[发明专利]克罗恩病的全面疾病严重程度指数的预测方法及相关设备

权利要求书

1.一种克罗恩病的全面疾病严重程度指数的预测装置，其特征在于，所述的预测装置包括：

获取模块，用于获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征，其中，所述影像数据为克罗恩病患者的影像数据，所述影像数据为患有克罗恩病患者的3D腹腔CT图像，所述3D腹腔CT图像包括肠系膜脂肪组织区域；

所述获取待预测的影像数据中的肠系膜脂肪组织的影像组学特征具体包括：

将待预测的影像数据输入分割网络模型，通过分割网络模型识别所述影像数据中的肠系膜脂肪组织区域，所述分割网络模型为基于深度学习的神经网络模型，分割网络模型用于提取影像数据中的肠系膜脂肪组织区域；

对所述肠系膜脂肪组织区域进行特征提取，以得到所述影像数据中的肠系膜脂肪组织的影像组学特征，所述影像组学特征用于反映影像数据中的肠系膜脂肪组织的生物学信息，其中，所述影像组学特征包括4个影像组学特征类别，分别为量化强度、形状、纹理和小波特征，所述影像组学特征包括1130个影像组学特征，分别为14个形状特征、18个一阶特征、24个灰度游走矩阵、16个灰度游程矩阵、16个灰度区域矩阵、5个领域灰度矩阵、14个灰度相关矩阵、744个小波特征以及279个拉普拉斯高斯滤波特征；

第一确定模块，用于基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分；

所述基于所述影像组学特征，确定第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分具体包括：

将所述影像组学特征输入经过训练的分类模型，通过分类模型输出第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分，所述分类模型为由SVM分类器构建的分类模型；

所述将所述影像组学特征输入经过训练的分类模型，通过分类模型输出第一数量的克罗恩病的第一影响因素中的各第一影响因素对应的第一评分具体包括：

将所述影像组学特征输入回归模型，通过所述回归模型确定第一数量的克罗恩病的第一影响因素中的各第一影响因素各自对应的子影像组学特征，其中，子影像组学特征包含于所述影像组学特征内，并且子影像组学特征的特征数量小于影像组学特征的特征数量，所述回归模型采用lasso回归；

分别将各子影像组学特征输入经过训练的分类模型，通过分类模型输出各第一影响因素对应的第一评分，所述分类模型为二分类模型；

确定第一影响因素对应的类别，当第一影响因素具有两个类别时，直接通过所述分类模型对第一影响因素进行二分类；当第一影响因素具有三个类别时，先将三个类别中两个类别合并成一个类别，通过分类模型进行二分类；当分类结果为两个类别合成的类别时，再对合并的两个类别通过分类模型进行二分类；

所述第一数量的克罗恩病的第一影响因素包括CRP、白蛋白、贫血、瘘、肛周脓肿、狭窄、病变范围以及黏膜病变；

第二确定模块，用于获取影像数据对应的临床信息，并基于所述临床信息确定第二数量的克罗恩病的第二影响因素中的各第二影响影像对应的第二评分；

预测模块，用于基于确定的所有第一评分和所有第二评分，预测克罗恩病的全面疾病严重程度指数。

2.根据权利要求1所述克罗恩病的全面疾病严重程度指数的预测装置，其特征在于，所述第二数量的克罗恩病的第二影响因素包括腹痛、稀便、有无肛门直肠疼痛或肠道急症或失禁或分泌物或里急后重、手术史、有无造口、疫抑制剂或生物制剂、过去一年有无用类固醇以及对日常生活的影响。

3.根据权利要求1所述克罗恩病的全面疾病严重程度指数的预测装置，其特征在于，所述影像组学特征包括量化强度类特征、形状类特征、纹理类特征以及小波特征类特征。