一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法技术

一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，包括以下步骤：（1）MRI影像处理；（2）提取影像学特征；（3）影像特征的筛选；（4）影像组学评分计算公式的建立；（5）临床危险因素的筛选；（6）预后生存模型的建立：结合鼻咽癌患者影像组学评分和临床危险因素建立预后观测模型，对患者PFS进行定性和定量预测，并评估该预后生存模型的性能。本发明专利技术对患者影像检查伤害性小，对特定患者的生存时间进行定性和定量分析，从而辅助医生制定个性化的治疗和随访方案，并辅助医生对病人的存活和复发时间进行评估，同时，对得到的预后生存模型的性能进行了验证，保证了预后预测模型的准确性。

【技术实现步骤摘要】
一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法
本专利技术涉及鼻咽癌预后辅助评估
，具体涉及一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法。
技术介绍
鼻咽癌是指发生于鼻咽腔顶部和侧壁的恶性肿瘤，是我国高发恶性肿瘤之一，占头颈部恶性肿瘤的78.08％，占上呼吸道癌肿的92.99％。世界卫生组织调查报道，全球有80％的鼻咽癌患者在中国，且以中国的南方较高，包括广东、广西和湖南等地。鼻咽癌病理大多为低分化鳞癌，恶性度高，发病部位隐蔽，特别是在咽隐窝和鼻咽顶部，早期症状不明显因而难以早期发现，误诊误治率较高，可达12.2％。由于鼻咽癌起病隐匿，具有强烈的转移倾向，约75％的患者首诊时就己到达晚期，发生局部淋巴结和/或远处转移。以放疗为主的综合治疗对早期鼻咽癌非常有效，但是仍然有30％～40％的患者由于转移和复发，未能获得长期生存。CN109658411A公开了一种基于CT影像学特征与非小细胞肺癌患者预后情况的相关性分析方法，包括以下步骤：CT影像的处理、特征数据处理、影像学特征与生存情况的关联分析和实验结果的验证分析。在做CT检查的过程当中，会产生大量的放射性射线，主要是X射线，而这种射线在通过人体的过程当中，会对人体的各个脏器以及组织、器官产生一定的危害，主要对相应的造血功能、生殖系统功能产生影响，对于需要长期跟踪临床观测的患者来说，采用CT影像检查伤害极大。
技术实现思路
本专利技术要解决的技术问题是，克服现有技术存在的上述缺陷，提供对患者影像检查伤害性小，可辅助医生制定个性化的治疗和随访方案，并辅助医生对病人的存活和复发时间进行评估，保证预后预测模型的准确性的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法。本专利技术解决其技术问题所采用的技术方案是：一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，包括以下步骤：（1）、MRI影像处理：对鼻咽癌患者的鼻咽部增强MRI序列进行肿瘤区域勾画；（2）、提取影像学特征：每位鼻咽癌患者共提取一定数量的影像学特征；（3、影像特征的筛选：利用拉索回归（Lasso）算法，筛选出与鼻咽癌患者无进展生存期（progressionfreesurvival，PFS）最相关的多个影像组学特征；（4）、影像组学评分计算公式的建立：根据相关特征及其对应系数，获得每个鼻咽癌患者的鼻咽癌影像组学评分（radiomicsscore，Rad-score）；（5）、临床危险因素的筛选：利用COX回归分析对与鼻咽癌患者预后密切相关的临床病理因素进行筛选；（6）、预后生存模型的建立：结合鼻咽癌患者影像组学评分和临床危险因素建立预后观测模型，对患者PFS进行定性和定量预测，并评估该预后生存模型的性能。进一步的，所述步骤（1）包括：1）、收集III-IV期鼻咽癌患者的临床、病理特征和随访资料；2）、获取上述患者的鼻咽部MRI图像，并将患者按照3:1的比例随机分为训练集和验证集；3）、利用软件程序包Radiomics对增强MRI图像进行整理和靶区分割。进一步的，所述临床、病理特征具体包括年龄、性别、病理类型、TMN分期、初治前Hb和WBC平均水平，随访资料包括患者无进展生存（Progressionfreesurvival，PFS）时间和总生存时间（Overallsurviaval，OS）；所述CE-T1W1图像使用对鼻咽癌感兴趣区域（Regionofinterested,ROI）进行逐层手动勾画。进一步的，步骤（2）中所述影像学特征通过基于python平台的程序包Pyradiomics提取；所述影像学特征包括：一阶灰度特征（firstorder）、形状特征（shapefeatures）、纹理特征（灰度共生矩阵—GLCM、灰度游程矩阵—GLRLM）和小波变换特征；进一步的，所述影像学特征为530个，包括一阶灰度特征18个，形状特征8个，纹理特征40个，小波变换后特征464个；所述影像组学特征为24个。进一步的，步骤（4）中，所述相关特征为最少绝对收缩和选择运算符(leastabsoluteshrinkageandselectionoperator,LASSO)确定与鼻咽癌患者无进展生存（Progressionfreesurvival，PFS）时间密切相关的影像学特征。进一步的，步骤（4）中的所述影像组学评分计算公式为NPCRad-score=3.489×(original_glcm_InverseVariance)−0.243×(original_glrlm_LongRunLowGrayLevelEmphasis)+0.235×(wavelet_HLL_firstorder_Skewness)+5.966×(wavelet_HLL_glcm_Idmn)−3.646×(wavelet_HLL_glcm_Imc1)−2.882×(wavelet_LHL_glrlm_LongRunLowGrayLevelEmphasis)+1.714×(wavelet_LHH_firstorder_TotalEnergy)−5.983×(wavelet_LHH_glcm_JointEnergy)−2.532×(wavelet_LHH_glcm_Idn)+9.555×(wavelet_LHH_glcm_Imc1)+0.119×(wavelet_LLH_firstorder_Skewness)−0.399×(wavelet_LLH_glcm_Imc2)+0.008×(wavelet_HLH_firstorder_Kurtosis)+3.344×(wavelet_HHH_firstorder_Median)+1.328×(wavelet_HHH_firstorder_TotalEnergy)−0.001×(wavelet_HHH_firstorder_Kurtosis)+0.350×(wavelet_HHH_glcm_DifferenceVariance)−6.574×(wavelet_HHH_glcm_Idn)+0.002×(wavelet_HHH_glcm_ClusterProminence)+0.198×(wavelet_HHH_glrlm_LongRunLowGrayLevelEmphasis)−12.266×(wavelet_HHL_glcm_InverseVariance)−6.153×(wavelet_HHL_glcm_Imc1)−1.731×(wavelet_LLL_glcm_MCC)-1.944×(wavelet_LLL_glcm_Imc2)。进一步的，步骤（5）中所述COX回归分析包括单因素COX回归分析和多因素COX回归分析。进一步的，所述单因素COX回归分析显示年龄、临床分期、M分期和组织分型与晚期鼻咽癌患者的PFS有关（P＜0.05），多因素COX回归分析显示年龄、M分期和组织分型为PFS的独立危险因素（P＜0.05），基于临床特征（年龄和M分期）的COX比例风险模型的C-index为0.65。进一步的，所述步骤（6）中，结合患者影像组学本文档来自技高网...

