脑实质MRI影像的梗塞变化预测方法与流程

脑实质mri影像的梗塞变化预测方法
技术领域
1.本发明涉及梗塞变化预测领域，具体涉及一种脑实质mri影像的梗塞变化预测方法。


背景技术：

2.脑梗死旧称脑梗塞，又称缺血性脑卒中(cerebral ischemic stroke)，是指因脑部血液供应障碍，缺血、缺氧所导致的局限性脑组织的缺血性坏死或软化。脑梗死的临床常见类型有脑血栓形成、腔隙性梗死和脑栓塞等，脑梗死占全部脑卒中的80％，脑梗死不仅给人类健康和生命造成极大威胁，而且给患者、家庭及社会带来极大的痛苦和沉重的负担。
3.目前，对脑梗塞的识别方法，一般都是去医院进行ct检查、mri检查、常规检查或特殊检查。
4.在进行ct检查时，ct显示梗死灶为低密度，可以明确病变的部位、形状及大小，较大的梗死灶可使脑室受压，变形及中线结构移位，但脑梗死起病4～6小时内，只有部分病例可见边界不清的稍低密度灶，而大部分的病例在24小时后才能显示边界较清的低密度灶，且小于5mm的梗死灶。
5.mri检查就是核磁共振成像检查，易得性差，目前无法实现急诊mri检查和复查，临床应用有局限。
6.常规检查就是血、尿、大便常规及肝功能、肾功能、凝血功能、血糖、血脂、心电图等作为常规检查，特殊检查如经颅多普勒超声(tcd)、颈动脉彩色b超、磁共振、血管造影(mra)，数字减影全脑血管造影(dsa)、颈动脉造影，可明确有无颅内外动脉狭窄或闭塞。
7.脑梗塞面积的预测可以预判受试者的预后，预测脑梗塞面积的变化对脑梗塞诊疗有重要的意义。有鉴于此，本技术提出一种脑实质mri影像的梗塞变化预测方法。


技术实现要素：

8.本发明的目的在于针对现有技术的不足，提供一种脑实质mri影像的梗塞变化预测方法。
9.为了解决上述技术问题，采用如下技术方案：
10.脑实质mri影像的梗塞变化预测方法，包括以下步骤：
11.(1)梗塞区域分割：先获取每个受试者的dwi影像，并将所述dwi影像进行分割，得到梗塞核心区的分割dwi图像；
12.(2)特征提取：将梗塞核心区的所述分割dwi图像使用高通量特征提取算法提取出形状特征，提取得到所述分割dwi图像的灰度特征、纹理特征和小波特征；
13.(3)特征选择：完成步骤(2)的高通量特征提取后，通过建立稀疏表示特征选择模型来进行特征选择，剔除冗余的灰度特征、纹理特征和小波特征，得到高分辨力的灰度特征、纹理特征和小波特征，由高分辨力的灰度特征、纹理特征和小波特征中提取出每个受试者的dwi图像的梗塞周围区域影像组学特征；
14.(4)分类判别：根据每个所述受试者的dwi图像的梗塞周围区域影像组学特征，建立基于非参数训练的稀疏表示分类器进行分类预测，得到影像组学分类预测模型。
15.进一步，在所述步骤(1)中，所述dwi影像进行分割，得到梗塞核心区的分割dwi图像的依据：先根据来自所述dwi影像的周边信息，将类似于梗塞核心的成像伪影与真实梗塞核心区分开，然后根据所述dwi影像与周围组织和对侧半球相比的高信号，将组织确定为梗塞。
16.进一步，在所述步骤(1)中，所述dwi影像的周边信息包括对称性或双边性、金属、其他致病材料的存在以及颅底附近或脑、骨、空气界面上的典型解剖位置。
17.进一步，在所述步骤(2)中，将梗塞核心区的所述分割dwi图像向病灶区域外扩展，形成新的图像界面，在所述图像界面匹配上t2-flair影像和/或swi影像的分割结果，得到所述t2-flair影像和/或swi影像的灰度特征、纹理特征和小波特征。
18.进一步，在所述步骤(2)中，所述灰度特征描述了梗塞及周围区体素强度的统计分布，所述纹理特征量化了梗塞及周围区的空间排列；所述小波特征是所述纹理特征经小波变换后并进行量化的结果，包含不同频带的强度特征和纹理特征。
