关键特征，测试数据集用于统计各分类预后的准确度。
[0031] 步骤S3,依据各分类肺部影像数据的训练数据集，采用机器学习方法对各分类肺 部影像数据的训练数据集进行特征训练，得到能够正确辨识各分类肺部影像数据的训练数 据集对应类型肿瘤关键特征，根据所述得到的各分类的关键特征对相应的测试数据集进 行测试，得到测试数据集中各肿瘤的预测结果。对各分类测试数据集进行预测分析和预后 统计，得到肺癌辅助诊断结论并统计预后精度。
[0032] 测试数据集中各肿瘤的预测结果包括：（1)良恶性：良性肿瘤或恶性肿瘤；肺癌临 床分期：临床分期的肺癌早期（I、II)和肺癌晚期（III、IV);病理分型：腺癌肿瘤或鳞癌肿 瘤。
[0033] 本实施例中，所述机器学习方法为模式识中的自动分类算法；所述关键特征为通 过机器学习方法在所述肿瘤表型特征库中筛选得到的具有预后价值的特征；机器学习方法 可以采用基于支持向量机或基于神经网络或者基于深度学习等训练方法。
[0034] 所述根据机器学习方法得到非小细胞肺癌的肿瘤关键特征为能够正确识别肿瘤 良性和恶性的特征、识别肺癌早期和肺癌晚期的特征、识别腺癌和鳞癌的特征。三种肿瘤关 键特征对应一个或多个关键特征用于后续的临床预后性能验证。
[0035] 图2为本实施例提供的肺癌CT影像中肿瘤目标区域图像，第一行三幅小图为2D 形式显示肿瘤目标区域，第二行三幅小图为对应的三个肿瘤的3D显示。
[0036] 为本实施例的由训练数据集得到的肿瘤关键特征，在测试数据集上的给出的辅助 诊断建议的统计分析结果。当取不同数量的关键特征，对于良恶性分类的预测、临床分期的 预测和病理分型的预测结果都是不一样的。
[0037]
[0038] 参照图3,在取少部分关键特征时，都不能达到较好的预后效果，当关键特征数量 取到前20个及其以上时，三类数据的肿瘤预后辅助诊断结果都达到了 80%，表示本发明所 提出的预后方案能够准确的识别肿瘤的良恶性、早期或晚期肺癌以及肿瘤的病理分型。
[0039] 表1为本发明实施例提供的能够正确完成三种预后分析的关键特征，各类预测对 应的关键特征以*表不。
[0040] 表 1
[0041]
[0042] 参照表1，对于腺癌和鳞癌的病理分型预测，以纹理特征为代表的关键特征可以达 到较好的预后精度；对于肿瘤良恶性的分类预测，以纹理特征、Gabor特征和峰度为代表的 关键特征能够达到较好的预后精度；对于肺癌早期（I、II)和晚期（III、IV)的预测，以纹 理特征、三维表型信息为代表的关键特征能到达到较好的预后精度。
[0043] 以上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵 盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为 准。
【主权项】
1. 一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在于，所述方法包括： 步骤S1，从非小细胞肺癌患者肺部影像数据库中对每一个肿瘤进行分割，提取目标区 域，并根据所述肿瘤目标区域图像提取肿瘤表型特征库； 步骤S2,根据所述非小细胞肺癌患者肺部影像数据的临床信息和组织活检结果对肿瘤 进行分类，将分类的肺部影像数据的数据集按比例分为训练数据集和测试数据集； 步骤S3,依据各分类肺部影像数据的训练数据集，采用机器学习方法对各分类肺部影 像数据的训练数据集进行特征训练，得到能够正确辨识各分类肺部影像数据的训练数据集 对应类型肿瘤关键特征，通过所述关键特征对各类肺部影像数据的测试数据集进行预测统 计和预后分析。2. 如权利要求1所述的一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在 于，步骤Sl中所述肿瘤目标区域图像提取肿瘤表型特征库包括一阶统计特征、二阶特征和 三维特征、纹理特征以及小波特征； 一阶统计特征包括熵、峰度、能量、最大灰度值、最小灰度值以及像素平均绝对偏差； 二阶特征应包括肿瘤最大径、肿瘤最小径以及单层最大面积； 三维特征应包括三维最大径，体积，表面积，不对称性； 纹理特征包括游程特征和灰度共生矩阵特征； 小波特征包括在完成小波变换后的图像上提取的各种统计特征和纹理特征。3. 如权利要求2所述的一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在 于，步骤S2中所述对肿瘤进行的分类包括三类数据集：良性肿瘤与恶性肿瘤、肺癌早期肿 瘤与晚期肿瘤、腺癌肿瘤与鳞癌肿瘤。4. 如权利要求3所述的一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在 于，所述机器学习方法为模式识中的自动分类算法；所述关键特征为通过机器学习方法在 所述肿瘤表型特征库中筛选得到的具有预后价值的特征。5. 如权利要求4所述的一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在 于，所述机器学习方法为支持向量机算法或卷积神经网络算法或深度学习算法。6. 如权利要求1-5任一项所述的一种基于肿瘤表型特征的非小细胞肺癌预后方法，其 特征在于，所述肺部影像为CT或磁共振或超声或其它临床影像设备采集得到的肺部影像 数据。
【专利摘要】本发明提出了一种基于肿瘤表型特征的非小细胞肺癌预后方法，包括：S1，从非小细胞肺癌患者肺部影像数据库中对每一个肿瘤进行分割，提取目标区域，并根据所述肿瘤目标区域图像提取肿瘤表型特征库；S2，根据所述非小细胞肺癌患者肺部影像数据的临床信息和组织活检结果对肿瘤进行分类，将分类的肺部影像数据的数据集按比例分为训练数据集和测试数据集；S3，依据训练数据集，采用机器学习方法对各分类训练数据集进行特征训练，得到能够正确辨识各分类的训练数据集对应类型肿瘤关键特征，通过所述关键特征对各类测试数据集进行预测统计和预后分析。本发明实现了计算机方法辅助完成肿瘤预后分析并给出辅助诊断建议。
【IPC分类】G01N24/08, G01N29/06, G06F19/24, G01N24/00
【公开号】CN105005714
【申请号】CN201510340718
【发明人】田捷, 宋江典, 董迪, 张帅通, 喻冬东
【申请人】中国科学院自动化研究所
【公开日】2015年10月28日
【申请日】2015年6月18日