CN115148365A - 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统 - Google Patents
用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统 Download PDFInfo
- Publication number
- CN115148365A CN115148365A CN202210607099.6A CN202210607099A CN115148365A CN 115148365 A CN115148365 A CN 115148365A CN 202210607099 A CN202210607099 A CN 202210607099A CN 115148365 A CN115148365 A CN 115148365A
- Authority
- CN
- China
- Prior art keywords
- prognosis
- features
- image
- central nervous
- nervous system
- 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
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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Neurology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种用于预测中枢神经系统生殖细胞肿瘤预后的方法,该方法包括:将多个MR扫描图像进行特征提取生成多个影像特征;对多个影像特征进行逐步回归分析筛选出与预后关联的影像特征;通过与预后关联的影像特征和预置的评分公式构建影像组标签;将临床因素与影像组标签进行整合生成预测模型;通过预测模型对中枢神经系统生殖细胞肿瘤预后进行预测。由此,能够准确预测中枢神经系统生殖细胞肿瘤预后,有利于及时的指导临床治疗。
Description
技术领域
本发明涉及生物医学技术领域,尤其涉及一种用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统。
背景技术
原发中枢神经系统生殖细胞肿瘤是较罕见恶性肿瘤,好发于年轻人群,占所有颅内肿瘤的2%~3%,在亚洲地区占所有儿童颅内肿瘤的11%。组织学诊断被认为是肿瘤诊断的金标准。目前临床对原发性中枢神经系统生殖细胞肿瘤(Centralnervoussystemgermcelltumors,CNSGCTs)预后预测主要依据世界卫生组织按照病理类型与预后的关系确立的三层分级。
但在临床中,CNS GCTs因为肿瘤部位深、手术风险大,取得病理诊断较困难。对无法获得组织学诊断的患者,这一分级方法并不适用。由此,目前如何对中枢神经系统生殖细胞肿瘤进行预后预测还是亟待解决的问题。
发明内容
本发明所要解决的技术问题在于,提供一种用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统,能够准确预测中枢神经系统生殖细胞肿瘤预后,有利于及时的指导临床治疗。
为了解决上述技术问题,本发明第一方面公开了一种用于预测中枢神经系统生殖细胞肿瘤预后的方法,所述方法包括:将多个MR扫描图像进行分析生成与预后关联的影像特征;通过所述与预后关联的影像特征和预置的评分公式构建影像组标签;将临床因素与所述影像组标签进行整合生成预测模型;通过所述预测模型对中枢神经系统生殖细胞肿瘤预后进行预测。
在一些实施方式中,所述将多个MR扫描图像进行分析生成与预后关联的影像特征包括:将多个MR扫描图像进行特征提取生成多个影像特征;对所述多个影像特征进行逐步回归分析筛选出与预后关联的影像特征。
在一些实施方式中,通过所述与预后关联的影像特征和预置的评分公式构建影像组标签,包括:
所述与预后关联的影像特征包括:最大2D直径(列)特征、集群突出特征、集群阴影特征、最大相关系数、依赖熵特征、小依赖低灰度强调特征、粗糙度特征;
将所述与预后关联的影像特征代入到所述预置的评分公式构建影像组标签,其中,所述预置的评分公式为:
-0.001922×形状特征-最大2D直径(列)特征+0.000000003684×集群突出特征+0.000004446×集群阴影特征+4.129×最大相关系数--0.3783×依赖熵特征-188.5×小依赖低灰度强调特征--250.4×依赖熵特征组成的邻域灰度差矩阵-粗糙度特征。
在一些实施方式中,将临床因素与所述影像组标签进行整合生成预测模型,之前包括:对临床数据通过K-M生存单因素分析筛选生成与预后关联的临床因素,其中,所述与预后关联的临床因素至少包括AFP肿瘤标志物和β-HCG肿瘤标志物。
在一些实施方式中,将临床因素与所述影像组标签进行整合生成预测模型,包括:将所述临床因素、所述影像组标签与预置的预测系数的乘积之和生成预测模型;将通过所述预测模型生成的分值与预置的风险阈值进行比较,根据比较结果输出中枢神经系统生殖细胞肿瘤预后的预测结果。