19.进一步，在所述步骤(3)中，建立所述稀疏表示特征选择模型来进行特征选择的稀疏表示系数的公式如下：
[0020][0021]
其中f＝[f1，f2…fm
]
t
∈rm×
2k
，为训练样本特征集合，m为训练样本个数，l∈rm是训练样本标签，η为稀疏表示控制参数，w为稀疏表示系数。
[0022]
进一步，在所述步骤(4)中，在建立得到影像组学分类预测模型前，通过对受试者的两次mri-dwi图像结果进行分割梗塞核心区，获取梗死核心区的体积，将前后两次对比，得到差值作为不同梗塞变化的分组依据，将所述梗塞变化分为梗塞逆转组和梗塞扩大组。
[0023]
进一步，在所述步骤(4)中，建立基于非参数训练的稀疏表示分类器进行分类预测，得到影像组学分类预测模型的过程如下：
[0024]
首先利用稀疏编码和重构计算待测试样与训练集里每类样本间的距离，然后根据k-邻近准则判断测试样本的类别分类过程具体可表示为：
[0025][0026]
其中表示待测样本特征选择后的特征，为训练样本特征集，c为样本总类别数；γ为稀疏表示控制参数；当获得稀疏表示系数后，计算待测试样与训练集里每类样本间的距离，即各类的表示残差：
[0027][0028]
其中δc(
·
)表示选择第c类特征对应的系数。残差最小的类别即为测试样本的类别，因此最终待测样本类别为
[0029]
进一步，所述方法还包括步骤(5)影像组学分类预测模型验证：纳入影像组学分类预测模型中进行预测的受试者，将预测的结果与所述受试者7-10天的复查的mri-dwi图像结果进行比较，评估预测的有效性和准确性。
[0030]
由于采用上述技术方案，具有以下有益效果：
[0031]
本发明为一种脑实质mri影像的梗塞变化预测方法，先获取每个受试者的dwi影像，并将所述dwi影像进行分割，得到梗塞核心区的分割dwi图像；将梗塞核心区的所述分割dwi图像使用高通量特征提取算法提取出形状特征，提取得到所述分割dwi图像的灰度特征、纹理特征和小波特征。根据这些图像提取出直方图和纹理特征。最终提取每个受试者的梗塞周围区域影像组学特征。然后通过对受试者的两次mri-dwi结果进行分割梗塞核心区，获取梗死核心区的体积，将前后两次对比，得到差值为结局分别进行分类，并纳入两次检查的时间因素。分别根据梗死核心区的体积的增减，拟使用非参数训练的稀疏表示分类器建立决策模型。进行统计明确分割dwi图像因素对结局的影响。同时纳入临床因素进行再次统计，提高预测效能。
[0032]
本发明发现缺血脑组织处于低灌注状态，会引起组织间的磁化率差异。通过swi检查可以非常灵敏地检测到这种差异。因此，通过swi影像的综合预测模型在预测急性卒中患者的预后方面也发挥着重要作用。
[0033]
本发明通过建立dwi图像、t2-flair影像和swi影像的综合预测模型，对脑梗塞面积的预测可以预判受试者的预后，预测脑梗塞面积的变化对脑梗塞诊疗有重要的意义。
附图说明
[0034]
下面结合附图对本发明作进一步说明：
[0035]
图1为本发明中脑实质mri影像的梗塞变化预测方法的流程图；
[0036]
图2为本发明中受试者的梗塞体积变化趋势的示意图；
[0037]
图3为本发明中受试者的分割dwi图像成像中的梗塞体积分割图像图。
[0038]
图4为本发明中实施例1中dwi图像的影像组学分类预测模型的性能数值表达图。
[0039]
图5为本发明中实施例1中dwi图像的影像组学分类预测模型的roc曲线最佳阈值点图。
[0040]
图6为本发明中实施例1中dwi图像的影像组学分类预测模型的性能表达图。
[0041]
图7为本发明中实施例1中dwi图像的影像组学分类预测模型的对梗塞变化趋势预测的效能曲线表达图。
