CN112488992B - 表皮生长因子受体突变状态判断方法、介质及电子设备 - Google Patents
表皮生长因子受体突变状态判断方法、介质及电子设备 Download PDFInfo
- Publication number
- CN112488992B CN112488992B CN202011268766.XA CN202011268766A CN112488992B CN 112488992 B CN112488992 B CN 112488992B CN 202011268766 A CN202011268766 A CN 202011268766A CN 112488992 B CN112488992 B CN 112488992B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- center point
- features
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 102000001301 EGF receptor Human genes 0.000 title claims abstract description 30
- 108060006698 EGF receptor Proteins 0.000 title claims abstract description 30
- 230000035772 mutation Effects 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 35
- 206010028980 Neoplasm Diseases 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 10
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims 2
- 238000013450 outlier detection Methods 0.000 claims 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 5
- 201000005202 lung cancer Diseases 0.000 description 5
- 208000020816 lung neoplasm Diseases 0.000 description 5
- 206010027476 Metastases Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000009401 metastasis Effects 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 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
- 238000000556 factor analysis Methods 0.000 description 1
- 238000003205 genotyping method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 201000005249 lung adenocarcinoma Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 102000005962 receptors Human genes 0.000 description 1
- 108020003175 receptors Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000000439 tumor marker Substances 0.000 description 1
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 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
-
- 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
- A61B6/52—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种表皮生长因子受体突变状态判断方法、介质及电子设备，该方法包括以下步骤：获取PET图像和CT图像，并分别进行预处理，形成处理后图像；采用预训练的卷积神经网络提取所述处理后图像的深度学习特征；提取所述处理后图像的影像组学特征；融合所述深度学习特征、影像组学特征以及对应的临床特征，形成融合特征；采用预训练的判断模型基于所述融合特征获得表皮生长因子受体突变状态判断结果。与现有技术相比，本发明具有判断结果准确性高等优点。
Description
技术领域
本发明涉及CT影像处理技术领域，尤其是涉及一种表皮生长因子受体突变状态判断方法、介质及电子设备。
背景技术
肺癌是全世界范围内最常见的恶性肿瘤及最主要的肿瘤致死性疾病，其中非小细胞肺癌约占肺癌总数的80％～85％，如何降低肺癌的死亡率是一个亟待解决的挑战性临床问题。肺癌预后是否有发生复发或转移的可能与多种基因有关，其中最重要的基因之一是表皮生长因子受体(epidermal growth factor receptor,EGFR)。提高表皮生长因子受体突变判断的准确性有利用使早期肺癌得到及时有效的治疗。
目前采用的EGFR基因型鉴定方式需要活检和基因序列检测，有创且难以获取组织样本。此外，活检检测增加了癌症转移的潜在风险，相对高的成本限制了突变测序的适用性。随着影像组学概念的提出，为该问题提供了更加定量化的影像手段，让无创、可靠、便捷地判断EGFR突变状态成为可能。但现有方法还无法完整获取肿瘤异质性、肿瘤转移和肿瘤代谢状态等信息，判断结果准确性还有待提高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种判断结果准确性高的表皮生长因子受体突变状态判断方法、介质及电子设备。
