[发明专利]一种融合传统特征与深度特征的影像组学分析方法

摘要

本发明公开了一种融合传统特征与深度特征的影像组学分析方法，包括以下步骤：首先，提取感兴趣区域的一阶特征、形状特征和纹理特征等传统特征；其次，对提取出的原始特征集进行特征选择剔除冗余特征；然后，通过卷积神经网络模型提取深度特征；最后，通过将传统特征与深度特征进行融合，实现不同组别的分类。本发明比单独使用传统特征或深度特征相比获得更好的分类效果。

主权项

1.一种融合传统特征与深度特征的影像组学分析方法，其特征在于，包括如下步骤：/n步骤1，传统特征提取/n步骤1-1，对Flair、T1、T1c、T2四种模态图像进行预处理，其中磁共振图像数据与分割结果图像数据均以三维矩阵的形式保存/n首先，将原始磁共振图像与肿瘤区域的标记图像进行矩阵点乘操作，得到肿瘤区域的图像；然后，将不同尺寸的肿瘤图像通过缩放方法统一调整为256×256×16大小的图像；最后，对数据进行min-max scaling归一化处理，将数据转化到[0,1]之间，计算公式如公式(1)所示：/n /n其中min为图像所有体素灰度值的最小值，max为所有体素灰度值的最大值，x为处理前的体素灰度值数据，x’为处理后的体素灰度值数据；/n步骤1-2，对肿瘤区域的图像进行传统特征提取/n提取的特征包括可见的非纹理特征与不可见的纹理特征，分别提取这些特征组成原始特征集；/n步骤2，传统特征的剔除与选择/n步骤2-1，使用特征选择方法对原始特征集中的大量冗余特征进行筛选和剔除，采取随机森林特征重要性评估方法，对所有特征进行重要性评估，具体特征评估算法步骤如下：/n步骤2-1-1，对随机森林模型中的每一棵决策树，选择相应的袋外数据计算袋外数据误差，记为errOBB1；/n步骤2-1-2，随机对袋外数据中的所有样本的某一特征x加入噪声干扰，用新得到的袋外数据重新计算袋外数据误差，记为errOBB2；/n步骤2-1-3，通过下式计算特征x的重要性评估值：/n∑(errOBB2-errOBB1)/N/n其中N为建立的随机森林模型中决策树的数量；/n步骤2-2，对评估值进行排序，设定阈值之后选取评估数值在阈值之上的特征组成新的子特征集；/n步骤3，深度特征提取/n步骤3-1，将经过图像预处理后的统一256×256×16尺寸大小的四种模态磁共振图像以多通道输入进卷积神经网络/n步骤3-2，以3×3×3尺寸为大小，1为固定步长依次建立7层卷积层，激活函数使用ReLU函数，卷积核数分别为32,64,128,256,128,64；在第2层和第5层卷积层后添加一层池化层，对卷积层做2×2×2的最大池化操作，步长为(2,2,2)，对于其他各层的卷积层添加窗口大小为2×2×1、步长大小为(2,2,1)的最大池化层，将最后一层后添加一层droupout层随机舍弃部分神经元，然后将得到的特征映射通过全连接层进行线性表示为1×1024的向量，再通过一层全连接层线性表示为1×2的向量作为最终分类结果；/n其中，对三维图像I作为输入，卷积核K为三维，卷积计算公式如公式(2)所示：/nS(i,j,k)＝(I*K)(i,j,k)＝∑_m∑_n∑_pI(m,n,p)K(i-m,j-n,k-p) (2)/n其中S为卷积结果矩阵，i、j、k指定了结果矩阵的某具体三维位置，m、n、p指定了输入矩阵的某具体三维位置，取值范围与卷积核和输入矩阵大小有关；/n步骤4，传统特征与深度特征融合/n步骤4-1，按照步骤3的参数构建卷积神经网络/n步骤4-2，将步骤2中得到的特征集作为全连接层输入，经过多层全连接层处理，公式如下：/nFC_new＝ReLU(FC_old·W) (3)/n上式中，FC_old和FC_new分别为每层的输入和输出的全连接层，W为权重矩阵，ReLU为激活函数；/n步骤4-3，将步骤4-1与步骤4-2得到的结果加权相加后得到分类结果预测值，并与实际值计算损失函数，加权相加的计算公式如下：/ny＝FC₁·W₁+FC₂·W₂+b (4)/n上式中，FC₁、FC₂分别为卷积神经网络的全连接层和传统特征经过多层处理后的全连接层，W₁、W₂分别为对应的权重矩阵，b为偏置。/n