CN113208640B - 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 - Google Patents
一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 Download PDFInfo
- Publication number
- CN113208640B CN113208640B CN202110463515.5A CN202110463515A CN113208640B CN 113208640 B CN113208640 B CN 113208640B CN 202110463515 A CN202110463515 A CN 202110463515A CN 113208640 B CN113208640 B CN 113208640B
- Authority
- CN
- China
- Prior art keywords
- lymph node
- histology
- model
- image
- data
- 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
- 208000007433 Lymphatic Metastasis Diseases 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 210000005075 mammary gland Anatomy 0.000 title claims description 6
- 210000001165 lymph node Anatomy 0.000 claims abstract description 31
- 206010006187 Breast cancer Diseases 0.000 claims abstract description 27
- 208000026310 Breast neoplasm Diseases 0.000 claims abstract description 27
- 238000012879 PET imaging Methods 0.000 claims abstract description 12
- 230000007170 pathology Effects 0.000 claims abstract description 12
- 230000002055 immunohistochemical effect Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012636 positron electron tomography Methods 0.000 claims description 23
- 206010028980 Neoplasm Diseases 0.000 claims description 21
- 210000000481 breast Anatomy 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 230000001575 pathological effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000003902 lesion Effects 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000000540 analysis of variance Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013058 risk prediction model Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 4
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 238000002604 ultrasonography Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003364 immunohistochemistry Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010025282 Lymphoedema Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 102000015694 estrogen receptors Human genes 0.000 description 1
- 108010038795 estrogen receptors Proteins 0.000 description 1
- 201000007741 female breast cancer Diseases 0.000 description 1
- 201000002276 female breast carcinoma Diseases 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000013427 histology analysis Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 208000002502 lymphedema Diseases 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012764 semi-quantitative analysis Methods 0.000 description 1
