CN112651507B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112651507B CN112651507B CN202011528302.8A CN202011528302A CN112651507B CN 112651507 B CN112651507 B CN 112651507B CN 202011528302 A CN202011528302 A CN 202011528302A CN 112651507 B CN112651507 B CN 112651507B
- Authority
- CN
- China
- Prior art keywords
- hepatocellular carcinoma
- microvascular invasion
- medical image
- type
- image
- 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
- 230000009545 invasion Effects 0.000 title claims abstract description 137
- 206010073071 hepatocellular carcinoma Diseases 0.000 title claims abstract description 117
- 231100000844 hepatocellular carcinoma Toxicity 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010276 construction Methods 0.000 title claims description 9
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 60
- 210000004185 liver Anatomy 0.000 claims abstract description 21
- 238000007477 logistic regression Methods 0.000 claims description 21
- 206010061203 Hepatobiliary neoplasm Diseases 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 claims description 4
- 238000011282 treatment Methods 0.000 abstract description 13
- 238000002271 resection Methods 0.000 abstract description 8
- 230000002980 postoperative effect Effects 0.000 abstract description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 102000013529 alpha-Fetoproteins Human genes 0.000 description 5
- 108010026331 alpha-Fetoproteins Proteins 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000003494 hepatocyte Anatomy 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 239000002872 contrast media Substances 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 229910052688 Gadolinium Inorganic materials 0.000 description 1
- 238000012752 Hepatectomy Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 1
- 238000010562 histological examination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000000405 serological effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000002054 transplantation Methods 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供了一种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。方法包括:根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到每个类型的医学图像的最大判别因子;从多个类型的医学图像的最大判别因子、影像特征以及临床特征中选取对微血管侵犯有统计学意义的多个预测变量;基于多个预测变量,构建肝细胞癌微血管侵犯预测模型。本发明中,能够使用该肝细胞癌微血管侵犯预测模型在术前预测肝细胞癌患者的微血管侵犯概率,供医生参考肝细胞癌患者的微血管侵犯概率来优化治疗计划,调整治疗计划中肝切除范围的大小,以减少肝细胞癌患者术后复发的概率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种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。
背景技术
