一种基于MRI图像的乳腺癌化疗疗效预测系统及方法

本发明涉及医疗数据处理，更具体地说，本发明涉及一种基于mri图像的乳腺癌化疗疗效预测系统及方法。

背景技术：

1、乳腺癌是目前全球女性最常见的恶性肿瘤，其多种治疗方法一直备受人们关注，近年来，随着影像组学迅速发展，为医学研究提供了新的思路、新的工具，核磁共振（mri）图像作为乳腺癌临床医学治疗的影像手段，可以间接反映肉眼无法识别的肿瘤异质性，发现定量数据和病理表型之间的相关性，从而对乳腺癌后续化疗中的疗效进行影像学辅助，帮助医患双方更好的进行正确的化疗操作。

2、申请公开号为cn114549463a的中国专利公开了一种乳腺癌肝转移抗her-2治疗的疗效预测方法、系统、设备及介质，其基于腹部增强ct的影像组学特征在预测bclm抗her-2治疗疗效中的价值，经试验证明，基于纹理特征建立的影像组学模型是较准确和客观的，影像组学可成为判断乳腺癌肝转移患者抗her-2治疗疗效优劣的客观精准且简单易行的无创工具，其中强化ct门静脉期的rf算法模型的分类效能最佳，从而为her-2阳性的bclm患者的抗her-2治疗疗效预测和总体治疗方案提供参考信息和相关临床指导意见，因此具有良好的实际应用价值；

3、现有技术存在以下不足：

4、现有的乳腺癌化疗疗效预测系统在基于mri图像识别时，通过观察了解mri图像中的特征数据，并结合医生专业知识进行化疗疗效的预测评估，由于mri图像的数量较多，受到不同乳腺位置和设备误差的影响程度也有所不同，使得mri图像的质量参差不齐，从而导致无法快速且准确的识别到最合适的mri图像，增加了预测评估的时长，也降低了后续对乳腺癌化疗疗效的预测准确性。

5、鉴于此，本发明提出一种基于mri图像的乳腺癌化疗疗效预测系统及方法以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种基于mri图像的乳腺癌化疗疗效预测系统，包括：

2、目标图像筛选模块，获取患者的原始mri图像，基于图像筛选准则，从原始mri图像中筛选出目标mri图像；

3、病灶区域识别模块，在目标mri图像中标记出区域分界点，将区域分界点连线后，获得病灶区域；

4、数据采集模块，采集病灶区域的历史训练数据集合，历史训练数据集合包括综合化疗数据和病灶缩减值；

5、模型训练模块，基于历史训练数据集合，训练预测出病灶缩减值的机器学习模型，并基于训练完成的机器学习模型预测出病灶缩减值；

6、分析对比模块，采集实时的综合化疗数据，预测出实时的病灶缩减值，并判定是否生成化疗有效提示；

7、预测分级模块，基于实时的病灶缩减值和预测的病灶缩减值，生成病灶面积差值，基于病灶面积差值，生成化疗有效级别。

8、进一步的，图像筛选准则包括：mri图像的信噪比超过安全信噪比，mri图像的分辨率超过安全分辨率；

9、目标mri图像的筛选方法包括：

10、通过核磁共振设备获取原始mri图像的信噪参数，信噪参数包括中心区域的信号测量强度、周围四角背景区域信号强度的标准偏差的平均值和层厚；

11、基于信噪参数，计算信噪比；

12、信噪比的表达式为：

13、；

14、式中，为信噪比，为中心区域的信号测量强度，为层厚，为周围四角背景区域信号强度的标准偏差，常数；

15、标记信噪比超过安全信噪比的个原始mri图像，汇总得到第一图像集合；

16、扫描第一图像集合中的个原始mri图像，逐一标记个原始mri图像的分辨率；

17、标记分辨率超过安全分辨率的个原始mri图像，汇总得到第二图像集合；

18、结合个信噪比和个分辨率，获得个图像质量值；

19、图像质量值的表达式为：

20、；

21、式中，为第个图像质量值，为第个信噪比，为第个分辨率，、为权重因子；

22、从个图像质量值中筛选出最大值对应的原始mri图像，标记为目标mri图像。

23、进一步的，区域分界点的标记方法包括：

24、扫描目标mri图像中的所有像素点，并标记所有像素点的灰度值；

25、将灰度值大于预设灰度阈值的像素点记为病灶像素点；

26、建立xy坐标轴，将xy坐标轴的原点置于其中一个病灶像素点上，余下的病灶像素点分别位于xy坐标轴的第一象限、第二象限、第三象限和第四象限内；

27、调整xy坐标轴的原点的位置，使得第一象限、第二象限、第三象限和第四象限中任意两个象限之间的病灶像素点的数量差值小于预设安全差值；

28、以xy坐标轴的原点为起点，以间隔角度为5度的标准，在第一象限、第二象限、第三象限和第四象限内分别画直线，获得连接线；

29、通过比例尺测量位于连接线上的每一个病灶像素点至原点的距离值，将距离值的最大值对应的病灶像素点标记为区域分界点。

30、进一步的，综合化疗数据包括信号强度变化率、边界尖锐度和分布距离值；

31、信号强度变化率的获取方法包括：

32、在病灶区域中随机选择个不相邻的病灶像素点，并记录个病灶像素点的初始信号强度值；

33、间隔两个预设记录时长后，记录个病灶像素点的终末信号强度值；

34、将个病灶像素点的终末信号强度值与个病灶像素点的初始信号强度值求差比较，获得个信号强度差值；

35、信号强度差值的表达式为：

36、；

37、式中，为第个信号强度差值，为第个病灶像素点的终末信号强度值，为第个病灶像素点的初始信号强度值；

38、将个信号强度差值分别与预设记录时长比较后，获得个子变化率；

39、子变化率的表达式为：

40、；

41、式中，为第个子变化率，为预设记录时长；

42、将个子变化率累加后求平均，获得信号强度变化率；

43、信号强度变化率的表达式为：

44、；

45、式中，为信号强度变化率，为第个子变化率。

46、进一步的，边界尖锐度的获取方法包括：

47、在xy坐标轴中，以坐标轴的原点为圆心画圆，获得像素圆；

48、调整像素圆的半径，使得第一象限、第二象限、第三象限和第四象限内均留有位于像素圆外侧的病灶像素点，并将位于像素圆外侧的病灶像素点标记为边界像素点；

49、测量位于第一象限和第二象限内的两个边界像素点在x轴方向上的最大距离，以及位于第三象限和第四象限内的两个边界像素点在x轴方向上的最大距离值，分别记为第一最大值和第二最大值；

50、将第一最大值和第二最大值累加后求平均，获得边界宽度值；

51、测量位于第一象限和第四象限内的两个边界像素点在y轴方向上的最大距离值，以及位于第二象限和第三象限内的两个边界像素点在y轴方向上的最大距离值，分别记为第三最大值和第四最大值；

