[发明专利]一种基于影像组学的脑胶质瘤分级预测方法

说明书

技术领域

本发明涉及影像组学辅助诊断技术，具体的说，涉及了一种基于影像组学的脑胶质瘤分级预测方法。

背景技术

基于医学影像的技术一直应用于癌症的诊断和分期，由于脑胶质瘤具有持续的血管生成和组织浸润与转移的特性，正常组织与脑胶质瘤组织边界不清晰、转移位置不确定等不确定因素导致脑胶质瘤预后预测成为临床研究中面临的严峻的挑战。现阶段，在脑胶质瘤影像临床方面，影像科医生主要依照个人知识和经验对检查结果中脑胶质瘤的分级诊断进行主观、定性的判断，而且判断的结果意见也都是包含简单的量化信息，不能全面的描述出肿瘤信息，这不利于医生制定治疗方案和分级预测脑胶质瘤等级。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

发明内容

本发明的目的是针对现有技术的不足，从而提供了一种基于影像组学的脑胶质瘤分级预测方法。

为了实现上述目的，本发明所采用的技术方案是：一种基于影像组学的脑胶质瘤分级预测方法，包括以下步骤：

步骤1，通过常规磁共振成像方法采集脑胶质瘤的原始医学图像，并对采集的原始医学图像进行图像格式、大小的统一化和数据的去隐私化处理，获得脑胶质瘤医学图像样本组；

步骤2，选取其中一个脑胶质瘤医学图像样本，手动分割脑胶质瘤医学图像样本中的感兴趣区；

步骤3，提取感兴趣区内的脑胶质瘤特征；

步骤4，针对步骤3提取的脑胶质瘤特征进行降维，选择出有效特征，生成目标特征集；

步骤5，在脑胶质瘤医学图像样本组内进行有放回的采样，重复步骤2至步骤4，生成训练集；

步骤6，根据训练集使用Cox回归模型进行预测模型训练，生成预测模型。

基于上述，步骤1中所述的常规磁共振成像方法包括T1加权成像、T2加权成像、液体衰减反转恢复(FLAIR)成像或增强后的T1加权成像的一种或多种组合。

基于上述，所述脑胶质瘤特征包括一阶统计学特征、空间几何特征、纹理特征和高阶统计特征。

基于上述，步骤4的具体步骤为：

步骤4.1，通过单变量分析技术初步选择25个约减特征作为约减特征集；

步骤4.2，在当前约减特征集的基础上，对其余特征逐个计算最大信息系数以及斯皮尔曼等级相关系数，通过增益公式选择增益最大的特征加入到约减特征集中；

步骤4.3，重复步骤4.2，直到约减特征集内的特征个数达到预设特征个数，获得目标特征集。

本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明利用影像组学方法开展了基于影像组学的脑胶质瘤分级预测，通过影像组学发掘医学影像中的隐藏信息来对脑胶质瘤进行分级，实现对肿瘤的无创诊断，既减轻了病人活检时的痛苦，又降低了医生对活检组织不完整造成的误差。与传统的临床影像相比，本发明补充了病理学检测的不足，为医生对患者肿瘤的检测、诊断、治疗方案制定等提供了更加具体的参考依据，实现了对癌症的精准医疗和个性化医疗服务的初级目标，对临床脑胶质瘤的诊断和治疗具有非常积极的意义。

附图说明

图1是基于影像组学的脑胶质瘤分级预测总体研究流程图。

图2是基于影像组学的脑胶质瘤分级预测技术的特征计算流程图。

具体实施方式

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

如图1所示，一种基于影像组学的脑胶质瘤分级预测方法，包括以下步骤：

步骤1，通过常规磁共振成像方法采集脑胶质瘤的原始医学图像，并对采集的原始医学图像进行图像格式、大小的统一化和数据的去隐私化处理，获得脑胶质瘤医学图像样本组；

其中，所述常规磁共振成像方法包括T1加权成像、T2加权成像、液体衰减反转恢复(FLAIR)成像或增强后的T1加权成像的一种或多种组合；

步骤2，选取其中一个脑胶质瘤医学图像样本，手动分割脑胶质瘤医学图像样本中的感兴趣区；具体的，感兴趣区分割结果必须经两个影像科医生共同确认有效，当意见不一样时，需要两个影像科医生一起重新查看该脑胶质瘤医学图像样本，共同确认有效的感兴趣区分割结果；

步骤3，提取感兴趣区内的脑胶质瘤特征；优选的，所述脑胶质瘤特征包括一阶统计学特征、空间几何特征、纹理特征和高阶统计特征；

步骤4，针对步骤3提取的脑胶质瘤特征进行降维，选择出有效特征，生成目标特征集，从而减小脑胶质瘤特征的冗余性；