本发明的目的可以通过以下技术方案来实现：
一种表皮生长因子受体突变状态判断方法，该方法包括以下步骤：
获取PET图像和CT图像，并分别进行预处理，形成处理后图像；
采用预训练的卷积神经网络提取所述处理后图像的深度学习特征；
提取所述处理后图像的影像组学特征；
融合所述深度学习特征、影像组学特征以及对应的临床特征，形成融合特征；
采用预训练的判断模型基于所述融合特征获得表皮生长因子受体突变状态判断结果。
进一步地，对所述PET图像的预处理具体为：
对PET图像进行切片排序；
基于对应的肿瘤区域分割金标准数据确定每张切片中心点；
从所述中心点向四周均匀以0像素填充直至切片像素大小至设定值。
进一步地，对所述CT图像的预处理具体为：
对CT图像进行切片排序；
基于对应的肿瘤区域分割金标准数据确定每张切片中心点；
以所述中心点为中心向四周均匀分割出像素大小为设定值的切片。
进一步地，所述影像组学特征包括CT图像的强度特征、形状特征、纹理特征、改进型LBP-3D特征、小波特征和傅里叶特征以及PET图像的强度特征、形状特征和纹理特征。
进一步地，所述改进型LBP-3D特征的获取公式为：
其中，c表示中心点，xc表示中心点像素值，xp表示中心点周围像素值，P表示像素值，R表示相邻像素到中心像素的距离，i表示过程中包含的相邻像素的数量，Pi表示i个像素数量的像素值，Pc表示中心点的像素值，函数
进一步地，所述融合特征的形成过程具体为：
分别计算深度学习特征、影像组学特征和临床特征的协方差矩阵、协方差矩阵的特征向量以及类间散射矩阵；
基于所述类间散射矩阵获得集合间协方差矩阵及其对角化参数矩阵；
基于所述类间散射矩阵、对角化参数矩阵获得融合特征。
所述融合特征输入预训练的判断模型前，进行的处理包括均衡化处理、异常点检测、特征简化和特征选择。
进一步地，采用5折交叉验证对所述判断模型进行模型验证。
本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述表皮生长因子受体突变状态判断方法的指令。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述表皮生长因子受体突变状态判断方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明同时利用PET图像的影像组学特征及PET/CT深度学习特征进行基于图像的受体突变状态判断，不仅能提供肿瘤区域信息，也能提供肿瘤周围区域信息，能完整获取肿瘤异质性，肿瘤转移和肿瘤代谢状态等信息，鲁棒性好。
2、本发明判断模型的输入为深度学习特征、影像组学特征以及对应的临床特征的融合，能够获得更稳定、更准确的判断结果。
3、本发明考虑的影像组学特征中包括CT图像的强度特征、形状特征、纹理特征、改进型LBP-3D特征等，以更能准确反映CT图像的特征集合作为基础，有效提高了判断准确性。
4、本发明在不同医学中心的数据验证下，不同特征选择和预测算法的测试下，均能够得到稳定且较好的判断结果。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示，本实施例提供一种表皮生长因子受体突变状态判断方法，该方法包括：
步骤1，获取PET(Positron Emission Computed Tomography，正电子发射型计算机断层显像)图像和CT图像。
步骤2，分别对PET图像和CT图像进行预处理，形成处理后图像。
对所述CT图像的预处理具体为：
(21)读取CT原始DICOM文件，将每副CT切片进行排序；
(22)读取CT的肿瘤区域分割金标准并进行对应的切片排序；
(23)确定CT肿瘤区域分割文件每张切片的中心点；
(24)按照CT肿瘤区域分割文件每张切片的中心点确定CT原始图像文件的中心点；
(25)以CT原始DICOM文件的中心点为中心，向四周均匀分割出224×224像素的切片。
对所述PET图像的预处理具体为：
读取PET原始DICOM文件，每副PET进行对应的切片排序；
基于对应的肿瘤区域分割金标准数据确定每张切片中心点，以PET原始DICOM切片为中心，向四周均匀以0像素填充直至切片像素大小为224×224。
步骤3，采用预训练的卷积神经网络提取所述处理后图像的深度学习特征，具体为：
(31)导入预训练的卷积神经网络，本实施例，该卷积神经网络基于ImageNet数据训练获得；
(32)导入CT图像预处理数据，计算最后一层全连接层输出的特征，导出CT图像的深度学习特征；
(33)导入PET图像预处理数据，计算最后一层全连接层输出的特征，导出PET图像的深度学习特征；
(34)将CT图像的深度学习特征和PET图像的深度学习特征融合为深度学习特征。
步骤4，提取所述处理后图像的影像组学特征。
(41)导入CT原始图像及其对应的肿瘤分割金标准图像，计算每个CT图像肿瘤区域的强度特征、形状特征、纹理特征、改进型local binary patternL-3dimension(LBP-3D)特征、小波特征、傅里叶特征，导出CT图像影像组学特征；
(42)导入PET原始图像及其对应的肿瘤分割金标准图像，计算每个PET图像肿瘤的强度特征，形状特征，纹理特征，导出PET图像影像组学特征；
(43)将CT图像影像组学特征与PET图像影像组学特征拼接融合为影像组学特征。
其中，改进型LBP-3D特征的获取公式为：
其中，c表示中心点，xc表示中心点像素值，xp表示中心点周围像素值，P表示像素值，R表示相邻像素到中心像素的距离，i表示过程中包含的相邻像素的数量，Pi表示i个像素数量的像素值，Pc表示中心点的像素值，函数
步骤5，融合所述深度学习特征、影像组学特征以及对应的临床特征，形成融合特征。临床特征包括人口统计信息、吸烟史、糖尿病、病理分期、治疗史、治疗效果、复发以及生存状态、CT语义特征及血清肿瘤标志物信息等。
融合特征获取的具体过程包括：
分别计算深度学习特征、影像组学特征和临床特征的协方差矩阵、协方差矩阵的特征向量以及类间散射矩阵；
基于所述类间散射矩阵获得集合间协方差矩阵及其对角化参数矩阵；
基于所述类间散射矩阵、对角化参数矩阵获得融合特征。
