[发明专利]一种头颈部癌症局部复发预测装置

权利要求书

1.一种头颈部癌症局部复发预测装置，其特征在于，该预测装置包括：

数据采集模块，用于采集数据构成训练样本；

分组模块，用于将所述训练样本分组为训练集和测试集；

特征提取模块，用于对所述训练集进行特征提取；

第一训练模块，用于接收所述特征提取模块提取的特征进行随机森林训练，得到第一随机森林分类器；

第一测试模块，用于将所述测试集输入至所述第一随机森林分类器；

第二训练模块，用于将所述第一随机森林分类器的输出作为输入进行随机森林训练，得到第二随机森林分类器；

第二测试模块，用于将所述测试集输入至所述第二随机森林分类器；

对于随机森林的训练，对每个分区创建决策树，而不是仅对每个样本创建决策树，每个区域的决策树用于构建最终的随机森林；

所述特征提取模块提取的特征至少包括方差、协方差、峰度、SUV最大值、SUV峰值、SUV均值、SUV曲线下面积、总病变糖酵解、失活体积百分比和广义有效总量中的一种；

所述特征提取模块提取的特征包括：10个一阶统计特征、5种形态特征和每个特征使用40种不同的提取参数组合计算得到的共40个纹理特征；

所述特征提取模块，用于对所述训练集进行特征提取的具体过程为：

将最初的FDG-PET+CT图像和DICOM格式的相关放射治疗轮廓图像着手，使用MATLAB中内部例程读取完整的数据集并将其转化为Matlab识别的格式，PET图像被转换SUV图，CT图像以HU格式保存，然后，从由每个机构的放射肿瘤学家描绘的“原发型GTV+淋巴结型GTV”轮廓定义的肿瘤区域的PET和CT图像中提取了总共1615个影像特征；

所述第一训练模块，用于接收所述特征提取模块提取的特征进行随机森林训练，得到第一随机森林分类器的具体过程为；

采用三个影像特征集,I：PET特征；II：CT特征；和III：PET和CT特征的影像学特征集构建预测模型，每一个特征集均含有一阶特征10个，形态特征5个，40种提取方法提取的40个特征共1600个，每组影像特征集均含1615个影像特征，并在训练集HN1组和HN2组；n＝194上完成训练工作；

使用信息增益方程方法，对每个初始特征集，即上述所说的三个 影像特征集的每组共1615个特征，执行特征集缩减，目的是在斯皮尔曼相关系数和最大信息系数之间达到平衡，得到25个不同特征的简化特征集；

使用前向逐步逻辑回归方法特征选择，对于每个简化特征集，选择1到10的特征组合作为模型阶数；

在得到最佳模型的阶数后，使用自助重采样方法在训练集上进行预测评估，以得到对局部复发风险预测的最终逻辑回归系数；

在定义的测试集中来测试最终构建预测模型，并进行性能评估；最终的预测模型是一个整体的概念，包括从开始的图像数据集缩减处理一直到最终的第二随机森林分类器，看成是一个完整的预测模型，即预测装置，对于最终构建的预测模型而言，输入即为患者的影像信息合临床信息，输出为是否会有局部复发。

2.根据权利要求1所述的一种头颈部癌症局部复发预测装置，其特征在于，所述40个纹理特征包括9个来自灰度共生矩阵的特征，13个来自灰度级运行长度矩阵的特征，13个来自灰度级区域矩阵的特征和5个来自邻域灰度差矩阵的特征。