肝细胞癌(Hepatocellular carcinoma,简称HCC)是一种高死亡率的原发性肝癌,肝切除和移植是肝细胞癌的重要治疗方法。然而,约百分之50的患者会在肝切除后的两年内复发,复发的潜在因素之一是微血管侵犯(microvascular invasion,简称MVI)。目前,仅能通过术后的组织学检查来诊断患者的微血管侵犯情况。
然而,由于肝细胞癌HCC的高度异质性,还没有发现稳定的微血管侵犯的血清学或基因组预测因子。因此,若能够在术前对微血管侵犯情况进行预测并且扩大肝切除范围,对肝细胞癌的优化治疗具有重大的意义。
发明内容
本发明的目的在于提供一种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,构建了构建肝细胞癌微血管侵犯预测模型,能够使用该肝细胞癌微血管侵犯预测模型在术前预测肝细胞癌患者的微血管侵犯概率,供医生参考肝细胞癌患者的微血管侵犯概率来优化治疗计划,调整治疗计划中肝切除范围的大小,以减少肝细胞癌患者术后复发的概率。
为实现上述目的,本发明提供了一种肝细胞癌的微血管侵犯预测模型构建方法,包括:根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到每个类型的医学图像的最大判别因子;从多个类型的医学图像的最大判别因子、影像特征以及临床特征中选取对微血管侵犯有统计学意义的多个预测变量;基于多个预测变量,构建肝细胞癌微血管侵犯预测模型。
本发明还提供了一种肝细胞癌的微血管侵犯概率预测方法,包括:获取肝细胞癌患者的多个类型的医学图像的肿瘤感兴趣区域;从多个类型的医学图像的肿瘤感兴趣区域中获取与微血管侵犯有统计学意义的多个预测变量的值;将多个预测变量的值输入到基于上述构建方法所构建的肝细胞癌微血管侵犯预测模型,得到肝细胞癌患者的微血管侵犯的发生概率。
本发明相对于现有技术而言,根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到每个类型的医学图像的最大判别因子,然后从多个类型的医学图像的最大判别因子、影像特征以及临床特征中选取对微血管侵犯有统计学意义的多个预测变量,再基于筛选出的多个预测变量,构建肝细胞癌微血管侵犯预测模型,从而能够使用该肝细胞癌微血管侵犯预测模型在术前预测肝细胞癌患者的微血管侵犯概率,供医生参考肝细胞癌患者的微血管侵犯概率来优化治疗计划,调整治疗计划中肝切除范围的大小,以减少肝细胞癌患者术后复发的概率。
在一实施例中,从多个类型的医学图像的最大判别因子、影像特征以及临床特征中选取对微血管侵犯有统计学意义的多个预测变量,包括:以各类型的医学图像的最大判别因子、影像特征或临床特征作为变量进行单因素logistic回归分析,得到对微血管侵犯有统计学意义的预测变量。本实施例提供了从多个类型的医学图像的最大判别因子、影像特征以及临床特征中选取对微血管侵犯有统计学意义的多个预测变量的一种具体实现方式。
在一实施例中,基于多个预测变量,构建肝细胞癌微血管侵犯预测模型,包括:对多个预测变量进行多因素logistic回归分析,得到肝细胞癌微血管侵犯预测模型。本实施例中,利用多因素logistic回归分析来构建微血管侵犯预测模型,能够剔除了多个预测变量中存在关联性的预测变量,能够得到预测效果均较好的肝细胞癌微血管侵犯预测模型。
在一实施例中,对多个预测变量进行多因素logistic回归分析,得到肝细胞癌微血管侵犯预测模型,包括:对多个预测变量进行多因素logistic回归分析,得到微血管侵犯的多个独立预测因子;利用多个独立预测因子构成肝细胞癌微血管侵犯预测模型。本实施例提供了对多个预测变量进行多因素logistic回归分析,得到肝细胞癌微血管侵犯预测模型的一种具体实现方式。
在一实施例中,多个独立预测因子包括:肝胆期肿瘤周围低信号,门脉期图像的最大判别因子,肝胆期图像的最大判别因子;肝细胞癌微血管侵犯预测模型为:
其中,P表示微血管侵犯概率,β0表示常数,X1表示肝胆期肿瘤周围低信号,β1表示肝胆期肿瘤周围低信号的指示值对应的常数,X2表示动脉期图像的最大判别因子,β2表示动脉期图像的最大判别因子对应的常数,X3表示门脉期图像的最大判别因子,β3表示门脉期图像的最大判别因子对应的常数。本实例提供了一种肝细胞癌微血管侵犯预测模型。
在一实施例中,β0=-4.612,β1=3.614,β2=2.035,β3=-1.876。
在一实施例中,根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到各类型的医学图像的最大判别因子,包括:对各类型的医学图像上的肿瘤感兴趣区域进行纹理分析,得到每个类型的医学图像的感兴趣区域对应的多个纹理特征;基于各类型的医学图像的感兴趣区域对应的多个纹理特征,得到各类型的医学图像的最大判别因子。本实施例提供了根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到各类型的医学图像的最大判别因子的一种具体实现方式。
在一实施例中,基于各类型的医学图像的感兴趣区域对应的多个纹理特征,得到各类型的医学图像的最大判别因子,包括:对于每个类型的医学图像,将医学图像的感兴趣区域对应的多个纹理特征输入到预设的线性鉴别分析模型,得到医学图像的最大判别因子。本实施例中选择错误分类率最低的线性鉴别分析模型来计算最大判别因子,使得计算得到各类型的医学图像的最大判别因子更加准确。
在一实施例中,在基于各类型的医学图像的感兴趣区域对应的多个纹理特征,得到各类型的医学图像的最大判别因子之前,还包括:对每个类型的医学图像的感兴趣区域对应的多个纹理特征进行筛选,得到每个类型的医学图像的感兴趣区域对应的目标纹理特征;基于各类型的医学图像的感兴趣区域对应的多个纹理特征,得到各类型的医学图像的最大判别因子,包括:基于各类型的医学图像的感兴趣区域对应的目标纹理特征,得到各类型的医学图像的最大判别因子。本实施例中,先对多个纹理特征进行筛选,得到鉴别能力较高的目标纹理特征,减少了计算量,同时增加了各类型的医学图像的最大判别因子的鉴别能力。
在一实施例中,多个类型的医学图像包括以下之一或任意组合:T1WI图像、T2WI图像、动脉期图像、门脉期图像、延迟期图像以及肝胆期图像。