[0042]
图8为本发明中实施例2中t2-flair影像的影像组学分类预测模型的性能数值表达图。
[0043]
图9为本发明中实施例2中t2-flair影像的影像组学分类预测模型的roc曲线最佳阈值点图。
[0044]
图10为本发明中实施例2中t2-flair影像的影像组学分类预测模型的性能表达图。
[0045]
图11为本发明中实施例2中t2-flair影像的影像组学分类预测模型的对梗塞变化趋势预测的效能曲线表达图。
[0046]
图12为本发明中实施例3中swi影像的影像组学分类预测模型的性能数值表达图。
[0047]
图13为本发明中实施例3中swi影像的影像组学分类预测模型的roc曲线最佳阈值点图。
[0048]
图14为本发明中实施例3中swi影像的影像组学分类预测模型的性能表达图。
[0049]
图15为本发明中实施例3中swi影像的影像组学分类预测模型的对梗塞变化趋势预测的效能曲线表达图。
[0050]
图16为本发明中实施例4中dwi图像、t2-flair影像和swi影像的综合预测模型的性能数值表达图。
[0051]
图17为本发明中实施例4中dwi图像、t2-flair影像和swi影像的综合预测模型的roc曲线最佳阈值点图。
[0052]
图18为本发明中实施例4中dwi图像、t2-flair影像和swi影像的综合预测模型的性能表达图。
[0053]
图19为本发明中实施例4中dwi图像、t2-flair影像和swi影像的综合预测模型的对梗塞变化趋势预测的效能曲线表达图。
具体实施方式
[0054]
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0055]
实施例1
[0056]
如图1所示，脑实质mri影像的梗塞变化预测方法，包括以下步骤：
[0057]
(1)梗塞区域分割：先获取每个受试者的dwi影像，并将所述dwi影像进行分割，得到梗塞核心区的分割dwi图像。
[0058]
具体的，对所述dwi影像进行分割，得到梗塞核心区的分割dwi图像的分割方法如下：先根据来自整个分割dwi影像的的周边信息，dwi影像的的周边信息包括对称性/双边性、金属、其他致病材料的存在以及颅底附近或脑、骨、空气界面上的典型解剖位置，将类似于梗塞核心的成像伪影与真实梗塞核心区分开来。然后根据所述dwi影像与周围组织和对侧半球相比的高信号，将组织确定为梗塞。
[0059]
(2)特征提取：将梗塞核心区的所述分割dwi图像使用高通量特征提取算法提取出形状特征，提取得到所述分割dwi图像的灰度特征、纹理特征和小波特征。提取得到所述分割dwi图像的灰度特征、纹理特征和小波特征如下表1所示。
[0060][0061]
在分割dwi图像提取了灰度特征、纹理特征和小波特征共513个。其中提取了18个灰度特征(灰度特征描述了梗塞及周围区体素强度的统计分布)。提取了39个纹理特征(纹理特征量化了梗塞及周围区的空间排列)，并将其分为4个子组，二阶纹理特征有8个，为基于灰度共生矩阵(gray levelco-occurrence matrix，glcm)8个；高阶纹理特征有31个，分别是基于灰度游程长度矩阵(gray level run length matrix，glrlm)13个，灰度大小区域矩阵(gray level size zone matrix，glszm)13个，以及邻域灰度差分矩阵(neighborhood gray-tone difference matrix，ngtdm)纹理特征5个。小波特征是纹理特征经小波变换后并进行量化的结果，包含不同频带的强度特征和纹理特征。小波滤波所有可能组合为(llh、lhl、lhh、hll、hlh、hhl、hhh、lll)，应用高通或低通滤波器在3个维度中进行分解，每级产生8次分解，将每个特征图像分解为8个子带，得到456((18+39)*8)个小波特征(特征列表见表1)。
