substances 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 8
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 238000013499 data model Methods 0.000 abstract description 2
- 230000002285 radioactive effect Effects 0.000 abstract 2
- 238000011002 quantification Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000004393 prognosis Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 210000000481 breast Anatomy 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 102000048850 Neoplasm Genes Human genes 0.000 description 1
- 108700019961 Neoplasm Genes Proteins 0.000 description 1
- 206010054107 Nodule Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000012152 algorithmic method Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 238000001415 gene therapy Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biotechnology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
一种利用PET/CT图像推算肺癌基因分型的演算方法，将病灶的轮廓逐层勾画出来，然后将二维肿瘤区域进行三维容积重组，生成三维感兴趣的容积，并从中提取特征数据。病灶(肿瘤)区域一旦确定，即可提取影像特征，直接提取和分析影像组学资料，并建立放射基因组学数据模型，根据提取的放射基因组学各分类的特征建立一个功能或数学模型，建立改进的随机森林算法，利用Pearson相关系数提高模型预测，根据深度学习来推算肺癌基因分型，提高肺癌的诊断效率。
Description
技术领域
本发明涉及肿瘤检测技术领域，具体涉及一种基于深度学习模型利用 PET/CT图像推算肺癌基因分型的方法。
背景技术
世界范围内，肿瘤是死亡的主要原因之一，而肿瘤的诊断一直是癌症研究领域的关键问题。如何更准确的判断肿瘤患者的患病情况成为了医疗研究工作者的共同目标，这对于节约医疗资源和提高患者的满意度起着至关重要作用。近些年来，PET/CT影像技术应用于恶性肿瘤诊断、肿瘤分期等，由于其准确性高，得到了一定的推广。
放射组学也称为影像组学，是指利用计算机断层扫描(CT)、正电子发射断层扫描(PET)或磁共振成像(MRI)等方法，提取并分析大量的定量影像学特征，从而获得医学图像的高通量成像的特征数据。基因组学是从分子水平研究整个基因组的结构和功能的分支学科，其目标是认识基因的结构、功能及进化规律，阐明整个基因组所涵盖的遗传物质的全部信息及相互关系，为预防和治疗人类疾病提供学依据口。放射组学与基因组学、蛋白质组学等相关组学彼此关联并相互促进，不断发展。放射基因组学运用影像学手段显示人体组织水平、细胞和亚细胞水平的变化，实现对其生物学行为在分子影像上的定性和定量研究。放射基因组学为疾病的预防、诊断、治疗、预后和药物研发提供了巨大的帮助，在基因功能分析与基因治疗研究方面显示出良好的前景。
随着机器学习技术在癌症诊断上的应用，肿瘤诊断的准确性得到了进一步的提高。发明人在研发过程中发现，目前对于肿瘤的诊断，首先通过胸部 CT来进行检查，如果查胸部CT发现胸部有占位，而且范围较大且形状不规则时，为明确占位的性质可以行加强CT来进行判断，同时可以行穿刺活检来进行相关的病理检查以判断肿瘤的类型及分化程度、通过测序技术实现基因分型，检测时间较长，同时对患者的身体造成一定的损伤。
发明内容
为了克服上述现有技术的不足，本发明提供了一种基于深度学习模型利用PET/CT图像推算肺癌基因分型的方法。
通过采集肿瘤确诊患者的基因分析报告和PET/CT影像，建立改进的随机森林算法，在算法建立后，通过PEE/CT分析进行肿瘤基因类型的诊断，采用这种方法能够肿瘤诊断效率，也不会对患者身体造成穿刺损伤。
根据PET/CT影像资料分别进行图像获取和重建、图像分割与绘制、特征提取和量化、建立数据库和数据共享，建立改进的随机森林算法，利用Pearson 相关系数提高模型预测，根据深度学习来推算肺癌基因分型，提高肺癌的诊断效率。
本发明提供的一种提供了一种利用PET/CT图像推算肺癌基因分型的演算方法的技术方案是：
一种利用PET/CT图像推算肺癌基因分型的演算方法，该方法包括以下步骤：
基于PET/CT诊断对人体进行医疗影像拍摄，得到影像资料；
获得不同的影像资料进行肿瘤组织及淋巴结的密度、形态和纹理评估；
