CN114582495A - 一种图像辅助宫颈癌患者预测方法、系统及设备 - Google Patents
一种图像辅助宫颈癌患者预测方法、系统及设备 Download PDFInfo
- Publication number
- CN114582495A CN114582495A CN202210206272.1A CN202210206272A CN114582495A CN 114582495 A CN114582495 A CN 114582495A CN 202210206272 A CN202210206272 A CN 202210206272A CN 114582495 A CN114582495 A CN 114582495A
- Authority
- CN
- China
- Prior art keywords
- cervical cancer
- image
- cancer patient
- features
- radiologic
- 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
- 206010008342 Cervix carcinoma Diseases 0.000 title claims abstract description 124
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 title claims abstract description 124
- 201000010881 cervical cancer Diseases 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011282 treatment Methods 0.000 claims abstract description 26
- 238000004393 prognosis Methods 0.000 claims abstract description 25
- 238000003384 imaging method Methods 0.000 claims abstract description 18
- 238000001959 radiotherapy Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 206010028980 Neoplasm Diseases 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 210000004197 pelvis Anatomy 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000000546 chi-square test Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 231100000226 haematotoxicity Toxicity 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 241001250090 Capra ibex Species 0.000 claims description 3
- 230000007170 pathology Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 51
- 238000002512 chemotherapy Methods 0.000 description 6
- 206010027476 Metastases Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007681 cardiovascular toxicity Effects 0.000 description 4
- 230000009401 metastasis Effects 0.000 description 4
- 210000001185 bone marrow Anatomy 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002673 radiosurgery Methods 0.000 description 2
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 208000022766 lymph node neoplasm Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种图像辅助宫颈癌患者预测方法、系统及设备，步骤包括：获取目标宫颈癌患者的CT影像，并设置CT影像的感兴趣区域，提取CT影像的感兴趣区域的放射组学特征，根据放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合，根据最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后，实现利用放射治疗计划系统CT影像的影像组学实现治疗的预后。
Description
技术领域
本发明涉及影像辅助预测技术领域，特别涉及一种图像辅助宫颈癌患者预测方法、系统及设备。
背景技术
化疗与放射治疗(Chemoradiotherapy)是目前局部晚期(local advanced)子宫颈癌的常规治疗方法之一，但病患在治疗后的预后(例如肿瘤局部控制、远端转移、生存机率)目前仍不够理想。由于治疗可能会引起许多副作用，若能预测治疗后的预后，病患的医疗品质可有效地被提升。目前氟代脱氧葡萄糖(18F-FDG)的正电子发射计算机断层扫描(Positron Emission Tomography，PET)影像/计算机断层扫描(Computed Tomography，CT)影像已被广泛用于评估子宫颈癌的治疗前分期，有些研究方法使用从影像推导的特征预测治疗后的治疗反应、局部复发(local recurrence)或远端转移(distant metastasis)的可能性。
目前，影像组学是一种可以从计算机断层扫描、正电子发射断层扫描与和磁共振图像等成像中提取高通量定量特征的技术，已被广泛用于评估子宫颈癌的治疗前分期。但目前还没有基于放射治疗计划系统CT影像的影像组学研究。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种图像辅助宫颈癌患者预测方法、系统及设备，根据放射组学特征与目标宫颈癌患者的基本参数计算得到目标宫颈癌患者在接受治疗后的一预后。
第一方面，本发明提供了一种图像辅助宫颈癌患者预测方法，包括以下步骤：
获取目标宫颈癌患者的CT影像，并设置所述CT影像的感兴趣区域；
提取所述CT影像的感兴趣区域的放射组学特征；
根据所述放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合；
根据所述最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后。
根据本发明的实施例，至少具有如下技术效果：
本方法通过获取目标宫颈癌患者的CT影像，并设置CT影像的感兴趣区域，提取CT影像的感兴趣区域的放射组学特征，根据放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合，根据最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后，实现利用放射治疗计划系统CT影像的影像组学实现治疗的预后，有利于辅助医师预测放疗效果以及血液毒性的基本情况。
根据本发明的一些实施例，所述感兴趣区域包括靶区肿瘤体积、骨盆和骶椎。
根据本发明的一些实施例，所述放射组学特征，包括形状特征、一阶特征以及纹理特征；所述形状特征包括肿瘤体积和表面积，所述一阶特征包括图像强度、强度直方图和梯度方向直方图的统计描述符，所述纹理特征包括基于邻域强度差矩阵、灰度共生矩阵和灰度游程矩阵计算的特征。
根据本发明的一些实施例，在提取所述纹理特征或提取所述一阶特征之前，还包括：将所述目标宫颈癌患者CT影像重新缩放为100或256个灰度级。
根据本发明的一些实施例，在所述根据所述放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合之前，还包括：
获取历史宫颈癌患者的CT影像，并将所述历史宫颈癌患者的CT影像按照3:1的比例分为训练集与验证集；
设置所述历史宫颈癌患者的CT影像的感兴趣区域，利用IBEX提取所述历史宫颈癌患者的CT影像的感兴趣区域的放射组学特征；
根据所述放射组学特征，利用Lilliefors检验方法选择相关系数大于0.80的放射组学特征，得到第一放射组学特征，并利用卡方检验计算肿瘤差异，其中，当卡方值小于0.05的放射组学特征的数量大于或等于20，选择卡方值小于0.05的放射组学特征作为第一放射组学特征；当卡方值小于0.05的放射组学特征的数量小于20，则选择卡方值小于0.1的放射组学特征作为第一放射组学特征；
根据所述训练集与所述验证集的第一放射组学特征与历史宫颈癌患者的基本参数，利用顺序后向消除支持向量机算法计算第一放射组学特征与历史宫颈癌患者的基本参数最佳的组合，得到最优特征组合。
根据本发明的一些实施例，所述根据所述训练集与所述验证集的第一放射组学特征与历史宫颈癌患者的基本参数，利用顺序后向消除支持向量机算法计算第一放射组学特征与历史宫颈癌患者的基本参数最佳的组合，得到最优特征组合，包括：
利用所述训练集与所述验证集的第一放射组学特征与历史宫颈癌患者基本参数来训练和测试具有线性核的SVM模型；
使用所述训练集中的数据进行10倍交叉验证，并从所述第一放射组学特征与历史宫颈癌患者病例基本参数中删除一个特征；
若预测精度保持不变，则永久删除特征，直至遍历所有训练集与验证集的第一放射组学特征与历史宫颈癌患者病例基本参数，得到所述最优特征组合。
根据本发明的一些实施例，所述目标宫颈癌患者的基本参数包括宫颈癌患者年龄、肿瘤分期分级以及病理类型。
根据本发明的一些实施例，所述一预后包括使用GTV的影像学特征来预测放疗效果，使用骨盆和骶椎的影像学特征来预测宫颈癌患者血液毒性的基本情况。
第二方面，本发明提供了一种图像辅助宫颈癌患者预测系统，包括以下模块：
数据获取模块，用于获取目标宫颈癌患者的CT影像，并设置所述CT影像的感兴趣区域；
特征提取模块，用于提取所述CT影像的感兴趣区域的放射组学特征；
特征组合模块，用于根据所述放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合；
结果输出模块，用于根据所述最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后。
本系统通过获取目标宫颈癌患者的CT影像，并设置CT影像的感兴趣区域，提取CT影像的感兴趣区域的放射组学特征，根据放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合，根据最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后，实现利用放射治疗计划系统CT影像的影像组学实现治疗的预后，有利于辅助医师预测放疗效果以及血液毒性的基本情况。
第三方面，本发明提供了一种图像辅助宫颈癌患者预测设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述的一种图像辅助宫颈癌患者预测方法。
本发明的附加方面和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
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例提供的一种图像辅助宫颈癌患者预测方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
化疗与放射治疗(Chemoradiotherapy)是目前局部晚期(local advanced)子宫颈癌的常规治疗方法之一，但病患在治疗后的预后(例如肿瘤局部控制、远端转移、生存机率)目前仍不够理想。由于治疗可能会引起许多副作用，若能预测治疗后的预后，病患的医疗品质可有效地被提升。目前，影像组学是一种可以从计算机断层扫描、正电子发射断层扫描与和磁共振图像等成像中提取高通量定量特征的技术，已被广泛用于评估子宫颈癌的治疗前分期。但目前还没有基于放射治疗计划系统CT影像的影像组学研究。
参照图1，本发明提供了一种图像辅助宫颈癌患者预测方法，本方法包括以下步骤：
步骤S100、获取目标宫颈癌患者的CT影像，并设置CT影像的感兴趣区域。
步骤S300、提取CT影像的感兴趣区域的放射组学特征。
步骤S500、根据放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合。
步骤S700、根据最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后。
影像组学可以反映肿瘤的内在特性，甚至可以作为生存结果的独立预测因子，比单独的传统临床参数具有更高的预测能力。已有文献报道，利用影像组学分析宫颈癌患者的淋巴结转移和肿瘤复发。但目前还没有利用放疗计划CT图像的影像组学进行预测。此外，骨髓是对放射线最敏感的骨盆器官，全身骨髓储备的大约40％位于盆腔的骨内，尤其是骨盆和骶椎。它们总是在照射野范围内，即使由相同的放疗方案引起的骨髓抑制，不同宫颈癌患者之间也存在个体差异。
在图像处理领域，感兴趣区域(ROI)是从图像中选择的一个图像区域，这个区域是图像分析时所关汪的重点，圈定该区域以便进行进一步处理，使用ROI圈定想读的目标，可以减少处理时间，增加精度。
在一些实施例中，步骤S100中，目标宫颈癌患者的CT影像为目标宫颈癌患者的放疗计划CT图像。
在一些实施例中，步骤S100中感兴趣区域包括靶区肿瘤体积、骨盆和骶椎。
在步骤S100中，目标宫颈癌患者的基本参数包括宫颈癌患者年龄、肿瘤分期分级以及病理类型。
在一些实施例中，步骤S300中放射组学特征，包括形状特征、一阶特征以及纹理特征，形状特征包括肿瘤体积和表面积，一阶特征包括图像强度、强度直方图和梯度方向直方图的统计描述符，纹理特征包括基于邻域强度差矩阵、灰度共生矩阵和灰度游程矩阵计算的特征。
在步骤S300中，在提取纹理特征或提取一阶特征之前，还包括：将目标宫颈癌患者CT影像重新缩放为100或256个灰度级，以避免生成稀疏矩阵。
在一些实施例中，步骤S500中在根据放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合之前，还包括：
步骤S401、获取历史宫颈癌患者的CT影像，并将历史宫颈癌患者的CT影像按照3:1的比例分为训练集与验证集。
步骤S402、设置历史宫颈癌患者的CT影像的感兴趣区域，利用IBEX提取历史宫颈癌患者的CT影像的感兴趣区域的放射组学特征。
步骤S403、根据放射组学特征，利用Lilliefors检验方法选择相关系数大于0.80的放射组学特征，得到第一放射组学特征，并利用卡方检验计算肿瘤差异，其中，当卡方值小于0.05的放射组学特征的数量大于或等于20，选择卡方值小于0.05的放射组学特征作为第一放射组学特征；当卡方值小于0.05的放射组学特征的数量小于20，则选择卡方值小于0.1的放射组学特征作为第一放射组学特征。
步骤S404、根据训练集与验证集的第一放射组学特征与历史宫颈癌患者的基本参数，利用顺序后向消除支持向量机算法计算第一放射组学特征与历史宫颈癌患者的基本参数最佳的组合，得到最优特征组合。
在步骤S500中，根据训练集与验证集的第一放射组学特征与历史宫颈癌患者的基本参数，利用顺序后向消除支持向量机算法计算第一放射组学特征与历史宫颈癌患者的基本参数最佳的组合，得到最优特征组合，包括：
步骤S501、利用训练集与验证集的第一放射组学特征与历史宫颈癌患者基本参数来训练和测试具有线性核的SVM模型。
步骤S502、使用训练集中的数据进行10倍交叉验证，并从第一放射组学特征与历史宫颈癌患者病例基本参数中删除一个特征。
步骤S503、若预测精度保持不变，则永久删除特征，直至遍历所有训练集与验证集的第一放射组学特征与历史宫颈癌患者病例基本参数，得到最优特征组合。
例如：使用比例随机抽样将所有宫颈癌患者的CT影像按照3:1的比例分配到训练集与验证集中，以避免两组中的数据分布不平衡，首先，根据放射组学特征，利用Lilliefors检验方法选择相关系数大于0.80的放射组学特征，得到第一放射组学特征，然后，利用卡方检验计算盆腔淋巴结状态的差异，其中，当卡方值小于0.05的放射组学特征的数量大于或等于20，选择卡方值小于0.05的放射组学特征作为第一放射组学特征；当卡方值小于0.05的放射组学特征的数量小于20，则选择卡方值小于0.1的放射组学特征作为第一放射组学特征，最后，根据训练集与验证集的第一放射组学特征与历史宫颈癌患者的基本参数，利用顺序后向消除支持向量机算法，该方法最初使用所有特征来训练和测试具有线性核的SVM模型，使用训练集中的数据进行10倍交叉验证，然后从特征集中依次删除一个特征，以查看预测精度是否有所提高或保持不变，若预测精度保持不变，则永久删除特征，直至遍历所有训练集与验证集的第一放射组学特征与历史宫颈癌患者病例基本参数，得到最优特征组合，SBE-SVM模型考虑了每个特征对分类任务的贡献，最终给出了特征的最优组合。
在一些实施例中，步骤S700中一预后包括使用GTV的影像学特征来预测化疗效果，使用骨盆和骶椎的影像学特征来预测宫颈癌患者血液毒性的基本情况。
本方法通过获取目标宫颈癌患者的CT影像，并设置CT影像的感兴趣区域，提取CT影像的感兴趣区域的放射组学特征，根据放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合，根据最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后，实现利用放射治疗计划系统CT影像的影像组学实现治疗的预后，有利于辅助医师预测放疗效果以及血液毒性的基本情况。
在一些实施例中，步骤S700中一预后包括使用GTV的影像学特征来预测化疗效果，使用骨盆和骶椎的影像学特征来预测宫颈癌患者血液毒性的基本情况。
在一些实施例中，获取目标宫颈癌患者的CT影像，并设置CT影像的感兴趣区域，提取CT影像的感兴趣区域的放射组学特征，根据放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合，通过设置感兴趣区域并提取感兴趣区域的放射组学特征，可以更加快速准确的提取CT影像特征组合，从而辅助医生准确分析影像特征。
基于上述实施例，本实施例还提供了一种图像辅助宫颈癌患者预测系统，包括数据获取模块、特征提取模块、特征组合模块以及结果输出模块，其中：
数据获取模块用于获取目标宫颈癌患者的CT影像，并设置CT影像的感兴趣区域。
特征提取模块用于提取CT影像的感兴趣区域的放射组学特征。
特征组合模块用于根据放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合。
结果输出模块用于根据最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后。
本系统通过获取目标宫颈癌患者的CT影像，并设置CT影像的感兴趣区域，提取CT影像的感兴趣区域的放射组学特征，根据放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合，根据最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后，实现利用放射治疗计划系统CT影像的影像组学实现治疗的预后，有利于辅助医师预测放疗效果以及血液毒性的基本情况。
需要注意的是，本实施提供的系统实施例与上述的方法实施例是基于同一个发明构思，因此上述方法实施例的相关内容同样适用于本系统实施例，此处不再赘述。
本申请一个实施例，提供了一种图像辅助宫颈癌患者预测设备；该设备可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。具体地，该设备包括：一个或多个控制处理器和存储器，本实例以一个控制处理器为例。控制处理器和存储器可以通过总线或者其他方式连接，本实例以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的电子设备对应的程序指令/模块；控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而实现上述方法实施例的图像辅助宫颈癌患者预测方法。存储器可以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、至少一个功能所需要的应用程序；此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。一个或者多个模块存储在存储器中，当被一个或者多个控制处理器执行时，执行上述方法实施例中的一种图像辅助宫颈癌患者预测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种图像辅助宫颈癌患者预测方法，其特征在于，包括以下步骤：
