CN111657945B - 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 - Google Patents

一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 Download PDF

Info

Publication number
CN111657945B
CN111657945B CN202010545739.6A CN202010545739A CN111657945B CN 111657945 B CN111657945 B CN 111657945B CN 202010545739 A CN202010545739 A CN 202010545739A CN 111657945 B CN111657945 B CN 111657945B
Authority
CN
China
Prior art keywords
wavelet
nasopharyngeal carcinoma
patient
image
histology
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
CN202010545739.6A
Other languages
English (en)
Other versions
CN111657945A (zh
Inventor
刘勇
卢善翃
毛弈韬
谭磊
李果
高妍
邱元正
黄东海
张欣
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.)
Xiangya Hospital of Central South University
Original Assignee
Xiangya Hospital of Central South University
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 Xiangya Hospital of Central South University filed Critical Xiangya Hospital of Central South University
Priority to CN202010545739.6A priority Critical patent/CN111657945B/zh
Publication of CN111657945A publication Critical patent/CN111657945A/zh
Application granted granted Critical
Publication of CN111657945B publication Critical patent/CN111657945B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，包括以下步骤：（1）MRI影像处理；（2）提取影像学特征；（3）影像特征的筛选；（4）影像组学评分计算公式的建立；（5）临床危险因素的筛选；（6）预后生存模型的建立：结合鼻咽癌患者影像组学评分和临床危险因素建立预后观测模型，对患者PFS进行定性和定量预测，并评估该预后生存模型的性能。本发明对患者影像检查伤害性小，对特定患者的生存时间进行定性和定量分析，从而辅助医生制定个性化的治疗和随访方案，并辅助医生对病人的存活和复发时间进行评估，同时，对得到的预后生存模型的性能进行了验证，保证了预后预测模型的准确性。