假设PET/CT图像深度学习特征矩阵记为X，影像组学特征矩阵记为Y，临床特征矩阵记为Z，xij∈X,yij∈Y,zij∈Z。
(51)以深度学习特征X为例，计算协方差矩阵的公式为：
其中，c表示特征的类别数量，n表示特征数量。
(52)计算协方差矩阵的特征向量φb Tφb，公式为：
其中，P为正交特征向量的矩阵，为实特征值和非负特征值按递减顺序排列的对角矩阵。
(53)计算类间散射矩阵I：
假设Q(c×r)为矩阵P的r阶最大非零特征：
QT(φbx Tφbx)Q＝Λ(r×r),
则r阶最显著特征向量Sbx可从下式计算得出：
(φbxQ)TSbx(φbx)Q＝Λ(r×r),
最后，类间散射矩阵I可从下式得出：
同理，计算出Sby，IY，Y′(r×n)，Sbz，IZ，Z′(r×n)。
(54)对转换后的集合间协方差矩阵对角化。
首先S′xy定义为：
S′xy＝X′Y′T,
S′xy＝U∑VT
那么主对角线元素为非零的对角矩阵∑为：
UTS′xyV＝∑.
(55)计算融合空间内特征。
令
可得：
融合空间内特征X′、Y′、Z′为：
步骤6，采用预训练的判断模型基于所述融合特征获得表皮生长因子受体突变状态判断结果。
所述融合特征输入预训练的判断模型前，进行的处理包括均衡化处理、异常点检测、特征简化和特征选择。具体地，本实施例中，利用合成少数类过采样技术(syntheticminority oversampling technique,SMOTE)均衡化；通过计算中值绝对偏差进行异常点检测；利用皮尔逊相关系数进行特征简化，阈值取0.86；分别利用单因素方差分析、递推特征消除、Relief等进行特征选择。
判断模型可基于支持向量机(support vector machine,SVM)、线性判别分析(linear discriminant analysis,LDA)、自动编码器(autoencoder,AE)、随机森林(RandomForest,RF)、逻辑回归(Logistic Regression,LR)、结合LASSO的逻辑回归算法(LR-LASSO)、Adaboost(AB)、决策树(Decision Tree,DT)、高斯过程(Gaussian Process,GP)、朴素贝叶斯(Naive Bayes,NB)等建立。
本实施例中，判断模型在构建及训练时，采用5折交叉验证对所述判断模型进行模型验证，以提高模型精度。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例通过以下测试实验验证上述方法的有效性。
实验数据采用100例肺腺癌病人的完整临床资料及其18F-FDG PET/CT图像资料为判断模型的训练样本。样本基本信息如表1所示。
表1样本基本信息
表2列出了基于3种特征选择方法、十种机器学习法方法建立的30种模型的性能结果，以验证上述方法的鲁棒性。
表2 30种模型性能结果
通过以上结果可知：所有模型均能对EGFR突变状态(突变或野生)进行二元预测。采用方差分析进行特征选择，采用LDA进行预测的模型具有最高的性能(AUC＝0.8071)。其他分类器在特征空间降维后也显示出较好的预测能力(在独立试验队列中AUC≥0.6000,ACC≥0.6250)。综上所述，本发明对从PET/CT图像中提取的特征进行融合、并对融合特征进行处理后再进行状态判断，具有很高的精度，能够有效预测表皮生长因子受体突变状态，并且鲁棒性好，抗干扰能力强。
实施例2
本实施例提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述表皮生长因子受体突变状态判断方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种表皮生长因子受体突变状态判断方法，其特征在于，该方法包括以下步骤：
获取PET图像和CT图像，并分别进行预处理，形成处理后图像；
采用预训练的卷积神经网络提取所述处理后图像的深度学习特征；
提取所述处理后图像的影像组学特征，所述影像组学特征包括CT图像的强度特征、形状特征、纹理特征、改进型LBP-3D特征、小波特征和傅里叶特征以及PET图像的强度特征、形状特征和纹理特征；
融合所述深度学习特征、影像组学特征以及对应的临床特征，形成融合特征；
采用预训练的判断模型基于所述融合特征获得表皮生长因子受体突变状态判断结果；
所述改进型LBP-3D特征的获取公式为：
其中，c表示中心点，xc表示中心点像素值，xp表示中心点周围像素值，P表示像素值，R表示相邻像素到中心像素的距离，i表示过程中包含的相邻像素的数量，Pi表示i个像素数量的像素值，Pc表示中心点的像素值，函数
2.根据权利要求1所述的表皮生长因子受体突变状态判断方法，其特征在于，对所述PET图像的预处理具体为：
对PET图像进行切片排序；
基于对应的肿瘤区域分割金标准数据确定每张切片中心点；
从所述中心点向四周均匀以0像素填充直至切片像素大小至设定值。
3.根据权利要求1所述的表皮生长因子受体突变状态判断方法，其特征在于，对所述CT图像的预处理具体为：
对CT图像进行切片排序；
基于对应的肿瘤区域分割金标准数据确定每张切片中心点；
以所述中心点为中心向四周均匀分割出像素大小为设定值的切片。
4.根据权利要求1所述的表皮生长因子受体突变状态判断方法，其特征在于，所述融合特征的形成过程具体为：
分别计算深度学习特征、影像组学特征和临床特征的协方差矩阵、协方差矩阵的特征向量以及类间散射矩阵；
基于所述类间散射矩阵获得集合间协方差矩阵及其对角化参数矩阵；
基于所述类间散射矩阵、对角化参数矩阵获得融合特征。
5.根据权利要求1所述的表皮生长因子受体突变状态判断方法，其特征在于，所述融合特征输入预训练的判断模型前，进行的处理包括均衡化处理、异常点检测、特征简化和特征选择。
6.根据权利要求1所述的表皮生长因子受体突变状态判断方法，其特征在于，采用5折交叉验证对所述判断模型进行模型验证。
