CN115731216A - 基于ff图评估ckd肾功能的影像组学特征处理方法 - Google Patents
基于ff图评估ckd肾功能的影像组学特征处理方法 Download PDFInfo
- Publication number
- CN115731216A CN115731216A CN202211516457.9A CN202211516457A CN115731216A CN 115731216 A CN115731216 A CN 115731216A CN 202211516457 A CN202211516457 A CN 202211516457A CN 115731216 A CN115731216 A CN 115731216A
- Authority
- CN
- China
- Prior art keywords
- beta
- representing
- kidney disease
- omics
- chronic kidney
- 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
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于FF图评估CKD肾功能的影像组学特征处理方法,包括:对mDixon‑Quant序列FF图中的慢性肾病病变区域进行勾画,获取慢性肾病病灶的三维图像;基于pyradiomics开源平台获取慢性肾病病灶的三维图像的影像组学特征;获取慢性肾病病灶的三维图像的影像组学特征的代表性特征;获取慢性肾病病灶的三维图像的影像组学特征的代表性特征的量化分值。本发明通过慢性肾病病灶的三维图像获得慢性肾病的特征图像;提取图像中的影像组学特征,确定慢性肾病的影像组学特征的代表性特征,对其进行评分,获取其代表性特征的量化分值,能够为临床对病情的确诊提供依据。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于FF图评估CKD肾功能的影像组学特征处理方法。
背景技术
全世界的肾脏疾病患者基数是巨大的,有超过10%的成年人口患有慢性肾病(chronic kidney disease,CKD)。慢性肾脏疾病(Chronic kidney disease,CKD)的定义是持续尿液异常,结构异常或排泄性肾功能受损,提示功能性肾单位丢失,大多数患者具有加速心血管疾病和死亡的风险。CKD在全球范围的发病率和患病率呈迅速增长趋势,已成为世界范围内的公共健康问题。慢性肾损伤的肾实质中脂质异常沉积,尤其非酯化脂肪酸(也称为游离脂肪酸,FFA)对肾脏特别有害,过量的FFA会通过各种机制破坏足细胞,近端肾小管上皮细胞和肾小管间质组织,特别是通过增加活性氧(ROS)的产生和脂质过氧化,促进线粒体损伤和组织炎症,从而导致肾小球和肾小管病变。临床中,肾小球滤过率(GFR)是反映肾功能最直接、最敏感的指标,是肾功能损伤分期的主要依据,但GFR在检测方面存在很多问题。如患者准备、仪器设备状态、药物制备、注射剂量、医护人员操作等情况均可能影响图像质量及GFR测定的准确性临床上最常用的内生肌酐清除率(endogenous creatinineclearance rate Ccr)只能粗略代表GFR而无法准确地测量,除此之外,临床上许多常用药物也可影响肾小管对肌酐的排泄而干扰Ccr的测定。MRI因具有良好的软组织分辨率和多平面成像特点,对CKD简便、易操作,且实现了单肾功能的评估,是最佳影像学检查方法。MRmDixon—Quant技术是近年来发展起来的一种无创、快速、一次成像能精确测量脂肪含量的影像学检查方法,以脂肪分数图即FF图为特征性参数图像,具有很高的可重复性。但是对肾脏脂肪的研究主要集中在肾脏肿瘤方面及健康人群的肾脏脂肪定量,因此,亟需一种有效通过图像的影像组学特征的方法,以对后续决定治疗手段提供支撑。
发明内容
本发明提供一种基于FF图评估CKD肾功能的影像组学特征处理方法,以克服上述技术问题。
为了实现上述目的,本发明的技术方案是:
一种基于FF图评估CKD肾功能的影像组学特征处理方法,包括如下步骤:
S1:对mDixon-Quant序列FF图中的慢性肾病病变区域进行勾画,获取慢性肾病病灶的三维图像;
S2:根据所述慢性肾病病灶的三维图像,基于pyradiomics开源平台获取慢性肾病病灶的三维图像的影像组学特征;
S3:根据所述慢性肾病病灶的三维图像的影像组学特征,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征;
S4:对所述慢性肾病病灶的三维图像的影像组学特征的代表性特征进行评分,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征的量化分值;以获取所述慢性肾病病灶的三维图像的影像组学特征的代表性特征的贡献度值。
进一步的,所述S2中,所述慢性肾病病灶的三维图像的影像组学特征包括:一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域灰度差矩阵特征和灰度相关矩阵特征。
进一步的,所述S3中,所述慢性肾病病灶的三维图像的影像组学特征的代表性特征包括:一阶统计特征代表特征FOS、形状特征代表特征SP、灰度共生矩阵特征代表特征GLCM、灰度游程长度矩阵特征代表特征GLRLM、灰度尺寸区域矩阵特征代表特征GLSZM、领域灰度差矩阵特征代表特征NGTDM和灰度相关矩阵特征代表特征GLDM。
进一步的,所述S3中,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征方法如下:
S31:根据所述慢性肾病病灶的三维图像的影像组学特征,获取筛选后的的代表性特征;
S32:将筛选后的代表性特征进行整合,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征;
S33:对所述慢性肾病病灶的三维图像的影像组学特征的代表性特征进行建模,获取损失函数。
进一步的,所述S31中,获取筛选后的的代表性特征如下:
式中:n为慢性肾病病灶d三维图像样本图像的个数;β为慢性肾病病灶的三维图像样的具有统计学意义的组学特征的权重;||β||1为其L1(w)范数,即‖β‖1=|β1|+|β2|+…+|βq|;lnl为对数似然函数;x(i)为第i个样本图像即慢性肾病病灶的三维图像的特征组;y(i)为第i个样本图像即慢性肾病病灶的三维图像的类别;i为样本图像的编号;λ为联系惩罚项与损失数的权重参数;q代表具有统计学意义的组学特征的数量;βq代表第q个具有统计学意义的组学特征的权重。
进一步的,所述S32中,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征如下:
FOS=β10+β11x11+β12x12+…+β1mx1m
SP=β20+β21x21+β22x22+…+β2mx2m
GLCM=β30+β31x31+β32x32+…+β3mx3m
GLRLM=β40+β41x41+β42x42+…+β4mx4m
GLSZM=β50+β51x51+β52x2+…+β5mx5m
NGTDM=β60+β61x61+β62x62+…+β6mx6m
GLDM=β70+β71x71+β72x72+…+β7mx7m
式中,β10代表FOS的常数项,即FOS的偏置;β1m代表FOS的第m个具有统计学意义的组学特征的权重;x1m代表FOS的第m个具有统计学意义的影像组学特征;m为慢性肾病病灶的三维图像样本图像中具有统计学意义的组学特征的权重的数量,也是慢性肾病病灶的三维图像样本图像中具有统计学意义的组学特征的数量;β20代表SP的常数项,即SP的偏置;β2m代表SP的第m个具有统计学意义的组学特征的权重;x2m代表SP的第m个具有统计学意义的影像组学特征;β30代表GLCM的常数项,即GLCM的偏置;β3m代表GLCM的第m个具有统计学意义的组学特征的权重;x3m代表GLCM的第m个具有统计学意义的影像组学特征;β40代表GLRLM的常数项,即GLRLM的偏置;β4m代表GLRLM的第m个具有统计学意义的组学特征的权重;x4m代表GLRLM的第m个具有统计学意义的影像组学特征;β50代表GLSZM的常数项,即GLSZM的偏置;β5m代表GLSZM的第m个具有统计学意义的组学特征的权重;x5m代表GLSZM的第m个具有统计学意义的影像组学特征;β60代表NGTDM的常数项,即NGTDM的偏置;β6m代表NGTDM的第m个具有统计学意义的组学特征的权重;x6m代表NGTDM的第m个具有统计学意义的影像组学特征;β70代表GLDM的常数项,即GLDM的偏置;β7m代表GLDM的第m个具有统计学意义的组学特征的权重;x7m代表GLDM的第m个具有统计学意义的影像组学特征。
进一步的,所述S33中,所获取的损失函数如下:
其中,n为慢性肾病病灶的三维图像样本图像的个数,即病例数;β为具有统计学意义的组学特征的权重;为其L2(w)范数,即 ln l为对数似然函数,x(i)为第i个样本图像即慢性肾病病灶的三维图像的特征组;y(i)为第i个样本图像即慢性肾病病灶的三维图像的类别;λ为联系惩罚项与损失数的权重参数;βFOS为一阶统计特征代表特征的权重;βSP为形状特征代表特征的权重;βGLCM为灰度共生矩阵特征代表特征的权重;βGLRLM为灰度游程长度矩阵特征代表特征的权重;βGLSZM为灰度尺寸区域矩阵特征代表特征的权重;βNGTDM为领域灰度差矩阵特征代表特征的权重;βGLDM为灰度相关矩阵特征代表特征的权重。
进一步的,所述S4中,
获取慢性肾病病灶的三维图像的影像组学特征的代表性特征的量化分值如下:
其中,
β·x=β0+βFOSxFOS+βSPxSP+βGLCMxGLCM+βGLRLMxGLRLM+βGLSZMxGLSZM+βNGTDMxNGTDM+βGLDMxGLDM
式中,β0表示偏置;xFOS为一阶统计特征代表特征;xSP为形状特征代表特征;xGLCM为灰度共生矩阵特征代表特征;xGLRLM为灰度游程长度矩阵特征代表特征;xGLSZM为灰度尺寸区域矩阵特征代表特征;xNGTDM为领域灰度差矩阵特征代表特征;xGLDM为灰度相关矩阵特征代表特征;式中,Radiomicsscore表示慢性肾病病灶的三维图像的影像组学特征的代表性特征评分;·表示内积运算符号,p代表该三维图像的慢性肾病病灶的表达结果;x表示具有统计学意义的代表性特征组;表示临床慢性肾病病灶恶性概率公式;P(y=1|x)是慢性肾病病灶有表达的概率值;P(y=0|x)是慢性肾病病灶无表达的概率值;其中,P(y=1|x)=1-P(y=0|x);
进一步的,所述S4中,
获取所述慢性肾病病灶的三维图像的影像组学特征的代表性特征的贡献度值如下:
其中,Ct表示碘基图的贡献度值;βt表示第t个代表性特征的权重,其中,当t=1时,βt为βFOS;当t=2时,βt为βSP,当t=3时,βt为βGLCM,当t=4时,βt为βGLRLM,当t=5时,βt为βGLSZM,当t=6时,βt为βNGTDM,当t=7时,βt为βGLDM。
有益效果:本发明的一种基于FF图评估CKD肾功能的影像组学特征处理方法,通过慢性肾病病灶的三维图像,获得慢性肾病的特征图像;提取图像中的影像组学特征,确定慢性肾病的影像组学特征的代表性特征,并对慢性肾病的影像组学特征的代表性特征进行评分,获取慢性肾病的影像组学特征的代表性特征的量化分值,对慢性肾病病灶进行评估,能够为临床对病情的确诊提供依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于FF图评估CKD肾功能的影像组学特征处理方法的流程图;
图2为本发明的慢性肾病的影像组学特征的代表性特征权重可视化图;
图3为本发明的预测慢性肾病的ROC曲线;
图4为本发明的实施例中的基于FF图评估CKD肾功能的影像组学特征处理方法流程图。
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。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。
评估慢性肾病患者肾脏脂肪含量,对评估肾脏功能及肾脏损伤程度,进而个体化精准选择治疗方式及预后评价密切相关。目前,对慢性肾病患者的脂肪含量的评估只能依靠肾活检,但由于其侵入性,在临床上不能广泛用于早期诊断。因此,迫切需要寻找其他有效的方法来诊断和评估肾脏损伤的早期阶段,且取材有限,限制了取材样本的有效性,因为小组织样本不可能代表整个肾脏,影像学检查能够直观地涵盖整个肾脏的信息。既往研究方法是将所有影像组学特征在同一算法下统一降维,可能产生很多缺陷,例如会出现部分类型特征全部被剔除,并且每个类别以独立的子类存在,无法体现每类影像组学特征的贡献度。本申请探讨了一种基于MRI增强图像鉴别ccRCC分级的特征处理方法,具体的为一种基于mDixon-Quant序列FF图评估CKD肾脏的影像组学特征处理方法,该方法将高通量的影像组学特征与CKD信息相关联,确保每一类特征对诊断模型均有一定的贡献度,并且有针对性的研究诊断贡献度较好的特征参数(如SP形状特征)对慢性肾病肾脏功能的评估,为今后研究影像组学方向提供了参考依据,有望为评估CKD肾功能提供一种基于放射影像组学特征的非侵袭性的方法。
本实施例提供了一种基于FF图评估CKD肾功能的影像组学特征处理方法,如图1和图4,包括如下步骤:
S1:对慢性肾病患者及健康对照组的mDixon-Quant序列FF图中的慢性肾病病变区域进行勾画,获取慢性肾病病灶的三维图像;
具体的,本实施例中,慢性肾病病变区域是医生根据临床经验,对mDixon-Quant序列FF图中的慢性肾病病变区域进行勾勒出来的,为了减少个人的主观性,一般会引入2-3个有5-10年经验的医生共同决定。其中利用基物质图像可以进行基物质定量分析,其中水和碘是常用的组合,包含医学中常见物质的范围(从软组织到含碘对比剂),通过物质密度图像分析更加直观。
S2:根据所述慢性肾病病灶的三维图像,获取慢性肾病病灶的三维图像的影像组学特征,所述慢性肾病病灶的三维图像的影像组学特征包括:一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域灰度差矩阵特征和灰度相关矩阵特征;
具体的,本实施例中的慢性肾病病灶的三维图像的影像组学特征的获取,是基于pyradiomics开源平台而进行的,包括一阶统计特征(First Order Statistics,19features)、形状特征(Shape-based,26features)、灰度共生矩阵特征(Gray LevelCooccurence Matrix,24features)、灰度游程长度矩阵特征(Gray Level Run LengthMatrix,16features)、灰度尺寸区域矩阵特征(Gray Level Size Zone Matrix,16features)、领域灰度差矩阵特征(Neighbouring Gray Tone Difference Matrix,5features)和灰度相关矩阵特征(Gray Level Dependence Matrix,14features)等共7类组学特征。
S3:根据所述慢性肾病病灶的三维图像的影像组学特征,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征;
具体的为通过L1正则化Logistic回归算法将每一类慢性肾病病灶的三维图像的影像组学特征进行整合,所得即为所述慢性肾病病灶的三维图像的影像组学特征的表性特征。
S31:对所述慢性肾病病灶的三维图像的影像组学特征,通过正则化Logistic回归算法进行筛选,获取筛选后的代表性特征,方法如下:
式中:n为慢性肾病病灶d三维图像样本图像的个数;β为慢性肾病病灶的三维图像样的具有统计学意义的组学特征的权重;||β||1为其L1(w)范数,即‖β‖1=|β1|+|β2|+…+|βq|;lnl为对数似然函数;x(i)为第i个样本图像即慢性肾病病灶的三维图像的特征组;y(i)为第i个样本图像即慢性肾病病灶的三维图像的类别;i为样本图像的编号;λ为联系惩罚项与损失数的权重参数;q代表具有统计学意义的组学特征的数量;βq代表第q个具有统计学意义的组学特征的权重;
S32:将筛选后的代表性特征进行整合,提取剩余的特征及对应系数,集成为代表性特征,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征;
具体的,本实施例一共可以获得7个代表性特征。每一个代表性特征的公式为:
FOS=β10+β11x11+β12x12+…+β1mx1m
SP=β20+β21x21+β22x22+…+β2mx2m
GLCM=β30+β31x31+β32x32+…+β3mx3m
GLRLM=β40+β41x41+β42x42+…+β4mx4m
GLSZM=β50+β51x51+β52x2+…+β5mx5m
NGTDM=β60+β61x61+β62x62+…+β6mx6m
GLDM=β70+β71x71+β72x72+…+β7mx7m
式中,β10代表FOS的常数项,即FOS的偏置;β1m代表FOS的第m个具有统计学意义的组学特征的权重;x1m代表FOS的第m个具有统计学意义的影像组学特征;m为慢性肾病病灶的三维图像样本图像中具有统计学意义的组学特征的权重的数量,也是慢性肾病病灶的三维图像样本图像中具有统计学意义的组学特征的数量;β20代表SP的常数项,即SP的偏置;β2m代表SP的第m个具有统计学意义的组学特征的权重;x2m代表SP的第m个具有统计学意义的影像组学特征;β30代表GLCM的常数项,即GLCM的偏置;β3m代表GLCM的第m个具有统计学意义的组学特征的权重;x3m代表GLCM的第m个具有统计学意义的影像组学特征;β40代表GLRLM的常数项,即GLRLM的偏置;β4m代表GLRLM的第m个具有统计学意义的组学特征的权重;x4m代表GLRLM的第m个具有统计学意义的影像组学特征;β50代表GLSZM的常数项,即GLSZM的偏置;β5m代表GLSZM的第m个具有统计学意义的组学特征的权重;x5m代表GLSZM的第m个具有统计学意义的影像组学特征;β60代表NGTDM的常数项,即NGTDM的偏置;β6m代表NGTDM的第m个具有统计学意义的组学特征的权重;x6m代表NGTDM的第m个具有统计学意义的影像组学特征;β70代表GLDM的常数项,即GLDM的偏置;β7m代表GLDM的第m个具有统计学意义的组学特征的权重;x7m代表GLDM的第m个具有统计学意义的影像组学特征;其中每个代表性特征中包括若干个影像组学特征。
S33:对所述慢性肾病病灶的三维图像的影像组学特征的代表性特征进行建模,获取损失函数:
具体的,将代表性特征进行建模,参与的统计机器学习模型是Logistics回归模型,基于该模型添加L2参数惩罚项以优化算法,得到的损失函数为:
其中,n为慢性肾病病灶的三维图像样本图像的个数,即病例数;β为具有统计学意义的组学特征的权重;为其L2(w)范数,即 ln l为对数似然函数,x(i)为第i个样本图像即慢性肾病病灶的三维图像的特征组;y(i)为第i个样本图像即慢性肾病病灶的三维图像的类别;λ为联系惩罚项与损失数的权重参数;λ的不同取值将产生不同的损失值;βFOS为一阶统计特征代表特征的权重;βSP为形状特征代表特征的权重;βGLCM为灰度共生矩阵特征代表特征的权重;βGLRLM为灰度游程长度矩阵特征代表特征的权重;βGLSZM为灰度尺寸区域矩阵特征代表特征的权重;βNGTDM为领域灰度差矩阵特征代表特征的权重;βGLDM为灰度相关矩阵特征代表特征的权重。
当函数L2(w)达到最小值时,慢性肾病病灶的三维图像及其系数的线性关系构成一个新的变量,该变量作为该组学特征的代表性特征。
具体的,本实施例中通过依次对每一类慢性肾病病灶的三维图像的影像组学特征执行相同的算法优化方式,一共可以获得7个代表性特征。分别为FOS、SP、GLCM、GLRLM、GLSZM、NGTDM、GLDM。获取的方法为现有技术,不属于本申请所研究的部分,这里不进行详细描述。
具体的,本实施例中的上述7类慢性肾病病灶的三维图像的影像组学特征均来自慢性肾病病灶的三维图像的内部信息,并将七大类影像组学特征分别通过L2正则化Logistic算法,将每一类慢性肾病病灶的三维图像的影像组学特征集成为一个代表性特征,能够解决慢性肾病病灶的三维图像的特征由于在建模时受限而被剔除的问题,同时通过代表性特征的表达,挖掘影像组学特征种类对疾病的影响力。具体的为通过特征权重来评估每个特征对于慢性肾病疾病的预测能力及影响力。
具体的,7个组学特征的类别是官方通过定义进行分类的,计算方法满足IBSI标准(Image biomarker standardisation initiative),公式公开在pyradiomics,计算方式属于现有技术。Pyradiomics开源平台可以直接获取公式,通过人工将pyradiomics的公式在Python、MATLAB等环境实现。
S4:对所述慢性肾病病灶的三维图像的影像组学特征的代表性特征进行评分,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征的量化分值;以获取所述慢性肾病病灶的三维图像的影像组学特征的代表性特征的贡献度值。
获取慢性肾病病灶的三维图像的影像组学特征的代表性特征的量化分值如下:
其中,
β·x=β0+βFOSxFOS+βSPxSP+βGLCMxGLCM+βGLRLMxGLRLM+βGLSZMxGLSZM+βNGTDMxNGTDM+βGLDMxGLDM
式中,β0表示偏置;xFOS为一阶统计特征代表特征;xSP为形状特征代表特征;xGLCM为灰度共生矩阵特征代表特征;xGLRLM为灰度游程长度矩阵特征代表特征;xGLSZM为灰度尺寸区域矩阵特征代表特征;xNGTDM为领域灰度差矩阵特征代表特征;xGLDM为灰度相关矩阵特征代表特征;式中,Radiomicsscore表示慢性肾病病灶的三维图像的影像组学特征的代表性特征评分;·表示内积运算符号,p代表该三维图像的慢性肾病病灶的表达结果;x表示具有统计学意义的代表性特征组;表示临床慢性肾病病灶恶性概率公式;将其记作Odds,对于Odds做对数变换可以得到Logistic回归中患者的影像组学评分Radiomics score;P(y=1|x)是慢性肾病病灶有表达的概率值;P(y=0|x)是慢性肾病病灶无表达的概率值;其中,P(y=1|x)=1-P(y=0|x);
具体的,在本实施例中,根据临床慢性肾病恶性概率公式P(y=1|x)对数变换得到影像组学评分;根据所述影像组学评分,即慢性肾病病灶的三维图像的影像组学特征的代表性特征的量化分值,得到每一类代表性特征的权重,其中,慢性肾病表达的量化分值具有进一步指导临床,以对后续决定治疗手段提供支撑。
具体的,慢性肾病的量化分值表达包括有表达与无表达两个结果,其中y是表达与否的量化形式,y取1表示慢性肾病的基因ki-67有表达了,y=0表示无表达。
获取所述慢性肾病病灶的三维图像的影像组学特征的代表性特征的贡献度值如下:
其中,Ct表示碘基图的贡献度值;βt表示第t个代表性特征的权重,其中,当t=1时,βt为βFOS;当t=2时,βt为βSP,当t=3时,βt为βGLCM,当t=4时,βt为βGLRLM,当t=5时,βt为βGLSZM,当t=6时,βt为βNGTDM,当t=7时,βt为βGLDM。
具体的,Ct为一个百分数,通过其大小来评价该类影像组学特征在评估慢性肾病肾功能的贡献度。
进一步的,临床医护人员能够以所述慢性肾病病灶的三维图像的影像组学特征的代表性特征的贡献度值,据其对后续决定治疗方法提供依据。
本实施例中的每一类特征的贡献度定义为:
FOS:一阶统计量通过常用和基本指标描述了由掩码定义的图像区域内体素强度的分布;
SP:ROI(感兴趣区域(region of interest,ROI))的二维或三维尺寸和形状的描述符;
GLCM:描述了受掩码约束的图像区域的二阶联合概率函数;
GLRLM:量化灰度长度,具有相同灰度值的连续像素的像素数长度;
GLSZM:量化图像中的灰度;
NGTDM:量化了灰度值与其在距离δ内的邻居的平均灰度值之间的差异;
GLDM:量化图像中的灰度依赖;
如图2所示,这是本申请的一个实施例中,慢性肾病的影像组学特征的代表性特征的重要性排序,纵坐标是系数大小,系数越大,重要性或者说贡献度越大。反应本申请中的SP特征的系数最高,表明对于慢性肾病的研究,可着重研究SP特征。
如表1所述,训练组和验证组是将总数据集按照分层随机抽样方式,以7:3的比例分成训练组和验证组。病例分为两组,即训练组和验证组,验证组是评估模型的效能。将训练组进行单一值剔除、降维、建模,将得到的模型用来诊断训练集、验证集,并计算相应的评价指标。
ROC曲线全称为受试者工作特征曲线(receiver operating characteristiccurve),它是根据一系列不同的二分类方式(分界值或决定阈),以真阳性率(敏感性)为纵坐标,假阳性率(1-特异性)为横坐标绘制的曲线。AUC(Area Under Curve)被定义为ROC曲线下的面积。我们往往使用AUC值作为模型的评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好,而作为一个数值,对应AUC更大的分类器效果更好。图3为展示了本申请在卵巢癌Ki-67的表达水平的效能评估,通过采用ROC方法来进行,其中训练集和验证集的AUC为0.838、0.814,说明一定程度上本申请是有效可行、具有一定的临床指导意义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于FF图评估CKD肾功能的影像组学特征处理方法,其特征在于,包括如下步骤:
S1:对mDixon-Quant序列FF图中的慢性肾病病变区域进行勾画,获取慢性肾病病灶的三维图像;
S2:根据所述慢性肾病病灶的三维图像,基于pyradiomics开源平台获取慢性肾病病灶的三维图像的影像组学特征;
S3:根据所述慢性肾病病灶的三维图像的影像组学特征,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征;
S4:对所述慢性肾病病灶的三维图像的影像组学特征的代表性特征进行评分,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征的量化分值;以获取所述慢性肾病病灶的三维图像的影像组学特征的代表性特征的贡献度值。
2.根据权利要求1所述的一种基于FF图评估CKD肾功能的影像组学特征处理方法,其特征在于,所述S2中,所述慢性肾病病灶的三维图像的影像组学特征包括:一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域灰度差矩阵特征和灰度相关矩阵特征。
3.根据权利要求1所述的一种基于FF图评估CKD肾功能的影像组学特征处理方法,其特征在于,所述S3中,所述慢性肾病病灶的三维图像的影像组学特征的代表性特征包括:一阶统计特征代表特征FOS、形状特征代表特征SP、灰度共生矩阵特征代表特征GLCM、灰度游程长度矩阵特征代表特征GLRLM、灰度尺寸区域矩阵特征代表特征GLSZM、领域灰度差矩阵特征代表特征NGTDM和灰度相关矩阵特征代表特征GLDM。
4.根据权利要求1所述的一种基于FF图评估CKD肾功能的影像组学特征处理方法,其特征在于,所述S3中,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征方法如下:
S31:根据所述慢性肾病病灶的三维图像的影像组学特征,获取筛选后的的代表性特征;
S32:将筛选后的代表性特征进行整合,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征;
S33:对所述慢性肾病病灶的三维图像的影像组学特征的代表性特征进行建模,获取损失函数。
6.根据权利要求4所述的一种基于FF图评估CKD肾功能的影像组学特征处理方法,其特征在于,所述S32中,获取慢性肾病病灶的三维图像的影像组学特征的代表性特征如下:
FOS=β10+β11x11+β12x12+…+β1mx1m
SP=β20+β21x21+β22x22+…+β2mx2m
GLCM=β30+β31x31+β32x32+…+β3mx3m
GLRLM=β40+β41x41+β42x42+…+β4mx4m
GLSZM=β50+β51x51+β52x2+…+β5mx5m
NGTDM=β60+β61x61+β62x62+…+β6mx6m
GLDM=β70+β71x71+β72x72+…+β7mx7m
式中,β10代表FOS的常数项,即FOS的偏置;β1m代表FOS的第m个具有统计学意义的组学特征的权重;x1m代表FOS的第m个具有统计学意义的影像组学特征;m为慢性肾病病灶的三维图像样本图像中具有统计学意义的组学特征的权重的数量,也是慢性肾病病灶的三维图像样本图像中具有统计学意义的组学特征的数量;β20代表SP的常数项,即SP的偏置;β2m代表SP的第m个具有统计学意义的组学特征的权重;x2m代表SP的第m个具有统计学意义的影像组学特征;β30代表GLCM的常数项,即GLCM的偏置;β3m代表GLCM的第m个具有统计学意义的组学特征的权重;x3m代表GLCM的第m个具有统计学意义的影像组学特征;β40代表GLRLM的常数项,即GLRLM的偏置;β4m代表GLRLM的第m个具有统计学意义的组学特征的权重;x4m代表GLRLM的第m个具有统计学意义的影像组学特征;β50代表GLSZM的常数项,即GLSZM的偏置;β5m代表GLSZM的第m个具有统计学意义的组学特征的权重;x5m代表GLSZM的第m个具有统计学意义的影像组学特征;β60代表NGTDM的常数项,即NGTDM的偏置;β6m代表NGTDM的第m个具有统计学意义的组学特征的权重;x6m代表NGTDM的第m个具有统计学意义的影像组学特征;β70代表GLDM的常数项,即GLDM的偏置;β7m代表GLDM的第m个具有统计学意义的组学特征的权重;x7m代表GLDM的第m个具有统计学意义的影像组学特征。
7.根据权利要求4所述的一种基于FF图评估CKD肾功能的影像组学特征处理方法,其特征在于,所述S33中,所获取的损失函数如下:
8.根据权利要求1所述的一种基于FF图评估CKD肾功能的影像组学特征处理方法,其特征在于,所述S4中,
获取慢性肾病病灶的三维图像的影像组学特征的代表性特征的量化分值如下:
其中,
β·x=β0+βFOSxFOS+βSPxSP+βGLCMxGLCM+βGLRLMxGLRLM+βGLSZMxGLSZM+βNGTDMxNGTDM+βGLDMxGLDM
式中,β0表示偏置;xFOS为一阶统计特征代表特征;xSP为形状特征代表特征;xGLCM为灰度共生矩阵特征代表特征;xGLRLM为灰度游程长度矩阵特征代表特征;xGLSZM为灰度尺寸区域矩阵特征代表特征;xNGTDM为领域灰度差矩阵特征代表特征;xGLDM为灰度相关矩阵特征代表特征;式中,Radiomicsscore表示慢性肾病病灶的三维图像的影像组学特征的代表性特征评分;·表示内积运算符号,p代表该三维图像的慢性肾病病灶的表达结果;x表示具有统计学意义的代表性特征组;表示临床慢性肾病病灶恶性概率公式;P(y=1|x)是慢性肾病病灶有表达的概率值;P(y=0|x)是慢性肾病病灶无表达的概率值;其中,P(y=1|x)=1-P(y=0|x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516457.9A CN115731216A (zh) | 2022-11-29 | 2022-11-29 | 基于ff图评估ckd肾功能的影像组学特征处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516457.9A CN115731216A (zh) | 2022-11-29 | 2022-11-29 | 基于ff图评估ckd肾功能的影像组学特征处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115731216A true CN115731216A (zh) | 2023-03-03 |
Family
ID=85299264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211516457.9A Pending CN115731216A (zh) | 2022-11-29 | 2022-11-29 | 基于ff图评估ckd肾功能的影像组学特征处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731216A (zh) |
-
2022
- 2022-11-29 CN CN202211516457.9A patent/CN115731216A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10269118B2 (en) | Automatic measurement of lesions on medical images | |
US20110280457A1 (en) | Classification of medical diagnostic images | |
Wang et al. | Signal intensity alteration within infrapatellar fat pad predicts knee replacement within 5 years: data from the Osteoarthritis Initiative | |
CN115937130A (zh) | 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 | |
He et al. | A clinical-radiomic nomogram based on unenhanced computed tomography for predicting the risk of aldosterone-producing adenoma | |
Jiang et al. | Clot-based radiomics model for cardioembolic stroke prediction with CT imaging before recanalization: a multicenter study | |
Qadri et al. | Marked difference in liver fat measured by histology vs. magnetic resonance-proton density fat fraction: A meta-analysis | |
Wei et al. | Value of multimodal MRI radiomics and machine learning in predicting staging liver fibrosis and grading inflammatory activity | |
Feng et al. | Radiomics-based analysis of CT imaging for the preoperative prediction of invasiveness in pure ground-glass nodule lung adenocarcinomas | |
CN111430030A (zh) | 生物标志物在卵巢癌评估中的应用方法及系统 | |
Weikert et al. | Automated quantification of airway wall thickness on chest CT using retina U-Nets–Performance evaluation and application to a large cohort of chest CTs of COPD patients | |
Mukherjee et al. | Fully automated longitudinal assessment of renal stone burden on serial CT imaging using deep learning | |
de Souza et al. | Discrimination of molecular subtypes of breast cancer with ATR-FTIR spectroscopy in blood plasma coupled with partial least square-artificial neural network discriminant analysis (PLS-ANNDA) | |
CN115731216A (zh) | 基于ff图评估ckd肾功能的影像组学特征处理方法 | |
CN115205213A (zh) | 一种体内泌尿系结石成分预测系统 | |
CN114445374A (zh) | 一种基于扩散峰度成像mk图的图像特征处理方法及系统 | |
Lu et al. | A Review of the Role of Ultrasound Radiomics and Its Application and Limitations in the Investigation of Thyroid Disease | |
Yasin et al. | MRI-based interpretable radiomics nomogram for discrimination between Brucella spondylitis and Pyogenic spondylitis | |
Huang et al. | Perihematomal edema-based CT-radiomics model to predict functional outcome in patients with intracerebral hemorrhage | |
RU2450790C2 (ru) | Способ проведения исследования для диагностики злокачественного новообразования | |
Arivazhagan et al. | An Improved Machine Learning Model for Diagnostic Cancer Recognition Using Artificial Intelligence | |
Ronchetti | Malignancy prediction of laryngeal lesions through radiomic analysis of CE-NBI | |
CN117789972B (zh) | 一种乳腺癌复发预测模型的构建方法及其预测系统 | |
Zhang et al. | Accuracy of narrow band imaging for detecting the malignant transformation of oral potentially malignant disorders: A systematic review and meta-analysis | |
Oiwa et al. | Validity of computed mean compressed fibroglandular tissue thickness and breast composition for stratification of masking risk in Japanese women |
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 |