CN119724552B - 一种用于治疗胃表浅早期肿瘤性病变效果的预测方法 - Google Patents
一种用于治疗胃表浅早期肿瘤性病变效果的预测方法Info
- Publication number
- CN119724552B CN119724552B CN202411824612.2A CN202411824612A CN119724552B CN 119724552 B CN119724552 B CN 119724552B CN 202411824612 A CN202411824612 A CN 202411824612A CN 119724552 B CN119724552 B CN 119724552B
- Authority
- CN
- China
- Prior art keywords
- parameter
- patient
- coefficient
- initial
- diffusion
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种用于治疗胃表浅早期肿瘤性病变效果的预测方法，涉及治疗效果预测技术领域。包括：对待治疗患者进行初始图像扫描，得到术前图像集；对术前图像集进行参数序列提取，得到初始参数序列集；根据初始参数序列集得到初始衍生参数集；根据衍生参数集对待测患者进行手术治疗，得到待测患者；对待测患者进行二次图像扫描，得到术后图像集；对术后图像集进行参数序列提取，得到二次参数序列集；根据二次参数序列集得到二次衍生参数集；根据衍生参数集和二次衍生参数集得到第一ROI图和第二ROI图；将第一ROI图和第二ROI图输入至治疗效果预测模型中，得到预测结果。本发明解决了现有技术中治疗效果预测精度低下的问题。
Description
技术领域
本发明涉及治疗效果预测技术领域，特别是涉及一种用于治疗胃表浅早期肿瘤性病变效果的预测方法。
背景技术
胃癌是全球范围内发病率和死亡率较高的恶性肿瘤之一，早期发现和治疗对于改善患者预后至关重要。内镜下治疗(如内镜下粘膜切除术)和经动脉化疗栓塞(TACE)等治疗手段在临床上被广泛应用于胃表浅早期肿瘤的治疗。然而，治疗效果的预测仍然是临床实践中的一大挑战，尤其是在肿瘤生物学特性和治疗反应的复杂性方面。
目前，传统的影像学检查方法(如CT、MRI)在评估肿瘤的生物学特性和治疗反应方面存在一定的局限性。尤其是在早期阶段，影像学结果往往无法全面反映肿瘤的异质性和微观结构变化。此外，现有的治疗效果预测方法通常依赖于单一的影像学参数，缺乏对肿瘤整体特征的综合评估，可能导致预测结果的准确性不足。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种用于治疗胃表浅早期肿瘤性病变效果的预测方法，本发明解决了现有技术中对于治疗胃表浅早期肿瘤性病变效果准确度低下的问题。
为实现上述目的，本发明提供了如下方案：
一种用于治疗胃表浅早期肿瘤性病变效果的预测方法，包括：
对待治疗患者进行初始图像扫描，得到术前图像集；
对所述术前图像集进行参数序列提取，得到初始参数序列集；
根据所述初始参数序列集得到初始衍生参数集；
间隔第一预设天数，根据所述衍生参数集对所述待测患者进行手术治疗，得到待测患者；
间隔第二预设天数，对所述待测患者进行二次图像扫描，得到术后图像集；
对所述术后图像集进行参数序列提取，得到二次参数序列集；
根据所述二次参数序列集得到二次衍生参数集；
根据所述衍生参数集和所述二次衍生参数集得到第一ROI图和第二ROI图；
将所述第一ROI图和第二ROI图输入至治疗效果预测模型中，得到预测结果；
其中，所述治疗效果预测模型的构建方法为：
获取各个患者的临床资料和病理数据；
将所述临床资料、病理数据分别和初始参数序列集及其二次参数序列集的特征相组合，得到第一特征组合集和第二特征组合集；
根据所述第一特征组合集和所述第二特征组合集确定特征变化集；
利用皮尔森相关系数确定所述第一特征组合集和所述第二特征组合集中的参数特征与治疗效果的相关性；
根据所述相关性对所述特征变化集中的特征进行分层，得到分层特征；
根据所述分层特征和随机森林模型构建治疗效果预测模型。
优选地，对待治疗患者进行初始图像扫描，得到术前图像集，包括：
利用IVIM对所述待治疗患者进行初始图像扫描，得到第一术前图像子集；
利用T1WI对所述待治疗患者进行初始图像扫描，得到第二术前图像子集；
利用T2WI对所述待治疗患者进行初始图像扫描，得到第三术前图像子集；
利用LAVA对所述待治疗患者进行初始图像扫描，得到第四术前图像子集；
将所述第一术前图像子集、第二术前图像子集、第三术前图像子集和所述第四术前图像子集进行整合得到术前图像集。
优选地，所述初始参数序列集，包括：
层数、层厚、层间距、视野、矩阵、回波时间、重复时间、扩散敏感系数、脂肪抑制和呼吸触发方式。
优选地，根据所述初始参数序列集得到初始衍生参数集，包括：
确定扩散敏感系数的数量范围和大小范围；
根据扩散敏感系数的数量阈值和所述扩散敏感系数的大小阈值确定快速扩散系数、慢扩散系数、灌注分数和单指数参数；
根据所述快速扩散系数、慢扩散系数、灌注分数和单指数参数得到初始衍生参数集。
优选地，所述根据扩散敏感系数的数量阈值和所述扩散敏感系数的大小阈值确定快速扩散系数、慢扩散系数、灌注分数和单指数参数，包括：
构建信号强度衰减曲线；
根据所述信号强度衰减曲线和不同的扩散敏感系数进行拟合得到快速扩散系数、慢扩散系数、灌注分数和单指数参数。
优选地，所述信号强度衰减曲线的表达式为：
Sb/S0＝(1-f)×exp(-bD)+f×exp(-bD*)；
其中，Sb代表相应b值对应的体素内的信号强度；S0代表b值为0时的体素内的信号强度，D为慢扩散系数，D*为快速扩散系数，f是灌注分数，ADC为单指数参数，b为扩散敏感系数。
优选地，所述扩散敏感系数的表达式为：
b＝γ2G2δ2(Δ-δ/3)；
其中，γ为原子核的旋磁比常数，G为扩散梯度的强度、δ为扩散梯度的持续时间、δ为梯度脉冲之间的间隔时间。
优选地，所述治疗效果预测模型的表达式为：
其中，β0为模型常数项，β1、β2、β3、β4分别为影像衍生参数变化量的第一回归系数、第二回归系数、第三回归系数和第四回归系数，Ci为第i个临床特征，Pj为第j个病理特征，ε为误差项。
本发明公开了以下技术效果：
本发明提供了一种用于治疗胃表浅早期肿瘤性病变效果的预测方法，包括：对待治疗患者进行初始图像扫描，得到术前图像集；对所述术前图像集进行参数序列提取，得到初始参数序列集；根据所述初始参数序列集得到初始衍生参数集；间隔第一预设天数，根据所述衍生参数集对所述待测患者进行手术治疗，得到待测患者；间隔第二预设天数，对所述待测患者进行二次图像扫描，得到术后图像集；对所述术后图像集进行参数序列提取，得到二次参数序列集；根据所述二次参数序列集得到二次衍生参数集；根据所述衍生参数集和所述二次衍生参数集得到第一ROI图和第二ROI图；将所述第一ROI图和第二ROI图输入至治疗效果预测模型中，得到预测结果；其中，所述治疗效果预测模型的构建方法为：获取各个患者的临床资料和病理数据；将所述临床资料、病理数据分别和初始参数序列集及其二次参数序列集的特征相组合，得到第一特征组合集和第二特征组合集；根据所述第一特征组合集和所述第二特征组合集确定特征变化集；利用皮尔森相关系数确定所述第一特征组合集和所述第二特征组合集中的参数特征与治疗效果的相关性；根据所述相关性对所述特征变化集中的特征进行分层，得到分层特征；根据所述分层特征和随机森林模型构建治疗效果预测模型。本发明引入术前和术后参数的比较，计算参数的变化量，融合患者的临床资料和病理数据，与影像参数共同构建预测模型。提升了治疗效果预测的精准度。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的一种用于治疗胃表浅早期肿瘤性病变效果的预测方法流程图。
具体实施方式
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种用于治疗胃表浅早期肿瘤性病变效果的预测方法，包括：
步骤100：对待治疗患者进行初始图像扫描，得到术前图像集；
步骤200：对所述术前图像集进行参数序列提取，得到初始参数序列集；
步骤300：根据所述初始参数序列集得到初始衍生参数集；
步骤400：间隔第一预设天数，根据所述衍生参数集对所述待测患者进行手术治疗，得到待测患者；
步骤500：间隔第二预设天数，对所述待测患者进行二次图像扫描，得到术后图像集；
步骤600：对所述术后图像集进行参数序列提取，得到二次参数序列集；
步骤700：根据所述二次参数序列集得到二次衍生参数集；
二次参数序列集(Postoperative Parameter Set)：从术后图像集提取的影像学参数，与初始参数序列集相对应。
步骤800：根据所述衍生参数集和所述二次衍生参数集得到第一ROI图和第二ROI图；
步骤900：将所述第一ROI图和第二ROI图输入至治疗效果预测模型中，得到预测结果；
其中，所述治疗效果预测模型的构建方法为：
步骤901：获取各个患者的临床资料和病理数据；
步骤902：将所述临床资料、病理数据分别和初始参数序列集及其二次参数序列集的特征相组合，得到第一特征组合集和第二特征组合集；
