CN113658699B - 克罗恩病的全面疾病严重程度指数的预测方法及相关设备 - Google Patents

Abstract

本申请公开了一种克罗恩病的全面疾病严重程度指数的预测方法及相关设备，方法包括获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征；基于影像组学特征，确定克罗恩病的各第一影响因素对应的第一评分；获取影像数据对应的临床信息，基于临床信息确定克罗恩病的各第二影响影像对应的第二评分；基于所有第一评分和所有第二评分，预测克罗恩病的全面疾病严重程度指数。本申请通过影像数据提取肠系膜脂肪组织的影像组学特征，并基于影像组学特征预测克罗恩病的全面疾病严重程度指数，这样通过影像数据来学习肠系膜脂肪组织的生物学信息，以预测克罗恩病的全面疾病严重程度指数，降低了基于肠系膜脂肪组织来确定克罗恩病的难度以及复杂度。

Description

克罗恩病的全面疾病严重程度指数的预测方法及相关设备

技术领域

本申请涉及生物医学工程技术领域，特别涉及一种克罗恩病的全面疾病严重程度指数的预测方法及相关设备。

背景技术

克罗恩病(Crohn‘s Disease，CD)是一种慢性致残性的炎症性肠病，其疾病活动性通常是基于某一时刻的症状来定义的，而往往忽略了疾病的长期负荷。除了针对症状的治疗，目前也逐渐意识到积极预防不可逆的肠道损伤以避免或减低CD相关住院和/或手术率的重要性。其中，爬行脂肪已被认为是衡量CD的一个重要指标，爬行脂肪或肠系膜脂肪增生，即炎性肠段周围肠系膜脂肪增厚堆积。然而，目前仅能在手术或者病理标本中观察爬行脂肪，从而增加了通过爬行脂肪或肠系膜脂肪增生对克罗恩病进行预测的难度以及复杂度。

发明内容

本申请要解决的技术问题在于，针对现有技术的不足，提供一种克罗恩病的全面疾病严重程度指数的预测方法及相关设备。

为了解决上述技术问题，本申请实施例第一方面提供了一种克罗恩病的全面疾病严重程度指数的预测方法，所述的预测方法包括：

获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征，其中，所述影像数据为克罗恩病患者的影像数据；

基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分；

获取影像数据对应的临床信息，并基于所述临床信息确定第二数量的克罗恩病的第二影响因素中的各第二影响影像对应的第二评分；

基于确定的所有第一评分和所有第二评分，预测克罗恩病的全面疾病严重程度指数。

所述克罗恩病的全面疾病严重程度指数的预测方法，其中，所述获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征具体包括：

将待预测的影像数据输入分割网络模型，通过分割网络模型识别所述影像数据中的肠系膜脂肪组织区域；

对所述肠系膜脂肪组织区域进行特征提取，以得到所述影像数据中的肠系膜脂肪组织的影像组学特征。

所述克罗恩病的全面疾病严重程度指数的预测方法，其中，所述第一数量的克罗恩病的第一影响因素包括CRP、白蛋白、贫血、瘘、肛周脓肿、狭窄、病变范围以及黏膜病变。

所述克罗恩病的全面疾病严重程度指数的预测方法，其中，所述第二数量的克罗恩病的第二影响因素包括腹痛、稀便、有无肛门直肠疼痛/肠道急症/失禁/分泌物/里急后重、手术史、有无造口、疫抑制剂/生物制剂、过去一年有无用类固醇以及对日常生活的影响。

所述克罗恩病的全面疾病严重程度指数的预测方法，其中，所述基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分具体包括：

将所述影像组学特征输入经过训练的分类模型，通过分类模型输出第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分。

所述克罗恩病的全面疾病严重程度指数的预测方法，其中，所述将所述影像组学特征输入经过训练的分类模型，通过分类模型输出第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分具体包括：

将所述影像组学特征输入回归模型，通过所述回归模型确定第一数量的克罗恩病的第一影响因素中的各第一影响因素各自对应的子影像组学特征，其中，子影像组学特征包含于所述影像组学特征内，并且子影像组学特征的特征数量小于影像组学特征的特征数量；

