CN114445374A - 一种基于扩散峰度成像mk图的图像特征处理方法及系统 - Google Patents

Abstract

本申请公开了一种基于扩散峰度成像MK图的图像特征处理方法及系统，本方法首先获取目标患者的DKI序列MK样本图像，勾画各个样本图像的感兴趣区域得到感兴趣区域集；通过pyradiomics工具包对感兴趣区域集进行特征提取，得到感兴趣区域所对应的若干类影像组学特征集合；对于每一类影像组学特征集合，通过L1正则化Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征；将获得的若干类代表性特征进行集成，通过L2正则化Logistic回归模型，得到每一类代表性特征的权重，根据各个代表性特征的权重得到目标患者的特征处理结果。可以看出，本发明为宫颈癌病理分型提供一种基于影像组学特征的非侵袭性的、精准定量的可视化方法。

Description

一种基于扩散峰度成像MK图的图像特征处理方法及系统

技术领域

本发明涉及医学图像处理领域，特别涉及一种基于扩散峰度成像MK 图的图像特征处理方法及系统。

背景技术

宫颈癌是我国女性生殖道最为常见的恶性肿瘤，其病理类型多样， 其中鳞癌最为常见，其次为腺癌，两者预后的评估及临床治疗方案的制 定存在差异。与鳞癌相比较，宫颈腺癌常发病隐匿，早期诊断困难，更 易浸润深间质并累及脉管间隙而发生淋巴结和远处转移，生存率低，对 放疗的敏感性差。因此，在术前准确预估宫颈癌病理类型颇具价值。通 过细胞学检查或宫颈诊刮术对宫颈癌病理类型进行判定可存在一定误 差，常需影像学检查作为补充。MR因具有多序列、多角度成像及良好的 软组织分辨率等特点，已成为宫颈癌术前诊断的重要影像学检查方法。

传统MRI影像学评估是由放射科医师对病变进行人工评估，其依赖 于语义特征，所提供的度量指标较少，并且丢弃了大量关于肿瘤异质性 的信息。即使放射科医生尝试将宫颈癌成像的解释标准化，使用定性影 像特征对其病理类型进行评估仍然具有主观性和可变性。

发明内容

基于此，本申请实施例提供了一种基于扩散峰度成像MK图的图像 特征处理方法及系统，能够解决上述问题。

第一方面，提供了一种基于扩散峰度成像MK图的图像特征处理方 法，该方法包括：

获取目标患者的DKI序列MK样本图像，勾画各个样本图像的感兴 趣区域得到感兴趣区域集；

通过pyradiomics工具包对所述感兴趣区域集进行特征提取，得到感 兴趣区域所对应的若干类影像组学特征集合；

对于每一类影像组学特征集合，通过L1正则化Logistic回归算法进 行整合得到该类影像组学特征集合的代表性特征；

将获得的若干类代表性特征进行集成，通过L2正则化Logistic回归 模型，得到每一类代表性特征的权重，根据各个代表性特征的权重得到 目标患者的特征处理结果。

可选地，影像组学特征至少包括：一阶统计特征、形状特征、灰度 共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域 灰度差矩阵特征和灰度相关矩阵特征。

可选地，通过L1正则化Logistic回归算法进行整合得到该类影像组 学特征集合的代表性特征，其中，L1正则化Logistic回归算法的公式具 体包括：

其中，n为样本图像的个数，β为组学特征的权重，||β||₁为其L₁范数， 即||β||₁＝|β₁|+|β₂|+...+|β_n|,lnl为对数似然函数，x⁽ⁱ⁾为第i个病例的特征组， y⁽ⁱ⁾为第i个病例的类别，λ为联系惩罚项与损失数的权重参数。