通过图像分割与绘制，逐层勾画主病灶的轮廓，然后将二维肿瘤区域进行三维容积重组，生成三维感兴趣的容积，并从中提取特征数据；
通过特征提取和量化，病灶(肿瘤)区域一旦确定，即可提取影像特征，包括肿瘤直方图强度、形状和尺寸特征、纹理结构(均质或异质)、定位、分形和融合特征、与周围组织的关系及是否临近肺部支气管树和血管树等，大量的信息需要定量描述；
通过建立数据库和数据共享，建立数据库的最终目的是根据提取的放射基因组学各分类的特征建立一个功能或数学模型，可预测患者的预后及肿瘤表型等。通过放射基因组学分析，有效利用预测模型，推测基因组的相关信息，可以提高疗效，降低医疗成本。
为加速模型训练和预测速度，利用相关系数进行变量选择，本发明采用 Pearson相关系数；
利用随机森林，结合遗传算法构造最优决策树集成；
随机森林中每棵树的构建重复一下步骤：
(1)对训练集做一次自举重采样得到子训练集
(2)使用(1)得到的子训练集开始训练一颗决策树
(3)在决策树的每个结点处，随机选择N个特征并通过计算他们的信息增益选出最优的一个作为当前结点
(4)重复(3)直到一棵树建成；
该模型的集成错误率为：
根据错误率小于0.1来结束模型的训练；
模型训练完成后，采集待诊断患者的生化指标、血常规指标、肿瘤标志物浓度，进行诊断，降低对患者身体的损伤。
通过上述技术方案，本发明的有益效果是：
(1)针对现有肿瘤确诊技术耗时长、效率低的情况下，本发明根据已有的基于PET/MRI诊断的结果，根据影像资料分别进行图像获取和重建、图像分割与绘制、特征提取和量化、建立数据库和数据共享，建立改进的随机森林算法，利用Pearson相关系数提高模型预测，根据深度学习来推算肺癌基因分型，提高肺癌的诊断效率。
(2)对新的模型的训练算法和模型结构进行改善，为加速模型训练和预测速度，利用相关系数进行变量选择，本发明采用Pearson相关系数，提高了模型预测速度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本申请，并不构成对本发明的不当限定。
图1是一种利用PET/CT图像推算肺癌基因分型的演算方法的结构图；
图2是随机森林构建流程图；
图3是遗传算法进化过程图。
具体实施方式
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，都属于本发明保护的范围。
一种基于PET/CT的诊断条件，根据影像资料分别进行图像获取和重建、图像分割与绘制、特征提取和量化、建立数据库和数据共享，建立改进的随机森林算法，利用Pearson相关系数提高模型预测，根据深度学习来推算肺癌基因分型，提高肺癌的诊断效率。
所述的基于PET/CT诊断对人体进行医疗影像拍摄，在肿瘤诊疗评估中，影像检查如正电子发射型计算机断层显像(PET)等手段对诊断、精准评估疗效及预测预后不可或缺，得到影像资料；
所述的图像获取和重建，获得不同的影像资料进行肿瘤组织及淋巴结的密度、形态和纹理评估；
所述的图像分割与绘制，逐层勾画主病灶的轮廓，然后将二维肿瘤区域进行三维容积重组，生成三维感兴趣的容积，并从中提取特征数据。
所述的特征提取和量化，病灶(肿瘤)区域一旦确定，即可提取影像特征，包括肿瘤直方图强度、形状和尺寸特征、纹理结构(均质或异质)、定位、分形和融合特征、与周围组织的关系及是否临近肺部支气管树和血管树等，大量的信息需要定量描述；
所述的建立数据库和数据共享，建立数据库的最终目的是根据提取的放射基因组学各分类的特征建立一个功能或数学模型，可预测患者的预后及肿瘤表型等。通过放射基因组学分析，有效利用预测模型，推测基因组的相关信息，可以提高疗效，降低医疗成本。
所述的建立改进的随机森林算法，建立一种深度学习模型，进行患者血液中肿瘤标志物种类和浓度类别的学习及区分；
所述的采用Pearson相关系数，提高了模型预测速度；
所述的深度学习来实现肿瘤类型的诊断，根据化验血液中的肿瘤标志物种类和浓度结合深度学习得出肿瘤类型。
具体地，基于PET/CT诊断的诊断结果，在肿瘤诊疗评估中，影像检查如正电子发射型计算机断层显像(PET)、等手段对诊断、精准评估疗效及预测预后不可或缺；
具体地，图像获取和重建：影像资料主要通过CT、PET获得，其中CT成像在肺癌领域中的应用最普遍，用于评估肿瘤组织及淋巴结的密度、形态和纹理。纹理的测量和熵的特征可以鉴别肺部良性或恶性结节。PET、CT用于肿瘤的检测及分期，在预测肺癌的总生存期时，PET-CT的纹理特征是肿瘤体积的补充。PET-CT在影像定量化处理上有一定的难度，容易受造影剂剂量、代谢容量、工作人员操作、患者饮食等多方面影响。MRI可以提供软组织结构和功能的影像，肺部的信号强度与组织生理属性关系不密切，MRI很少应用于肺癌。
具体地，图像分割与绘制：放射组学特征的量化通常针对某一个特定的区域，该区域可与周围组织分割，如肺癌、结节或肿块。图像的分割是提取数据的前提，需要将病灶的轮廓逐层勾画出来，然后将二维肿瘤区域进行三维容积重组，生成三维感兴趣的容积，并从中提取特征数据。理想的分割标准是肿瘤图像中不含有任何正常组织，所以图像分割的准确与否直接决定所提取特征数据的准确性。
