CN115131343A - 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 - Google Patents
一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115131343A CN115131343A CN202210928830.5A CN202210928830A CN115131343A CN 115131343 A CN115131343 A CN 115131343A CN 202210928830 A CN202210928830 A CN 202210928830A CN 115131343 A CN115131343 A CN 115131343A
- Authority
- CN
- China
- Prior art keywords
- sinus
- image
- region
- characteristic value
- 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.)
- Granted
Links
- 230000001684 chronic effect Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000011282 treatment Methods 0.000 claims abstract description 60
- 238000012216 screening Methods 0.000 claims abstract description 34
- 210000002895 cranial sinus Anatomy 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 23
- 208000027157 chronic rhinosinusitis Diseases 0.000 claims description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 210000004872 soft tissue Anatomy 0.000 claims description 30
- 206010009137 Chronic sinusitis Diseases 0.000 claims description 29
- 210000000988 bone and bone Anatomy 0.000 claims description 29
- 210000003928 nasal cavity Anatomy 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000003709 image segmentation Methods 0.000 claims description 25
- 210000001214 frontal sinus Anatomy 0.000 claims description 24
- 210000001180 ethmoid sinus Anatomy 0.000 claims description 23
- 210000003718 sphenoid sinus Anatomy 0.000 claims description 21
- 239000011229 interlayer Substances 0.000 claims description 18
- 210000003695 paranasal sinus Anatomy 0.000 claims description 18
- 210000003625 skull Anatomy 0.000 claims description 18
- 210000004086 maxillary sinus Anatomy 0.000 claims description 17
- 239000010410 layer Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 210000003128 head Anatomy 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 5
- 208000000592 Nasal Polyps Diseases 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 210000002345 respiratory system Anatomy 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000002454 frontal bone Anatomy 0.000 description 3
- 208000027866 inflammatory disease Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002327 eosinophilic effect Effects 0.000 description 2
- 238000011337 individualized treatment Methods 0.000 description 2
- 238000007477 logistic regression 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
- 230000002980 postoperative effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000001944 turbinate Anatomy 0.000 description 2
- 206010027654 Allergic conditions Diseases 0.000 description 1