分别将各子影像组学特征输入经过训练的分类模型，通过分类模型输出各第一影响因素对应的第一评分。

所述克罗恩病的全面疾病严重程度指数的预测方法，其中，所述影像组学特征包括量化强度类特征、形状类特征、纹理类特征以及小波特征类特征。

本申请实施例第二方面提供了一种克罗恩病的全面疾病严重程度指数的预测装置，所述的预测装置包括：

获取模块，用于获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征，其中，所述影像数据为克罗恩病患者的影像数据；

第一确定模块，用于基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分；

第二确定模块，用于获取影像数据对应的临床信息，并基于所述临床信息确定第二数量的克罗恩病的第二影响因素中的各第二影响影像对应的第二评分；

预测模块，用于基于确定的所有第一评分和所有第二评分，预测克罗恩病的全面疾病严重程度指数。

本申请实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的克罗恩病的全面疾病严重程度指数的预测方法中的步骤。

本申请实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述通信总线实现处理器和存储器之间的连接通信；

所述处理器执行所述计算机可读程序时实现如上任一所述的克罗恩病的全面疾病严重程度指数的预测方法中的步骤。

有益效果：与现有技术相比，本申请提供了一种克罗恩病的全面疾病严重程度指数的预测方法及相关设备，所述方法包括获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征；基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分；获取影像数据对应的临床信息，并基于所述临床信息确定第二数量的克罗恩病的第二影响因素中的各第二影响影像对应的第二评分；基于确定的所有第一评分和所有第二评分，预测克罗恩病的全面疾病严重程度指数。本申请通过影像数据提取肠系膜脂肪组织的影像组学特征，并基于影像组学特征预测克罗恩病的全面疾病严重程度指数，这样通过影像数据来学习肠系膜脂肪组织的生物学信息，以预测克罗恩病的全面疾病严重程度指数，降低了基于肠系膜脂肪组织来确定克罗恩病的难度以及复杂度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在不符创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的克罗恩病的全面疾病严重程度指数的预测方法的流程图。

图2为本申请提供的克罗恩病的全面疾病严重程度指数的量化强度类别的影像组学特征的示意图。

图3为本申请提供的克罗恩病的全面疾病严重程度指数的形状类别的影像组学特征的示意图。

图4为本申请提供的克罗恩病的全面疾病严重程度指数的纹理类别的影像组学特征的示意图。

图5为本申请提供的克罗恩病的全面疾病严重程度指数的小波特征类别的影像组学特征的示意图。

图6为内部训练数据留一法预测结果散点图。

图7为外部测试数据预测结果散点图。

图8为本申请提供的克罗恩病的全面疾病严重程度指数的预测装置的结构原理图。

图9为本申请提供的终端设备的结构原理图。

具体实施方式

本申请提供一种克罗恩病的全面疾病严重程度指数的预测方法及相关设备，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

应理解，本实施例中各步骤的序号和大小并不意味着执行顺序的先后，各过程的执行顺序以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

发明人经过研究发现，克罗恩病(Crohn‘s Disease，CD)是一种慢性致残性的炎症性肠病，其疾病活动性通常是基于某一时刻的症状来定义的，而往往忽略了疾病的长期负荷。除了针对症状的治疗，目前也逐渐意识到积极预防不可逆的肠道损伤以避免或减低CD相关住院和/或手术率的重要性。其中，爬行脂肪已被认为是衡量CD的一个重要指标，爬行脂肪或肠系膜脂肪增生，即炎性肠段周围肠系膜脂肪增厚堆积。爬行脂肪在CD病程中的角色十分神秘，既有促炎的作用也有抗炎的功能，它是导致CD肠道病变的原因还是肠道病变所引发的后续改变仍无定论。但目前可以确定的是，它与肠道透壁炎症/纤维化和其他结缔组织改变均相关，在促进CD患者的肠道和全身炎症反应中具有重要作用。

然而，目前爬行脂肪的真实形态仅能在手术或病理标本中观察。而影像学中可以被用于评估肠系膜脂肪增生的指标普遍包括主观性指标(即肠周脂肪间隙增宽)和客观性指标(即肠系膜脂肪指数：肠系膜脂肪面积/皮下脂肪面积)。近年来已有文献探究了基于CT的腰3/4/5椎体水平肠系膜脂肪面积与CD疾病活动性和患者预后的相关性，发现升高的肠系膜脂肪面积和肠系膜脂肪指数与CD狭窄/穿透性病变、术后并发症、术后复发等相关。有文献还探究了CD患者内脏脂肪和皮下脂肪面积比，研究表明内脏脂肪和皮下脂肪面积比是CD的生物标志物。由此，目前在通过爬行脂肪或肠系膜脂肪增生对克罗恩病进行预测时，需要通过手术或者提取病理标本的方式来获取爬行脂肪的真实形态，从而增加了预测的难度以及复杂度。

为了解决上述问题，在本申请实施例中，获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征；基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分；获取影像数据对应的临床信息，并基于所述临床信息确定第二数量的克罗恩病的第二影响因素中的各第二影响影像对应的第二评分；基于确定的所有第一评分和所有第二评分，预测克罗恩病的全面疾病严重程度指数。本申请通过影像数据提取肠系膜脂肪组织的影像组学特征，并基于影像组学特征预测克罗恩病的全面疾病严重程度指数，这样通过影像数据来学习肠系膜脂肪组织的生物学信息，以预测克罗恩病的全面疾病严重程度指数，降低了基于肠系膜脂肪组织来确定克罗恩病的难度以及复杂度。

下面结合附图，通过对实施例的描述，对申请内容作进一步说明。

本实施例提供了一种克罗恩病的全面疾病严重程度指数的预测方法，如图1所示，所述方法包括：

S10、获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征。

具体地，所述影像数据为患有克罗恩病患者的影像数据，在本实施例中，影像数据为患有克罗恩病患者的3D腹腔CT图像，3D腹腔CT图像包括肠系膜脂肪组织区域。影像组学特征为影像数据中的肠系膜脂肪组织的影像组学特征，其中，肠系膜脂肪组织包括腹腔全部肠系膜脂肪组织，所述肠系膜脂肪组织的其组织密度可以为-150到-50HU。

在本实施例的一个实现方式中，所述获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征具体包括：

将待预测的影像数据输入分割网络模型，通过分割网络模型识别所述影像数据中的肠系膜脂肪组织区域；

对所述肠系膜脂肪组织区域进行特征提取，以得到所述影像数据中的肠系膜脂肪组织的影像组学特征。

具体地，所述分割网络模型为基于深度学习的神经网络模型，分割网络模型用于提取影像数据中的肠系膜脂肪组织区域。可以理解的是，分割网络模型的输入项为影像数据，输出项为肠系膜脂肪组织区域。在一个具体实现方式中，所述分割网络模型可以采用编码-解码网络模型，例如，nnunet网络模型等。

进一步，在获取到肠系膜脂肪组织区域后，对肠系膜脂肪组织区域进行特征提取，以得到影像组学特征。所述影像组学特征用于反映影像数据中的肠系膜脂肪组织的生物学信息，其中，影像组学特征可以包括4个影像组学特征类别，分别为如图2-5所示的量化强度、形状、纹理和小波特征。在一个典型实现方式中，影像组学特征可以包括1130个影像组学特征，分别为14个形状特征、18个一阶特征、24个灰度游走矩阵(GLCM)、16个灰度游程矩阵(GLRLM)、16个灰度区域矩阵(GLSZM)、5个领域灰度矩阵(NGTDM)、14个灰度相关矩阵(GLDM)、744个小波特征(wavelet)以及279个拉普拉斯高斯滤波特征(log)。

S20、基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分。

具体地，第一影响因素为通过影像组学特征确定得到，其中，第一数量的克罗恩病的第一影响因素包括CRP、白蛋白、贫血、瘘、肛周脓肿、狭窄、病变范围以及黏膜病变。此外，各第一影响因素各自对应的第一评分可以基于影像组学特征确定的各第一影响因素所处类别确定，其中，各第一影响因素所处类别可以通过传统分类方式确定得到的，也可以通过经过训练的分类模型确定得到。

在本实施例的一个实现方式中，所述基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分具体包括：

将所述影像组学特征输入经过训练的分类模型，通过分类模型输出第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分。

具体地，所述分类模型为经过训练的分类模型，用于基于影像组学特征确定各第一影响因素各自对应的类别，以确定各第一影响因素各自对应的第一评分。在本实施的一个实现方式中，所述分类模型可以由SVM分类器构建的分类模型，SVM是按照监督学习方式对样本数据进行二元分类的广义线性分类器，能够较好地处理小样本、非线性、高维度模式识别等问题。其中，所SVM分类器的RBF核函数参数g和惩罚系数C可以采用网格寻优方式来进行参数寻优。

在本实施例的一个实现方式中，所述将所述影像组学特征输入经过训练的分类模型，通过分类模型输出第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分具体包括：

将所述影像组学特征输入回归模型，通过所述回归模型确定第一数量的克罗恩病的第一影响因素中的各第一影响因素各自对应的子影像组学特征；

分别将各子影像组学特征输入经过训练的分类模型，通过分类模型输出各第一影响因素对应的第一评分。

具体地，回归模型用于为各第一影响映射筛选各自对应的子影像组学特征，其中，子影像组学特征包含于所述影像组学特征内，并且子影像组学特征的特征数量小于影像组学特征的特征数量。可以理解的是，基于影像数据确定影像组学特征可以用于确定各第一影响因素的第一评分，然而对于每个第一影响因素，影像组学特征中的部分影像组学特征对该第一影响因素的评分有作用，而部分影像组学特征对该第一影响因素的评分无用，从而在基于影像组学特征确定各第一影响因素各自对应的第一评分之前，可以先通过回归模型来确定各第一影响因素各自对应的子影像组学特征，再基于各子影像组学特征确定各第一影响因素的第一评分，这样可以降低减少输入SVM分类器的输入项的维度，从而可以SVM分类器的计算速度。在一个实现方式中，所述回归模型可以采用lasso回归。

举例说明：假设影像组学特征为1130维的特征向量，在确定第一影响因素A的子影像组学特征时，将1130维的特征向量经过回归模型，通过确定1130维的特征向量中的各向量项各自对应的类别标签，其中，类别标签包括0或1,0表示无用特征，1表示有用特征；然后基于各向量项各自对应的类别标签对特征向量中的向量项进行删减，以去除类别标签为0的向量项，并将删减后的特征向量作为第一影响因素A的子影像组学特征，以使得子影像组学特征小于1130维。

在本实施例的一个实现方式中，所述分类模型为二分类模型，所述第一数量的第一影响因素中包括部分具有两个类别的第一影响因素，和部分具有三个类别的第一影响因素。由此，在通过分类模型对第一影响因素进行分类，以确定第一影响因素对应的第一评分时，可以确定第一影响因素对应的类别，当第一影响因素具有两个类别时，直接通过该分类模型对第一影响因素进行二分类，当第一影响因素具有三个类别时，首先将三个类别中两个类别合并成一个类别，通过分类模型进行二分类；当分类结果为两个类别合成的类别时，再对合并的两个类别通过分类模型进行二分类，以第一影响因素所处类别。

在本实施例的一个实现方式中，第一数量的第一影响因素包括CRP、白蛋白、贫血、瘘、肛周脓肿、狭窄、病变范围以及黏膜病变，其中，白蛋白、贫血、瘘、肛周脓肿、病变范围以及狭窄均具有两个类别，CRP和黏膜病变具有三个类别。此外，各第一影响因素各自对应的各类别对应有评价分数，当通过分类模型确定各第一影响因素各自对应的类别后，可以直接将该类别对应的评价分数作为该第一影响因素各自对应的第一评价分数。在一个典型实现方式中，第一影响因素的类别与类别对应的评价分数可以如表1所示。

表1第一影响因素的类别与评价分数的对应关系

S30、获取影像数据对应的临床信息，并基于所述临床信息确定第二数量的克罗恩病的第二影响因素中的各第二影响影像对应的第二评分。

具体地，所述第二数量的克罗恩病的第二影响因素包括腹痛、稀便、有无肛门直肠疼痛/肠道急症/失禁/分泌物/里急后重、手术史、有无造口、疫抑制剂/生物制剂、过去一年有无用类固醇以及对日常生活的影响。其中，所述临床信息可以预先存储的，也可以是通过云端获取的，还可以是外部设备发送的。其中，第二评价分数是根据临床信息携带的各第二影响因素的因素内容而确定，其中，在通过临床信息确定各第二影响因素的因素内容后，根据预设的因素内容与因素类别的对应关系，以及因素类别与评价分数的对应关系确定各第二影响因素各自对应的第二评价分数。此外，因素内容与因素类别的对应关系，以及因素类别与评价分数均可以为预先根据实际情况统计形成，这里就不具体说明。

S40、基于确定的所有第一评分和所有第二评分，预测克罗恩病的全面疾病严重程度指数。

具体地，所述全面疾病严重程度指数用于反映克罗恩病严重程度，从而在预测得到的全面疾病严重程度指数后，可以基于全面疾病严重程度指数预测克罗恩病的程度，其中，全面疾病严重程度指数与克罗恩病的程度的对应关系可以预先设定的。此外，在获取到所有第一评分和所有第二评分后，可以将所有第一评分和所有第二评分的和作为全面疾病严重程度指数，也可以根据各影响因素各自对应的加权系数将所有第一评分和所有第二评分进行加权，以得到全面疾病严重程度指数，还可以将所有第一评分和所有第二评分的平均分作为全面疾病严重程度指数，等。在本实施例的一个典型实现方式中，在获取到所有第一评分和所有第二评分后，将所有第一评分和所有第二评分的和作为全面疾病严重程度指数。

在本实施例的一个实现方式中，在对分类模型进行训练时，可以采用全面疾病严重程度指数作为真值进行训练，也就是说，在对分类模型进行训练时，基于预设训练样本中的训练影像数据以及训练临床信息确定预测全面疾病严重程度指数，然后再基于预设的真实全面疾病严重程度指数以及预测全面疾病严重程度指数，对分类模型进行训练。然后再内部留一法验证集和外部测试集对训练得到的分类模型进行验证，以得到使得基于分类模型确定的第一评分和基于临床信息确定的各第二评分可以准确预测全面疾病严重程度指数。

举例说明：预先获取145例CD患者的CT影像数据以及临床信息以得到145例训练样本，然后将145例训练样本中的110例作为内部数据集，35例作为外部测试集，采用内部数据集对SVM分类器进行训练并采用留一法进行内部验证，然后再采用外部测试集进行验证，由图6、图7以及表2可以知道，采用根据影像组学特征以及分类模型确定所有第一评分和根据临床信息确定的所有第二评分所预测的预测全面疾病严重程度指数的准确率很高。同时，在内部留一法验证集中平均绝对误差为4.68，绝对误差中位数为5.00，两者的皮尔逊相关系数为0.88，两者具有强相关关系；在外部测试集中平均绝对误差为4.54，绝对误差中位数为4.00，两者的皮尔逊相关系数为0.92，两者具有强相关关系。由此，采用该分类模型可以准确预测全面疾病严重程度指数。

表2全面疾病严重程度指数的部分因素分类结果

因素	内部留一法AUC	外部测试集AUC
			CRP	0.74	0.72
白蛋白	0.84	0.82
			贫血	0.89	0.84
瘘	0.88	0.81
			肛周脓肿	0.84	0.79
狭窄	0.87	0.73
			病变范围	0.81	0.75
黏膜病变	0.94	0.93

综上所述，本实施例提供了一种克罗恩病的全面疾病严重程度指数的预测方法及相关设备，所述方法包括获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征；基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分；获取影像数据对应的临床信息，并基于所述临床信息确定第二数量的克罗恩病的第二影响因素中的各第二影响影像对应的第二评分；基于确定的所有第一评分和所有第二评分，预测克罗恩病的全面疾病严重程度指数。本申请通过影像数据提取肠系膜脂肪组织的影像组学特征，并基于影像组学特征预测克罗恩病的全面疾病严重程度指数，这样通过影像数据来学习肠系膜脂肪组织的生物学信息，以预测克罗恩病的全面疾病严重程度指数，降低了基于肠系膜脂肪组织来确定克罗恩病的难度以及复杂度。

基于上述克罗恩病的全面疾病严重程度指数的预测方法，本实施例提供了一种克罗恩病的全面疾病严重程度指数的预测装置，如图8所示，所述的预测装置包括：

获取模块100，用于获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征，其中，所述影像数据为克罗恩病患者的影像数据；

第一确定模块200，用于基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分；

第二确定模块300，用于获取影像数据对应的临床信息，并基于所述临床信息确定第二数量的克罗恩病的第二影响因素中的各第二影响影像对应的第二评分；

预测模块400，用于基于确定的所有第一评分和所有第二评分，预测克罗恩病的全面疾病严重程度指数。

基于上述克罗恩病的全面疾病严重程度指数的预测方法，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的克罗恩病的全面疾病严重程度指数的预测方法中的步骤。

基于上述克罗恩病的全面疾病严重程度指数的预测方法，本申请还提供了一种终端设备，如图9所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。

此外，上述的存储器22中的逻辑指令可以通过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。

存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。

存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (3)

1.一种克罗恩病的全面疾病严重程度指数的预测装置，其特征在于，所述的预测装置包括：

获取模块，用于获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征，其中，所述影像数据为克罗恩病患者的影像数据，所述影像数据为患有克罗恩病患者的3D腹腔CT图像，所述3D腹腔CT图像包括肠系膜脂肪组织区域；

所述获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征具体包括：

将待预测的影像数据输入分割网络模型，通过分割网络模型识别所述影像数据中的肠系膜脂肪组织区域，所述分割网络模型为基于深度学习的神经网络模型，分割网络模型用于提取影像数据中的肠系膜脂肪组织区域；

对所述肠系膜脂肪组织区域进行特征提取，以得到所述影像数据中的肠系膜脂肪组织的影像组学特征，所述影像组学特征用于反映影像数据中的肠系膜脂肪组织的生物学信息，其中，所述影像组学特征包括4个影像组学特征类别，分别为量化强度、形状、纹理和小波特征，所述影像组学特征包括1130个影像组学特征，分别为14个形状特征、18个一阶特征、24个灰度游走矩阵、16个灰度游程矩阵、16个灰度区域矩阵、5个领域灰度矩阵、14个灰度相关矩阵、744个小波特征以及279个拉普拉斯高斯滤波特征；

第一确定模块，用于基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分；

所述基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分具体包括：

将所述影像组学特征输入经过训练的分类模型，通过分类模型输出第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分，所述分类模型为由SVM分类器构建的分类模型；

所述将所述影像组学特征输入经过训练的分类模型，通过分类模型输出第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分具体包括：

将所述影像组学特征输入回归模型，通过所述回归模型确定第一数量的克罗恩病的第一影响因素中的各第一影响因素各自对应的子影像组学特征，其中，子影像组学特征包含于所述影像组学特征内，并且子影像组学特征的特征数量小于影像组学特征的特征数量，所述回归模型采用lasso回归；

分别将各子影像组学特征输入经过训练的分类模型，通过分类模型输出各第一影响因素对应的第一评分，所述分类模型为二分类模型；

确定第一影响因素对应的类别，当第一影响因素具有两个类别时，直接通过所述分类模型对第一影响因素进行二分类；当第一影响因素具有三个类别时，先将三个类别中两个类别合并成一个类别，通过分类模型进行二分类；当分类结果为两个类别合成的类别时，再对合并的两个类别通过分类模型进行二分类；

所述第一数量的克罗恩病的第一影响因素包括CRP、白蛋白、贫血、瘘、肛周脓肿、狭窄、病变范围以及黏膜病变；

第二确定模块，用于获取影像数据对应的临床信息，并基于所述临床信息确定第二数量的克罗恩病的第二影响因素中的各第二影响影像对应的第二评分；

预测模块，用于基于确定的所有第一评分和所有第二评分，预测克罗恩病的全面疾病严重程度指数。

2.根据权利要求1所述克罗恩病的全面疾病严重程度指数的预测装置，其特征在于，所述第二数量的克罗恩病的第二影响因素包括腹痛、稀便、有无肛门直肠疼痛或肠道急症或失禁或分泌物或里急后重、手术史、有无造口、疫抑制剂或生物制剂、过去一年有无用类固醇以及对日常生活的影响。

3.根据权利要求1所述克罗恩病的全面疾病严重程度指数的预测装置，其特征在于，所述影像组学特征包括量化强度类特征、形状类特征、纹理类特征以及小波特征类特征。

Images