具体地，特征提取和量化：病灶(肿瘤)区域一旦确定，即可提取影像特征，包括肿瘤直方图强度、形状和尺寸特征、纹理结构(均质或异质)、定位、分形和融合特征、与周围组织的关系及是否临近肺部支气管树和血管树等，大量的信息需要定量描述。直接提取和分析影像组学资料，并建立放射基因组学数据模型，支持精准的肺部组织量化处理，通过医学影像资料分析，提供完整的肺部疾病临床解决方案，辅助临床判定及决策。
具体地，建立数据库和数据共享：放射基因组学建立数据库的最终目的是根据提取的放射基因组学各分类的特征建立一个功能或数学模型，可预测患者的预后及肿瘤表型等。通过放射基因组学分析，有效利用预测模型，推测基因组学的相关信息，可以提高疗效，降低医疗成本。
具体地，建立的改进随机森林算法，实现深度学习；
随机森林算法在构建决策树的时候，采取了随机选取分裂属性集的方法。详细的随机森林算法流程如下所述，这里先假设样本所具有的属性个数为N， n为0到N开区间内的整数。
(1)首先利用Bootstrap重采样方法随机生成T个训练集，即 V1,V2,V3,…,VT；
(2)利用上述生成的每个训练集去生成相对应的决策树分类器，即Q1,Q2,Q3,...,QT；在每个非叶子节点，也就是内部节点，选择属性之前，从N个属性中随机选取n个属性为当前非叶子节点的分裂属性集，并且利用这n个属性中最好的分裂方式，对当前非叶子节点进行分裂，一般情况下，n 的值在整个森林的成长过程中保持不变；
(3)让每颗决策树都完整地成长，不对它们进行剪枝；
(4)将测试集样本X导入各个决策树分类器，让各个决策树分类器分别对其进行预测分类，得到相对应的类别Q1(X),Q2(X),Q3(X),…,QT(X)；
(5)最后还是采取投票的方式，将获得票数最多的类别作为测试集样本 X的类别。
随机森林通常会随着个体学习器数量的增加收敛到更小的泛化误差，然而个体学习器的数量并不一定越多越好。
上式显示出，随着集成中分类器数目T的增大，集成的错误率将指数级下降，最终趋向于零。但是，该错误率的下降是基于个体分类器错误率相互独立的假设的，而集成学习中个体学习器是针对同一问题训练出来的，显然相关性很大[16]。所以，集成的分类器并不一定越多越好。那么，在优化分类器的集成时需要找到一个最佳的分类器组合，而不是使它尽可能地多在众多分类器中找到最优组合是一个NP问题，遗传算法作为一种全局智能优化算法，可以通过对随机森林中的决策树进行进化搜索得到决策树的最佳集成，以提高癌症诊断的准确性。
该方法使用二进制编码，基因位为“1”的决策树处于被选择状态，基因位为“0”的决策树处于不被选择状态。每个染色体对应的决策树集成的分类结果由投票法得到。通过图3所示的进化过程求得满意解，当达到最大代数时进化终止，图3所示，F为适应度函数，用来计算分类准确率
P(xk)为模型对第k个样本的分类结果，yk为第k个样本的类标0或1。
具体地，采用Pearson相关系数，提高了模型预测速度；
在大量变量关系中，通常分为2种不同的类型：函数关系和相关关系。而如果2个变量之间不是一一对应的确定关系，而是按照某种规律在一定的范围内变化，则变量间的这种相互关系，称为具有不确定性的相互关系。相关性分析是指对2个或多个具备相关性的变量元素进行分析，能衡量2个变量因素的相关密切程度。而Pearson相关系数是用来衡量2个变量之间的线性关系。
设有n个数据对(ai，ii)，i＝1，2，…，n，Pearson相关系数r的计算公式为：
其中，
Pearson相关系数的取值范围为：|r|≤1，r为正值表示两者相关方向为正相关，为负值表示相关方向为负相关；|r|＝1，两者完全相关；0.95≤|r|＜1，显著性相关；0.8≤|r|＜0.95，高度相关；0.5≤|r|＜0.8，中度相关；0.3≤|r|＜0.5，低度相关0≤|r|＜0.3，微弱相关|r|＝0，不相关。
具体地，深度学习来实现肿瘤类型的诊断，根据化验血液中的肿瘤标志物种类和浓度结合深度学习推算出肿瘤类型。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种利用PET/CT图像推算肺癌基因分型的演算方法，其特征是，包括以下步骤：
1）基于PET/CT诊断对人体进行医疗影像拍摄，得到影像资料；
2）获得不同的影像资料进行肿瘤组织及淋巴结的密度、形态和纹理评估；
3）通过图像分割与绘制，逐层勾画主病灶的轮廓，然后将二维肿瘤区域进行三维容积重组，生成三维感兴趣的容积，并从中提取特征数据，所述特征数据包括肿瘤直方图强度、形状和尺寸特征、纹理结构、定位、分形和融合特征、与周围组织的关系及是否临近肺部支气管树和血管树；
4）建立改进的随机森林算法，利用Pearson相关系数建立一种深度学习模型，进行患者血液中肿瘤标志物种类和浓度类别的学习及区分，根据深度学习来推算肺癌基因分型，所述随机森林算法流程为：先设定样本所具有的属性个数为 N，n´为0到N开区间内的整数，
（1）首先利用Bootstrap重采样方法随机生成T个训练集，即V1,V2,V3,…,VT；
（2）利用上述生成的每个训练集去生成相对应的决策树分类器，即 Q1,Q2,Q3, ... ,QT；在每个非叶子节点，也就是内部节点，选择属性之前，从N个属性中随机选取n´个属性为当前非叶子节点的分裂属性集，并且利用这n´个属性中最好的分裂方式，对当前非叶子节点进行分裂， n´的值在整个森林的成长过程中保持不变；
（3）让每颗决策树都完整地成长，不对它们进行剪枝；