可选地，所述通过L2正则化Logistic回归模型，得到每一类代表性 特征的权重，包括：

将临床恶性肿瘤概率公式做对数变换得到影像组学评分；

根据所述影像组学评分得到每一类代表性特征的权重。

可选地，所述根据所述影像组学评分得到每一类代表性特征的权重， 包括：

根据公式：

确定影像组学评分与每一类代表性特征的权重的对应关系，其中，Radiomicsscore表示影像组学评分，

表示临床恶性肿瘤概率公式，β·x 表示代表性特征的权重β和特征组x内积。

可选地，所述根据各个代表性特征的权重得到目标患者的特征处理 结果，包括：

通过公式

得到目标患者的特征处理结果，其中，C_t表示特征处理结果，β_t表 示第t个代表性特征的权重。

第二方面，提供了一种基于扩散峰度成像MK图的图像特征处理系 统，该系统包括：

勾画模块，用于获取目标患者的DKI序列MK样本图像，勾画各个 样本图像的感兴趣区域得到感兴趣区域集；

提取模块，用于通过pyradiomics工具包对所述感兴趣区域集进行特 征提取，得到感兴趣区域所对应的若干类影像组学特征集合；

整合模块，用于对于每一类影像组学特征集合，通过L1正则化 Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征；

分析模块，用于将获得的若干类代表性特征进行集成，通过L2正则 化Logistic回归模型，得到每一类代表性特征的权重，根据各个代表性特 征的权重得到目标患者的特征处理结果。

可选地，通过L1正则化Logistic回归算法进行整合得到该类影像组 学特征集合的代表性特征，其中，L1正则化Logistic回归算法的公式具 体包括：

其中，n为样本图像的个数，β为组学特征的权重，||β||₁为其L₁范数， 即||β||₁＝|β₁|+|β₂|+...+|β_n|,lnl为对数似然函数，x⁽ⁱ⁾为第i个病例的特征组， y⁽ⁱ⁾为第i个病例的类别，λ为联系惩罚项与损失数的权重参数。

本申请实施例提供的技术方案中首先获取目标患者的DKI序列MK 样本图像，勾画各个样本图像的感兴趣区域得到感兴趣区域集；通过 pyradiomics工具包对感兴趣区域集进行特征提取，得到感兴趣区域所对 应的若干类影像组学特征集合；对于每一类影像组学特征集合，通过L1 正则化Logistic回归算法进行整合得到该类影像组学特征集合的代表性 特征；将获得的若干类代表性特征进行集成，通过L2正则化Logistic回 归模型，得到每一类代表性特征的权重，根据各个代表性特征的权重得 到目标患者的特征处理结果。可以看出，本发明为宫颈癌病理分型提供 一种基于影像组学特征的非侵袭性的、精准定量的可视化方法。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下 面将对实施方式或现有技术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示例性的，对于本领域普通技术人 员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获 得其它的实施附图。

图1为本申请实施例提供的一种基于扩散峰度成像MK图的图像特 征处理方法流程图；

图2为本申请实施例提供的一种基于扩散峰度成像MK图的图像特 征处理方法示意图；

图3为本申请实施例提供的一种基于扩散峰度成像MK图的图像特 征处理系统框图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人 士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显 然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基 于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提 下所获得的所有其他实施例，都属于本发明保护的范围。

扩散峰度成像(diffusion kurtosis imaging，DKI)为MR功能成像， 可更为精准的反映组织内水分子的非高斯分布弥散状态以及组织微观结 构的变化。已有部分研究结果提示，DKI序列可提供多个鉴别不同病理 类型宫颈癌的定量参数，但这些研究中感兴趣区的放置仅仅在病灶实质 区，忽略了病灶的空间异质性。影像组学分析是基于像素强度和空间分 布特点，定量描述了组织异质性。目前，关于宫颈癌的影像组学研究， 主要是利用MR序列(T1WI、T2WI、DWI和增强最为常见)，去评估 宫颈癌病理特征(主要是病理分级、淋巴结转移等)、疗效预测等，利 用DKI序列相关参数去鉴别宫颈癌病理类型(鳞癌和腺癌)的组学内容 尚未明确公开。