具体的，临床资料(Clinical Data)：**收集每位患者的临床信息，包括但不限于：年龄、性别症状(如腹痛、消化不良等)实验室检查结果(如血常规、肿瘤标志物水平)家族史和生活习惯等**病理数据(Pathological Data)：**收集每位患者的病理信息：肿瘤分化程度(高分化、中分化、低分化)
肿瘤的大小和部位浸润深度淋巴结转移情况其他病理特征(如血管浸润、神经浸润)。
步骤903：根据所述第一特征组合集和所述第二特征组合集确定特征变化集；
步骤904：利用皮尔森相关系数确定所述第一特征组合集和所述第二特征组合集中的参数特征与治疗效果的相关性；
步骤905：根据所述相关性对所述特征变化集中的特征进行分层，得到分层特征；
步骤906：根据所述分层特征和随机森林模型构建治疗效果预测模型。
更具体的，构建第一特征组合集(Feature Combination Set 1)：
步骤：将每位患者的临床资料与病理数据进行横向合并，生成一个包含所有患者临床和病理信息的数据表。将初始参数序列集中的影像学特征与上述数据表进行合并。合并时，需要确保患者身份匹配正确(如通过患者ID)。结果：得到第一特征组合集，包含每位患者的临床资料、病理数据和术前影像学特征。
构建第二特征组合集(Feature Combination Set 2)：重复上述过程，将二次参数序列集中的术后影像学特征与患者的临床资料和病理数据进行合并。结果：得到第二特征组合集，包含每位患者的临床资料、病理数据和术后影像学特征。
进一步的，对待治疗患者进行初始图像扫描，得到术前图像集，包括：
利用IVIM对所述待治疗患者进行初始图像扫描，得到第一术前图像子集；
利用T1WI对所述待治疗患者进行初始图像扫描，得到第二术前图像子集；
利用T2WI对所述待治疗患者进行初始图像扫描，得到第三术前图像子集；
利用LAVA对所述待治疗患者进行初始图像扫描，得到第四术前图像子集；
将所述第一术前图像子集、第二术前图像子集、第三术前图像子集和所述第四术前图像子集进行整合得到术前图像集。
具体的，所有入组病例均使用3.0T超导核磁成像(GEDiscoveryMR750,GEHealthcare,Milwaukee,WI,USA)行包含IVIM-DWI序列的腹部MRI动态增强检查。(1)采用32通道体部线圈，以剑突为中心进行定位，放置呼吸门控软管；(2)由于餐后和空腹状态对肝脏的血容量具有很大的影响，因此本研究在进行IVIM-DWI检查前需空腹4～6个小时；(3)扫描前，由专业的核磁工作人员对患者进行呼吸训练(要求患者把握均匀呼吸的节奏和呼气末屏气的时机)；(4)扫描范围要求上缘达覆盖膈顶，下缘包全肝脏下缘边界。
MRI具体扫描序列如下：横轴位脂肪抑制T2加权序列(periodicallyrotatedoverlappingparallellineswithenhancedreconstructionfatsaturationT2weightedimaging,PROPELLERFST2WI)、屏气横轴位快速三维扰相梯度回波T1加权序列(1iveracquisitionwithvolumeaccelerationflex，LAVA-Flex)；IVIM-DWI采用呼吸触发的自旋回波平面成像序列，为了提高快速扩散系数(D*)的精确度，我们使用优化的b值分布，其中6个低b值(≤200s/mm2)，5个高b值(＞200s/mm2)，共采用11个b值，b值分别为(0、10、20、40、80、200、400、600、800、1000、1200s/mm2)。总扫描方案的采集时间约为17分钟；其中，IVIM序列扫描时间为5分钟30秒。在研究期间，扫描参数保持一致。增强扫描时，须采用高压注射器进行顺磁性对比剂注射(Magnevist,Bayer,Berlin,Germany)，分别于对比剂注射后约18s采集动脉期图像，约70s采集门静脉期图像，约180s采集延迟期图像；对比剂的剂量0.1mmol/Kg，对比剂的注射速度1.5～2ml/s。患者术前行IVIM-DWI检查与患者行TACE治疗之间的中位时间间隔为5.5天(范围：1～16天)，患者行TACE治疗与患者术后随访的中位时间间隔为42天(范围：28～146天)。
具体的，所述初始参数序列集，包括：
层数、层厚、层间距、视野、矩阵、回波时间、重复时间、扩散敏感系数、脂肪抑制和呼吸触发方式。
更进一步的，TACE的具体治疗方案如下：首先，按常规行腹股沟区消毒、铺巾，以1％的利多卡因局部麻醉后，采用改良Seldinger技术穿刺右侧股动脉、导入5F动脉鞘。随后，插入4F导管(RH,TerumoCorporation,Japan)，进行腹腔干-肝动脉、肠系膜上动脉造影，经插管至肝总动脉后，经高压注射器注入非离子型对比剂(Visipaque,320mg/mL；GEHealthcare,Princeton,NJ)。完成肝动脉造影后，即可初步明确原发性大肝癌的肿瘤血管染色及供血血管路径。紧接着，在DSA血管路径的引导下，将2.6FStride微型导管(Progreat,TerumoCorporation,Tokyo,Japan)超选择性插管至肿瘤供血分支动脉。术中如果肿瘤血管重叠或显示不清，则采用旋转血管造影或椎体束CT成像来进一步明确其供血供脉。当微导管前段位置恰当、对比剂无反流后进行栓塞治疗。此外，由于30％～50％的大肝癌患者存在侧支供血，特别是当肿瘤位于肝脏前部、毗邻膈肌或侵犯肝包膜时，侧支循环供血出现率很高。因此，初步完成栓塞后，须观察栓塞效果是否彻底；若碘油栓塞不彻底，则积极寻找有无异位起源的肝动脉或其他侧支肿瘤供血动脉的可能，如，膈下动脉、肋间动脉、胃十二指肠动脉、胃左动脉、胸廓内动脉、肾上腺动脉等；如有侧支供血，则分别对相应的侧支供血动脉进行栓塞。患者栓塞前栓塞药物及材料准备的注意事项：：(1)术前常根据肿瘤直径大小、患者体重和患者一般情况确定用药方案，包括表阿霉素(30～50mg)、氟尿嘧啶(500～750mg)、盐酸吡柔比星(40～50mg)、铂类(30～60mg)、5-FU(500～1000mg)、亚叶酸钙(75～100mg)等化学治疗药物2～4种；(2)术前将表阿霉素、铂类等粉末状化学治疗药物与碘油(lipiodol；LaboratoireGuerbet,Roissy,France)进行混合形成乳剂；一次治疗中碘油的总量取决于肿瘤大小，但一般不超过20ml；(3)对于血供丰富的肿瘤患者，须给予明胶海绵颗粒(直径1mm)或聚乙烯醇颗粒(PVA，300～700umol/L，CookMedical,Bloomington,IN,USA)进行栓塞。
进一步的，根据所述初始参数序列集得到初始衍生参数集，包括：
确定扩散敏感系数的数量范围和大小范围；
根据扩散敏感系数的数量阈值和所述扩散敏感系数的大小阈值确定快速扩散系数、慢扩散系数、灌注分数和单指数参数；
根据所述快速扩散系数、慢扩散系数、灌注分数和单指数参数得到初始衍生参数集。
进一步的，所述根据扩散敏感系数的数量阈值和所述扩散敏感系数的大小阈值确定快速扩散系数、慢扩散系数、灌注分数和单指数参数，包括：
构建信号强度衰减曲线；
根据所述信号强度衰减曲线和不同的扩散敏感系数进行拟合得到快速扩散系数、慢扩散系数、灌注分数和单指数参数。
进一步的，所述信号强度衰减曲线的表达式为：
Sb/S0＝(1-f)×exp(-bD)+f×exp(-bD*)；
其中，Sb代表相应b值对应的体素内的信号强度；S0代表b值为0时的体素内的信号强度，D为慢扩散系数，D*为快速扩散系数，f是灌注分数，ADC为单指数参数，b为扩散敏感系数。
进一步的，所述扩散敏感系数的表达式为：
b＝γ2G2δ2(Δ-δ/3)；
其中，γ为原子核的旋磁比常数，G为扩散梯度的强度、δ为扩散梯度的持续时间、δ为梯度脉冲之间的间隔时间。
具体的，所有b值的IVIM-DWI数据输入到GEAW4.6后处理工作站，数据经MADC软件(GEMedicalSystem,Milwaukee,WI,USA)进行分析，同步提取IVIM衍生参数：ADC、D、D*、f，生成IVIM数的伪彩图。IVIM双指数拟合公式为：Sb/S0＝(1-f)×exp(-bD)+f×exp(-bD*),其中Sb代表相应b值对应的体素内的信号强度；S0代表b值为0时的体素内的信号强度。D为慢扩散系数，单位是×10-3mm2/s；D*为快速扩散系数，单位是×10-3mm2/s；f是灌注分数，单位是％。单指数参数ADC采用单指数模型进行分析测量，其单位为×10-3mm2/s。图像测量方面，由两位高年资主治医师采用ITK-SNAP软件，选取IVIM-DWI中的b＝1000(s/mm2)图像进行肿瘤的ROI勾画，为更准确勾画肿瘤的边界，测量时需参考患者同期扫描序列中的T2WI图像和动态增强图像。同时，为了避免测量偏倚，两位观察者采用双盲且随机的方式，分别在各自工作站上对肿瘤层面进行逐层手动勾画，勾画时需注意，勾画ROI应包含肿瘤内如囊变、出血、坏死等全部肿瘤成分，得到全肿瘤的ROI图；若两位观察者对肿瘤边界有疑问时，需咨询第三位主任医师的意见。
完成上述步骤后，还需将勾画好的ROI同步拷贝到IVIM的其他参数图像上，如D、D*、f和ADC图，每一个IVIM参数的全肿瘤体积体素采用Matlab软件进行自动分析，生成均值(mean)、最小值(min)、第5％位数、第10％位数、第25％位数、第50％位数、第75％位数、第90％位数和最大值(max)，以及偏度值(skewness)和峰度值(kurtosis),并依次进行记录；偏度值和峰度值可反映直方图的形状，还可以分析ADC值、D*、D值和f值的分布状态。
进一步的，所述治疗效果预测模型的表达式为：
其中，β0为模型常数项，β1、β2、β3、β4分别为影像衍生参数变化量的第一回归系数、第二回归系数、第三回归系数和第四回归系数，Ci为第i个临床特征，Pj为第j个病理特征，ε为误差项。
具体的，临床特征：年龄(岁)＝60，性别(男＝1，女＝0)＝1；病理特征：肿瘤大小(cm)＝2.5，分化程度(高＝1，中＝2，低＝3)＝2；已知的回归系数β值(假设)：β0＝-2.5、β1＝10×103、β2＝8×103、β3＝0.5×103、β4＝20、β5＝0.05对应年龄、β6＝-1.0对应性别、β7＝-0.8(对应肿瘤大小)、β8＝1.5(对应分化程度)；
TE＝-2.5+10×103×(0.25×10-3)+8×103×(0.15×10-3)+0.5×103×(5×10-3)+20×0.05+0.05×60-1.0×1-0.8×2.5+1.5×2＝-2.5+2.5+1.2+2.5+1+3-1-2+3＝4.7；
如果TE大于某个阈值(例如0)，则预测治疗有效。在此示例，TE＝4.7>0，
因此预测治疗效果良好。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种用于治疗胃表浅早期肿瘤性病变效果的预测方法，其特征在于，包括：
对待治疗患者进行初始图像扫描，得到术前图像集；
对所述术前图像集进行参数序列提取，得到初始参数序列集；
根据所述初始参数序列集得到初始衍生参数集；
间隔第一预设天数，根据所述衍生参数集对所述待治疗患者进行手术治疗，得到待测患者；
间隔第二预设天数，对所述待治疗患者进行二次图像扫描，得到术后图像集；
对所述术后图像集进行参数序列提取，得到二次参数序列集；
根据所述二次参数序列集得到二次衍生参数集；
根据所述衍生参数集和所述二次衍生参数集得到第一ROI图和第二ROI图；
将所述第一ROI图和第二ROI图输入至治疗效果预测模型中，得到预测结果；
其中，所述治疗效果预测模型的构建方法为：
获取各个患者的临床资料和病理数据；
将所述临床资料、病理数据分别和初始参数序列集及其二次参数序列集的特征相组合，得到第一特征组合集和第二特征组合集；
根据所述第一特征组合集和所述第二特征组合集确定特征变化集；
利用皮尔森相关系数确定所述第一特征组合集和所述第二特征组合集中的参数特征与治疗效果的相关性；
根据所述相关性对所述特征变化集中的特征进行分层，得到分层特征；
根据所述分层特征和随机森林模型构建治疗效果预测模型；
所述初始参数序列集，包括：
层数、层厚、层间距、视野、矩阵、回波时间、重复时间、扩散敏感系数、脂肪抑制和呼吸触发方式；
根据所述初始参数序列集得到初始衍生参数集，包括：
确定扩散敏感系数的数量范围和大小范围；
根据扩散敏感系数的数量阈值和所述扩散敏感系数的大小阈值确定快速扩散系数、慢扩散系数、灌注分数和单指数参数；
根据所述快速扩散系数、慢扩散系数、灌注分数和单指数参数得到初始衍生参数集；
所述根据扩散敏感系数的数量阈值和所述扩散敏感系数的大小阈值确定快速扩散系数、慢扩散系数、灌注分数和单指数参数，包括：
构建信号强度衰减曲线；
根据所述信号强度衰减曲线和不同的扩散敏感系数进行拟合得到快速扩散系数、慢扩散系数、灌注分数和单指数参数。
2.根据权利要求1所述的一种用于治疗胃表浅早期肿瘤性病变效果的预测方法，其特征在于，对待治疗患者进行初始图像扫描，得到术前图像集，包括：
利用IVIM对所述待治疗患者进行初始图像扫描，得到第一术前图像子集；
利用T1WI对所述待治疗患者进行初始图像扫描，得到第二术前图像子集；
利用T2WI对所述待治疗患者进行初始图像扫描，得到第三术前图像子集；
利用LAVA对所述待治疗患者进行初始图像扫描，得到第四术前图像子集；
将所述第一术前图像子集、第二术前图像子集、第三术前图像子集和所述第四术前图像子集进行整合得到术前图像集。
3.根据权利要求1所述的一种用于治疗胃表浅早期肿瘤性病变效果的预测方法，其特征在于，所述信号强度衰减曲线的表达式为：
Sb/S0=(1-f)×exp(-bD)+f×exp(-bD*)；
其中，Sb代表相应b值对应的体素内的信号强度；S0代表b值为0时的体素内的信号强度，D为慢扩散系数，D*为快速扩散系数，f是灌注分数，ADC为单指数参数，b为扩散敏感系数。
4.根据权利要求3所述的一种用于治疗胃表浅早期肿瘤性病变效果的预测方法，其特征在于，所述扩散敏感系数的表达式为：
；
其中，为原子核的旋磁比常数，为扩散梯度的强度、为扩散梯度的持续时间、为梯度脉冲之间的间隔时间。
5.根据权利要求4所述的一种用于治疗胃表浅早期肿瘤性病变效果的预测方法，其特征在于，所述治疗效果预测模型的表达式为：
；
其中，为模型常数项，、、、分别为影像衍生参数变化量的第一回归系数、第二回归系数、第三回归系数和第四回归系数，为第i个临床特征，为第j个病理特征，为误差项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411824612.2A CN119724552B (zh) | 2024-12-12 | 2024-12-12 | 一种用于治疗胃表浅早期肿瘤性病变效果的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411824612.2A CN119724552B (zh) | 2024-12-12 | 2024-12-12 | 一种用于治疗胃表浅早期肿瘤性病变效果的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN119724552A CN119724552A (zh) | 2025-03-28 |
| CN119724552B true CN119724552B (zh) | 2025-09-26 |
Family
ID=95094678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411824612.2A Active CN119724552B (zh) | 2024-12-12 | 2024-12-12 | 一种用于治疗胃表浅早期肿瘤性病变效果的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN119724552B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105395198A (zh) * | 2015-06-23 | 2016-03-16 | 高家红 | 一种获得全新的扩散磁共振成像对比度的方法及其应用 |
| CN113712530A (zh) * | 2020-05-25 | 2021-11-30 | 中日友好医院(中日友好临床医学研究所) | 对阿尔茨海默病的扩散磁共振成像处理方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001087155A1 (en) * | 2000-05-18 | 2001-11-22 | Yeda Research And Development Co., Ltd. | Method and apparatus for the detection and diagnosis of cancer, specifically breast cancer using diffusion mri |
| US7078897B2 (en) * | 2002-01-16 | 2006-07-18 | Washington University | Magnetic resonance method and system for quantification of anisotropic diffusion |
| CN104095635B (zh) * | 2014-07-28 | 2016-07-20 | 上海理工大学 | 一种利用自回归模型计算磁共振图像表观弥散系数的方法 |
| CN109242866B (zh) * | 2018-11-08 | 2021-11-09 | 中国科学院生物物理研究所 | 基于扩散磁共振图像的乳腺肿瘤自动辅助检测系统 |
| CN110680322B (zh) * | 2019-10-17 | 2020-07-31 | 河海大学 | 一种描述磁共振成像信号非指数衰减的方法及其应用 |
| CN114993883B (zh) * | 2022-05-12 | 2024-08-30 | 河海大学 | 一种描述磁共振成像信号扩展指数衰减的方法及其应用 |
| CN119048631B (zh) * | 2024-09-14 | 2025-02-11 | 广东省第二人民医院（广东省卫生应急医院） | 肿瘤微环境的可视化成像方法、装置、设备及存储介质 |
-
2024