- 210000005005 sentinel lymph node Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 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]
- A61B6/037—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
- A61B6/50—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
- A61B6/50—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
- A61B6/502—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 for diagnosis of breast, i.e. mammography
-
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,其通过提取乳腺癌原发灶的MAMMIPET影像组学特征,并融合原发灶免疫组化病理及相关临床因素,构建预测乳腺癌淋巴结转移风险的模型,实现对乳腺癌患者治疗前淋巴结分期的精准无创预测,补充了常规影像技术特异性低的弊端,同时为医生对乳腺癌患者精准临床分期以及治疗方案提供更加具体的参考依据,提高治疗的成功率。
Description
技术领域
本发明涉及一种基于计算机数据分析的医学辅助预测方法,具体涉及一种基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法。
背景技术
根据最新发布的2020年全球癌症统计报告,女性乳腺癌已经超过肺癌,成为最常见的癌症,也是癌症死亡的主要原因。乳腺癌相较其他肿瘤更容易早期发生腋窝淋巴结(axillary lymph node,ALN)转移,ALN状态的精准评估对于指导乳腺癌分期、治疗、预后等具有重要意义。目前,临床用于评估乳腺癌ALN的金标准是前哨淋巴结活检术和腋窝淋巴结清扫术,但是以上2种有创方式可能给患者带来诸多术后并发症,如上肢淋巴水肿、感染等。而传统影像学手段(钼靶、超声、磁共振成像等)在无创预测ALN是否转移中,存在敏感性、特异性及准确性较低的情况,并不能达到理想的预测效果;此外,以上影像技术在诊断过程中存在个体主观因素差异大的缺陷,对于诊断医生的经验及水平要求较高。
高精度乳腺专用PET(mammography with molecular imaging PositronEmission Tomography,MAMMI PET)是目前国际乳腺核医学成像研究领域的热点之一,其显像原理与全身PET相同,基于肿瘤代谢特征的定量分析不仅可以比常规手段更准确地识别恶性肿瘤,还能最大程度地消除不同操作个体对诊断结果带来的误差,有助于提升诊断精度,同时减轻影像诊断医生的工作负担。此外,相较于全身PET,MAMMI PET空间分辨率提高到1.4mm,在探测乳腺癌小病灶和多中心病灶中具有灵敏度高、分辨率强、辐射性低的优势,极大提高了乳腺癌诊断、分期的准确率。
虽然MAMMI PET成像可以提供绝对定量以及半定量分析,但是所获得的数据有限,影像图像内仍有大量未充分挖掘的隐藏信息。近年来,随着大数据及计算机辅助诊断技术的飞速发展与融合,影像组学(radiomics)技术应运而生。它通过自动化数据特征化算法将影像数据定量转化为高通量的特征空间数据,能更大限度挖掘图像信息,全方面对肿瘤特征进行定量研究,为肿瘤诊疗提供临床决策支持。影像组学技术能否成功应用的关键在于影像数据的收集,影像上肿瘤的体素越多,可供影像组学分析的特征就越多。目前基于传统影像学手段的影像组学由于图像信息较少,难以进一步提高诊断效能,而基于MAMMI PET图像可以为影像组学技术的实施提供更为丰富的肿瘤信息。
因此,我们通过提取乳腺癌原发灶的MAMMI PET影像组学特征,并融合原发灶免疫组化病理及相关临床因素,构建预测乳腺癌淋巴结转移风险的模型,具有重要的理论意义和应用价值。
发明内容
本发明的目的在于克服现有技术中存在的上述不足,而提供一种结构设计合理的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法。
本发明解决上述问题所采用的技术方案是:一种基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,包括
数据采集:采集乳腺癌确诊患者治疗前后基线临床信息及乳腺病灶的免疫组化病理结果,根据手术淋巴结清扫病理结果将患者分为淋巴结阴性组和淋巴结阳性组,上述数据中按比例将患者分成训练组和验证组,训练组用于筛选特征并建立预测模型,验证组用于进行模型验证、评价;
影像组学特征提取:对原始乳腺专用PET图像去除干扰结果的噪声和杂质并进行肿瘤分割,采用数据模板对图像进行量化处理,获得影像组学特征数据;
数据预处理:将步骤数据采集的患者基线临床信息及乳腺病灶的免疫组化病理结果和步骤影像组学特征提取进行标数据准化处理获得原始数据集;
特征筛选:对获得的原始数据集进行统计、分析、绘图,得到初步数据集中淋巴结病理结果与初步筛选出特征之间的关系,评估特征在淋巴结阴性与阳性组间的差异获得最终数据集;
建立模型:对最终数据集中的特征采用多种机器学习和深度学习算法建立模型,获得筛选的特征与对应权重系数进行线性组合得到患者的预测模型;