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 206010019196 Head injury Diseases 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 206010039085 Rhinitis allergic Diseases 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 201000010105 allergic rhinitis Diseases 0.000 description 1
- 210000001909 alveolar process Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 208000037976 chronic inflammation Diseases 0.000 description 1
- 208000037893 chronic inflammatory disorder Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002674 endoscopic surgery Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000003862 glucocorticoid Substances 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000001794 hormone therapy Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003120 macrolide antibiotic agent Substances 0.000 description 1
- 210000002050 maxilla Anatomy 0.000 description 1
- 210000000537 nasal bone Anatomy 0.000 description 1
- 210000002850 nasal mucosa Anatomy 0.000 description 1
- 210000001989 nasopharynx Anatomy 0.000 description 1
- 210000000103 occipital bone Anatomy 0.000 description 1
- 210000000598 pterygopalatine fossa Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
- A61B6/469—Arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/501—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the head, e.g. neuroimaging or craniography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Neurosurgery (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Human Computer Interaction (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种慢性鼻窦炎分型方法、装置、设备及可读存储介质,所述方法包括:获取多位慢性鼻窦炎患者的临床治疗信息和治疗前的头颅鼻窦CT图像;对每张所述头颅鼻窦CT图像的感兴趣区域进行勾画;提取所述感兴趣区域和所述临床治疗信息的特征,分别对感兴趣区域的特征和所述临床治疗信息的特征进行筛选,得到筛选后的特征;基于每位所述慢性鼻窦炎患者对应的筛选后的特征、特征值和慢性鼻窦炎类型标签构建样本集,利用所述样本集进行训练,得到慢性鼻窦炎分型模型;根据待预测的患者的临床治疗信息和头颅鼻窦CT图像,利用所述慢性鼻窦炎分型模型进行预测,得到分型结果。本发明建立了一种前瞻,无创,及时,客观的慢性鼻窦炎分型方法。
Description
技术领域
本发明涉及临床医学技术领域,具体而言,涉及一种慢性鼻窦炎分型方法、装置、设备及可读存储介质。
背景技术
慢性鼻窦炎(CRS)是发生于上呼吸道(鼻窦及鼻腔黏膜)的慢性炎症性疾病,其发病率在我国高达8%,给国家及患者造成了极大的负担。目前,国内外指南将慢性鼻窦炎按照临床特征或病理特征分为多种亚型,推荐以糖皮质激素、抗生素和鼻内镜手术为核心的治疗方案,但仍有20%-80%患者在治疗后复发。研究显示这可能与两个因素相关:①慢性鼻窦炎是一种异质性疾病,不同亚型的鼻窦炎对治疗方案的反应不同,而目前均一化的治疗方案缺少对疾病异质性的考虑;②疾病的分型缺乏及时性与客观性,难以对疾病治疗提供早期依据。
慢性鼻窦炎在临床上可以分为两种类型:①慢性鼻窦炎不伴鼻息肉(CRSsNP);②慢性鼻窦炎伴有鼻息肉(CRSwNP)。其中,CRSwNP又可以细分为嗜酸性粒细胞性鼻息肉(ECRSwNP)和非嗜酸性粒细胞性鼻息肉(NECRSwNP)两个亚型,前者对激素治疗敏感,而后者对大环内脂类抗生素治疗敏感。鉴别诊断评估是实施个体化治疗策略的重要前提,
因此,准确区分ECRSwNP和NECRSwNP对CRS的治疗是至关重要的。在精准医疗、个体医疗的大环境下,建立一种针对慢性鼻窦炎早期的、无创的、迅速的、客观的、非侵入性、不增加成本的诊疗评估系统,对于变革当前上呼吸道疾病诊疗模式具有重大的科学意义与现实需求。
发明内容
本发明的目的在于提供一种慢性鼻窦炎分型方法、装置、设备及可读存储介质,以改善上述问题。
为了实现上述目的,本申请实施例提供了如下技术方案:
一方面,本申请实施例提供了一种慢性鼻窦炎分型方法,所述方法包括:
获取多位慢性鼻窦炎患者的临床治疗信息和治疗前的头颅鼻窦CT图像;
对每张所述头颅鼻窦CT图像的感兴趣区域进行勾画,得到感兴趣区域;
提取所述感兴趣区域和所述临床治疗信息的特征,分别对感兴趣区域的特征和所述临床治疗信息的特征进行筛选,得到筛选后的特征;
基于每位所述慢性鼻窦炎患者对应的筛选后的特征、特征值和慢性鼻窦炎类型标签构建样本集,利用所述样本集对预测模型进行训练,得到慢性鼻窦炎分型模型;
根据待预测的患者的临床治疗信息和头颅鼻窦CT图像,利用所述慢性鼻窦炎分型模型进行预测,得到待预测的患者的慢性鼻窦炎分型结果。
