CN112472114A - 一种基于影像学特征的卵巢癌与结核性腹膜炎分类系统 - Google Patents
一种基于影像学特征的卵巢癌与结核性腹膜炎分类系统 Download PDFInfo
- Publication number
- CN112472114A CN112472114A CN202011451264.0A CN202011451264A CN112472114A CN 112472114 A CN112472114 A CN 112472114A CN 202011451264 A CN202011451264 A CN 202011451264A CN 112472114 A CN112472114 A CN 112472114A
- Authority
- CN
- China
- Prior art keywords
- area
- ovarian cancer
- region
- positive
- focus
- 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
Links
- 206010061535 Ovarian neoplasm Diseases 0.000 title claims abstract description 98
- 206010033128 Ovarian cancer Diseases 0.000 title claims abstract description 97
- 206010053583 Peritoneal tuberculosis Diseases 0.000 title claims abstract description 76
- 208000008744 Tuberculous Peritonitis Diseases 0.000 title claims abstract description 76
- 238000003384 imaging method Methods 0.000 title claims abstract description 49
- 230000003902 lesion Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 210000000683 abdominal cavity Anatomy 0.000 claims abstract description 10
- 210000003205 muscle Anatomy 0.000 claims description 8
- 210000000689 upper leg Anatomy 0.000 claims description 5
- 210000004197 pelvis Anatomy 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- 206010034674 peritonitis Diseases 0.000 abstract 1
- 230000003187 abdominal effect Effects 0.000 description 13
- 206010003445 Ascites Diseases 0.000 description 12
- 210000001015 abdomen Anatomy 0.000 description 11
- 210000003516 pericardium Anatomy 0.000 description 10
- 210000001165 lymph node Anatomy 0.000 description 8
- 210000004224 pleura Anatomy 0.000 description 8
- 210000002966 serum Anatomy 0.000 description 8
- 230000001788 irregular Effects 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 230000001575 pathological effect Effects 0.000 description 5
- 201000008827 tuberculosis Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000002503 metabolic effect Effects 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 210000002747 omentum Anatomy 0.000 description 2
- 210000004303 peritoneum Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 241000187479 Mycobacterium tuberculosis Species 0.000 description 1