Description

一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法
技术领域
本发明涉及鼻咽癌预后辅助评估技术领域，具体涉及一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法。
背景技术
鼻咽癌是指发生于鼻咽腔顶部和侧壁的恶性肿瘤，是我国高发恶性肿瘤之一，占头颈部恶性肿瘤的78.08％，占上呼吸道癌肿的92.99％。世界卫生组织调查报道，全球有80％的鼻咽癌患者在中国，且以中国的南方较高，包括广东、广西和湖南等地。鼻咽癌病理大多为低分化鳞癌，恶性度高，发病部位隐蔽，特别是在咽隐窝和鼻咽顶部，早期症状不明显因而难以早期发现，误诊误治率较高，可达12.2％。由于鼻咽癌起病隐匿，具有强烈的转移倾向，约75％的患者首诊时就己到达晚期，发生局部淋巴结和/或远处转移。以放疗为主的综合治疗对早期鼻咽癌非常有效，但是仍然有30％～40％的患者由于转移和复发，未能获得长期生存。
CN 109658411 A公开了一种基于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，包括以下步骤：CT影像的处理、特征数据处理、影像学特征与生存情况的关联分析和实验结果的验证分析。在做CT检查的过程当中，会产生大量的放射性射线，主要是X射线，而这种射线在通过人体的过程当中，会对人体的各个脏器以及组织、器官产生一定的危害，主要对相应的造血功能、生殖系统功能产生影响，对于需要长期跟踪临床观测的患者来说，采用CT影像检查伤害极大。
发明内容
本发明要解决的技术问题是，克服现有技术存在的上述缺陷，提供对患者影像检查伤害性小，可辅助医生制定个性化的治疗和随访方案，并辅助医生对病人的存活和复发时间进行评估，保证预后预测模型的准确性的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法。
本发明解决其技术问题所采用的技术方案是：一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，包括以下步骤： （1）、MRI影像处理：对鼻咽癌患者的鼻咽部增强MRI序列进行肿瘤区域勾画； （2）、提取影像学特征：每位鼻咽癌患者共提取一定数量的影像学特征； （3、影像特征的筛选：利用拉索回归（Lasso）算法，筛选出与鼻咽癌患者无进展生存期（progression free survival，PFS）最相关的多个影像组学特征； （4）、影像组学评分计算公式的建立：根据相关特征及其对应系数，获得每个鼻咽癌患者的鼻咽癌影像组学评分（radiomics score，Rad-score）； （5）、临床危险因素的筛选：利用COX回归分析对与鼻咽癌患者预后密切相关的临床病理因素进行筛选； （6）、预后生存模型的建立：结合鼻咽癌患者影像组学评分和临床危险因素建立预后观测模型，对患者PFS进行定性和定量预测，并评估该预后生存模型的性能。
进一步的，所述步骤（1）包括：1）、收集III-IV期鼻咽癌患者的临床、病理特征和随访资料；2）、获取上述患者的鼻咽部MRI图像，并将患者按照3:1的比例随机分为训练集和验证集；3）、利用软件程序包Radiomics对增强MRI图像进行整理和靶区分割。
进一步的，所述临床、病理特征具体包括年龄、性别、病理类型、TMN分期、初治前Hb和WBC平均水平，随访资料包括患者无进展生存（Progression free survival，PFS）时间和总生存时间（Overall surviaval，OS）；所述CE-T1W1图像使用对鼻咽癌感兴趣区域（Regionof interested, ROI）进行逐层手动勾画。
进一步的，步骤（2）中所述影像学特征通过基于python平台的程序包Pyradiomics提取；所述影像学特征包括：一阶灰度特征（first order）、形状特征（shape features ）、纹理特征（灰度共生矩阵—GLCM、灰度游程矩阵—GLRLM）和小波变换特征；
进一步的，所述影像学特征为530个，包括一阶灰度特征18个，形状特征8个，纹理特征40个，小波变换后特征464个；所述影像组学特征为24个。
进一步的，步骤（4）中，所述相关特征为最少绝对收缩和选择运算符(least absolute shrinkage and selection operator,LASSO)确定与鼻咽癌患者无进展生存（Progression free survival，PFS）时间密切相关的影像学特征。