获取目标宫颈癌患者的CT影像，并设置所述CT影像的感兴趣区域；
提取所述CT影像的感兴趣区域的放射组学特征；
根据所述放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合；
根据所述最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后。
2.根据权利要求1所述的一种图像辅助宫颈癌患者预测方法，其特征在于，所述感兴趣区域包括靶区肿瘤体积、骨盆和骶椎。
3.根据权利要求1所述的一种图像辅助宫颈癌患者预测方法，其特征在于，所述放射组学特征包括形状特征、一阶特征以及纹理特征；所述形状特征包括肿瘤体积和表面积，所述一阶特征包括图像强度、强度直方图和梯度方向直方图的统计描述符，所述纹理特征包括基于邻域强度差矩阵、灰度共生矩阵和灰度游程矩阵计算的特征。
4.根据权利要求3所述的一种图像辅助宫颈癌患者预测方法，其特征在于，在提取所述纹理特征或提取所述一阶特征之前，还包括：将所述目标宫颈癌患者的CT影像重新缩放为100或256个灰度级。
5.根据权利要求1所述的一种图像辅助宫颈癌患者预测方法，其特征在于，在所述根据所述放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合之前，还包括：
获取历史宫颈癌患者的CT影像，并将所述历史宫颈癌患者的CT影像按照3:1的比例分为训练集与验证集；
设置所述历史宫颈癌患者的CT影像的感兴趣区域，利用IBEX提取所述历史宫颈癌患者的CT影像的感兴趣区域的放射组学特征；
根据所述放射组学特征，利用Lilliefors检验方法选择相关系数大于0.80的放射组学特征，得到第一放射组学特征，并利用卡方检验计算肿瘤差异，其中，当卡方值小于0.05的放射组学特征的数量大于或等于20，选择卡方值小于0.05的放射组学特征作为第一放射组学特征；当卡方值小于0.05的放射组学特征的数量小于20，则选择卡方值小于0.1的放射组学特征作为第一放射组学特征；
根据所述训练集与所述验证集的第一放射组学特征与历史宫颈癌患者的基本参数，利用顺序后向消除支持向量机算法计算第一放射组学特征与历史宫颈癌患者的基本参数最佳的组合，得到最优特征组合。
6.根据权利要求5所述的一种图像辅助宫颈癌患者预测方法，其特征在于，所述根据所述训练集与所述验证集的第一放射组学特征与历史宫颈癌患者的基本参数，利用顺序后向消除支持向量机算法计算第一放射组学特征与历史宫颈癌患者的基本参数最佳的组合，得到最优特征组合，包括：
利用所述训练集与所述验证集的第一放射组学特征与历史宫颈癌患者基本参数来训练和测试具有线性核的SVM模型；
使用所述训练集中的数据进行10倍交叉验证，并从所述第一放射组学特征与历史宫颈癌患者病例基本参数中删除一个特征；
若预测精度保持不变，则永久删除特征，直至遍历所有训练集与验证集的第一放射组学特征与历史宫颈癌患者病例基本参数，得到所述最优特征组合。
7.根据权利要求1至6任一项所述的一种图像辅助宫颈癌患者预测方法，其特征在于，所述目标宫颈癌患者的基本参数包括宫颈癌患者年龄、肿瘤分期分级以及病理类型。
8.根据权利要求1所述的一种图像辅助宫颈癌患者预测方法，其特征在于，所述一预后包括使用GTV的影像学特征来预测放疗效果，使用骨盆和骶椎的影像学特征来预测宫颈癌患者血液毒性的基本情况。
9.一种图像辅助宫颈癌患者预测系统，其特征在于，包括：
数据获取模块，用于获取目标宫颈癌患者的CT影像，并设置所述CT影像的感兴趣区域；
特征提取模块，用于提取所述CT影像的感兴趣区域的放射组学特征；
特征组合模块，用于根据所述放射组学特征与目标宫颈癌患者的基本参数计算得到最优特征组合；
结果输出模块，用于根据所述最优特征组合计算得到目标宫颈癌患者在接受治疗后的一预后。
10.一种图像辅助宫颈癌患者预测设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至8任一项所述的一种图像辅助宫颈癌患者预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210206272.1A CN114582495A (zh) | 2022-03-03 | 2022-03-03 | 一种图像辅助宫颈癌患者预测方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210206272.1A CN114582495A (zh) | 2022-03-03 | 2022-03-03 | 一种图像辅助宫颈癌患者预测方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114582495A true CN114582495A (zh) | 2022-06-03 |
Family
ID=81776852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210206272.1A Pending CN114582495A (zh) | 2022-03-03 | 2022-03-03 | 一种图像辅助宫颈癌患者预测方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114582495A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115440386A (zh) * | 2022-09-30 | 2022-12-06 | 中国医学科学院北京协和医院 | 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果 |