（4）将测试集样本 X 导入各个决策树分类器，让各个决策树分类器分别对其进行预测分类，得到相对应的类别 Q1(X),Q2(X),Q3(X),…,QT(X)；
（5）最后还是采取投票的方式，将获得票数最多的类别作为测试集样本 X 的类别。
2.根据权利要求1所述的方法，其特征在于，深度学习模型的集成错误率为：
根据错误率小于0.1来结束模型的训练。
3.根据权利要求1所述的方法，其特征在于，Pearson相关系数 r 的计算公式为：
其中，
。
4.根据权利要求3所述的方法，其特征在于，Pearson相关系数的取值范围为：
，r为正值表示两者相关方向为正相关，为负值表示相关方向为负相关；
，两者完全相关；
，显著性相关；
，高度相关；
，中度相关；
，低度相关；
，微弱相关；
，不相关。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010224526.3A CN111445946B (zh) | 2020-03-26 | 2020-03-26 | 一种利用pet/ct图像推算肺癌基因分型的演算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010224526.3A CN111445946B (zh) | 2020-03-26 | 2020-03-26 | 一种利用pet/ct图像推算肺癌基因分型的演算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111445946A CN111445946A (zh) | 2020-07-24 |
| CN111445946B true CN111445946B (zh) | 2021-07-30 |
Family
ID=71650890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010224526.3A Active CN111445946B (zh) | 2020-03-26 | 2020-03-26 | 一种利用pet/ct图像推算肺癌基因分型的演算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445946B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112488992B (zh) * | 2020-11-13 | 2024-04-02 | 上海健康医学院 | 表皮生长因子受体突变状态判断方法、介质及电子设备 |
| CN112365980B (zh) * | 2020-11-16 | 2024-03-01 | 复旦大学附属华山医院 | 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 |
| CN112465824B (zh) * | 2021-01-28 | 2021-08-03 | 之江实验室 | 基于pet/ct图像亚区影像组学特征的肺腺鳞癌诊断装置 |
| CN113113130A (zh) * | 2021-03-15 | 2021-07-13 | 湖南医云智享医疗科技有限公司 | 一种肿瘤个体化诊疗方案推荐方法 |
| CN113611390B (zh) * | 2021-07-27 | 2023-04-07 | 四川大学华西医院 | 胸腔镜肺癌切除术中转开胸风险诊断预测模型及构建系统 |
| CN113889261B (zh) * | 2021-09-23 | 2022-06-10 | 之江实验室 | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 |
| CN115018836A (zh) * | 2022-08-08 | 2022-09-06 | 四川大学 | 一种癫痫病灶自动分割与预测方法、系统及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931224A (zh) * | 2016-04-14 | 2016-09-07 | 浙江大学 | 基于随机森林算法的肝脏平扫ct图像病变识别方法 |
| CN108765411A (zh) * | 2018-06-05 | 2018-11-06 | 东北大学 | 一种基于影像组学的肿瘤分型方法 |
| CN108897984A (zh) * | 2018-05-07 | 2018-11-27 | 上海理工大学 | 基于ct影像组学特征与肺癌基因表达间相关性分析方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9881135B2 (en) * | 2012-12-13 | 2018-01-30 | Metabogen Ab | Identification of a person having risk for developing type 2 diabetes |
| US10748040B2 (en) * | 2017-11-20 | 2020-08-18 | Kavya Venkata Kota Sai KOPPARAPU | System and method for automatic assessment of cancer |