验证模型:分别在训练集和验证集中通过检验模型淋巴结转移预测结果与手术病理结果的偏差来评估模型的预测效能,采用受试者工作特征(ROC)曲线、曲线下面积(AUC)、特异性、敏感性、准确性指标中任一一种或多种组合方式进行评价模型在预测乳腺癌淋巴结转移风险的效能。
可视化输出:将风险预测模型进行可视化呈现,根据特征评分计算患者的得分情况及淋巴结转移风险,为评估乳腺癌患者ALN状态提供可视化数据。
进一步的:基线临床信息包括患者年龄、体重、病灶大小、位置、原发灶MAMMI PET图像以及原发灶免疫组化病理结果。
进一步的:影像组学特征数据包括:
基础特征:包括强度特征、形状特征、2D形状特征,灰度共生矩阵(GLCM)特征、灰度行程矩阵(GLRLM)特征、灰度级区域大小矩阵(GLSZM)特征以及相邻灰度矩阵(NGTDM);
高级特征:包括小波变换后再次提取的强度特征、灰度共生矩阵特征、灰度行程矩阵特征进和灰度级区域大小矩阵中任一一种或多种。
进一步的:影像组学特征采用的数据标准化处理为Z-score法。
进一步的:影像组学特征提取采用将DICOM格式的PET图像从工作站中导入图像到MIM软件中并进行预处理,去除干扰结果的噪声和杂质,采用MIM软件PET-edge模板进行肿瘤分割,获得肿瘤区域DICOM文件,将上述肿瘤区域DICOM文件导入3D Slicer软件中,采用Pyradiomics模板对图像进行量化处理。
进一步的:特征筛选中使用R软件进行数据统计、分析、绘图,在训练组中采用适合高维数据运算的最小绝对值收敛和选择算子回归模型(LASSO)方法进行特征的降维、筛选,去除冗余的参数,以减少数据过度拟合的影响;
采用10倍交叉验证法计算最小均方误差,根据最小均方误差得到了LASSO模型的最佳惩罚参数,从原始数据集特征中筛选出系数不为零的特征,构成初步数据集。使用单变量特征选择方法中的ANOVA(方差分析)算法,得到初步数据集中淋巴结病理结果与初步筛选出特征之间的关系,评估特征在淋巴结阴性与阳性组间的差异,剔除显著性差异程度值(p值)大于0.05的特征,获得最终数据集。
进一步的:模型建立中采用对最终数据集中的特征进行Logistic回归算法,通过筛选的特征与对应权重系数进行线性组合得到患者的预测模型,采用预测模型计算乳腺癌患者淋巴结转移风险度评分。
进一步的:验证模型采用受试者工作特征(ROC)曲线、曲线下面积(AUC)、特异性、敏感性、准确性指标中任一一种或多种组合方式进行评价模型在预测乳腺癌淋巴结转移风险的效能(其中AUC的取值范围在0.5和1之间,AUC越接近1.0,表明模型的实用性及预测正确率越高;特异性、敏感性越高,分别表明了模型发生误诊、漏诊的机会越少;准确性反映了模型的基本特性,准确性越高,表明模型的临床价值越高)。
进一步的:数据采集的来源公开医学数据集以及各级医院病例数据。
本发明与现有技术相比,具有以下优点和效果:采用影像组学及机器学习方法识别对乳腺癌淋巴结转移高危特征,通过预测模型分析,实现对乳腺癌患者治疗前淋巴结分期的精准无创预测,补充了常规影像技术特异性低的弊端,同时为医生对乳腺癌患者精准临床分期以及治疗方案提供更加具体的参考依据,提高治疗的成功率。
附图说明
图1是本发明实施例方法的流程图。
图2是本发明实施例预测模型ROC曲线图
图3是本发明实施例预测模型可视化列线图
图4是本发明实施例患者1可视化列线图。
图5是本发明实施例患者2可视化列线图。
附图编号:
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
参见图1-图5,本实施例涉及一种一种基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,具体包括:
临床-影像数据采集:采集乳腺癌确诊患者治疗前基线临床信息(年龄、体重、病灶大小、位置)、原发灶MAMMI PET图像、原发灶免疫组化病理结果(ER、PR、HER2、Ki-67),根据手术淋巴结清扫病理结果将患者分为淋巴结阴性组和淋巴结阳性组;并根据7:3的比例将患者分成训练组和验证组;在训练组中筛选特征并建立模型,在验证组进行模型验证、评价。
原始PET图像处理及肿瘤分割:将DICOM格式的PET图像从工作站中导入图像后处理软件中(MIM软件)并进行预处理,去除干扰结果的噪声和杂质等。采用MIM软件PET-edge模板进行肿瘤分割,获得肿瘤区域DICOM文件。
影像组学特征提取:将上述肿瘤区域DICOM文件导入3D Slicer软件中,采用Pyradiomics模板对图像进行量化处理,获得影像组学特征数据,包括:①基础特征:包括19个强度特征、16个形状特征、10个2D形状特征,16个灰度共生矩阵(GLCM)特征、14个灰度行程矩阵(GLRLM)特征、16个灰度级区域大小矩阵(GLSZM)特征和5个相邻灰度矩阵(NGTDM);②高级特征:包括小波变换后,再次提取的强度特征、灰度共生矩阵特征、灰度行程矩阵特征进和灰度级区域大小矩阵中的一种或多种。其中,具有代表性的是灰度共生矩阵(GLCM)算法,其通过计算灰度图像得到它的共生矩阵,然后透过计算该共生矩阵得到矩阵的部分特征值,来分别代表图像的某些纹理特征。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息,它是分析图像的局部模式和它们排列规则的基础。具体的,高级特征在基础特征上发展变化而来。
数据预处理:将临床-影像数据采集获得的患者基线临床信息及乳腺病灶的免疫组化病理结果和影像组学特征提取获得的影像组学特征进行标准化处理获得原始数据集,标准化处理采用最常见的Z-score法;本实施例中原始数据集包括9个临床特征、4个病理特征、851个影像组学特征,共计864个特征。