进一步的，步骤（4）中的所述影像组学评分计算公式为NPC Rad-score=3.489×(original_glcm_InverseVariance)−0.243×(original_glrlm_LongRunLowGrayLevelEmphasis)+0.235×(wavelet_HLL_firstorder_Skewness)+5.966×(wavelet_HLL_glcm_Idmn)−3.646×(wavelet_HLL_glcm_Imc1)−2.882×(wavelet_LHL_glrlm_LongRunLowGrayLevelEmphasis)+1.714×(wavelet_LHH_firstorder_TotalEnergy)−5.983×(wavelet_LHH_glcm_JointEnergy)−2.532×(wavelet_LHH_glcm_Idn)+9.555×(wavelet_LHH_glcm_Imc1)+0.119×(wavelet_LLH_firstorder_Skewness)−0.399×(wavelet_LLH_glcm_Imc2)+0.008×(wavelet_HLH_firstorder_Kurtosis)+3.344×(wavelet_HHH_firstorder_Median)+1.328×(wavelet_HHH_firstorder_TotalEnergy)−0.001×(wavelet_HHH_firstorder_Kurtosis)+0.350×(wavelet_HHH_glcm_DifferenceVariance)−6.574×(wavelet_HHH_glcm_Idn)+0.002×(wavelet_HHH_glcm_ClusterProminence)+0.198×(wavelet_HHH_glrlm_LongRunLowGrayLevelEmphasis)−12.266×(wavelet_HHL_glcm_InverseVariance)−6.153×(wavelet_HHL_glcm_Imc1)−1.731×(wavelet_LLL_glcm_MCC)-1.944×(wavelet_LLL_glcm_Imc2)。
进一步的，步骤（5）中所述COX回归分析包括单因素COX回归分析和多因素COX回归分析。
进一步的，所述单因素COX回归分析显示年龄、临床分期、M分期和组织分型与晚期鼻咽癌患者的PFS有关（P＜0.05），多因素COX回归分析显示年龄、M分期和组织分型为PFS的独立危险因素（P＜0.05），基于临床特征（年龄和M分期）的COX比例风险模型的C-index为0.65。
进一步的，所述步骤（6）中，结合患者影像组学评分和临床危险因素还建立有预测诺莫图；预后观测模型和预测诺莫图均在验证集中进行应用价值验证；所述预后观测模型包括影像组学评分、年龄和M分期，使用建立的模型对患者进行评分，并根据诺莫图对患者的1-5年PFS进行评估。
本发明的有益效果是：
1.采用增强MRI影像，对对人体没有电离辐射损伤，能获得三维断面成像而无需重建就可获得多方位的图像，软组织结构显示清晰，对中枢神经系统、膀胱、直肠、子宫、阴道、关节、肌肉等检查优于CT；MRI对检测脑内血肿、脑外血肿、脑肿瘤、颅内动脉瘤、动静脉血管畸形、脑缺血、椎管内肿瘤、脊髓空洞症和脊髓积水等颅脑常见疾病非常有效，同时对腰椎椎间盘后突、原发性肝癌等疾病的诊断也很有效；
2.本发明按照传统影像组学研究流程，对鼻咽癌患者的鼻咽部增强MRI图像进行肿瘤区域的分割、特征提取、特征筛选并建立影像组学评分（NPC Rad-score）公式，并结合与患者预后密切相关的临床危险因素，建立临床-影像组学预后评估模型，对特定患者的生存时间进行定性和定量分析，从而辅助医生制定个性化的治疗和随访方案，并辅助医生对病人的存活和复发时间进行评估，同时，对得到的预后生存模型的性能进行了验证，保证了预后预测模型的准确性；
3.影像组学是人工智能与医学影像结合形成的新兴交叉学科，对传统影像蕴含的海量信息进行深度挖掘，并通过与临床及分子特征的关联分析，建立基于大数据的预测模型，在肿瘤辅助诊断、病理分型、进展监测及疗效预后评估等方面，均有良好的预测表现,具有良好的临床应用前景；其中MRI影像数据因其良好的软组织分辨能力，具有多个成像参数，可以提供丰富的图像信息，有利于动态监测和评估肿瘤的发生、发展和预后，在影像组学模型中应用较多；
4.鼻咽部MRI是鼻咽癌病情进展评估的重要手段，清楚地显示肿瘤向深层组织结构的浸润、颅底骨质破坏和颅内侵犯以及并发的颈部淋巴结转移等，增强MRI图像的影像组学特征可为鼻咽癌的恶性进展和预后提供可靠依据；因此，基于影像组学研究方法对鼻咽癌患者增强MRI图像的深度分析，对于实现鼻咽癌预后的准确评估和个性化干预治疗具有重要意义。
附图说明
图1是本发明的步骤示意图；
图2是本发明各步骤的模型图示；
图3是本发明建立的患者生存时间预测诺莫图预测模型；
图4是本发明预测与患者实际2年和3年的PFS的拟合曲线图。
具体实施方式
下面结合实施例对本发明的具体实施方式作进一步详细说明：
如图1和图2所示，一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法的实施例，包括以下步骤：