| CN109785963A (zh) * | 2019-01-16 | 2019-05-21 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺结节筛查算法 |
| CN110458948A (zh) * | 2019-08-13 | 2019-11-15 | 易文君 | 基于智能化3d重建系统中图像的处理方法 |
| CN110400601A (zh) * | 2019-08-23 | 2019-11-01 | 元码基因科技(无锡)有限公司 | 基于rna靶向测序和机器学习的癌症亚型分型方法及装置 |
-
2020
- 2020-03-26 CN CN202010224526.3A patent/CN111445946B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105931224A (zh) * | 2016-04-14 | 2016-09-07 | 浙江大学 | 基于随机森林算法的肝脏平扫ct图像病变识别方法 |
| CN108897984A (zh) * | 2018-05-07 | 2018-11-27 | 上海理工大学 | 基于ct影像组学特征与肺癌基因表达间相关性分析方法 |
| CN108765411A (zh) * | 2018-06-05 | 2018-11-06 | 东北大学 | 一种基于影像组学的肿瘤分型方法 |
Non-Patent Citations (3)
| Title |
|---|
| CT Texture Analysis of Renal Masses: Pilot Study Using Random Forest Classification for Prediction of Pathology;Siva P. Raman等;《Acad Radiol》;20150307;第21卷(第12期);第2-10页 * |
| 基于LC-MS的肝癌血清及组织代谢组学研究;陆欣;《中国博士学位论文全文数据库 医药卫生科技辑》;20180115(第01期);第E072-102页 * |
| 基于Spark和随机森林的乳腺癌风险预测分析;苗立志等;《计算机技术与发展》;20190831;第29卷(第8期);第143-145页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111445946A (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445946B (zh) | 一种利用pet/ct图像推算肺癌基因分型的演算方法 | |
| US20230010515A1 (en) | Method and system for identifying biomarkers using a probability map | |
| da Cruz et al. | Kidney segmentation from computed tomography images using deep neural network | |
| Wu et al. | Intratumoral spatial heterogeneity at perfusion MR imaging predicts recurrence-free survival in locally advanced breast cancer treated with neoadjuvant chemotherapy | |
| Lee et al. | Radiomics and its emerging role in lung cancer research, imaging biomarkers and clinical management: State of the art | |
| Gore et al. | A review of radiomics and deep predictive modeling in glioma characterization | |
| Park et al. | Prediction of core signaling pathway by using diffusion-and perfusion-based MRI radiomics and next-generation sequencing in isocitrate dehydrogenase wild-type glioblastoma | |
| Mahrooghy et al. | Pharmacokinetic tumor heterogeneity as a prognostic biomarker for classifying breast cancer recurrence risk | |
| Wu et al. | A supervoxel classification based method for multi-organ segmentation from abdominal ct images | |
