CN111862079A - 基于影像组学的高级别浆液性卵巢癌复发风险预测系统 - Google Patents

基于影像组学的高级别浆液性卵巢癌复发风险预测系统 Download PDF

Info

Publication number
CN111862079A
CN111862079A CN202010755346.8A CN202010755346A CN111862079A CN 111862079 A CN111862079 A CN 111862079A CN 202010755346 A CN202010755346 A CN 202010755346A CN 111862079 A CN111862079 A CN 111862079A
Authority
CN
China
Prior art keywords
image
module
tumor segmentation
recurrent
dimensional tumor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010755346.8A
Other languages
English (en)
Other versions
CN111862079B (zh
Inventor
龚敬
李海明
顾雅佳
彭卫军
童彤
朱晖
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.)
Fudan University Shanghai Cancer Center
Original Assignee
Fudan University Shanghai Cancer Center
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 Fudan University Shanghai Cancer Center filed Critical Fudan University Shanghai Cancer Center
Priority to CN202010755346.8A priority Critical patent/CN111862079B/zh
Publication of CN111862079A publication Critical patent/CN111862079A/zh
Application granted granted Critical
Publication of CN111862079B publication Critical patent/CN111862079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开一种基于影像组学的高级别浆液性卵巢癌复发风险预测系统，包括T1加权增强影像组学处理、T2加权影像组学处理和信息融合。其中，影像组学处理主要包括：三维肿瘤分割、图像标准化、影像组学特征提取、特征归一化、特征筛选、SMOTE重采样、分类器训练；信息融合主要对T1和T2影像组学处理输出的复发风险预测概率进行融合，进一步提高风险预测的准确率。

Description

基于影像组学的高级别浆液性卵巢癌复发风险预测系统
技术领域
本发明涉及计算机辅助诊断技术领域，特别是涉及一种基于影像组学方法的高级别浆液性卵巢癌复发风险预测系统。
背景技术
高级别浆液性卵巢癌(High-grade serous ovarian cancer,HGSOC)是最常见的卵巢癌亚型，约占70％，绝大多数患者就诊时已为进展期。目前，首选的治疗方案仍为初始的肿瘤细胞减灭术辅以术后基于铂的化疗。尽管初始治疗的有效率可达80％，但约85％的患者会出现肿瘤复发直至发生耐药，总体5年生存率仅30％左右。临床上，仍缺乏有效且可靠的标记物来判断肿瘤的复发风险，是妇瘤科医师亟待解决的难点。近来的研究显示基于PARPI抑制剂+贝伐珠单抗的维持治疗可显著延长患者的无进展生存期(Progression-freesurvival，PFS)。因此，提早检出具有高复发风险的HGSOC患者，进行一线的维持治疗，可带来具有潜在意义的临床获益。磁共振成像(Magnetic resonance imaging，MRI)具有软组织对比度高、多序列和多参数成像的优点，在卵巢癌的评估中发挥着重要作用。前期的研究表明基于常规序列的形态学特征和基于功能序列的定量参数在卵巢癌的复发及预后预测方面价值均有限。近几年，影像组学在肿瘤领域的应用展现出了很好的前景，能够有效的指导临床决策制定。因此，我们通过提取HGSOC原发灶的MRI组学特征，融合临床因素，构建预测进展期HGSOC复发风险的模型，具有重要的理论意义和应用价值。
发明内容
本发明利用T1加权增强影像和T2加权影像，设计了一种基于磁共振影像组学方法的高级别浆液性卵巢癌复发风险预测系统，实现了高级别浆液性卵巢癌病人的复发风险早期精准预测。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供一种基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特点在于，其包括肿瘤分割模块、图像标准化模块、特征提取模块、特征归一化模块、特征筛选模块、重采样模块、训练模块和信息融合模块；
所述肿瘤分割模块用于分别对获取的T1原始样本中每一T1加权增强影像和T2原始样本中每一T2加权影像中的原发肿瘤区域进行三维肿瘤分割，以获得T1三维肿瘤分割图像和T2三维肿瘤分割图像；
所述图像标准化模块用于分别将T1三维肿瘤分割图像和T2三维肿瘤分割图像的灰度值标准化至最佳显示范围和归一化，并分别对T1三维肿瘤分割图像和T2三维肿瘤分割图像进行重采样使图像分辨率标准化；
所述特征提取模块用于运用影像组学特征提取包量化计算标准化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像的1046种影像组学特征；
所述特征归一化模块用于分别对每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的每种影像组学特征进行归一化处理；
所述特征筛选模块用于分别对归一化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的影像组学特征进行筛选以获得T1影像组学最佳特征集和T2影像组学最佳特征集；
所述重采样模块用于分别根据T1原始样本对应的复发和未复发样本的比例和T2原始样本对应的复发和未复发样本的比例设定重采样概率，分别对T1影像组学最佳特征集的未复发样本和T2影像组学最佳特征集的未复发样本进行重采样，以使得T1影像组学最佳特征集的复发和未复发样本数量基本一致和T2影像组学最佳特征集的复发和未复发样本数量基本一致；
所述训练模块用于选用分类器，利用重采样后的每个T1影像组学最佳特征集和T2影像组学最佳特征集分别构建和训练对应的预测模型，从而分别输出每个原始样本对应的复发风险概率PT1和PT2；
所述信息融合模块用于将每个原始样本对应的复发风险概率PT1和PT2进行信息融合以筛选出最佳融合模型。
较佳地，所述肿瘤分割模块用于利用ITK-Snap软件并通过全自动或交互式分割方式分别对T1加权增强影像和T2加权影像中的原发肿瘤区域进行三维肿瘤分割。
较佳地，所述图像标准化模块用于运用窗宽窗位调节技术，根据磁共振序列图像中每层图像默认的窗宽和窗位分别将T1三维肿瘤分割图像和T2三维肿瘤分割图像的灰度值标准化至最佳显示范围，再统一归一化至[0,1200]，并运用三次样条差值算法，分别对T1三维肿瘤分割图像和T2三维肿瘤分割图像进行重采样使图像分辨率分别标准化至[1mm,1mm,5mm]和[1mm,1mm,8mm]。
较佳地，所述特征提取模块用于运用影像组学特征提取包PyRadiomics量化计算标准化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像的1046种影像组学特征，主要包括100种原始图像特征、258种LoG图像特征和688种小波图像特征，主要涵盖3D形状特征、灰度直方图特征和纹理特征；
其中，纹理特征主要包括：灰度共生矩阵纹理特征、灰度大小区域矩阵纹理特征、灰度游程长度矩阵纹理特征、相邻灰度色调差异矩阵纹理特征和灰度依赖矩阵纹理特征。
较佳地，所述特征归一化模块用于运用min-max标准化方法分别对每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的每种影像组学特征进行归一化处理。
较佳地，所述特征筛选模块用于运用L1正则化特征选择方法分别对归一化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的影像组学特征进行筛选，以获得T1影像组学最佳特征集和T2影像组学最佳特征集。
较佳地，所述重采样模块用于根据T1原始样本对应的复发和未复发样本的比例设定重采样概率，运用SMOTE重采样方法对T1影像组学最佳特征集中的未复发样本进行重采样以使得T1影像组学最佳特征集中的复发和未复发样本数量基本一致，根据T2原始样本对应的复发和未复发样本的比例设定重采样概率，运用SMOTE重采样方法对T2影像组学最佳特征集中的未复发样本进行重采样以使得T2影像组学最佳特征集中的复发和未复发样本数量基本一致。
较佳地，所述训练模块用于选用SVM分类器，利用重采样后的每个T1影像组学最佳特征集和T2影像组学最佳特征集分别构建和训练对应的预测模型，从而分别输出每个原始样本对应的复发风险概率PT1和PT2。
较佳地，所述信息融合模块用于将每个原始样本对应的复发风险概率PT1和PT2进行信息融合获得多个融合模型，从该些融合模型中筛选出最佳融合模型；
信息融合策略的公式表示如下：
Figure BDA0002611367620000041
其中，PT1和PT2分别表示基于T1加权增强影像的预测模型和基于T2加权影像的预测模型的输出概率，min和max表示取两者中的最小值和最大值。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：
本发明基于MRI影像组学的HGSOC复发风险预测系统，主要是通过高通量地提取肿瘤内部影像特征，运用机器学习分类器构建预测模型，实现复发风险的早期预测。该系统能够在挖掘肿瘤内部异质性信息的基础上，探究肿瘤影像学表型与病人复发风险间的关联，实现HGSOC复发风险的早期监测，辅助临床进行决策。
本发明与目前国内外文献报道的高级别浆液性卵巢癌的复发风险预测模型相比，提出了一种基于磁共振影像组学特征分析的预测模型，能够融合T1加权增强影像和T2加权影像的图像信息，无创性地预测高级别浆液性卵巢癌的复发风险，提高复发风险预测的准确率。
附图说明
图1为本发明较佳实施例的基于影像组学的高级别浆液性卵巢癌复发风险预测系统的结构框图。
图2为本发明较佳实施例的影像组学处理模块实施流程图。
图3为本发明较佳实施例的预实验结果示例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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的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。
如图1所示，本实施例提供一种基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其包括肿瘤分割模块1、图像标准化模块2、特征提取模块3、特征归一化模块4、特征筛选模块5、重采样模块6、训练模块7和信息融合模块8。
所述肿瘤分割模块1用于利用ITK-Snap软件(http://www.itksnap.org/)并通过全自动或交互式分割方式分别对获取的T1原始样本中每一T1加权增强影像和T2原始样本中每一T2加权影像中的原发肿瘤区域进行三维肿瘤分割，勾画卵巢肿瘤的边界，以获得T1三维肿瘤分割图像和T2三维肿瘤分割图像。
所述图像标准化模块2用于运用窗宽窗位调节技术，根据磁共振序列图像中每层图像默认的窗宽和窗位分别将T1三维肿瘤分割图像和T2三维肿瘤分割图像的灰度值标准化至最佳显示范围，再统一归一化至[0,1200]，并运用三次样条差值算法，分别对T1三维肿瘤分割图像和T2三维肿瘤分割图像进行重采样使图像分辨率分别标准化至[1mm,1mm,5mm]和[1mm,1mm,8mm]。
所述特征提取模块3用于运用影像组学特征提取包PyRadiomics(https://pyradiomics.readthedocs.io/)量化计算标准化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像的1046种影像组学特征，主要包括100种原始图像特征、258种LoG图像特征和688种小波图像特征，主要涵盖3D形状特征、灰度直方图特征和纹理特征。
其中，纹理特征主要包括：灰度共生矩阵纹理特征、灰度大小区域矩阵纹理特征、灰度游程长度矩阵纹理特征、相邻灰度色调差异矩阵纹理特征和灰度依赖矩阵纹理特征。
所述特征归一化模块4用于运用min-max标准化方法分别对每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的每种影像组学特征进行归一化处理。
特征归一化主要是运用min-max标准化(亦称为离差数值标准化)方法，将不同类型的影像图像特征归一化至0～1范围内，以提升模型的收敛速度、提高训练模型的鲁棒性和精度。对某种影像特征X的归一化计算公式如下：
Figure BDA0002611367620000071
其中，Xnormalization表示归一化后特征值，X为原始特征值，max表示原始特征的最大值，min表示原始特征的最小值。
所述特征筛选模块5用于运用L1正则化特征选择方法分别对归一化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的影像组学特征进行筛选，以获得T1影像组学最佳特征集和T2影像组学最佳特征集。
特征筛选主要是运用L1正则化(Lasso回归)特征选择方法，从上千种影像组学特征中筛选出具有较好分类能力的影像特征，以消除噪声特征和消除关联的特征，减少训练开销，提高分类模型训练的准确率，降低过拟合。
所述重采样模块6用于根据T1原始样本对应的复发和未复发样本的比例设定重采样概率，运用SMOTE重采样方法对T1影像组学最佳特征集中的未复发样本进行重采样以使得T1影像组学最佳特征集中的复发和未复发样本数量基本一致，根据T2原始样本对应的复发和未复发样本的比例设定重采样概率，运用SMOTE重采样方法对T2影像组学最佳特征集中的未复发样本进行重采样以使得T2影像组学最佳特征集中的复发和未复发样本数量基本一致。
SMOTE重采样主要用于平衡训练样本中两组数据的平衡性，对训练集里面样本数量较少类别(未复发病人)的特征值进行过采样，合成新的特征样本来缓解两类样本的不平衡。具体算法流程如下：①对于每一个未复发样本的特征值FNon-Recurrence，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其K近邻。②根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于每一个未复发样本样本FNon-Recurrence，从其K近邻中随机选择若干个样本，假设选择的近邻为Fn。③对于每一个随机选出的近邻Fn，分别与原样本按照如下的公式构建新的样本为Fnew＝FNon-Recurrence+rand(0,1)×|FNon-Recurrence-Fn|。
所述训练模块7用于选用SVM分类器，利用重采样后的每个T1影像组学最佳特征集和T2影像组学最佳特征集分别构建和训练对应的预测模型，从而分别输出每个原始样本对应的复发风险概率PT1和PT2。
分类器训练主要是运用经过重采样后的样本特征，训练支持向量机(SupportVector Machine,SVM)分类器构建分类模型，预测高级别浆液性卵巢癌的复发概率。在样本量小的情况下，采用留一法交叉验证方法，对分类模型性能进行测试。
所述信息融合模块8用于将每个原始样本对应的复发风险概率PT1和PT2进行信息融合获得多个融合模型，从该些融合模型中筛选出最佳融合模型。
信息融合策略的公式表示如下：
Figure BDA0002611367620000081
其中，PT1和PT2分别表示基于T1加权增强影像的预测模型和基于T2加权影像的预测模型的输出概率，min和max表示取两者中的最小值和最大值。
本发明的效果通过以下实验进一步说明：
1、实验条件：
本实验数据来自复旦大学附属肿瘤医院中117名患者。其中，由经至少18个月的随访，术后复发病人90个，未复发病人27个。在python 3.7环境下，运用scikit-learn、pyradiomics、scipy等开源库，搭建基于影像组学的高级别浆液性卵巢癌复发风险预测模型。
2、实验结果及结果分析
见图3，利用T1加权增强图像和T2加权影像构建模型的AUC值分别为0.79±0.04(95％CI：[0.69,0.86])和0.74±0.05(95％CI：[0.63，0.83])，融合两种不同的影像特征模型的AUC达到0.85±0.04，(95％CI：[0.75，0.90])。与使用单种影像特征的模型相比，融合模型能够有效提升进展期HGSOC复发风险的预测准确率(p<0.05)。与近年来相关同类研究比较，新方法优于同类研究高级别浆液性卵巢癌复发风险预测方法的实验结果，因此，该方法具有一定的优越性。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (9)

1.一种基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特征在于，其包括肿瘤分割模块、图像标准化模块、特征提取模块、特征归一化模块、特征筛选模块、重采样模块、训练模块和信息融合模块；
所述肿瘤分割模块用于分别对获取的T1原始样本中每一T1加权增强影像和T2原始样本中每一T2加权影像中的原发肿瘤区域进行三维肿瘤分割，以获得T1三维肿瘤分割图像和T2三维肿瘤分割图像；
所述图像标准化模块用于分别将T1三维肿瘤分割图像和T2三维肿瘤分割图像的灰度值标准化至最佳显示范围和归一化，并分别对T1三维肿瘤分割图像和T2三维肿瘤分割图像进行重采样使图像分辨率标准化；
所述特征提取模块用于运用影像组学特征提取包量化计算标准化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像的1046种影像组学特征；
所述特征归一化模块用于分别对每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的每种影像组学特征进行归一化处理；
所述特征筛选模块用于分别对归一化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的影像组学特征进行筛选以获得T1影像组学最佳特征集和T2影像组学最佳特征集；
所述重采样模块用于分别根据T1原始样本对应的复发和未复发样本的比例和T2原始样本对应的复发和未复发样本的比例设定重采样概率，分别对T1影像组学最佳特征集的未复发样本和T2影像组学最佳特征集的未复发样本进行重采样，以使得T1影像组学最佳特征集的复发和未复发样本数量基本一致和T2影像组学最佳特征集的复发和未复发样本数量基本一致；
所述训练模块用于选用分类器，利用重采样后的每个T1影像组学最佳特征集和T2影像组学最佳特征集分别构建和训练对应的预测模型，从而分别输出每个原始样本对应的复发风险概率PT1和PT2；
所述信息融合模块用于将每个原始样本对应的复发风险概率PT1和PT2进行信息融合以筛选出最佳融合模型。
2.如权利要求1所述的基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特征在于，所述肿瘤分割模块用于利用ITK-Snap软件并通过全自动或交互式分割方式分别对T1加权增强影像和T2加权影像中的原发肿瘤区域进行三维肿瘤分割。
3.如权利要求1所述的基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特征在于，所述图像标准化模块用于运用窗宽窗位调节技术，根据磁共振序列图像中每层图像默认的窗宽和窗位分别将T1三维肿瘤分割图像和T2三维肿瘤分割图像的灰度值标准化至最佳显示范围，再统一归一化至[0,1200]，并运用三次样条差值算法，分别对T1三维肿瘤分割图像和T2三维肿瘤分割图像进行重采样使图像分辨率分别标准化至[1mm,1mm,5mm]和[1mm,1mm,8mm]。
4.如权利要求1所述的基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特征在于，所述特征提取模块用于运用影像组学特征提取包PyRadiomics量化计算标准化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像的1046种影像组学特征，主要包括100种原始图像特征、258种LoG图像特征和688种小波图像特征，主要涵盖3D形状特征、灰度直方图特征和纹理特征；
其中，纹理特征主要包括：灰度共生矩阵纹理特征、灰度大小区域矩阵纹理特征、灰度游程长度矩阵纹理特征、相邻灰度色调差异矩阵纹理特征和灰度依赖矩阵纹理特征。
5.如权利要求1所述的基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特征在于，所述特征归一化模块用于运用min-max标准化方法分别对每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的每种影像组学特征进行归一化处理。
6.如权利要求1所述的基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特征在于，所述特征筛选模块用于运用L1正则化特征选择方法分别对归一化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的影像组学特征进行筛选，以获得T1影像组学最佳特征集和T2影像组学最佳特征集。
7.如权利要求1所述的基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特征在于，所述重采样模块用于根据T1原始样本对应的复发和未复发样本的比例设定重采样概率，运用SMOTE重采样方法对T1影像组学最佳特征集中的未复发样本进行重采样以使得T1影像组学最佳特征集中的复发和未复发样本数量基本一致，根据T2原始样本对应的复发和未复发样本的比例设定重采样概率，运用SMOTE重采样方法对T2影像组学最佳特征集中的未复发样本进行重采样以使得T2影像组学最佳特征集中的复发和未复发样本数量基本一致。
8.如权利要求1所述的基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特征在于，所述训练模块用于选用SVM分类器，利用重采样后的每个T1影像组学最佳特征集和T2影像组学最佳特征集分别构建和训练对应的预测模型，从而分别输出每个原始样本对应的复发风险概率PT1和PT2。
9.如权利要求1所述的基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特征在于，所述信息融合模块用于将每个原始样本对应的复发风险概率PT1和PT2进行信息融合获得多个融合模型，从该些融合模型中筛选出最佳融合模型；
信息融合策略的公式表示如下：
Figure FDA0002611367610000041
其中，PT1和PT2分别表示基于T1加权增强影像的预测模型和基于T2加权影像的预测模型的输出概率，min和max表示取两者中的最小值和最大值。
CN202010755346.8A 2020-07-31 2020-07-31 基于影像组学的高级别浆液性卵巢癌复发风险预测系统 Active CN111862079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010755346.8A CN111862079B (zh) 2020-07-31 2020-07-31 基于影像组学的高级别浆液性卵巢癌复发风险预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010755346.8A CN111862079B (zh) 2020-07-31 2020-07-31 基于影像组学的高级别浆液性卵巢癌复发风险预测系统

Publications (2)

Publication Number Publication Date
CN111862079A true CN111862079A (zh) 2020-10-30
CN111862079B CN111862079B (zh) 2023-09-22

Family

ID=72945774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010755346.8A Active CN111862079B (zh) 2020-07-31 2020-07-31 基于影像组学的高级别浆液性卵巢癌复发风险预测系统

Country Status (1)

Country Link
CN (1) CN111862079B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561869A (zh) * 2020-12-09 2021-03-26 深圳大学 一种胰腺神经内分泌肿瘤术后复发风险预测方法
CN113488170A (zh) * 2021-07-02 2021-10-08 温州医科大学 急性前葡萄膜炎复发风险预测模型构建方法及相关设备
CN113902724A (zh) * 2021-10-18 2022-01-07 广州医科大学附属肿瘤医院 瘤细胞图像的分类方法及装置、设备、存储介质
CN116230227A (zh) * 2023-02-27 2023-06-06 复旦大学附属肿瘤医院 一种肺癌脑转移风险预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105316402A (zh) * 2015-04-02 2016-02-10 复旦大学附属肿瘤医院 一种预测三阴性乳腺癌预后及化疗敏感性的mRNA联合lncRNA模型及应用
US20170014108A1 (en) * 2015-07-14 2017-01-19 Duke University Systems and methods for extracting prognostic image features
US20190087532A1 (en) * 2017-09-15 2019-03-21 Case Western Reserve University Predicting recurrence in early stage non-small cell lung cancer (nsclc) with integrated radiomic and pathomic features
CN109685767A (zh) * 2018-11-26 2019-04-26 西北工业大学 一种基于聚类融合算法的双模态脑肿瘤mri分割方法
CN110265095A (zh) * 2019-05-22 2019-09-20 首都医科大学附属北京佑安医院 用于hcc复发及rfs的预测模型和诺模图的构建方法及应用
CN111353998A (zh) * 2020-05-13 2020-06-30 温州医科大学附属第一医院 一种基于人工智能的肿瘤诊疗预测模型及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105316402A (zh) * 2015-04-02 2016-02-10 复旦大学附属肿瘤医院 一种预测三阴性乳腺癌预后及化疗敏感性的mRNA联合lncRNA模型及应用
US20170014108A1 (en) * 2015-07-14 2017-01-19 Duke University Systems and methods for extracting prognostic image features
US20190087532A1 (en) * 2017-09-15 2019-03-21 Case Western Reserve University Predicting recurrence in early stage non-small cell lung cancer (nsclc) with integrated radiomic and pathomic features
CN109685767A (zh) * 2018-11-26 2019-04-26 西北工业大学 一种基于聚类融合算法的双模态脑肿瘤mri分割方法
CN110265095A (zh) * 2019-05-22 2019-09-20 首都医科大学附属北京佑安医院 用于hcc复发及rfs的预测模型和诺模图的构建方法及应用
CN111353998A (zh) * 2020-05-13 2020-06-30 温州医科大学附属第一医院 一种基于人工智能的肿瘤诊疗预测模型及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜鹏;王焕军;石宇强;刘洋;卢虹冰;郭燕;潘维滨;张曦;徐肖攀;: "基于多参数磁共振成像影像组学特征的膀胱癌复发预测", 中国医学装备, no. 11 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561869A (zh) * 2020-12-09 2021-03-26 深圳大学 一种胰腺神经内分泌肿瘤术后复发风险预测方法
CN113488170A (zh) * 2021-07-02 2021-10-08 温州医科大学 急性前葡萄膜炎复发风险预测模型构建方法及相关设备
CN113488170B (zh) * 2021-07-02 2023-07-25 温州医科大学 急性前葡萄膜炎复发风险预测模型构建方法及相关设备
CN113902724A (zh) * 2021-10-18 2022-01-07 广州医科大学附属肿瘤医院 瘤细胞图像的分类方法及装置、设备、存储介质
CN116230227A (zh) * 2023-02-27 2023-06-06 复旦大学附属肿瘤医院 一种肺癌脑转移风险预测方法

Also Published As

Publication number Publication date
CN111862079B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
CN107464250B (zh) 基于三维mri图像的乳腺肿瘤自动分割方法
CN111862079A (zh) 基于影像组学的高级别浆液性卵巢癌复发风险预测系统
CN111784671B (zh) 基于多尺度深度学习的病理图像病灶区域检测方法
CN112116605B (zh) 一种基于集成深度卷积神经网络的胰腺ct图像分割方法
US20230177682A1 (en) Systems and methods for characterizing a tumor microenvironment using pathological images
US20220058839A1 (en) Translation of images of stained biological material
CN111462042A (zh) 癌症预后分析方法及系统
Xu et al. Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients
JP7294695B2 (ja) 学習済モデルによるプログラム、情報記録媒体、分類装置、ならびに、分類方法
CN114565761A (zh) 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法
US20220108123A1 (en) Tissue microenvironment analysis based on tiered classification and clustering analysis of digital pathology images
CN112700461A (zh) 一种肺结节检测和表征类别识别的系统
JP2023543044A (ja) 組織の画像を処理する方法および組織の画像を処理するためのシステム
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
US20240054639A1 (en) Quantification of conditions on biomedical images across staining modalities using a multi-task deep learning framework
Li et al. Predicting muscle invasion in bladder cancer based on MRI: A comparison of radiomics, and single-task and multi-task deep learning
CN113764101B (zh) 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统
Giannini et al. Specificity improvement of a CAD system for multiparametric MR prostate cancer using texture features and artificial neural networks
yahia Ibrahim et al. An enhancement technique to diagnose colon and lung cancer by using double CLAHE and deep learning
CN113420793A (zh) 一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法
CN117152179A (zh) 基于U-Net和SENet实现直肠癌CT图像的分割与分类方法
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN115206497A (zh) 一种基于深度学习方法非诊断目的分析肺腺癌亚型及其解释方法
EP4086860A1 (en) Deep learning model to predict data from an image
CN116229176A (zh) 结合影像组学特征和临床特征的医学图像分类方法及设备

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