一种基于肿瘤表型特征的非小细胞肺癌预后方法
【技术领域】
[0001] 本发明涉及根据图像信息进行肿瘤预后的技术，特别是涉及一种基于肿瘤表型特 征的非小细胞肺癌预后方法。
【背景技术】
[0002] 采用无创技术进行肺部肿瘤的预后能够减少由传统的组织活检手段带来的手术 麻醉、肿瘤切除和时间等待等临床局限性。CT影像作为一种新的辅助诊断方式，能够以一种 无创的形式对人体内部的肿瘤给出一个较为全面的显示。因此，采用CT影像对非小细胞肺 癌进行预后分析，对每一个病变给出个性化的临床辅助诊断建议不仅与目前的精准医学概 念相吻合，并且能够提高非小细胞肺癌临床诊断的可靠性与准确性。
[0003] 肺部肿瘤分为良性肿瘤与恶性肿瘤两种，不同的肿瘤性质治疗方式完全不同，也 直接影响着预后。又根据肺肿瘤恶性程度，在临床上可分为肺癌早期（I、II)和肺癌晚期 (m、IV)肿瘤。根据肺部肿瘤组织活检结果，在临床上主要分为腺癌和鳞癌两大肺部癌症 类型。以上三种肿瘤的分类都需要医生根据其主观的临床经验以及肿瘤切片进行组织活检 得到结果，然而，就目前的诊断方式得到的诊断结果也往往存在错误。因此采用计算机方法 辅助完成肿瘤预后分析并给出可信的辅助诊断建议具有极高的临床意义。
【发明内容】
[0004] 为了实现上述目的，本发明提出了一种基于肿瘤表型特征的非小细胞肺癌预后方 法，实现了计算机方法辅助完成肿瘤预后分析并给出给出辅助诊断建议。
[0005] 本发明提出的一种基于肿瘤表型特征的非小细胞肺癌预后方法，包括：
[0006] 步骤S1，从非小细胞肺癌患者肺部影像数据库中对每一个肿瘤进行分割，提取目 标区域，并根据所述肿瘤目标区域图像提取肿瘤表型特征库；
[0007] 步骤S2,根据所述非小细胞肺癌患者肺部影像数据的临床信息和组织活检结果对 肿瘤进行分类，将分类的肺部影像数据的数据集按比例分为训练数据集和测试数据集；
[0008] 步骤S3,依据各分类肺部影像数据的训练数据集，采用机器学习方法对各分类肺 部影像数据的训练数据集进行特征训练，得到能够正确辨识各分类肺部影像数据的训练数 据集对应类型肿瘤关键特征，通过所述关键特征对各类肺部影像数据的测试数据集进行预 测统计和预后分析。
[0009] 优选的，步骤Sl中所述肿瘤目标区域图像提取肿瘤表型特征库包括一阶统计特 征、二阶特征和三维特征、纹理特征以及小波特征；
[0010] -阶统计特征包括熵、峰度、能量、最大灰度值、最小灰度值以及像素平均绝对偏 差；
[0011] 二阶特征应包括肿瘤最大径、肿瘤最小径以及单层最大面积；
[0012] 三维特征应包括三维最大径，体积，表面积，不对称性；
[0013] 纹理特征包括游程特征和灰度共生矩阵特征；
[0014] 小波特征包括在完成小波变换后的图像上提取的各种统计特征和纹理特征。
[0015] 优选的，步骤S2中所述对肿瘤进行的分类包括三类数据集：良性肿瘤与恶性肿 瘤、肺癌早期肿瘤与晚期肿瘤、腺癌肿瘤与鳞癌肿瘤。
[0016] 优选的，所述机器学习方法为模式识中的自动分类算法；所述关键特征为通过机 器学习方法在所述肿瘤表型特征库中筛选得到的具有预后价值的特征。
[0017] 优选的，所述机器学习方法为支持向量机算法或卷积神经网络算法或深度学习算 法。
[0018] 优选的，所述肺部影像为CT或磁共振或超声或其它临床影像设备采集得到的肺 部影像数据。
[0019] 本发明通过根据肺癌CT数据的表型特征采用机器学习方法对三种数据类型进行 训练，并从原始表型特征库中计算各个特征的预后贡献度，选择能够正确识别良性肿瘤与 恶性肿瘤、肺癌早期与肺癌晚期肿瘤、腺癌肿瘤与鳞癌肿瘤关键特征，并使用关键特征对各 测试数据集进行分类预测提供辅助诊断建议并进行预后精度分析，实现了计算机方法辅助 完成肿瘤预后分析并给出给出辅助诊断建议，具有较高的准确度。
【附图说明】
[0020] 图1为本发明的流程示意图；
[0021] 图2为本发明实施例的三例非小细胞肺癌目标数据图像的2D和3D视图；
[0022] 图3为本发明实施例的三种分类肺部影像数据的训练数据集对应类型肿瘤关键 特征在对应测试数据集上的分类预测精度结果图；
【具体实施方式】
[0023] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照 附图，对本发明作进一步的详细说明。
[0024] 如图1所示，本发明提出的一种基于肿瘤表型特征的非小细胞肺癌预后方法包 括：
[0025] 步骤S1，从非小细胞肺癌患者肺部影像数据库中对每一个肿瘤进行分割，提取目 标区域，并根据所述肿瘤目标区域图像提取肿瘤表型特征库。
[0026] 本实施例中肺部影像为CT采集得到的肺部影像数据，还可以为磁共振或超声或 其它临床影像设备采集得到的肺部影像数据。
[0027] 本步骤中，首先对于非小细胞肺癌患者肺部影像数据库中每一个肿瘤采用分割算 法进行肿瘤区域的分割，根据肿瘤目标数据，提取肿瘤的各个表型特征形成肿瘤表型特征 库。
[0028] 肿瘤表型特征库包括一阶统计特征、二维特征和三维特征、纹理特征以及小波特 征等；一阶统计特征包括熵、峰度、能量、最大灰度值、最小灰度值以及像素平均绝对偏差； 二阶特征应包括肿瘤最大径、肿瘤最小径以及单层最大面积；三维特征应包括三维最大径， 体积，表面积，不对称性；纹理特征包括游程特征和灰度共生矩阵特征；小波特征包括在完 成小波变换后的图像上提取的各种统计特征和纹理特征。对每一个肿瘤的表型特征提取结 束后，将每一个肿瘤的按照特征顺序有序存储。
[0029] 步骤S2,根据所述非小细胞肺癌患者肺部影像数据的临床信息和组织活检结果对 肿瘤进行分类，将分类的肺部影像数据的数据集按比例分为训练数据集和测试数据集。
[0030] 本实施例中对肿瘤进行的分类包括三类数据集：良性肿瘤和恶性肿瘤一类、临床 分期的肺癌早期（Ι、Π )和肺癌晚期（III、IV) -类、腺癌肿瘤和鳞癌肿瘤一类，共三类数据 集。并将以上三类数据集各分为训练数据集和测试数据集。训练数据集用于获取分类预测 的