附图说明
图1是根据本发明第一实施例中的肝细胞癌的微血管侵犯预测模型构建方法的具体流程图;
图2是根据本发明第二实施例中的肝细胞癌的微血管侵犯预测模型构建方法的具体流程图;
图3是图2中的肝细胞癌的微血管侵犯预测模型构建方法的步骤203的具体流程图;
图4是根据本发明第二实施例中的微血管侵犯预测模型的ROC曲线图;
图5是根据本发明第三实施例中的肝细胞癌的微血管侵犯预测模型构建方法的具体流程图;
图6是根据本发明第四实施例中的肝细胞癌的微血管侵犯概率预测方法的具体流程图。
具体实施例
以下将结合附图对本发明的各实施例进行详细说明,以便更清楚理解本发明的目的、特点和优点。应理解的是,附图所示的实施例并不是对本发明范围的限制,而只是为了说明本发明技术方案的实质精神。
在下文的描述中,出于说明各种公开的实施例的目的阐述了某些具体细节以提供对各种公开实施例的透彻理解。但是,相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况来实践实施例。在其它情形下,与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。
除非语境有其它需要,在整个说明书和权利要求中,词语“包括”和其变型,诸如“包含”和“具有”应被理解为开放的、包含的含义,即应解释为“包括,但不限于”。
在整个说明书中对“一个实施例”或“一实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此,在整个说明书的各个位置“在一个实施例中”或“在一实施例”中的出现无需全都指相同实施例。另外,特定特点、结构或特征可在一个或多个实施例中以任何方式组合。
如该说明书和所附权利要求中所用的单数形式“一”和“”包括复数指代物,除非文中清楚地另外规定。应当指出的是术语“或”通常以其包括“和/或”的含义使用,除非文中清楚地另外规定。
在以下描述中,为了清楚展示本发明的结构及工作方式,将借助诸多方向性词语进行描述,但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“上”、“下”等词语理解为方便用语,而不应当理解为限定性词语。
本发明第一实施例涉及一种肝细胞癌的微血管侵犯预测模型构建方法,应用于电脑等电子设备,能够构建肝细胞癌的微血管侵犯预测模型,该微血管侵犯预测模型能够在术前预测肝细胞癌患者的微血管侵犯概率,供医生作为参考来调整治疗计划中肝切除范围的大小。
本实施例的肝细胞癌的微血管侵犯预测模型构建方法的具体流程如图1所示。
步骤101,根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到每个类型的医学图像的最大判别因子。
具体而言,医学图像可以肝细胞癌患者在进行医学检查时所得到的图像,例如为磁共振成像(Magnetic Resonance Imaging,简称MRI)得到的核磁共振成像,多种类型的医学图像则可以为MRI采用不同的扫描序列得到的图像,扫描序列是指具有一定带宽、一定幅度的射频脉冲与梯度脉冲的有机组合,射频脉冲与梯度脉冲不同的组合方式构成不同的扫描序列。在一个例子中,多种类型的医学图像包括以下之一或任意组合:T1WI图像(T1加权图像)、T2WI图像(T2加权图像)、动脉期AP图像、门脉期PVP图像、延迟期DP图像以及肝胆期HBP图像;其中,T1WI图像与T2WI图像为平扫图像,动脉期图像、门脉期图像、延迟期图像以及肝胆期图像为增强图像,相对于平扫图像来说,增强图像为患者被注射造影剂(例如为肝脏特异性钆Gd造影剂)之后的成像,对于肝细胞癌的患者,其被注射造影剂后,动脉期一般会出现很亮的信号,而后在门脉期和延迟期中亮的信号会明显变暗,能够用于进行诊断。需要说明的是,本实施例以及之后的实施例均以多种类型的医学图像包括上述六种图像为例进行说明。
每个类型的医学图像上已经被勾画了肿瘤感兴趣区域(Region Of Interest,简称ROI),感兴趣区域为肿瘤最大横截面积,其可以包括囊性坏死区域。若某个类型的医学图像存在病灶边界不清晰的情况,由于肝胆期图像与T2WI图像的病灶边界一般较为清晰,则可以将肝胆期图像与T2WI图像上勾画的肿瘤感兴趣区域加载到该类型的医学图像上,得到该类型的医学图像上勾画的肿瘤感兴趣区域。在一个例子中,若肿瘤位置因患者的呼吸运动改变,则基于改变后的肿瘤位置调整医学图像上勾画的感兴趣区域,以确保感兴趣区域覆盖肿瘤病灶的轮廓。
对于每个类型的医学图像,则能够基于该医学图像上所勾画的肿瘤感兴趣区域,得到该类型的医学图像的最大判别因子(Most Discriminant Factor,简称MDF);从而能够得到各类型的医学图像的最大判别因子MDF。
步骤102,从多个类型的医学图像的最大判别因子、影像特征以及临床特征中选取对微血管侵犯有统计学意义的多个预测变量。
具体而言,对于每个肝细胞癌患者,基于该肝细胞癌患者的医学图像能够得到该患者的影像特征与临床特征,影像特征与临床特征包括:肿瘤最大直径(Maximum tumordiameter,简称MTD)、甲胎蛋白(AFP)含量,病理分级(Pathologic grade)、动脉期边缘强化(Arterial rim enhancement)、动脉期瘤周强化(Arterial peritumoral enhancement)、肿瘤边缘(Tumor margin)、影像包膜(Radiological capsule)、肝胆期肿瘤信号(Tumorhypointensity on HBP)、肝胆期肿瘤周低信号(Peritumoral hypointensity on HBP)。然后,从肿瘤最大直径(MTD)、甲胎蛋白(AFP)含量,病理分级(Pathologic grade)、动脉期边缘强化(Arterial rim enhancement)、动脉期瘤周强化(Arterial peritumoralenhancement)、肿瘤边缘(Tumor margin)、影像包膜(Radiological capsule)、肝胆期肿瘤信号(Tumor hypointensity on HBP)、肝胆期肿瘤周围低信号(Peritumoralhypointensity on HBP)、T1WI图像的最大判别因子MDFT1、T2WI图像的最大判别因子MDFT2、动脉期AP图像的最大判别因子MDFAP、门脉期PVP图像的最大判别因子MDFPVP、延迟期DP图像的最大判别因子MDFDP以及肝胆期HBP图像的最大判别因子MDFHBP中进行筛选,选取与肝细胞癌HCC微血管侵犯相关的多个预测变量。