具体地，请参考图1，其示出了本申请实施例提供的一种基于扩散峰 度成像MK图的图像特征处理方法的流程图，该方法可以包括以下步骤：

步骤101，获取目标患者的DKI序列MK样本图像，勾画各个样本 图像的感兴趣区域得到感兴趣区域集。

在本申请实施例中，对经手术病理证实的宫颈鳞癌与腺癌患者的 DKI序列MK图进行感兴趣区域勾画，提取区域内的图像特征。

步骤102，通过pyradiomics工具包对感兴趣区域集进行特征提取， 得到感兴趣区域所对应的若干类影像组学特征集合。

在本申请实施例中，影像组学特征包括：包括一阶统计特征(First OrderStatistics，19features)、形状特征(Shape-based，26features)、灰度共 生矩阵特征(Gray Level Cooccurence Matrix，24features)、灰度游程长度 矩阵特征(Gray LevelRun Length Matrix，16features)、灰度尺寸区域矩阵 特征(Gray Level Size ZoneMatrix，16features)、领域灰度差矩阵特征 (Neighbouring Gray Tone DifferenceMatrix，5features)和灰度相关矩阵特 征(Gray Level Dependence Matrix，14features)等共7类组学特征。

基于pyradiomics开源平台中的工具包，提取影像组学特征得到感兴 趣区域所对应的若干类影像组学特征集合。

步骤103，对于每一类影像组学特征集合，通过L1正则化Logistic 回归算法进行整合得到该类影像组学特征集合的代表性特征。

在本申请实施例中，通过L1正则化Logistic回归算法将每一类组学 特征进行整合，获得一个新特征，利用该特征作为某一类组学代表性特 征。

具体地，首先通过L1正则化Logistic回归算法将每一类组学特征进 行整合，获得一个新特征，利用该特征作为某一类组学代表性特征。即， 针对每一类特征，先用L1正则化Logistic回归算法对每一类特征进行初 步筛选，其公式为：

其中，n为样本图像的个数，β为具有统计学意义的组学特征的权重， ||β||₁为其L₁范数，即||β||₁＝|β₁|+|β₂|+...+|β_n|,lnl为对数似然函数，x⁽ⁱ⁾为第i 个样本图像的特征组，y⁽ⁱ⁾为第i个样本图像的类别，λ为联系惩罚项与损 失数的权重参数，λ的不同取值将产生不同的损失值。

之后，依次对每一类特征执行相同的算法优化方式，一共可以获得7 个代表性特征。分别为FOS、SP、GLCM、GLRLM、GLSZM、NGTDM、 GLDM。即，提取L1正则化后剩余的特征及对应系数，将筛选后的特征 进行整合，集成为代表性特征，一共可以获得7个代表性特征。每一个 代表性特征的公式为：

FOS＝β₁₀+β₁₁x₁₁+β₁₂x₁₂+...+β_1mx_1m

SP＝β₂₀+β₂₁x₂₁+β₂₂x₂₂+...+β_2mx_2m

GLCM＝β₃₀+β₃₁x₃₁+β₃₂x₃₂+...+β_3mx_3m

GLRLM＝β₄₀+β₄₁x₄₁+β₄₂x₄₂+...+β_4mx_4m

GLSZM＝β₅₀+β₅₁x₅₁+β₅₂x₅₂+...+β_5mx_5m

NGTDM＝β₆₀+β₆₁x₆₁+β₆₂x₆₂+...+β_6mx_6m

GLDM＝β₇₀+β₇₁x₇₁+β₇₂x₇₂+...+β_7mx_7m

其中，下标i，j分别代表第i个代表性特征的第j个特征。

步骤104，将获得的若干类代表性特征进行集成，通过L2正则化 Logistic回归模型，得到每一类代表性特征的权重，根据各个代表性特征 的权重得到目标患者的特征处理结果。

在本申请实施例中，将代表性特征进行建模，参与的统计机器学习 模型是Logistics回归，基于该模型添加L₂参数惩罚项以优化算法，得到 的损失函数为：

其中，n为病例数，β为组学特征的权重，

为其L₂范数，即

lnl为对数似然函数，x⁽ⁱ⁾为第i个病例的特征组， y⁽ⁱ⁾为第i个病例的类别，λ为联系惩罚项与损失数的权重参数。λ的不同 取值将产生不同的损失值。当函数L₂(w)达到最小值时，组学特征及其系 数的线性关系构成一个新的变量，该变量作为该组学特征的代表性特征。 之后集成所有代表性特征，构建L2正则化Logistic回归模型，对每一个 代表性特征进行量化评分，具体的公式为：