第二方面,本申请实施例提供了一种慢性鼻窦炎分型装置,所述装置包括获取模块、勾画模块、筛选模块、训练模块和预测模块。
获取模块,用于获取多位慢性鼻窦炎患者的临床治疗信息和治疗前的头颅鼻窦CT图像;
勾画模块,用于对每张所述头颅鼻窦CT图像的感兴趣区域进行勾画,得到感兴趣区域;
筛选模块,用于提取所述感兴趣区域和所述临床治疗信息的特征,分别对感兴趣区域的特征和所述临床治疗信息的特征进行筛选,得到筛选后的特征;
训练模块,用于基于每位所述慢性鼻窦炎患者对应的筛选后的特征、特征值和慢性鼻窦炎类型标签构建样本集,利用所述样本集对预测模型进行训练,得到慢性鼻窦炎分型模型;
预测模块,用于根据待预测的患者的临床治疗信息和头颅鼻窦CT图像,利用所述慢性鼻窦炎分型模型进行预测,得到待预测的患者的慢性鼻窦炎分型结果。
第三方面,本申请实施例提供了一种慢性鼻窦炎分型设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述慢性鼻窦炎分型方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述慢性鼻窦炎分型方法的步骤。
本发明的有益效果为:
1、目前,疾病的病理分型依赖于术后病理结果,意味着患者必须进行有创操作才能得到相应分类且不具时效性,而本发明建立了一种前瞻,无创,及时,客观的慢性鼻窦炎分型方法,本发明将影像组学特征与临床特征(性别、年龄、并发症、血常规等)结合,进一步揭示了慢性鼻窦炎的异质性,并且利用影像组学特征与临床特征同时对模型进行训练,可以提高最终模型分型结果的准确性。
2、对上呼吸道炎症性疾病(慢性鼻窦炎),CT是常规检查,但CT报告多依据临床医生的经验进行,即使有相应的评分细则也非常主观;本发明提出的基于影像组学的综合预测系统没有增加医患成本,但更客观和更深层次的利用了检查结果。
3、在本发明中,除了充分挖掘影像组学特征与临床特征之外,还提供了影像学图像特征与影像学语义特征的挖掘方法,进而提出了利用单个特征或融合多个特征对模型进行训练的方法,通过此种方法扩宽本发明的适用性。
4、对上呼吸道炎症性疾病,目前没有影像图像信息挖掘的相关方案,本发明将影像组学首次应用于上呼吸道炎症疾病的临床诊疗,具有开创性的意义。
5、目前,疾病的治疗方案较均一,没有充分考虑疾病的异质性。本发明从图像角度深入挖掘了疾病信息,有助于慢性鼻窦炎异质性研究以提供个体化的治疗方案。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中所述的慢性鼻窦炎分型方法流程示意图;
图2是本发明实施例中所述的慢性鼻窦炎分型装置结构示意图;
图3是本发明实施例中所述的慢性鼻窦炎分型设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号或字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
如图1所示,本实施例提供了一种慢性鼻窦炎分型方法,该方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取多位慢性鼻窦炎患者的临床治疗信息和治疗前的头颅鼻窦CT图像;
在本步骤中,临床治疗信息包括患者人口学资料(如:性别,年龄,生活习惯,生活环境等);血常规检测结果;并发症(如:哮喘、过敏性鼻炎、过敏状态、阿司匹林不耐受);既往史(如:鼻部手术史等信息);
步骤S2、对每张所述头颅鼻窦CT图像的感兴趣区域进行勾画,得到感兴趣区域;
在进行感兴趣区域勾画前,还可以将全部的头颅鼻窦CT图像进行图像标准化与层厚标准化,即重采样到栅格大小相同的像元,处理后再进行感兴趣区域勾画;
本步骤的具体实现方式包括步骤S21和步骤S22;
步骤S21、勾画所述头颅鼻窦CT图像中的鼻窦区域和鼻腔区域的轮廓,其中,对双侧额窦区域,用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在额窦对应的横断位层面上隔层勾画额窦边缘,得到额窦区域;对双侧上颌窦区域,采用阈值分割下的等值追踪算法,将骨质与软组织界限的灰度值做为图像分割阈值,隔层勾画上颌窦边缘,得到上颌窦区域;对双侧筛窦区域,采用阈值分割下的区域增长,将骨质与软组织界限的灰度值做为图像分割阈值,设定增长点为筛窦内任意软组织或空腔位点,开始增长自动勾画出筛窦边缘,得到筛窦区域;对蝶窦区域,采用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在蝶窦对应的横断位层面上隔层勾画蝶窦边缘,得到蝶窦区域;对鼻腔区域,采用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在鼻腔对应的横断位层面上隔层勾画鼻腔边缘,得到鼻腔区域;
对鼻窦CT图像感兴趣区域进行勾画,主要采用半自动勾画方式,即:放射科医生半自动勾画鼻窦CT中的鼻窦区域和鼻腔区域的轮廓,包括:额窦区域,上颌窦区域,筛窦区域,蝶窦区域和鼻腔区域;
步骤S21具体为:
其中,额窦的前(外)侧边缘为额骨外骨板,后侧边缘为额骨内骨板即颅前窝前壁的一部分,底部为眼眶顶壁和前组筛窦顶壁,内侧边缘为额窦中隔。对双侧额窦区域,用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在额窦对应的横断位层面上隔层勾画额窦边缘,得到额窦区域;
其中,上颌窦的前侧边缘为尖牙窝,后外侧边缘为翼腭窝和颞下窝,内侧边缘为中鼻道和下鼻道外侧壁,上侧边缘为眼眶底,底部边缘为上颌骨的牙槽突。对双侧上颌窦区域,采用阈值分割下的等值追踪算法,将骨质与软组织界限的灰度值做为图像分割阈值,隔层勾画上颌窦边缘,得到上颌窦区域;
其中,筛窦的外侧边缘为泪骨和纸样板,内侧边缘为鼻腔外侧上部即中鼻甲和上鼻甲附着部位,顶部边缘为颅前窝下部边缘为中鼻道外侧壁结构,前侧边缘为额骨,后侧边缘为蝶筛板。对双侧筛窦区域,采用阈值分割下的区域增长,将骨质与软组织界限的灰度值做为图像分割阈值,设定增长点为筛窦内任意软组织或空腔位点,开始增长自动勾画出筛窦边缘,得到筛窦区域;
其中,蝶窦外上侧边缘为颅中窝,前侧边缘为鼻腔顶和蝶筛板,后侧边缘毗邻枕骨,下部边缘为后鼻孔上缘和鼻咽顶。对蝶窦区域,采用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在蝶窦对应的横断位层面上隔层勾画蝶窦边缘,得到蝶窦区域;