步骤103,基于多个预测变量,构建肝细胞癌微血管侵犯预测模型。
具体而言,基于步骤102中筛选出的与肝细胞癌HCC微血管侵犯相关的多个预测变量进行分析,能够得到一个肝细胞癌微血管侵犯预测模型,基于该模型便可以预测出肝细胞癌患者的微血管侵犯概率。
在本实施例中,根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到每个类型的医学图像的最大判别因子,然后从多个类型的医学图像的最大判别因子、影像特征以及临床特征中选取对微血管侵犯有统计学意义的多个预测变量,再基于筛选出的多个预测变量,构建肝细胞癌微血管侵犯预测模型,从而能够使用该肝细胞癌微血管侵犯预测模型在术前预测肝细胞癌患者的微血管侵犯概率,供医生参考肝细胞癌患者的微血管侵犯概率来优化治疗计划,调整治疗计划中肝切除范围的大小,以减少肝细胞癌患者术后复发的概率。
本发明第二实施例涉及一种肝细胞癌的微血管侵犯预测模型构建方法,第二实施例相对于第一实施例来说:提供了构建肝细胞癌微血管侵犯预测模型的一种具体实现方式。
本实施例的肝细胞癌的微血管侵犯预测模型构建方法的具体流程如图2所示。
步骤201,根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到每个类型的医学图像的最大判别因子。与第一实施例中的步骤101大致相同,在此不再赘述。
步骤202,以各类型的医学图像的最大判别因子、影像特征或临床特征作为变量进行单因素logistic回归分析,得到对微血管侵犯有统计学意义的预测变量。
具体而言,在获取了肝细胞癌患者的影像特征与临床特征以及各类型医学图像的最大判别因子后,分别以这些因素作为自变量进行单因素logistic回归分析,在进行单因素logistic回归分析,选取多例肝细胞癌患者,包含男性患者、与女性患者,年龄分布范围例如为29-88,中位年龄为58岁,其中一部分患者为微血管侵犯阳性(MVI+),另一部分为微血管侵犯阴性(MVI-)。在所有的因素完成单因素logistic回归分析后,得到每个因素的显著性P;即可以得到所有因素的单因素logistic回归分析表,具体参见下表1,需要说明的是下表仅作为示例。
表1
自变量 | p |
MDFT1 | <0.0005* |
MDFT2 | <0.0005* |
MDFAP | <0.0005* |
MDFPVP | <0.0005* |
MDFDP | <0.0005* |
MDFHBP | <0.0005* |
肿瘤最大直径 | <0.0005* |
甲胎蛋白含量 | 0.028* |
病理分级 | 0.105 |
动脉期边缘强化 | 0.001* |
动脉期瘤周强化 | 0.215 |
肿瘤边缘 | 0.004* |
影像包膜 | 0.275 |
肝胆期肿瘤信号 | 0.215 |
肝胆期肿瘤周围低信号 | <0.0005* |
对于每个因素来说,若该因素的P<0.05时,说明该因素具有显著性差异,表示其对微血管侵犯有统计学意义,可以作为预测变量。由此,可以得到肝细胞癌患者的影像特征与临床特征以及各类型医学图像的最大判别因子中,对微血管侵犯有统计学意义的所有的预测变量。
步骤203,对多个预测变量进行多因素logistic回归分析,得到肝细胞癌微血管侵犯预测模型。
请参考图3,步骤203包括以下子步骤:
子步骤2031,对多个预测变量进行多因素logistic回归分析,得到微血管侵犯的多个独立预测因子。
子步骤2032,利用多个独立预测因子构成肝细胞癌微血管侵犯预测模型。
具体而言,基于对微血管侵犯有统计学意义的所有的预测变量进行多因素logistic回归分析,可以得到各预测变量的预测概率P和OR值,仍以上述多例肝细胞癌患者对所有的预测变量进行多因素logistic回归分析,可以得到多个预测变量对微血管侵犯存在相关的独立预测因子,作为独立预测因子的预测变量在进行预测时不受其他的预测变量的影响。其中,OR值为比值比,为实验组的事件发生几率/对照组的事件发生几率,指病例组中暴露人数与非暴露人数的比值除以对照组中暴露人数与非暴露人数的比值。
本实施例中,多个预测变量对微血管侵犯存在相关的独立预测因子包括:肝胆期肿瘤周围低信号(OR=37.098,P<0.0005);动脉期AP图像的最大判别因子MDFAP(OR=7.654,P=0.005);门脉期PVP图像的最大判别因子MDFPVP(OR=0.182,P=0.014)。
基于上述的3个独立预测因子,可以得到下面的肝细胞癌微血管侵犯预测模型。
其中,P表示微血管侵犯概率,β0表示常数,X1表示肝胆期肿瘤周围低信号,存在肝胆期肿瘤周围低信号时X1为1,不存在肝胆期肿瘤周围低信号时X1为0,β1表示肝胆期肿瘤周围低信号的指示值对应的常数,X2表示动脉期AP图像的最大判别因子,MDFAP>1.97*10-2时X2=1,MDFAP≤1.97*10-2时X2=0;β2表示动脉期AP图像的最大判别因子对应的常数,X3表示门脉期PVP图像的最大判别因子,MDFPVP>4.17*10-2时X3=1,MDFPVP≤4.17*10-2时X2=0;β3表示门脉期PVP图像的最大判别因子对应的常数。
将上述公式进行变换可以得到肝细胞癌微血管侵犯的概率计算公式:
P=elogit(p)/(1+elogit(p))
log it(P)=β0+β1*X1+β2*X2+β3*X3
在一个例子中,β0=-4.612,β1=3.614,β2=2.035,β3=-1.876。