[0062]
(3)特征选择：高通量特征提取后，可能会出现大量特征的冗余。这些冗余特征一方面给后续分类识别增加了大量的计算量，另一方面还会给识别准确性造成不利影响，因此将高分辨力的特征筛选出来尤其重要。因此完成步骤(2)的高通量特征提取后，通过建立稀疏表示特征选择模型来进行特征选择，剔除冗余的灰度特征、纹理特征和小波特征，由高分辨力的灰度特征、纹理特征和小波特征中提取出每个受试者的dwi图像的梗塞周围区域影像组学特征。
[0063]
建立所述稀疏表示特征选择模型来进行特征选择的稀疏表示系数的公式如下：
[0064][0065]
其中f＝[f1，f2…fm
]
t
∈rm×
2k
，为训练样本特征集合，m为训练样本个数，l∈rm是训练样本标签，η为稀疏表示控制参数，w为稀疏表示系数，稀疏表示系数w中元素绝对值对应特征的重要性。
[0066]
(4)分类判别：在建立得到影像组学分类预测模型前，通过对受试者的两次mri-dwi图像结果进行分割梗塞核心区，获取梗死核心区的体积，将前后两次对比，得到差值作为不同梗塞变化的分组依据，将所述梗塞变化分为梗塞逆转组和梗塞扩大组。
[0067]
梗塞的变化分为梗塞扩大和梗塞逆转。梗塞扩大是指基线dwi成像未出现高信号的区域，后期出现了梗塞的组织病理学变化。梗塞逆转是指血流再灌注后，dwi高信号区域的神经元损害的组织病理学变化出现的逆转。
[0068]
每个受试者根据初查和复查的结果，以梗塞变化的结局分为梗塞逆转组和梗塞扩大组(图2)，分别对两次mri-dwi图像结果进行分割梗塞核心区。
[0069]
具体的，通过对受试者的两次mri-dwi图像结果进行分割梗塞核心区的方法如下：如果存在梗塞，梗塞核心由医生使用开源dicom查看软件在b＝1000s/mm2mri-dwi影像上分割，根据与周围组织和对侧半球相比的高信号，将组织确定为梗塞。根据来自整个分割dwi图像图像的周边信息，包括对称性/双边性、金属、其他致病材料的存在以及颅底附近或脑、骨、空气界面上的典型解剖位置，将类似于梗塞核心的成像伪影与真实梗塞核心区分开来。梗塞延续或梗塞内的实质血肿包括在分割中。如图3所示：一例患者手动分割完的结果，其中a为冠状面，b为横断面，c为矢状面，分割区域显示为p。分别在冠状面，横断面和矢状面可见p的分割区域，据此计算出梗塞的体积。
[0070]
然后根据每个所述受试者的dwi图像的梗塞周围区域影像组学特征，建立基于非参数训练的稀疏表示分类器进行分类预测，得到影像组学分类预测模型。
[0071]
具体的，将梗死核心区体积扩大或逆转预测转换为机器学习二分类问题，并建立基于非参数训练的稀疏表示分类器进行分类预测。稀疏表示分类器首先利用稀疏编码和重构计算待测试样与训练集里每类样本间的距离，然后根据k-邻近准则判断测试样本的类别分类过程具体可表示为：
[0072][0073]
其中表示待测样本特征选择后的特征，为训练样本特征集，c为样本总类别数；γ为稀疏表示控制参数；为稀疏表示系数；当获得稀疏表示系数后，计算待测试样与训练集里每类样本间的距离，即各类的表示残差：
[0074][0075]
其中δc(
·
)表示选择第c类特征对应的系数。残差最小的类别即为测试样本的类别，因此最终待测样本类别为
[0076]
(5)影像组学分类预测模型验证：纳入影像组学分类预测模型中进行预测的受试者，将预测的结果与所述受试者7-10天的复查的mri-dwi图像结果进行比较，评估预测的有效性和准确性。
[0077]