| Chen et al. | MRI radiomics for prediction of tumor response and downstaging in rectal cancer patients after preoperative chemoradiation | |
| CN113889261B (zh) | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 | |
| CN115497623A (zh) | 一种基于影像、病理和基因多组学的肺癌预后预测系统 | |
| Florez et al. | Emergence of radiomics: novel methodology identifying imaging biomarkers of disease in diagnosis, response, and progression | |
| Meng et al. | Artificial intelligence-based radiomics in bone tumors: Technical advances and clinical application | |
| CN114360718B (zh) | 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法 | |
| Mitra | Deep learning with radiogenomics towards personalized management of gliomas | |
| VK | An intelligent brain tumor segmentation using improved Deep Learning Model Based on Cascade Regression method | |
| Zargar et al. | Using VGG16 Algorithms for classification of lung cancer in CT scans Image | |
| CN117711615A (zh) | 基于影像组学的淋巴结转移状态分类预测方法及设备 | |
| Cheng et al. | Prediction of egfr mutation status in lung adenocarcinoma using multi-source feature representations | |
| Xia | Auxiliary diagnosis of lung cancer with magnetic resonance imaging data under deep learning | |
| Zhang et al. | Support vector machine combined with magnetic resonance imaging for accurate diagnosis of paediatric pancreatic cancer | |
| Li et al. | Kinet: a non-invasive method for predicting Ki67 index of glioma | |
| CN112001882A (zh) | 一种基于影像组学小样本学习的肺癌诊断方法 | |
| Laudicella et al. | Artificial Intelligence Clinical Application in Prostate Cancer Molecular 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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210707 Address after: No. 440, Yankuang Road, Ji'nan, Shandong Province Applicant after: SHANDONG CANCER HOSPITAL & INSTITUTE (SHANDONG CANCER Hospital) Applicant after: SHANDONG University Applicant after: Jinan Bishan Network Technology Co.,Ltd. Address before: 100025 906, West District, 9th floor, No. 100, Sili, Balizhuang, Chaoyang District, Beijing Applicant before: Beijing Yikang Medical Technology Co.,Ltd. Applicant before: SHANDONG CANCER HOSPITAL & INSTITUTE (SHANDONG CANCER Hospital) Applicant before: SHANDONG University Applicant before: Jinan Bishan Network Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |