CN113793324A - 一种鼻咽癌诱导化疗疗效预测方法及系统 - Google Patents
一种鼻咽癌诱导化疗疗效预测方法及系统 Download PDFInfo
- Publication number
- CN113793324A CN113793324A CN202111094412.2A CN202111094412A CN113793324A CN 113793324 A CN113793324 A CN 113793324A CN 202111094412 A CN202111094412 A CN 202111094412A CN 113793324 A CN113793324 A CN 113793324A
- Authority
- CN
- China
- Prior art keywords
- image
- chemotherapy
- omics
- nasopharyngeal carcinoma
- interest
- 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.)
- Pending
Links
- 238000002512 chemotherapy Methods 0.000 title claims abstract description 73
- 206010061306 Nasopharyngeal cancer Diseases 0.000 title claims abstract description 44
- 201000011216 nasopharynx carcinoma Diseases 0.000 title claims abstract description 41
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 title claims abstract description 40
- 230000000694 effects Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003384 imaging method Methods 0.000 claims abstract description 26
- 230000006698 induction Effects 0.000 claims abstract description 23
- 230000000750 progressive effect Effects 0.000 claims abstract description 18
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000001939 inductive effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000001225 therapeutic effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 208000001894 Nasopharyngeal Neoplasms Diseases 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 12
- 206010028980 Neoplasm Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011282 treatment Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000001790 Welch's t-test Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 208000025848 malignant tumor of nasopharynx Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 210000004877 mucosa Anatomy 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
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于医学影像分析预测领域，提供了一种鼻咽癌诱导化疗疗效预测方法及系统。其中，该方法包括获取诱导化疗前的多模态磁共振图像；对多模态磁共振图像进行感兴趣区域勾画，提取感兴趣区域的图像特征，得到感兴趣区域的影像组学特征；利用多步逐级特征选择的方式，获得满足设定条件的影像组学特征作为最佳影像组学特征；其中，多步逐级特征选择的方式至少为三步逐级特征选择；利用训练完成的支持向量机分类器对最佳影像组学特征进行预测，获得预测的鼻咽癌诱导化疗疗效结果。
Description
技术领域
本发明属于医学影像分析预测领域，尤其涉及一种鼻咽癌诱导化疗疗效预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
鼻咽癌(NPC)是一种发生于鼻咽粘膜的恶性肿瘤，肿瘤细胞对放化疗较敏感。晚期需采用放疗联合化疗的综合治疗策略，诱导化疗可通过缩小肿瘤体积，降低靶区周围的正常组织照射剂量避免严重的辐射损伤，但是接受诱导化疗的患者要承受较高的毒副反应，统计发现患者对诱导化疗的治疗反应存在异质性。短期疗效评估即肿瘤退缩情况与诱导化疗疗效直接相关，准确地预测化疗后的效果对鼻咽癌患者是否选择诱导化疗的医疗方案至关重要，人为评估受主观因素影响较大且不稳定。因此，急需一种对肿瘤异质性的无创分析，迅速的，非侵入性的评估肿瘤信息，影像组学应运而生。
影像组学从医学影像中提取高通量特征来量化肿瘤等重大疾病，是一个新兴领域，其提供了一种评估肿瘤异质性的无创非侵入定量方法，在肿瘤表型分型、治疗方案选择和预后分析等方面表现出巨大优势，是临床医学和生物医学工程的研究热点。
发明人发现，现有研究中，影像组学的分析过程并没有形成规范化的处理模式，选择不同的特征提取方法、特征选择方法和不同的机器学习分类器获得的结果并不一致，从而导致了预测结果的准确性难以保障的问题。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种鼻咽癌诱导化疗疗效预测系统，其以机器学习为基础，旨在利用磁共振成像，从临床常规的影像检查资料中挖掘出图像特征作为新的治疗标志物，辅助医生进行临床决策，能够保障诱导化疗疗效预测的准确性，实现个性化精准医疗。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种鼻咽癌诱导化疗疗效预测方法，其包括：
获取诱导化疗前的多模态磁共振图像；
对多模态磁共振图像进行感兴趣区域勾画，提取感兴趣区域的图像特征，得到感兴趣区域的影像组学特征；
利用多步逐级特征选择的方式，获得满足设定条件的影像组学特征作为最佳影像组学特征；其中，多步逐级特征选择的方式至少为三步逐级特征选择；
利用训练完成的支持向量机分类器对最佳影像组学特征进行预测，获得预测的鼻咽癌诱导化疗疗效结果。
本发明的第二个方面提供一种鼻咽癌诱导化疗疗效预测系统，其包括：
多模态磁共振图像获取模块，其用于获取诱导化疗前的多模态磁共振图像；
影像组学特征获取模块，其用于对多模态磁共振图像进行感兴趣区域勾画，提取感兴趣区域的图像特征，得到感兴趣区域的影像组学特征；
最佳影像组学特征筛选模块，其用于利用多步逐级特征选择的方式，获得满足设定条件的影像组学特征作为最佳影像组学特征；其中，多步逐级特征选择的方式至少为三步逐级特征选择；
化疗疗效预测模块，其用于利用训练完成的支持向量机分类器对最佳影像组学特征进行预测，获得预测的鼻咽癌诱导化疗疗效结果。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的鼻咽癌诱导化疗疗效预测方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的鼻咽癌诱导化疗疗效预测方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明对多模态磁共振图像进行感兴趣区域勾画，提取感兴趣区域的图像特征，得到感兴趣区域的影像组学特征，再利用多步逐级特征选择的方式，获得满足设定条件的影像组学特征作为最佳影像组学特征；其中，多步逐级特征选择的方式至少为三步逐级特征选择，最后基于最佳影像组学特征和支持向量机分类器，预测出鼻咽癌诱导化疗疗效结果，能够辅助医生进行临床决策，保障了诱导化疗疗效预测的准确性，实现了个性化精准医疗。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例所提供的鼻咽癌诱导化疗疗效预测方法流程图；
图2本发明实施例所提供的鼻咽癌诱导化疗疗效预测原理图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1和图2所示，本实施例提供了一种鼻咽癌诱导化疗疗效预测方法，其包括：
S101：获取诱导化疗前的多模态磁共振图像。
S102：对多模态磁共振图像进行感兴趣区域勾画，提取感兴趣区域的图像特征，得到感兴趣区域的影像组学特征。
一般由放射科医生手动勾画医学临床数据样本中的病灶区域和淋巴结区域的轮廓，将勾画好的病灶区域和淋巴结区域作为感兴趣区域。并对感兴趣区域进行特征提取，获得影像组学特征，并对所有的影像组学特征进行标准化处理。
在本实施例中可以采用PyRadiomics对感兴趣区域进行特征提取，特征提取作为影像组学特征选择的前提，因此要保证提取特征的全面性。
其中，pyradiomics是一个开源的python软件包，可以作为一种特征提取的工具，用于医学图像的影像组学特征提取。可以通过指定图像类别、特征类别、特定滤波器自定义特征提取参数进行特征提取。
其中，获得感兴趣区域的影像组学特征之后，还包括对影像组学特征标准化处理。
具体地，所述感兴趣区域的图像特征包括形状特征、一阶统计量特征、纹理特征以及不同滤波器下的图像特征。本实施例从鼻咽癌磁共振图像中的每个感兴趣区域提取了1734个特征，包括14个形状特征，18个一阶统计量特征，4种类型的纹理特征，此外还提取了不同滤波器下的图像特征。
四种类型的纹理特征包括：灰度共生矩阵、灰度游程矩阵、灰度依赖矩阵以及灰度区域大小矩阵。
灰度共生矩阵：计算在肿瘤区中相邻体素之间的灰度关系来表征图像的纹理。
灰度游程矩阵：分析相同强度的像素在空间中的关系来表述图像的条状纹理。
灰度依赖矩阵：量化图像的灰度依赖关系，灰度依赖被定义为距离内依赖于中心体素的连接体素数量。
灰度区域大小矩阵：灰度级大小区域量化图像中的灰度级区域，灰度区域被定义为共享相同灰度强度的连接像素的数量。
S103：利用多步逐级特征选择的方式，获得满足设定条件的影像组学特征作为最佳影像组学特征；其中，多步逐级特征选择的方式至少为三步逐级特征选择。
在具体实施中，所述三步逐级特征选择的方式为：
采用T检验对影像组学特征进行初步筛选，采用套索算法对初步筛选剩余特征进行二次筛选，采用方差膨胀系数对二次筛选的剩余特征进行最终筛选。
在本实施例中，针对标准化后的影像组学特征筛选剔除冗余特征，采用T检验、套索算法以及方差膨胀系数选择重要特征，去除不相关的影像组学特征，保留与临床标签具有相关性的影像组学特征。
采用T检验对影像组学特征进行初步筛选的过程为检查特征在两组独立样本中是否有显著性差异：