7.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-6任一所述表皮生长因子受体突变状态判断方法的指令。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-6任一所述表皮生长因子受体突变状态判断方法的指令。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011268766.XA CN112488992B (zh) | 2020-11-13 | 2020-11-13 | 表皮生长因子受体突变状态判断方法、介质及电子设备 |
| PCT/CN2021/128446 WO2022100497A1 (zh) | 2020-11-13 | 2021-11-03 | 表皮生长因子受体突变状态判断方法、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011268766.XA CN112488992B (zh) | 2020-11-13 | 2020-11-13 | 表皮生长因子受体突变状态判断方法、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112488992A CN112488992A (zh) | 2021-03-12 |
| CN112488992B true CN112488992B (zh) | 2024-04-02 |
Family
ID=74930174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011268766.XA Active CN112488992B (zh) | 2020-11-13 | 2020-11-13 | 表皮生长因子受体突变状态判断方法、介质及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112488992B (zh) |
| WO (1) | WO2022100497A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488992B (zh) * | 2020-11-13 | 2024-04-02 | 上海健康医学院 | 表皮生长因子受体突变状态判断方法、介质及电子设备 |
| CN115064250A (zh) * | 2022-06-06 | 2022-09-16 | 大连理工大学 | 一种用于对住院时长的分布进行调整的方法和相关产品 |
| CN114898193A (zh) * | 2022-07-11 | 2022-08-12 | 之江实验室 | 基于流形学习的图像特征融合方法、装置及图像分类系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
| CN111445946A (zh) * | 2020-03-26 | 2020-07-24 | 北京易康医疗科技有限公司 | 一种利用pet/ct图像推算肺癌基因分型的演算方法 |
| CN111783796A (zh) * | 2020-06-19 | 2020-10-16 | 哈尔滨工业大学 | 一种基于深度特征融合的pet/ct影像识别系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11107217B2 (en) * | 2016-04-21 | 2021-08-31 | The Trustees Of The University Of Pennsylvania | In vivo detection of EGFR mutation in glioblastoma via MRI signature consistent with deep peritumoral infiltration |
| US10441225B2 (en) * | 2018-02-21 | 2019-10-15 | Case Western Reserve University | Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-pathologic features |
| CN110742687A (zh) * | 2019-10-24 | 2020-02-04 | 中国医学科学院北京协和医院 | 无创预测垂体腺瘤肿瘤生长速度的方法 |
| CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
| CN112488992B (zh) * | 2020-11-13 | 2024-04-02 | 上海健康医学院 | 表皮生长因子受体突变状态判断方法、介质及电子设备 |
-
2020
- 2020-11-13 CN CN202011268766.XA patent/CN112488992B/zh active Active
-
2021
- 2021-11-03 WO PCT/CN2021/128446 patent/WO2022100497A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
| CN111445946A (zh) * | 2020-03-26 | 2020-07-24 | 北京易康医疗科技有限公司 | 一种利用pet/ct图像推算肺癌基因分型的演算方法 |
| CN111783796A (zh) * | 2020-06-19 | 2020-10-16 | 哈尔滨工业大学 | 一种基于深度特征融合的pet/ct影像识别系统 |
Non-Patent Citations (5)
| Title |
|---|
| 一种基于LBP特征提取和稀疏表示的肝病识别算法;韩秀芝;赵希梅;于可歆;王国栋;;中国生物医学工程学报(第06期);全文 * |
| 基于CT纹理特征的非小细胞肺癌EGFR基因突变预测模型的构建;徐春阳;戴峰;陈刚;姚煜;薛晨祺;;新疆医科大学学报(第10期);全文 * |
| 基于LBP的屏幕内容图像评价CNN模型;李瑞东;刘海;杨环;;青岛大学学报(工程技术版)(第02期);全文 * |
| 影像组学在~(18)F-FDG PET/CT研究进展及临床应用;高超;孙莹莹;孙夕林;;中国医学影像技术(第08期);全文 * |