将临床恶性肿瘤概率公式做对数变换得到影像组学评分；根据所述影 像组学评分得到每一类代表性特征的权重。

具体地，根据公式：

确定影像组学评分与每一类代表性特征的权重的对应关系，其中，Radiomicsscore表示影像组学评分，

表示临床恶性肿瘤概率公式，β·x 表示代表性特征的权重β和特征组x内积，具体地，通过其中y＝1的概率 指的是恶性肿瘤的概率有：

β·x＝β₀+β_FOSx_FOS+β_SPx_SP+β_GLCMx_GLCM +β_GLRLMx_GLRLM+β_GLSZMx_GLSZM+β_NGTDMx_NGTDM+β_GLDMx_GLDM

其中，β＝(β₀，β_FOS，β_SP，β_GLCM，β_GLRLM，β_GLSZM，β_NGTDM，β_GLDM)代表性影像组学 特征的权重向量，β₀表示偏执，β.x表示β和x内积。

最终，通过每个代表性特征的权重β的大小，评估每一类组学特征在 疾病的贡献度。

假设代表性特征命名为p₁,p₂,...p₇，其权重β的大小分别是β₁,β₂,...β₇， 那么每一类特征的贡献度定义为：

其中，C_t表示特征处理结果，为一个百分数，通过对C_t的大小来评 价该类影像组学特征在评价该类影像组学特征在区分宫颈鳞癌与腺癌的 贡献度。

请参考图2给出了本申请的另一个实施例：

步骤1:对经宫颈癌患者DKI序列的MK图像进行感兴趣区域勾画， 提取区域内的图像特征；

步骤2:影像组学特征处理方法：

(1)影像组学特征处理：基于pyradiomics提取影像组学特征后， 通过L1正则化Logistic回归算法将每一类组学特征进行整合，获得一个 新特征，利用该特征代表某一类组学代表性特征。

(2)代表性特征标准化：针对新获得的代表性特征进行标准化处理， 使得各类组学特征均处于统一量级水平。

(3)影像组学特征评分机制：对所有组学代表性特征进行评估，具 体是基于L2正则化Logistic回归模型对每一类代表性特征进行量化评 分，从而得到每一类特征的影响因子。

本发明提供了一种正确判断宫颈癌病理类型(鳞癌与腺癌)与其治 疗方式的选择及预后评价密切相关。目前，术前评估宫颈癌病理分型主 要依赖诊刮及活检，取材有限。而肿瘤异质性限制了该样本的有效性， 因为小组织样本不可能代表整个肿瘤。影像学检查能够直观地涵盖整个 肿块的信息，避免了因肿瘤异质性造成的差异。它还可以观察肿瘤外周区域，而这些区域通常不能通过外科手术切除，很难获取其病理信息。 本申请提供了一种基于DKI序列MK图鉴别宫颈鳞癌与腺癌的影像组学 特征处理方法，该方法将高通量的影像组学特征与宫颈癌病理分型信息 相关联，有望为术前判定宫颈癌病理分型提供一种基于放射影像组学特 征的非侵袭性的可视化方法。如表1给出了与现有影像组学建模方法的效果对比数据。

表1本方法所构建代表性特征处理法与传统影像组学建模方法的比较结果

请参考图3，本申请实施例还提供的一种基于扩散峰度成像MK图的 图像特征处理系统200。系统包括：

勾画模块201，用于获取目标患者的DKI序列MK样本图像，勾画 各个样本图像的感兴趣区域得到感兴趣区域集；

提取模块202，用于通过pyradiomics工具包对所述感兴趣区域集进 行特征提取，得到感兴趣区域所对应的若干类影像组学特征集合；

整合模块203，用于对于每一类影像组学特征集合，通过L1正则化 Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征；

分析模块204，用于将获得的若干类代表性特征进行集成，通过L2 正则化Logistic回归模型，得到每一类代表性特征的权重，根据各个代表 性特征的权重得到目标患者的特征处理结果。

在本申请一个可选的实施例中，整合模块203中通过L1正则化 Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征，其 中，L1正则化Logistic回归算法的公式具体包括：

其中，n为样本图像的个数，β为组学特征的权重，||β||₁为其L₁范数， 即||β||₁＝|β₁|+|β₂|+...+|β_n|，lnl为对数似然函数，x⁽ⁱ⁾为第i个病例的特征组， y⁽ⁱ⁾为第i个病例的类别，λ为联系惩罚项与损失数的权重参数。

本申请实施例提供的基于扩散峰度成像MK图的图像特征处理系统 用于实现上述基于扩散峰度成像MK图的图像特征处理方法，关于基于 扩散峰度成像MK图的图像特征处理系统的具体限定可以参见上文中对 于基于扩散峰度成像MK图的图像特征处理方法的限定，在此不再赘述。 上述基于扩散峰度成像MK图的图像特征处理系统中的各个部分可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌 于或独立于设备中的处理器中，也可以以软件形式存储于设备中的存储 器中，以便于处理器调用执行以上各个模块对应的操作。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁， 未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而， 只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范 围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体 和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是， 对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可 以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请 专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于扩散峰度成像MK图的图像特征处理方法，其特征在于，所述方法包括：

获取目标患者的DKI序列MK样本图像，勾画各个样本图像的感兴趣区域得到感兴趣区域集；

通过pyradiomics工具包对所述感兴趣区域集进行特征提取，得到感兴趣区域所对应的若干类影像组学特征集合；

对于每一类影像组学特征集合，通过L1正则化Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征；

将获得的若干类代表性特征进行集成，通过L2正则化Logistic回归模型，得到每一类代表性特征的权重，根据各个代表性特征的权重得到目标患者的特征处理结果。

2.根据权利要求1所述的方法，其特征在于，影像组学特征至少包括：一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域灰度差矩阵特征和灰度相关矩阵特征。

3.根据权利要求1所述的方法，其特征在于，通过L1正则化Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征，其中，L1正则化Logistic回归算法的公式具体包括：

其中，n为样本图像的个数，β为组学特征的权重，||β||₁为其L₁范数，即||β||₁＝|β₁|+|β₂|+...+|β_n|,ln l为对数似然函数，x⁽ⁱ⁾为第i个病例的特征组，y⁽ⁱ⁾为第i个病例的类别，λ为联系惩罚项与损失数的权重参数。

4.根据权利要求1所述的方法，其特征在于，所述通过L2正则化Logistic回归模型，得到每一类代表性特征的权重，包括：

将临床恶性肿瘤概率公式做对数变换得到影像组学评分；

根据所述影像组学评分得到每一类代表性特征的权重。

5.根据权利要求4所述的方法，其特征在于，所述根据所述影像组学评分得到每一类代表性特征的权重，包括：

根据公式：

确定影像组学评分与每一类代表性特征的权重的对应关系，其中，Radiomicsscore表示影像组学评分，

表示临床恶性肿瘤概率公式，β·x表示代表性特征的权重β和特征组x内积。

6.根据权利要求1所述的方法，其特征在于，所述根据各个代表性特征的权重得到目标患者的特征处理结果，包括：

通过公式

得到目标患者的特征处理结果，其中，C_t表示特征处理结果，β_t表示第t个代表性特征的权重。

7.一种基于扩散峰度成像MK图的图像特征处理系统，其特征在于，所述系统包括：

勾画模块，用于获取目标患者的DKI序列MK样本图像，勾画各个样本图像的感兴趣区域得到感兴趣区域集；

提取模块，用于通过pyradiomics工具包对所述感兴趣区域集进行特征提取，得到感兴趣区域所对应的若干类影像组学特征集合；

整合模块，用于对于每一类影像组学特征集合，通过L1正则化Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征；

分析模块，用于将获得的若干类代表性特征进行集成，通过L2正则化Logistic回归模型，得到每一类代表性特征的权重，根据各个代表性特征的权重得到目标患者的特征处理结果。

8.根据权利要求7所述的系统，其特征在于，通过L1正则化Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征，其中，L1正则化Logistic回归算法的公式具体包括：

其中，n为样本图像的个数，β为组学特征的权重，||β||₁为其L₁范数，即||β||₁＝|β₁|+|β₂|+...+|β_n|,ln l为对数似然函数，x⁽ⁱ⁾为第i个病例的特征组，y⁽ⁱ⁾为第i个病例的类别，λ为联系惩罚项与损失数的权重参数。

Images