ROC曲线图是反映敏感性与特异性之间关系的曲线,能够用于评估模型的诊断准确性。在ROC曲线图中,横坐标X轴为(1-特异性),也称为假阳性率(误报率),X轴越接近零准确率越高;纵坐标Y轴为敏感度,也称为真阳性率(敏感度),Y轴越大代表准确率越好。根据ROC曲线图中曲线的位置,将整个图分为了两部分,曲线下方部分的面积为AUC(Area UnderCurve),用来表示预测准确性,AUC值越大,也就说曲线下方的面积越大,说明预测准确性越高;曲线越接近图的左上角,预测准确性越高。
在构建了肝细胞癌微血管侵犯预测模型后,基于之前选取的多例肝细胞癌患者,绘制该微血管侵犯预测模型的ROC曲线,请参考图4,ROC曲线中,曲线下面积AUC=0.939,最优截止值0.6,敏感性为90%,特异性为89%,约登指数(Youden’s index)为0.788。
同样的,基于之前选取的多例肝细胞癌患者,对每个类型的医学图像的最大判别因子以及直方图参数(包括平均值、方差、偏度、峰度、百分位数1、百分位数10、百分位数50、百分位数90、百分位数99),绘制了每个类型的医学图像的ROC曲线,得到了每种类型的医学图像所对应的ROC曲线的曲线下面积AUC,其中,T1WI图像的AUC范围为0.52-0.68,T2WI图像的AUC范围0.53-0.70,动脉期AP图像的AUC范围0.54-0.69,门脉期PVP图像的AUC范围0.50-0.74,延迟期DP图像的AUC范围0.51-0.74,肝胆期HBP图像的AUC范围0.52-0.65)。
基于上述分析可知,肝细胞癌微血管侵犯预测模型的AUC=0.939,为最大值,可知多因素logistic回归之后所得到的肝细胞癌微血管侵犯预测模型的准确性最高,预测效果最好。
本实施例相对于第一实施例而言,提供了构建肝细胞癌微血管侵犯预测模型的一种具体实现方式;其中,在构建肝细胞癌微血管侵犯预测模型时,先对所有的因素进行单因素logistic回归分析,得到对微血管侵犯具有统计学意义的多个预测变量,然后再基于这多个预测变量进行多因素logistic回归分析,剔除了多个预测变量中存在关联性的预测变量,得到了多个预测变量中的独立预测因子,再利用这多个独立预测因子构成肝细胞癌微血管侵犯预测模型,能够得到预测效果均较好的肝细胞癌微血管侵犯预测模型。
本发明第三实施例涉及一种肝细胞癌的微血管侵犯预测模型构建方法,第三实施例相对于第二实施例来说:提供了根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到每个类型的医学图像的最大判别因子的一种具体实现方式。
本实施例的肝细胞癌的微血管侵犯预测模型构建方法的具体流程如图5所示。
步骤301,包括以下子步骤:
子步骤3011,对各类型的医学图像上的肿瘤感兴趣区域进行纹理分析,得到每个类型的医学图像的感兴趣区域对应的多个纹理特征。
具体而言,纹理分析能够量化图像灰度模式、像素相互关系和光谱特性的空间变化;基于多例肝细胞癌患者的医学图像,对这多例患者中每个类型的医学图像上的肿瘤感兴趣区域进行纹理分析,得到每个类型的医学图像的图像统计,图像统计包括以下任意之一或任意组合:直方图特征、梯度特征、游程矩阵、灰度共生矩阵、自回归模型和小波变换,从这些图像统计中能够得到每个类型的医学图像的感兴趣区域对应的多个纹理特征,例如灰度共生矩阵中包括的关键特征为:能量、惯性、熵、相关性等。本实施例中以图像统计包括直方图特征、梯度特征、游程矩阵、灰度共生矩阵、自回归模型和小波变换为例,则能够从这6个图像统计中得到101个纹理特征。
在一个例子中,在对各类型的医学图像上的感兴趣区域进行纹理分析时,可以先对感兴趣区域进行灰度分布标准化,以减少对比度变化和高亮度对纹理分析的影响。其中,灰度分布标准化的方式为:用u表示灰度均值、σ表示标准差,在u±3σ范围内进行图像灰度的标准化,使得感兴趣区域的像素值范围被量化在6位/像素内。
子步骤3012,对每个类型的医学图像的感兴趣区域对应的多个纹理特征进行筛选,得到每个类型的医学图像的感兴趣区域对应的目标纹理特征。
具体而言,可以采用特征降维算法对每个类型的医学图像的感兴趣区域对应的多个纹理特征进行降维筛选,得到每个类型的医学图像的感兴趣区域对应的目标纹理特征。
本实施例中,可以联合费希尔系数、交互信息(mutual information,简称MI)和分类误差概率结合平均相关系数(minimisation of classification error probabilityand average correlation coefficients,简称PA)这三种方法进行特征降维筛选,避免筛选掉有意义的特征,可以从上述的101个纹理特征中筛选得到30个最高鉴别能力的目标纹理特征,减少了计算量,同时增加了后续计算出的各类型的医学图像的最大判别因子的鉴别能力。
子步骤3013,基于各类型的医学图像的感兴趣区域对应的目标纹理特征,得到各类型的医学图像的最大判别因子。
具体而言,选择错误分类率最低的线性鉴别分析模型(linear discriminantanalysis,简称LDA)来计算最大判别因子;以任一类型的医学图像为例,将该类型的医学图像的感兴趣区域对应的多个目标纹理特征输入到预设的线性鉴别分析模型中,便能够得到该类型的医学图像的最大判别因子。
需要说明的是,若本实施例中,不执行子步骤3012,即不对多个纹理特征进行筛选,则可以将各类型的医学图像对应的所有的纹理特征输入到线性鉴别分析模型中,同样可以计算出各类型的医学图像的最大判别因子。
步骤302,从多个类型的医学图像的最大判别因子、影像特征以及临床特征中选取对微血管侵犯有统计学意义的多个预测变量。与第一实施例中的步骤102大致相同,在此不再赘述。
步骤303,基于多个预测变量,构建肝细胞癌微血管侵犯预测模型。与第一实施例中的步骤103大致相同,在此不再赘述。
本实施例相对于第二实施例而言,提供了根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到每个类型的医学图像的最大判别因子的一种具体实现方式。
