[发明专利]一种基于CC-注意力机制的影像组学特征筛选方法

权利要求书

1.一种基于CC-注意力机制的影像组学特征筛选方法，其特征是，包括如下步骤：

a、选取若干CT影像并进行处理，得到可以进行计算的影像特征；各CT影像中的肿瘤对应微卫星高度不稳定性或微卫星低度不稳定性；所述肿瘤为结直肠癌；

b、将若干CT影像分为两组，其中一组对应微卫星高度不稳定性，另一组对应微卫星低度不稳定性；对每一组CT影像，分别执行如下步骤c；

c、将影像特征记作矩阵A，利用斯皮尔曼秩相关法求出影像特征和临床特征之间的相关系数，记作矩阵B；然后通过注意力机制的方法将与每一个临床特征相关性最强的三个影像特征的系数置为1，其他影像特征系数置为0，得到系数矩阵C；根据系数矩阵C中的非零元素从矩阵A中找到对应的影像特征；

d、将从两组CT影像中所找到的影像特征合并并去重，最终筛选出29个影像特征；

步骤a中可以进行计算的影像特征有如下100个：（1）形状特征：延伸率、平坦度、半轴长度、主轴长度、最大2D直径列、最大2D直径行、最大2D直径切片、最大3D直径柱、网格体积、最小轴长、球形度、表面积、表面体积比、体素体积；（2）一阶特征：第10%位数、第90%位数、能量、熵、四分位数、峰度、最大值、平均绝对偏差、平均值、中值、最小值、幅度、极差、均方根、偏度、总能量、均匀性、方差；（3）纹理特征：1）灰度共生矩阵：自相关、联合平均数、集群突出度、集群阴暗度、集群趋势、对比度、相关性、差异平均、差分熵、差异方差、联合能量、联合熵、相关信息度1、相关信息度2、逆差分矩归一化、反差距、逆差、归一化逆差、逆方差、最大概率、总和熵、平方和；2）灰度游程矩阵：灰度不均匀性、灰度非均匀性归一化、灰度级方差、高灰度级增强、长游程增强、长游程高灰度级增强、长游程低灰度级增强、低灰度级游程增强、游程熵、游程长度非均匀性、游程长度非均匀归一化、游程百分比、游程方差、短游程增强、短游程高灰度级增强、短游程低灰度级增强；3）灰度大小区域矩阵：灰度级不均匀性、灰度级非均匀性归一化、灰度级方差、高灰度级区域增强、大区域增强、大区域低灰度级增强、大区域高灰度级增强、低灰度级增强、尺寸区域非均匀性、尺寸区域非均匀性归一化、小区域增强、小区域高灰度级增强、小区域低灰度级增强、区域熵、区域百分比、区域方差；4）灰度依赖矩阵：依赖熵、依赖非均匀性、依赖非均匀性归一化、依赖方差、灰度级非均匀化、灰度级方差、高灰度级增强、强依赖性增强、强依赖性高灰度级增强、强依赖性低灰度级增强、低灰度级增强、小依赖增强、小依赖性高灰度级增强、小依赖性低灰度级增强；

步骤d中最终筛选出29个影像特征，分别是形状特征中：最小轴长；一阶特征中：能量、峰度、平均值、中值、幅度、均方根、偏度、总能量；纹理特征分四个子类别，分别如下：①灰度共生矩阵中：对比度、集群阴暗度、相关性、差异平均、联合能量、最大概率、归一化逆差；②灰度游程矩阵中：游程熵、短游程高灰度级增强、游程长度非均匀归一化、灰度不均匀性、灰度非均匀性归一化、长游程高灰度级增强；③灰度依赖矩阵中：小依赖性高灰度级增强、高灰度级增强、依赖非均匀性归一化、依赖方差、强依赖性低灰度级增强；④灰度大小区域矩阵中：大区域高灰度级增强、区域方差；

在步骤d得到29个影像特征之后，绘出影像特征在微卫星高度不稳定性和微卫星低度不稳定性时的箱线图；

步骤a中对CT影像进行处理，具体如下：首先根据医学图像处理软件Simple ITK来对肿瘤区域进行自动勾画，接着手动勾画来补充；再用Python的PyRadiomics包来对勾画好的影像进行特征提取，得到可以进行计算的影像特征；

步骤c中临床特征包括年龄、性别、周围是否有淋巴结转移、原始病发位置、CEA和CA724。