CN117274202A - 一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法 - Google Patents
一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法 Download PDFInfo
- Publication number
- CN117274202A CN117274202A CN202311251235.3A CN202311251235A CN117274202A CN 117274202 A CN117274202 A CN 117274202A CN 202311251235 A CN202311251235 A CN 202311251235A CN 117274202 A CN117274202 A CN 117274202A
- Authority
- CN
- China
- Prior art keywords
- image
- histology
- delta
- deep learning
- phase
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000002591 computed tomography Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000003709 image segmentation Methods 0.000 claims abstract description 13
- 208000002154 non-small cell lung carcinoma Diseases 0.000 claims abstract description 13
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 206010028980 Neoplasm Diseases 0.000 claims description 14
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims description 8
- 239000002872 contrast media Substances 0.000 claims description 8
- 210000004072 lung Anatomy 0.000 claims description 8
- 201000005202 lung cancer Diseases 0.000 claims description 8
- 208000020816 lung neoplasm Diseases 0.000 claims description 8
- 230000003902 lesion Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 210000000038 chest Anatomy 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000001574 biopsy Methods 0.000 claims description 5
- 239000000090 biomarker Substances 0.000 claims description 4
- 238000002512 chemotherapy Methods 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 4
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 claims description 3
- 206010035664 Pneumonia Diseases 0.000 claims description 3
- 206010041067 Small cell lung cancer Diseases 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 208000009956 adenocarcinoma Diseases 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 229910052740 iodine Inorganic materials 0.000 claims description 3
- 239000011630 iodine Substances 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010827 pathological analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000001959 radiotherapy Methods 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 claims description 3
- 208000000587 small cell lung carcinoma Diseases 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 210000001370 mediastinum Anatomy 0.000 claims description 2
- 238000012562 intraclass correlation Methods 0.000 claims 1
- 230000002285 radioactive effect Effects 0.000 claims 1
- 210000003462 vein Anatomy 0.000 abstract description 6
- 210000001367 artery Anatomy 0.000 abstract description 4
- 208000000649 small cell carcinoma Diseases 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000007170 pathology Effects 0.000 abstract description 2
- 239000000243 solution Substances 0.000 description 3
- 238000013188 needle biopsy Methods 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000035572 chemosensitivity Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 238000009169 immunotherapy Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012335 pathological evaluation Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- 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]
-
- 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
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及医学影像与人工智能技术领域，尤其为通过设计一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法，其步骤具体如下：步骤1，病人数据采集；步骤2，CT扫描参数；步骤3，图像分割；步骤4，影像组学特征提取；步骤5，Delta影像组学特征筛选；步骤6，通过构建深度学习影像组学模型预测Ki‑67指数。本发明通过收集、分割、提取晚期非小细胞癌患者静脉增强CT的影像组学特征和动脉增强CT的影像组学特征相减计算得到Delta影像组学特征，然后采用利用极端随机树算法获取重要性相对较高的排名前100位的特征，最后使用Delta深度学习影像组学模型预测Ki‑67指数，为晚期非小细胞肺癌患者的个体化治疗提供无创的病理学评价指标。
Description
技术领域
本发明涉及医学影像与人工智能技术领域，具体为一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法。
背景技术
非小细胞肺癌是最常见的恶性肿瘤，晚期患者5年生存率较低，随着新的化疗及免疫疗法的出现，患者预后得到明显改善。Ki-67反映了肿瘤细胞的增殖指数，与肿瘤化疗敏感性和缓解率密切相关。目前Ki-67指数需穿刺活检后行免疫组织化学技术获取，在晚期肺癌治疗过程中无法动态无创地获取肿瘤的增殖指数。影像组学能通过提取医学图像中的大量高维数据，预测肿瘤的生物学和病理学特征。有研究证实单期增强CT图像的组学研究能区分肺内肿瘤性病变类型，亦能预测早期肺癌的Ki-67指数。目前，大量研究集中在常规的影像组学方法之上，基于双期增强CT的影像组学预测晚期非小细胞癌Ki-67指数表达的研究有限。
本发明针对上述存在的问题提出一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法预测晚期非小细胞肺癌Ki-67指数。
发明内容
本发明的目的在于提供一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法预测晚期非小细胞肺癌Ki-67指数的方法，目标是为晚期非小细胞肺癌患者的个体化治疗提供无创的病理学评价指标。该方法首先分别提取晚期非小细胞癌患者静脉增强CT的影像组学特征和动脉增强CT的影像组学特征，其次使用静脉增强CT影像组学特征减去动脉增强CT影像组学特征计算得到Delta影像组学特征，然后采用极端随机树算法获取重要性相对较高的排名前100位的特征，最后使用深度学习神经网络模型预测Ki-67指数，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法，其步骤具体如下：
步骤1，病人数据采集：据纳入、排除标准采集符合标准的晚期非小细胞肺癌患者；
步骤2，CT扫描参数；
步骤3，图像分割：对动脉增强CT的肺癌肿瘤区域进行ROI标注图像分割并在静脉增强CT影像进行配准；
步骤4，影像组学特征提取：对标注的ROI区域提取一阶统计、形状、纹理、滤波影像组学特征；
步骤5，Delta影像组学特征筛选：剔除形状、及ICC小于0.75的特征后计算Delta影像组学特征并使用极端随机树筛选特征；
步骤6，通过构建深度学习影像组学模型预测Ki-67指数。
作为本发明优选的方案，所述步骤1中病人数据采集的具体步骤如下：
步骤11，研究对象：回顾性分析2019年1月至2022年12月期间多中心病理确诊的IIIb-IV期非小细胞肺癌患者。
步骤12，纳入标准：(1)组织病理学检测Ki-67指数；(2)临床治疗及穿刺活检前行胸部增强CT检查。
步骤13，排除标准：(1)CT检查前接受过放疗、化疗、活检的患者；(2)大空洞型肺癌、小细胞肺癌、肺炎型腺癌；(3)病灶边界无法与实变肺组织区分的患者。
作为本发明优选的方案，所述步骤2中CT扫描参数的具体步骤如下：
所有受试者的胸部成像均使用螺旋CT扫描仪进行，其中扫描过程中管电压为120kv，管电流为自动电流，重建层厚为1-1.5mm，矩阵为512×512，视野为350mm×350mm；
对比剂通过高压注射器以2.5-3.0ml/s的速度注射入受试者体内，快速扫描获得动脉、静脉相CT图像，延迟时间分别为30s、60s；
其中CT扫描仪的型号为Somatom Force,Somatom Flash双源CT，西门子，德国，对比剂注射剂量采用60-85ml碘造影剂。
作为本发明优选的方案，所述步骤3中图像分割的具体步骤如下：
步骤31，窗口设置：在肿瘤分割和影像特征分析过程中，利用纵隔窗和肺窗水平勾画出动脉和静脉期CT图像中的病变ROI；两个放射科医生进行半自动病灶在动脉期CT图像分割，确保较粗大血管不包含在感兴趣轮廓内，其中纵隔窗为400HU和40HU，肺窗水平为1600HU和-600HU；
步骤32，数据配准：然后将动脉相CT图像上的轮廓转移到静脉相CT图像上,如果存在呼吸幅度影响的轮廓失配，需要手动校准轮廓以匹配在静脉相位上观察到的轮廓；
步骤33，ICC：一个月后，随机选择30例，两名放射科医生重复分割以评估观察者内和观察者间的可重复性。
作为本发明优选的方案，所述步骤4中影像组学特征提取的具体步骤如下：
使用PyRadiomics从医学影像中提取影像组学特征，在特征提取之前，对CT图像进行重采样和灰度离散化，以实现图像的标准化；
对于每个三维ROI，提取一阶统计、形状、纹理、滤波1688个放射学特征，每个患者共提取包括动脉期(FA)和静脉期(FV)的肿瘤3376个特征，其中所有的放射特征都符合图像生物标志物标准化倡议IBSI制定的标准。
作为本发明优选的方案，所述步骤5中Delta影像组学特征筛选的具体步骤如下：
由于CT扫描期间肿瘤形状一致，因此不计算基于形状的Delta特征，即n＝14；ICC大于0.75的稳定特征被保留并对其进行归一化处理，计算1674个静脉和动脉期特征之间的算术差值作为Delta放射组学特征，其中Delta放射组学特征的公式为ΔF＝FA-FV；从Delta放射组学特征中选取非零的有用特征，利用极端随机树算法获取放射特征的重要性，将重要性相对较高的排名前100位的特征输入深度Delta影像组学模型。
作为本发明优选的方案，所述步骤6中通过构建深度学习影像组学模型预测Ki-67指数的具体步骤如下：
通过深度神经网络构建，即深度神经网络包含一个输入层、两个全连接层和一个输出层，使用Softmax作为激活函数，将交叉熵损失函数用于分类任务；在训练阶段使用Dropout和权重衰减策略，以增加网络的泛化能力。
与现有技术相比，本发明的有益效果是：
本发明区别于传统影像组学特征的双期增强计算机断层扫描图像的Delta深度学习影像组学预测Ki-67指数，该系列特征是通过从静脉增强CT影像组学特征减去动脉增强CT影像组学特征计算得到，从而选择相关性最高的Delta影像组学特征使用DDLR模型预测Ki-67指数，即通过收集、分割、提取晚期非小细胞癌患者静脉增强CT的影像组学特征和动脉增强CT的影像组学特征相减计算得到Delta影像组学特征，然后采用利用极端随机树算法获取重要性相对较高的排名前100位的特征，最后使用Delta深度学习影像组学模型预测Ki-67指数，为晚期非小细胞肺癌患者的个体化治疗提供无创的病理学评价指标。
附图说明
图1为本发明患者选择流程图；
图2为本发明整体流程图；
图3为本发明DDLR模型图。
具体实施方式
下面将结合本发明实施例，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。
实施例，请参阅图1-3，本发明提供一种技术方案：
下面结合附图2，更进一步描述本发明步骤，如图1本发明的步骤包含周期性执行：一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法，其步骤具体如下：
步骤1，病人数据采集：据纳入、排除标准采集符合标准的晚期非小细胞肺癌患者；
步骤2，CT扫描参数；
步骤3，图像分割：对动脉增强CT的肺癌肿瘤区域进行ROI标注图像分割并在静脉增强CT影像进行配准；
步骤4，影像组学特征提取：对标注的ROI区域提取一阶统计、形状、纹理、滤波影像组学特征；
步骤5，Delta影像组学特征筛选：剔除形状、及ICC小于0.75的特征后计算Delta影像组学特征并使用极端随机树筛选特征；
步骤6，通过构建深度学习影像组学模型预测Ki-67指数。
具体的一种实施方式如下：
A.病人数据采集
A1.研究对象：回顾性分析2019年1月至2022年12月期间多中心病理确诊的IIIb-IV期非小细胞肺癌患者。
A2.纳入标准：(1)组织病理学检测Ki-67指数；(2)临床治疗及穿刺活检前行胸部增强CT检查。A3.排除标准：(1)CT检查前接受过放疗、化疗、活检的患者；(2)大空洞型肺癌、小细胞肺癌、肺炎型腺癌；(3)病灶边界无法与实变肺组织区分的患者。
B.CT扫描参数
所有受试者的胸部成像均使用螺旋CT扫描仪(Somatom Force,Somatom Flash双源CT，西门子，德国)进行。扫描过程中管电压为120kv，管电流为自动电流，重建层厚为1-1.5mm，矩阵为512×512，视野为350mm×350mm。对比剂(60-85ml碘造影剂)通过高压注射器以2.5-3.0ml/s的速度注射入受试者体内，快速扫描获得动脉、静脉相CT图像，延迟时间分别为30s、60s。
C.图像分割
C1.窗口设置：在肿瘤分割和影像特征分析过程中，利用纵隔窗(400HU和40HU)和肺窗水平(1600HU和-600HU)勾画出动脉和静脉期CT图像中的病变ROI。两个放射科医生进行半自动病灶在动脉期CT图像分割，确保较粗大血管不包含在感兴趣轮廓内。
C2.数据配准：然后将动脉相CT图像上的轮廓转移到静脉相CT图像上。如果存在呼吸幅度影响的轮廓失配，需要手动校准轮廓以匹配在静脉相位上观察到的轮廓。
C3.ICC：一个月后，随机选择30例，两名放射科医生重复分割以评估观察者内和观察者间的可重复性。
D.影像组学特征提取
使用PyRadiomics从医学影像中提取影像组学特征。在特征提取之前，对CT图像进行重采样和灰度离散化，以实现图像的标准化。对于每个三维ROI，分别提取一阶统计、形状、纹理、滤波等1688个放射学特征，每个患者共提取包括动脉期(FA)和静脉期(FV)的肿瘤3376个特征。所有的放射特征都符合图像生物标志物标准化倡议(IBSI)[1]制定的标准；
E.Delta影像组学特征筛选，由于CT扫描期间肿瘤形状一致，因此本发明没有计算基于形状的Delta特征(n＝14)。ICC大于0.75的稳定特征被保留并对其进行归一化处理。计算1674个静脉和动脉期特征之间的算术差值作为Delta放射组学特征(ΔF＝FA-FV)。从Delta放射组学特征中选取非零的有用特征，利用极端随机树算法获取放射特征的重要性，将重要性相对较高的排名前100位的特征输入深度Delta影像组学模型。
F.深度学习影像组学模型构建
传统的影像组学使用如逻辑回归、支持向量机、随机森林等传统的机器学习方法建模，这些方法相比深度学习模型简单、学习能力差、泛化能力差等。本发明提出的深度神经网络，如附图3所示，包含一个输入层、两个全连接层和一个输出层，使用Softmax作为激活函数，将交叉熵损失函数用于分类任务。在训练阶段使用Dropout和权重衰减策略，以增加网络的泛化能力。
参考文献
[1].Zwanenburg A,Valliè res M,Abdalah M A,et al.The image biomarkerstandardization initiative:standardized quantitative radiomics for high-throughput image-based phenotyping[J].Radiology,2020,295(2):328-338。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法，其步骤具体如下：
步骤1，病人数据采集：据纳入、排除标准采集符合标准的晚期非小细胞肺癌患者；
步骤2，CT扫描参数；
步骤3，图像分割：对动脉增强CT的肺癌肿瘤区域进行感兴趣区域(region ofinterest，ROI)标注图像分割并在静脉增强CT影像进行配准；
步骤4，影像组学特征提取：对标注的ROI区域提取一阶统计、形状、纹理、滤波影像组学特征；
步骤5，Delta影像组学特征筛选：剔除形状、及组内相关系数(Intraclasscorrelation coefcient，ICC)小于0.75的特征后计算Delta影像组学特征并使用极端随机树筛选特征；
步骤6，通过构建深度学习影像组学模型预测Ki-67指数。
2.根据权利要求1所述的一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法，其特征在于：所述步骤1中病人数据采集的具体步骤如下：
步骤11，研究对象：回顾性分析2019年1月至2022年12月期间多中心病理确诊的IIIb-IV期非小细胞肺癌患者；
步骤12，纳入标准：(1)组织病理学检测Ki-67指数；(2)临床治疗及穿刺活检前行胸部增强CT检查；
步骤13，排除标准：(1)CT检查前接受过放疗、化疗、活检的患者；(2)大空洞型肺癌、小细胞肺癌、肺炎型腺癌；(3)病灶边界无法与实变肺组织区分的患者。
3.根据权利要求1所述的一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法，其特征在于：所述步骤2中CT扫描参数的具体步骤如下：
所有受试者的胸部成像均使用螺旋CT扫描仪进行，其中扫描过程中管电压为120kv，管电流为自动电流，重建层厚为1-1.5mm，矩阵为512×512，视野为350mm×350mm；
对比剂通过高压注射器以2.5-3.0ml/s的速度注射入受试者体内，快速扫描获得动脉、静脉相CT图像，延迟时间分别为30s、60s；
其中CT扫描仪的型号为Somatom Force,Somatom Flash双源CT，西门子，德国，对比剂注射剂量采用60-85ml碘造影剂。
4.根据权利要求1所述的一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法，其特征在于：所述步骤3中图像分割的具体步骤如下：
步骤31，窗口设置：在肿瘤分割和影像特征分析过程中，利用纵隔窗肺窗水平勾画出动脉和静脉期CT图像中的病变；两个放射科医生进行半自动病灶在动脉期CT图像分割，确保较粗大血管不包含在感兴趣轮廓内，其中纵隔窗为400HU和40HU，肺窗水平为1600HU和-600HU；
步骤32，数据配准：然后将动脉相CT图像上的轮廓转移到静脉相CT图像上,如果存在呼吸幅度影响的轮廓失配，需要手动校准轮廓以匹配在静脉相位上观察到的轮廓；
步骤33，ICC：一个月后，随机选择30例，两名放射科医生重复分割以评估观察者内和观察者间的可重复性。
5.根据权利要求1所述的一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法，其特征在于：所述步骤4中影像组学特征提取的具体步骤如下：
使用PyRadiomics从医学影像中提取影像组学特征，在特征提取之前，对CT图像进行重采样和灰度离散化，以实现图像的标准化；
对于每个三维ROI，提取一阶统计、形状、纹理、滤波1688个放射学特征，每个患者共提取包括动脉期(FA)和静脉期(FV)的肿瘤3376个特征，其中所有的放射特征都符合图像生物标志物标准化倡议IBSI制定的标准。
6.根据权利要求5所述的一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法，其特征在于：所述步骤5中Delta影像组学特征筛选的具体步骤如下：
由于CT扫描期间肿瘤形状一致，因此不计算基于形状的Delta特征，即n＝14；ICC大于0.75的稳定特征被保留并对其进行归一化处理，计算1674个静脉和动脉期特征之间的算术差值作为Delta放射组学特征，其中Delta放射组学特征的公式为ΔF＝FA-FV；从Delta放射组学特征中选取非零的有用特征，利用极端随机树算法获取放射特征的重要性，将重要性相对较高的排名前100位的特征输入深度Delta影像组学模型。
7.根据权利要求1所述的一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法，其特征在于：所述步骤6中通过构建深度学习影像组学模型预测Ki-67指数的具体步骤如下：
通过深度神经网络构建，即深度神经网络包含一个输入层、两个全连接层和一个输出层，使用Softmax作为激活函数，将交叉熵损失函数用于分类任务；在训练阶段使用Dropout和权重衰减策略，以增加网络的泛化能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311251235.3A CN117274202A (zh) | 2023-09-26 | 2023-09-26 | 一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311251235.3A CN117274202A (zh) | 2023-09-26 | 2023-09-26 | 一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117274202A true CN117274202A (zh) | 2023-12-22 |
Family
ID=89220996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311251235.3A Pending CN117274202A (zh) | 2023-09-26 | 2023-09-26 | 一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274202A (zh) |
-
2023
- 2023-09-26 CN CN202311251235.3A patent/CN117274202A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Trivizakis et al. | Extending 2-D convolutional neural networks to 3-D for advancing deep learning cancer classification with application to MRI liver tumor differentiation | |
| CN112070809B (zh) | 基于pet/ct双时成像的胰腺癌精准诊断系统 | |
| Liu et al. | Automated breast tumor detection and segmentation with a novel computational framework of whole ultrasound images | |
| Aggarwal et al. | Role of segmentation in medical imaging: A comparative study | |
| Bhadoria et al. | Comparison of segmentation tools for multiple modalities in medical imaging | |
| Decuyper et al. | Artificial intelligence with deep learning in nuclear medicine and radiology | |
| WO2009105530A2 (en) | System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors | |
| Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
| Petkovska et al. | Pulmonary nodule characterization: a comparison of conventional with quantitative and visual semi-quantitative analyses using contrast enhancement maps | |
| CN112767393A (zh) | 一种基于机器学习的双模态影像组学磨玻璃结节分类方法 | |
| CN114549463A (zh) | 一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质 | |
| Dai et al. | Clinical application of AI-based PET images in oncological patients | |
| Zhuang et al. | Multi‐features‐based automated breast tumor diagnosis using ultrasound image and support vector machine | |
| Wang et al. | Computer auxiliary diagnosis technique of detecting cholangiocarcinoma based on medical imaging: A review | |
| Mastouri et al. | A morphological operation-based approach for Sub-pleural lung nodule detection from CT images | |
| Buongiorno et al. | Uip-net: a decoder-encoder cnn for the detection and quantification of usual interstitial pneumoniae pattern in lung ct scan images | |
| CN117274202A (zh) | 一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法 | |
| CN111971751A (zh) | 用于评估动态数据的系统和方法 | |
| Paing et al. | Ground glass opacity (GGO) nodules detection from lung CT scans | |
| CN113822873A (zh) | 一种用于肺结节分类的双模态影像组学图像分析方法 | |
| CN115345856A (zh) | 基于影像动态增强模式的乳腺癌化疗疗效预测模型 | |
| Mirbagheri et al. | A hybrid deep learning methodology for breast cancer diagnosis using magnetic resonance images | |
| Ho et al. | Artificial intelligence for bone cancer imaging | |
| Jha et al. | Interpretability of self-supervised learning for breast cancer image analysis | |
| Bevilacqua et al. | Computer assisted detection of breast lesions in magnetic resonance images |
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 |