按照上述的方法，本发明通过提取闵行中心医院99例受试者的dwi图像。前期投入66例受试者训练，后期前瞻性纳入33例受试者测试。每个受试者提取dwi图像的513个特征，dwi图像计算梗塞体积变化，梗塞体积增大减小的2分类预测。
[0078]
预测模型的性能比较如下：具体的，本发明对输入的院99例受试者的dwi图像，采用matlab软件，通过基于非参数训练的稀疏表示分类器进行分类预测，得到dwi图像的影像组学分类预测模型。并使用r语言的precrece包中evalmod函数为指定的模型计算基本评价指标。包括准确率acc(accuracy)、特异性spe(specificity)、敏感性sen(sensitivity)、错误率err(error)、精确率p(precision)、matthews相关系数mcc(matthews correlation coefficient)和f评分(f-score)，用归一化分级(normalized ranks)值之间的散点图作为选择截断值的参考。
[0079]
采用受试者工作特征(receiver operating characteristic curve，roc)曲线来评估四个预测模型的性能，用以比较模型的效能。同时显示6个指标：roc曲线下面积auc(the area under the corresponding curve)、acc、sen、spe、阳性预测值ppv、阴性预测值npv。它们的计算公式如下：
[0080]
准确率
[0081]
特异性
[0082]
敏感性
[0083]
阳性预测值
[0084]
阴性预测值
[0085]
其中“真正”tp(true positive)表示正确识别梗塞扩大的受试者，“真负”tn(true negative)表示正确识别梗塞逆转的受试者，“假正”fp(false positive)表示将实际上的梗塞逆转被识别为梗塞扩大的受试者，“假负”fn(false negative)表示实际上的梗塞扩大被识别为梗塞逆转的受试者。
[0086]
roc曲线中：纵轴(y轴)是true positive rate(tpr，等价于sensitivity)，即正例样本中被正确判定为正例的样本数比例tpr；横轴(x轴)是false positive rate(fpr，等价于1-specificity)，即负例样本中被错误判定为正例样本的比例fpr，具体计算公式如下：
[0087]
正例样本中被正确判定为正例的样本数比例
[0088]
负例样本中被错误判定为正例样本的比例
[0089]
错误率err定义为分类错误的样本数占样本总数的比例；精确率p(或称查准率)指判断为正例的样本中有多大比例是真的正例；召回率r(recall)指正例样本中有多大比例的正例被发现(判定为正例)，该指标也称为tpr或sen。具体计算公式如下：
[0090]
错误率
[0091]
精确率
[0092]
召回率
[0093]
评分f是精确率p和召回率r的调和平均值；mcc是评估模型的指标，在正例和负例的不同划分对于最终结果没有影响。具体计算公式如下：
[0094]
评分
[0095]
评估模型的指标
[0096]
其具体结果参看图4、图5、图6和图7。对dwi图像的影像组学分类预测模型的算法性能进行评估，其在标化等级数值等于0.545时，评价指标处于最优状态：acc为0.879达到最高值，err为0.121是最低值，精确率为0.889相对高值，mcc为0.756是最高值，f评分为0.889为最高值。
[0097]
实施例2
[0098]
在实施例1的基础上，步骤(1)的方法不变，对步骤(2)的特征提取进行改进，将梗塞核心区的所述分割dwi图像向病灶区域外扩展，形成新的图像界面。
[0099]
具体的，在本实施例中，在所述图像界面匹配上t2-flair影像分割结果，得到所述t2-flair影像的灰度特征、纹理特征和小波特征。
[0100]
相应的，在步骤(3)和步骤(4)做相应的调整。
[0101]
其中步骤(3)中，完成步骤(2)的高通量特征提取后，通过建立稀疏表示特征选择模型来进行特征选择，剔除冗余的灰度特征、纹理特征和小波特征，得到高分辨力的灰度特征、纹理特征和小波特征，由高分辨力的灰度特征、纹理特征和小波特征中提取出每个受试者的t2-flair影像的梗塞周围区域影像组学特征；
[0102]
其中步骤(4)中，提取每个受试者的mri-dwi图像的梗塞周围区域影像组学特征，获取梗死核心区的体积，将前后两次对比，得到差值作为不同梗塞变化的分组依据，分为梗塞逆转组和梗塞扩大组。
[0103]
将梗死核心区体积扩大或逆转预测转换为机器学习二分类问题，并建立基于非参数训练的稀疏表示分类器进行分类预测。
[0104]
根据每个所述受试者的dwi图像的梗塞周围区域影像组学特征，建立基于非参数训练的稀疏表示分类器进行分类预测，得到t2-flair影像的影像组学分类预测模型。
[0105]
步骤(5)影像组学分类预测模型验证：纳入t2-flair影像的影像组学分类预测模型中进行预测的受试者，将预测的结果与所述受试者7-10天的复查的mri-dwi图像结果进行比较，评估预测的有效性和准确性。
[0106]
按照上述的方法，本发明通过提取闵行中心医院99例受试者的dwi图像。前期投入66例受试者训练，后期前瞻性纳入33例受试者测试。每个受试者提取t2-flair影像的513个
特征，t2-flair影像计算梗塞体积变化，梗塞体积增大减小的2分类预测。
[0107]
其具体结果参看图8、图9、图10和图11，对t2-flair影像的影像组学分类预测模型的性能进行评估，其在标化等级数值等于0.576时，评价指标处于最优状态：acc为0.909达到最高值，err为0.091是最低值，精确率为0.895相对高值，mcc为0.817也是相对高值，f评分为0.919为最高值。
[0108]
实施例3
[0109]
在实施例1的基础上，步骤(1)的方法不变，对步骤(2)的特征提取进行改进，将梗塞核心区的所述分割dwi图像向病灶区域外扩展，形成新的图像界面。
[0110]
具体的，在本实施例中，在所述图像界面匹配上swi影像分割结果，得到所述swi影像的灰度特征、纹理特征和小波特征。
[0111]
相应的，在步骤(3)和步骤(4)做相应的调整。
[0112]
其中步骤(3)中，完成步骤(2)的高通量特征提取后，通过建立稀疏表示特征选择模型来进行特征选择，剔除冗余的灰度特征、纹理特征和小波特征，得到高分辨力的灰度特征、纹理特征和小波特征，由高分辨力的灰度特征、纹理特征和小波特征中提取出每个受试者的swi影像的梗塞周围区域影像组学特征；
[0113]
其中步骤(4)中，提取每个受试者的mri-dwi图像的梗塞周围区域影像组学特征，获取梗死核心区的体积，将前后两次对比，得到差值作为不同梗塞变化的分组依据，分为梗塞逆转组和梗塞扩大组。
[0114]
将梗死核心区体积扩大或逆转预测转换为机器学习二分类问题，并建立基于非参数训练的稀疏表示分类器进行分类预测。
[0115]
根据每个所述受试者的swi影像的梗塞周围区域影像组学特征，建立基于非参数训练的稀疏表示分类器进行分类预测，得到swi影像的影像组学分类预测模型。
[0116]
步骤(5)影像组学分类预测模型验证：纳入swi影像的影像组学分类预测模型中进行预测的受试者，将预测的结果与所述受试者7-10天的复查的mri-dwi图像结果进行比较，评估预测的有效性和准确性。
[0117]
按照上述的方法，本发明通过提取闵行中心医院99例受试者的dwi图像。前期投入66例受试者训练，后期前瞻性纳入33例受试者测试。每个受试者提取swi影像的513个特征，swi影像计算梗塞体积变化，梗塞体积增大减小的2分类预测。
[0118]
其具体结果参看图12、图13、图14和图15，对swi影像的影像组学分类预测模型的性能进行评估，其在标化等级数值等于0.575时，评价指标处于最优状态：acc为0.848达到最高值，err为0.151是最低值，精确率为0.842相对高值，mcc为0.694是最高值，f评分为0.919为最高值。
[0119]
实施例4
[0120]
在实施例1的基础上，步骤(1)的方法不变，对步骤(2)的特征提取进行改进，将梗塞核心区的所述分割dwi图像向病灶区域外扩展，形成新的图像界面。
[0121]
具体的，在本实施例中，在所述图像界面匹配上t2-flair影像和swi影像分割结果，得到所述t2-flair影像和swi影像的灰度特征、纹理特征和小波特征，从而得到本发明的综合预测模型方法。
[0122]
相应的，在步骤(3)和步骤(4)做相应的调整。
[0123]
其中步骤(3)中，完成步骤(2)的高通量特征提取后，通过建立稀疏表示特征选择模型来进行特征选择，剔除冗余的灰度特征、纹理特征和小波特征，得到高分辨力的灰度特征、纹理特征和小波特征，由高分辨力的灰度特征、纹理特征和小波特征中提取出每个受试者的dwi图像的的梗塞周围区域影像组学特征、t2-flair影像的梗塞周围区域影像组学特征和swi影像的梗塞周围区域影像组学特征。
[0124]
其中步骤(4)中，提取每个受试者的mri-dwi图像的梗塞周围区域影像组学特征，获取梗死核心区的体积，将前后两次对比，得到差值作为不同梗塞变化的分组依据，分为梗塞逆转组和梗塞扩大组。
[0125]
将梗死核心区体积扩大或逆转预测转换为机器学习二分类问题，并建立基于非参数训练的稀疏表示分类器进行分类预测。
[0126]
根据每个所述受试者的dwi图像的的梗塞周围区域影像组学特征、t2-flair影像的梗塞周围区域影像组学特征和swi影像的梗塞周围区域影像组学特征，建立基于非参数训练的稀疏表示分类器进行分类预测，得到dwi图像的影像组学分类预测模型、t2-flair影像的影像组学分类预测模型和swi影像的影像组学分类预测模型，即本发明的dwi图像、t2-flair影像和swi影像的综合预测模型。
[0127]
步骤(5)影像组学分类预测模型验证：纳入本发明的dwi图像、t2-flair影像和swi影像的综合预测模型中进行预测的受试者，将预测的结果与所述受试者7-10天的复查的mri-dwi图像结果进行比较，评估预测的有效性和准确性。
[0128]
按照上述的方法，本发明通过提取闵行中心医院99例受试者的dwi图像。前期投入66例受试者训练，后期前瞻性纳入33例受试者测试。每个受试者提取t2-flair影像的513个特征和swi影像的513个特征，t2-flair影像swi影像计算梗塞体积变化，梗塞体积增大减小的2分类预测。
[0129]
本发明的综合预测模型方法的具体结果参看图16、图17、图18和图19，对dwi图像的影像组学分类预测模型、t2-flair影像的影像组学分类预测模型和swi影像的影像组学分类预测模型的性能进行评估，其在标化等级数值等于0.545时，评价指标处于最优状态：acc为0.939达到最高值，err为0.061是最低值，精确率为0.944相对高值，mcc为0.878是最高值，f评分为0.944为最高值。
[0130]