特征筛选:使用R软件进行数据统计、分析、绘图。在训练组中采用适合高维数据运算的最小绝对值收敛和选择算子回归模型(LASSO)方法进行特征的降维、筛选,去除冗余的参数,以减少数据过度拟合的影响;采用10倍交叉验证法计算最小均方误差,根据最小均方误差得到了LASSO模型的最佳惩罚参数,从原始数据集864个特征中筛选出系数不为零的特征,构成初步数据集。使用单变量特征选择方法中的ANOVA(方差分析)算法,得到初步数据集中淋巴结病理结果与初步筛选出特征之间的关系,评估特征在淋巴结阴性与阳性组间的差异,剔除显著性差异程度值(p值)大于0.05的特征,获得最终数据集。
模型建立:对最终数据集中的特征进行Logistic回归算法,通过筛选的特征与对应权重系数进行线性组合得到患者的预测模型。根据模型计算乳腺癌患者淋巴结转移风险度评分,具体为:
Pre-score(Combined Model)=-8.230+2.437*LN.US(超声检查结果)+1.775*LN.PET(乳腺PET检查结果)+1.916*LN.PE(体格检查结果)+1.082*Tumor Location(病灶位置)+0.020*ER(雌激素受体)+0.031*Ki67-2.553*wavelet_LLH_first_order_Skewness(偏度)+4.251*wavelet_LHH_glcm_Correlation(相关性)+0.034*wavelet_HHL_first order_Median(中位数)-6.437e-09*wavelet_HHH_glcm_Cluster Prominence(簇突出)-0.837*wavelet_HHH_glszm_Zone Variance(区域差异)
模型验证:分别在训练集和验证集中通过检验模型淋巴结转移预测结果与手术病理结果的偏差来评估模型的预测效能,验证模型采用受试者工作特征(ROC)曲线、曲线下面积(AUC)、特异性、敏感性、准确性指标中任一一种或多种组合方式进行评价模型在预测乳腺癌淋巴结转移风险的效能,其中AUC的取值范围在0.5和1之间,AUC越接近1.0,表明模型的实用性及预测正确率越高;特异性、敏感性越高,分别表明了模型发生误诊、漏诊的机会越少;准确性反映了模型的基本特性,准确性越高,表明模型的临床价值越高。
模型可视化呈现:将风险预测模型进行可视化呈现(如图3所示),根据特征评分计算每个患者的得分情况及淋巴结转移风险,为评估乳腺癌患者ALN状态提供可视化依据,如图3所示,本实施例预测模型可视化采用列线图表示。
临床诊断:
患者1.治疗前超声、乳腺专用PET、体格检查均未检测出淋巴结,病灶位置位于乳房外侧,病灶穿刺免疫组化:ER(80%),Ki-67(60%),预测模型获得的影像组学评分0.42。如图4所示,通过列线图计算出该患者的总得分(Total Points)=0+0+0+32+18.5+23+42=115.5,对应的淋巴结转移风险<0.1。根据模型结果将该患者视为低风险淋巴结转移患者。该患者术后淋巴结清扫病理结果:阴性。与模型预测结果一致。
患者2.治疗前超声、乳腺专用PET、体格检查均检测出淋巴结,但无法确认性质;病灶位置位于乳房中央区,病灶穿刺免疫组化:ER(0),Ki-67(60%),预测模型获得的影像组学评分0.78。如图5所示,通过列线图计算出该患者的总得分(Total Points)=29.5+22.5+23.5+0+0+23.5+78=177,对应的淋巴结转移风险约为0.92。根据模型结果将该患者视为高风险淋巴结转移患者。该患者术后淋巴结清扫病理结果为:阳性。与模型预测结果一致。
本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,其特征在于:包括
数据采集:采集乳腺癌确诊患者治疗前后基线临床信息及乳腺病灶的免疫组化病理结果,根据手术淋巴结清扫病理结果将患者分为淋巴结阴性组和淋巴结阳性组,上述数据中按比例将患者分成训练组和验证组,训练组用于筛选特征并建立预测模型,验证组用于进行模型验证、评价;
影像组学特征提取:对原始乳腺专用PET图像去除干扰结果的噪声和杂质并进行肿瘤分割,采用数据模板对图像进行量化处理,获得影像组学特征数据;
数据预处理:将步骤数据采集的患者基线临床信息及乳腺病灶的免疫组化病理结果和步骤影像组学特征提取进行标数据准化处理获得原始数据集;
特征筛选:对获得的原始数据集进行统计、分析、绘图,得到初步数据集中淋巴结病理结果与初步筛选出特征之间的关系,评估特征在淋巴结阴性与阳性组间的差异获得最终数据集;
建立模型:对最终数据集中的特征采用多种机器学习和深度学习算法建立模型,获得筛选的特征与对应权重系数进行线性组合得到患者的预测模型;
验证模型:分别在训练集和验证集中通过检验模型淋巴结转移预测结果与手术病理结果的偏差来评估模型的预测效能;
可视化输出:将风险预测模型进行可视化呈现,根据特征评分计算患者的得分情况及淋巴结转移风险,为评估乳腺癌患者ALN状态提供可视化数据。
2.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,其特征在于:基线临床信息包括患者年龄、体重、病灶大小、位置、原发灶MAMMI PET图像以及原发灶免疫组化病理结果。
3.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,其特征在于:影像组学特征数据包括:
基础特征:包括强度特征、形状特征、2D形状特征,灰度共生矩阵(GLCM)特征、灰度行程矩阵(GLRLM)特征、灰度级区域大小矩阵(GLSZM)特征以及相邻灰度矩阵(NGTDM);
高级特征:包括小波变换后再次提取的强度特征、灰度共生矩阵特征、灰度行程矩阵特征进和灰度级区域大小矩阵中任一一种或多种。
