一种基于机器学习的软组织肉瘤转移风险预测系统技术方案

本发明专利技术公开了一种基于机器学习的软组织肉瘤转移风险预测系统，涉及医疗影像科图像处理领域，所述软组织肉瘤转移风险预测系统包括：图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块与显示结果模块。为了解决因采用人工方式进行软组织肉瘤转移风险预测而导致预测效率不高的问题，本发明专利技术通过图像采集模块收集大量会发生转移和不会发生转移的软组织肉瘤图像建立训练数据库，并将训练数据库中的图像经过图像预处理模块提取图像特征后使用支持向量机进行训练建立软组织肉瘤转移预测模型，同时将待预测图像数据的特征输入模型进行预测得到预测结果，进而实现对目标患者是否会发生软组织肉瘤转移进行快速、准确地预测。

A risk prediction system of soft tissue sarcoma metastasis based on machine learning

The invention discloses a soft tissue sarcoma metastasis risk prediction system based on machine learning, which relates to the field of image processing in medical imaging department. The soft tissue sarcoma metastasis risk prediction system includes: image acquisition module, image preprocessing module, feature extraction module, soft tissue sarcoma metastasis risk prediction module and display result module. In order to solve the problem that the prediction efficiency is not high due to the artificial way to predict the risk of soft tissue sarcoma metastasis, the invention collects a large number of soft tissue sarcoma images that will and will not be transferred through the image acquisition module to establish a training database, and extracts image features from the images in the training database through the image preprocessing module, and then uses the support vector machine to carry out the prediction At the same time, input the characteristics of the image data to be predicted into the model to get the prediction results, and then realize the rapid and accurate prediction of whether the target patients will have soft tissue sarcoma metastasis.

【技术实现步骤摘要】
一种基于机器学习的软组织肉瘤转移风险预测系统
本专利技术涉及医疗影像科图像处理领域，具体是一种基于机器学习的软组织肉瘤转移风险预测系统。
技术介绍
软组织肉瘤是一类罕见的恶性肿瘤，因为其发病率低，外科医生接触到此类疾病的机会少，因而容易发生误诊，进而错过最佳的治疗时机。且此类疾病常难以依靠传统的手段鉴别肿瘤的性质以及预测其转移风险。大多数新病例是中度或高度恶性肿瘤，几乎可能出现在人体的任何部位，四肢是最常见的起源部位。一般而言，不同形式的治疗可对软组织肉瘤起到良好的局部控制效果。然而，大约25％的软组织肉瘤患者还是会发生远处转移的情况。特别是在高级别肿瘤的情况下，转移率上升至约50％，通常需要在早期阶段进行更好的全身治疗，以控制有转移风险的软组织肉瘤。因此，在软组织肉瘤管理过程中对转移风险的早期评估是非常有意义的，因为它可能为患者带来更好的适应性治疗并因此提高患者总体存活率。目前，针对软组织肉瘤的传统预测方式多通过人工进行，这种方式要求医师有丰富的临床经验，对病人的临床资料进行全面分析，在工作量较大的情况下非常容易造成误诊现象，进而带来严重后果。通过机器学习进行预测的方式尚处于起步阶段，研究较少且准确度不高。因此，设计出一种基于机器学习的软组织肉瘤转移风险预测系统，成为亟需解决的问题。
技术实现思路
本专利技术的目的在于提供一种基于机器学习的软组织肉瘤转移风险预测系统，以解决上述
技术介绍
中提出的问题，通过对医疗图像的特征提取和风险预测模型的建立，实现对目标患者是否会发生软组织肉瘤转移进行快速、准确地预测。为实现上述目的，本专利技术提供如下技术方案：一种基于机器学习的软组织肉瘤转移风险预测系统，包括：依次连接的图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块以及显示结果模块；所述图像采集模块用于获取软组织肉瘤PET/CT图像生成待预测图像数据；所述图像预处理模块用于将待预测图像数据进行预处理得到预处理后的图像；所述特征提取模块用于对预处理后的图像进行纹理分析并提取图像特征；所述软组织肉瘤转移风险预测模块用于收集大量会发生转移和不会发生转移的软组织肉瘤图像建立训练数据库，并将训练数据库中的图像进行提取图像特征后使用支持向量机进行训练，建立软组织肉瘤转移风险预测模型，同时将获取的待预测图像数据的特征输入模型进行预测得到预测结果；所述显示结果模块用于显示准确的预测结果。作为本专利技术进一步的方案：所述预处理包括降噪处理和归一化处理，且所述降噪处理为采用图像降噪算法对原始图像进行小波分解和重构，所述归一化处理为采用图像归一化算法对图像进行处理，即使用最大最小归一化算法对图像进行归一化处理。作为本专利技术再进一步的方案：所述图像归一化算法使用如下函数：其中，x′i表示归一化后的像素点的值，xi表示图像像素点的值，max(x)与min(x)分别表示图像像素的最大值和最小值。作为本专利技术再进一步的方案：所述小波分解包括：选择一个小波函数和小波分解的层次N，然后计算图像到第N层的分解；将高频系数进行阈值量化，对于从1到N的每一层，选择一个阈值，并对这一层的高频系数进行软阈值化处理。作为本专利技术再进一步的方案：所述小波重构包括：根据小波分解的第N层的低频系数和经过阈值量化的第1层到第N层的高频系数来对医疗图像进行小波重构。作为本专利技术再进一步的方案：所述纹理分析包括计算灰度共生矩阵、灰度级行程矩阵、灰度级带矩阵以及邻域灰度差分矩阵；通过特征提取模块对预处理过的图像进行灰度共生矩阵、灰度级行程矩阵、灰度级带矩阵、邻域灰度差分矩阵的计算，分析其纹理特征。具体的，通过对预处理过的图像进行灰度共生矩阵计算，得到能量、对比度、关联性、同质性、方差、总平均值和熵值；通过对预处理过的图像进行灰度级行程矩阵计算，得到短期强调(SRE)、长期重点(LRE)、灰度级非均匀性(GLN)、游程长度不均匀性(RLN)、运行百分比(RP)、低灰度运行强调(LGRE)、高灰度运行强调(HGRE)、短期低灰度强调(SRLGE)、短期高灰度强调(SRHGE)、长期低灰度强调(LRLGE)、长期高灰度重点(LRHGE)、灰度方差(GLV)以及游程长度方差(RLV)；通过对预处理过的图像进行灰度级带矩阵计算，得到小区重点(SZE)、大区重点(LZE)、灰度级非均匀性(GLN)、区域尺寸不均匀性(ZSN)、区域百分比(ZP)、灰度区重点(LGZE)、高灰度区重点(HGZE)、小区域低灰度强调(SZLGE)、小区域高灰度重点(SZHGE)、大区低灰度强调(LZLGE)、大区高灰度重点(LZHGE)、灰度方差(GLV)以及区域大小方差(ZSV)；通过对预处理过的图像进行邻域灰度差分矩阵计算，得到粗糙度、对比度、繁忙度、复杂度和强度。作为本专利技术再进一步的方案：所述软组织肉瘤转移风险预测模型的建立包括以下步骤：收集大量会发生转移和不会发生转移的软组织肉瘤PET/CT图像，建立训练数据库；将训练数据库中的数据经过图像预处理模块处理得到降噪和归一化后的图像数据，并将降噪和归一化后的图像数据经过特征提取模块进行特征提取，得到训练特征数据；将训练特征数据随机划分为k组，每组中都包含软组织肉瘤发生转移和软组织肉瘤未发生转移的样本，挑选其中一组数据作为测试集，剩下的k-1组数据作为训练用来训练模型，通过一对一训练法得到能够将数据样本区分得到第l个模型：SVM1，将测试集输入到SVM1进行分类，并将测试集分类结果与实际结果进行对比得到分类准确率ε1；以此类推得到k个准确率ε1，ε2，…，εk，并在ε1，ε2，…，εk中挑选分类准确率最高的模型作为最终软组织肉瘤转移风险的预测模型。与现有技术相比，本专利技术的有益效果是：本专利技术设置了依次连接的图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块以及显示结果模块，通过图像采集模块收集大量会发生转移和不会发生转移的软组织肉瘤图像建立训练数据库，并将训练数据库中的图像经过图像预处理模块提取图像特征后使用支持向量机进行训练建立软组织肉瘤转移预测模型，同时将待预测图像数据的特征输入模型进行预测得到预测结果，进而实现对目标患者是否会发生软组织肉瘤转移进行快速、准确地预测，解决了因采用人工方式进行软组织肉瘤转移风险预测而导致预测效率不高的问题。附图说明图1为本专利技术一实施例提供的基于机器学习的软组织肉瘤转移风险预测系统的框图。图2为本专利技术另一实施例提供的软组织肉瘤转移风险预测的流程图。图3为本专利技术另一实施例提供的软组织肉瘤转移风险预测模型的构建流程图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步详细地说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进。这些都属于本专利技术本文档来自技高网...

【技术保护点】
1.一种基于机器学习的软组织肉瘤转移风险预测系统，包括：依次连接的图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块以及显示结果模块；/n所述图像采集模块用于获取软组织肉瘤PET/CT图像生成待预测图像数据；/n所述图像预处理模块用于将待预测图像数据进行预处理得到预处理后的图像；/n所述特征提取模块用于对预处理后的图像进行纹理分析并提取图像特征；/n所述软组织肉瘤转移风险预测模块用于收集软组织肉瘤图像建立训练数据库，并将训练数据库中的图像进行提取图像特征后使用支持向量机进行训练，建立软组织肉瘤转移风险预测模型，同时将获取的待预测图像数据的特征输入模型进行预测得到预测结果；/n所述显示结果模块用于显示预测结果。/n

【技术特征摘要】
1.一种基于机器学习的软组织肉瘤转移风险预测系统，包括：依次连接的图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块以及显示结果模块；
所述图像采集模块用于获取软组织肉瘤PET/CT图像生成待预测图像数据；
所述图像预处理模块用于将待预测图像数据进行预处理得到预处理后的图像；
所述特征提取模块用于对预处理后的图像进行纹理分析并提取图像特征；
所述软组织肉瘤转移风险预测模块用于收集软组织肉瘤图像建立训练数据库，并将训练数据库中的图像进行提取图像特征后使用支持向量机进行训练，建立软组织肉瘤转移风险预测模型，同时将获取的待预测图像数据的特征输入模型进行预测得到预测结果；
所述显示结果模块用于显示预测结果。


2.根据权利要求1所述的基于机器学习的软组织肉瘤转移风险预测系统，其特征在于，所述预处理包括降噪处理和归一化处理，且所述降噪处理为采用图像降噪算法对图像进行小波分解和重构，所述归一化处理为采用图像归一化算法对图像进行处理。


3.根据权利要求2所述的基于机器学习的软组织肉瘤转移风险预测系统，其特征在于，所述图像归一化算法使用如下函数：



其中，x′i表示归一化后的像素点的值，xi表示图像像素点的值，max(x)与min(x)分别表示图像像素的最大值和最小值。


4.根据权利要求2所...

【专利技术属性】
技术研发人员：申俊丽，余堃，刘秋朋，
申请(专利权)人：河南师范大学，
类型：发明
国别省市：河南;41