- 108010018755 aquaporin 0 Proteins 0.000 description 1
- 210000001099 axilla Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 210000004996 female reproductive system Anatomy 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012216 imaging agent Substances 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 208000027866 inflammatory disease Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 201000003437 pleural cancer Diseases 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 210000000626 ureter Anatomy 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于影像学特征的卵巢癌与结核性腹膜炎分类系统,其包括图像获取模块用于获取MIP图像;病灶区域获取模块用于标记MIP图像中腹盆腔区域、阳性病灶区域、以及灰度中值区域;分析模块用于根据标记有腹盆腔区域、阳性病灶区域、以及灰度中值区域的MIP图像计算阳性病灶面积比和中间灰度病灶面积比,并根据MIP图像的阳性病灶面积比和中间灰度病灶面积比,评价所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值。本发明通过影像学特征,可自动化的将图像进行卵巢癌和结合性腹膜炎分类,提供了更多判断参考依据,大幅提高了现有的分类算法的准确性。
Description
技术领域
本发明属于医学图像处理领域,更具体地,涉及一种基于影像学特征的卵巢癌(ovarian cancer,OC)与结核性腹膜炎(tuberculous peritonitis,TP)分类系统。
背景技术
OC发病率居女性生殖系统恶性肿瘤第3位,死亡率居首位,是严重威胁女性健康的恶性肿瘤。OC早期一般无症状或症状不典型,常规影像学检查无特异性,因此大多数卵巢癌患者诊断时已是晚期,出现腹盆腔的广泛种植性转移;结核性腹膜炎(tuberculousperitonitis,TP)是由结核分枝杆菌引起的腹部感染性病变。二者在常规影像上都可表现为腹膜和网膜增厚,另外也都可出现附件包块及腹水等征象,查血CA125都可明显升高。由于临床症状和影像学特征不典型,因此二者在常规影像检查中极易误诊,多数情况下是将TP误诊为OC而采取了非必要的手术治疗。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种通过PET/CT最大强度投影(Maximum intensity projection,MIP)联合血清CA125等指标构成的评分系统,其目的在于高效鉴别OC和TP,由此解决常规影像学方法难以准确鉴别OC和TP的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种于影像学特征的卵巢癌与结核性腹膜炎分类系统,包括图像获取模块、病灶区域获取模块、以及分析模块;
所述图像获取模块,用于获取MIP图像并将所述MIP图像提交给所述病灶区域获取模块;
所述病灶区域获取模块,用于标记MIP图像中腹盆腔区域、阳性病灶区域、以及灰度中值区域,并将标记有腹盆腔区域、阳性病灶区域、以及灰度中值区域的MIP图像提交给分析模块;
所述分析模块,用于根据标记有腹盆腔区域、阳性病灶区域、以及灰度中值区域的MIP图像计算阳性病灶面积比和中间灰度病灶面积比,并按照阳性病灶面积比和中间灰度病灶面积比同时越小则图像学卵巢癌风险值越大、阳性病灶面积比和中间灰度病灶面积比同时越大则图像学结核性腹膜炎风险值越大的原则,评价所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值。
优选地,所述影像学特征的卵巢癌与结核性腹膜炎分类系统,其所述阳性病灶区域为腹盆腔区域中灰度值高于预设阈值区域作为病灶区域。
优选地,所述影像学特征的卵巢癌与结核性腹膜炎分类系统,其所述灰度阈值为图像中肌肉区域的灰度值。
优选地,所述影像学特征的卵巢癌与结核性腹膜炎分类系统,其所述灰度阈值为大腿根部肌肉区域的灰度值。
优选地,所述影像学特征的卵巢癌与结核性腹膜炎分类系统,其所述灰度中值区域为阳性病灶区域中灰度处于中部范围的区域。
优选地,所述影像学特征的卵巢癌与结核性腹膜炎分类系统,其所述灰度中值区域,为灰度等级在阳性病灶区域中处于中间50%的区域,具体划分方法如下:
