基于肠系膜脂肪的克罗恩病的临床结局的分类方法及设备

1.本技术涉及生物医学技术领域，特别涉及一种基于肠系膜脂肪的克罗恩病的临床结局的分类方法及设备。


背景技术：

2.克罗恩病(crohn
‘
s disease，cd)是一种病因和发病机制尚不完全清楚的慢性炎症性肠病(inflammatory bowel disease，ibd)，其临床特点为慢性病程、易复发、并发症多以及致残率高，严重影响患者的生活质量。爬行脂肪或肠系膜脂肪增生，即炎性肠段周围肠系膜脂肪增厚堆积，被认为是cd的特征性表现。爬行脂肪在cd病程中的角色十分神秘，既有促炎的作用也有抗炎的功能，它是导致cd肠道病变的原因还是肠道病变所引发的后续改变仍无定论。但目前可以确定的是，它与肠道透壁炎症/纤维化和其他结缔组织改变均相关，在促进cd患者的肠道和全身炎症反应中具有重要作用。肠系膜脂肪增生与cd患者累积的肠道损伤具有相关性，在患者不良临床结局中发挥重要的角色。然而，目前肠系膜脂肪普遍是通过人为对病理标本进行观察以确定临床结局，这样会高度依赖医生的专业水平和临床经验，且比较耗时。


技术实现要素：

3.本技术要解决的技术问题在于，针对现有技术的不足，提供一种基于肠系膜脂肪的克罗恩病的临床结局的分类方法及设备。
4.为了解决上述技术问题，本技术实施例第一方面提供了一种基于肠系膜脂肪的克罗恩病的临床结局的分类方法，所述的分类方法包括：
5.获取待预测的影像数据的影像组学特征，其中，所述影像数据为克罗恩病患者的影像数据，所述影像组学特征包括肠系膜脂肪组织特征和皮下脂肪组织特征；
6.基于所述影像组学特征以及经过训练的分类模型，确定所述影像数据对应的临床结局类别，其中，所述临床结局类别包括良好或不良。
7.所述基于肠系膜脂肪的克罗恩病的临床结局的分类方法，其中，所述获取待预测的影像数据的影像组学特征具体包括：
8.确定所述影像数据中的肠系膜脂肪组织的第一位置信息和皮下脂肪组织的第二位置信息；
9.基于所述影像数据、所述第一位置信息以及所述第二位置信息，提取所述影像数据的影像组学特征。
10.所述基于肠系膜脂肪的克罗恩病的临床结局的分类方法，其中，所述肠系膜脂肪组织特征和皮下脂肪组织特征均包括量化强度类特征、形状类特征、纹理类特征以及小波特征类特征。
11.所述基于肠系膜脂肪的克罗恩病的临床结局的分类方法，其中，所述基于所述影像组学特征以及经过训练的分类模型，确定所述影像数据对应的临床结局类别之前，所述
方法还包括：
12.将所述影像组学特征输入筛选网络模型，通过所述筛选网络模型对所述影像组学特征进行筛选，并将筛选后的影像组学特征作为影像组学特征。
13.所述基于肠系膜脂肪的克罗恩病的临床结局的分类方法，其中，所述筛选网络模型为rfe筛选器。
14.所述基于肠系膜脂肪的克罗恩病的临床结局的分类方法，其中，所述将所述影像组学特征输入经过训练的分类模型，通过所述分类模型确定所述影像数据对应的临床结局类别具体包括：
15.采用min
‑
max标准化方式对所述影像组学特征进行标准化，并将标准化后的影像组学特征输入经过训练的分类模型，通过所述分类模型确定所述影像数据对应的临床结局类别。
16.本技术实施例第二方面提供了一种基于肠系膜脂肪的克罗恩病的临床结局的分类装置，所述的分类装置包括：
17.获取模块，用于获取待预测的影像数据的影像组学特征，其中，所述影像数据为克罗恩病患者的影像数据，所述影像组学特征包括肠系膜脂肪组织特征和皮下脂肪组织特征；
18.确定模块，用于基于所述影像组学特征以及经过训练的分类模型，确定所述影像数据对应的临床结局类别，其中，所述临床结局类别包括良好或不良。
19.本技术实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于肠系膜脂肪的克罗恩病的临床结局的分类方法中的步骤。
20.本技术实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
21.所述通信总线实现处理器和存储器之间的连接通信；
22.所述处理器执行所述计算机可读程序时实现如上任一所述的基于肠系膜脂肪的克罗恩病的临床结局的分类方法中的步骤。
23.有益效果：与现有技术相比，本技术提供了一种基于肠系膜脂肪的克罗恩病的临床结局的分类方法及设备，所述方法包括获取待预测的影像数据的肠系膜脂肪组织特征和皮下脂肪组织特征；然后通过经过训练的分类模型以及肠系膜脂肪组织特征和皮下脂肪组织特征确定所述影像数据对应的临床结局类别。本实施例通过训练的分类模型以及肠系膜脂肪组织特征和皮下脂肪组织特征来确定影像数据的临床结局类别，提高了临床结局类别的准确性和客观性，从而可以给医生带来方便。
附图说明
24.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员而言，在不符创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1为本技术提供的基于肠系膜脂肪的克罗恩病的临床结局的分类方法的流程
图。
26.图2为本技术提供的基于肠系膜脂肪的克罗恩病的临床结局的分类方法中的3d腹腔ct图像的单层图像。
27.图3为本技术提供的基于肠系膜脂肪的克罗恩病的临床结局的分类方法中的3d腹腔ct图像的掩膜图。
28.图4为本技术提供的基于肠系膜脂肪的克罗恩病的临床结局的分类装置的结构原理图。
29.图5为本技术提供的终端设备的结构原理图。
具体实施方式
30.本技术提供一种基于肠系膜脂肪的克罗恩病的临床结局的分类方法及设备，为使本技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
31.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
32.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
33.应理解，本实施例中各步骤的序号和大小并不意味着执行顺序的先后，各过程的执行顺序以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
34.发明人经过研究发现，克罗恩病(crohn
‘
s disease，cd)是一种病因和发病机制尚不完全清楚的慢性炎症性肠病(inflammatory bowel disease，ibd)，其临床特点为慢性病程、易复发、并发症多以及致残率高，严重影响患者的生活质量。爬行脂肪或肠系膜脂肪增生，即炎性肠段周围肠系膜脂肪增厚堆积，被认为是cd的特征性表现。爬行脂肪在cd病程中的角色十分神秘，既有促炎的作用也有抗炎的功能，它是导致cd肠道病变的原因还是肠道病变所引发的后续改变仍无定论。但目前可以确定的是，它与肠道透壁炎症/纤维化和其他结缔组织改变均相关，在促进cd患者的肠道和全身炎症反应中具有重要作用。肠系膜脂肪增生与cd患者累积的肠道损伤具有相关性，在患者不良临床结局中发挥重要的角色。然而，目前肠系膜脂肪普遍是通过人为对病理标本进行观察以确定临床结局，这样会高度依赖医生的专业水平和临床经验，且比较耗时。
35.为了解决上述问题，在本技术实施例中，获取待预测的影像数据的肠系膜脂肪组织特征和皮下脂肪组织特征；然后通过经过训练的分类模型以及肠系膜脂肪组织特征和皮
下脂肪组织特征确定所述影像数据对应的临床结局类别。本实施例通过训练的分类模型以及肠系膜脂肪组织特征和皮下脂肪组织特征来确定影响数据的临床结局类别，提高了临床结局类别的准确性和客观性，从而可以给医生带来方便。
36.下面结合附图，通过对实施例的描述，对申请内容作进一步说明。
37.本实施例提供了一种基于肠系膜脂肪的克罗恩病的临床结局的分类方法，如图1所示，所述方法包括：
38.s10、获取待预测的影像数据的影像组学特征。
39.具体地，所述影像数据为患有克罗恩病患者的影像数据，在本实施例中，影像数据为患有克罗恩病患者的3d腹腔ct图像，3d腹腔ct图像包括肠系膜脂肪组织区域和皮下脂肪组织区域。影像组学特征包括影像数据中的肠系膜脂肪组织的影像组学特征以及皮下脂肪组织的影像组学特征，也就是说，所述影像组学特征包括肠系膜脂肪组织特征和皮下脂肪组织特征。例如，如图2和图3所示，影像数据为3d腹腔ct图像的单层图像，其中，肠系膜脂肪组织及皮下脂肪组织均上以肝顶为界，下以盆底为界，肠系膜脂肪组织为深色区域，其组织密度为
‑
150到
‑
50hu)，皮下脂肪组织包括肌间隙脂肪，其为围绕深色区域的浅色区域，其组织密度为
‑
190到
‑
30hu。
40.在本实施例的一个实现方式中，所述获取待预测的影像数据的影像组学特征具体包括：
41.确定所述影像数据中的肠系膜脂肪组织的第一位置信息和皮下脂肪组织的第二位置信息；
42.基于所述影像数据、所述第一位置信息以及所述第二位置信息，提取所述影像数据的影像组学特征。
43.具体地，第一位置信息用于在影像数据中定位肠系膜脂肪组织，第二位置信息用于在影像数据中定位皮下脂肪组织。其中，所述第一位置信息和第二位置信息可以是通过显示影像数据并接收选取操作，然后在基于选取操作确定选取操作对应的感兴趣区域，获取感兴趣区域在影像数据中的位置信息以得到第一位置信息和/或第二位置信息。当然，还可以采用其他方式来确定第一位置信息和第二位置信息，例如，传统的图像分割方法等。在本实施例的一个实现方式中，所述影像组学特征可以通过调用pyradiomics库来提取。
44.所述影像组学特征包括肠系膜脂肪组织特征和皮下脂肪组织特征，其中，所述肠系膜脂肪组织特征和皮下脂肪组织特征均包括量化强度类特征、形状类特征、纹理类特征以及小波特征类特征。在一个典型实施例中，所述肠系膜脂肪组织特征和皮下脂肪组织特征均包括1130个特征，也就是说，影像组学特征为2260维特征。其中，肠系膜脂肪组织特征和皮下脂肪组织特征均包括14个形状特征，18个一阶特征，24个灰度游走矩阵(glcm)16个灰度游程矩阵(glrlm)16个灰度区域矩阵(glszm)、5个领域灰度矩阵(ngtdm)、14个灰度相关矩阵(gldm)、744个小波特征(wavelet)以及279个拉普拉斯高斯滤波特征(log)，其中，所述形状特征用于反映感兴趣区域roi的形状，一阶特征为与roi体素强度分布相关的特征，灰度游走矩阵用于描述roi的二阶联合概率函数，灰度游程矩阵为量化灰度游程，灰度区域矩阵为量化灰度区域，领域灰度矩阵用于描述了roi和其邻域的灰度值、平均灰度值之差，小波特征为对roi进行小波变换，具有多分辨率的特点，其中，当各特征为肠系膜脂肪组织特征时，感兴趣区域为肠系膜脂肪组织区域，当各特征为皮下脂肪组织特征时，感兴趣区域
为皮下脂肪组织区域。
45.s20、基于所述影像组学特征以及经过训练的分类模型，确定所述影像数据对应的临床结局类别，其中，所述临床结局类别包括良好或不良。
46.具体地，所述分类模型为预先经过训练的网络模型，其中，分类模型可以为二分类模型。也就是说，分类模型配置有两个默认类别，分别为良好和不良，通过分类模型以及影像组学特征确定影像数据对应的临床结局类别时，确定的临床结局类别包含于默认类别中，从而临床结局类别可以为良好或者不良。在一个典型实现方式中，分类模型可以采用rf分类器，rf分类器的参数n_estimators(决策树数量)可以采用网格寻优方法来进行参数寻优。
47.在本实施例的一个实现方式中，由于基于影像数据提取到的影像组学特征的特征维度比较大，会影响分类模型的分类速度。从而，基于所述影像组学特征以及经过训练的分类模型，确定所述影像数据对应的临床结局类别之前，所述方法还包括：
48.将所述影像组学特征输入筛选网络模型，通过所述筛选网络模型对所述影像组学特征进行筛选。
49.具体地，所述筛选网络模型用于对影像组学特征进行筛选，以减少影像组学特征的维度，从而可以提高后续基于影像组学特征进行分类的分类模型的分类速度。其中，筛选网络模型可以采用rfe(recursive features elimination，递归消除)筛选器，rfe筛选器循环删除特征，来对每个特征的重要性进行评级，以得到筛选后特征，然后再通过交叉验证得到分类效果并不断调整选择的特征的数量，得到筛选后的特征数量。在一个典型实现方式中，所述筛选后的影像组学特征包括30个特征，即筛选后的影像组学特征为30维特征。
50.在本实施例的一个实现方式中，由于影像组学特征包括不同特征类的特征，而不同特征类的特征的量纲不同，从而使得不同特征之间的数据分别差异较大，进而容易到分类网络模型的收敛速度慢。基于此，在所述将所述影像组学特征输入经过训练的分类模型，通过所述分类模型确定所述影像数据对应的临床结局类别具体包括：
51.采用min
‑
max标准化方式对所述影像组学特征进行标准化，并将标准化后的影像组学特征输入经过训练的分类模型，通过所述分类模型确定所述影像数据对应的临床结局类别。
52.具体地，所述min
‑
max标准化方式用于对影像组学特征进行标准化，以使得对影像组学特征中的每个特征的取值均在0
‑
1之间。其中，min
‑
max标准化方式的公式可以为：
[0053][0054]
其中，x
i
为影像组学特征中的第i个特征，min(x
i
)为第i个影像组学特征中的最小值，max(x
i
)为第i个影像组学特征中的最大值。
[0055]
在本实施例的一个实现方式中，在训练分类模型时可以采用40折交叉验证策略完成的，其中，40折交叉验证策略为将建模样本等分为40份，一份用于测试，其余样本作为训练样本对分类器进行训练，如此循环直至每份样本都曾作为测试样本被测试一次，并获得相应的预测概率
[0056]
举例说明：预先获取87例cd患者的3d腹腔ct图像，其中，37例的临床结局为良好，50例的临床结局为不良；每个cd患者的3d腹腔ct图像以及临床结局作为一个样本以得到87
例样本，然后将87例样本中的67例作为内部数据集，20例作为独立验证集，采用内部数据集对按照如图3所示的流程训练分类模型，然后再采用独立验证集按照如图3所示的流程进行验证，其中，经过内部数据集训练的分类模型在内部测试集中的roc曲线下面积(area under curve)可达0.772，敏感性达0.833，特异性达0.676；在独立验证集中，auc为0.714，敏感性1.000，特异性达0.538。由此，采用本实施例提供的方法可以基于cd患者的3d腹腔ct图像来预测cd患者的临床结局，从而给医生带来方便。
[0057]
此外，在本实施例的一个实现方式中，在获取样本时，被纳入该研究的cd患者需要满足经临床、影像、病理、内镜和/或实验室检查确诊为cd患者，并且初诊时有ct、内镜(与ct间隔≤1月)以及实验室检查(与ct间隔≤2周)，同时当cd患者在获取其3d腹腔ct图像作为训练样本之前的3个月内接受系统皮质类固醇治疗，或者是具有大量腹水或明显腹壁皮下水肿，或者是肥胖患者、代谢综合征患者、恶性肿瘤和/或代谢性疾病(如甲状腺功能亢进症、糖尿病)，可能影响肠系膜脂肪和皮下脂肪分布，或者是排除初诊时已有腹腔脓肿或瘘的患者时，该cd患者的3d腹腔ct图像不会被作为训练样本数据。
[0058]
进一步，在获取到的87例cd患者的3d腹腔ct图像，将治疗后出现新增肠狭窄或穿透性病变，或者是治疗后进行手术，或者是因cd症状入院治疗情况的cd患者对应的3d腹腔ct图像对应的临床结局配置为不良类别，未出现上述任一情况的cd患者对应的3d腹腔ct图像对应的临床结局配置为良好。由此，每个3d腹腔ct图像以及其对应的临床结局类别构成一个样本，可以理解的是，样本包括3d腹腔ct图像和临床结局类别，在构建分类模型及外部验证时，首先获取3d腹腔ct图像中的肠系膜脂肪组织特征和皮下脂肪组织特征，然后将肠系膜脂肪组织特征和皮下脂肪组织特征输入初始分类模型，通过初始分类模型输出预测临床结局类别，再基于预测临床结局类别和训练样本中的临床结局类别对初始分类模型进行训练，以得到最佳分类模型，最后验证外部验证集在最佳分类模型的分类效果。
[0059]
综上所述，本实施例提供了一种基于肠系膜脂肪的克罗恩病的临床结局的分类方法，所述方法包括获取待预测的影像数据的肠系膜脂肪组织特征和皮下脂肪组织特征；然后通过经过训练的分类模型以及肠系膜脂肪组织特征和皮下脂肪组织特征确定所述影像数据对应的临床结局类别。本实施例通过训练的分类模型以及肠系膜脂肪组织特征和皮下脂肪组织特征来确定影响数据的临床结局类别，提高了临床结局类别的准确性和客观性，从而可以给医生带来方便。
[0060]
基于上述基于肠系膜脂肪的克罗恩病的临床结局的分类方法，本实施例提供了一种基于肠系膜脂肪的克罗恩病的临床结局的分类装置，如图4所示，所述的分类装置包括：
[0061]
获取模块100，用于获取待预测的影像数据的影像组学特征，其中，所述影像数据为克罗恩病患者的影像数据，所述影像组学特征包括肠系膜脂肪组织特征和皮下脂肪组织特征；
[0062]
确定模块200，用于基于所述影像组学特征以及经过训练的分类模型，确定所述影像数据对应的临床结局类别，其中，所述临床结局类别包括良好或不良。
[0063]
基于上述基于肠系膜脂肪的克罗恩病的临床结局的分类方法，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的基于肠系膜脂肪的克罗恩病的临床结局的分类方法中的步骤。
[0064]
基于上述基于肠系膜脂肪的克罗恩病的临床结局的分类方法，本技术还提供了一种终端设备，如图5所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(communications interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
[0065]
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
[0066]
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
[0067]
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
[0068]
此外，上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
[0069]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。