| 融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断;迟剑宁;于晓升;张艺菲;;中国图象图形学报(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022100497A1 (zh) | 2022-05-19 |
| CN112488992A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112488992B (zh) | 表皮生长因子受体突变状态判断方法、介质及电子设备 | |
| CN106815481B (zh) | 一种基于影像组学的生存期预测方法及装置 | |
| US9123095B2 (en) | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties | |
| CN112270666A (zh) | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 | |
| Ginsburg et al. | Feature importance in nonlinear embeddings (FINE): applications in digital pathology | |
| Khumancha et al. | Lung cancer detection from computed tomography (CT) scans using convolutional neural network | |
| Ye et al. | Cervical cancer metastasis and recurrence risk prediction based on deep convolutional neural network | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| Wang et al. | Feature‐shared adaptive‐boost deep learning for invasiveness classification of pulmonary subsolid nodules in CT images | |
| Shan et al. | Lung cancer diagnosis based on an ann optimized by improved teo algorithm | |
| Sivakumar et al. | Deep learning in skin lesion analysis for malignant melanoma cancer identification | |
| CN109740669B (zh) | 一种基于深度特征聚合的乳腺癌病理图像分类方法 | |
| Majid et al. | Enhanced transfer learning strategies for effective kidney tumor classification with CT imaging | |
| CN117174257B (zh) | 医疗影像的处理装置、电子设备及计算机可读存储介质 | |
| Zebari et al. | Enhancing Brain Tumor Classification with Data Augmentation and DenseNet121 | |
| Koirunnisa et al. | Optimized Machine Learning Performance with Feature Selection for Breast Cancer Disease Classification | |
| Varan et al. | Enhancing prostate cancer classification by leveraging key radiomics features and using the fine-tuned linear svm algorithm | |
| Gc et al. | Variability measurement for breast cancer classification of mammographic masses | |
| Naga Raju et al. | Lung and colon cancer classification using hybrid principle component analysis network‐extreme learning machine | |
| 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 | |
| Kandhro et al. | Performance evaluation of E-VGG19 model: Enhancing real-time skin cancer detection and classification | |
| CN115100155A (zh) | 放射性肺炎预测模型的建立方法与系统 | |
| de Oliveira Torres et al. | Texture analysis of lung nodules in computerized tomography images using functional diversity | |
| Dewan et al. | Brain Tumor Type Identification from MR Images using Texture Features and Machine Learning Techniques | |
| Saji et al. | Deep learning methods for lung cancer detection, classification and prediction-a review |
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 |