在一些实施方式中,所述根据比较结果输出中枢神经系统生殖细胞肿瘤预后的预测结果,包括:若所述比较结果大于所述预置的风险阈值,则输出中枢神经系统生殖细胞肿瘤预后的预测结果为高风险组;若所述比较结果小于所述预置的风险阈值,则输出中枢神经系统生殖细胞肿瘤预后的预测结果为低风险组。
根据本发明的第二个方面,提供了一种用于预测中枢神经系统生殖细胞肿瘤预后的系统,所述系统包括:特征提取模块,用于将多个MR扫描图像进行分析生成与预后关联的影像特征;分析模块,用于通过所述与预后关联的影像特征和预置的评分公式构建影像组标签;预测模型,通过将临床因素与所述影像组标签进行整合生成;预测模块,用于通过所述预测模型对中枢神经系统生殖细胞肿瘤预后进行预测。
在一些实施方式中,所述特征提取模块包括:第一提取单元,用于将多个MR扫描图像进行特征提取生成多个影像特征;第二提取单元,用于对所述多个影像特征进行逐步回归分析筛选出与预后关联的影像特征。
在一些实施方式中,其中,与预后关联的影像特征包括:形状特征、最大2D直径(列)特征、集群突出特征、集群阴影特征、最大相关系数、依赖熵特征、小依赖低灰度强调特征、粗糙度特征;
将所述与预后关联的影像特征代入到所述预置的评分公式构建影像组标签,其中,所述预置的评分公式为:
-0.001922×形状特征-最大2D直径(列)特征+0.000000003684×集群突出特征+0.000004446×集群阴影特征+4.129×最大相关系数--0.3783×依赖熵特征-188.5×小依赖低灰度强调特征--250.4×依赖熵特征组成的邻域灰度差矩阵-粗糙度特征。
在一些实施方式中,所述预测模型包括:临床因素模块,通过对临床数据通过K-M生存单因素分析筛选生成与预后关联的临床因素,其中,所述与预后关联的临床因素至少包括AFP肿瘤标志物和β-HCG肿瘤标志物。
在一些实施方式中,所述预测模型实现为:将所述临床因素、所述影像组标签与预置的预测系数的乘积之和生成预测模型;所述预测模块实现为:将通过所述预测模型生成的分值与预置的风险阈值进行比较,根据比较结果输出中枢神经系统生殖细胞肿瘤预后的预测结果。
在一些实施方式中,所述预测模块包括:分组单元,用于在若所述比较结果大于所述预置的风险阈值,则输出中枢神经系统生殖细胞肿瘤预后的预测结果为高风险组;若所述比较结果小于所述预置的风险阈值,则输出中枢神经系统生殖细胞肿瘤预后的预测结果为低风险组
与现有技术相比,本发明的有益效果在于:
实施本发明能够通过收集整理中枢神经系统生殖细胞肿瘤病患的MR图像等信息,通过对MR扫描图像进行分割和图像特征提取,采用逐步回归分析的方法,筛选出与预后密切相关的影像学特征,构建影像组标签,最终能够将研究发现的临床因素与影像学标签进行整合,构建一个由β-HCG、AFP两种肿瘤标志物与影像标签组成的用于预后的预测模型。由此能够根据该模型在应用中将患者区分为高危组合低危组,有利于更准确的预测患者中枢神经系统生殖细胞肿瘤预后,有利于实现精确且及时的指导临床治疗。
附图说明
图1为本发明实施例公开的一种用于预测中枢神经系统生殖细胞肿瘤预后的方法的流程示意图;
图2为本发明实施例公开的一种受试者诊断特征(ROC)曲线示意图;
图3为本发明实施例公开的又一种用于预测中枢神经系统生殖细胞肿瘤预后的系统示意图;
图4为本发明实施例公开的一种用于预测中枢神经系统生殖细胞肿瘤预后的装置结构示意图。
具体实施方式
为了更好地理解和实施,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,所描述的实施例仅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。
本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
本发明实施例公开了一种用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统,能够更准确的预测患者中枢神经系统生殖细胞肿瘤预后,有利于实现精确且及时的指导临床治疗。
实施例一
请参阅图1,图1为本发明实施例公开的一种用于预测中枢神经系统生殖细胞肿瘤预后的方法的流程示意图。其中,该用于预测中枢神经系统生殖细胞肿瘤预后的方法可以应用在临床医学系统,对于该方法的应用本发明实施例不做限制。如图1所示,该用于预测中枢神经系统生殖细胞肿瘤预后的方法可以包括以下操作:
101、将多个MR扫描图像进行分析生成与预后关联的影像特征。
由于中枢神经系统生殖细胞肿瘤起源于中枢神经系统内的组织或结构,其病变主要位于颅内或椎管内,由此选取患者的MR扫描图像是最佳的图像信息获取方式,为了使得数据范围尽可能的准确覆盖,所选取的MR扫描图像的归属患者标准为:
1、患者颅内肿瘤为原发性生殖细胞瘤。
2、患者就诊前未接受过其他抗肿瘤治疗。
3、患者可收集到完整的治疗前和治疗阶段临床资料。
4、患者具有稳定随访资料。