第一步：检查两组独立样本特征的方差齐性；
第二步：不满足方差齐性Welch T检验，计算t统计量；
第三步：满足方差齐性用Student t，计算t统计量；
第四步：计算t统计量的临界概率P值。
例如：筛选P<0.05的特征即两独立样本具有显著性差异的特征。
本实施例首先对两组独立样本数据检查其方差齐性，检验公式为：
其中
和
为两样本方差。
两组样本数据若不满足方差齐性则采用Welch T检验，公式为：
其中μ1和μ2是两样本的期望值；
和
为两样本方差；n1和n2为两样本容量；t代表的是t统计量，
表示样本1的均值，
表示样本2的均值。
两组样本数据若满足方差齐性则采用Student t检验，公式为：
其中
和
为两样本方差；n1和n2为两样本容量。
采用套索算法(Lasso)对T检验剩余特征进行特征选择其损失函数为：
其中yi为预测结果；xi对应yi的每一个特征的值；W为每个特征的系数。m是特征容量。
采用5折交叉验证法选择最优调整参数λ，当损失函数最小时，部分过滤后的组学特征的权重降至0，将降至0的特征剔除掉保留剩余特征，即本实施例Lasso筛选的结果。
采用方差膨胀系数对Lasso筛选后的特征进行筛选，公式为：
其中Ri为自变量xi对其余自变量作回归分析的负相关系数。VIF越大自变量之间存在共线性的可能性越大，一般来说，方差膨胀系数超过10则说明自变量之间存在严重的多重共线性。本实施例将方差膨胀因子超过10的特征剔除，剩余特征即最终选择的特征。
此处需要说明的是，本领域技术人员可根据实际预测精度要求，采用四步逐级特征选择的方式，或是五步逐级特征选择的方式等等，获得满足设定条件的影像组学特征作为最佳影像组学特征。
其中，三步逐级特征选择后可采用套索算法、递归特征消除等任一种或两种方式进行特征筛选。
具体地，递归特征消除具体操作如下：
第一步：通过指定模型训练样本。例如：支持向量机模型、逻辑回归模型等。
第二步：依据模型给出的特征重要性，给每个特征指定一个权重，去掉权重绝对值最小的特征。
第三步：用剩余的特征再次训练模型，进行下一次迭代，不断循环递归，最后选出需要的特征数。
S104：利用训练完成的支持向量机分类器对最佳影像组学特征进行预测，获得预测的鼻咽癌诱导化疗疗效结果。
在本实施例中，鼻咽癌诱导化疗疗效结果分为两类诱导化疗敏感组和诱导化疗抵抗组；其中，疾病完全缓解(CR)和部分缓解(PR)的患者归为诱导化疗敏感组，疗效为疾病稳定(SD)和疾病进展(PD)的患者归为诱导化疗抵抗组。
需要说明的是，在其他实施例中，鼻咽癌诱导化疗疗效结果可根据实际情况分为其他类别。
其中，根据已知疗效标签的多模态磁共振图像数据集对支持向量机分类器进行训练。
已知疗效标签的多模态磁共振图像数据集的构建过程为：
收集接受诱导化疗的鼻咽癌患者的临床数据以及多模态鼻咽癌诱导化疗前的磁共振图像，获得符合筛选条件的医学临床数据样本。
在具体实施过程中，首先确定临床目标和患者的纳入标准和排除标准，根据纳入标准和排除标准回顾性地收集患者的影像数据和临床数据。在获得医学临床数据后，对采集的医学临床数据进行数据类型的筛选确定医学临床数据样本，并根据临床目标诱导化疗疗效确定医学临床数据样本的真实标签。
实施例的纳入病例标准为：接受2-3周期诱导化疗的鼻咽癌患者，无其他恶性肿瘤。根据实体肿瘤的疗效评估标准评估鼻咽癌患者诱导化疗后的疗效，将疗效为疾病完全缓解(CR)和部分缓解(PR)的患者归为诱导化疗敏感组，将疗效为疾病稳定(SD)和疾病进展(PD)的患者归为诱导化疗抵抗组。
实施例将最终筛选出与标签最相关的特征作为输入，使用网格搜索算法选择支持向量机模型的最优参数，最后使用支持向量机训练得到最佳支持向量机模型来作为鼻咽癌诱导化疗疗效预测模型，采用留一法交叉验证方法对鼻咽癌诱导化疗疗效预测模型进行验证评估。
其中，标签为诱导化疗疗效的分类判断：诱导化疗敏感组和诱导化疗抵抗组。留一法交叉验证是留下一个病人样本作验证，剩下病人样本做训练，若有K个病人，则循环K次，取平均评估模型性能。
本实施例使用精度(ACC)、灵敏度(SENS)、特异性(SPEC)和接受者操作特征(ROC)曲线下的面积(AUC)这几个指标评估预测模型。其中，SENS表示正确预测患者为敏感组的比率，SPEC表示正确预测患者为抵抗组的比率。具体公式如下：
其中TP代表正确判断鼻咽癌患者为诱导化疗疗效敏感组的数量，TN代表正确判断鼻咽癌患者为诱导化疗疗效抵抗组的数量，FP代表错误判断鼻咽癌患者为诱导化疗疗效敏感组的数量，FN代表错误判断鼻咽癌患者为诱导化疗疗效抵抗组的数量。
实施例二
本实施例提供了一种鼻咽癌诱导化疗疗效预测系统，其具体包括如下模块：
多模态磁共振图像获取模块，其用于获取诱导化疗前的多模态磁共振图像；
影像组学特征获取模块，其用于对多模态磁共振图像进行感兴趣区域勾画，提取感兴趣区域的图像特征，得到感兴趣区域的影像组学特征；
最佳影像组学特征筛选模块，其用于利用多步逐级特征选择的方式，获得满足设定条件的影像组学特征作为最佳影像组学特征；其中，多步逐级特征选择的方式至少为三步逐级特征选择；
化疗疗效预测模块，其用于利用训练完成的支持向量机分类器对最佳影像组学特征进行预测，获得预测的鼻咽癌诱导化疗疗效结果。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再赘述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的鼻咽癌诱导化疗疗效预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的鼻咽癌诱导化疗疗效预测方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种鼻咽癌诱导化疗疗效预测方法，其特征在于，包括：
获取诱导化疗前的多模态磁共振图像；
对多模态磁共振图像进行感兴趣区域勾画，提取感兴趣区域的图像特征，得到感兴趣区域的影像组学特征；
利用多步逐级特征选择的方式，获得满足设定条件的影像组学特征作为最佳影像组学特征；其中，多步逐级特征选择的方式至少为三步逐级特征选择；
利用训练完成的支持向量机分类器对最佳影像组学特征进行预测，获得预测的鼻咽癌诱导化疗疗效结果。
2.如权利要求1所述的鼻咽癌诱导化疗疗效预测方法，其特征在于，所述三步逐级特征选择的方式为：
采用T检验对影像组学特征进行初步筛选，采用套索算法对初步筛选剩余特征进行二次筛选，采用方差膨胀系数对二次筛选的剩余特征进行最终筛选。
3.如权利要求1所述的鼻咽癌诱导化疗疗效预测方法，其特征在于，获得感兴趣区域的影像组学特征之后，还包括对影像组学特征标准化处理。
4.如权利要求1所述的鼻咽癌诱导化疗疗效预测方法，其特征在于，根据已知疗效标签的多模态磁共振图像数据集对支持向量机分类器进行训练。
5.如权利要求1所述的鼻咽癌诱导化疗疗效预测方法，其特征在于，所述感兴趣区域的图像特征包括形状特征、一阶统计量特征、纹理特征以及不同滤波器下的图像特征。
6.如权利要求5所述的鼻咽癌诱导化疗疗效预测方法，其特征在于，所述纹理特征包括：灰度共生矩阵、灰度游程矩阵、灰度依赖矩阵以及灰度区域大小矩阵。
7.一种鼻咽癌诱导化疗疗效预测系统，其特征在于，包括：
多模态磁共振图像获取模块，其用于获取诱导化疗前的多模态磁共振图像；
影像组学特征获取模块，其用于对多模态磁共振图像进行感兴趣区域勾画，提取感兴趣区域的图像特征，得到感兴趣区域的影像组学特征；
最佳影像组学特征筛选模块，其用于利用多步逐级特征选择的方式，获得满足设定条件的影像组学特征作为最佳影像组学特征；其中，多步逐级特征选择的方式至少为三步逐级特征选择；
化疗疗效预测模块，其用于利用训练完成的支持向量机分类器对最佳影像组学特征进行预测，获得预测的鼻咽癌诱导化疗疗效结果。
8.如权利要求7所述的鼻咽癌诱导化疗疗效预测系统，其特征在于，在所述最佳影像组学特征筛选模块中，所述三步逐级特征选择的方式为：
采用T检验对影像组学特征进行初步筛选，采用套索算法对初步筛选剩余特征进行二次筛选，采用方差膨胀系数对二次筛选的剩余特征进行最终筛选。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的鼻咽癌诱导化疗疗效预测方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的鼻咽癌诱导化疗疗效预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111094412.2A CN113793324A (zh) | 2021-09-17 | 2021-09-17 | 一种鼻咽癌诱导化疗疗效预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111094412.2A CN113793324A (zh) | 2021-09-17 | 2021-09-17 | 一种鼻咽癌诱导化疗疗效预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113793324A true CN113793324A (zh) | 2021-12-14 |
Family
ID=78878846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111094412.2A Pending CN113793324A (zh) | 2021-09-17 | 2021-09-17 | 一种鼻咽癌诱导化疗疗效预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113793324A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238484A (zh) * | 2023-11-13 | 2023-12-15 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 智能化诊疗装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242174A (zh) * | 2019-12-31 | 2020-06-05 | 浙江大学 | 一种基于影像组学的肝癌图像特征提取与病理分类方法和装置 |
| CN111951962A (zh) * | 2020-07-27 | 2020-11-17 | 中山大学孙逸仙纪念医院 | 一种贝伐单抗治疗放射性脑损伤疗效预测模型及其构建方法 |
| CN112951406A (zh) * | 2021-01-27 | 2021-06-11 | 安徽理工大学 | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 |
-
2021
- 2021-09-17 CN CN202111094412.2A patent/CN113793324A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242174A (zh) * | 2019-12-31 | 2020-06-05 | 浙江大学 | 一种基于影像组学的肝癌图像特征提取与病理分类方法和装置 |
| CN111951962A (zh) * | 2020-07-27 | 2020-11-17 | 中山大学孙逸仙纪念医院 | 一种贝伐单抗治疗放射性脑损伤疗效预测模型及其构建方法 |
| CN112951406A (zh) * | 2021-01-27 | 2021-06-11 | 安徽理工大学 | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238484A (zh) * | 2023-11-13 | 2023-12-15 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 智能化诊疗装置、电子设备及存储介质 |
| CN117238484B (zh) * | 2023-11-13 | 2024-02-27 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 智能化诊疗装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arunkumar et al. | Fully automatic model‐based segmentation and classification approach for MRI brain tumor using artificial neural networks | |
| CN111028224B (zh) | 数据标注、模型训练和图像处理方法、装置及存储介质 | |
| Acharya et al. | Towards precision medicine: from quantitative imaging to radiomics | |
| CN110866893B (zh) | 基于病理图像的tmb分类方法、系统及tmb分析装置 | |
| CN112768072B (zh) | 基于影像组学定性算法构建癌症临床指标评估系统 | |
| US9123095B2 (en) | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties | |
| CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
| CN115393269A (zh) | 一种基于多模态影像数据的可扩展多层级图神经网络模型 | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| US20200058125A1 (en) | Comparative cancer survival models to assist physicians to choose optimal treatment | |
| Khaniabadi et al. | Two-step machine learning to diagnose and predict involvement of lungs in COVID-19 and pneumonia using CT radiomics | |
| CN111784704B (zh) | Mri髋关节炎症分割与分类自动定量分级序贯方法 | |
| Sunil Babu et al. | An effective approach for sub-acute Ischemic stroke lesion segmentation by adopting meta-heuristics feature selection technique along with hybrid Naive Bayes and sample-weighted random forest classification | |
| CN110991536A (zh) | 原发性肝癌的早期预警模型的训练方法 | |
| He et al. | Mammographic image segmentation and risk classification based on mammographic parenchymal patterns and geometric moments | |
| CN113592797A (zh) | 基于多数据融合及深度学习的乳腺结节风险等级预测系统 | |
| CN112907581A (zh) | 一种基于深度学习的mri多类脊髓肿瘤分割方法 | |
| KR102373985B1 (ko) | 서포트 벡터 머신을 이용한 전립선암의 등급 분류 방법 | |
| Chidester et al. | Discriminative bag-of-cells for imaging-genomics | |
| Mohammed et al. | The Spreading Prediction and Severity Analysis of Blood Cancer Using Scale-Invariant Feature Transform | |
| CN115205588A (zh) | 基于人工智能的膀胱癌肌层浸润病理辅助诊断方法及装置 | |
| CN113793324A (zh) | 一种鼻咽癌诱导化疗疗效预测方法及系统 | |
| Ong et al. | Detection of subtle white matter lesions in MRI through texture feature extraction and boundary delineation using an embedded clustering strategy | |
| 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 | |
| CN114402358A (zh) | 一种阿尔兹海默症进展预测的核磁共振图像特征提取方法 |
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 |