步骤（1）、MRI影像处理：对鼻咽癌患者的鼻咽部增强MRI序列进行肿瘤区域勾画，包括： 1）、收集III-IV期鼻咽癌患者的临床、病理特征和随访资料；2）、获取上述患者的鼻咽部MRI图像，并将患者按照3:1的比例随机分为训练集和验证集；3）、利用软件程序包Radiomics（基于matlab平台）对增强MRI（contrast T1 weighted phase，CE-T1W1）图像进行整理和靶区分割；临床、病理特征具体包括年龄、性别、病理类型、TMN分期、初治前Hb和WBC平均水平，随访资料包括患者无进展生存（Progression free survival，PFS）时间和总生存时间（Overall surviaval，OS）；CE-T1W1图像使用对鼻咽癌感兴趣区域（Region ofinterested, ROI）进行逐层手动勾画；
步骤（2）、提取影像学特征：每位鼻咽癌患者共提取530个影像学特征；影像学特征通过基于python平台的程序包Pyradiomics提取；影像学特征包括：18个一阶灰度特征（first order）、8个形状特征（shape features ）、40个纹理特征（灰度共生矩阵—GLCM、灰度游程矩阵—GLRLM）和464个小波变换特征；
步骤（3）、影像特征的筛选：利用拉索回归（Lasso）算法，筛选出与鼻咽癌患者无进展生存期（progression free survival，PFS）最相关的24个影像组学特征；
步骤（4）、影像组学评分计算公式的建立：根据相关特征及其对应系数，获得每个鼻咽癌患者的鼻咽癌影像组学评分（radiomics score，Rad-score），相关特征为最少绝对收缩和选择运算符(least a bsolute shrinkage and selection operator,LASSO)确定与鼻咽癌患者无进展生存（Progression free survival，PFS）时间密切相关的影像学特征。影像组学评分计算公式为NPC Rad-score=3.489×original_glcm_InverseVariance)−0.243× (original_glrlm_LongRunLowGrayLevelEmphasis)+0.235×(wavelet_HLL_firstorder_Skewness)+5.966×(wavelet_HLL_glcm_Idmn)−3.646×(wavelet_HLL_glcm_Imc1)−2.882×(wavelet_LHL_glrlm_LongRunLowGrayLevelEmphasis)+1.714×(wavelet_LHH_firstorder_TotalEnergy)−5.983×(wavelet_LHH_glcm_JointEnergy)−2.532×(wavelet_LHH_glcm_Idn)+9.555×(wavelet_LHH_glcm_Imc1)+0.119×(wavelet_LLH_firstorder_Skewness)−0.399×(wavelet_LLH_glcm_Imc2)+0.008×(wavelet_HLH_firstorder_Kurtosis)+3.344×(wavelet_HHH_firstorder_Median)+1.328×(wavelet_HHH_firstorder_TotalEnergy)−0.001×(wavelet_HHH_firstorder_Kurtosis)+0.350×(wavelet_HHH_glcm_DifferenceVariance)−6.574×(wavelet_HHH_glcm_Idn)+0.002×(wavelet_HHH_glcm_ClusterProminence)+0.198×(wavelet_HHH_glrlm_LongRunLowGrayLevelEmphasis)−12.266×(wavelet_HHL_glcm_InverseVariance)−6.153×(wavelet_HHL_glcm_Imc1)−1.731×(wavelet_LLL_glcm_MCC)-1.944×(wavelet_LLL_glcm_Imc2)；
步骤（5）、临床危险因素的筛选：利用包括单因素COX回归分析和多因素COX回归分析对与鼻咽癌患者预后密切相关的临床病理因素进行筛选；单因素COX回归分析显示年龄、临床分期、M分期和组织分型与晚期鼻咽癌患者的PFS有关（P＜0.05），多因素COX回归分析显示年龄、M分期和组织分型为PFS的独立危险因素（P＜0.05），基于临床特征（年龄和M分期）的COX比例风险模型的C-index为0.65；
步骤（6）、预后生存模型的建立：结合鼻咽癌患者影像组学评分和临床危险因素建立预后观测模型和预测诺莫图，如图3所示，对患者PFS进行定性和定量预测，并评估该预后生存模型的性能；预后观测模型和预测诺莫图均在验证集中进行应用价值验证；预后观测模型包括影像组学评分、年龄和M分期，使用建立的模型对患者进行评分，并根据诺莫图对患者的1-5年PFS进行评估，如图4所示为预测与患者实际2年和3年的PFS拟合曲线。
以上所述仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应当视为在本发明的保护范围之内。
说明书中未详细说明的内容属于本领域技术人员熟知的现有技术。