本发明第四实施例涉及一种肝细胞癌的微血管侵犯概率预测方法,应用于电脑等电子设备,电脑中预设有基于第一实施例至第三实施例中任一项的肝细胞癌的微血管侵犯预测模型构建方法所构建的微血管侵犯预测模型,从而能够在术前利用该微血管侵犯预测模型预测患者的微血管侵犯概率。
本实施例的肝细胞癌的微血管侵犯概率预测方法的具体流程如图6所示。
步骤401,获取肝细胞癌患者的多个类型的医学图像的肿瘤感兴趣区域。
具体而言,通过MRI磁共振成像、CT等医学检查手段,得到肝细胞癌患者的多个类型的医学图像,电脑连接于这些检查设备,能够得到肝细胞癌患者的多个类型的医学图像的肿瘤感兴趣区域。多种类型的医学图像包括以下之一或任意组合:T1WI图像(T1加权图像)、T2WI图像(T2加权图像)、动脉期AP图像、门脉期PVP图像、延迟期DP图像以及肝胆期HBP图像。
步骤402,从多个类型的医学图像的肿瘤感兴趣区域中获取与微血管侵犯相关的多个预测变量的值。
具体而言,电脑中所预设的微血管侵犯预测模型设定了与微血管侵犯相关的多个预测变量的类型,继而能够在得到肝细胞癌患者的多个类型的医学图像的肿瘤感兴趣区域后,基于各类型的医学图像的肿瘤感兴趣区域的图像,得到这多个预设变量的值。
步骤403,将多个预测变量的值输入到基于第一实施例至第三实施例中任一项的构建方法所构建的肝细胞癌微血管侵犯预测模型,得到肝细胞癌患者的微血管侵犯的发生概率。
具体而言,将多个预测变量的值输入到预设的微血管侵犯预测模型中,便能够得到该肝细胞癌患者在当前的肿瘤感兴趣区域下进行手术后微血管侵犯的发生概率。
需要说明的是,若本实施例基于第二实施例中所构建的微血管侵犯预测模型进行微血管侵犯的预测,则在步骤402中可以仅获取与微血管侵犯相关的多个独立预测因子,然后将这多个独立预测因子输入到第二实施例中所构建的微血管侵犯预测模型中,便可以得到肝细胞癌患者术后微血管侵犯的发生概率。
本实施例中,能够在术前预测肝细胞癌患者的微血管侵犯概率,供医生参考肝细胞癌患者的微血管侵犯概率来优化治疗计划,调整治疗计划中肝切除范围的大小,以减少肝细胞癌患者术后复发的概率。
本发明第五实施例涉及一种电子设备,例如生物医疗装置、电脑等。该电子设备能够执行第一至第三实施例中任一项的肝细胞癌的微血管侵犯预测模型构建方法和/或第四实施例中的肝细胞癌的微血管侵犯概率预测方法。
以上已详细描述了本发明的较佳实施例,但应理解到,若需要,能修改实施例的方面来采用各种专利、申请和出版物的方面、特征和构思来提供另外的实施例。
考虑到上文的详细描述,能对实施例做出这些和其它变化。一般而言,在权利要求中,所用的术语不应被认为限制在说明书和权利要求中公开的具体实施例,而是应被理解为包括所有可能的实施例连同这些权利要求所享有的全部等同范围。
Claims (8)
1.一种肝细胞癌的微血管侵犯预测模型构建方法,其特征在于,包括:
根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到每个类型的所述医学图像的最大判别因子;
从多个类型的所述医学图像的最大判别因子、影像特征以及临床特征中选取对微血管侵犯有统计学意义的多个预测变量;
基于所述多个预测变量,构建肝细胞癌微血管侵犯预测模型,包括:
对所述多个预测变量进行多因素logistic回归分析,得到肝细胞癌微血管侵犯预测模型;所述对所述多个预测变量进行多因素logistic回归分析,得到肝细胞癌微血管侵犯预测模型,包括:
对所述多个预测变量进行多因素logistic回归分析,得到微血管侵犯的多个独立预测因子;
利用所述多个独立预测因子构成所述肝细胞癌微血管侵犯预测模型;
所述多个独立预测因子包括:肝胆期肿瘤周围低信号,门脉期图像的最大判别因子,肝胆期图像的最大判别因子;
所述肝细胞癌微血管侵犯预测模型为:
其中,P表示微血管侵犯概率,β0表示常数,X1表示肝胆期肿瘤周围低信号,β1表示肝胆期肿瘤周围低信号的指示值对应的常数,X2表示动脉期图像的最大判别因子,β2表示动脉期图像的最大判别因子对应的常数,X3表示门脉期图像的最大判别因子,β3表示门脉期图像的最大判别因子对应的常数。
2.根据权利要求1所述的肝细胞癌的微血管侵犯预测模型构建方法,其特征在于,所述从多个类型的所述医学图像的最大判别因子、影像特征以及临床特征中选取对微血管侵犯有统计学意义的多个预测变量,包括:
以各类型的所述医学图像的最大判别因子、影像特征或临床特征作为变量进行单因素logistic回归分析,得到对微血管侵犯有统计学意义的所述预测变量。
3.根据权利要求1所述的肝细胞癌的微血管侵犯预测模型构建方法,其特征在于,β0=-4.612,β1=3.614,β2=2.035,β3=-1.876。
4.根据权利要求1所述的肝细胞癌的微血管侵犯预测模型构建方法,其特征在于,所述根据多个类型的医学图像上勾画的肿瘤感兴趣区域,得到各类型的所述医学图像的最大判别因子,包括:
对各类型的医学图像上的肿瘤感兴趣区域进行纹理分析,得到每个类型的所述医学图像的感兴趣区域对应的多个纹理特征;
基于各类型的所述医学图像的感兴趣区域对应的多个纹理特征,得到各类型的所述医学图像的最大判别因子。
5.根据权利要求4所述的肝细胞癌的微血管侵犯预测模型构建方法,其特征在于,所述基于各类型的所述医学图像的感兴趣区域对应的多个纹理特征,得到各类型的所述医学图像的最大判别因子,包括:
对于每个类型的所述医学图像,将所述医学图像的感兴趣区域对应的多个纹理特征输入到预设的线性鉴别分析模型,得到所述医学图像的最大判别因子。
6.根据权利要求4所述的肝细胞癌的微血管侵犯预测模型构建方法,其特征在于,在所述基于各类型的所述医学图像的感兴趣区域对应的多个纹理特征,得到各类型的所述医学图像的最大判别因子之前,还包括:
对每个类型的所述医学图像的感兴趣区域对应的多个纹理特征进行筛选,得到每个类型的所述医学图像的感兴趣区域对应的目标纹理特征;
所述基于各类型的所述医学图像的感兴趣区域对应的多个纹理特征,得到各类型的所述医学图像的最大判别因子,包括:
基于各类型的所述医学图像的感兴趣区域对应的目标纹理特征,得到各类型的所述医学图像的最大判别因子。
