一种基于影像组学的脑胶质瘤分级预测方法与流程

本发明涉及影像组学辅助诊断技术，具体的说，涉及了一种基于影像组学的脑胶质瘤分级预测方法。

背景技术：

基于医学影像的技术一直应用于癌症的诊断和分期，由于脑胶质瘤具有持续的血管生成和组织浸润与转移的特性，正常组织与脑胶质瘤组织边界不清晰、转移位置不确定等不确定因素导致脑胶质瘤预后预测成为临床研究中面临的严峻的挑战。现阶段，在脑胶质瘤影像临床方面，影像科医生主要依照个人知识和经验对检查结果中脑胶质瘤的分级诊断进行主观、定性的判断，而且判断的结果意见也都是包含简单的量化信息，不能全面的描述出肿瘤信息，这不利于医生制定治疗方案和分级预测脑胶质瘤等级。

为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

技术实现要素：

本发明的目的是针对现有技术的不足，从而提供了一种基于影像组学的脑胶质瘤分级预测方法。

为了实现上述目的，本发明所采用的技术方案是：一种基于影像组学的脑胶质瘤分级预测方法，包括以下步骤：

步骤1，通过常规磁共振成像方法采集脑胶质瘤的原始医学图像，并对采集的原始医学图像进行图像格式、大小的统一化和数据的去隐私化处理，获得脑胶质瘤医学图像样本组；

步骤2，选取其中一个脑胶质瘤医学图像样本，手动分割脑胶质瘤医学图像样本中的感兴趣区；

步骤3，提取感兴趣区内的脑胶质瘤特征；

步骤4，针对步骤3提取的脑胶质瘤特征进行降维，选择出有效特征，生成目标特征集；

步骤5，在脑胶质瘤医学图像样本组内进行有放回的采样，重复步骤2至步骤4，生成训练集；

步骤6，根据训练集使用cox回归模型进行预测模型训练，生成预测模型。

基于上述，步骤1中所述的常规磁共振成像方法包括t1加权成像、t2加权成像、液体衰减反转恢复(flair)成像或增强后的t1加权成像的一种或多种组合。

基于上述，所述脑胶质瘤特征包括一阶统计学特征、空间几何特征、纹理特征和高阶统计特征。

基于上述，步骤4的具体步骤为：

步骤4.1，通过单变量分析技术初步选择25个约减特征作为约减特征集；

步骤4.2，在当前约减特征集的基础上，对其余特征逐个计算最大信息系数以及斯皮尔曼等级相关系数，通过增益公式选择增益最大的特征加入到约减特征集中；

步骤4.3，重复步骤4.2，直到约减特征集内的特征个数达到预设特征个数，获得目标特征集。

本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说，本发明利用影像组学方法开展了基于影像组学的脑胶质瘤分级预测，通过影像组学发掘医学影像中的隐藏信息来对脑胶质瘤进行分级，实现对肿瘤的无创诊断，既减轻了病人活检时的痛苦，又降低了医生对活检组织不完整造成的误差。与传统的临床影像相比，本发明补充了病理学检测的不足，为医生对患者肿瘤的检测、诊断、治疗方案制定等提供了更加具体的参考依据，实现了对癌症的精准医疗和个性化医疗服务的初级目标，对临床脑胶质瘤的诊断和治疗具有非常积极的意义。

附图说明

图1是基于影像组学的脑胶质瘤分级预测总体研究流程图。

图2是基于影像组学的脑胶质瘤分级预测技术的特征计算流程图。

具体实施方式

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

如图1所示，一种基于影像组学的脑胶质瘤分级预测方法，包括以下步骤：

步骤1，通过常规磁共振成像方法采集脑胶质瘤的原始医学图像，并对采集的原始医学图像进行图像格式、大小的统一化和数据的去隐私化处理，获得脑胶质瘤医学图像样本组；

其中，所述常规磁共振成像方法包括t1加权成像、t2加权成像、液体衰减反转恢复(flair)成像或增强后的t1加权成像的一种或多种组合；

步骤2，选取其中一个脑胶质瘤医学图像样本，手动分割脑胶质瘤医学图像样本中的感兴趣区；具体的，感兴趣区分割结果必须经两个影像科医生共同确认有效，当意见不一样时，需要两个影像科医生一起重新查看该脑胶质瘤医学图像样本，共同确认有效的感兴趣区分割结果；

步骤3，提取感兴趣区内的脑胶质瘤特征；优选的，所述脑胶质瘤特征包括一阶统计学特征、空间几何特征、纹理特征和高阶统计特征；

步骤4，针对步骤3提取的脑胶质瘤特征进行降维，选择出有效特征，生成目标特征集，从而减小脑胶质瘤特征的冗余性；

步骤5，在脑胶质瘤医学图像样本组内进行带放回的采样，重复步骤2至步骤4，生成训练集{x1，x2，……,xq}，其中，q为带放回采样次数，优选的，本实施例采用bootstrap采样法；

步骤6，根据训练集{x1，x2，……,xq}使用cox回归模型进行预测模型训练，生成预测模型。

因为cox回归模型主要用于肿瘤和其它慢性病的预后分析，通过实验对比分析，cox回归模型在脑胶质瘤的分级预测模型训练中，取得了较好的预测效果。具体计算如下：

其中h0(t)是基准风险函数，x1、x2……xq是训练集，β1、β2……βq是回归系数。

针对脑胶质瘤影像的灰度值比较集中的特性，本发明采用所述一阶统计学特征来描述；具体的，所述一阶统计学特征是基于直方图的一阶统计，包括能量、熵、均值、最大值、中位数等17项统计特征，主要用于描述特征值的分布情况而不考虑其空间关系；其中，标准差、变异、平均绝对偏差这3个统计特征用来计算统计直方图的分散程度；偏度反映了统计直方图偏离均值的不对称程度，峰度反映了直方图分布的陡缓程度；均匀性和熵用来度量直方图的随机程度。

针对脑胶质瘤具有的一些空间特性，本发明采用空间几何特征来描述脑胶质瘤的空间几何特性，包括紧凑性、最大直径、离心率等9项特征，具体的，通过最大三维直径、表面积、体积这3项特征来反映脑胶质瘤的空间尺寸大小；通过紧凑度、球不对称性、球度以及面容比这4项特征来反映脑胶质瘤的形状特征，如球形、瘦长等。

针对脑胶质瘤具有的异质性等特性，本发明采用纹理特征来度量脑胶质瘤内部的异质性；在影像组学中，纹理特征用于描述体积元素间的相似性对比值，具体包括灰度共生矩阵特征21项、灰度行程矩阵特征13项、灰度区域大小矩阵特征5项、局部灰度差分矩阵特征5项，共计纹理特征44项。

针对脑胶质瘤的一些高维特征，本发明采用高阶统计特征来降低高维特征的复杂度。

具体的，如图2所示为本发明一阶统计学特征、空间几何特征、纹理特征的提取过程：

首先采用小波变换对感兴趣区图像进行三维小波变换，从而将感兴趣区图像分解为8个小波子带；

假设l和h分别代表有方向的低通函数和高通函数，x表示感兴趣区图像，对x的分解分别标为xlll,xllh,xlhl,xlhh,xhll,xhlh,xhhl,xhhh，例如xllh可以解释为高通子带，计算方法是对x沿x方向低通滤波，沿y方向进行低通滤波，沿z方向进行高通滤波；

由于小波分解没有对数据造成破坏，因此分解后的数据与感兴趣区图像大小相同，可在8个小波子带中采用相同的算法计算所述脑胶质瘤特征；具体的计算过程如下：采用5种滤波权重[1/2,2/3,1,3/2,2]对8个小波子带进行组合计算，获得一阶统计特征；

在8个小波子带中，以pixelw、1、2、3、4、5作为体积元素采样分辨率，采用各向同性重采样提取空间几何特征；

在8个小波子带中，将灰度级量化到一定范围，本发明中采用了8、16、32、64四个灰度级，并采用lloyd和equal两种方式进行量化重建后，提取灰度共生矩阵特征、灰度行程矩阵特征、灰度区域大小矩阵特征和局部灰度差分矩阵特征。

具体的，步骤4的步骤为：

步骤4.1，通过单变量分析技术初步选择25个约减特征作为约减特征集；

定义x＝{xj∈r:j＝1,2,…p}为当前样本的所有脑胶质瘤特征，脑胶质瘤特征总数为p，xj为第j个脑胶质瘤特征；

定义y＝{yj∈r:i＝1,2,…n}为目标向量；

逐个计算脑胶质瘤特征与目标向量的斯皮尔曼等级相关系数，按照从大到小的顺序进行排列，选择最大的25个脑胶质瘤特征作为初选的目标特征集x；

步骤4.2，在当前约减特征集的基础上，对其余特征逐个计算最大信息系数以及斯皮尔曼等级相关系数，通过增益公式选择增益最大的特征加入到约减特征集中，具体的，增益公式为：

gainj＝wsrs(xj,y)+wrsum(micr)+wfsum(micf)(1)

其中rs(xj,y)是脑胶质瘤特征对于输出的斯皮尔曼等级相关系数，micr是脑胶质瘤特征与目标特征集中所有集合的最大信息系数的和，micf是未选择特征集合中所有集合的最大信息系数的和；ws、wr、wf是以上三个值的权重。经过增益公式计算增益使得选择特征时偏向于选择与已经选择的约减特征集具有最小相关的特征；

步骤4.3，重复步骤4.2，直到约减特征集内的特征个数达到预设特征个数，获得目标特征集x。优选的，预设特征个数为30。

为了评价算法的性能，本发明将恶性肿瘤定义为正类，将良性肿瘤定义为负类；如果样本是正类并且也被预测成正类，即为真正类，记为tp；如果样本是负类被预测成正类，称之为假正类，记为fp，这种情况属于漏报；如果样本是负类被预测成负类，称之为真负类，记为tn，这种情况属于误报；如果样本是正类被预测成负类则为假负类，记为fn；

进一步的，引入真正类率、负正类率和真负类率三个计算数值来评价预测结果，其中，真正类率tpr＝tp/(tp+fn)，用于描述所述预测模型识别出的所有正样本的比例；负正类率fpr＝fp/(fp+tn)，用于描述所述预测模型错将负样本分为正类占负样本的比例；真负类率tnr＝tn/(fp+tn)＝1-fpr，用于描述所述预测模型识别出所有负样本的比例。

将样本代入所述预测模型可以得到一系列预测结果，按照概率从大到小排列，根据不同的阈值可以获得不同的tpr和fpr，连接后可以得到roc曲线，对曲线进行积分操作可以得到auc值。在相应auc相差不大的情况下，选择tpr较高的模型。

最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。