【技术保护点】
1.一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，包括以下步骤： （1）、MRI影像处理：对鼻咽癌患者的鼻咽部增强MRI序列进行肿瘤区域勾画； （2）、提取影像学特征：每位鼻咽癌患者共提取一定数量的影像学特征； （3、影像特征的筛选：利用拉索回归算法，筛选出与鼻咽癌患者无进展生存期最相关的多个影像组学特征； （4）、影像组学评分计算公式的建立：根据相关特征及其对应系数，获得每个鼻咽癌患者的鼻咽癌影像组学评分； （5）、临床危险因素的筛选：利用COX回归分析对与鼻咽癌患者预后密切相关的临床病理因素进行筛选； （6）、预后生存模型的建立：结合鼻咽癌患者影像组学评分和临床危险因素建立预后观测模型，对患者PFS进行定性和定量预测，并评估该预后生存模型的性能。/n

【技术特征摘要】
1.一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，包括以下步骤：（1）、MRI影像处理：对鼻咽癌患者的鼻咽部增强MRI序列进行肿瘤区域勾画；（2）、提取影像学特征：每位鼻咽癌患者共提取一定数量的影像学特征；（3、影像特征的筛选：利用拉索回归算法，筛选出与鼻咽癌患者无进展生存期最相关的多个影像组学特征；（4）、影像组学评分计算公式的建立：根据相关特征及其对应系数，获得每个鼻咽癌患者的鼻咽癌影像组学评分；（5）、临床危险因素的筛选：利用COX回归分析对与鼻咽癌患者预后密切相关的临床病理因素进行筛选；（6）、预后生存模型的建立：结合鼻咽癌患者影像组学评分和临床危险因素建立预后观测模型，对患者PFS进行定性和定量预测，并评估该预后生存模型的性能。


2.根据权利要求1所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，所述步骤（1）包括：1）、收集III-IV期鼻咽癌患者的临床、病理特征和随访资料；2）、获取上述患者的鼻咽部MRI图像，并将患者按照3:1的比例随机分为训练集和验证集；3）、利用软件程序包Radiomics对增强MRI图像进行整理和靶区分割。


3.根据权利要求2所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，所述临床、病理特征具体包括年龄、性别、病理类型、TMN分期、初治前Hb和WBC平均水平，随访资料包括患者无进展生存时间和总生存时间（；所述CE-T1W1图像使用对鼻咽癌感兴趣区域进行逐层手动勾画。


4.根据权利要求1所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，步骤（2）中所述影像学特征通过基于python平台的程序包Pyradiomics提取；所述影像学特征包括：一阶灰度特征、形状特征、纹理特征（灰度共生矩阵—GLCM、灰度游程矩阵—GLRLM）和小波变换特征。


5.根据权利要求4所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，所述影像学特征为530个，包括一阶灰度特征18个，形状特征8个，纹理特征40个，小波变换后特征464个；所述影像组学特征为24个。


6.根据权利要求1所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，步骤（4）中，所述相关特征为最少绝对收缩和选择运算符确定与鼻咽癌患者无进展生存时间密切相关的影像学特征。


7.根据权利要求1所述的一种基于增强MRI影像组学的鼻咽癌预后辅助评估方法，其特征在于，步骤（4）中的所述影像组学评分计算公式为NPCRad-score=3.489×(original_glcm_InverseVariance)−0.243×(original_glrlm_LongRunLowGrayLevelEmphasis)+0.235×(wavelet_HLL_firstorder_...

【专利技术属性】
技术研发人员：刘勇，卢善翃，毛弈韬，谭磊，李果，高妍，邱元正，黄东海，张欣，
申请(专利权)人：中南大学湘雅医院，
类型：发明
国别省市：湖南;43