4.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,其特征在于:影像组学特征采用的数据标准化处理为Z-score法。
5.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,其特征在于:影像组学特征提取采用将DICOM格式的PET图像从工作站中导入图像到MIM软件中并进行预处理,去除干扰结果的噪声和杂质,采用MIM软件PET-edge模板进行肿瘤分割,获得肿瘤区域DICOM文件,将上述肿瘤区域DICOM文件导入3D Slicer软件中,采用Pyradiomics模板对图像进行量化处理。
6.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,其特征在于:特征筛选中使用R软件进行数据统计、分析、绘图,在训练组中采用适合高维数据运算的最小绝对值收敛和选择算子回归模型(LASSO)方法进行特征的降维、筛选,去除冗余的参数,以减少数据过度拟合的影响;
采用10倍交叉验证法计算最小均方误差,根据最小均方误差得到了LASSO模型的最佳惩罚参数,从原始数据集特征中筛选出系数不为零的特征,构成初步数据集,使用单变量特征选择方法中的ANOVA(方差分析)算法,得到初步数据集中淋巴结病理结果与初步筛选出特征之间的关系,评估特征在淋巴结阴性与阳性组间的差异,剔除显著性差异程度值(p值)大于0.05的特征,获得最终数据集。
7.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,其特征在于:模型建立中采用对最终数据集中的特征进行Logistic回归算法,通过筛选的特征与对应权重系数进行线性组合得到患者的预测模型,采用预测模型计算乳腺癌患者淋巴结转移风险度评分。
8.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,其特征在于:验证模型采用受试者工作特征(ROC)曲线、曲线下面积(AUC)、特异性、敏感性、准确性指标中任一一种或多种组合方式进行评价模型在预测乳腺癌淋巴结转移风险的效能。
9.根据权利要求1所述的基于乳腺专用PET影像组学预测腋窝淋巴结转移的方法,其特征在于:数据采集的来源公开医学数据集以及各级医院病例数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463515.5A CN113208640B (zh) | 2021-04-26 | 2021-04-26 | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463515.5A CN113208640B (zh) | 2021-04-26 | 2021-04-26 | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113208640A CN113208640A (zh) | 2021-08-06 |
CN113208640B true CN113208640B (zh) | 2023-05-30 |
Family
ID=77089321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110463515.5A Active CN113208640B (zh) | 2021-04-26 | 2021-04-26 | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113208640B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792569A (zh) * | 2022-01-17 | 2022-07-26 | 吴式琇 | 一种基于影像组学建立炎症细胞浸润模型预测肿瘤治疗预后的方法 |
CN114511564B (zh) * | 2022-04-19 | 2023-01-24 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法 |
CN115116625B (zh) * | 2022-06-30 | 2024-07-12 | 苏州大学 | 胰腺癌淋巴结转移分期预测方法、装置和存储介质 |
CN114926465B (zh) * | 2022-07-20 | 2022-09-30 | 南方医科大学南方医院 | 一种存储介质和结直肠癌淋巴结转移预测模型构建系统 |
CN115272253B (zh) * | 2022-08-02 | 2023-04-07 | 中国医学科学院北京协和医院 | 一种前哨淋巴结图像分析的方法、装置及存储介质 |
CN116913479B (zh) * | 2023-09-13 | 2023-12-29 | 西南石油大学 | 一种确定实施pmrt的三阴性乳腺癌患者的方法及装置 |
CN117954099A (zh) * | 2024-03-26 | 2024-04-30 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种乳腺癌风险预测方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871531A (zh) * | 2016-09-27 | 2018-04-03 | 柯惠有限合伙公司 | 裂隙评估和外科手术介入性规划 |
CN109086572A (zh) * | 2018-07-24 | 2018-12-25 | 南方医科大学南方医院 | 一种用于评估胃癌术后预后和化疗反应性的试剂和方法 |