52、将第三最大值和第四最大值累加后求平均，获得边界长度值；

53、将边界宽度值与边界长度值比较，获得边界尖锐度；

54、边界尖锐度的表达式为：

55、；

56、式中，为边界尖锐度，为边界宽度值，为边界长度值。

57、进一步的，分布距离值的获取方法包括：

58、在xy坐标轴的第一象限内标记x坐标值最大值对应的第一像素点和y坐标值最大值对应的第二像素点；

59、通过比例尺测量第一像素点至第二像素点的距离，获得第一距离值；

60、在xy坐标轴的第二象限内标记x坐标值最小值对应的第三像素点和y坐标值最大值对应的第四像素点；

61、通过比例尺测量第三像素点至第四像素点的距离，获得第二距离值；

62、在xy坐标轴的第三象限内标记x坐标值最小值对应的第五像素点和y坐标值最小值对应的第六像素点；

63、通过比例尺测量第五像素点至第六像素点的距离，获得第三距离值；

64、在xy坐标轴的第四象限内标记x坐标值最大值对应的第七像素点和y坐标值最小值对应的第八像素点；

65、通过比例尺测量第七像素点至第八像素点的距离，获得第四距离值；

66、将第一距离值、第二距离值、第三距离值和第四距离值累加后求平均，获得分布距离值；

67、分布距离值的表达式为：

68、；

69、式中，为分布距离值，为第一距离值，为第二距离值，为第三距离值，为第四距离值。

70、进一步的，病灶缩减值的获取方法包括：

71、a1：扫描未经化疗的病灶区域获得第一病灶扫描图像；

72、a2：将第一病灶扫描图像以相同宽度和长度划分为个方格，记录方格的最大容纳数量；

73、a3：逐一统计个方格内病灶像素点的数量，将病灶像素点的数量大于预设最低数量的方格记为有效方格，获得个有效方格；

74、a4：将个有效方格的面积累加后，获得病灶初始面积；

75、病灶初始面积的表达式为：

76、；

77、式中，为病灶初始面积，为第个有效方格的面积；

78、a5：扫描经过化疗的病灶区域获得第二病灶扫描图像，重复执行a2-a4的步骤，获得病灶终末面积；

79、a6：将病灶初始面积与病灶终末面积求差比较，获得病灶缩减值；

80、病灶缩减值的表达式为：

81、；

82、式中，为病灶缩减值，为病灶终末面积。

83、进一步的，预测出病灶缩减值的机器学习模型的训练方法包括：

84、将综合化疗数据转换为对应的一组特征向量；

85、将特征向量作为机器学习模型的输入，并将每组综合化疗数据对应的病灶缩减值作为机器学习模型的输出，以病灶缩减值为预测目标，以最小化所有训练数据的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练；

86、是否生成化疗有效提示的判定方法包括：

87、将实时的病灶缩减值与预测的病灶缩减值比较；

88、当大于等于时，判定生成化疗有效提示；

89、当小于时，判定不生成化疗有效提示。

90、进一步的，病灶面积差值的表达式为：

91、；

92、式中，为病灶面积差值；

93、化疗有效级别包括一级有效级别和二级有效级别，一级有效级别和二级有效级别的生成方法包括：

94、将病灶面积差值与预设的病灶面积阈值比较；

95、当小于时，生成一级有效级别；

96、当大于等于时，生成二级有效级别。

97、一种基于mri图像的乳腺癌化疗疗效预测方法，基于一种基于mri图像的乳腺癌化疗疗效预测系统实现，包括：

98、步骤一：获取患者的原始mri图像，基于图像筛选准则，从原始mri图像中筛选出目标mri图像；

99、步骤二：在目标mri图像中标记出区域分界点，将区域分界点连线后，获得病灶区域；

100、步骤三：采集病灶区域的历史训练数据集合，历史训练数据集合包括综合化疗数据和病灶缩减值；

101、步骤四：基于历史训练数据集合，训练预测出病灶缩减值的机器学习模型，并基于训练完成的机器学习模型预测出病灶缩减值；

102、步骤五：采集实时的综合化疗数据，预测出实时的病灶缩减值，并判定是否生成化疗有效提示；

103、步骤六：基于实时的病灶缩减值和预测的病灶缩减值，生成病灶面积差值，基于病灶面积差值，生成化疗有效级别。

104、本发明一种基于mri图像的乳腺癌化疗疗效预测系统及方法的技术效果和优点：

105、本发明通过获取患者的原始mri图像，基于图像筛选准则，在原始mri图像中筛选出目标mri图像，从目标mri图像中标记出区域分界点，将区域分界点连线后，获得病灶区域，采集病灶区域的历史训练数据集合，历史训练数据集合包括综合化疗数据和病灶缩减值，基于历史训练数据集合，训练预测出病灶缩减值的机器学习模型，并基于训练完成的机器学习模型预测出病灶缩减值，采集实时的综合化疗数据，预测出实时的病灶缩减值，并判定是否生成化疗有效提示，基于实时的病灶缩减值和预测的病灶缩减值，生成病灶面积差值，基于病灶面积差值，生成化疗有效级别；相对于现有技术，能够基于图像数据处理技术，快速且准确的从mri图像中识别到病灶区域，以病灶区域为基础，精准的获取到影响乳腺癌化疗疗效的综合化疗数据，并利用机器学习模型来对乳腺癌的化疗疗效进行准确的预测评估，有效的缩短了乳腺癌化疗疗效预测评估的周期时长，提高了利用mri图像对乳腺癌化疗疗效预测的效率。