Claims (7)

1.一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，包括以下步骤：
（1）、MRI影像处理：对鼻咽癌患者的鼻咽部增强MRI序列进行肿瘤区域勾画；
（2）、提取影像学特征：每位鼻咽癌患者共提取一定数量的影像学特征；
（3）、影像特征的筛选：利用拉索回归算法，筛选出与鼻咽癌患者无进展生存期最相关的多个影像组学特征；
（4）、影像组学评分计算公式的建立：根据相关特征及其对应系数，获得每个鼻咽癌患者的鼻咽癌影像组学评分；
（5）、临床危险因素的筛选：利用COX回归分析对与鼻咽癌患者预后密切相关的临床病理因素进行筛选；
（6）、预后生存模型的建立：结合鼻咽癌患者影像组学评分和临床危险因素建立预后观测模型，对患者PFS进行定性和定量预测，并评估该预后生存模型的性能；
步骤（5）中所述COX回归分析包括单因素COX回归分析和多因素COX回归分析，所述单因素COX回归分析显示年龄、临床分期、M分期和组织分型与晚期鼻咽癌患者的PFS有关，P＜0.05，多因素COX回归分析显示年龄、M分期和组织分型为PFS的独立危险因素，P＜0.05，基于临床特征年龄和M分期的COX比例风险模型的C-index为0.65，所述步骤（6）中，结合患者影像组学评分和临床危险因素还建立有预测诺莫图；预后观测模型和预测诺莫图均在验证集中进行应用价值验证；所述预后观测模型包括影像组学评分、年龄和M分期，使用建立的模型对患者进行评分，并根据诺莫图对患者的1-5年PFS进行评估。
2.根据权利要求1所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，所述步骤（1）包括：1）、收集III-IV期鼻咽癌患者的临床、病理特征和随访资料；2）、获取上述患者的鼻咽部MRI图像，并将患者按照3:1的比例随机分为训练集和验证集；3）、利用软件程序包Radiomics对增强MRI图像进行整理和靶区分割。
3.根据权利要求2所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，所述临床、病理特征具体包括年龄、性别、病理类型、TMN分期、初治前Hb和WBC平均水平，随访资料包括患者无进展生存时间和总生存时间。
4.根据权利要求1所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，步骤（2）中所述影像学特征通过基于python平台的程序包Pyradiomics提取；所述影像学特征包括：一阶灰度特征、形状特征、纹理特征和小波变换特征。
5.根据权利要求4所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，所述影像学特征为530个，包括一阶灰度特征18个，形状特征8个，纹理特征40个，小波变换后特征464个；所述影像组学特征为24个。
6.根据权利要求1所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，步骤（4）中，所述相关特征为最少绝对收缩和选择运算符确定与鼻咽癌患者无进展生存时间密切相关的影像学特征。
7.根据权利要求1所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，步骤（4）中的所述影像组学评分计算公式为NPC Rad-score=3.489× (original_glcm_InverseVariance)−0.243×(original_glrlm_LongRunLowGrayLevelEmphasis)+0.235×(wavelet_HLL_firstorder_Skewness)+5.966×(wavelet_HLL_glcm_Idmn)−3.646×(wavelet_HLL_glcm_Imc1)−2.882×(wavelet_LHL_glrlm_LongRunLowGrayLevelEmphasis)+1.714×(wavelet_LHH_firstorder_TotalEnergy)−5.983×(wavelet_LHH_glcm_JointEnergy)−2.532×(wavelet_LHH_glcm_Idn)+9.555×(wavelet_LHH_glcm_Imc1)+0.119×(wavelet_LLH_firstorder_Skewness)−0.399×(wavelet_LLH_glcm_Imc2)+0.008×(wavelet_HLH_firstorder_Kurtosis)+3.344×(wavelet_HHH_firstorder_Median)+1.328×(wavelet_HHH_firstorder_TotalEnergy)−0.001×(wavelet_HHH_firstorder_Kurtosis)+0.350×(wavelet_HHH_glcm_DifferenceVariance)−6.574×(wavelet_HHH_glcm_Idn)+0.002×(wavelet_HHH_glcm_ClusterProminence)+0.198×(wavelet_HHH_glrlm_LongRunLowGrayLevelEmphasis)−12.266×(wavelet_HHL_glcm_InverseVariance)−6.153×(wavelet_HHL_glcm_Imc1)−1.731×(wavelet_LLL_glcm_MCC)-1.944×(wavelet_LLL_glcm_Imc2)。
CN202010545739.6A 2020-06-16 2020-06-16 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 Active CN111657945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010545739.6A CN111657945B (zh) 2020-06-16 2020-06-16 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010545739.6A CN111657945B (zh) 2020-06-16 2020-06-16 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法