本发明通过上述4种实施例发现，上述四种模型均是以患者脑梗塞体积变化趋势为标签的二分类(扩大或逆转)，其中基于dwi图像的影像组学分类预测模型、t2-flair影像的影像组学分类预测模型和swi影像的影像组学分类预测模型是分别通过dwi影像、t2-flair影像、swi影像提取出高通量特征，再使用稀疏表示的方法筛选有意义的特征建立预测模型，预测脑梗塞体积变化趋势。dwi+t2-flair+swi影像组学模型是通过dwi影像、t2-flair影像、swi影像总共提取1539个高通量特征,将三组影像特征融合建立预测模型。
[0131]
表2显示了不同预测模型的性能，auc值和其他诊断性能指标，包括spe、sen、acc、ppv和npv，以及这些模型之间的auc比较，用于评估预测梗塞体积变化趋势的性能。
[0132]
在纳入不同模态影像时，模型具有不同的预测性能，其中dwi+t2-flair+swi综合模型的auc为0.956，acc为0.939，sen为0.944，spe为0.933。预测效能最高。以auc的值大小比较：t2-flair模型次之为0.904，再次是dwi模型为0.889，最后是swi模型0.874。
[0133]
表2不同预测模型的性能
[0134][0135]
从各序列影像中各提取了总共513个放射组学特征(见表1)，根据梗塞的变化情况使用稀疏表示的方法对数据冗余进行降维。最后，本发明使用选定的特征来建立稀疏表示的预测模型。通过排除不相关和冗余的特征后，筛选出的有意义的影像组学特征。
[0136]
dwi图像的影像组学分类预测模型总共提取了预测梗塞变化趋势的37个有效影像组学特征，其中有4个纹理特征，2个灰度特征。有31个小波特征，包括19个小波纹理特征，12小波灰度特征。
[0137]
t2-flair影像的影像组学分类预测模型总共提取了预测梗塞变化趋势的29个有效影像组学特征，其中有2个纹理特征，27个小波特征，包括18个小波纹理特征，9个小波灰度特征。
[0138]
swi影像的影像组学分类预测模型总共提取了预测梗塞变化趋势的39个有效影像组学特征，其中有2个纹理特征。有37个小波特征，包括27个小波纹理特征，10小波灰度特征。
[0139]
表3 dwi+t2-flair+swi模型对梗塞变化趋势预测的有效影像组学特征
[0140][0141]
dwi+t2-flair+swi融合影像组学模型总共提取了预测梗塞变化趋势的23个有效影像组学特征。其中dwi影像中有12个全部为小波特征，包括5个小波纹理特征，4个小波灰度特征。t2-flair影像中有6个特征，2个纹理特征，4个小波特征，包括3个小波纹理特征，1个小波灰度特征。swi影像中有8个特征，全部为小波特征，包括6个小波纹理特征，2个小波灰度特征。根据权重排列如表3。
[0142]
通过上述四组实施例，得到以下结论：
[0143]
(1)本发明明确了梗塞在影像学上的变化，也在临床上验证梗塞扩大和梗塞逆转的存在，并达到梗塞变化预测的目的。
[0144]
(2)证实了在非血管再通治疗后的受试者中存在dwi逆转的现象。
[0145]
(3)为后期非血管再通治疗后实验的有效性提供预后指标。
[0146]
(4)由于dwi和t2-flair信号强度提示时间依赖性和侧枝循环的相关性，反映脑实质缺血程度，与预后相关性大。swi预测效能稍低，但其与灌注缺陷相关，有一定的提示静脉回流因素，对研究静脉回流与脑梗预后影响有一定的价值。因此三者存在互补的基础，通过
综合模型建立，预测效能得到进一步提高。
[0147]
以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何以本发明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所作出地简单变化、等同替换或者修饰等，皆涵盖于本发明的保护范围之中。