7.根据权利要求1所述的肝细胞癌的微血管侵犯预测模型构建方法,其特征在于,所述多个类型的医学图像包括以下之一或任意组合:T1WI图像、T2WI图像、动脉期图像、门脉期图像、延迟期图像以及肝胆期图像。
8.一种肝细胞癌的微血管侵犯概率预测方法,其特征在于,包括:
获取肝细胞癌患者的多个类型的医学图像的肿瘤感兴趣区域;
从所述多个类型的医学图像的肿瘤感兴趣区域中获取与微血管侵犯有统计学意义的多个预测变量的值;
将所述多个预测变量的值输入到基于权利要求1至7中任一项所述的构建方法所构建的肝细胞癌微血管侵犯预测模型,得到所述肝细胞癌患者的微血管侵犯的发生概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528302.8A CN112651507B (zh) | 2020-12-22 | 2020-12-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528302.8A CN112651507B (zh) | 2020-12-22 | 2020-12-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651507A CN112651507A (zh) | 2021-04-13 |
CN112651507B true CN112651507B (zh) | 2024-03-29 |
Family
ID=75359002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011528302.8A Active CN112651507B (zh) | 2020-12-22 | 2020-12-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651507B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI809488B (zh) * | 2021-08-31 | 2023-07-21 | 中國醫藥大學 | 肝細胞癌微血管浸潤評估方法及其評估系統 |
CN115187512B (zh) * | 2022-06-10 | 2024-01-30 | 珠海市人民医院 | 肝细胞癌大血管侵犯风险预测方法、系统、装置及介质 |
CN115330949B (zh) * | 2022-08-16 | 2024-04-05 | 中山大学附属第一医院 | 一种肝细胞癌侵袭边缘预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111599464A (zh) * | 2020-05-13 | 2020-08-28 | 吉林大学第一医院 | 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法 |
CN111657945A (zh) * | 2020-06-16 | 2020-09-15 | 中南大学湘雅医院 | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 |
CN111862085A (zh) * | 2020-08-03 | 2020-10-30 | 徐州市肿瘤医院 | 一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI668666B (zh) * | 2018-02-14 | 2019-08-11 | China Medical University Hospital | 肝癌分群預測模型、其預測系統以及肝癌分群判斷方法 |
-
2020
- 2020-12-22 CN CN202011528302.8A patent/CN112651507B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111599464A (zh) * | 2020-05-13 | 2020-08-28 | 吉林大学第一医院 | 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法 |
CN111657945A (zh) * | 2020-06-16 | 2020-09-15 | 中南大学湘雅医院 | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 |
CN111862085A (zh) * | 2020-08-03 | 2020-10-30 | 徐州市肿瘤医院 | 一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112651507A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651507B (zh) | 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 | |
Dolz et al. | Multiregion segmentation of bladder cancer structures in MRI with progressive dilated convolutional networks | |
US10339648B2 (en) | Quantitative predictors of tumor severity | |
Birenbaum et al. | Multi-view longitudinal CNN for multiple sclerosis lesion segmentation | |
Giannini et al. | A fully automatic computer aided diagnosis system for peripheral zone prostate cancer detection using multi-parametric magnetic resonance imaging | |
Lopes et al. | Prostate cancer characterization on MR images using fractal features | |
KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
Xu et al. | Synthesis of gadolinium-enhanced liver tumors on nonenhanced liver MR images using pixel-level graph reinforcement learning | |
Zhou et al. | Grading of hepatocellular carcinoma based on diffusion weighted images with multiple b‐values using convolutional neural networks | |
CN113160965B (zh) | 小肝癌早期复发概率预测模型的构建方法与预测方法 | |
Dong et al. | Preoperative prediction of microvascular invasion of hepatocellular carcinoma: radiomics algorithm based on ultrasound original radio frequency signals | |
Yin et al. | Tensor based multichannel reconstruction for breast tumours identification from DCE-MRIs | |
Wang et al. | SCCNN: A diagnosis method for hepatocellular carcinoma and intrahepatic cholangiocarcinoma based on siamese cross contrast neural network | |
Wen et al. | Pulmonary nodule detection based on convolutional block attention module | |
Zhang et al. | Texture analysis of DCE-MRI intratumoral subregions to identify benign and malignant breast tumors | |
Ahmed et al. | COMA-Net: Towards generalized medical image segmentation using complementary attention guided bipolar refinement modules | |
Tong et al. | Automatic lumen border detection in IVUS images using dictionary learning and kernel sparse representation | |
Wu et al. | RAD-UNet: Research on an improved lung nodule semantic segmentation algorithm based on deep learning | |
Zhang et al. | Research on brain glioma segmentation algorithm | |
Zhuang et al. | A fuzzy clustering based color-coded diagram for effective illustration of blood perfusion parameters in contrast-enhanced ultrasound videos | |
Khene et al. | Contrast-enhanced CT texture parameters as predictive markers of high-risk urodynamic features in adult patients with spina bifida | |
Auccahuasi et al. | Detection of microcalcifications in digital mammography images, using deep learning techniques, based on peruvian casuistry | |
UmaMaheswaran et al. | Enhanced non-contrast computed tomography images for early acute stroke detection using machine learning approach | |
Cen et al. | A Computer-aided radiomics approach based on classifier ensemble to differentiate malignancy of hepatocellular carcinoma with Contrast-enhanced MR | |
Zhang et al. | Radiomics nomogram for prediction of glypican-3 positive hepatocellular carcinoma based on hepatobiliary phase imaging |
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 |