CN115205213A - 一种体内泌尿系结石成分预测系统 - Google Patents

一种体内泌尿系结石成分预测系统 Download PDF

Info

Publication number
CN115205213A
CN115205213A CN202210631874.1A CN202210631874A CN115205213A CN 115205213 A CN115205213 A CN 115205213A CN 202210631874 A CN202210631874 A CN 202210631874A CN 115205213 A CN115205213 A CN 115205213A
Authority
CN
China
Prior art keywords
calculus
urine
original
prediction
dual
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
CN202210631874.1A
Other languages
English (en)
Inventor
王坤杰
叶冬辉
刘彧
陈云天
金熙
向丽媛
于嗣民
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.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan University
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 West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202210631874.1A priority Critical patent/CN115205213A/zh
Publication of CN115205213A publication Critical patent/CN115205213A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/10—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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于医疗技术领域，具体涉及一种体内泌尿系结石成分预测系统。本发明的系统包括：特征提取模块，用于从输入数据中提取患者的临床特征、双源CT参数特征和影像组学特征；计算模块，用于将所述临床特征、双源CT参数特征和影像组学特征输入预测模型进行计算，得到体内泌尿系结石成分预测结果；所述预测模型是逻辑回归模型、支持向量机算法和随机森林算法三种分类器模型通过投票法得到的集成分类器。本发明对结石成分的预测结果更加准确，有利于结石的早期、无创的诊断，辅助医生进行结石的治疗方案选择和早期干预，在临床中具有很好的应用前景。