在收集该MR扫描图像的同时,为了更进一步精确的获知患者的肿瘤情况,还会收集患者的性别、患者的发病年龄、患者所使用过的肿瘤标志物、患者的泌乳素等基础信息用于协同判断。
具体地,当获取到MR扫描图像后,首先将多个MR扫描图像进行特征提取生成多个影像特征,特征提取的方式可以采用3D Slicer软件手动提取或其他基于深度学习后的特征提取方式提取出MR扫描图像的关键区域,示例性地,由于MR图像成像特征为多模态,在实际应用场景中可以包括(T1,T1C,T2和FLAIR图像),对于这种多模态的图像首先进行预处理(降噪、除去光斑等),然后使用ITK图像读写机制对图像进行分割,划分出包含肿瘤的关键区域。
之后基于该关键区域的影像特征进行二次特征提取,以得到更加精确的影像特征,可以对该影像特征进行逐步回归分析筛选出与预后关联的影像特征,该逐步分析的方法可以采用基于经验形成的LASSO惩罚函数COX风险比例回归模型提取出的与预后最为关联的影像特征。在实际应用中,发明人经过多次研究和以及积累大量的病患经验得出了宝贵的研究成果,即提出了7个最有价值的与预后关联的影像特征,包括形状特征(shape)、最大2D直径(列)特征Maximum2DdiameterColumn、集群突出特征Cluster Prominence、集群阴影特征Cluster Shade、最大相关系数MCC、依赖熵特征Dependence Entropy、小依赖低灰度强调特征Small Dependence Low Gray Level Emphasis、粗糙度特征Coarseness。
在确定了最相关的与预后关联的影像特征,在通过在经过一次特征提取的影像特征的图像关键区域上将这7个特征维度的与预后最为关联的影像特征进行二次选取,即使用与上述特征对应的一阶特征(first order),灰度共生矩阵(GLCM),灰度行程矩阵(GLRLM),灰度区域大小矩阵(GLSZM),领域灰度差矩阵(NGTDM)小波灰度共生矩阵(waveletGLRLM)、形状特征(shape)7种方式提取该影像特征,这样得出的图像特征是最符合中枢神经系统生殖细胞肿瘤的预后。
具体地,最大2D直径(列)特征:表示冠状平面中肿瘤表面网格定点之间最大的欧几里得距离。
GLCM:Gray Level Co-occurence Matrix,灰度共生矩阵是二阶灰度直方图,GLCM在不同方向(2D分析的水平、垂直或对角线或3D分析的13个方向)以及像素或体素之间的预定义距离,捕获具有预定义灰度强度的像素对或体素对的空间关系。
GLCM特征包括:熵,它是灰度级不均匀性或随机性的度量。角二阶矩(也称为均匀性或能量),反映灰度级的均匀性或有序性;对比度,它强调属于像素或体素对(像素或体素之间灰度差)。
GLCM-ClusterProminence集群突出特征是GLCM偏度和不对称性的度量。较高的值表示关于平均值的更多不对称性,而较低的值表示接近平均值的峰值并且关于平均值的变化较小。
GLCM-ClusterShade集群阴影特征是GLCM偏度和均匀性的度量。较高的集群阴影意味着更大的不对称性。
GLCM-MCC最大相关系数,是纹理复杂度的度量,0≤MCC≤1。
GLDM:Gray Level Dependence Matrix,灰度依赖矩阵是基于中心像素或体素与其邻域之间的灰度关系。如果在定义的灰度级差范围方面满足相关性标准,则将预定距离内的相邻像素或体素视为连接到中心像素或体素。然后分析ROI是否存在强度依赖于i和j的相邻像素或体素的中心像素或体素。
GLDM的特征包括反映异质性和同质性的大依赖性强调和小依赖性强调,以及反映整个ROI中灰度级相似性和灰度级依赖性的灰度级非均匀性和依赖性均匀性。
GLDM-Small Dependence Low Gert Level Emphasis:小依赖低灰度强调特征是测量具有较低灰度值的小依赖性的联合分布。
NGTDM:Neighbouring Gray Tone Difference Matrix,邻域灰度差矩阵是量化像素或体素的灰度级与其在预定义距离内的相邻像素或体素的平均灰度级之间的差异总和。主要特征包括NGTDM的粗糙性、繁忙度和复杂性。粗糙度反映中心像素或体素与其邻域之间的灰度差异,从而捕捉灰度强度变化的空间速率;即由具有相对均匀灰度级的较大区域组成的ROI将具有较高的粗糙度值。另一方面,繁忙度反映了中心像素或体素与其相邻像素之间的快速灰度变化,即强度变化的高空间频率。
NGTDM-coarseness:粗糙度是中心体素与其邻域之间平均差异的度量,并且是空间变化率的指示。较高的值表示较低的空间变化率和局部更均匀的纹理。
由此,根据所选定的上述特征就能够得到与中枢神经系统生殖细胞肿瘤强相关的影像特征,贴合患者的实际病况,有利于辅助医生对患者出具更加准确预后治疗方案。
102、通过与预后关联的影像特征和预置的评分公式构建影像组标签。
在确定了与预后关联的影像特征后,就能够根据预置的评分公式构建影响组标签。
该预置的评分公式实现为:
-0.001922×形状特征-最大2D直径(列)特征+0.000000003684×集群突出特征+0.000004446×集群阴影特征+4.129×最大相关系数--0.3783×依赖熵特征-188.5×小依赖低灰度强调特征--250.4×依赖熵特征组成的邻域灰度差矩阵-粗糙度特征。其中,特征前的系数是正数为正相关,负数为负相关,由此代表各特征与患者预后的相关性。
在实际应用中,为了便于机器读写将该公式简化为,以便于写入程序:
Imagescore=-0.001922×shape-Maximum2DdiameterColumn+0.000000003684×glcm+0.00000446×glcm-ClusterShade+4.129×glcm-MCC-0.3783×gldm-DependenceEntropy-188.5×gldm-Small Dependence Low Gray Level Emphasis-250.4×ngtdm-Coarseness。
其中,Imagescore指代通过该评分公式得到的分值,
对于该评分公式的实现方式是基于上述的多个维度的与预后关联的影像特征作为主要参数,再根据每个参数对应的重要程度分配系数,之后将各个特征进行加权后,再进行线性组合,从而获得每个患者的影像特征的分值,通过多个影像特征的分值就可以组成一类的影像组标签。
103、将临床因素与影像组标签进行整合生成预测模型。
考虑到临床数据是预后治疗的体现,临床数据可以包括患者的性别、发病年龄、血液检测数据等化验数据,对临床数据通过K-M(Kaplan-Meier)生存单因素分析筛选生成与预后最关联的临床因素为AFP和β-HCG两个肿瘤标志物,将其作为临床因素,该临床因素的选定是本发明人是发明人在众多肿瘤标志物是进行多次临床试验,在临床上发现AFP和β-HCG的敏感性和提示预后的价值仍有欠缺。所以将其作为临床因素再与影像组标签结合,以此来提高肿瘤标志物的预测价值。
在选取到临床因素后,将临床因素、影像组标签与预置的预测系数的乘积之和生成预测模型实现整合;其中,预测系数为发明人根据多次试验和经验的积累对各要素分配的权值,通过该计算公式能够计算肿瘤标志物、影像特征与预后之间相关性。
示例性地,通过临床特征、影像学标签与对应系数的乘积之和构成的预测模型可以具化为计算公式,具体地,可以实现为:
分值=1.625AFP+0.335βHCG+0.882image score。在该公式中,为患者血液或脑脊液中AFP>25ng/mL定义为AFP升高,赋值为1,为血液或脑脊液中β-HCG>3mIu/mL为β-HCG升高,赋值为1,image score为基于前述的评分公式计算所获得。
104、通过预测模型对中枢神经系统生殖细胞肿瘤预后进行预测。
在通过预测模型计算后生成的分值与预置的风险阈值进行比较,其中,风险阈值设定为2.2565。根据比较结果输出中枢神经系统生殖细胞肿瘤预后的预测结果。具体地,若比较结果大于预置的风险阈值2.2565,则输出中枢神经系统生殖细胞肿瘤预后的预测结果为高风险组;若比较结果小于预置的风险阈值2.2565,则输出中枢神经系统生殖细胞肿瘤预后的预测结果为低风险组。
由此,根据本实施例提供的方法,通过检测患者接受治疗前的AFP,β-HCG表达量,分析治疗前MR影像,利用计算公式可获得每位患者评分。同时使用Kaplan-Meier生存分析验证模型,高危低危组患者OS差距具有统计学意义(P<0.05)采用影像学特征与AFP、β-HCG联合使用可用于预测中枢神经系统生殖细胞肿瘤预后。示例性地,如图2所示,为使用本实施例的方法得到的受试者诊断特征(ROC)曲线,该受试者诊断特征(ROC)曲线能够表明基于本实施例的方法所预测患者一年、三年、五年生存状况的曲线下面积分别为0.830、0.743、0.747,进而能够得出可以良好预测患者预后情况。
实施例二
请参阅图3,图3为本发明实施例公开的一种用于预测中枢神经系统生殖细胞肿瘤预后的系统的示意图。如图3所示,该用于预测中枢神经系统生殖细胞肿瘤预后的系统包括:
特征提取模块1、分析模块2、预测模型3和预测模块4。特征提取模块1用于将多个MR扫描图像进行分析生成与预后关联的影像特征。分析模块2用于通过与预后关联的影像特征和预置的评分公式构建影像组标签。预测模型3通过将临床因素与影像组标签进行整合生成。预测模块4用于通过预测模型对中枢神经系统生殖细胞肿瘤预后进行预测。在本系统中,各个模块实现为运用C语言或其他计算机编程语言实现的算法模块,可以搭载到任何医疗系统或其他用于的系统中,本实施例不对本系统应用的系统进行限定。
其中,特征提取模块1包括:第一提取单元11,用于将多个MR扫描图像进行特征提取生成多个影像特征;第二提取单元12,用于对多个影像特征进行逐步回归分析筛选出与预后关联的影像特征。第一提取单元1与医疗图像系统的接口连接,可以获取患者历史的MR扫描图像;也可以由工作人员手动输入保存的MR图像的影响数据,当第一提取单元1获取到MR扫描图像后,首先将多个MR扫描图像基于事先编好的程序代码进行特征提取生成多个影像特征,特征提取的方式可以采用3D Slicer软件手动提取或其他基于深度学习后的特征提取方式提取出MR扫描图像的关键区域,示例性地,由于MR图像成像特征为多模态,在实际应用场景中可以包括(T1,T1C,T2和FLAIR图像),对于这种多模态的图像首先进行预处理(降噪、除去光斑等),然后使用ITK图像读写机制对图像进行分割,划分出包含肿瘤的关键区域。
之后第二提取单元12继续工作,当第一提取单元12处理完第一次特征提取后,会给予第二提取单元12响应指令提示,第二提取单元12基于该指令获取第一次特征提取的结果,之后在该关键区域的影像特征进行二次特征提取,以得到更加精确的影像特征,可以对该影像特征进行逐步回归分析筛选出与预后关联的影像特征,该逐步分析的方法可以采用基于经验形成的LASSO惩罚函数COX风险比例回归模型提取出的与预后最为关联的影像特征。在实际应用中,发明人经过多次研究和以及积累大量的病患经验得出了宝贵的研究成果,即提出了7个最有价值的与预后关联的影像特征,包括形状特征(shape)、最大2D直径(列)特征Maximum2DdiameterColumn、集群突出特征Cluster Prominence、集群阴影特征Cluster Shade、最大相关系数MCC、依赖熵特征Dependence Entropy、小依赖低灰度强调特征Small Dependence Low Gray Level Emphasis、粗糙度特征Coarseness。
在确定了最相关的与预后关联的影像特征,在通过在经过一次特征提取的影像特征的图像关键区域上将这7个特征维度的与预后最为关联的影像特征进行二次选取,即使用与上述特征对应的一阶特征(first order),灰度共生矩阵(GLCM),灰度行程矩阵(GLRLM),灰度区域大小矩阵(GLSZM),领域灰度差矩阵(NGTDM)小波灰度共生矩阵(waveletGLRLM)、形状特征(shape)7种方式提取该影像特征,这样得出的图像特征是最符合中枢神经系统生殖细胞肿瘤的预后。
在特征模块1工作完毕后,就会将处理过后的图像发送给分析模块2,分析模块就能够根据预置的评分公式构建影响组标签。
该预置的评分公式实现为:
-0.001922×形状特征-最大2D直径(列)特征+0.000000003684×集群突出特征+0.000004446×集群阴影特征+4.129×最大相关系数--0.3783×依赖熵特征-188.5×小依赖低灰度强调特征--250.4×依赖熵特征组成的邻域灰度差矩阵-粗糙度特征。其中,特征前的系数是正数为正相关,负数为负相关,由此代表各特征与患者预后的相关性。
在实际应用中,为了便于机器读写将该公式简化为,以便于写入程序,还可以实现为:
Imagescore=-0.001922×shape-Maximum2DdiameterColumn+0.000000003684×glcm+0.00000446×glcm-ClusterShade+4.129×glcm-MCC-0.3783×gldm-DependenceEntropy-188.5×gldm-Small Dependence Low Gray Level Emphasis-250.4×ngtdm-Coarseness。
其中,Imagescore指代通过该评分公式得到的分值,
对于该评分公式的实现方式是基于上述的多个维度的与预后关联的影像特征作为主要参数,再根据每个参数对应的重要程度分配系数,之后将各个特征进行加权后,再进行线性组合,从而获得每个患者的影像特征的分值,通过多个影像特征的分值就可以组成一类的影像组标签。
在得到影像组标签后,分析模块2就会根据程序设定按照流程将分析结果发送给预测模型3,该预测模型3可以通过机器学习进行训练实现,具体包括临床因素模块31,通过对临床数据通过K-M生存单因素分析筛选生成与预后关联的临床因素,其中,与预后关联的临床因素至少包括AFP肿瘤标志物和β-HCG肿瘤标志物。该临床数据可以包括患者的性别、发病年龄、血液检测数据等化验数据,对临床数据通过K-M(Kaplan-Meier)生存单因素分析筛选生成与预后最关联的临床因素为AFP和β-HCG两个肿瘤标志物,将其作为临床因素。
在选取到临床因素后,将临床因素、影像组标签与预置的预测系数的乘积之和生成预测模型实现整合;其中,预测系数为发明人根据多次试验和经验的积累对各要素分配的权值,通过该计算公式能够计算肿瘤标志物、影像特征与预后之间相关性。
在通过预测模型3计算后生成的分值会发送给预测模块4,预测模块4可以实现为比较器,存储有预置的风险阈值,当预测模块4接收到预测模型3计算后生成的分值就会与预置的风险阈值进行比较,其中,风险阈值根据反复试验得到的经验设定为2.2565。根据比较结果输出中枢神经系统生殖细胞肿瘤预后的预测结果。具体地,若比较结果大于预置的风险阈值2.2565,则输出中枢神经系统生殖细胞肿瘤预后的预测结果为高风险组;若比较结果小于预置的风险阈值2.2565,则输出中枢神经系统生殖细胞肿瘤预后的预测结果为低风险组。
由此,根据本实施例提供的系统能够自动化的对中枢神经系统生殖细胞肿瘤预后进行精准预测,有利于辅助医生获取客观的诊疗方案。
实施例三
请参阅图4,图4是本发明实施例公开的一种用于预测中枢神经系统生殖细胞肿瘤预后的装置的结构示意图。其中,图4所描述的装置可以应用在医疗诊疗辅助系统,对于该用于预测中枢神经系统生殖细胞肿瘤预后的预测装置的应用系统本发明实施例不做限制。如图4所示,该装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器601中存储的可执行程序代码,用于执行实施例一所描述的用于预测中枢神经系统生殖细胞肿瘤预后的方法。
实施例四
本发明实施例公开了一种计算机可读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的用于预测中枢神经系统生殖细胞肿瘤预后的方法。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一的用于预测中枢神经系统生殖细胞肿瘤预后的方法。
以上所描述的实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种用于预测中枢神经系统生殖细胞肿瘤预后的方法,其特征在于,所述方法包括:
将多个MR扫描图像进行分析生成与预后关联的影像特征;
通过所述与预后关联的影像特征和预置的评分公式构建影像组标签;
将临床因素与所述影像组标签进行整合生成预测模型;
通过所述预测模型对中枢神经系统生殖细胞肿瘤预后进行预测。
2.根据权利要求1所述的用于预测中枢神经系统生殖细胞肿瘤预后的方法,其特征在于,所述将多个MR扫描图像进行分析生成与预后关联的影像特征包括:
将多个MR扫描图像进行特征提取生成多个影像特征;
对所述多个影像特征进行逐步回归分析筛选出与预后关联的影像特征。
3.根据权利要求1所述的用于预测中枢神经系统生殖细胞肿瘤预后的方法,其特征在于,通过所述与预后关联的影像特征和预置的评分公式构建影像组标签,包括:
所述与预后关联的影像特征包括:形状特征、最大2D直径(列)特征、集群突出特征、集群阴影特征、最大相关系数、依赖熵特征、小依赖低灰度强调特征、粗糙度特征;
将所述与预后关联的影像特征代入到所述预置的评分公式构建影像组标签,其中,所述预置的评分公式为:
-0.001922×形状特征-最大2D直径(列)特征+0.000000003684×集群突出特征+0.000004446×集群阴影特征+4.129×最大相关系数--0.3783×依赖熵特征-188.5×小依赖低灰度强调特征--250.4×依赖熵特征组成的邻域灰度差矩阵-粗糙度特征。
4.根据权利要求3所述的用于预测中枢神经系统生殖细胞肿瘤预后的方法,其特征在于,将临床因素与所述影像组标签进行整合生成预测模型,之前包括:
对临床数据通过K-M生存单因素分析筛选生成与预后关联的临床因素,其中,所述与预后关联的临床因素至少包括AFP肿瘤标志物和β-HCG肿瘤标志物。
5.根据权利要求4所述的用于预测中枢神经系统生殖细胞肿瘤预后的方法,其特征在于,将临床因素与所述影像组标签进行整合生成预测模型,包括:
将所述临床因素、所述影像组标签与预置的预测系数的乘积之和生成预测模型;
将通过所述预测模型生成的分值与预置的风险阈值进行比较,根据比较结果输出中枢神经系统生殖细胞肿瘤预后的预测结果。
6.根据权利要求5所述的用于预测中枢神经系统生殖细胞肿瘤预后的方法,其特征在于,所述根据比较结果输出中枢神经系统生殖细胞肿瘤预后的预测结果,包括:
若所述比较结果大于所述预置的风险阈值,则输出中枢神经系统生殖细胞肿瘤预后的预测结果为高风险组;
若所述比较结果小于所述预置的风险阈值,则输出中枢神经系统生殖细胞肿瘤预后的预测结果为低风险组。
7.一种用于预测中枢神经系统生殖细胞肿瘤预后的系统,其特征在于,所述系统包括:
特征提取模块,用于将多个MR扫描图像进行分析生成与预后关联的影像特征;
分析模块,用于通过所述与预后关联的影像特征和预置的评分公式构建影像组标签;
预测模型,通过将临床因素与所述影像组标签进行整合生成;
预测模块,用于通过所述预测模型对中枢神经系统生殖细胞肿瘤预后进行预测。
8.根据权利要求7所述的用于预测中枢神经系统生殖细胞肿瘤预后的系统,其特征在于,所述特征提取模块包括:
第一提取单元,用于将多个MR扫描图像进行特征提取生成多个影像特征;
第二提取单元,用于对所述多个影像特征进行逐步回归分析筛选出与预后关联的影像特征。
9.根据权利要求6所述的用于预测中枢神经系统生殖细胞肿瘤预后的系统,其特征在于,
其中,所述与预后关联的影像特征包括:形状特征、最大2D直径(列)特征、集群突出特征、集群阴影特征、最大相关系数、依赖熵特征、小依赖低灰度强调特征、粗糙度特征;
将所述与预后关联的影像特征代入到所述预置的评分公式构建影像组标签,其中,所述预置的评分公式为:
-0.001922×形状特征-最大2D直径(列)特征+0.000000003684×集群突出特征+0.000004446×集群阴影特征+4.129×最大相关系数--0.3783×依赖熵特征-188.5×小依赖低灰度强调特征--250.4×依赖熵特征组成的邻域灰度差矩阵-粗糙度特征。
10.根据权利要求9所述的用于预测中枢神经系统生殖细胞肿瘤预后的系统,其特征在于,所述预测模型包括:
临床因素模块,通过对临床数据通过K-M生存单因素分析筛选生成与预后关联的临床因素,其中,所述与预后关联的临床因素至少包括AFP肿瘤标志物和β-HCG肿瘤标志物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607099.6A CN115148365B (zh) | 2022-05-31 | 2022-05-31 | 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607099.6A CN115148365B (zh) | 2022-05-31 | 2022-05-31 | 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115148365A true CN115148365A (zh) | 2022-10-04 |
CN115148365B CN115148365B (zh) | 2023-06-02 |
Family
ID=83407019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210607099.6A Active CN115148365B (zh) | 2022-05-31 | 2022-05-31 | 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115148365B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019100032A2 (en) * | 2017-11-17 | 2019-05-23 | Mayo Foundation For Medical Education And Research | Methods for using machine learning and mechanistic models for biological feature mapping with multiparametric mri |
CN111657945A (zh) * | 2020-06-16 | 2020-09-15 | 中南大学湘雅医院 | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 |
CN112185569A (zh) * | 2020-09-11 | 2021-01-05 | 中山大学孙逸仙纪念医院 | 一种乳腺癌患者无病生存期预测模型及其构建方法 |
CN112530592A (zh) * | 2020-12-14 | 2021-03-19 | 青岛大学 | 一种基于机器学习的非小细胞肺癌风险预测方法 |
CN112582028A (zh) * | 2020-12-30 | 2021-03-30 | 华南理工大学 | 一种肺癌预后预测模型、构建方法及装置 |
CN112768072A (zh) * | 2021-01-12 | 2021-05-07 | 哈尔滨医科大学 | 基于影像组学定性算法构建癌症临床指标评估系统 |
CN113269225A (zh) * | 2021-04-08 | 2021-08-17 | 浙江大学 | 基于影像组学的非侵入式肝脏上皮样血管平滑肌脂肪瘤图像分类装置 |
CN113380413A (zh) * | 2021-06-24 | 2021-09-10 | 首都医科大学附属北京天坛医院 | 一种构建无效再通fr预测模型的方法和装置 |
WO2022268102A1 (zh) * | 2021-06-22 | 2022-12-29 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
-
2022
- 2022-05-31 CN CN202210607099.6A patent/CN115148365B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019100032A2 (en) * | 2017-11-17 | 2019-05-23 | Mayo Foundation For Medical Education And Research | Methods for using machine learning and mechanistic models for biological feature mapping with multiparametric mri |
CN111657945A (zh) * | 2020-06-16 | 2020-09-15 | 中南大学湘雅医院 | 一种基于增强mri影像组学的鼻咽癌预后辅助评估方法 |
CN112185569A (zh) * | 2020-09-11 | 2021-01-05 | 中山大学孙逸仙纪念医院 | 一种乳腺癌患者无病生存期预测模型及其构建方法 |
CN112530592A (zh) * | 2020-12-14 | 2021-03-19 | 青岛大学 | 一种基于机器学习的非小细胞肺癌风险预测方法 |