-
2022
- 2022-03-03 CN CN202210206272.1A patent/CN114582495A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115440386A (zh) * | 2022-09-30 | 2022-12-06 | 中国医学科学院北京协和医院 | 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11944463B2 (en) | Pseudo-CT generation from MR data using a feature regression model | |
| CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
| AU2016339009B2 (en) | Pseudo-CT generation from MR data using tissue parameter estimation | |
| US10282588B2 (en) | Image-based tumor phenotyping with machine learning from synthetic data | |
| CN109308728B (zh) | 正电子发射型计算机断层扫描图像处理方法及装置 | |
| EP3277178B1 (en) | Covariate modulate atlas | |
| WO2019100032A2 (en) | Methods for using machine learning and mechanistic models for biological feature mapping with multiparametric mri | |
| Nemoto et al. | Effects of sample size and data augmentation on U-Net-based automatic segmentation of various organs | |
| CN109829488B (zh) | 一种头颈部癌症局部复发预测装置 | |
| CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
| CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
| Mayorga-Ruiz et al. | The role of AI in clinical trials | |
| Lan et al. | Potential roles of transformers in brain tumor diagnosis and treatment | |
| CN114582495A (zh) | 一种图像辅助宫颈癌患者预测方法、系统及设备 | |
| Liu et al. | AHU-MultiNet: Adaptive loss balancing based on homoscedastic uncertainty in multi-task medical image segmentation network | |
| CN113963155A (zh) | 自动计划方法、装置和计算机可读存储介质 | |
| EP4160616A1 (en) | Multimodal analysis of imaging and clinical data for personalized therapy | |
| CN116051467A (zh) | 基于多任务学习的膀胱癌肌层侵犯预测方法及相关装置 | |
| CN115375787A (zh) | 伪影校正方法、计算机设备及可读存储介质 | |
| CN112037167A (zh) | 一种基于影像组学和遗传算法的目标区域确定系统 | |
| CN115880222B (zh) | 一种基于深度学习的多模态影像处理方法和系统 | |
| Gautam | Producing Histopathology Phantom Images using Generative Adversarial Networks to improve Tumor Detection | |
| Karthikeyan et al. | Android Applications for Lung Nodules Classification Using Convolutional Neural Network | |
| CN117522831A (zh) | 预后预测方法、装置、计算机设备、存储介质和程序产品 | |
| KR20230130980A (ko) | 간내 담관암 환자의 양전자 방출 단층 촬영 영상 기반의 라디오믹스를 이용한 예후 예측 방법 및 분석 장치 |
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 |