Description

一种体内泌尿系结石成分预测系统
技术领域
本发明属于医疗技术领域，具体涉及一种体内泌尿系结石成分预测系统。
背景技术
泌尿系结石是现代社会泌尿外科最高发的疾病之一，且复发率高，严重者可导致急性剧烈疼痛、尿路梗阻，甚至继发肾功能衰竭。美国每年用于泌尿系结石防治的费用超过50亿美元。近年来，泌尿系结石的外科治疗发展迅猛，但结石的发病率和复发率却仍居高不下。这说明做好泌尿系结石的早期筛查、病因预防、控制复发，意义重大。
泌尿系结石的病因较为复杂，可能由多种因素共同参与形成，包括基因、饮水饮食习惯、气候环境、尿路感染、代谢疾病等。如何从病因预防结石的形成和复发是泌尿外科工作者日益重视的问题，而结石成分分析在其中起到了不可替代的作用，作为结石的“病理”，直接指导了结石的病因诊断，也为指导患者的饮食和药物管理、制定合理的预防措施提供重要证据。
泌尿系结石包括草酸钙、磷酸钙、尿酸、磷酸镁铵、胱氨酸等多种化学成分，含钙结石所占的比例最多，占到将近70~90%。
结石成分分析的方法较多，包括X射线衍射法、热分析法、红外光谱法、偏光显微镜和扫描电镜、显微CT等。目前国内大多数医院对结石成分的诊断依赖红外光谱法，即通过红外光谱对结石成份进行直接分析，但其劣势在于必须获得结石标本才能进行分析，而结石标本的获取，主要依靠于手术等有创手段直接获取，这就导致一些不需要进行手术干预的结石患者因无法取到结石而难以进行结石成分分析，进而难以提前进行预防干预，不能达到结石早期精准干预的目的。
如今，越来越多的学者聚焦于如何在外科治疗结石前就在体内无创鉴别结石成分这个问题，其对结石的治疗方案选择和早期干预有重大意义。目前机器学习的方法已经被用于结石成分的预测，由于其具有无创的优点，特别适用于结石的治疗方案选择和早期干预。例如：中国发明专利申请“CN109685796A 医学图像处理方法、装置、设备和存储介质”提供了一种利用神经网络模型识别CT图像，获得结石成分预测结果的方法。然而，该技术方案中，模型的设计和输入数据的选取依然过于简单，是的其模型对结石成分的预测准确率不佳。
因此，如何更加准确地利用机器学习模型分析结石成分信息，仍然是本领域亟需解决的问题。
发明内容
针对现有技术的缺陷，本发明提供一种体内泌尿系结石成分预测系统，目的在于实现更加准确的体内泌尿系结石成分分析。
一种体内泌尿系结石成分预测系统，包括：
特征提取模块，用于从输入数据中提取患者的临床特征、双源CT参数特征和影像组学特征；
计算模块，用于将所述临床特征、双源CT参数特征和影像组学特征输入预测模型进行计算，得到体内泌尿系结石成分预测结果；
所述预测模型是逻辑回归模型、支持向量机算法和随机森林算法三种分类器模型通过投票法得到的集成分类器。
优选的，所述临床特征包括性别、年龄、BMI、血钙、血尿酸、血糖、总胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、血白细胞、中性粒细胞百分比、尿ph值、尿亚硝酸盐试验、尿液镜下白细胞计数、尿细菌量、尿脓细胞、尿培养或结石直径中的一种或两种及以上的组合。
优选的，所述双源CT参数特征包括双能量比值、能谱斜率、ROI区域内的电子密度或ROI区域内的有效原子序数。
优选的，所述影像组学特征通过如下方法提取：
步骤1，分割ROI建立影像组学掩膜；
步骤2，从所述影像组学掩膜中提取影像组学特征。
优选的，所述影像组学特征包括形态特征、一阶统计量、纹理特征中的一种或两种及以上的组合。
优选的，所述预测模型的输入特征采用Lasso回归模型进行特征筛选。
优选的，所述预测模型的输入特征为：尿亚硝酸盐、尿pH、尿培养、高密度脂蛋白、年龄、血白细胞浓度、尿白细胞浓度、身体质量指数、血钙浓度、尿脓细胞浓度、血糖浓度、有效原子序数、双能量比值、能谱斜率、电子密度、原始灰度域大小矩阵—大面积低灰度强调、原始灰度域大小矩阵—小面积低灰度强调、原始灰度域大小矩阵—大面积高灰度强调、原始灰度共生矩阵—逆方差、原始灰度共生矩阵—差熵、原始一阶最小值、原始一阶10%百分位、球形度、原始灰度域大小矩阵—相关性非正式测量2、原始一阶峰度、扁平度、图形诊断最大值、图形延长度、一阶总能量和图像均值。
优选的，所述结石为草酸钙结石、碳酸磷灰石混合结石、尿酸结石、磷酸镁铵结石或胱氨酸结石中的一种。
本发明还提供一种计算机可读存储介质，其上存储有用于实现上述体内泌尿系结石成分预测系统的计算机程序。
本发明针对体内泌尿系结石成分的预测，利用投票法构建了一种集成分类器，并且进一步优选了输入模型的特征。本发明的方法使得利用机器学习模型分析结石成分的预测结果更加准确，有利于结石的早期、无创的诊断，辅助医生进行结石的治疗方案选择和早期干预，在临床中具有很好的应用前景。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为Rho/Z图（A）与能谱曲线（B），其中，A图为Rho/Z模式，亮黄色区域为结石ROI，可测得100/140kV下CT值、Rho值及Z值，颜色越接近红色则指示有效原子序数越大；B图为结石的能谱曲线，是以双能量下原始CT值数据，模拟得到的物质衰减系数在40~190keV能量下的变化曲线。
图2为ITK-SNAP软件分割三维ROI，图像分别为结石的轴状面、矢状面、冠状面，红色部分为勾画的ROI区域。
图3为逻辑回归模型的ROC曲线及PR曲线。
图4为支持向量机的ROC曲线及PR曲线。
图5为随机森林模型的ROC曲线及PR曲线。
图6为集成分类器的ROC曲线及PR曲线。
具体实施方式
需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1 一种体内泌尿系结石成分预测系统
本实施例提供一种体内泌尿系结石成分预测系统，包括：
特征提取模块，用于从输入数据中提取患者的临床特征、双源CT参数特征和影像组学特征；
计算模块，用于将所述临床特征、双源CT参数特征和影像组学特征输入预测模型进行计算，得到体内泌尿系结石成分预测结果。
利用该系统中预测模型的构建以及利用该系统进行结石成分预测的方法如下：
1、患者样本数据
本实施例用于训练模型和验证模型准确率的患者样本纳入与排除标准如下：
纳入标准：①2017年9月至2020年5月在四川大学华西医院泌尿外科被确认为泌尿系结石，结石的确认依据为泌尿系腹部平片（KUB）或全腹部计算机断层普通扫描（CT）；②患者于我科行外科取石治疗，术中取得结石标本进行红外光谱法检测结石成分；③术前行双源CT扫描。
排除标准：①患者年龄＜18岁，或孕妇；②术前未行双源CT检查；③术后未行红外光谱法检测结石成分；④术中未行套石，未取结石标本。
所有流程均遵循《赫尔辛基宣言》，机构伦理审查委员会批准了这项研究。
本实施例共纳入119例患者，共168枚结石。
2、临床特征提取
从患者的数据中收集如下特征：性别、年龄、BMI、血钙、血尿酸、血糖、总胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、血白细胞、中性粒细胞百分比、尿ph值、尿亚硝酸盐试验、尿液镜下白细胞计数、尿细菌量、尿脓细胞、尿培养、结石直径，共19个临床特征。
3、双源CT参数特征提取
双源CT扫描结束后，双序列图像导入后处理工作站，选取结石的3个截面，勾画感兴趣区（region of interest, ROI），测量结果取平均值。为避免部分容积效应，所选取的ROI需至少占据结石的1/2区域以上，且至少距离结石边缘像素1mm以上。在Monoenergetic-能谱模式及Rho/Z模式下，进行双源CT参数提取。在Monoenergetic-能谱模式下，可测得两球管电压（100/Sn140kV）下结石的两个CT值（测量单位为Hounsfield units, HU）。双能量比值（DER）由下列公式计算而得：DER = HU100 kV / HUSn140 kV ，能谱斜率（slope (K)）由下列公式计算而得：slope (K) = (HU40 keV − HU100 keV) / (100 keV-40 keV)；在Rho/Z模式中，可测得结石ROI区域内的电子密度（Rho）和有效原子序数（Z effective），测量图示见图1。
4、影像组学特征提取
4.1 分割ROI建立影像组学掩膜
收集第3部分中所有结石病人的双源CT原始图像dicom文件，导入医学图像分割软件ITK-SNAP中。对结石进行逐层三维感兴趣区的ROI勾画，建立影像组学掩膜（Mask）标签文件。ROI区域示例图如图2所示。
4.2 影像组学特征提取
将上一步得到的双源CT原始图像及分割的三维ROI掩膜文件导入python的pyradiomics库，进行影像组学特征的提取。影像组学特征包括形态特征、一阶统计量和纹理特征，具体的：
1）形态特征
对三维和二维图像进行形态学特征的提取，包含了ROI的二/三维尺寸和形状的描述，这些特征与ROI中的灰度强度分布无关。首先连接ROI内像素与ROI外下像素之间的边缘中点构建ROI三角形网络，形态特征由三角形网格定义的近似形状派生而得，包括网格和像素体积/表面积、表面积与体积比、周长比、球形度、紧凑度、球形不均匀度、最大二/三维直径、轴长、伸长率、平面度等。
2）一阶统计量
一阶统计量为ROI定义的图像区域内灰度强度的分布特征，包括能量、总能量、熵（对图像值进行编码所需的平均信息量），灰度强度的最小值、10%位数、90%位数、最大值、均值、中位数、四分位间距、范围、均方根、标准差、偏度、峰度、方差、均匀度等。
3）纹理特征
纹理特征反映ROI内灰度强度的空间分布，包括灰度共生矩阵（GLCM），灰度游程矩阵（GLRLM），灰度区域大小矩阵（GLSZM），相邻灰度差分矩阵（NGTDM），灰度相关矩阵（GLDM）等。
灰度共生矩阵（GLCM）：最经典的纹理特征，计算图像内两像素对的灰度值联合概率密度，其不仅反映灰度分布特征，同时反映近似灰度的像素分布位置特性。
灰度游程矩阵（GLRLM）：统计具有相同灰度值的连续像素的灰度游程特征。
灰度区域大小矩阵（GLSZM）：统计共享相同灰度强度的区域像素数量特征。
相邻灰度差分矩阵（NGTDM）：统计某像素的灰度值与其距离δ内邻域平均灰度值的差异。
灰度相关矩阵（GLDM）：统计图像中的灰度相关性。
5、特征筛选
为避免特征间数据跨度差异过大，便于不同单位和量级的特征加权和比较，本实施例首先对所有特征进行数据标准化处理，公式为：
Figure DEST_PATH_IMAGE001
其中，x′为标化数据，x为原始数据，
Figure 183392DEST_PATH_IMAGE002
为均值，SD为标准差。
即减去均值再除以标准差，可得到均值为0、方差为1的标化数据。
而后为提高机器学习模型的诊断准确性和可解释性，本实施例将上述从三个方面（临床特征、双源CT参数特征、影像组学特征）收集到的所有特征纳入建立Lasso（Leastabsolute shrinkage and selection operator）回归模型。Lasso回归模型是一种收缩估计（shrinkage）的线性回归模型，添加L1正则项，构建一个惩罚函数，生成稀疏权值矩阵使一些特征的回归系数变为零并从模型中清除。其损失函数公式见下：
Figure 959587DEST_PATH_IMAGE003
其中，
Figure 208165DEST_PATH_IMAGE005
为系数，n为系数的数目，y为目标变量，
Figure DEST_PATH_IMAGE006
为特征矩阵，λ为常量。
Lasso回归模型鼓励使用简单而稀疏的模型（即使用特征较少的模型），非常适合用于具有高多重共线性的数据，可以有效排除共线性特征，使最终纳入建模的特征具有代表性，且降低因特征数过多而造成模型过拟合的风险。
经双源CT原始图像及ROI掩膜文件特征提取，pyradiomics库共提取到130个影像组学特征。加上19个临床特征及4个双源CT参数特征，合计153个特征进行下一步的特征筛选。最终确定纳入如下30个特征：尿亚硝酸盐（nitrite）、尿pH（urine_ph）、尿培养（urine_culture）、高密度脂蛋白（HDL）、年龄（age）、血白细胞浓度（blood_wbc）、尿白细胞浓度（urine_wbc）、身体质量指数（BMI）、血钙浓度（blood_ca）、尿脓细胞浓度（urine_pyocyte）、血糖浓度（blood_glucose）、有效原子序数（Zeff, effective atomic number）、双能量比值（DE_ratio）、能谱斜率（Slope_K）、电子密度（Rho, electron density）、原始灰度域大小矩阵—大面积低灰度强调（original_glszm_LargeAreaLowGrayLevelEmphasis）、原始灰度域大小矩阵—小面积低灰度强调（original_glszm_SmallAreaLowGrayLevelEmphasis）、原始灰度域大小矩阵—大面积高灰度强调（original_glszm_LargeAreaHighGrayLevelEmphasis）、原始灰度共生矩阵—逆方差（original_glcm_InverseVariance）、原始灰度共生矩阵—差熵（original_glcm_DifferenceEntropy）、原始一阶最小值（original_firstorder_Minimum）、原始一阶10%百分位（original_firstorder_10Percentile）、球形度（original_shape_Sphericity）、原始灰度域大小矩阵—相关性非正式测量2（original_glcm_Imc2）、原始一阶峰度（original_firstorder_Kurtosis）、扁平度（original_shape_Flatness）、图形诊断最大值（diagnostics_Image-original_Maximum）、图形延长度（original_shape_Elongation）、一阶总能量（original_firstorder_TotalEnergy）和图像均值（diagnostics_Image-original_Mean）。
其中，原始灰度域大小矩阵—大面积低灰度强调、原始灰度域大小矩阵—小面积低灰度强调、原始灰度域大小矩阵—大面积高灰度强调、原始灰度共生矩阵—逆方差、原始灰度共生矩阵—差熵、原始一阶最小值、原始一阶10%百分位、球形度、原始灰度域大小矩阵—相关性非正式测量2、原始一阶峰度、扁平度、图形诊断最大值、图形延长度、一阶总能量和图像均值为影像组学特征，通过上述步骤4的方法提取得到。
6、机器学习模型构建
基于Lasso回归模型筛选后的特征，本实施例使用python中的scikit-learn库构建三个机器学习模型作为分类器，分别为逻辑回归模型、非线性径向基核函数（RadialBasis Function，RBF）支持向量机（support-vector machines, SVM）模型和基于多重决策树的随机森林（Random forest, RF）模型。
在构建好逻辑回归模型、支持向量机和随机森林模型后，得到逻辑回归、支持向量机和随机森林三个机器学习分类器后，再根据集成学习的原理，采用投票法（Voting）集成三个“弱”分类器。最终分类结果由三个“弱”分类器对结石成分的类概率投票决定，得到最终的集成分类器。
7、模型预测结果讨论
对上述逻辑回归模型、支持向量机和随机森林模型三个分类器以及最终得到的集成分类器绘制ROC曲线，计算AUC值。并以精准率（Precision）为纵坐标，召回率（Recall）为横坐标，绘制PR曲线（Precision-recall curves），与ROC曲线相反，PR曲线越靠近右上角代表模型诊断效能越佳，在不同分类样本数相差较大的情况下对诊断效能的体现更加真实。
四种分类器的预测性能如图3-6所示。
逻辑回归模型对草酸钙结石、碳酸磷灰石混合结石、尿酸结石、磷酸镁铵结石、胱氨酸结石预测的ROC曲线下面积AUC值分别为0.888、0.802、0.986、0.861、0.999， PR图为模型诊断结石成分的PR曲线。两曲线均提示逻辑回归模型对碳酸磷灰石混合结石的诊断能力低，草酸钙结石的诊断能力次之，而对其他类型成分的分类能力较好。
支持向量机模型对草酸钙结石、碳酸磷灰石混合结石、尿酸结石、磷酸镁铵结石、胱氨酸结石的ROC曲线下面积AUC值分别为0.911、0.847、0.964、0.953、1.000，提示支持向量机模型对碳酸磷灰石混合结石的诊断能力低，而对其他类型成分的分类能力较好。
随机森林模型对草酸钙结石、碳酸磷灰石混合结石、尿酸结石、磷酸镁铵结石、胱氨酸结石的ROC曲线下面积AUC值分别为0.890、0.821、0.959、0.963、1.000，ROC曲线显示随机森林模型对碳酸磷灰石混合结石的诊断能力低，而对其他类型成分的分类能力较好。
集成分类器对草酸钙结石、碳酸磷灰石混合结石、尿酸结石、磷酸镁铵结石、胱氨酸结石的AUC值分别为0.916、0.840、0.983、0.969、1.000。ROC曲线和PR曲线均显示集成模型对所有类型成分的分类能力均较好。且所有类型的结石预测的AUC值均优于或等同与前面三种模型的最佳值。由此可知，本实施例构建的集成分类器相比于现有的单独一种模型的预测结果准确率明显提升，对各种结石种类的适用性更好。
通过上述实施例可以看到，本发明构建了一种能够更加准确地预测体内泌尿系结石成分的系统。利用该系统，本发明对结石成分的预测结果更加准确，有利于结石的早期、无创的诊断，辅助医生进行结石的治疗方案选择和早期干预，在临床中具有很好的应用前景。