Publications (2)

Publication Number Publication Date
CN111657945A CN111657945A (zh) 2020-09-15
CN111657945B true CN111657945B (zh) 2023-09-12

Family

ID=72387526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010545739.6A Active CN111657945B (zh) 2020-06-16 2020-06-16 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法

Country Status (1)

Country Link
CN (1) CN111657945B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951962B (zh) * 2020-07-27 2022-03-11 中山大学孙逸仙纪念医院 一种贝伐单抗治疗放射性脑损伤疗效预测模型及其构建方法
TWI775161B (zh) * 2020-09-28 2022-08-21 臺北醫學大學 腫瘤復發預測裝置與方法
CN112270660B (zh) * 2020-09-30 2022-09-09 四川大学 基于深度神经网络的鼻咽癌放疗靶区自动分割方法
CN112329876A (zh) * 2020-11-16 2021-02-05 中山大学附属第六医院 一种基于影像组学的结直肠癌预后预测方法及设备
CN112651507B (zh) * 2020-12-22 2024-03-29 福建医科大学附属第一医院 肝细胞癌的微血管侵犯预测模型构建方法与概率预测方法
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
CN113591919B (zh) * 2021-06-29 2023-07-21 复旦大学附属中山医院 基于ai对早期肝细胞癌术后复发预后的分析方法及系统
CN113393938B (zh) * 2021-07-13 2022-09-13 华南理工大学 一种融合影像和临床特征信息的乳腺癌风险预测系统
CN113643805B (zh) * 2021-08-10 2024-04-02 复旦大学附属华山医院 基于影像组学的脑膜瘤伽马刀治疗后水肿预测系统
CN113610845B (zh) * 2021-09-09 2024-04-26 汕头大学医学院附属肿瘤医院 肿瘤局部控制预测模型的构建方法、预测方法及电子设备
CN113822863B (zh) * 2021-09-13 2023-05-26 桂林电子科技大学 一种鼻咽癌概率图谱获取及定量分析方法
CN114190958B (zh) * 2021-11-08 2022-11-22 南方医科大学南方医院 一种基于影像组学的pd-1疗效预测模型及其构建方法
CN115148365B (zh) * 2022-05-31 2023-06-02 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统
CN115458160B (zh) * 2022-10-12 2023-06-20 浙江大学 乳腺肿瘤患者全程的智能化管理系统、方法、设备及介质
CN116740386A (zh) * 2023-05-17 2023-09-12 首都医科大学宣武医院 图像处理方法、装置、设备和计算机可读存储介质
CN116385441B (zh) * 2023-06-05 2023-09-05 中国科学院深圳先进技术研究院 一种基于mri对少突胶质细胞瘤进行风险分层的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653858A (zh) * 2015-12-31 2016-06-08 中国科学院自动化研究所 一种基于影像组学的病变组织辅助预后系统和方法
CN110643703A (zh) * 2019-08-26 2020-01-03 中国医学科学院肿瘤医院 bTMB生物标记、测定方法和用途
CN110895280A (zh) * 2019-12-03 2020-03-20 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 用于预测鼻咽癌转移的免疫评分及其应用
CN111128328A (zh) * 2019-10-25 2020-05-08 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 鼻咽癌结构化影像报告及数据处理系统和方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6650453B2 (ja) * 2014-12-03 2020-02-19 ベンタナ メディカル システムズ， インコーポレイテッド 早期癌予知のための計算病理学システム及び方法
US10980519B2 (en) * 2015-07-14 2021-04-20 Duke University Systems and methods for extracting prognostic image features

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653858A (zh) * 2015-12-31 2016-06-08 中国科学院自动化研究所 一种基于影像组学的病变组织辅助预后系统和方法
CN110643703A (zh) * 2019-08-26 2020-01-03 中国医学科学院肿瘤医院 bTMB生物标记、测定方法和用途
CN111128328A (zh) * 2019-10-25 2020-05-08 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 鼻咽癌结构化影像报告及数据处理系统和方法
CN110895280A (zh) * 2019-12-03 2020-03-20 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 用于预测鼻咽癌转移的免疫评分及其应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Lu Zhang et al.Radiomic Nomogram Pretreatment Evaluation of Local Recurrence in Nasopharyngeal Carcinoma based on MR Imaging.Journal of Cancer 2019.2019,第10卷(第18期),第4217-4225页. *

Also Published As

Publication number Publication date
CN111657945A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111657945B (zh) 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法
Sheikh et al. Predicting acute radiation induced xerostomia in head and neck Cancer using MR and CT Radiomics of parotid and submandibular glands
Nougaret et al. Intravoxel incoherent motion–derived histogram metrics for assessment of response after combined chemotherapy and radiation therapy in rectal cancer: initial experience and comparison between single-section and volumetric analyses
EP3209202B1 (en) Apparatus to select radiation dosage for tumor treatment based on cellular imaging
CN108428233B (zh) 基于知识的自动图像分割
CN113610845A (zh) 肿瘤局部控制预测模型的构建方法、预测方法及电子设备
US9305351B2 (en) Method of determining the probabilities of suspect nodules being malignant
CN111311558A (zh) 一种用于胰腺癌预测的影像组学模型的构建方法
CN111247592B (zh) 用于随时间量化组织的系统和方法
CN110728239A (zh) 一种利用深度学习的胃癌增强ct图像自动识别系统
CN110021022A (zh) 一种基于深度学习的甲状腺核医学图像诊断方法
Pareek et al. Predicting the spread of vessels in initial stage cervical cancer through radiomics strategy based on deep learning approach
CN114549463A (zh) 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质
Liu et al. Molecular subtype classification of breast cancer using established radiomic signature models based on 18F-FDG PET/CT images
Li et al. Predictive Ki-67 proliferation index of cervical squamous cell carcinoma based on IVIM-DWI combined with texture features
Frighetto-Pereira et al. Semiautomatic classification of benign versus malignant vertebral compression fractures using texture and gray-level features in magnetic resonance images
Niccoli-Asabella et al. Prospective analysis of 18 F-FDG PET/CT predictive value in patients with low rectal cancer treated with neoadjuvant chemoradiotherapy and conservative surgery
Kang et al. Can 18F-FDG PET/CT predict recurrence in patients with cutaneous malignant melanoma?
Hasan et al. A classification model of breast masses in DCE-MRI using kinetic curves features with quantum-Raina’s polynomial based fusion
CN115797308A (zh) 一种基于dce-mri的乳腺肿瘤分割方法
CN110738649A (zh) 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法
CN114783517A (zh) 基于影像组学及语义特征预测crlm患者的ras基因状态
Kanakatte et al. A pilot study of automatic lung tumor segmentation from positron emission tomography images using standard uptake values
CN113393938A (zh) 一种融合影像和临床特征信息的乳腺癌风险预测系统
Turk et al. Comparison of Unet3D models for kidney tumor segmentation

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