[发明专利]一种影像组学分析模型构建方法及分析方法

说明书

本发明提供了一种本发明公开了一种影像组学分析模型构建方法，包括：获取不同类型的患者在治疗前和治疗后的影像数据；从影像数据中划分感兴趣区域；分别针对治疗前和治疗后的影像数据中的感兴趣区域进行影像特征提取；基于提取的影像特征建立影像组学分析模型。本发明通过无创的方式纳入预处理和后处理的CT数据开发的影像组学模型，易于使用的列线图可以个性化预测非小细胞肺癌患者不同临床治疗方式的获益程度，从而为临床决策提供了一个有效的工具。

技术领域

本申请涉及生物医学工程技术领域，具体地，涉及一种影像组学分析模型构建方法及分析方法。

背景技术

先进行新辅助放化疗再行根治性手术等综合治疗方案是一种基本的治疗策略，但是对于不同类型的患者，该策略的效果是存在很大差异的。以非小细胞肺癌(non-smallcell lung cancer,NSCLC)为例，研究证实，在中位无进展生存期方面，术前放化疗有明显优势，且远处转移率也低于单独手术组；对于无纵隔淋巴结转移的I期-II期(N0-1)患者，术前放化疗的生存获益更明显；而对于IIIa期(N2)患者，并没有明显优势。

然而，目前并没有相关方法在治疗之前识别不同类型的患者。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种影像组学分析模型的构建方法以及影像组学分析方法，能够在治疗前识别出不同类型的患者。

根据本发明的第一方面，提出如下的技术方案：

根据本发明所述的一种影像组学分析模型构建方法，其特征在于，包括：

S1、获取不同类型的患者在治疗前和治疗后的影像数据；

S2、从影像数据中划分感兴趣区域；

S3、分别针对治疗前和治疗后的影像数据中的感兴趣区域进行影像特征提取；

S4、基于提取的影像特征建立影像组学分析模型。

进一步地，根据本发明所述的影像组学分析模型构建方法，其特征在于，进一步包括：

所述治疗包括放疗和/或化疗。

进一步地，根据本发明所述的影像组学分析模型构建方法，所述影像数据包括CT影像。

根据本发明所述的影像组学分析模型构建方法，所述感兴趣区域为肿瘤区域。

进一步地，根据本发明所述的影像组学分析模型构建方法，所述影像特征提取包括：

使用两个样本T检验，并采用最小绝对收缩算法和选择算子回归算法提取影像特征。

进一步地，根据本发明所述的影像组学分析模型构建方法，包括如下步骤：

首先，选择主要队列中完全病理缓解组和非完全病理缓解组之间基于单变量统计检验的最佳特征；

其次，采用最小绝对收缩算法提取影像特征，将具有最小绝对收缩和选择算子惩罚的正则多变量logistic回归应用于主要队列的数据，其中将所选特征的线性组合加权各自的系数，设置一个模型被用来估计基于放射学特征的放化疗结果，其中该模型按照以下方式被定义：

其中，模型y的值为1时表示病人处于完全病理缓解组，模型y的值为0时表示病人处于非完全病理缓解组；d表示用在该模型中的变量总数；x_j(j＝1,2……d)表示变量；β_j(j＝0，1,2……d)表示模型参数，ε表示误差项，

再次，采用算子回归算法提取影像特征，具体为，用正则化回归估测模型的参数、特征选择，并通过赋予许多参数以零值可以同时进行：