Claims (8)

1.一种体内泌尿系结石成分预测系统，其特征在于，包括：
特征提取模块，用于从输入数据中提取患者的临床特征、双源CT参数特征和影像组学特征；
计算模块，用于将所述临床特征、双源CT参数特征和影像组学特征输入预测模型进行计算，得到体内泌尿系结石成分预测结果；
所述预测模型是逻辑回归模型、支持向量机算法和随机森林算法三种分类器模型通过投票法得到的集成分类器。
2.按照权利要求1所述的预测系统，其特征在于：所述临床特征包括性别、年龄、BMI、血钙、血尿酸、血糖、总胆固醇、甘油三酯、高密度脂蛋白、低密度脂蛋白、血白细胞、中性粒细胞百分比、尿ph值、尿亚硝酸盐试验、尿液镜下白细胞计数、尿细菌量、尿脓细胞、尿培养或结石直径中的一种或两种及以上的组合。
3.按照权利要求1所述的预测系统，其特征在于：所述双源CT参数特征包括双能量比值、能谱斜率、ROI区域内的电子密度或ROI区域内的有效原子序数。
4.按照权利要求1所述的预测系统，其特征在于：所述影像组学特征通过如下方法提取：
步骤1，分割ROI建立影像组学掩膜；
步骤2，从所述影像组学掩膜中提取影像组学特征。
5.按照权利要求1或4所述的预测系统，其特征在于：所述影像组学特征包括形态特征、一阶统计量、纹理特征中的一种或两种及以上的组合。
6.按照权利要求1所述的预测系统，其特征在于：所述预测模型的输入特征采用Lasso回归模型进行特征筛选。
7.按照权利要求6所述的预测系统，其特征在于：所述预测模型的输入特征为：尿亚硝酸盐、尿pH、尿培养、高密度脂蛋白、年龄、血白细胞浓度、尿白细胞浓度、身体质量指数、血钙浓度、尿脓细胞浓度、血糖浓度、有效原子序数、双能量比值、能谱斜率、电子密度、原始灰度域大小矩阵—大面积低灰度强调、原始灰度域大小矩阵—小面积低灰度强调、原始灰度域大小矩阵—大面积高灰度强调、原始灰度共生矩阵—逆方差、原始灰度共生矩阵—差熵、原始一阶最小值、原始一阶10%百分位、球形度、原始灰度域大小矩阵—相关性非正式测量2、原始一阶峰度、扁平度、图形诊断最大值、图形延长度、一阶总能量和图像均值。
8.按照权利要求1所述的预测系统，其特征在于：所述结石为草酸钙结石、碳酸磷灰石混合结石、尿酸结石、磷酸镁铵结石或胱氨酸结石中的一种。
CN202210631874.1A 2022-06-06 2022-06-06 一种体内泌尿系结石成分预测系统 Pending CN115205213A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210631874.1A CN115205213A (zh) 2022-06-06 2022-06-06 一种体内泌尿系结石成分预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210631874.1A CN115205213A (zh) 2022-06-06 2022-06-06 一种体内泌尿系结石成分预测系统

