[发明专利]一种基于机器学习的双模态影像组学磨玻璃结节分类方法

权利要求书

1.一种基于机器学习的双模态影像组学磨玻璃结节分类方法，其特征在于：包括以下步骤：

步骤一、病例资料收集：收集因可疑肺GGN而接受¹⁸F-FDG PET/CT检查的患者；

步骤二、图像采集重建：采用PET/CT显像仪进行图像采集；

步骤三、图像特征提取：收集的临床参数包括：患者年龄、性别、吸烟史、空腹血糖水平；影像特征的获得方法如下：将患者的PET图像和胸部HRCT图像以DICOM格式从工作站导出，再全部导入LIFEx软件，由至少两名经验丰富的核医学医师使用SUVmax的40％阈值对PET图像半自动划定目标病变的目标区域，然后软件程序自动计算并提取PET纹理特征，在HRCT图像分别对每个靶病灶进行手动勾画，沿病灶轮廓逐层画感兴趣区ROI，对每个GGN自动计算并提取CT纹理特征；

步骤四、数据处理分析：对于纹理特征的选择：首先剔除两个测量者一致性检验ICC低于0.75的参数，再使用机器学习的方法对临床和影像组学特征对预测的重要性排序。

2.根据权利要求1所述的一种基于机器学习的双模态影像组学磨玻璃结节分类方法，其特征在于：所述病例资料收集的纳入标准为：0.8cm≤GGN≤3cm；同期同机行PET/CT扫描及屏气下胸部CT扫描；病灶于PET/CT检查后的1月内行手术切除且病理资料完整；

所述病例资料收集的排除标准为：图像质量不佳或PET显像中病灶低于64个体素者；5年内接受过任何抗肿瘤治疗的患者；肺癌分期为IB期及以上的患者；空腹血糖＞11.1mmol/L的患者；肝功能严重受损的患者。

3.根据权利要求1所述的一种基于机器学习的双模态影像组学磨玻璃结节分类方法，其特征在于：采用PET/CT显像仪进行图像采集的流程如下：患者禁食4-6小时，测量身高、体重和血糖；选择手背或肘部静脉注射显像剂¹⁸F-FDG，剂量为3.70-5.55MBq/kg，安静休息50-70分钟进行图像采集；患者仰卧于检查床，双手抱头，先行低剂量全身CT扫描，范围从颅底到股骨中段，再行全身PET扫描，2min/床，3D模式。

4.根据权利要求3所述的一种基于机器学习的双模态影像组学磨玻璃结节分类方法，其特征在于：图像重建参数及方法具体为：TrueX+TOF，2次迭代，21个子集，高斯滤波函数，半高全宽度2mm，矩阵200×200，放大倍数1.0，重建层厚3mm。

5.根据权利要求4所述的一种基于机器学习的双模态影像组学磨玻璃结节分类方法，其特征在于：在PET/CT采集后，对每个受检者行屏气下HRCT扫描，采集及重建参数：管电压140kV，管电流采用CareDose4D技术自动调整，旋转时间0.5s，螺距0.6，层厚1.0mm，层间隔0.5mm，矩阵512×512，重建算法B70f very sharp和B41f medium+，采用TrueD软件评估图像，肺窗窗宽1200HU，肺窗窗位-600HU，纵隔窗窗宽300HU，纵隔窗窗位40HU。