[发明专利]一种基于影像组学和遗传算法的目标区域确定系统

权利要求书

1.一种基于影像组学和遗传算法的目标区域确定系统，其特征在于，包括：

至少一个计算机系统，所述计算机系统存储有基于影像组学特征构建的参数确定的预后评估模型，所述计算机系统被配置为：

(1)接收医学影像，并对医学影像的感兴趣区域进行超像素分析，获得多个超像素区域，为每个超像素区域设定目标标签和非目标标签；

(2)初始化多个标签向量，每个标签向量元素组成为目标标签和非目标标签，标签向量的长度与超像素区域的个数相等，每个标签向量作为一个个体，组成初始种群；

(3)对每个个体中目标标签对应的超像素区域提取影像组学特征，并将该影像组学特征作为参数确定的预后评估模型的输入，经计算获得个体对应的预后评估值作为选择标准，根据该选择标准对选择个体后，经交叉、变异获得下一代个体；

(4)重复执行步骤(3)，直到遗传算法迭代终止时，最大预后评估值对应的个体作为最优个体，最优个体的目标标签对应的超像素区域为目标区域。

2.如权利要求1所述的基于影像组学和遗传算法的目标区域确定系统，其特征在于，所述预后预测模型的构建过程为：

(a)采集医学影像，确定医学影像的感兴趣区域和对应的预后标签；

(b)对原始感兴趣区域进行小波变换；

(c)采用影像组学方法分别对原始感兴趣区域和小波变换后的感兴趣区域进行特征量化，提取影像组学特征；

(d)构建预后评估模型，并采用感兴趣区域对应的影像组学特征和预后标签作为样本对预后评估模型的参数进行优化，得到参数确定的预后评估模型，所述预后评估模型为：

其中，h(t,X)为对影像组学特征X在t时刻出现进展的预后评估概率值，h(t,0)为影像组学特征X为0时在t时刻出现进展的预后评估概率值，即基准评估值，β为影像组学特征对应的权重系数，该权重系数为需要被优化的预后评估模型的参数。

3.如权利要求2所述的基于影像组学和遗传算法的目标区域确定系统，其特征在于，步骤(c)中，特征量化包括基于强度信息的强度量化和基于纹理信息的纹理量化，强度量化是基于感兴趣区域的灰度直方图，获取图像的熵、能量、均值、最大值，以提取影像组学特征；

纹理量化是通过统计感兴趣区域中不同纹理的像素区域出现的频次，获得图像灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵、邻域灰度差矩阵，以此提取影像组学特征。

4.如权利要求2所述的基于影像组学和遗传算法的目标区域确定系统，其特征在于，采用感兴趣区域对应的影像组学特征和预后标签作为样本对预后评估模型的参数进行优化时，需要对影像组学特征进行筛选，具体过程为：

根据交叉验证中的平均回归误差、影像组学特征权重组成的惩罚项构建优化目标函数为：

其中，β为优化目标函数值，i和j均为样本X索引，i，j的取值为1～n，n为自然数，t_j表示第j个样本出现进展的时间，t_i表示第i个样本出现进展的时间，表示对出现进展的时间(t_j)大于样本i的进展时间t_i的样本X_j的进行求和，k为影像组学特征权重的索引，取值为1～d，d为特征的个数，λ为惩罚项权重，|β_k|为影像组学特征权重β_k的L1范数；

利用该优化目标函数进行影像组学特征的筛选优化，优化时使得影像组学特征权重为0的影像组学特征个数不断增多，最终实现平均回归误差与影像组学特征个数之间的平衡，优化截止时，不为0的影像组学特征权重对应的影像组学特征为筛选保留的影像组学特征。

5.如权利要求4所述的基于影像组学和遗传算法的目标区域确定系统，其特征在于，优化时，采用交叉验证的方法，通过选择的影像组学特征在不同折的样本中的平均回归误差中选择平均回归误差最小时采用的λ值为最优惩罚项权重值，依据该最优惩罚项权重值进行影像组学特征的筛选优化，以确定不为0的影像组学特征权重对应的影像组学特征为筛选保留的影像组学特征。