CN112582028A (zh) * | 2020-12-30 | 2021-03-30 | 华南理工大学 | 一种肺癌预后预测模型、构建方法及装置 |
CN112768072A (zh) * | 2021-01-12 | 2021-05-07 | 哈尔滨医科大学 | 基于影像组学定性算法构建癌症临床指标评估系统 |
CN113269225A (zh) * | 2021-04-08 | 2021-08-17 | 浙江大学 | 基于影像组学的非侵入式肝脏上皮样血管平滑肌脂肪瘤图像分类装置 |
WO2022268102A1 (zh) * | 2021-06-22 | 2022-12-29 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
CN113380413A (zh) * | 2021-06-24 | 2021-09-10 | 首都医科大学附属北京天坛医院 | 一种构建无效再通fr预测模型的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115148365B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11321841B2 (en) | Image analysis method, image analysis device, image analysis system, and storage medium | |
JP2015154918A (ja) | 病変検出装置及び方法 | |
JP6168426B2 (ja) | 疾患分析装置、制御方法、及びプログラム | |
KR102321487B1 (ko) | 인공지능 기반 검출된 종양의 형태 및 특성 진단 장치 | |
CN111932492B (zh) | 一种医学图像处理方法、装置及计算机可读存储介质 | |
CN113017674B (zh) | 基于胸部ct图像的egfr基因突变检测方法和系统 | |
US11684333B2 (en) | Medical image analyzing system and method thereof | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
CN110717894B (zh) | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 | |
CN110348477B (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
KR102389067B1 (ko) | 척추 측만증 평가 방법 및 이를 이용한 척추 측만증 평가용 디바이스 | |
WO2014171830A1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
JP2022546344A (ja) | 脳卒中特徴取得のための画像処理 | |
WO2020172558A1 (en) | System and method for automatic detection of vertebral fractures on imaging scans using deep networks | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN115954101A (zh) | 一种基于ai舌诊图像处理的健康度管理系统及管理方法 | |
CN117095815A (zh) | 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统 | |
US20230386033A1 (en) | Image Processing Apparatus, Image Processing Method, and Program | |
CN112529900A (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
WO2014050129A1 (ja) | 画像処理装置および方法並びにプログラム | |
Nivetha et al. | Lung cancer detection at early stage using PET/CT imaging technique | |
CN115148365B (zh) | 用于预测中枢神经系统生殖细胞肿瘤预后的方法及系统 | |
JP2022133479A (ja) | 予後推定装置及び予後推定方法 | |
KR20210069250A (ko) | 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법 |
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 |