一种基于体素内不相干运动图像的特征分析方法及系统

1.本发明涉及医学图像处理领域，特别涉及一种基于体素内不相干运 动图像的特征分析方法及系统。


背景技术：

2.前列腺癌(prostatic carcinoma,pca)是男性第二常见的肿瘤，也是男性 癌症死亡的主要原因。临床显著性pca(clinically significant pca,cspca) 是指gleason评分≥7分、伴或不伴体积≥0.5cm3、伴或不伴前列腺包膜 外侵犯的pca，此类肿瘤恶性程度高，侵袭性强，需要积极治疗。临床 非显著pca(clinically insignificant pca，cipca)是指gleason评分《7分 的肿瘤，侵袭性较低，进展缓慢，可采取随访观察和主动监测的治疗方 式，对其过度诊断和治疗会增加病人负担、降低生存质量。因此，术前 准确鉴别cspca和cipca对于病人选择合适的治疗方案和评估预后具有 十分重要的价值。mr因其具有较高的软组织分辨率、多参数及多平面成 像、无创等优点，已成为前列腺检查的首选方法。
3.传统mri影像学评估是由放射科医师对病变进行人工评估，其依赖 于语义特征，所提供的度量指标较少，并且丢弃了大量关于肿瘤异质性 的信息。即使放射科医生尝试将前列腺成像的解释标准化，使用定性影 像特征对治疗反应进行评估仍然具有主观性和可变性。


技术实现要素：

4.基于此，本技术实施例提供了一种基于体素内不相干运动图像的特 征分析方法及系统，能够基于ivim序列的f值鉴别cspca和cipca的 影像组学特征处理方法，有望为前列腺癌的准确诊断提供一种基于影像 组学特征的非侵袭性的、精准定量的可视化方法。
5.第一方面，提供了一种基于体素内不相干运动图像的特征分析方法， 该方法包括：
6.获取pca患者的ivim图像序列，勾画各个ivim图像的感兴趣区域 得到感兴趣区域集；
7.通过pyradiomics工具包对所述感兴趣区域集进行特征提取，得到感 兴趣区域所对应的若干类影像组学特征集合；
8.对于每一类影像组学特征集合，通过l1正则化logistic回归算法进 行整合得到该类影像组学特征集合的代表性特征；
9.将获得的若干类代表性特征进行集成，通过l2正则化logistic回归 模型，得到每一类代表性特征的权重，根据各个代表性特征的权重得到 pca患者的ivim图像分析结果。
10.可选地，影像组学特征至少包括：一阶统计特征、形状特征、灰度 共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域 灰度差矩阵特征和灰度相关矩阵特征。
11.可选地，通过l1正则化logistic回归算法进行整合得到该类影像组 学特征集合
的代表性特征，其中，l1正则化logistic回归算法的公式具 体包括：
[0012][0013]
其中，n为样本图像的个数，β为组学特征的权重，||β||1为其l1范数， 即||β||1＝|β1|+|β2|+...+|βn|,ln l为对数似然函数，x(i)为第i个病例的特征组， y(i)为第i个病例的类别，λ为联系惩罚项与损失数的权重参数。
[0014]
可选地，所述通过l2正则化logistic回归模型，得到每一类代表性 特征的权重，包括：
[0015]
将临床pca恶性概率公式做对数变换得到影像组学评分；
[0016]
根据所述影像组学评分得到每一类代表性特征的权重。
[0017]
可选地，所述根据所述影像组学评分得到每一类代表性特征的权重， 包括：
[0018]
根据公式：
[0019][0020]
确定影像组学评分与每一类代表性特征的权重的对应关系，其中， radiomicsscore表示影像组学评分，表示临床pca恶性概率公式，β
·
x 表示代表性特征的权重β和特征组x内积。
[0021]
可选地，所述根据各个代表性特征的权重得到pca患者的ivim图 像分析结果，包括：
[0022]
通过公式
[0023][0024]
得到pca患者的ivim图像分析结果，其中，c
t
表示ivim图像分析 结果，β
t
表示第t个代表性特征的权重。
[0025]
第二方面，提供了一种基于体素内不相干运动图像的特征分析系统， 该系统包括：
[0026]
勾画模块，用于获取pca患者的ivim图像序列，勾画各个ivim图 像的感兴趣区域得到感兴趣区域集；
[0027]
特征提取模块，用于通过pyradiomics工具包对所述感兴趣区域集进 行特征提取，得到感兴趣区域所对应的若干类影像组学特征集合；
[0028]
整合模块，用于对于每一类影像组学特征集合，通过l1正则化 logistic回归算法进行整合得到该类影像组学特征集合的代表性特征；
[0029]
分析模块，用于将获得的若干类代表性特征进行集成，通过l2正则 化logistic回归模型，得到每一类代表性特征的权重，根据各个代表性特 征的权重得到pca患者的ivim图像分析结果。
imaging, dwi)相比，ivim(intravoxel incoherent motion,ivim)能更准确反映组 织内水分子扩散及毛细血管的灌注情况，提供更多定量参数，其中f (perfusion fraction)值，即灌注分数，表示毛细血管网的微循环所致灌 注效应占总体扩散效应的容积比率，大小介于0～1之间。但是，不同b 值的选择可能对结果造成一定影响。另外，传统测量方法无论是单层勾 画还是多层勾画roi，得到的定量参数值只反映了roi区域内的部分信 息。
[0040]
影像组学是一种新兴的量化肿瘤异质性的方法，通过将图像转换成 高维的、可挖掘的数据，为肿瘤良恶性鉴别、病理分级评估、治疗反应 和预后的预测提供生物标志物。本技术探讨了一种基于ivim序列的f值 鉴别cspca和cipca的影像组学特征处理方法，有望为前列腺癌的准确 诊断提供一种基于影像组学特征的非侵袭性的、精准定量的可视化方法。
[0041]
具体地，请参考图1，其示出了本技术实施例提供的一种基于体素内 不相干运动图像的特征分析方法的流程图，该方法可以包括以下步骤：
[0042]
步骤101，获取pca患者的ivim图像序列，勾画各个ivim图像的 感兴趣区域得到感兴趣区域集。
[0043]
在本技术实施例中，对经病理证实的pca患者的ivim序列的f功能 图像上进行感兴趣区域勾画，用于之后提取区域内的图像特征。
[0044]
步骤102，通过pyradiomics工具包对感兴趣区域集进行特征提取， 得到感兴趣区域所对应的若干类影像组学特征集合。
[0045]
在本技术实施例中，影像组学特征包括：包括一阶统计特征(firstorder statistics，19features)、形状特征(shape-based，26features)、灰度共 生矩阵特征(gray level cooccurence matrix，24features)、灰度游程长度 矩阵特征(gray level run length matrix，16features)、灰度尺寸区域矩阵 特征(gray level size zone matrix，16features)、领域灰度差矩阵特征 (neighbouring gray tone difference matrix，5features)和灰度相关矩阵特 征(gray level dependence matrix，14features)等共7类组学特征。
[0046]
基于pyradiomics开源平台中的工具包，提取影像组学特征得到感兴 趣区域所对应的若干类影像组学特征集合。
[0047]
步骤103，对于每一类影像组学特征集合，通过l1正则化logistic 回归算法进行整合得到该类影像组学特征集合的代表性特征。
[0048]
在本技术实施例中，通过l1正则化logistic回归算法将每一类组学 特征进行整合，获得一个新特征，利用该特征作为某一类组学代表性特 征。
[0049]
具体地，首先通过l1正则化logistic回归算法将每一类组学特征进 行整合，获得一个新特征，利用该特征作为某一类组学代表性特征。即， 针对每一类特征，先用l1正则化logistic回归算法对每一类特征进行初 步筛选，其公式为：
[0050][0051]
其中，n为样本图像的个数，β为具有统计学意义的组学特征的权重， ||β||1为其l1范数，即||β||1＝|β1|+|β2|+...+|βn|,ln l为对数似然函数，x(i)为第i 个样本图像的特征
[0065]
将临床pca恶性概率公式做对数变换得到影像组学评分；根据所述影 像组学评分得到每一类代表性特征的权重。
[0066]
具体地，根据公式：
[0067][0068]
确定影像组学评分与每一类代表性特征的权重的对应关系，其中， radiomicsscore表示影像组学评分，表示临床pca恶性概率公式，β
·
x 表示代表性特征的权重β和特征组x内积，具体地，通过其中y＝1的概率 指的是pca恶性的概率有：
[0069][0070][0071]
β
·
x＝β0+β
fos
x
fos
+β
sp
x
sp
+β
glcm
x
glcm
[0072]
+β
glrlm
x
glrlm
+β
glszm
x
glszm
+β
ngtdm
x
ngtdm
+β
gldm
x
gldm
[0073]
其中，β＝(β0,β
fos
,β
sp
,β
glcm
,β
glrlm
,β
glszm
,β
ngtdm
,β
gldm
)代表性影像组学 特征的权重向量，β0表示偏执，β
·
x表示β和x内积。
[0074]
最终，通过每个代表性特征的权重β的大小，评估每一类组学特征在 疾病的贡献度。
[0075]
假设代表性特征命名为p1,p2,...p7，其权重β的大小分别是β1,β2,...β7， 那么每一类特征的贡献度定义为：
[0076][0077]
其中，c
t
表示ivim图像分析结果，为一个百分数，通过对c
t
的大小 来评价该类影像组学特征在区分临床显著性与非显著性前列腺癌的贡献 度，β
t
表示第t个代表性特征的权重。
[0078]
请参考图2给出了本技术的另一个实施例：
[0079]
步骤1:对经病理证实的pca患者的ivim序列的f功能图像上进行感 兴趣区域勾画，提取区域内的图像特征；
[0080]
步骤2:影像组学特征处理方法：
[0081]
(1)影像组学特征处理：基于pyradiomics提取影像组学特征后， 通过l1正则化logistic回归算法将每一类组学特征进行整合，获得一个 新特征，利用该特征代表某一类组学代表性特征。
[0082]
(2)代表性特征标准化：针对新获得的代表性特征进行标准化处理， 使得各类组学特征均处于统一量级水平。
[0083]
(3)影像组学特征评分机制：对所有组学代表性特征进行评估，具 体是基于l2正则化logistic回归模型对每一类代表性特征进行量化评 分，从而得到每一类特征的影响因子。
[0084]
本发明提供了一种基于ivim序列的无创鉴别cspca和cipca的影 像组学新方法，可用于术前预测前列腺癌的侵袭性，对于pca患者治疗 策略选择和预后评估具有重要意义，如表1给出了与现有影像组学建模 方法的效果对比数据。
[0085]
表1本方法所构建代表性特征分析法与传统影像组学建模方法的比较结果
[0086][0087]
请参考图3，本技术实施例还提供的一种基于体素内不相干运动图像 的特征分析系统200。系统包括：
[0088]
勾画模块201，用于获取pca患者的ivim图像序列，勾画各个ivim 图像的感兴趣区域得到感兴趣区域集；
[0089]
特征提取模块202，用于通过pyradiomics工具包对所述感兴趣区域 集进行特征提取，得到感兴趣区域所对应的若干类影像组学特征集合；
[0090]
整合模块203，用于对于每一类影像组学特征集合，通过l1正则化 logistic回归算法进行整合得到该类影像组学特征集合的代表性特征；
[0091]
分析模块204，用于将获得的若干类代表性特征进行集成，通过l2 正则化logistic回归模型，得到每一类代表性特征的权重，根据各个代表 性特征的权重得到pca患者的ivim图像分析结果。
[0092]
在本技术一个可选的实施例中，整合模块203中通过l1正则化 logistic回归算法进行整合得到该类影像组学特征集合的代表性特征，其 中，l1正则化logistic回归算法的公式具体包括：
[0093][0094]
其中，n为样本图像的个数，β为组学特征的权重，||β||1为其l1范数， 即||β||1＝|β1|+|β2|+...+|βn|,lnl为对数似然函数，x(i)为第i个病例的特征组， y(i)为第i个病例的类别，λ为联系惩罚项与损失数的权重参数。
[0095]
本技术实施例提供的基于体素内不相干运动图像的特征分析系统用 于实现上述基于体素内不相干运动图像的特征分析方法，关于基于体素 内不相干运动图像的特征分析系统的具体限定可以参见上文中对于基于 体素内不相干运动图像的特征分析方法的限定，在此不再赘述。上述基 于体素内不相干运动图像的特征分析系统中的各个部分可全部或部分通 过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立 于设备中的处理器中，也可以以软件形式存储于设备中的存储器中，以 便于处理器调用执行以上
各个模块对应的操作。
[0096]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁， 未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而， 只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范 围。
[0097]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体 和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是， 对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可 以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术 专利的保护范围应以所附权利要求为准。