【技术实现步骤摘要】
用于对头颈部癌症远端转移预测的图像分类方法及装置
本专利技术涉及图像分类领域，具体涉及一种用于对头颈部癌症远端转移预测的图像分类方法及装置。
技术介绍
头颈部恶性肿瘤约占全身恶性肿瘤的5％，绝大多数病理类型为鳞状细胞癌。头颈部鳞癌由于解剖结构复杂等原因，手术虽为治疗的主要方式，但根治性切除率较低，并且早期临床症状隐匿，患者就诊时多已处于肿瘤中晚期，故一直是肿瘤治疗上的难点。头颈部鳞癌的诊断通常需要结合病史、体征、内镜下活组织病理检查及相关影像学检查，其中影像学检查有助于肿瘤的检测、分期及治疗预后的评估。预测肿瘤是否转移对于医生制定手术方案有重要指导意义。影像组学是临床医学的新兴方法，指通过定量医学影像来描述肿瘤的异质性，构造大量纹理图像特征，对临床问题进行分析决策。利用先进机器学习方法实现的影像组学已经大大提高了肿瘤良恶性的预测准确性。研究表明，通过客观定量的描述影像信息，并结合临床经验，对肿瘤进行术前预测及预后分析，将对临床产生更好的指导价值。深度学习已经在自然图像分类上取得了骄人的成绩，目前也已有研究将深度学习应用于医学影像处理诊断，但是头颈部癌症的影像资料较...
【技术保护点】
1.一种用于对头颈部癌症远端转移预测的图像分类方法，其特征在于，该方法包括：采集医学影像数据，其中所述医学影像数据包括肺部CT数据和头颈部CT数据；对所述医学影像数据进行预处理；根据预处理后的医学影像数据构建第一分类器模型和第二分类器模型，基于临床变量构建第三分类器模型，其中，所述第一分类器模型为基于卷积神经网络的影像组学分类器，所述第二分类器模型为基于特征工程影像组学的分类器，所述第三分类器为基于临床信息的分类器；将所述第一分类器模型、第二分类器模型、第三分类器模型通过加权平均的方法进行集成，构成最终的分类模型；将医学图像及临床信息输入到最终分类器模型中，对所述医学图像进行分类。
【技术特征摘要】
1.一种用于对头颈部癌症远端转移预测的图像分类方法，其特征在于，该方法包括：采集医学影像数据，其中所述医学影像数据包括肺部CT数据和头颈部CT数据；对所述医学影像数据进行预处理；根据预处理后的医学影像数据构建第一分类器模型和第二分类器模型，基于临床变量构建第三分类器模型，其中，所述第一分类器模型为基于卷积神经网络的影像组学分类器，所述第二分类器模型为基于特征工程影像组学的分类器，所述第三分类器为基于临床信息的分类器；将所述第一分类器模型、第二分类器模型、第三分类器模型通过加权平均的方法进行集成，构成最终的分类模型；将医学图像及临床信息输入到最终分类器模型中，对所述医学图像进行分类。2.根据权利要求1所述的一种用于对头颈部癌症远端转移预测的图像分类方法，其特征在于，采用卷积神经网络构建第一分类器模块。3.根据权利要求2所述的一种用于对头颈部癌症远端转移预测的图像分类方法，其特征在于，在构建第一分类器模块过程中，选用ReLu作为激活函数。4.根据权利要求3所述的一种用于对头颈部癌症远端转移预测的图像分类方法，其特征在于，在卷积神经网络的第一层和第二层重采样后分别增加了LRN层，在第六层和第七层全连接层后分别使用了Dropout层。5.根据权利要求1所述的一种用于对头颈部癌症远端转移预测的图像分类方法，其特征在于，在构建第二分类器模型过程中，将肿瘤区域的CT图像中提取的特征分为：I)10个一阶特征；II)5种形态特征；III)每个特征使用40种不同的提取参数组合计算得到的共40个纹理特征；其中，10个一阶特征分别为方差、协方差、峰度、SUV最大值、SUV峰值、SUV均值、SUV曲线下面积、总病变糖酵解、失活体积百分比和广义有效总量；5个形状特征分别为体积、大小、坚固性、偏心率和紧凑性；在40个纹理特征中，9个特征来自灰度共生矩阵，13个特征来自灰度级运行长度矩阵，13个特征来自灰度级区域矩阵，5个特征来自邻域灰度差矩阵。6.一种用于对头颈部癌症远端转移预测的图像...
【专利技术属性】
技术研发人员：胡聪，王鹏，朱望纯，周甜，许川佩，朱爱军，万春霆，陈涛，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西,45
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。