CN111528800A - 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 - Google Patents
一种肿瘤消融疗效预测方法、装置、设备及计算机介质 Download PDFInfo
- Publication number
- CN111528800A CN111528800A CN202010363966.7A CN202010363966A CN111528800A CN 111528800 A CN111528800 A CN 111528800A CN 202010363966 A CN202010363966 A CN 202010363966A CN 111528800 A CN111528800 A CN 111528800A
- Authority
- CN
- China
- Prior art keywords
- tumor
- image
- omics
- curative effect
- sample
- 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.)
- Pending
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 315
- 238000002679 ablation Methods 0.000 title claims abstract description 210
- 230000000694 effects Effects 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003384 imaging method Methods 0.000 claims abstract description 50
- 238000002604 ultrasonography Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000003902 lesion Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000004590 computer program Methods 0.000 claims description 58
- 238000013210 evaluation model Methods 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 24
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000000585 Mann–Whitney U test Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 description 145
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 208000026310 Breast neoplasm Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 206010006187 Breast cancer Diseases 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000002980 postoperative effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004614 tumor growth Effects 0.000 description 3
- RJKFOVLPORLFTN-LEKSSAKUSA-N Progesterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 RJKFOVLPORLFTN-LEKSSAKUSA-N 0.000 description 2
- 102100027378 Prothrombin Human genes 0.000 description 2
- 108010094028 Prothrombin Proteins 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 229940039716 prothrombin Drugs 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010024612 Lipoma Diseases 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 238000012274 Preoperative evaluation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 201000007295 breast benign neoplasm Diseases 0.000 description 1
- 208000030270 breast disease Diseases 0.000 description 1
- 201000002209 breast lipoma Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 229960003387 progesterone Drugs 0.000 description 1
- 239000000186 progesterone Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- 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
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Vascular Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请公开了一种肿瘤消融疗效预测方法、装置、设备及计算机介质，包括：第一获取模块，用于获取包含肿瘤的超声图像；第一处理模块，用于对超声图像进行处理，得到肿瘤病灶实质图像；扩展模块，用于在超声图像中，对肿瘤病灶实质图像进行区域扩展，得到肿瘤病灶扩展图像；第二处理模块，用于对肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；第二获取模块，用于获取除超声图像外、与肿瘤相关的参量特征；预测模块，用于基于肿瘤病灶扩展图像、目标影像组学特征、参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。可以基于超声图像并辅以参量特征进行术前肿瘤消融疗效预测，局限性小。
Description
技术领域
本申请涉及超声图像处理技术领域，更具体地说，涉及一种肿瘤消融疗效预测方法、装置、设备及计算机介质。
背景技术
以乳腺肿瘤为例，随着乳腺X线钼靶、B超筛查等的普及和妇女对乳腺疾病认知的提高，使得乳腺肿瘤检出率越来越高，并呈现年轻化趋势。目前对乳腺肿瘤的消融术，一般是在B超等医学影像的引导下，通过消融针发射射频、微波、激光等的方法对肿瘤病灶进行加热，从而达到“杀死”肿瘤细胞的目的。相比于传统的手术切除疗法消融手术疗法，具有创伤小、恢复快、美观、对病人身体素质要求低、可重复性强等优点，越来越多地被应用于良性乳腺肿瘤的治疗中。消融手术的疗效评估对手术方案的制定、治疗时机的把握、缓解术前医患沟通障碍等具有重要的意义。
目前消融手术的疗效评估方法主要分为医生术前评估和定期术后随访两种；其中，医生术前评估指的是医生根据病人的临床资料，并结合自己的临床经验对消融疗效进行预测，从而根据预测结果判断病人是否适合进行肿瘤消融手术；术后定期随访是指通过术后定期的影像学随访检查来监测肿瘤的生长，通常，消融术后随访检查至少要持续一年。以乳腺消融为例，随访检查的时间点一般设置在手术后、术后第3、6、12月，并以肿瘤体积缩小率来评价消融的有效性。