将阳性病灶区域,按照灰度划分为1-100级,将其中灰度处于25至75级之间区域灰度中值区域。
优选地,所述影像学特征的卵巢癌与结核性腹膜炎分类系统,其所述阳性病灶面积比为阳性病灶区域面积与腹盆腔区域面积的比值。
优选地,所述影像学特征的卵巢癌与结核性腹膜炎分类系统,其所述中间灰度病灶面积比为灰度中值区域和阳性病灶区域面积的比值。
优选地,所述影像学特征的卵巢癌与结核性腹膜炎分类系统,其还包括分类模块;所述分类模块,至少用于将所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值作为区分卵巢癌和结核性腹膜炎的特征,判断所述MIP图像来是否来自于卵巢癌患者或结核性腹膜炎患者。
优选地,所述影像学特征的卵巢癌与结核性腹膜炎分类系统,其所述分析模块用于将所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值,提交给用于区分卵巢癌患者MIP图像的分类模块。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
通过影像学特征,可自动化的将图像进行卵巢癌和结核性腹膜炎分类,提供了更多判断参考依据,大幅提高了现有的分类算法的准确性。
附图说明
图1是一例TP患者腹盆腔区域划分结果图,MIP图上腹部病灶呈弥漫性摄取增高,全腹的轮廓可被病灶完整勾勒出来,像一面完整的围裙,即腹部“围裙征”;
图2是一例OC患者,MIP图上腹部病灶呈局灶性摄取增高,表现为现孤立的结节状、片状浓聚影,全腹的轮廓不能被完整被病灶勾勒出来,无“围裙征”表现;
图3是正常人MIP图像腹盆腔区域示意图;
图4是采用实施例提供的而给予影像学特征的卵巢癌与结核性腹膜炎分类系统,对一例患者进行分类的结果:分类为结核性腹膜炎患者,MIP图腹部呈弥漫性摄取增高,可见腹部“围裙征”,评分0分;血清CA125:589.8ng/ml,评分6分;附件无明显包块,评分1分;中等量腹水,评分1分;未见明显无规律淋巴结,评分2分;胸膜未见累及,评分2分;心包未见累及,评分2分;总分14分,根据评分系统考虑结核性腹膜炎,与病理结果一致;
图5是采用实施例提供的而给予影像学特征的卵巢癌与结核性腹膜炎分类系统,对一例患者进行分类的结果:分类为结核性腹膜炎患者,MIP图腹部呈弥漫性摄取增高,可见腹部“围裙征”,评分0分;血清CA125:1748.3ng/ml,评分8分;附件区可见包块,评分2分;中等量腹水,评分1分;未见明显无规律淋巴结,评分2分;胸膜未见累及,评分2分;心包未见累及,评分2分;总分17分,根据评分系统考虑结核性腹膜炎,与病理结果一致;
图6是采用实施例提供的而给予影像学特征的卵巢癌与结核性腹膜炎分类系统,对一例患者进行分类的结果:分类为卵巢癌患者,MIP图腹部呈局灶性摄取增高,无腹部“围裙征”,评分10分;血清CA125:1588ng/ml,评分8分;附件区可见包块,评分2分;中等量腹水,评分1分;未见明显无规律淋巴结,评分2分;胸膜未见累及,评分2分;心包未见累及,评分2分;总分27分,根据评分系统考虑卵巢癌,与病理结果一致;
图7是采用实施例提供的而给予影像学特征的卵巢癌与结核性腹膜炎分类系统,对一例患者进行分类的结果:分类为卵巢癌患者,MIP图腹部呈局灶性摄取增高,无腹部“围裙征”,评分10分;血清CA125:7736ng/ml,评分10分;附件区可见包块,评分2分;中等量腹水,评分1分;未见明显无规律淋巴结,评分2分;胸膜未见累及,评分2分;心包未见累及,评分2分;总分29分,根据评分系统考虑卵巢癌,与病理结果一致;
图8是采用实施例提供的而给予影像学特征的卵巢癌与结核性腹膜炎分类系统,对一例患者进行分类的结果:分类为卵巢癌患者,MIP图腹部呈局灶性摄取增高,无腹部“围裙征”,评分10分;血清CA125:2507ng/ml,评分10分;附件区可见包块,评分2分;中等量腹水,评分1分;未见明显无规律淋巴结,评分2分;胸膜未见累及,评分2分;心包未见累及,评分2分;总分29分,根据评分系统考虑卵巢癌,与病理结果一致。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的基于影像学特征的OC与TP分类系统,包括:图像获取模块、病灶区域获取模块、以及分析模块;优选还包括分类模块;
所述图像获取模块,用于获取MIP图像并将所述MIP图像提交给所述病灶区域获取模块;
所述病灶区域获取模块,用于标记MIP图像中腹盆腔区域、阳性病灶区域、以及灰度中值区域,并将标记有腹盆腔区域、阳性病灶区域、以及灰度中值区域的MIP图像提交给分析模块;所述阳性病灶区域为腹盆腔区域中灰度值高于预设阈值区域作为病灶区域;所述灰度中值区域为阳性病灶区域中灰度处于中部范围的区域;所述灰度阈值优选为图像中肌肉区域的灰度值,更优选为大腿根部肌肉区域的灰度值;