- 2024-12-12 CN CN202411824612.2A patent/CN119724552B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105395198A (zh) * | 2015-06-23 | 2016-03-16 | 高家红 | 一种获得全新的扩散磁共振成像对比度的方法及其应用 |
| CN113712530A (zh) * | 2020-05-25 | 2021-11-30 | 中日友好医院(中日友好临床医学研究所) | 对阿尔茨海默病的扩散磁共振成像处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN119724552A (zh) | 2025-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Sarcopenia in patients with cirrhosis after transjugular intrahepatic portosystemic shunt placement | |
| Li et al. | Characterization of degree of intestinal fibrosis in patients with Crohn disease by using magnetization transfer MR imaging | |
| Church et al. | Systematic review with meta‐analysis: magnetic resonance enterography signs for the detection of inflammation and intestinal damage in Crohn's disease | |
| Nedredal et al. | Portal hypertension correlates with splenic stiffness as measured with MR elastography | |
| Wyttenbach et al. | Renal artery assessment with nonenhanced steady-state free precession versus contrast-enhanced MR angiography | |
| Goh et al. | Quantitative colorectal cancer perfusion measurement using dynamic contrast-enhanced multidetector-row computed tomography: effect of acquisition time and implications for protocols | |
| Thoeny et al. | Noninvasive assessment of acute ureteral obstruction with diffusion-weighted MR imaging: a prospective study | |
| Hines et al. | Quantification of hepatic steatosis with 3-T MR imaging: validation in ob/ob mice | |
| CN103997961A (zh) | 使用mri图像数据的自动肾评估系统及方法 | |
| Bezooijen et al. | Peripheral arterial disease: sensitivity-encoded multiposition MR angiography compared with intraarterial angiography and conventional multiposition MR angiography | |
| US20100080757A1 (en) | Method of detecting abnormal tissue | |
| Boninsegna et al. | Pancreatic duct stenosis: differential diagnosis between malignant and benign conditions at secretin-enhanced MRCP | |
| Engelmann et al. | Non-invasive coronary bypass graft imaging after multivessel revascularisation | |
| Seidemo et al. | Towards robust glucose chemical exchange saturation transfer imaging in humans at 3 T: Arterial input function measurements and the effects of infusion time | |
| Yang et al. | Magnetic resonance imaging evaluation of characteristics of vascular invasion in intermediate and advanced hepatic alveolar echinococcosis | |
| Chung et al. | Comparison of two different injection rates of gadoxetic acid for arterial phase MRI of the liver | |
| Li et al. | Meta-analysis of MRI in predicting early response to radiotherapy and chemotherapy in esophageal cancer | |
| Ke et al. | Investigation of the accuracy of magnetic resonance cholangiography and multi-slice spiral computed tomography in the diagnosis of cholangiocarcinoma | |
| CN119724552B (zh) | 一种用于治疗胃表浅早期肿瘤性病变效果的预测方法 | |
| Wang et al. | 18F-FDG PET biomarkers help detect early metabolic response to irreversible electroporation and predict therapeutic outcomes in a rat liver tumor model | |
| Yang et al. | Microvascular permeability and texture analysis of bone marrow in diabetic rabbits with critical limb ischemia based on dynamic contrast‐enhanced magnetic resonance imaging | |
| Keskin et al. | Evaluation of the celiac trunk and its branching pattern by magnetic resonance angiography | |
| Ippolito et al. | Dynamic contrast-enhanced magnetic resonance imaging with gadolinium ethoxybenzyl diethylenetriamine pentaacetic acid for quantitative assessment of vascular effects on hepatocellular-carcinoma lesions treated by transarterial chemoembolization or radiofrequency ablation | |
| SADICK et al. | Evaluation of breath-hold contrast-enhanced 3D magnetic resonance angiography technique for imaging visceral abdominal arteries and veins | |
| Sakai et al. | Evaluation of the antiangiogenic effects of octreotide on growth hormone-producing pituitary adenoma using arterial spin-labeling perfusion imaging |
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 |