然而，目前对消融手术疗效的评估方法中，医生评估虽然能够达到术前评估的目的，但对医生的经验要求较高，易受医生主观因素的影响，如果评估有误将有错过最佳治疗时机的风险；定期术后随访虽然可以通过消融术后一段时间的随访检查监测肿瘤的生长，进而直观准确地评价消融手术的疗效，但只能用于消融疗效的术后评估，局限性较高。
综上所述，如何降低肿瘤消融疗效预测的局限性是目前本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种肿瘤消融疗效预测装置，其能在一定程度上解决如何降低肿瘤消融疗效预测的局限性技术问题。本申请还提供了一种肿瘤消融疗效术前预测方法、设备及计算机可读存储介质。
为了实现上述目的，本申请提供如下技术方案：
一种肿瘤消融疗效预测装置，包括：
第一获取模块，用于获取包含肿瘤的超声图像；
第一处理模块，用于对所述超声图像进行处理，得到肿瘤病灶实质图像；
第二处理模块，用于对所述肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；
第二获取模块，用于获取除所述超声图像外、与所述肿瘤相关的参量特征；
预测模块，用于基于所述目标影像组学特征、所述其他参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
优选的，还包括：
扩展模块，用于在所述超声图像中，对所述肿瘤病灶实质图像进行区域扩展，得到肿瘤病灶扩展图像；
所述预测模块包括：
第一预测子模块，用于基于所述肿瘤病灶扩展图像、所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到所述肿瘤消融疗效预测结果。
优选的，所述扩展模块包括：
扩展单元，用于在所述超声图像中，将所述肿瘤病灶实质图像及所述肿瘤病灶实质图像周边预设范围内的图像确定为所述肿瘤病灶扩展图像。
优选的，所述参量特征的类型包括临床参量特征、生物学参量特征、临床经验参量特征。
优选的，所述第二处理模块包括：
第一提取子模块，用于根据预设的特征类型从所述肿瘤病灶实质图像中提取出初步的影像组学特征；
第一筛选子模块，用于对所述初步的影像组学特征进行筛选，得到所述目标影像组学特征。
优选的，所述第一筛选子模块包括：
第一获取单元，用于获取表征影像组学特征有无特异性的一维矩阵；
处理单元，用于将所述初步的影像组学特征与所述一维矩阵进行运算，得到所述目标影像组学特征。
优选的，还包括：
第一获取单元，用于获取超声图像样本的影像组学特征的的正样本和负样本；
判断单元，用于判断所述正样本和所述负样本是否符合正态分布要求，若否，则采用曼-惠特尼U检验方法判断所述超声图像样本的影像组学特征是否有特异性；若所述正样本和所述负样本符合所述正态分布要求，则判断所述正样本和所述负样本是否符合方差齐次要求，若所述正样本和所述负样本符合所述方差齐次要求，则采用双样本T校验方法判断所述超声图像样本的影像组学特征是否有特异性；若所述正样本和所述负样本不符合所述方差齐次要求，则采用Welch’s T校验方法判断所述超声图像样本的影像组学特征是否有特异性；
生成单元，用于生成与所述超声图像样本的所有影像组学特征对应的一维矩阵，并且所述超声图像样本的影像组学特征有特异性时，将所述超声图像样本的影像组学特征在所述一维矩阵中的值设为1；所述超声图像样本的影像组学特征无特异性时，将所述超声图像样本的影像组学特征在所述一维矩阵中的值设为0。
优选的，所述初步的影像组学特征的类型包括：形状特征、强度特征、纹理特征、小波特征；
所述形状特征的类型包括：紧密度、直径、面积；所述强度特征的类型包括：最值、方差、能量；所述纹理特征的类型包括：局部灰度差分矩阵、灰度区域矩阵、灰度游程矩阵、灰度共生矩阵。
优选的，所述第一筛选子模块包括：
第二获取单元，用于获取表征影像组学特征有无特异性的一维布尔矩阵；
处理单元，用于将所初步的影像组学特征与所述一维布尔矩阵进行运算，得到所述目标影像组学特征。
优选的，所述第一预测子模块包括：
第二提取子模块，用于基于主干神经网络模型对所述肿瘤病灶扩展图像进行特征提取，得到神经网络特征；
第二预测子模块，用于基于所述神经网络特征、所述目标影像组学特征、所述其他参量特征进行肿瘤消融疗效预测，得到所述肿瘤消融疗效预测结果。
优选的，所述第二预测子模块包括：
预测单元，用于基于所述神经网络特征、所述目标影像组学特征、所述参量特征和预先训练的消融疗效评估模型进行肿瘤消融疗效预测，得到所述肿瘤消融疗效预测结果。
优选的，所述消融疗效评估模型包括基于深度神经网络分类算法搭建的三输入通道分类模型；
所述三输入通道分类模型的主体网络框架的类型包括：VGGNet、ResNet50、DensNnet、GoogleNet。
优选的，还包括：
第三获取单元，用于所述预测单元基于所述神经网络特征、所述目标影像组学特征、所述参量特征和预先训练的消融疗效评估模型进行肿瘤消融疗效预测之前，获取待训练样本；
计算单元，用于基于所述待训练样本的目标影像组学特征和参量特征计算术后预设时长后的肿瘤体积缩小率；判断所述肿瘤体积缩小率是否大于等于预设阈值，若是，则将所述待训练样本分类为表征消融有效的训练样本；若否，则将所述待训练样本分类为表征消融无效的训练样本；
训练单元，用于基于分类后的所述待训练样本对所述消融疗效评估模型对应的初始模型进行训练，得到训练好的所述消融疗效评估模型。参量特征
一种肿瘤消融疗效预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以获取包含肿瘤的超声图像；对所述超声图像进行处理，得到肿瘤病灶实质图像；对所述肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；获取除所述超声图像外、表征所述肿瘤其他信息的参量特征；基于所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以获取包含肿瘤的超声图像；对所述超声图像进行处理，得到肿瘤病灶实质图像；对所述肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；获取除所述超声图像外、与所述肿瘤相关的参量特征；基于所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
一种肿瘤消融疗效预测方法，包括：
获取包含肿瘤的超声图像；
对所述超声图像进行处理，得到肿瘤病灶实质图像；
对所述肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；
获取除所述超声图像外、与所述肿瘤相关的参量特征；
基于所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
本申请提供的一种肿瘤消融疗效预测装置，包括：第一获取模块，用于获取包含肿瘤的超声图像；第一处理模块，用于对超声图像进行处理，得到肿瘤病灶实质图像；第二处理模块，用于对肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；第二获取模块，用于获取除超声图像外、与肿瘤相关的参量特征；预测模块，用于基于目标影像组学特征、参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。本申请中，可以基于超声图像进行术前肿瘤消融疗效预测，并且是基于目标影像组学特征及参量特征来进行预测，对肿瘤临床生理状态、病人个体因素等进行综合评价，可以增强肿瘤消融疗效预测结果的准确性。本申请提供的肿瘤消融疗效预测方法、设备及计算机可读存储介质也解决了相应技术问题。
附图说明
为了更清楚地说明本申请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作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种肿瘤消融疗效预测装置的结构示意图；
图2为消融疗效评估模型的训练示意图；
图3为实际应用中肿瘤消融疗效预测装置的结构示意图；
图4为本申请实施例提供的一种肿瘤消融疗效预测设备的结构示意图；
图5为本申请实施例提供的一种肿瘤消融疗效预测设备的另一结构示意图；
图6为本申请实施例提供的肿瘤消融疗效预测方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参阅图1，图1为本申请实施例提供的一种肿瘤消融疗效预测装置的结构示意图。
本申请实施例提供的一种肿瘤消融疗效预测装置，可以包括：
第一获取模块101，用于获取包含肿瘤的超声图像。
实际应用中，可以先借助第一获取模块获取包含肿瘤的超声图像。具体应用场景中，当本申请提供的肿瘤消融疗效预测装置直接应用于超声设备，可以直接从超声设备获取包含肿瘤的病灶图像，而当本申请提供的肿瘤消融疗效预测装置应用于具有存储和计算能力的计算机时，可以接收从超声设备传输的包含肿瘤的超声图像等。
第一处理模块102，用于对超声图像进行处理，得到肿瘤病灶实质图像。
实际应用中，在获取包含肿瘤的超声图像后，可以借助第一处理模块对超声图像进行处理，得到肿瘤病灶实质图像，肿瘤病灶实质图像指的是只包含肿瘤区域的图像，且肿瘤病灶实质图像所反映的肿瘤类型可以根据实际需要确定，比如可以为乳腺肿瘤、脂肪瘤等，也即本申请提供的肿瘤消融疗效预测装置可以应用于乳腺肿瘤消融预测、脂肪瘤消融预测等；从而可以根据肿瘤病灶实质图像准确获知肿瘤的具体信息。
具体应用场景中，可以采用肿瘤自动分割模型自动对超声图像进行处理，或者借助医生等手动对超声图像进行勾画，得到肿瘤病灶实质图像。
扩展模块103，用于在超声图像中，对肿瘤病灶实质图像进行区域扩展，得到肿瘤病灶扩展图像。
实际应用中，在获取到超声图像之后，还可以借助扩展模块在超声图像中，对肿瘤病灶实质图像进行区域扩展，得到肿瘤病灶扩展图像。以乳腺肿瘤为例，相关文献表明：除肿瘤实质区域外，病灶周围区域的组织因蕴含着大量与乳腺肿瘤评价相关的信息，因此，在提取主乳腺肿瘤成分图像时，肿瘤周围组织也被保存了下来。也即可以根据肿瘤病灶扩展图像来进一步增加所获取的肿瘤信息。
应当指出，受限于肿瘤自身的特性，实际应用中，可以根据不同肿瘤类型的临床特点来选择肿瘤实质病灶获取及扩展方案。
第二处理模块104，用于对肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征。
实际应用中，在临床上，判断一个肿瘤病人是否适合进行消融手术，医生通常通过从病人的影像资料中观察肿瘤的形态、大小、纹理等可视信息并结合自己的临床经验进行定性的判断，因而，这种方法很难摒弃主观因素的限制，并且对医生的自身素质要求较高。而影像组学方法则通过从病人影数据中高通量地提取大量高纬度复杂特征，通过数据挖掘、特征建模定量地评价区分肿瘤组织的状态，从而预测评估其进行消融手术的有效性，所以在获取超声图像之后，可以借助第二处理模块对肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征。
第二获取模块105，用于获取除超声图像外、与肿瘤相关的参量特征。
实际应用中，仍以乳腺肿瘤为例，病理结果、消融原因、血小板浓度、凝血酶原活性、Hb(Hemoglobin，血红蛋白)、WBC(白细胞数)、血清孕酮、肿瘤相对位置、构成(囊实性)、年龄、BMI(Body Mass Index，身体质量指数)等均会影响肿瘤的消融疗效，所以还可以借助第二获取模块获取除超声图像外、表征肿瘤其他信息的参量特征，以进一步增加用于肿瘤疗效预测的参考数据量，提高预测准确性。
预测模块106，用于基于肿瘤病灶扩展图像、目标影像组学特征、参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
实际应用中，在获取其他参量特征之后，便可以借助预测模块基于肿瘤病灶扩展图像、目标影像组学特征、参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。应当指出，具体应用场景中，也可以不得到肿瘤病灶扩展图像，直接将目标影像组学特征、参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
本申请提供的一种肿瘤消融疗效预测装置，包括：第一获取模块，用于获取包含肿瘤的超声图像；第一处理模块，用于对超声图像进行处理，得到肿瘤病灶实质图像；扩展模块，用于在超声图像中，对肿瘤病灶实质图像进行区域扩展，得到肿瘤病灶扩展图像；第二处理模块，用于对肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；第二获取模块，用于获取除超声图像外、与肿瘤相关的参量特征；预测模块，用于基于肿瘤病灶扩展图像、目标影像组学特征、参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。本申请中，可以基于超声图像进行术前肿瘤消融疗效预测，并且是基于肿瘤病灶扩展图像、目标影像组学特征及参量特征来进行预测，用于进行预测的考虑因素多，可以增强肿瘤消融疗效预测结果的准确性。
本申请实施例提供的一种肿瘤消融疗效预测装置中，扩展模块可以包括：
扩展单元，用于在超声图像中，将肿瘤病灶实质图像及肿瘤病灶实质图像周边预设范围内的图像确定为肿瘤病灶扩展图像，其具体扩充范围根据所述肿瘤病理特点确定。
本申请实施例提供的一种肿瘤消融疗效预测装置中，参量特征的类型可以包括表征肿瘤状态的临床参量特征，表征病人体质、身体素质等的生物学参量特征，临床经验参量特征等。其中，临床参量特征可以包括病理结果、血小板浓度、凝血酶原活性等；生物学参量特征可以包括年龄、身高体重指数等。
本申请实施例提供的一种肿瘤消融疗效预测装置中，第二处理模块可以包括：
第一提取子模块，用于根据预设的特征类型从肿瘤病灶实质图像中提取出初步的影像组学特征；
第一筛选子模块，用于对初步的影像组学特征进行筛选，得到目标影像组学特征。
本申请实施例提供的一种肿瘤消融疗效预测装置，由于提取到的初步的影像组学特征的数据维度较高，且包含大量无关或者冗余特征，使用初步的影像组学特征进行模型预测的话，预测效果差，所以在对初步的影像组学特征进行筛选的过程中，还可以对初步的影像组学特征进行特征选择，也即所述第一筛选子模块可以包括：
第一获取单元，用于获取表征影像组学特征有无特异性的一维矩阵；
处理单元，用于将初步的影像组学特征与一维矩阵进行运算，得到目标影像组学特征。
也即在目标影像组学特征的获取过程中，可以先生成表征是否保留影像组学特征的一维矩阵，这样，后续只需将肿瘤病灶实质图像的初步影像组学特征与一维矩阵进行运算，便可以快速得到目标影像组学特征。
实际应用中，一维矩阵的类型可以为一维布尔矩阵，其中，布尔矩阵表示元素取0与1的矩阵，通过与该布尔矩阵的运算即可筛选出具有特异性的影像组学特征，并去除冗余的影像组学特征(即无特异性的特征)。
实际应用中，还可以包括：
第二获取单元，用于获取超声图像样本的影像组学特征的的正样本和负样本；
判断单元，用于判断正样本和负样本是否符合正态分布要求，若否，则采用曼-惠特尼U检验方法判断超声图像样本的影像组学特征是否有特异性；若正样本和负样本符合正态分布要求，则判断正样本和负样本是否符合方差齐次要求，若正样本和负样本符合方差齐次要求，则采用双样本T校验方法判断超声图像样本的影像组学特征是否有特异性；若正样本和负样本不符合方差齐次要求，则采用Welch’s T校验方法判断超声图像样本的影像组学特征是否有特异性；
生成单元，用于生成与超声图像样本的所有影像组学特征对应的一维矩阵，并且超声图像样本的影像组学特征有特异性时，将超声图像样本的影像组学特征在一维矩阵中的值设为1；超声图像样本的影像组学特征无特异性时，将超声图像样本的影像组学特征在一维矩阵中的值设为0。
也即实际应用中，可以先获取超声图像样本的影像组学特征的的正样本和负样本，其中，正样本可以为肿瘤消融疗效达到消融要求的样本，负样本可以为肿瘤消融疗效未达到消融要求的样本。在获取到正样本和负样本之后，便可以判断正样本和负样本是否符合正态分布要求，若否，则可以采用曼-惠特尼U检验方法判断超声图像样本的影像组学特征是否有特异性。其中，曼-惠特尼U检验又称“曼-惠特尼秩和检验”，是由H.B.Mann和D.R.Whitney于1947年提出的，其假设两个样本分别来自除了总体均值以外完全相同的两个总体，目的是检验这两个总体的均值是否有显著的差别。且在正样本和负样本符合正态分布要求时，可以判断判断正样本和负样本是否符合方差齐次要求，若正样本和负样本符合方差齐次要求，则可以采用双样本T校验方法判断超声图像样本的影像组学特征是否有特异性；若正样本和负样本不符合方差齐次要求，则可以采用Welch’s T校验方法判断超声图像样本的影像组学特征是否有特异性。其中，T校验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
实际应用中，采用本申请提供的第二获取单元、判断单元和生成单元生成一维矩阵的过程可以如下：准备100张超声图像样本，其中45张是具有肿瘤消融疗效的样本，即正样本，55张为无肿瘤消融疗效的样本，即负样本；在这100张超声图像样本中，每一张都可以提取出影像组学特征A、B、C...，从而，影像组学特征A便有45个正样本，55个负样本，而影像组学特征B和C也同样如此…，之后，将影像组学特征A的45个正样本和55个负样本利用判断单元的统计学判断方法进行判断后，便可知道该影像组学特征A是否有特异性，若有特异性，则记为1，若无特异性，则记为0；对于影像组学特征B、C...，同样利用判断单元的统计学判断方法进行判断，则同样可以知道该影像组学特征B、C...是否有特异性，若有特异性，也记为1，若无特异性，则也记为0；由此，便可利用生成单元得到对应于每一个影像组学特征A、B、C...的一维布尔矩阵，比如[0 1 0 ...]；再然后，将实际要进行预测的包含肿瘤病灶的超声图像中所提取的初步影像组学特征，比如[A1 B1 C1 ...]，与上述一维布尔矩阵直接进行运算，便可得到目标影像组学特征，比如[A1 B1 C1 ...]*[0 1 0 ...]＝[0 B1 0...]，其实际上就是去除了冗余的无特异性的影像组学特征A1和C1，保留有特异性的影像组学特征B1。因此，要进行预测的图像的初步的影像组学特征可直接与生成单元生成的筛选结果(一维布尔矩阵)进行运算来获得目标影像组学特征。
实际应用中，一维矩阵可以在本装置以外的计算机设备上利用图像样本通过判断单元的统计学方法判断获得。当然，也可在本装置上直接利用图像样本获得。
实际应用中，初步的影像组学特征的类型可以包括：形状特征、强度特征、纹理特征和/或小波特征；形状特征的类型可以包括：紧密度、直径和/或面积；强度特征的类型可以包括：最值、方差和/或能量；纹理特征的类型可以包括：局部灰度差分矩阵、灰度区域矩阵、灰度游程矩阵和/或灰度共生矩阵。
本申请实施例提供的一种肿瘤消融疗效预测装置中，第一预测子模块可以包括：
第二提取子模块，用于基于主干神经网络模型对肿瘤病灶扩展图像进行特征提取，得到神经网络特征；
第二预测子模块，用于基于神经网络特征、目标影像组学特征和上述参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
本申请实施例提供的一种肿瘤消融疗效预测装置中，可以借助消融疗效评估模型来自动进行肿瘤消融疗效预测，则第二预测子模块可以包括：
预测单元，用于基于神经网络特征、目标影像组学特征、参量特征和预先训练的消融疗效评估模型进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
需要指出的是，本实施例的主干神经网络模型可以是卷积神经网络模型，具体的，本实施例可以利用主干神经网络模型的卷积核对肿瘤病灶扩展图像的各个图像矩阵执行卷积操作，得到对应的特征值矩阵，进而本实施例可以将主干网络卷积操作得到的特征值矩阵作为神经网络特征。
实际应用中，消融疗效评估模型可以包括基于深度神经网络分类算法搭建的三输入通道分类模型，且还可以根据实际需要在三输入通道分类模型中增加适当的适应层、子网络等；且三输入通道分类模型的主体网络框架(即主干神经网络模型的框架)的类型可以包括：VGGNet、ResNet50、DensNnet或GoogleNet等。应当指出，主干神经网络模型指的是只对肿瘤病灶扩展图像进行特征提取的网络模型，而该消融疗效评估模型的两个分支网络则可以分别提取并处理临床参量特征和影像组学特征，然后评估模型将神经网络特征、影像组学特征和临床参量信息进行特征融合，将融合结果接入循环神经网络；进而消融疗效评估模型可以基于神经网络特征、目标影像组学特征、参量特征进行肿瘤消融疗效预测，具体应用场景中，主干神经网络模型为消融疗效评估模型的一部分。应当指出，消融疗效评估模型既可以在本装置中训练得到，也可以在本装置之外的计算机设备中训练得到后再载入本装置中。
实际应用中，可以采用迁移学习的思想来训练消融疗效评估模型，请参阅图2，图2为消融疗效评估模型的训练示意图，在图2中，主成分图像为肿瘤病灶扩展图像。在训练过程中，可将在ImageNet公开数据集上预训练的主体网络模型迁移到疗效评估模型中，并在此基础上进行微调训练，最终得到消融疗效评估模型。应当指出，在训练过程中，可以为消融疗效评估模型的每个网络分支设置损失加权系数来调控每种模态数据的参考比重，以使训练过程更加高效。
本申请实施例提供的一种肿瘤消融疗效预测装置中，还可以包括：
第三获取单元，用于预测单元基于神经网络特征、目标影像组学特征、参量特征和预先训练的消融疗效评估模型进行肿瘤消融疗效预测之前，获取待训练样本；
计算单元，用于基于待训练样本的目标影像组学特征和参量特征计算术后预设时长后的肿瘤体积缩小率；判断肿瘤体积缩小率是否大于等于预设阈值，若是，则将待训练样本分类为表征消融有效的训练样本；若否，则将待训练样本分类为表征消融无效的训练样本；需要指出的是，待训练样本包括消融前的肿瘤图像样本、参量特征样本和术后的肿瘤生长状态信息样本，因而在计算术后预设时长后的肿瘤体积缩小率时，可以将消融前的肿瘤图像样本的目标影像组学特征和参量特征与术后的肿瘤生长状态信息样本的肿瘤体积缩小率对应起来，进而可以基于待训练样本的目标影像组学特征和参量特征计算术后预设时长后的肿瘤体积缩小率；
训练单元，用于基于分类后的待训练样本对消融疗效评估模型对应的初始模型进行训练，得到训练好的消融疗效评估模型。
也即肿瘤消融疗效预测结果可以分为消融有效、消融无效，假设预设阈值为90％，则可以在肿瘤体积缩小率大于等于90％时，判定消融有效，在肿瘤体积缩小率小于90％时，判定消融无效。应当指出，本申请中的初始模型可以通过上述深度神经网络分类算法进行搭建。
请参阅图3，图3为实际应用中肿瘤消融疗效预测装置的结构示意图。实际应用中，本申请实施例提供的肿瘤消融疗效预测装置可以包括超声探头、超声影像系统、内置于超声影像系统中的超声智能模块、肿瘤自动分割模型、消融疗效多模态预测评估模型等；其中，超声影像系统借助超声探头对人体组织进行拍摄，得到包含肿瘤的超声图像，并输出为B超图像；肿瘤自动分割模型对B超图像进行处理，得到肿瘤病灶实质图像，对肿瘤病灶实质图像进行提取，得到影像组学特征；消融疗效多模态预测评估模型基于影像组学特征、参量特征、肿瘤病灶扩展图像进行肿瘤消融疗效预测，得到消融疗效预测结果。其中，肿瘤病灶扩展图像可以由肿瘤自动分割模型对超声图像进行处理后得到等。
本申请还提供了一种肿瘤消融疗效预测设备及计算机可读存储介质，其均具有本申请实施例提供的一种肿瘤消融疗效预测装置具有的对应效果。请参阅图4，图4为本申请实施例提供的一种肿瘤消融疗效预测设备的结构示意图。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时实现如下步骤：
获取包含肿瘤的超声图像；
对所述超声图像进行处理，得到肿瘤病灶实质图像；
在所述超声图像中，对所述肿瘤病灶实质图像进行区域扩展，得到肿瘤病灶扩展图像；
对所述肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；
获取除所述超声图像外、与所述肿瘤相关的参量特征；
基于所述肿瘤病灶扩展图像、所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时实现如下步骤：在所述超声图像中，将所述肿瘤病灶实质图像及所述肿瘤病灶实质图像周边预设范围内的图像确定为所述肿瘤病灶扩展图像。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时的参量特征的类型包括临床参量特征、生物学参量特征、临床经验参量特征。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时实现如下步骤：根据预设的特征类型从所述肿瘤病灶实质图像中提取出初步的影像组学特征；对所述初步的影像组学特征进行筛选，得到所述目标影像组学特征。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时实现如下步骤：获取表征影像组学特征有无特异性的一维布尔矩阵；将所述初步的影像组学特征与所述一维布尔矩阵进行运算，得到所述目标影像组学特征。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时实现如下步骤：获取超声图像样本的影像组学特征的的正样本和负样本；判断所述正样本和所述负样本是否符合正态分布要求，若否，则采用曼-惠特尼U检验方法判断所述超声图像样本的影像组学特征是否有特异性；若所述正样本和所述负样本符合所述正态分布要求，则判断所述正样本和所述负样本是否符合方差齐次要求，若所述正样本和所述负样本符合所述方差齐次要求，则采用双样本T校验方法判断所述超声图像样本的影像组学特征是否有特异性；若所述正样本和所述负样本不符合所述方差齐次要求，则采用Welch’s T校验方法判断所述超声图像样本的影像组学特征是否有特异性；生成与所述超声图像样本的所有影像组学特征对应的一维布尔矩阵，并且所述超声图像样本的影像组学特征有特异性时，将所述超声图像样本的影像组学特征在所述一维布尔矩阵中的值设为1；所述超声图像样本的影像组学特征无特异性时，将所述超声图像样本的影像组学特征在所述一维布尔矩阵中的值设为0。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时：所述初步的影像组学特征的类型包括：形状特征、强度特征、纹理特征、小波特征；所述形状特征的类型包括：紧密度、直径、面积；所述强度特征的类型包括：最值、方差、能量；所述纹理特征的类型包括：局部灰度差分矩阵、灰度区域矩阵、灰度游程矩阵、灰度共生矩阵。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时实现如下步骤：基于主干神经网络模型对所述肿瘤病灶扩展图像进行特征提取，得到神经网络特征；基于所述神经网络特征、所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到所述肿瘤消融疗效预测结果。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时实现如下步骤：基于所述神经网络特征、所述目标影像组学特征、所述参量特征和预先训练的消融疗效评估模型进行肿瘤消融疗效预测，得到所述肿瘤消融疗效预测结果。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时实现如下步骤：所述消融疗效评估模型包括基于深度神经网络分类算法搭建的三输入通道分类模型；三输入通道分类模型的主体网络框架(即主干神经网络模型的框架)的类型包括：VGGNet、ResNet50、DensNnet、GoogleNet。
本申请实施例提供的一种肿瘤消融疗效预测设备，包括存储器201和处理器202，存储器201中存储有计算机程序，处理器202执行计算机程序时实现如下步骤：基于所述神经网络特征、所述目标影像组学特征、所述参量特征和预先训练的消融疗效评估模型进行肿瘤消融疗效预测之前，获取待训练样本；基于所述待训练样本的目标影像组学特征和参量特征计算术后预设时长后的肿瘤体积缩小率；判断所述肿瘤体积缩小率是否大于等于预设阈值，若是，则将所述待训练样本分类为表征消融有效的训练样本；若否，则将所述待训练样本分类为表征消融无效的训练样本；基于分类后的所述待训练样本对所述消融疗效评估模型对应的初始模型进行训练，得到训练好的所述消融疗效评估模型参量特征。
请参阅图5，本申请实施例提供的另一种肿瘤消融疗效预测设备中还可以包括：与处理器202连接的输入端口203，用于传输外界输入的命令至处理器202；与处理器202连接的显示单元204，用于显示处理器202的处理结果至外界；与处理器202连接的通信模块205，用于实现肿瘤消融疗效预测设备与外界的通信。显示单元204可以为显示面板、激光扫描使显示器等；通信模块205所采用的通信方式包括但不局限于移动高清链接技术(HML)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线连接：无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如下步骤：
获取包含肿瘤的超声图像；
对所述超声图像进行处理，得到肿瘤病灶实质图像；
在所述超声图像中，对所述肿瘤病灶实质图像进行区域扩展，得到肿瘤病灶扩展图像；
对所述肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；
获取除所述超声图像外、与所述肿瘤相关的参量特征；
基于所述肿瘤病灶扩展图像、所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如下步骤：在所述超声图像中，将所述肿瘤病灶实质图像及所述肿瘤病灶实质图像周边预设范围内的图像确定为所述肿瘤病灶扩展图像。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时：所述参量特征的类型包括临床参量特征、生物学参量特征、临床经验参量特征。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如下步骤：根据预设的特征类型从所述肿瘤病灶实质图像中提取出初步的影像组学特征；对所述初步的影像组学特征进行筛选，得到所述目标影像组学特征。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如下步骤：获取表征影像组学特征有无特异性的一维矩阵；将所述初步的影像组学特征与所述一维矩阵进行运算，得到所述目标影像组学特征。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时通过如下步骤获取一维矩阵：获取超声图像样本的影像组学特征的的正样本和负样本；判断所述正样本和所述负样本是否符合正态分布要求，若否，则采用曼-惠特尼U检验方法判断所述超声图像样本的影像组学特征是否有特异性；若所述正样本标签和所述负样本符合所述正态分布要求，则判断所述正样本和所述负样本是否符合方差齐次要求，若所述正样本和所述负样本符合所述方差齐次要求，则采用双样本T校验方法判断所述超声图像样本的影像组学特征是否有特异性；若所述正样本和所述负样本不符合所述方差齐次要求，则采用Welch’s T校验方法判断所述超声图像样本的影像组学特征是否有特异性；生成与所述超声图像样本的所有影像组学特征对应的一维矩阵，并且所述超声图像样本的影像组学特征有特异性时，将所述超声图像样本的影像组学特征在所述一维矩阵中的值设为1；所述超声图像样本的影像组学特征无特异性时，将所述超声图像样本的影像组学特征在所述一维矩阵中的值设为0。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时：所述初步的影像组学特征的类型包括：形状特征、强度特征、纹理特征、小波特征；所述形状特征的类型包括：紧密度、直径、面积；所述强度特征的类型包括：最值、方差、能量；所述纹理特征的类型包括：局部灰度差分矩阵、灰度区域矩阵、灰度游程矩阵、灰度共生矩阵。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如下步骤：基于主干神经网络模型对所述肿瘤病灶扩展图像进行特征提取，得到神经网络特征；基于所述神经网络特征、所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到所述肿瘤消融疗效预测结果。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如下步骤：基于所述神经网络特征、所述目标影像组学特征、所述参量特征和预先训练的消融疗效评估模型进行肿瘤消融疗效预测，得到所述肿瘤消融疗效预测结果。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如下步骤：所述消融疗效评估模型包括基于深度神经网络分类算法搭建的三输入通道分类模型；所述三输入通道分类模型的主体网络框架的类型包括：VGGNet、ResNet50、DensNnet、GoogleNet。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如下步骤：基于所述神经网络特征、所述目标影像组学特征、所述参量特征和预先训练的消融疗效评估模型进行肿瘤消融疗效预测之前，获取待训练样本；基于所述待训练样本的目标影像组学特征和参量特征计算术后预设时长后的肿瘤体积缩小率；判断所述肿瘤体积缩小率是否大于等于预设阈值，若是，则将所述待训练样本分类为表征消融有效的训练样本；若否，则将所述待训练样本分类为表征消融无效的训练样本；基于分类后的所述待训练样本对初始的所述消融疗效评估模型进行训练，得到训练好的所述消融疗效评估模型参量特征。
本申请所涉及的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
请参阅图6，图6为本申请实施例提供的肿瘤消融疗效预测方法的流程图。
本申请实施例提供的一种肿瘤消融疗效预测方法，可以包括以下步骤：
步骤S101：获取包含肿瘤的超声图像。
步骤S102：对超声图像进行处理，得到肿瘤病灶实质图像。
步骤S103：在超声图像中，对肿瘤病灶实质图像进行区域扩展，得到肿瘤病灶扩展图像。
步骤S104：对肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征。
步骤S105：获取除超声图像外、与肿瘤相关的参量特征。
步骤S106：基于肿瘤病灶扩展图像、目标影像组学特征、参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
本申请实施例提供的肿瘤消融疗效预测方法、设备及计算机可读存储介质中相关部分的说明请参见本申请实施例提供的肿瘤消融疗效预测装置中对应部分的详细说明，在此不再赘述。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种肿瘤消融疗效预测装置，其特征在于，包括：
第一获取模块，用于获取包含肿瘤的超声图像；
第一处理模块，用于对所述超声图像进行处理，得到肿瘤病灶实质图像；
第二处理模块，用于对所述肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；
第二获取模块，用于获取除所述超声图像外、与所述肿瘤相关的参量特征；
预测模块，用于基于所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
扩展模块，用于在所述超声图像中，对所述肿瘤病灶实质图像进行区域扩展，得到肿瘤病灶扩展图像；
所述预测模块包括：
第一预测子模块，用于基于所述肿瘤病灶扩展图像、所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到所述肿瘤消融疗效预测结果。
3.根据权利要求2所述的装置，其特征在于，所述扩展模块包括：
扩展单元，用于在所述超声图像中，将所述肿瘤病灶实质图像及所述肿瘤病灶实质图像周边预设范围内的图像确定为所述肿瘤病灶扩展图像。
4.根据权利要求1所述的装置，其特征在于，所述参量特征的类型包括临床参量特征、生物学参量特征、临床经验参量特征。
5.根据权利要求1所述的装置，其特征在于，所述第二处理模块包括：
第一提取子模块，用于根据预设的特征类型从所述肿瘤病灶实质图像中提取出初步的影像组学特征；
第一筛选子模块，用于对所述初步的影像组学特征进行筛选，得到所述目标影像组学特征。
6.根据权利要求5所述的装置，其特征在于，所述第一筛选子模块包括：
第一获取单元，用于获取表征影像组学特征有无特异性的一维矩阵；
处理单元，用于将所述初步的影像组学特征与所述一维矩阵进行运算，得到所述目标影像组学特征。
7.根据权利要求6所述的装置，其特征在于，还包括：
第二获取单元，用于获取超声图像样本的影像组学特征的的正样本和负样本；
判断单元，用于判断所述正样本和所述负样本是否符合正态分布要求，若否，则采用曼-惠特尼U检验方法判断所述超声图像样本的影像组学特征是否有特异性；若所述正样本和所述负样本符合所述正态分布要求，则判断所述正样本和所述负样本是否符合方差齐次要求，若所述正样本和所述负样本符合所述方差齐次要求，则采用双样本T校验方法判断所述超声图像样本的影像组学特征是否有特异性；若所述正样本和所述负样本不符合所述方差齐次要求，则采用Welch’s T校验方法判断所述超声图像样本的影像组学特征是否有特异性；
生成单元，用于生成与所述超声图像样本的所有影像组学特征对应的一维矩阵，并且所述超声图像样本的影像组学特征有特异性时，将所述超声图像样本的影像组学特征在所述一维矩阵中的值设为1；所述超声图像样本的影像组学特征无特异性时，将所述超声图像样本的影像组学特征在所述一维矩阵中的值设为0。
8.根据权利要求5所述的装置，其特征在于，所述初步的影像组学特征的类型包括：形状特征、强度特征、纹理特征、小波特征；
所述形状特征的类型包括：紧密度、直径、面积；所述强度特征的类型包括：最值、方差、能量；所述纹理特征的类型包括：局部灰度差分矩阵、灰度区域矩阵、灰度游程矩阵、灰度共生矩阵。
9.根据权利要求2或3所述的装置，其特征在于，所述第一预测子模块包括：
第二提取子模块，用于基于主干神经网络模型对所述肿瘤病灶扩展图像进行特征提取，得到神经网络特征；
第二预测子模块，用于基于所述神经网络特征、所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到所述肿瘤消融疗效预测结果。
10.根据权利要求9所述的装置，其特征在于，所述第二预测子模块包括：
预测单元，用于基于所述神经网络特征、所述目标影像组学特征、所述参量特征和预先训练的消融疗效评估模型进行肿瘤消融疗效预测，得到所述肿瘤消融疗效预测结果。
11.根据权利要求10所述的装置，其特征在于，所述消融疗效评估模型包括基于深度神经网络分类算法搭建的三输入通道分类模型；
所述三输入通道分类模型的主体网络框架的类型包括：VGGNet、ResNet50、DensNnet、GoogleNet。
12.根据权利要求10所述的装置，其特征在于，还包括：
第三获取单元，用于所述预测单元基于所述神经网络特征、所述目标影像组学特征、所述参量特征和预先训练的消融疗效评估模型进行肿瘤消融疗效预测之前，获取待训练样本；
计算单元，用于基于所述待训练样本的目标影像组学特征和参量特征计算术后预设时长后的肿瘤体积缩小率；判断所述肿瘤体积缩小率是否大于等于预设阈值，若是，则将所述待训练样本分类为表征消融有效的训练样本；若否，则将所述待训练样本分类为表征消融无效的训练样本；
训练单元，用于基于分类后的所述待训练样本对所述消融疗效评估模型对应的初始模型进行训练，得到训练好的所述消融疗效评估模型。
13.一种肿瘤消融疗效预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以获取包含肿瘤的超声图像；对所述超声图像进行处理，得到肿瘤病灶实质图像；对所述肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；获取除所述超声图像外、与所述肿瘤相关的参量特征；基于所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以获取包含肿瘤的超声图像；对所述超声图像进行处理，得到肿瘤病灶实质图像；对所述肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；获取除所述超声图像外、与所述肿瘤相关的参量特征；基于所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
15.一种肿瘤消融疗效预测方法，其特征在于，包括：
获取包含肿瘤的超声图像；
对所述超声图像进行处理，得到肿瘤病灶实质图像；
对所述肿瘤病灶实质图像进行影像组学特征提取和筛选，得到目标影像组学特征；
获取除所述超声图像外、与所述肿瘤相关的参量特征；
基于所述目标影像组学特征、所述参量特征进行肿瘤消融疗效预测，得到肿瘤消融疗效预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010363966.7A CN111528800A (zh) | 2020-04-30 | 2020-04-30 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010363966.7A CN111528800A (zh) | 2020-04-30 | 2020-04-30 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111528800A true CN111528800A (zh) | 2020-08-14 |
Family
ID=71970297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010363966.7A Pending CN111528800A (zh) | 2020-04-30 | 2020-04-30 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111528800A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669929A (zh) * | 2020-12-30 | 2021-04-16 | 深圳大学 | 克罗恩病英夫利昔单抗药效预测方法及终端设备 |
| CN113506313A (zh) * | 2021-07-07 | 2021-10-15 | 上海商汤智能科技有限公司 | 图像处理方法及相关装置和电子设备、存储介质 |
| CN113966999A (zh) * | 2021-10-28 | 2022-01-25 | 中山大学 | 一种索拉非尼耐药性预测方法、装置及可存储介质 |
| WO2022220300A1 (ja) * | 2021-04-16 | 2022-10-20 | 国立大学法人九州大学 | 治療効果予測装置、治療効果予測方法、および治療効果予測プログラム |
| CN116687353A (zh) * | 2023-08-01 | 2023-09-05 | 宁波杜比医疗科技有限公司 | 新辅助化疗疗效评估系统、设备及介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101053531A (zh) * | 2007-05-17 | 2007-10-17 | 上海交通大学 | 基于多模式增敏成像融合的早期肿瘤定位跟踪方法 |
| US20100063392A1 (en) * | 2008-09-08 | 2010-03-11 | Olympus Medical Systems Corp. | Ultrasound-guided ablation method and ultrasound-guided ablation system |
| CN101908096A (zh) * | 2010-06-30 | 2010-12-08 | 厦门大学附属中山医院 | 干扰素治疗慢性乙型肝炎疗效的预测方法 |
| KR20120096265A (ko) * | 2011-02-22 | 2012-08-30 | 삼성전자주식회사 | 초음파 치료를 위한 종양 추적 장치 및 방법, 초음파 치료 시스템 |
| CN105993016A (zh) * | 2014-02-04 | 2016-10-05 | 奥普蒂马塔公司 | 用于预测医疗效果的方法和系统 |
| CN107050668A (zh) * | 2017-06-09 | 2017-08-18 | 南京医科大学第附属医院 | 基于云处理的放疗效果预测方法 |
| CN107582097A (zh) * | 2017-07-18 | 2018-01-16 | 中山大学附属第医院 | 一种基于多模态超声组学的智能辅助决策系统 |
| CN109598266A (zh) * | 2018-10-24 | 2019-04-09 | 深圳大学 | 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统 |
| CN110263489A (zh) * | 2019-07-04 | 2019-09-20 | 南京航空航天大学 | 基于dicom数据的肝肿瘤微波消融三维温度场仿真方法 |
| CN110556178A (zh) * | 2018-05-30 | 2019-12-10 | 西门子医疗有限公司 | 用于医学疗法规划的决策支持系统 |
| CN110604550A (zh) * | 2019-09-24 | 2019-12-24 | 广州医科大学附属肿瘤医院 | 一种肿瘤放疗后正常组织器官并发症的预测方法 |
| CN110910406A (zh) * | 2019-11-20 | 2020-03-24 | 中国人民解放军总医院 | 一种肝脏肿瘤消融术后三维空间疗效评估方法及系统 |
-
2020
- 2020-04-30 CN CN202010363966.7A patent/CN111528800A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101053531A (zh) * | 2007-05-17 | 2007-10-17 | 上海交通大学 | 基于多模式增敏成像融合的早期肿瘤定位跟踪方法 |
| US20100063392A1 (en) * | 2008-09-08 | 2010-03-11 | Olympus Medical Systems Corp. | Ultrasound-guided ablation method and ultrasound-guided ablation system |
| CN101908096A (zh) * | 2010-06-30 | 2010-12-08 | 厦门大学附属中山医院 | 干扰素治疗慢性乙型肝炎疗效的预测方法 |
| KR20120096265A (ko) * | 2011-02-22 | 2012-08-30 | 삼성전자주식회사 | 초음파 치료를 위한 종양 추적 장치 및 방법, 초음파 치료 시스템 |
| CN105993016A (zh) * | 2014-02-04 | 2016-10-05 | 奥普蒂马塔公司 | 用于预测医疗效果的方法和系统 |
| CN107050668A (zh) * | 2017-06-09 | 2017-08-18 | 南京医科大学第附属医院 | 基于云处理的放疗效果预测方法 |
| CN107582097A (zh) * | 2017-07-18 | 2018-01-16 | 中山大学附属第医院 | 一种基于多模态超声组学的智能辅助决策系统 |
| CN110556178A (zh) * | 2018-05-30 | 2019-12-10 | 西门子医疗有限公司 | 用于医学疗法规划的决策支持系统 |
| CN109598266A (zh) * | 2018-10-24 | 2019-04-09 | 深圳大学 | 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及系统 |
| CN110263489A (zh) * | 2019-07-04 | 2019-09-20 | 南京航空航天大学 | 基于dicom数据的肝肿瘤微波消融三维温度场仿真方法 |
| CN110604550A (zh) * | 2019-09-24 | 2019-12-24 | 广州医科大学附属肿瘤医院 | 一种肿瘤放疗后正常组织器官并发症的预测方法 |
| CN110910406A (zh) * | 2019-11-20 | 2020-03-24 | 中国人民解放军总医院 | 一种肝脏肿瘤消融术后三维空间疗效评估方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669929A (zh) * | 2020-12-30 | 2021-04-16 | 深圳大学 | 克罗恩病英夫利昔单抗药效预测方法及终端设备 |
| WO2022220300A1 (ja) * | 2021-04-16 | 2022-10-20 | 国立大学法人九州大学 | 治療効果予測装置、治療効果予測方法、および治療効果予測プログラム |
| CN113506313A (zh) * | 2021-07-07 | 2021-10-15 | 上海商汤智能科技有限公司 | 图像处理方法及相关装置和电子设备、存储介质 |
| CN113966999A (zh) * | 2021-10-28 | 2022-01-25 | 中山大学 | 一种索拉非尼耐药性预测方法、装置及可存储介质 |
| CN116687353A (zh) * | 2023-08-01 | 2023-09-05 | 宁波杜比医疗科技有限公司 | 新辅助化疗疗效评估系统、设备及介质 |
| CN116687353B (zh) * | 2023-08-01 | 2023-12-19 | 宁波杜比医疗科技有限公司 | 新辅助化疗疗效评估系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111528800A (zh) | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 | |
| CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
| JP5785184B2 (ja) | 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術 | |
| CN111583217A (zh) | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 | |
| CN111481233B (zh) | 胎儿颈项透明层厚度测量方法 | |
| CN115620912A (zh) | 一种基于深度学习的软组织肿瘤良恶性预测模型构建方法 | |
| CN110049715B (zh) | 用于可视化患者的内脏的设备及相关联的可视化方法 | |
| Goudarzi et al. | Segmentation of arm ultrasound images in breast cancer-related lymphedema: A database and deep learning algorithm | |
| CN112884759A (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
| CN112932448A (zh) | 基于整体关联医学逻辑的肝、胆癌癌细胞术后监测仪及使用方法 | |
| Hu et al. | Deep learning-based automatic endometrium segmentation and thickness measurement for 2D transvaginal ultrasound | |
| Liu et al. | [Retracted] Doppler Ultrasound Imaging Combined with Fetal Heart Detection in Predicting Fetal Distress in Pregnancy‐Induced Hypertension under the Guidance of Artificial Intelligence Algorithm | |
| CN115995295A (zh) | 基于影像组学的乳腺癌骨转移治疗反应评估方法及系统 | |
| CN116958151B (zh) | 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、系统、设备 | |
| CN111528918B (zh) | 消融术后肿瘤体积变化趋势图生成装置、设备及存储介质 | |
| Chen et al. | Ultrasound lmaging-vulnerable plaque diagnostics: Automatic carotid plaque segmentation based on deep learning | |
| Liu et al. | Automatic measurement of endometrial thickness from transvaginal ultrasound images | |
| JP2022542356A (ja) | 超音波信号処理方法、装置、機器及び記憶媒体 | |
| CN110827255A (zh) | 一种基于冠状动脉ct图像的斑块稳定性预测方法及系统 | |
| CN110458948A (zh) | 基于智能化3d重建系统中图像的处理方法 | |
| Diab et al. | An unsupervised classification method of uterine electromyography signals: Classification for detection of preterm deliveries | |
| Wu et al. | Multi-modality transrectal ultrasound vudei classification for identification of clinically significant prostate cancer | |
| WO2013150419A1 (en) | Quality-check during medical imaging procedure | |
| Lee et al. | Placental MRI segmentation based on multi-receptive field and mixed attention separation mechanism | |
| Carrera-Escalé et al. | Radiomics-Based Assessment of Optical Coherence Tomography (OCT) and OCT Angiography (OCTA) Images for Diabetes Mellitus and Diabetic Retinopathy Diagnosis |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |