CN112037167B - 一种基于影像组学和遗传算法的目标区域确定系统 - Google Patents
一种基于影像组学和遗传算法的目标区域确定系统 Download PDFInfo
- Publication number
- CN112037167B CN112037167B CN202010706757.8A CN202010706757A CN112037167B CN 112037167 B CN112037167 B CN 112037167B CN 202010706757 A CN202010706757 A CN 202010706757A CN 112037167 B CN112037167 B CN 112037167B
- Authority
- CN
- China
- Prior art keywords
- image
- histology
- target
- individual
- region
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 22
- 238000004393 prognosis Methods 0.000 claims abstract description 58
- 238000013210 evaluation model Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000035772 mutation Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims 1
- 238000001959 radiotherapy Methods 0.000 description 13
- 206010028980 Neoplasm Diseases 0.000 description 12
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 7
- 201000002528 pancreatic cancer Diseases 0.000 description 7
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 3
- 208000008443 pancreatic carcinoma Diseases 0.000 description 3
- 238000011287 therapeutic dose Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013427 histology analysis Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种基于影像组学和遗传算法的目标区域确定系统,包括:至少一个计算机系统,存储有基于影像组学特征构建的参数确定的预后评估模型,其被配置为:(1)对接收的医学影像的感兴趣区域进行超像素分析,为每个超像素区域设定目标标签和非目标标签;(2)根据标签初始化多个标签向量作为个体;(3)对每个个体中目标标签对应的超像素区域提取影像组学特征,根据影像组学特征和预后评估模型计算个体的预后评估值,根据该预后评估值对选择个体后,经交叉、变异获得下一代;(4)重复执行步骤(3),迭代终止时,最大预后评估值的个体中目标标签对应的超像素区域为目标区域,该目标区域为施用治疗剂量做指导,以降低医疗成本。
Description
技术领域
本发明属于医学工程技术领域,具体涉及一种基于影像组学和遗传算法的目标区域确定系统。
背景技术
放射治疗是目前肿瘤治疗的主要技术手段之一。放射治疗方式通过使用高能X射线等物理方式实现对目标区域的肿瘤细胞的消灭和抑制。目前的放射治疗方式中,医生使用医学影像信息对病人的肿瘤区域进行确定,确定合适的放射治疗区域。传统的放射治疗方式中肿瘤区域的剂量分布较为一致,且针对不同的病人,尚未有定制化的治疗方案,这会导致放射治疗剂量的浪费,造成医疗成本较高。
经研究发现,很多种肿瘤本身存在较大的异质性,即肿瘤内部不同区域有着不同的生物学表现,这种表现也反映在医学影像上。影像组学方法可以量化肿瘤的异质性信息,运用统计学习的方法可以建立起医学影像与病人预后情况之间的联系。然后传统的影像组学分析方法尽管能与预后建立联系,但仍忽视了肿瘤空间上不同位置对于预后的贡献程度的差异。因此怎样找到对预后贡献最高的高危区域,根据高危区域指导医生判断病人的预后,指导放射治疗的剂量分布,对非高危区域减少放射治疗剂量,以降低医疗成本具有较高的实用意义。
申请公布号为CN102920477A的专利申请公开了一种医学影像的目标区域的边界确定装置,通过传统的图像特征处理方式确定目标区域。申请公布号为CN108765411A的专利申请公开了一种基于影像组学的肿瘤分型方法,根据影像组学特征通过聚类的方式确定肿瘤分型。经过检索,未发现根据影像组学和遗传算法确定目标区域,针对目标区域和非目标区域针对性施加不同放射治疗剂量,以降低医疗成本的技术方案。
发明内容
本发明的目的是提供一种基于影像组学和遗传算法的目标区域确定系统,通过该目标区域确定系统准确确定对预后影响最大的目标区域,该目标区域为施用治疗剂量做指导,以降低医疗成本。
为实现上述发明目的,本发明提供了一种基于影像组学和遗传算法的目标区域确定系统,包括:
至少一个计算机系统,所述计算机系统存储有基于影像组学特征构建的参数确定的预后评估模型,所述计算机系统被配置为:
(1)接收医学影像,并对医学影像的感兴趣区域进行超像素分析,获得多个超像素区域,为每个超像素区域设定目标标签和非目标标签;
(2)初始化多个标签向量,每个标签向量元素组成为目标标签和非目标标签,标签向量的长度与超像素区域的个数相等,每个标签向量作为一个个体,组成初始种群;
(3)对每个个体中目标标签对应的超像素区域提取影像组学特征,并将该影像组学特征作为参数确定的预后评估模型的输入,经计算获得个体对应的预后评估值作为选择标准,根据该选择标准对选择个体后,经交叉、变异获得下一代个体;
(4)重复执行步骤(3),直到遗传算法迭代终止时,最大预后评估值对应的个体作为最优个体,最优个体的目标标签对应的超像素区域为目标区域。
与现有技术相比,本发明具有的有益效果为:
本发明提供的基于影像组学和遗传算法的目标区域确定系统,根据感兴趣区域的标签信息来初始化个体,通过基于影像组学特征构建的参数确定的预后评估模型来评估个体的预后评价值,然后根据预后评价值选择个体进行交叉变异得到最优个体,将最优个体中目标标签对应的区域为目标区域,这样能够准确确定对预后影响最大的目标区域,该目标区域为施用治疗剂量做指导,能够降低医疗成本。
附图说明
为了更清楚地说明本发明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做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是实施例提供的基于影像组学和遗传算法的目标区域确定系统的被配置执行步骤的流程图;
图2是实施例提供的胰腺肿瘤的CT图像,其中,(a)原始胰腺肿瘤的CT图像,(b)为局部放大图;
图3是实施例提供的对图2所示CT图像中感兴趣区域的超像素化的图像;
图4是实施例提供的经过优化过的目标区域示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
本实施例提供了一种基于影像组学和遗传算法的目标区域确定系统,包括至少一个计算机系统,所述计算机系统存储有基于影像组学特征构建的参数确定的预后评估模型。
该预后评估模型用于评估输入影像组学特征的预后评估值,该预后评估值可以作为遗传算法中个体选择的标准,具体根据医学影像数据与预后信息来构建预后评估模型,该预后评估模型的构建过程为:
(a)采集医学影像,确定医学影像的感兴趣区域和对应的预后标签。
本实施例中,采集的医学影像需要具有相同的疾病种类,医学影像需为同一模态,且所有医学影像的获取时间应在放射治疗之前,入组患者的治疗手段应保持一致,即所有入组患者在接受放射治疗前都接受了相同方式的治疗,入组患者须有明确的随访结果,即从接受放射治疗开始到疾病状态出现进展(复发、转移、死亡等)所用的时间。如截止到随访时间,患者仍未出现疾病状态进展应明确表明未进展。
为保证所构建的预后评估模型的准确率,实施例要求医学影像样本数量应在100以上,且出现疾病状态进展的患者人数不小于总人数的一半。
本实施例中,将医学影像中用于放射治疗的区域为感兴趣区域,该感兴趣区域一般都通过放射科医生勾画,当感兴趣区域的放射治疗结果在时间t未发生进展,则预后标签为1,当感兴趣区域的放射治疗结果在时间t发生进展,则预后标签为0。即一个样本包括感兴趣区域对应的影像组学特征、时间t,以及时间t时发生进展或未发生进展的预后标签三部分。
(b)对原始感兴趣区域进行小波变换。
本实施例中,可以采用不同的参数对原始感兴趣区域进行多次小波变换,获得多批小波变换后的感兴趣区域。
(c)采用影像组学方法分别对原始感兴趣区域和小波变换后的感兴趣区域进行特征量化,提取影像组学特征。
对感兴趣区域进行特征量化能够充分量化感兴趣区域中包含的病灶异质性信息。特征量化包括基于强度信息的强度量化和基于纹理信息的纹理量化。
其中,强度量化是基于感兴趣区域的灰度直方图,获取图像的熵、能量、均值、最大值等信息,以提取影像组学特征。
纹理量化是通过统计感兴趣区域中不同纹理的像素区域出现的频次,获得图像灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵、邻域灰度差矩阵,以此提取影像组学特征。灰度共生矩阵是统计不同强度的像素对得到的矩阵,灰度游程矩阵是统计不同强度的直线区域得到的矩阵,灰度区域大小矩阵是统计不同强度的连通域得到的矩阵,邻域灰度差矩阵是统计不同强度差的区域对得到的矩阵。
每个矩阵和灰度直方图中包含多个影像组学特征,所有矩阵和灰度直方图中影像组学特征的累积个数要超过500,这样构建的影像组学特征更全面,能够提升预后评估模型的训练效果。
(d)构建预后评估模型,并采用感兴趣区域对应的影像组学特征和预后标签作为样本对预后评估模型的参数进行优化,得到参数确定的预后评估模型。
所述预后评估模型为:
其中,h(t,X)为对影像组学特征X在t时刻出现进展的预后评估概率值,h(t,0)为影像组学特征X为0时在t时刻出现进展的预后评估概率值,即基准评估值,该基准评估值h(t,0)在每个时刻是个定值,训练时不对该基准评估值h(t,0)优化,β为影像组学特征对应的权重系数,该权重系数为需要被优化的预后评估模型的参数。
采用感兴趣区域对应的影像组学特征和预后标签作为样本对预后评估模型的参数进行优化时,需要对影像组学特征进行筛选,为了防止预后评估模型的过拟合,导致模型泛化能力弱,在特征筛选时采用基于交叉验证的最小压缩估计算法,优化的目标函数为交叉验证中的平均回归误差,在该算法中选择使得交叉验证的平均回归误差最小的惩罚项系数,并基于该系数确定最佳的特征子集。具体过程为:
根据交叉验证中的平均回归误差、影像组学特征权重组成的惩罚项构建优化目标函数为:
其中,为优化目标函数值,i和j均为样本X索引,i,j的取值为1~n,n为自然数,tj表示出现第j个样本出现进展的时间,ti表示出现第i个样本出现进展的时间,/>表示对出现进展的时间(tj)大于样本i的进展时间ti的样本Xj的/>进行求和,k为影像组学特征权重β的索引,取值为1~d,d为特征的个数,λ为惩罚项权重,|βk|为影像组学特征权重βk的L1范数;
利用该优化目标函数进行影像组学特征的筛选优化,优化时使得影像组学特征权重为0的影像组学特征个数不断增多,最终实现平均回归误差与影像组学特征个数之间的平衡,优化截止时,不为0的影像组学特征权重对应的影像组学特征为筛选保留的影像组学特征。
优化时,采用交叉验证的方法,通过选择的影像组学特征在不同折的样本中的平均回归误差中选择平均回归误差最小时采用的λ值为最优惩罚项权重值,依据该最优惩罚项权重值进行影像组学特征的筛选优化,以确定不为0的影像组学特征权重对应的影像组学特征为筛选保留的影像组学特征。
上述存储有基于影像组学特征构建的参数确定的预后评估模型的计算机系统被配置为:
步骤1,接收医学影像,并对医学影像的感兴趣区域进行超像素分析,获得多个超像素区域,为每个超像素区域设定目标标签和非目标标签。
在医学影像上,不同像素表征的不同的生理特征,因此,本实施例通过像素对医学影像进行区域划分。超像素是由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域,一般用于图像分隔。本实施例中,采用k均值聚类算法对医学影像的感兴趣区域进行超像素分析,获得多个超像素区域。在采用k均值聚类算法对医学影像的感兴趣区域进行超像素分析时,聚类元素为像素点灰度值和像素点空间位置。这样能够同时满足每个超像素区域的灰度值接近,空间位置也接近,即使得获得的图像的超像素之间是连通的。
在获得超像素区域基础上,还为每个超像素区域设定目标标签和非目标标签,当认为超像素区域与预后结果关联性较大时,该超像素区域设为目标区域,对应的目标标签设为1,认为超像素区域与预后结果关联性较小时,该超像素区域设为非目标区域,对应的非目标标签设为0。
步骤2,初始化多个标签向量,每个标签向量元素组成为目标标签和非目标标签,标签向量的长度与超像素区域的个数相等,每个标签向量作为一个个体,组成初始种群。
本实施例根据超像素区域的标签初始化作为个体的标签向量,每个标签向量由0和1组成,标签向量长度为超像素区域个数M。
步骤3,对每个个体中目标标签对应的超像素区域提取影像组学特征,并将该影像组学特征作为参数确定的预后评估模型的输入,经计算获得个体对应的预后评估值作为选择标准,根据该选择标准对选择个体后,经交叉、变异获得下一代个体。
每个个体中的0,1分布,代表感兴趣区域的目标区域和非目标区域的分布情况,采用上述方法提取目标区域的影像组学特征,然后根据前期构建的预后评估模型得到目标区域对应的预后评估值,将该预后评估值作为选择标准选择个体作为父代,然后经对父代做交叉、变异得到下一代。交叉是指根据父代个体对应的标签向量产生新向量,变异是对新向量中某些超像素区域对应的标签作变动,交叉的结果和变异的结果共同组成下一代。
步骤4,重复执行步骤3,直到遗传算法迭代终止时,最大预后评估值对应的个体作为最优个体,最优个体的目标标签对应的超像素区域为目标区域。
上述计算机系统包括一个或多个存储指令的非临时性计算机可读存储设备,存储指令由处理器、计算机系统执行时可进行上述的各种提取、构造以及计算操作。计算机可以为台式计算机、便携式计算机、工作站、云端服务器、个人数字助理或任何其他计算机系统。计算机系统包括处理器、只读存储器(ROM)、随机存取存储器(RAM)、连接外围设备(如输入设备、输出设备、存储设备等)的输入/输出适配器、连接的输入设备(如键盘、鼠标、触摸屏、语音输入)、和/或其他设备的用户界面适配器、将计算机连接至网络的通讯适配器、将计算机连接至显示器的显示器适配器等。举例说明,显示器可以用来显示确定的目标区域。
实验例
该实验例选择如图2所示的胰腺癌肿瘤患者的CT图像,其中,(a)原始胰腺肿瘤的CT图像,(b)为局部放大图。依据胰腺癌肿瘤患者的CT图像来构建用于预测胰腺癌患者复发的预后评估模型。
在实际应用时,对作为感兴趣区域的肿瘤区域进行像素化分析时,采用的超像素区域个数为20,提取的超像素区域如图3所示,然后,基于遗传算法优化获得的作为目标区域的高危区域,如图4所示,红色区域为高危区域,蓝色区域为低危区域。本实例中采用的种群数量为20,标签向量大小为20,迭代次数为400次,交叉概率为0.6,变异概率为0.01。
上述提供的基于影像组学和遗传算法的目标区域确定系统,根据感兴趣区域的标签信息来初始化个体,通过基于影像组学特征构建的参数确定的预后评估模型来评估个体的预后评价值,然后根据预后评价值选择个体进行交叉变异得到最优个体,将最优个体中目标标签对应的区域为目标区域,这样能够准确确定对预后影响最大的目标区域,该目标区域为施用治疗剂量做指导,能够降低医疗成本。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于影像组学和遗传算法的目标区域确定系统,其特征在于,包括:
至少一个计算机系统,所述计算机系统存储有基于影像组学特征构建的参数确定的预后评估模型,所述计算机系统被配置为:
(1)接收医学影像,并对医学影像的感兴趣区域进行超像素分析,获得多个超像素区域,为每个超像素区域设定目标标签和非目标标签;
(2)初始化多个标签向量,每个标签向量元素组成为目标标签和非目标标签,标签向量的长度与超像素区域的个数相等,每个标签向量作为一个个体,组成初始种群;
(3)对每个个体中目标标签对应的超像素区域提取影像组学特征,并将该影像组学特征作为参数确定的预后评估模型的输入,经计算获得个体对应的预后评估值作为选择标准,根据该选择标准对选择个体后,经交叉、变异获得下一代个体;
(4)重复执行步骤(3),直到遗传算法迭代终止时,最大预后评估值对应的个体作为最优个体,最优个体的目标标签对应的超像素区域为目标区域;
其中,对每个个体中目标标签对应的超像素区域提取影像组学特征时,根据优化目标函数对影像组学特征进行筛选,将筛选保留的影像组学特征作为参数确定的预后评估模型的输入,优化目标函数根据交叉验证中的平均回归误差、影像组学特征权重组成的惩罚项构建,用公式表示为:
其中,β为优化目标函数值,i和j均为样本X索引,i,j的取值为1~n,n为自然数,tj表示第j个样本出现进展的时间,ti表示第i个样本出现进展的时间,表示对出现进展的时间tj大于样本i的进展时间ti的样本Xj的/>进行求和,k为影像组学特征权重的索引,取值为1~d,d为特征的个数,λ为惩罚项权重,|βk|为影像组学特征权重βk的L1范数;
利用该优化目标函数进行影像组学特征的筛选优化,优化时使得影像组学特征权重为0的影像组学特征个数不断增多,最终实现平均回归误差与影像组学特征个数之间的平衡,优化截止时,不为0的影像组学特征权重对应的影像组学特征为筛选保留的影像组学特征;
预后评估模型为:h(t,X)为对影像组学特征X在t时刻出现进展的预后评估概率值,h(t,0)为影像组学特征X为0时在t时刻出现进展的预后评估概率值,即基准评估值,β为影像组学特征对应的权重系数,该权重系数为需要被优化的预后评估模型的参数,上标T表示转置。
2.如权利要求1所述的基于影像组学和遗传算法的目标区域确定系统,其特征在于,所述预后评估模型的构建过程为:
(a)采集医学影像,确定医学影像的感兴趣区域和对应的预后标签;
(b)对原始感兴趣区域进行小波变换;
(c)采用影像组学方法分别对原始感兴趣区域和小波变换后的感兴趣区域进行特征量化,提取影像组学特征;
(d)构建预后评估模型,并采用感兴趣区域对应的影像组学特征和预后标签作为样本对预后评估模型的参数进行优化,得到参数确定的预后评估模型。
3.如权利要求2所述的基于影像组学和遗传算法的目标区域确定系统,其特征在于,步骤(c)中,特征量化包括基于强度信息的强度量化和基于纹理信息的纹理量化,强度量化是基于感兴趣区域的灰度直方图,获取图像的熵、能量、均值和最大值,以提取影像组学特征;
纹理量化是通过统计感兴趣区域中不同纹理的像素区域出现的频次,获得图像灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵和邻域灰度差矩阵,以此提取影像组学特征。
4.如权利要求1所述的基于影像组学和遗传算法的目标区域确定系统,其特征在于,优化时,采用交叉验证的方法,通过选择的影像组学特征在不同折的样本中的平均回归误差中选择平均回归误差最小时采用的λ值为最优惩罚项权重值,依据该最优惩罚项权重值进行影像组学特征的筛选优化,以确定不为0的影像组学特征权重对应的影像组学特征为筛选保留的影像组学特征。
5.如权利要求1所述的基于影像组学和遗传算法的目标区域确定系统,其特征在于,采用k均值聚类算法对医学影像的感兴趣区域进行超像素分析,获得多个超像素区域。
6.如权利要求5所述的基于影像组学和遗传算法的目标区域确定系统,其特征在于,在采用k均值聚类算法对医学影像的感兴趣区域进行超像素分析时,聚类元素为像素点灰度值和像素点空间位置。
7.如权利要求5所述的基于影像组学和遗传算法的目标区域确定系统,其特征在于,为每个超像素区域设定表示目标标签和非目标标签时,目标标签设为1,非目标标签设为0,每个标签向量由1和0组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706757.8A CN112037167B (zh) | 2020-07-21 | 2020-07-21 | 一种基于影像组学和遗传算法的目标区域确定系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706757.8A CN112037167B (zh) | 2020-07-21 | 2020-07-21 | 一种基于影像组学和遗传算法的目标区域确定系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037167A CN112037167A (zh) | 2020-12-04 |
CN112037167B true CN112037167B (zh) | 2023-11-24 |
Family
ID=73579340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010706757.8A Active CN112037167B (zh) | 2020-07-21 | 2020-07-21 | 一种基于影像组学和遗传算法的目标区域确定系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037167B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202075B (zh) * | 2021-12-10 | 2024-08-30 | 河北工业大学 | 引导式多模态影像遗传学数据特征分析方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007282906A (ja) * | 2006-04-18 | 2007-11-01 | Kyushu Institute Of Technology | 医用画像処理方法及びその装置、プログラム |
CN102920477A (zh) * | 2012-03-05 | 2013-02-13 | 杭州弘恩医疗科技有限公司 | 医学影像的目标区域边界确定装置和方法 |
JP2015069239A (ja) * | 2013-09-26 | 2015-04-13 | 株式会社Screenホールディングス | 目標画像生成支援装置、目標画像生成支援方法およびプログラム |
CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
CN106846343A (zh) * | 2017-03-09 | 2017-06-13 | 东南大学 | 一种基于聚类超像素分割的病理图像特征提取方法 |
CN108470111A (zh) * | 2018-05-09 | 2018-08-31 | 中国科学院昆明动物研究所 | 一种基于多基因表达特征谱的胃癌个性化预后评估方法 |
WO2019012147A1 (en) * | 2017-07-13 | 2019-01-17 | Institut Gustave-Roussy | RADIOMY-BASED IMAGING TOOL FOR MONITORING INFILTRATION AND TUMOR LYMPHOCYTE AND RESULTS IN CANCER PATIENTS TREATED WITH ANTI-PD-1 / PD-L1 AGENTS |
CN109427060A (zh) * | 2018-10-30 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 一种影像识别的方法、装置、终端设备和医疗系统 |
CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
CN111242174A (zh) * | 2019-12-31 | 2020-06-05 | 浙江大学 | 一种基于影像组学的肝癌图像特征提取与病理分类方法和装置 |
KR20200080626A (ko) * | 2018-12-27 | 2020-07-07 | 연세대학교 산학협력단 | 병변 진단에 대한 정보 제공 방법 및 이를 이용한 병변 진단에 대한 정보 제공용 디바이스 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2497516A (en) * | 2011-12-05 | 2013-06-19 | Univ Lincoln | Generating training data for automation of image analysis |
KR20150002284A (ko) * | 2013-06-28 | 2015-01-07 | 삼성전자주식회사 | 병변 검출 장치 및 방법 |
EP3155592B1 (en) * | 2014-06-10 | 2019-09-11 | Leland Stanford Junior University | Predicting breast cancer recurrence directly from image features computed from digitized immunohistopathology tissue slides |
EP3535685A1 (en) * | 2016-11-02 | 2019-09-11 | Ventana Medical Systems, Inc. | Systems and methods for encoding image features of high-resolution digital images of biological specimens |
JP6756406B2 (ja) * | 2016-11-30 | 2020-09-16 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
CN110831487B (zh) * | 2017-07-14 | 2022-06-10 | 富士胶片株式会社 | 医疗图像处理装置、内窥镜系统、诊断支持装置及医疗服务支持装置 |
CN108815721B (zh) * | 2018-05-18 | 2021-06-25 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种照射剂量确定方法及系统 |
-
2020
- 2020-07-21 CN CN202010706757.8A patent/CN112037167B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007282906A (ja) * | 2006-04-18 | 2007-11-01 | Kyushu Institute Of Technology | 医用画像処理方法及びその装置、プログラム |
CN102920477A (zh) * | 2012-03-05 | 2013-02-13 | 杭州弘恩医疗科技有限公司 | 医学影像的目标区域边界确定装置和方法 |
JP2015069239A (ja) * | 2013-09-26 | 2015-04-13 | 株式会社Screenホールディングス | 目標画像生成支援装置、目標画像生成支援方法およびプログラム |
CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 |
CN106846343A (zh) * | 2017-03-09 | 2017-06-13 | 东南大学 | 一种基于聚类超像素分割的病理图像特征提取方法 |
WO2019012147A1 (en) * | 2017-07-13 | 2019-01-17 | Institut Gustave-Roussy | RADIOMY-BASED IMAGING TOOL FOR MONITORING INFILTRATION AND TUMOR LYMPHOCYTE AND RESULTS IN CANCER PATIENTS TREATED WITH ANTI-PD-1 / PD-L1 AGENTS |
CN108470111A (zh) * | 2018-05-09 | 2018-08-31 | 中国科学院昆明动物研究所 | 一种基于多基因表达特征谱的胃癌个性化预后评估方法 |
CN109427060A (zh) * | 2018-10-30 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 一种影像识别的方法、装置、终端设备和医疗系统 |
KR20200080626A (ko) * | 2018-12-27 | 2020-07-07 | 연세대학교 산학협력단 | 병변 진단에 대한 정보 제공 방법 및 이를 이용한 병변 진단에 대한 정보 제공용 디바이스 |
CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
CN111242174A (zh) * | 2019-12-31 | 2020-06-05 | 浙江大学 | 一种基于影像组学的肝癌图像特征提取与病理分类方法和装置 |
Non-Patent Citations (2)
Title |
---|
Radiomics for pretreatment prediction of pathological response to neoadjuvant therapy using magnetic resonance imaging: Influence of feature selection;Valentina Giannini, etal.;《2018 IEEE 15th International Symposium on Biomedical Imaging(ISBI 2018)》;全文 * |
基于定量影像组学的肺结节良恶性预测;汪俊;《中国优秀硕士学位论文全文数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112037167A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdel-Basset et al. | HWOA: A hybrid whale optimization algorithm with a novel local minima avoidance method for multi-level thresholding color image segmentation | |
CN104424386A (zh) | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 | |
Thian et al. | Deep learning systems for pneumothorax detection on chest radiographs: a multicenter external validation study | |
EP4181059A1 (en) | Medical image processing method, apparatus, device, storage medium, and product | |
Wu et al. | Malignant-benign classification of pulmonary nodules based on random forest aided by clustering analysis | |
Liu et al. | SRAS‐net: Low‐resolution chromosome image classification based on deep learning | |
Wang et al. | Medical matting: a new perspective on medical segmentation with uncertainty | |
Alfifi et al. | Enhanced artificial intelligence system for diagnosing and predicting breast cancer using deep learning | |
Mahraban Nejad et al. | Transferred semantic scores for scalable retrieval of histopathological breast cancer images | |
CN113469981A (zh) | 图像处理方法、装置及存储介质 | |
Liu et al. | Robust collaborative clustering of subjects and radiomic features for cancer prognosis | |
Han et al. | Radiomics-Guided Global-Local transformer for weakly supervised pathology localization in chest X-Rays | |
CN115564756A (zh) | 医学图像病灶定位显示方法与系统 | |
CN112037167B (zh) | 一种基于影像组学和遗传算法的目标区域确定系统 | |
Fu et al. | MCLNet: An multidimensional convolutional lightweight network for gastric histopathology image classification | |
Amiriebrahimabadi et al. | A Comprehensive Survey of Multi-Level Thresholding Segmentation Methods for Image Processing | |
Tang et al. | Explainable survival analysis with uncertainty using convolution-involved vision transformer | |
Goel et al. | A hybrid of modified YOLOv3 with BBO/EE optimizer for lung cancer detection | |
Zhang et al. | Pattern classification for breast lesion on FFDM by integration of radiomics and deep features | |
Zhao et al. | Robust explanation supervision for false positive reduction in pulmonary nodule detection | |
Chen et al. | Cardiac motion scoring based on CNN with attention mechanism | |
Akram et al. | Recognizing Breast Cancer Using Edge-Weighted Texture Features of Histopathology Images. | |
Zhou et al. | Local-global multiple perception based deep multi-modality learning for sub-type of esophageal cancer classification | |
Athanasiadis et al. | Segmentation of complementary DNA microarray images by wavelet-based Markov random field model | |
Wang et al. | Pre-processing matters: A segment search method for WSI classification |
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 |