Publications (1)

Publication Number Publication Date
CN115205213A true CN115205213A (zh) 2022-10-18

Family

ID=83576300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210631874.1A Pending CN115205213A (zh) 2022-06-06 2022-06-06 一种体内泌尿系结石成分预测系统

Country Status (1)

Country Link
CN (1) CN115205213A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117347396A (zh) * 2023-08-18 2024-01-05 北京声迅电子股份有限公司 基于XGBoost模型的物质种类识别方法
TWI836884B (zh) * 2023-01-31 2024-03-21 高雄醫學大學 人工智慧尿酸結石預測方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI836884B (zh) * 2023-01-31 2024-03-21 高雄醫學大學 人工智慧尿酸結石預測方法
CN117347396A (zh) * 2023-08-18 2024-01-05 北京声迅电子股份有限公司 基于XGBoost模型的物质种类识别方法
CN117347396B (zh) * 2023-08-18 2024-05-03 北京声迅电子股份有限公司 基于XGBoost模型的物质种类识别方法

Similar Documents

Publication Publication Date Title
He et al. A review on automatic mammographic density and parenchymal segmentation
JP5785184B2 (ja) 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術
Meng et al. A fully automated rib fracture detection system on chest CT images and its impact on radiologist performance
CN115205213A (zh) 一种体内泌尿系结石成分预测系统
KR101144964B1 (ko) 간질성 폐질환 검출 시스템 및 그 방법
Porcu et al. Radiomics and “radi-… omics” in cancer immunotherapy: a guide for clinicians
Zheng et al. Computer-aided detection: the effect of training databases on detection of subtle breast masses
Zhou et al. Automatic vertebral body segmentation based on deep learning of Dixon images for bone marrow fat fraction quantification
Cho et al. Marginal radiomics features as imaging biomarkers for pathological invasion in lung adenocarcinoma
CN115099331A (zh) 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统
CN115937130A (zh) 基于双能CT预测卵巢癌Ki-67表达的图像处理方法
Gunasekaran Leveraging object detection for the identification of lung cancer
Hong et al. Automated coronary artery calcium scoring using nested U-Net and focal loss
Chen [Retracted] Models of Artificial Intelligence‐Assisted Diagnosis of Lung Cancer Pathology Based on Deep Learning Algorithms
Fervers et al. Feasibility of artificial intelligence–supported assessment of bone marrow infiltration using dual-energy computed tomography in patients with evidence of monoclonal protein—A retrospective observational study
Al-Tam et al. Breast cancer detection and diagnosis using machine learning: a survey
Angelone et al. Breast density analysis on mammograms: Application of machine learning with textural features
Kim et al. The relationship between urinary stone components and visceral adipose tissue using computed tomography–based fat delineation
CN115995295A (zh) 基于影像组学的乳腺癌骨转移治疗反应评估方法及系统
Lu et al. A review of the role of ultrasound radiomics and its application and limitations in the investigation of thyroid disease
Zhang et al. Support vector machine combined with magnetic resonance imaging for accurate diagnosis of paediatric pancreatic cancer
CN113850788A (zh) 一种判断膀胱癌肌层浸润状态的系统及其应用
Duan et al. An in-depth discussion of cholesteatoma, middle ear Inflammation, and langerhans cell histiocytosis of the temporal bone, based on diagnostic results
Oiwa et al. Validity of computed mean compressed fibroglandular tissue thickness and breast composition for stratification of masking risk in Japanese women
Misra et al. Role of artificial intelligence in precision pathology of breast cancer

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