[发明专利]放射性肺炎预警模型的训练的方法及应用

说明书

本发明公开了一种放射性肺炎预警模型的训练的方法及应用，该装置包括：数据预处理模块，用于根据所述肺功能影像和将所述肺CT影像划分高肺功能区域和低肺功能区域；特征提取模块，用于从所述高肺功能区域和低肺功能区域分别提取影像组学和剂量组学，以筛选出最优特征集；以及训练模块，用于根据所述最优特征集训练放射性肺炎预警模型。根据本发明实施方式的放射性肺炎预警模型的训练的方法及应用，该方法充分考虑了高低功能肺区域性差异，使得预警模型获得更加准确地、鲁帮地预测效果。

技术领域

本发明是关于机器学习领域，特别是关于一种放射性肺炎预警模型的训练的方法及应用。

背景技术

目前，机器学习已经在临床医学中有了广泛应用，不仅应用于辅助临床诊断，而且也用于预测临床结果。其中，对于肺癌放疗中放射性肺炎毒性的预测已经有了大量研究。其使用肺部CT影像和剂量分布的影像组学和剂量组学特征，以及机器学习分类算法，结合训练集的临床结果，建立放射性肺炎预测模型。基于CT影像的影像组学是分析肺部的统计学信息、形状参数和灰度纹理信息。基于三维剂量分布的剂量学因子包括剂量直方图因子、剂量梯度状况、剂量分布和纹理信息等。然而，现有研究使用的影像和剂量组学参数大都基于整个肺部，而忽略了肺部区域的差异性，例如基于肺功能影像的高低功能区。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种放射性肺炎预警模型的训练的方法及应用，解决现有技术中预警模型预测时未考虑高肺功能区域和低肺功能区域差异性的问题。

为实现上述目的，本发明的实施例提供了一种放射性肺炎预警模型的训练的方法。

在本发明的一个或多个实施方式中，所述方法包括：根据所述肺功能影像将所述肺CT影像划分高肺功能区域和低肺功能区域；从所述高肺功能区域和低肺功能区域分别提取影像组学和剂量组学，以筛选出最优特征集；以及根据所述最优特征集训练放射性肺炎预警模型。

在本发明的一个或多个实施方式中，根据所述肺功能影像将所述肺CT影像划分高肺功能区域和低肺功能区域，包括：对所述肺功能影像进行归一化处理；根据最优分割阈值将所述处理后的肺功能影像分割为高功能区和低功能区；将所述高功能区和低功能区与所述肺CT影像融合配准，并将所述CT影像与所述高功能区重叠的区域确定为高功能区域、以及将所述CT影像与所述低功能区重叠的区域确定为低功能区域。

在本发明的一个或多个实施方式中，从所述高肺功能区域和低肺功能区域分别提取影像组学和剂量组学，以筛选出最优特征集，包括：分别从所述高肺功能区域和所述低肺功能区域提取影像组学和剂量组学；将所述高肺功能区域的影像组学特征和所述低肺功能区域的影像组学特征组合为总影像组学，将所述高肺功能区域的剂量组学特征和所述低肺功能区域的剂量组学特征组合为总剂量组学；将所述总剂量组学和所述总影像组学合并为总双组学；根据所述总双组学筛选最优特征集。

在本发明的一个或多个实施方式中，根据所述总双组学筛选最优特征集，包括：通过方差分析和皮尔森相关性分析对所述总双组学中的所述影像组学特征和所述剂量组学特征进行过滤；对过滤后的所述影像组学特征和所述剂量组学特征进行F检验，筛选出P值小于预设阈值的影像组学和剂量组学，以得到中间最优特征集；以及基于所述中间最优特征集进行特征组合，得到最优特征集合。

在本发明的一个或多个实施方式中，所述方法还包括：根据所述最优特征集和回归分类器对所述样本训练集和样本验证集训练所述预警模型，并通过交叉验证和参数寻优确定最优的超参数。