所述分析模块,用于根据标记有腹盆腔区域、阳性病灶区域、以及灰度中值区域的MIP图像计算阳性病灶面积比和中间灰度病灶面积比,并按照阳性病灶面积比和中间灰度病灶面积比同时越小则图像学卵巢癌风险值越大、阳性病灶面积比和中间灰度病灶面积比同时越大则图像学结核性腹膜炎风险值越大的原则,评价所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值;优选用于将所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值,提交给用于区分卵巢癌患者MIP图像的分类模块;所述阳性病灶面积比(A%)为阳性病灶区域面积与腹盆腔区域面积的比值;所述中间灰度病灶面积比(G%)为灰度中值区域和阳性病灶区域面积的比值;
所述分类模块,至少用于将所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值作为区分卵巢癌和结核性腹膜炎的特征,判断所述MIP图像来是否来自于卵巢癌患者或结核性腹膜炎患者。
18F-FDG PET/CT是一种集解剖形态与葡萄糖功能代谢于一体的多模态显像方法,同时又是全身检查,因此诊断具有很高的灵敏度以及整体观。PET/CT的(Maximumintensity projection,MIP)图能够直观地反应全身病灶的分布情况和代谢特征,因此也具有诊断价值,但人们诊断时通常习惯看断层图像,往往忽略了MIP图的诊断价值,查阅文献也没有发现用MIP图来鉴别OC和TP的报道。
TP是一种炎性病变,通常表现为腹膜、网膜的弥漫性感染,在MIP图上整个腹部呈现弥漫性摄取增高,且分布相对比较均匀,全腹的轮廓可被完整勾勒出来,MIP图上酷似一件围裙挂在腹部,因此称之为“围裙征”,此为TP的典型征象,如图1所示。OC容易发生腹盆腔种植性转移,MIP图上常表现为局灶性的(如结节状、片状、条带状)显像剂摄取增高影,而不是全腹弥漫性摄取增高,如图2所示,因此MIP图上没有典型的“围裙征”。我们发现,用此征象来鉴别OC和TP具体很高的价值。
以下为实施例:
一种基于影像学特征的卵巢癌与结核性腹膜炎分类系统,包括:图像获取模块、病灶区域获取模块、分析模块、以及分类模块;
所述图像获取模块,用于获取MIP图像并将所述MIP图像提交给所述病灶区域获取模块;
所述病灶区域获取模块,用于标记MIP图像中腹盆腔区域、阳性病灶区域、以及灰度中值区域,并将标记有腹盆腔区域、阳性病灶区域、以及灰度中值区域的MIP图像提交给分析模块;所述阳性病灶区域为腹盆腔区域中灰度值高于预设阈值区域作为病灶区域;所述灰度中值区域为阳性病灶区域中灰度处于中部范围的区域;所述灰度阈值为大腿根部肌肉区域的灰度值;
所述MIP图像腹盆腔区域,如图3所示,按照以下方法获取:
采用Canny算子进行边缘检测,将MIP图像根据边缘划分为多个区域;将所述多个区域,输入到卷积神经网络分类器进行分类,判断腹盆腔区域图像,作为MIP图像腹盆腔区域。
所述阳性病灶区域,标记方法如下:在腹盆腔区域内排除泌尿系(肾脏、输尿管、膀胱)等有明显显像剂滞留的区域,以大腿根部肌肉的灰度为灰度阈值,见图1、图2的标记示意,将腹盆腔区域内其他区域内灰度高于灰度阈值的区域作为阳性病灶区域;
所述灰度中值区域,为灰度等级在阳性病灶区域中处于中间50%的区域,具体划分方法如下:
将阳性病灶区域,按照灰度划分为1-100级,将其中灰度处于25至75级之间区域灰度中值区域。
所述分析模块,用于根据标记有腹盆腔区域、阳性病灶区域、以及灰度中值区域的MIP图像计算阳性病灶面积比和中间灰度病灶面积比,并按照阳性病灶面积比和中间灰度病灶面积比同时越小则图像学卵巢癌风险值越大、阳性病灶面积比和中间灰度病灶面积比同时越小则图像学结核性腹膜炎风险值越大的原则,评价所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值;将所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值,提交给用于区分卵巢癌患者MIP图像的分类模块;所述阳性病灶面积比(A%)为阳性病灶区域面积和腹盆腔区域面积的比值;所述中间灰度病灶面积比(G%)为灰度中值区域和阳性病灶区域面积的比值;
A%和G%越高说明病灶分布越弥漫、越均匀,呈现“围裙征”;反之说明病灶分布越局限、越不均匀(如结节状、片状、条带状),无典型的“围裙征”。
将A%或G%同时低于60%,则视为无“围裙征”,此时卵巢癌的可能性很大,图像学卵巢癌风险值评分10分;A%或G%在60%-80%之间视为不确定是否存在“围裙征”,此时尚难以确定为OC或TP,图像学卵巢癌风险值评分5分;A%和G%同时大于80%视为存在腹部“围裙征”,此时结核性腹膜炎可能性很大,图像学卵巢癌风险值评分0分。
所述分类模块,将所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值、血清CA125评分、附件区包块评分、腹水评分、淋巴结评分、胸膜评分、心包评分作为区分卵巢癌和结核性结核性腹膜炎的特征,判断所述MIP图像来是否来自于卵巢癌患者或结核性腹膜炎患者。具体如下:
CA125评分:CA125>2000U/ml,此时卵巢癌可能性极大,评分10分;CA125(1000-2000U/ml),此时卵巢癌可能性很大,评分8分;CA125(500-1000U/ml),此时卵巢癌可能性较大,评分6分;CA125(100-500U/ml),此时卵巢癌可能性较小,评分4分;CA125(50-100U/ml),此时卵巢癌可能性很小,评分2分;CA125(0-50U/ml),此时卵巢癌可能性极小,评分1分。
附件区包块评分,附件区包块在卵巢癌和结核性腹膜炎均可出现或不出现,但在卵巢癌中出现的可能性高于结核性腹膜炎。因此,有附件区包块者卵巢癌可能性大较大,此时评分2分,无包块者评分1分。
腹水评分,卵巢癌以少量(<500ml)或大量(>1000ml)腹水相对较多见,结核性腹膜炎以中等量(500-1000ml)腹水相对多见。因此,少量或大量腹水时评分2分,中等量腹水评分1分。
淋巴结评分,颈部II区、双侧腋窝等部出现卵巢癌淋巴结转移的可能性相对较小,如出现则提示有结核的可能性较大,此时评分1分;如未出现则提示二者均有可能性,此时评分2分。
胸膜评分,胸膜代谢增高时结核可能性略大于卵巢癌,此时评分1分;胸膜无代谢增高结核和卵巢癌均有可能,此时评分2分。
心包评分,心包代谢增高时高度提示结核,此时评分0分;心包无代谢增高结核和卵巢癌均有可能,此时评分2分。
计算总分,本评分系统总分为5~30分。总分越高表示卵巢癌的可能性越大,反之结核性腹膜炎的可能性越大。总分≥20考虑卵巢癌,总分<20考虑结核性腹膜炎。如下表:
血清CA125 | 腹部MIP图特征 | 附件包块 | 腹水量 | 无规律淋巴结 | 胸膜累及 | 心包累及 |
>2000(10分) | 局灶性(10分) | 有(2分) | 少量或大量(2分) | 无(2分) | 无(2分) | 无(2分) |
1000~2000(8分) | 不确定(5分) | 无(1分) | 中等量(1分) | 有(1分) | 有(1分) | 有(0分) |
500~1000(6分) | 弥漫性(0分) | |||||
100~500(3分) | ||||||
50~100(2分) | ||||||
0~50(1分) |
收集测试数据:收集2013年至2020年在宜昌市中心医院核医学科进行PET/CT检查并最终确诊为OC和TP的女性患者共71例,其中53例是卵巢癌,年龄57.0±10.4岁,18例是结核性腹膜炎,年龄59.2±17.5岁。
通过验证,本实施例提供的系统的灵敏度、特异度、准确度、阳性预测值、阴性预测值分别为98.1%(52/53)、94.4%(17/18)、97.2%(69/71)、98.1%(52/53)、94.4%(17/18);
如不采用图像学卵巢癌风险值评分,仍采用其他评分标准,则系统的灵敏度、特异度、准确度、阳性预测值、阴性预测值如下表所示:
注:特异度和阴性预测值计算时由于n<40,需使用Fisher’s检验,无x2值,只有P值。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于影像学特征的卵巢癌与结核性腹膜炎分类系统,其特征在于,包括图像获取模块、病灶区域获取模块、以及分析模块;
所述图像获取模块,用于获取MIP图像并将所述MIP图像提交给所述病灶区域获取模块;
所述病灶区域获取模块,用于标记MIP图像中腹盆腔区域、阳性病灶区域、以及灰度中值区域,并将标记有腹盆腔区域、阳性病灶区域、以及灰度中值区域的MIP图像提交给分析模块;
所述分析模块,用于根据标记有腹盆腔区域、阳性病灶区域、以及灰度中值区域的MIP图像计算阳性病灶面积比和中间灰度病灶面积比,并根据MIP图像的阳性病灶面积比和中间灰度病灶面积比,按照阳性病灶面积比和中间灰度病灶面积比同时越小则图像学卵巢癌风险值越大、阳性病灶面积比和中间灰度病灶面积比同时越大则图像学结核性腹膜炎风险值越大的原则,评价所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值。
2.如权利要求1所述的影像学特征的卵巢癌与结核性腹膜炎分类系统,其特征在于,所述阳性病灶区域为腹盆腔区域中灰度值高于预设阈值区域作为病灶区域。
3.如权利要求2所述的影像学特征的卵巢癌与结核性腹膜炎分类系统,其特征在于,所述灰度阈值为图像中肌肉区域的灰度值。
4.如权利要求3所述的影像学特征的卵巢癌与结核性腹膜炎分类系统,其特征在于,所述灰度阈值为大腿根部肌肉区域的灰度值。
5.如权利要求1所述的影像学特征的卵巢癌与结核性腹膜炎分类系统,其特征在于,所述灰度中值区域为阳性病灶区域中灰度处于中部范围的区域。
6.如权利要求5所述的影像学特征的卵巢癌与结核性腹膜炎分类系统,其特征在于,所述灰度中值区域,为灰度等级在阳性病灶区域中处于中间50%的区域,具体划分方法如下:
将阳性病灶区域,按照灰度划分为1-100级,将其中灰度处于25至75级之间区域灰度中值区域。
7.如权利要求1所述的影像学特征的卵巢癌与结核性腹膜炎分类系统,其特征在于,所述阳性病灶面积比为阳性病灶区域面积与腹盆腔区域面积的比值。