CN110139606A (zh) * | 2016-11-25 | 2019-08-16 | 霍罗吉克公司 | 用于成像装置的控制器 |
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 |
-
2021
- 2021-04-26 CN CN202110463515.5A patent/CN113208640B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871531A (zh) * | 2016-09-27 | 2018-04-03 | 柯惠有限合伙公司 | 裂隙评估和外科手术介入性规划 |
CN110139606A (zh) * | 2016-11-25 | 2019-08-16 | 霍罗吉克公司 | 用于成像装置的控制器 |
CN109086572A (zh) * | 2018-07-24 | 2018-12-25 | 南方医科大学南方医院 | 一种用于评估胃癌术后预后和化疗反应性的试剂和方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113208640A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113208640B (zh) | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 | |
JP4310099B2 (ja) | 肺疾患検出のための方法及びシステム | |
CN112262440B (zh) | 一种通过影像组学特征判断癌症治疗反应的方法及系统 | |
KR20200021082A (ko) | 신경 네트워크들을 이용하여 단층촬영 이미지 재구축 및 라디오믹스를 통합하기 위한 시스템 및 방법 | |
El-Baz et al. | Three-dimensional shape analysis using spherical harmonics for early assessment of detected lung nodules | |
CN112216395A (zh) | 一种乳腺癌患者腋窝淋巴结转移预测模型及其构建方法 | |
WO2015106374A1 (zh) | 一种基于脑部核磁共振图像的多维度纹理提取方法 | |
CN112215799A (zh) | 一种磨玻璃肺结节自动分类方法及系统 | |
CN112638262A (zh) | 相似度确定装置、方法及程序 | |
CN115345856A (zh) | 基于影像动态增强模式的乳腺癌化疗疗效预测模型 | |
Bu et al. | Lung nodule detection based on YOLOv3 deep learning with limited datasets | |
Armya et al. | Medical images segmentation based on unsupervised algorithms: a review | |
CN117727441A (zh) | 基于临床-融合影像计算机模型预测肺癌免疫疗效方法 | |
CN116740386A (zh) | 图像处理方法、装置、设备和计算机可读存储介质 | |
CN117152054A (zh) | 一种无需纳入临床病理特征的乳癌患者淋巴结转移预测模型 | |
CN116825372A (zh) | 一种乳癌患者淋巴结转移预测模型及其构建方法 | |
CN111265234A (zh) | 一种肺部纵膈淋巴结的性质判定方法及系统 | |
Sheng et al. | Modeling nodule growth via spatial transformation for follow-up prediction and diagnosis | |
Qiao et al. | A fusion of multi-view 2D and 3D convolution neural network based MRI for Alzheimer’s disease diagnosis | |
Moghadam et al. | Classification of benign and malignant tumors in Digital Breast Tomosynthesis images using Radiomic-based methods | |
Wang et al. | Machine learning based on automated breast volume scanner (ABVS) radiomics for differential diagnosis of benign and malignant BI‐RADS 4 lesions | |
Zhao et al. | HS–GS: a method for multicenter MR image standardization | |
Elloumi et al. | A 3D Processing Technique to Detect Lung Tumor | |
US12064272B2 (en) | Detection of prostate cancer | |
Bhagat et al. | Computational Intelligence approach to improve the Classification accuracy of Brain Tumor Detection |
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 |