CN114663702A - 基于dce-mri的乳腺癌预后评估模型的建立方法 - Google Patents

基于dce-mri的乳腺癌预后评估模型的建立方法 Download PDF

Info

Publication number
CN114663702A
CN114663702A CN202210257132.7A CN202210257132A CN114663702A CN 114663702 A CN114663702 A CN 114663702A CN 202210257132 A CN202210257132 A CN 202210257132A CN 114663702 A CN114663702 A CN 114663702A
Authority
CN
China
Prior art keywords
features
matrix
data
feature
mri
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
Application number
CN202210257132.7A
Other languages
English (en)
Inventor
刘侠
王狄
袁鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202210257132.7A priority Critical patent/CN114663702A/zh
Publication of CN114663702A publication Critical patent/CN114663702A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种基于DCE‑MRI的乳腺癌预后模型的建立方法，通过提取影像组学特征来量化肿瘤组织在医学影像中表现出的细微差异，反映出同一种肿瘤在不同个体中的特性差异，可以有效地解决肿瘤异质性难以定量评估的问题。该模型能够为早期乳腺癌患者提供更加精准的个体化治疗效果预测，也可以辅助医生对患者的预后情况进行更加精准的评估，制定出更具个性化的治疗与复查方案。

Description

基于DCE-MRI的乳腺癌预后评估模型的建立方法
技术领域
本发明属于计算机图像处理技术领域，涉及一种基于MRI的乳腺癌预后评估模型的建立方法。
背景技术
乳腺癌是女性最常见的恶性肿瘤之一，全世界每年有50多万人死于乳腺癌，虽然我国乳腺癌发病率较世界乳腺癌发病的平均水平低，但近年来的肿瘤登记报告的数据表明，我国乳腺癌的发病率呈迅速上升的趋势，是世界平均增长速度的两倍。近年来，乳腺癌术后的生存情况一直为人们所关注，为了寻找更好的治疗方式、提高患者的生存率和生活质量，国内外大量学者的研究主要集中在临床因素与乳腺癌术后生存期的关系并取得了一定的成果。
目前，最灵敏的描绘肿瘤范围的成像方式是磁共振成像(MRI)，但其在术前肿瘤范围评估中的作用仍有争议。在多项研究中，降低再切除率和改善短期和长期癌症预后的预期效益未能实现，而接受治疗性乳房切除术和对侧预防性乳房切除术的几率增。动态对比增强磁共振成像(DCE-MRI)能同时显示乳腺癌的生理组织特征和解剖结构，是乳腺癌诊断的有效工具。最近，越来越多的研究表明，将动态对比增强磁共振成像(DCE-MRI)用于预后是一个可行的研究方向。
发明内容
根据上述背景中提到的问题，本发明提供一种基于DEC-MRI的乳腺癌评估模型的建立方法，所述建立方法包括以下步骤：
步骤一：对现有病例的MRI图像进行多种类、多尺度的特征提取；
步骤二：对已经提取的多维度特征进行降维处理；
步骤三：采用机器学习的方法，对优化后的数据进行训练和测试；
步骤四：根据测试的结果，选择最优的模型。
在根据本发明所述的基于DEC-MRI的乳腺癌评估模型的建立方法中，所述的对现有病例的MRI图像进行多种类、多尺度的特征提取，包括以下特征：
A.基于形状的特征(14种特征):包括感兴趣区域的三维大小和形状的描述符，这些描述符依赖于感兴趣区域内的灰度强度分布，因此仅在原始图像和掩模上计算；
B.一阶统计特征(18个特征):由Hounsfield单元的灰度直方图计算得到，描述了图像区域内体素强度的分布；
C.纹理特征(68个特征):这些特征由多个灰度矩阵导出，并在肿瘤体积的所有三维方向上进行计算，可以量化高阶图像特征。灰度矩阵包括:灰度共生矩阵(GLCM)、灰度运行长度矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)、相邻灰度差矩阵(NGTDM)和灰度依赖矩阵(GLDM)；
D.小波特征(688个特征):除基图像外，对原始图像进行非抽取小波变换，将其分解为低频和高频，从而在肿瘤体积内进行8个描述不同频率特征的分解。
E.病理特征。
在根据本发明所述的基于DEC-MRI的乳腺癌评估模型的建立方法中，所述的对已提取的多维度特征进行降维处理，具体内容如下：
采用PCA的方法进行降维处理，PCA是一种无参数的特征降维方法，其主要方法是将原始高维空间数据投影到低维空间上，对数据主成分(包含信息量较大的维度)进行保留，忽略掉对数据描述不重要的成分算法流程如下：
给定一个特征数据集{X}M*N，其中M代表样本量，N代表每个样本所含的特征数量，将其组合成一个M*N的矩阵X：
Figure BDA0003549105710000021
为了避免特征之间因为度量单位不同造成的影响，首先对特征数据X进行标准化处理，并使每个列维度减去该维度的平均值，得到新的特征矩阵X′；然后计算X′的协方差矩阵X"：
Figure BDA0003549105710000022
Figure BDA0003549105710000023
通过协方差矩阵计算特征其特征值D＝(d1，d2，…，dn)及其对应的特征向量V＝(v1，v2，…，vn)，将特征值按从大到小的顺序进行排列，并将与之对应的特征向量的排序做相应的调整，利用特征值计算出每个特征的贡献度与成分累计值的大小。根据选取的贡献度，将上述所得特征向量前k个特征向量进行保留，组成特征向量矩阵P。最后，将原始特征数据X与上述特征向量矩阵P相乘即可得到在低维空间下的特征矩阵Y，即为优化后的新特征数据：
Y＝X*P＝(y1，y2，…，yn)。
在根据本发明所述的基于DEC-MRI的乳腺癌评估模型的建立方法中，所述的采用机器学习的方法，对优化后的数据进行训练和测试，具体步骤如下：
将数据通过PCA降到不同的维度，将这些不同维度的数据在不同的分类器上进行测试，本发明选用的分类器有DecisionTree、Support Vector Machine、k-NearestNeighbor、Random Forest、BernoulliNB、GaussianNB、Logistic Regression Classifier、Gradient Boosting Decision Tree、AdaBoost Classifier、Linear DiscriminantAnalysis、Quadratic Discriminant Analysis、voting_classify、xgboost。利用十折交叉验证的方法对优化后的数据进行分类测试，别计算出不同特征数在分类器上的ACC、AUC、SENS、SPEC等指标，根据实验结果选择最佳的分类模型。
附图说明
图1为本发明乳腺癌预后模型建立的流程图
具体实施方式
为了使本发明所需要解决的技术问题，及有益效果更加清楚明白，下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
基于DCE-MRI的乳腺癌预后评估模型的建立方法，如图1所示，其具体步骤如下：
步骤S1：对MRI图像进行影像组学特征的提取，一共提取788个影像组学特征，然后用PCA计算方法对所提取的特征和病人的病理学特征进行优化处理；
步骤S2：对优化后的数据进行机器学习训练，分别计算各个分类器的评价指标；
步骤S3：利用交叉验证的方法对实验结果进行测试，选出最佳的预后分析模型；
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在版本发明的精神和原则之内，所作的任何修改、同等替换、改进等，均应包含在本发明的保护范围内。

Claims (4)

1.基于MRI的乳腺癌预后评估模型的建立，其特征在于，包括以下步骤：
A.对现有病例的MRI图像进行多种类、多尺度的特征提取；
B.对已经提取的多维度特征进行降维处理；
C.采用机器学习的方法，对优化后的数据进行训练和测试；
D.根据测试的结果，选择最优的模型。
2.根据权利要求1所述的基于MRI的乳腺癌预后评估模型的建立，其特征在于，所述步骤A中的对MRI图像进行多种类多维度的特征提取，包括以下具体特征：
A.基于形状的特征(14种特征):包括感兴趣区域的三维大小和形状的描述符，这些描述符依赖于感兴趣区域内的灰度强度分布，因此仅在原始图像和掩模上计算；
B.一阶统计特征(18个特征):由Hounsfield单元的灰度直方图计算得到，描述了图像区域内体素强度的分布；
C.纹理特征(68个特征):这些特征由多个灰度矩阵导出，并在肿瘤体积的所有三维方向上进行计算，可以量化高阶图像特征。灰度矩阵包括:灰度共生矩阵(GLCM)、灰度运行长度矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)、相邻灰度差矩阵(NGTDM)和灰度依赖矩阵(GLDM)；
D.小波特征(688个特征):除基图像外，对原始图像进行非抽取小波变换，将其分解为低频和高频，从而在肿瘤体积内进行8个描述不同频率特征的分解；
E.病理特征。
3.根据权利要求1所属述的基于DCE-MRI的乳腺癌预后评估模型的建立，其特征在于，所述步骤B中的对已经提取的特征进行降维处理，具体步骤如下所示：采用PCA的方法进行降维处理，PCA是一种无参数的特征降维方法，其主要方法是将原始高维空间数据投影到低维空间上，对数据主成分(包含信息量较大的维度)进行保留，忽略掉对数据描述不重要的成分算法流程如下：
给定一个特征数据集{X}M*N，其中M代表样本量，N代表每个样本所含的特征数量，将其组合成一个M*N的矩阵X：
Figure FDA0003549105700000011
为了避免特征之间因为度量单位不同造成的影响，首先对特征数据X进行标准化处理，并使每个列维度减去该维度的平均值，得到新的特征矩阵X′；然后计算X′的协方差矩阵X"：
Figure FDA0003549105700000012
Figure FDA0003549105700000021
通过协方差矩阵计算特征其特征值D＝(d1，d2，…，dn)及其对应的特征向量V＝(v1，v2，…，vn)，将特征值按从大到小的顺序进行排列，并将与之对应的特征向量的排序做相应的调整，利用特征值计算出每个特征的贡献度与成分累计值的大小。根据选取的贡献度，将上述所得特征向量前k个特征向量进行保留，组成特征向量矩阵P。最后，将原始特征数据X与上述特征向量矩阵P相乘即可得到在低维空间下的特征矩阵Y，即为优化后的新特征数据：
Y＝X*P＝(y1，y2，…，yn)。
4.根据权利要求1所属述的基于DCE-MRI的乳腺癌预后评估模型的建立，其特征在于，所述步骤C采用机器学习的方法，对优化后的数据进行训练和测试，具体步骤如下：
将数据通过PCA降到不同的维度，将这些不同维度的数据在不同的分类器上进行测试，本发明选用的分类器有DecisionTree、Support Vector Machine、k-Nearest Neighbor、Random Forest、BernoulliNB、GaussianNB、Logistic Regression Classifier、GradientBoosting Decision Tree、AdaBoost Classifier、Linear Discriminant Analysis、Quadratic Discriminant Analysis、voting_classify、xgboost。利用十折交叉验证的方法对优化后的数据进行分类测试，别计算出不同特征数在分类器上的ACC、AUC、SENS、SPEC等指标，根据实验结果选择最佳的分类模型。
CN202210257132.7A 2022-03-16 2022-03-16 基于dce-mri的乳腺癌预后评估模型的建立方法 Pending CN114663702A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210257132.7A CN114663702A (zh) 2022-03-16 2022-03-16 基于dce-mri的乳腺癌预后评估模型的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210257132.7A CN114663702A (zh) 2022-03-16 2022-03-16 基于dce-mri的乳腺癌预后评估模型的建立方法

Publications (1)

Publication Number Publication Date
CN114663702A true CN114663702A (zh) 2022-06-24

Family

ID=82028729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210257132.7A Pending CN114663702A (zh) 2022-03-16 2022-03-16 基于dce-mri的乳腺癌预后评估模型的建立方法

Country Status (1)

Country Link
CN (1) CN114663702A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115995295A (zh) * 2022-12-07 2023-04-21 山东大学齐鲁医院 基于影像组学的乳腺癌骨转移治疗反应评估方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115995295A (zh) * 2022-12-07 2023-04-21 山东大学齐鲁医院 基于影像组学的乳腺癌骨转移治疗反应评估方法及系统

Similar Documents

Publication Publication Date Title
Tai et al. An automatic mass detection system in mammograms based on complex texture features
Wajid et al. Local energy-based shape histogram feature extraction technique for breast cancer diagnosis
Filipovych et al. Semi-supervised cluster analysis of imaging data
CN109036547A (zh) 一种基于聚类分析的肺部ct图像计算机辅助系统及方法
Florez et al. Emergence of radiomics: novel methodology identifying imaging biomarkers of disease in diagnosis, response, and progression
Bahadure et al. Feature extraction and selection with optimization technique for brain tumor detection from MR images
Nedra et al. Detection and classification of the breast abnormalities in Digital Mammograms via Linear Support Vector Machine
CN114663702A (zh) 基于dce-mri的乳腺癌预后评估模型的建立方法
CN113380401A (zh) 基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质
Yuan et al. Differentiating grade in breast invasive ductal carcinoma using texture analysis of MRI
CN109840564B (zh) 一种基于超声造影图像均匀程度的分类系统
Vaidehi et al. An intelligent content based image retrieval system for mammogram image analysis
Suresha et al. Relieff feature selection based Alzheimer disease classification using hybrid features and support vector machine in magnetic resonance imaging
Vijayadeep et al. A hybrid feature extraction based optimized random forest learning model for brain stroke prediction
Al-Majeed et al. MR Images Classification of Alzheimer’s Disease Based on Deep Belief Network Method
Yentür et al. Brain MRI Image Classification using kernel SVM
Das et al. Interlayer textural variabilities to study the benignancy/malignancy of brain tumors using MR modalities images
Gardezi et al. Machine learning applications in Breast Cancer diagnosis
Solanki et al. Brain Tumor Classification Using ML and DL Approaches
Huddin et al. Investigation of multiorientation and multiresolution features for microcalcifications classification in mammograms
CN116797838A (zh) 一种乳腺癌图像深度学习识别模型训练方法及系统
Sandanalakshmi et al. Selected saliency based analysis for the diagnosis of Alzheimer's disease using structural magnetic resonance image
Radha et al. Enhanced Feature Fusion Segmentation for Tumor Detection Using Intelligent Techniques
Huang et al. Application of Liver CT Image Based on Sueno Fuzzy C-Means Graph Cut and Genetic Algorithm in Feature Extraction and Classification of Liver Cancer
Reddy et al. Tumor Image Identification based on DWT and PNN Classifier

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