8.如权利要求1所述的影像学特征的卵巢癌与结核性腹膜炎分类系统,其特征在于,所述中间灰度病灶面积比为灰度中值区域与阳性病灶区域面积的比值。
9.如权利要求1所述的影像学特征的卵巢癌与结核性腹膜炎分类系统,其特征在于,还包括分类模块;所述分类模块,至少用于将所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值作为区分卵巢癌和结核性腹膜炎的特征,判断所述MIP图像是否来自于卵巢癌患者或结核性腹膜炎患者。
10.如权利要求9所述的影像学特征的卵巢癌与结核性腹膜炎分类系统,其特征在于,所述分析模块用于将所述MIP图像的图像学卵巢癌风险值和/或结核性腹膜炎风险值,提交给用于区分卵巢癌患者MIP图像的分类模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451264.0A CN112472114B (zh) | 2020-12-10 | 2020-12-10 | 一种基于影像学特征的卵巢癌与结核性腹膜炎分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451264.0A CN112472114B (zh) | 2020-12-10 | 2020-12-10 | 一种基于影像学特征的卵巢癌与结核性腹膜炎分类系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112472114A true CN112472114A (zh) | 2021-03-12 |
CN112472114B CN112472114B (zh) | 2021-07-30 |
Family
ID=74941400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011451264.0A Active CN112472114B (zh) | 2020-12-10 | 2020-12-10 | 一种基于影像学特征的卵巢癌与结核性腹膜炎分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112472114B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030053697A1 (en) * | 2000-04-07 | 2003-03-20 | Aylward Stephen R. | Systems and methods for tubular object processing |
CN104968276A (zh) * | 2013-02-28 | 2015-10-07 | 株式会社日立医疗器械 | 图像处理装置以及区域抽出方法 |
CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
CN109478231A (zh) * | 2016-04-01 | 2019-03-15 | 20/20基因系统股份有限公司 | 帮助区别良性和恶性放射线照相明显肺结节的方法和组合物 |
CN110880356A (zh) * | 2018-09-05 | 2020-03-13 | 南京格致基因生物科技有限公司 | 对卵巢癌进行筛查、诊断或风险分级的方法和装置 |
-
2020
- 2020-12-10 CN CN202011451264.0A patent/CN112472114B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030053697A1 (en) * | 2000-04-07 | 2003-03-20 | Aylward Stephen R. | Systems and methods for tubular object processing |
CN104968276A (zh) * | 2013-02-28 | 2015-10-07 | 株式会社日立医疗器械 | 图像处理装置以及区域抽出方法 |
CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
CN109478231A (zh) * | 2016-04-01 | 2019-03-15 | 20/20基因系统股份有限公司 | 帮助区别良性和恶性放射线照相明显肺结节的方法和组合物 |
CN110880356A (zh) * | 2018-09-05 | 2020-03-13 | 南京格致基因生物科技有限公司 | 对卵巢癌进行筛查、诊断或风险分级的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112472114B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805209B (zh) | 一种基于深度学习的肺结节筛查方法 | |
Wolfe | Breast patterns as an index of risk for developing breast cancer | |
JP4702971B2 (ja) | コンピュータ支援診断システム | |
US8121375B2 (en) | Methods and devices for producing the parameters of the brain tissues and assessing data of the suitability for thrombolysis of a patient | |
Ohuchi et al. | Comparison of false negative rates among breast cancer screening modalities with or without mammography: Miyagi trial | |
US20110206250A1 (en) | Systems, computer-readable media, and methods for the classification of anomalies in virtual colonography medical image processing | |
JPH09185714A (ja) | コンピュータ支援診断方法 | |
EP1771113A2 (en) | Automated detection of alzheimer's disease by statistical analysis with positron emission tomography images | |
CN109509552A (zh) | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 | |
CN116312772A (zh) | 基于rs-fMRI和P11基因DNA甲基化的抑郁症抗抑郁药早期疗效预测方法 | |
Nakahara et al. | Three-dimensional MR imaging of mammographically detected suspicious microcalcifications | |
CN112472114B (zh) | 一种基于影像学特征的卵巢癌与结核性腹膜炎分类系统 | |
Kanazawa et al. | Computer aided diagnosis system for lung cancer based on helical CT images | |
Yang | A robust approach for subject segmentation of medical Images: Illustration with mammograms and breast magnetic resonance images | |
CN112419282A (zh) | 脑部医学影像中动脉瘤的自动检测方法及系统 | |
CN109242816B (zh) | 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法 | |
Hutt | The computer-aided detection of abnormalities in digital mammograms | |
Velthuizen | Computer diagnosis of mammographic masses | |
Rotte et al. | Results of computer-aided diagnosis of peripheral bronchial carcinoma | |
Han et al. | A novel method of mass segmentation in mammogram | |
Pandey et al. | Automatic detection of red lesions in diabetic retinopathy using shape based extraction technique in fundus image | |
Kim et al. | Efficacy of fractal analysis in identifying glaucomatous damage | |
Ziselman et al. | Gadolinium-Free Crohn’s Disease Assessment from Magnetic Resonance Enterography Data | |
CN115294122B (zh) | 基于ct图像的肺部肿瘤特征提取方法及系统 | |
Yuan et al. | Correlative feature analysis of FFDM images |
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 |