其中,鼻腔的前界为鼻骨前缘连接线,后界为鼻后缘连接线。对鼻腔区域,采用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在鼻腔对应的横断位层面上隔层勾画鼻腔边缘,得到鼻腔区域;
步骤S22、将得到的所有区域采用中值平滑算法构成连续完整的感兴趣区域。
步骤S3、提取所述感兴趣区域和所述临床治疗信息的特征,分别对感兴趣区域的特征和所述临床治疗信息的特征进行筛选,得到筛选后的特征;
本步骤的具体实现方式包括步骤S31和步骤S32;
步骤S31、提取所述感兴趣区域的特征,得到每张所述头颅鼻窦CT图像的影像组学特征,对全部的所述影像组学特征进行筛选,得到筛选后的影像组学特征;
本步骤的具体实现方式包括步骤S311-步骤S315;
步骤S311、采用PyRadiomics包提取每一个所述感兴趣区域的特征,得到所述影像组学特征;
在本步骤中,影像组学特征主要来自PyRadiomics对感兴趣区域的特征提取。PyRadiomics是一个开源的python软件包,是成熟的影像组学特征提取方式,所提取的感兴趣区域影像组学特征包括一阶统计特征、形状特征、纹理特征以及小波特征;
本步骤从慢性鼻窦炎CT图像中的每个感兴趣区域提取1316个特征,包括18个一阶统计特征,24个形状特征,24个灰度共生矩阵,16个灰度游程矩阵,16个灰度区域大小矩阵,5个相邻灰度差分矩阵,14个灰度依赖矩阵,以及特定滤波器自定义特征:高斯-拉普拉斯滤波及小波滤波;
其中,对于高斯滤波器的拉普拉斯算子,本实施例设置δ=1.0,δ=1.5,δ=2.2,δ=2.5。其中,δ=1.0用于表示精细纹理(约4pixels或2.72mm的特征),δ=1.5和δ=2.0用于表示中等纹理(约6-10pixels或4.08-6.8mm的特征),δ=2.5用于表示粗纹理(约12pixels或8.16mm的特征)。该滤波是一种边缘增强滤波器,强调灰度变化的区域与纹理粗糙度,δ参数较小则强调较细的纹理,较高则强调较粗糙的纹理。通过不同的δ值,实现对图像边缘的特征提取;
其中,对于小波滤波特征,本实施例采用低通(L)/高通(H)“Coiflet1”滤波器,得到8种不同的分解组合(LHL、LHH、LLH、HLL、HHL、HLH、LLL和HHH)。根据不同的频率,将有用信号和噪声信号分解到不同的尺度上,从而忽略噪声得到有用特征;
除了上述对影像组学特征进行提取之外,还可以提取影像学图像特征和影像语义特征,其中,通过卷积神经网络提取头颅鼻窦CT图像对应的影像学图像特征;其中,影像语义特征由诊断医师进行评估,将每一个评估结果作为一个变量,例如患者是否存在鼻窦解剖结构的变异,患者是否有过颅脑外伤骨折史,均可作为一个变量;
步骤S312、获取每张头颅鼻窦CT图像对应的第一特征值和第二特征值,其中,所述第一特征值和所述第二特征值分别为不同的医生对所述头颅鼻窦CT图像进行感兴趣区域的勾画,勾画后提取得到的影像组学特征值;将多张头颅鼻窦CT图像对应的影像组学特征、第一特征值和第二特征值特征输入组内相关系数算法中,得到每个所述影像组学特征对应的观察者间-组内相关系数;
步骤S313、获取每张头颅鼻窦CT图像对应的第三特征值和第四特征值,其中,所述第三特征值和所述第四特征值为同一位医生在不同时期对所述头颅鼻窦CT图像进行感兴趣区域的勾画,勾画后提取得到的影像组学特征值;将多张头颅鼻窦CT图像对应的影像组学特征、第三特征值和第四特征值特征输入组内相关系数算法中,得到每个所述影像组学特征对应的观察者内-组内相关系数;
步骤S314、对每个所述影像组学特征对应的观察者内-组内相关系数和观察者间-组内相关系数进行分析,若观察者内-组内相关系数和观察者间-组内相关系数均大于预设数值,则将此影像组学特征保留;
步骤S315、将保留的影像组学特征输入最大相关-最小冗余算法中,将最大相关-最小冗余算法的输出输入套索算法中,所述套索算法的输出作为需要的影像组学特征,在所述影像组学特征中筛选出所述需要的影像组学特征,得到筛选后的影像组学特征。
步骤S32、将所述临床治疗信息中的每一个信息作为一个特征,对临床治疗信息中的特征进行筛选,得到筛选后的临床特征。
在本步骤中,可以选择卡方检验、t检验、t’检验、Mann-Whitney U检验等方法进行差异显著性分析,得到筛选后的临床特征。
步骤S4、基于每位所述慢性鼻窦炎患者对应的筛选后的特征、特征值和慢性鼻窦炎类型标签构建样本集,利用所述样本集对预测模型进行训练,得到慢性鼻窦炎分型模型;
在进行标签标注时,根据术后病理结果,人为的将患者分为ECRSwNP与NECRSwNP两组,根据分组结果给每位慢性鼻窦炎患者分别赋予类型标签;
本步骤的具体实现方式包括步骤S41和步骤S42;
步骤S41、将每位所述慢性鼻窦炎患者对应的筛选后的特征及特征值和慢性鼻窦炎类型标签作为一个样本中包含的数据,构建样本集;
步骤S42、利用所述样本集对多元逻辑回归、支持向量机、随机森林、决策树、极限梯度提升或人工神经网络进行训练,训练时将筛选后的特征及特征值作为输入,慢性鼻窦炎类型标签作为输出,得到所述慢性鼻窦炎分型模型。
步骤S5、根据待预测的患者的临床治疗信息和头颅鼻窦CT图像,利用所述慢性鼻窦炎分型模型进行预测,得到待预测的患者的慢性鼻窦炎分型结果。
在模型训练部分,除了上述的训练方法之外,还可以只利用影像组学特征和慢性鼻窦炎类型标签对模型进行训练,或只利用临床治疗信息和慢性鼻窦炎类型标签对模型进行训练;
当提取到影像学图像特征和影像语义特征后,还可以利用每位患者对应的影像学图像特征和慢性鼻窦炎类型标签对模型进行训练,还可以利用每位患者对应的影像语义特征和慢性鼻窦炎类型标签对模型进行训练;还可以进行特征融合,利用每位患者对应的影像学图像特征、影像组学特征值和慢性鼻窦炎类型标签对模型进行训练;利用每位患者对应的影像语义特征、影像组学特征值和慢性鼻窦炎类型标签对模型进行训练;利用每位患者对应的影像语义特征、影像学图像特征和慢性鼻窦炎类型标签对模型进行训练等;通过多种方式均可得到慢性鼻窦炎分型模型;
通过此步骤可以得出,除了充分挖掘影像组学特征与临床特征之外,还提供了影像学图像特征与影像学语义特征的挖掘方法,进而提出了利用单个特征或融合多个特征对模型进行训练的方法,通过此种方法扩宽了本发明的适用性。
实施例2
如图2所示,本实施例提供了一种慢性鼻窦炎分型装置,所述装置包括获取模块701、勾画模块702、筛选模块703、训练模块704和预测模块705。
获取模块701,用于获取多位慢性鼻窦炎患者的临床治疗信息和治疗前的头颅鼻窦CT图像;
勾画模块702,用于对每张所述头颅鼻窦CT图像的感兴趣区域进行勾画,得到感兴趣区域;
筛选模块703,用于提取所述感兴趣区域和所述临床治疗信息的特征,分别对感兴趣区域的特征和所述临床治疗信息的特征进行筛选,得到筛选后的特征;
训练模块704,用于基于每位所述慢性鼻窦炎患者对应的筛选后的特征、特征值和慢性鼻窦炎类型标签构建样本集,利用所述样本集对预测模型进行训练,得到慢性鼻窦炎分型模型;
预测模块705,用于根据待预测的患者的临床治疗信息和头颅鼻窦CT图像,利用所述慢性鼻窦炎分型模型进行预测,得到待预测的患者的慢性鼻窦炎分型结果。
在本公开的一种具体实施方式中,所述勾画模块702,还包括勾画单元7021和构成单元7022。
勾画单元7021,用于勾画所述头颅鼻窦CT图像中的鼻窦区域和鼻腔区域的轮廓,其中,对双侧额窦区域,用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在额窦对应的横断位层面上隔层勾画额窦边缘,得到额窦区域;对双侧上颌窦区域,采用阈值分割下的等值追踪算法,将骨质与软组织界限的灰度值做为图像分割阈值,隔层勾画上颌窦边缘,得到上颌窦区域;对双侧筛窦区域,采用阈值分割下的区域增长,将骨质与软组织界限的灰度值做为图像分割阈值,设定增长点为筛窦内任意软组织或空腔位点,开始增长自动勾画出筛窦边缘,得到筛窦区域;对蝶窦区域,采用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在蝶窦对应的横断位层面上隔层勾画蝶窦边缘,得到蝶窦区域;对鼻腔区域,采用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在鼻腔对应的横断位层面上隔层勾画鼻腔边缘,得到鼻腔区域;
构成单元7022,用于将得到的所有区域采用中值平滑算法构成连续完整的感兴趣区域。
在本公开的一种具体实施方式中,所述筛选模块703,还包括第一筛选单元7031和第二筛选单元7032。
第一筛选单元7031,用于提取所述感兴趣区域的特征,得到每张所述头颅鼻窦CT图像的影像组学特征,对全部的所述影像组学特征进行筛选,得到筛选后的影像组学特征;
第二筛选单元7032,用于将所述临床治疗信息中的每一个信息作为一个特征,对临床治疗信息中的特征进行筛选,得到筛选后的临床特征。
在本公开的一种具体实施方式中,所述第一筛选单元7031,还包括提取子单元70311、第一获取子单元70312、第二获取子单元70313、分析子单元70314和筛选子单元70315。
提取子单元70311,用于采用PyRadiomics包提取每一个所述感兴趣区域的特征,得到所述影像组学特征;
第一获取子单元70312,用于获取每张头颅鼻窦CT图像对应的第一特征值和第二特征值,其中,所述第一特征值和所述第二特征值分别为不同的医生对所述头颅鼻窦CT图像进行感兴趣区域的勾画,勾画后提取得到的影像组学特征值;将多张头颅鼻窦CT图像对应的影像组学特征、第一特征值和第二特征值特征输入组内相关系数算法中,得到每个所述影像组学特征对应的观察者间-组内相关系数;
第二获取子单元70313,用于获取每张头颅鼻窦CT图像对应的第三特征值和第四特征值,其中,所述第三特征值和所述第四特征值为同一位医生在不同时期对所述头颅鼻窦CT图像进行感兴趣区域的勾画,勾画后提取得到的影像组学特征值;将多张头颅鼻窦CT图像对应的影像组学特征、第三特征值和第四特征值特征输入组内相关系数算法中,得到每个所述影像组学特征对应的观察者内-组内相关系数;
分析子单元70314,用于对每个所述影像组学特征对应的观察者内-组内相关系数和观察者间-组内相关系数进行分析,若观察者内-组内相关系数和观察者间-组内相关系数均大于预设数值,则将此影像组学特征保留;
筛选子单元70315,用于将保留的影像组学特征输入最大相关-最小冗余算法中,将最大相关-最小冗余算法的输出输入套索算法中,所述套索算法的输出作为需要的影像组学特征,在所述影像组学特征中筛选出所述需要的影像组学特征,得到筛选后的影像组学特征。
在本公开的一种具体实施方式中,所述训练模块704,还包括构建单元7041和训练单元7042。
构建单元7041,用于将每位所述慢性鼻窦炎患者对应的筛选后的特征及特征值和慢性鼻窦炎类型标签作为一个样本中包含的数据,构建样本集;
训练单元7042,用于利用所述样本集对多元逻辑回归、支持向量机、随机森林、决策树、极限梯度提升或人工神经网络进行训练,训练时将筛选后的特征及特征值作为输入,慢性鼻窦炎类型标签作为输出,得到所述慢性鼻窦炎分型模型。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供了一种慢性鼻窦炎分型设备,下文描述的慢性鼻窦炎分型设备与上文描述的慢性鼻窦炎分型方法可相互对应参照。
图3是根据一示例性实施例示出的慢性鼻窦炎分型设备800的框图。如图3所示,该慢性鼻窦炎分型设备800可以包括:处理器801,存储器802。该慢性鼻窦炎分型设备800还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该慢性鼻窦炎分型设备800的整体操作,以完成上述的慢性鼻窦炎分型方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该慢性鼻窦炎分型设备800的操作,这些数据例如可以包括用于在该慢性鼻窦炎分型设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该慢性鼻窦炎分型设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,该慢性鼻窦炎分型设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的慢性鼻窦炎分型方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的慢性鼻窦炎分型方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由该慢性鼻窦炎分型设备800的处理器801执行以完成上述的慢性鼻窦炎分型方法。
实施例4
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的慢性鼻窦炎分型方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的慢性鼻窦炎分型方法的步骤。
该可读存储介质具体可以为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)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
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)
1.一种慢性鼻窦炎分型方法,其特征在于,包括:
获取多位慢性鼻窦炎患者的临床治疗信息和治疗前的头颅鼻窦CT图像;
对每张所述头颅鼻窦CT图像的感兴趣区域进行勾画,得到感兴趣区域;
提取所述感兴趣区域和所述临床治疗信息的特征,分别对感兴趣区域的特征和所述临床治疗信息的特征进行筛选,得到筛选后的特征;
基于每位所述慢性鼻窦炎患者对应的筛选后的特征、特征值和慢性鼻窦炎类型标签构建样本集,利用所述样本集对预测模型进行训练,得到慢性鼻窦炎分型模型;
根据待预测的患者的临床治疗信息和头颅鼻窦CT图像,利用所述慢性鼻窦炎分型模型进行预测,得到待预测的患者的慢性鼻窦炎分型结果。
2.根据权利要求1所述的慢性鼻窦炎分型方法,其特征在于,对每张所述头颅鼻窦CT图像的感兴趣区域进行勾画,得到感兴趣区域,包括:
勾画所述头颅鼻窦CT图像中的鼻窦区域和鼻腔区域的轮廓,其中,对双侧额窦区域,用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在额窦对应的横断位层面上隔层勾画额窦边缘,得到额窦区域;对双侧上颌窦区域,采用阈值分割下的等值追踪算法,将骨质与软组织界限的灰度值做为图像分割阈值,隔层勾画上颌窦边缘,得到上颌窦区域;对双侧筛窦区域,采用阈值分割下的区域增长,将骨质与软组织界限的灰度值做为图像分割阈值,设定增长点为筛窦内任意软组织或空腔位点,开始增长自动勾画出筛窦边缘,得到筛窦区域;对蝶窦区域,采用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在蝶窦对应的横断位层面上隔层勾画蝶窦边缘,得到蝶窦区域;对鼻腔区域,采用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在鼻腔对应的横断位层面上隔层勾画鼻腔边缘,得到鼻腔区域;
将得到的所有区域采用中值平滑算法构成连续完整的感兴趣区域。
3.根据权利要求1所述的慢性鼻窦炎分型方法,其特征在于,提取所述感兴趣区域和所述临床治疗信息的特征,分别对感兴趣区域的特征和所述临床治疗信息的特征进行筛选,得到筛选后的特征,包括:
提取所述感兴趣区域的特征,得到每张所述头颅鼻窦CT图像的影像组学特征,对全部的所述影像组学特征进行筛选,得到筛选后的影像组学特征;
将所述临床治疗信息中的每一个信息作为一个特征,对临床治疗信息中的特征进行筛选,得到筛选后的临床特征。
4.根据权利要求3所述的慢性鼻窦炎分型方法,其特征在于,提取所述感兴趣区域的特征,得到每张所述头颅鼻窦CT图像的影像组学特征,对全部的所述影像组学特征进行筛选,得到筛选后的影像组学特征,包括:
采用PyRadiomics包提取每一个所述感兴趣区域的特征,得到所述影像组学特征;
获取每张头颅鼻窦CT图像对应的第一特征值和第二特征值,其中,所述第一特征值和所述第二特征值分别为不同的医生对所述头颅鼻窦CT图像进行感兴趣区域的勾画,勾画后提取得到的影像组学特征值;将多张头颅鼻窦CT图像对应的影像组学特征、第一特征值和第二特征值特征输入组内相关系数算法中,得到每个所述影像组学特征对应的观察者间-组内相关系数;
获取每张头颅鼻窦CT图像对应的第三特征值和第四特征值,其中,所述第三特征值和所述第四特征值为同一位医生在不同时期对所述头颅鼻窦CT图像进行感兴趣区域的勾画,勾画后提取得到的影像组学特征值;将多张头颅鼻窦CT图像对应的影像组学特征、第三特征值和第四特征值特征输入组内相关系数算法中,得到每个所述影像组学特征对应的观察者内-组内相关系数;
对每个所述影像组学特征对应的观察者内-组内相关系数和观察者间-组内相关系数进行分析,若观察者内-组内相关系数和观察者间-组内相关系数均大于预设数值,则将此影像组学特征保留;
将保留的影像组学特征输入最大相关-最小冗余算法中,将最大相关-最小冗余算法的输出输入套索算法中,所述套索算法的输出作为需要的影像组学特征,在所述影像组学特征中筛选出所述需要的影像组学特征,得到筛选后的影像组学特征。
5.一种慢性鼻窦炎分型装置,其特征在于,包括:
获取模块,用于获取多位慢性鼻窦炎患者的临床治疗信息和治疗前的头颅鼻窦CT图像;
勾画模块,用于对每张所述头颅鼻窦CT图像的感兴趣区域进行勾画,得到感兴趣区域;
筛选模块,用于提取所述感兴趣区域和所述临床治疗信息的特征,分别对感兴趣区域的特征和所述临床治疗信息的特征进行筛选,得到筛选后的特征;
训练模块,用于基于每位所述慢性鼻窦炎患者对应的筛选后的特征、特征值和慢性鼻窦炎类型标签构建样本集,利用所述样本集对预测模型进行训练,得到慢性鼻窦炎分型模型;
预测模块,用于根据待预测的患者的临床治疗信息和头颅鼻窦CT图像,利用所述慢性鼻窦炎分型模型进行预测,得到待预测的患者的慢性鼻窦炎分型结果。
6.根据权利要求5所述的慢性鼻窦炎分型装置,其特征在于,勾画模块,包括:
勾画单元,用于勾画所述头颅鼻窦CT图像中的鼻窦区域和鼻腔区域的轮廓,其中,对双侧额窦区域,用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在额窦对应的横断位层面上隔层勾画额窦边缘,得到额窦区域;对双侧上颌窦区域,采用阈值分割下的等值追踪算法,将骨质与软组织界限的灰度值做为图像分割阈值,隔层勾画上颌窦边缘,得到上颌窦区域;对双侧筛窦区域,采用阈值分割下的区域增长,将骨质与软组织界限的灰度值做为图像分割阈值,设定增长点为筛窦内任意软组织或空腔位点,开始增长自动勾画出筛窦边缘,得到筛窦区域;对蝶窦区域,采用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在蝶窦对应的横断位层面上隔层勾画蝶窦边缘,得到蝶窦区域;对鼻腔区域,采用阈值分割,将骨质与软组织界限的灰度值做为图像分割阈值,在鼻腔对应的横断位层面上隔层勾画鼻腔边缘,得到鼻腔区域;
构成单元,用于将得到的所有区域采用中值平滑算法构成连续完整的感兴趣区域。
7.根据权利要求5所述的慢性鼻窦炎分型装置,其特征在于,筛选模块,包括:
第一筛选单元,用于提取所述感兴趣区域的特征,得到每张所述头颅鼻窦CT图像的影像组学特征,对全部的所述影像组学特征进行筛选,得到筛选后的影像组学特征;
第二筛选单元,用于将所述临床治疗信息中的每一个信息作为一个特征,对临床治疗信息中的特征进行筛选,得到筛选后的临床特征。
8.根据权利要求7所述的慢性鼻窦炎分型装置,其特征在于,第一筛选单元,包括:
提取子单元,用于采用PyRadiomics包提取每一个所述感兴趣区域的特征,得到所述影像组学特征;
第一获取子单元,用于获取每张头颅鼻窦CT图像对应的第一特征值和第二特征值,其中,所述第一特征值和所述第二特征值分别为不同的医生对所述头颅鼻窦CT图像进行感兴趣区域的勾画,勾画后提取得到的影像组学特征值;将多张头颅鼻窦CT图像对应的影像组学特征、第一特征值和第二特征值特征输入组内相关系数算法中,得到每个所述影像组学特征对应的观察者间-组内相关系数;
第二获取子单元,用于获取每张头颅鼻窦CT图像对应的第三特征值和第四特征值,其中,所述第三特征值和所述第四特征值为同一位医生在不同时期对所述头颅鼻窦CT图像进行感兴趣区域的勾画,勾画后提取得到的影像组学特征值;将多张头颅鼻窦CT图像对应的影像组学特征、第三特征值和第四特征值特征输入组内相关系数算法中,得到每个所述影像组学特征对应的观察者内-组内相关系数;
分析子单元,用于对每个所述影像组学特征对应的观察者内-组内相关系数和观察者间-组内相关系数进行分析,若观察者内-组内相关系数和观察者间-组内相关系数均大于预设数值,则将此影像组学特征保留;
筛选子单元,用于将保留的影像组学特征输入最大相关-最小冗余算法中,将最大相关-最小冗余算法的输出输入套索算法中,所述套索算法的输出作为需要的影像组学特征,在所述影像组学特征中筛选出所述需要的影像组学特征,得到筛选后的影像组学特征。
9.一种慢性鼻窦炎分型设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述慢性鼻窦炎分型方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述慢性鼻窦炎分型方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210928830.5A CN115131343B (zh) | 2022-08-03 | 2022-08-03 | 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210928830.5A CN115131343B (zh) | 2022-08-03 | 2022-08-03 | 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115131343A true CN115131343A (zh) | 2022-09-30 |
CN115131343B CN115131343B (zh) | 2023-12-26 |
Family
ID=83386252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210928830.5A Active CN115131343B (zh) | 2022-08-03 | 2022-08-03 | 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115131343B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994595A (zh) * | 2024-04-07 | 2024-05-07 | 首都医科大学附属北京儿童医院 | 一种鼻窦炎的分析方法和相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190114767A1 (en) * | 2017-10-16 | 2019-04-18 | Siemens Healthcare Gmbh | Method for determining at least one object feature of an object |
CN110244064A (zh) * | 2019-06-17 | 2019-09-17 | 首都医科大学附属北京同仁医院 | Cystatin SN在预测慢性鼻窦炎伴鼻息肉患者对糖皮质激素的敏感性中的应用 |
CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
CN113034489A (zh) * | 2021-04-16 | 2021-06-25 | 南方医科大学第五附属医院 | 基于深度学习的人工智能鼻窦ct图像处理系统 |
JP2021145881A (ja) * | 2020-03-18 | 2021-09-27 | 国立大学法人福井大学 | 画像処理方法、画像合成方法、データの取得方法、学習モデルの生成方法、鼻および副鼻腔疾患の診断支援システム、並びに鼻および副鼻腔疾患の診断支援方法 |
CN113610845A (zh) * | 2021-09-09 | 2021-11-05 | 汕头大学医学院附属肿瘤医院 | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 |
CN113706442A (zh) * | 2021-03-17 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 基于人工智能的医疗图像处理方法、装置及电子设备 |
-
2022
- 2022-08-03 CN CN202210928830.5A patent/CN115131343B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190114767A1 (en) * | 2017-10-16 | 2019-04-18 | Siemens Healthcare Gmbh | Method for determining at least one object feature of an object |
CN110244064A (zh) * | 2019-06-17 | 2019-09-17 | 首都医科大学附属北京同仁医院 | Cystatin SN在预测慢性鼻窦炎伴鼻息肉患者对糖皮质激素的敏感性中的应用 |
JP2021145881A (ja) * | 2020-03-18 | 2021-09-27 | 国立大学法人福井大学 | 画像処理方法、画像合成方法、データの取得方法、学習モデルの生成方法、鼻および副鼻腔疾患の診断支援システム、並びに鼻および副鼻腔疾患の診断支援方法 |
CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
CN113706442A (zh) * | 2021-03-17 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 基于人工智能的医疗图像处理方法、装置及电子设备 |
CN113034489A (zh) * | 2021-04-16 | 2021-06-25 | 南方医科大学第五附属医院 | 基于深度学习的人工智能鼻窦ct图像处理系统 |
CN113610845A (zh) * | 2021-09-09 | 2021-11-05 | 汕头大学医学院附属肿瘤医院 | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
杨椿雪等: "基于轴位和矢状位T1WI 增强图像影像组学模型术前预测脑膜瘤病理分级的初步研究", 临床研究, vol. 13, no. 2, pages 6 - 9 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994595A (zh) * | 2024-04-07 | 2024-05-07 | 首都医科大学附属北京儿童医院 | 一种鼻窦炎的分析方法和相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115131343B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020151536A1 (zh) | 一种脑部图像分割方法、装置、网络设备和存储介质 | |
ES2905660T3 (es) | Procedimiento y sistema para el triaje asistido por ordenador | |
CN109493325B (zh) | 基于ct影像的肿瘤异质性分析系统 | |
Subramanian et al. | An integrated breast cancer risk assessment and management model based on fuzzy cognitive maps | |
CN109886933A (zh) | 一种医学图像识别方法、装置和存储介质 | |
JP6220310B2 (ja) | 医用画像情報システム、医用画像情報処理方法及びプログラム | |
CN110634125B (zh) | 基于深度学习的胎儿超声图像识别方法及系统 | |
CN109934824B (zh) | 颈椎脊髓高信号的检测方法及系统 | |
JP2009157527A (ja) | 医用画像処理装置、医用画像処理方法ならびにプログラム | |
CN106709920B (zh) | 血管提取方法及其装置 | |
WO2019146357A1 (ja) | 医療画像処理装置、方法及びプログラム並びに診断支援装置、方法及びプログラム | |
CN110097557B (zh) | 基于3D-UNet的医学图像自动分割方法及系统 | |
WO2022172201A1 (en) | Systems and methods for automated segmentation of patient specific anatomies for pathology specific measurements | |
CN110880366A (zh) | 一种医学影像处理系统 | |
US20220004838A1 (en) | Machine learning-based automated abnormality detection in medical images and presentation thereof | |
WO2021189900A1 (zh) | 医学图像分析方法、装置、电子设备及可读存储介质 | |
CN114445334A (zh) | 图像分析的方法、装置、设备及存储介质 | |
CN115131343A (zh) | 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 | |
Ragab et al. | Early and accurate detection of melanoma skin cancer using hybrid level set approach | |
Chen et al. | Detection of Various Dental Conditions on Dental Panoramic Radiography Using Faster R-CNN | |
CN115620861A (zh) | 基于多模态组学老年人甲状腺癌治疗手段评估方法及系统 | |
Mandwe et al. | Detection of brain tumor using k-means clustering | |
Doğanay et al. | A hybrid lung segmentation algorithm based on histogram-based fuzzy C-means clustering | |
EP4116992A1 (en) | Method and system for predicting expression of biomarker from medical image | |
CN114334128A (zh) | 基于ct影像的肿瘤演进过程分析方法、系统及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |