一种肝脏图像处理方法技术

本发明专利技术涉及图像处理技术领域，具体地说，涉及一种肝脏图像处理方法，其包括以下步骤：一、将肝脏部位CECT图像通过A.K.软件提取影像组学特征；二、设定阈值，使用VarianceThreshold方法，将低于阈值的特征剔除；三、使用T

【技术实现步骤摘要】
一种肝脏图像处理方法


[0001]本专利技术涉及图像处理
，具体地说，涉及一种肝脏图像处理方法。

技术介绍

[0002]肝细胞癌(肝癌)是全球最常见的恶性肿瘤之一。肝切除术是肝癌患者获得长期生存的主要手段。肝衰竭是肝切除术尤其是半肝切除术后的重要并发症。因此对肝脏进行术前评估，以尽量避免手术后肝衰竭的发生显得尤为关键，准确评估肝癌患者术前的肝储备功能不仅有利于避免肝衰竭、降低手术风险性，而且有利于减少术后中长期肝功能不全导致的死亡。目前，肝储备功能的临床评估手段主要有肝脏血清生化学检测、Child
‑
Pugh评分、白蛋白
‑
胆红素(albumin
‑
bilirubin，ALBI)评分、肝功能定量试验、肝脏体积测量等。血清生化学检测难以完全反映肝功能，而Child
‑
Pugh评分难以完全反映肝癌患者预后情况。综上，仍需要寻找一种预测术后是否会发生肝衰竭的有效手段。
[0003]影像组学是以定量成像为基础的新兴学科方向，通过对量化特征的高通量提取，将医学影像数据转换为定量化、高维化的数据特征。利用若干影像特征直观、定量地描述临床影像中肿瘤的形态和病理特点，尤其对治疗结果、预后以及肿瘤遗传因素有较强的预测作用。已有研究表明影像组学特征与肝纤维化和肝癌术后病理特征有关，推测术前CECT图像非肿瘤的肝实质可以反映患者的肝储备功能。
[0004]目前，肝储备功能的评估手段大多依赖于手术前临床生理指标，难以完全反映肝癌患者预后情况。单一的依赖于临床生理指标、图像难以保证较高的数据精确度，很容易导致对语义信息的解读不够全面，通常不能准确判定受测者的健康情况。现实生活中，对于医生来说，收集大量病患资料并提供正确的标签是一项非常耗费时间且不切实际的任务。为了解决上述问题，为了实现一种无需使用大量正确标签的分类机制，需要一种肝脏图像处理方法。

技术实现思路

[0005]本专利技术的内容是提供一种肝脏图像处理方法，其能够克服现有技术的某种或某些缺陷。
[0006]根据本专利技术的一种肝脏图像处理方法，其包括以下步骤：
[0007]一、将肝脏部位CECT图像通过A.K.软件提取影像组学特征；
[0008]二、设定阈值，使用VarianceThreshold方法，将低于阈值的特征剔除；
[0009]三、使用T
‑
SNE降维算法进行特征降维；
[0010]四、利用QN
‑
S3VM半监督分类算法对训练集样本进行训练和测试；
[0011]五、多次随机分配测试集、训练集，取其分类准确率的平均值。
[0012]作为优选，步骤二中，首先设定阈值，然后计算样本特征的方差，若该特征的方差大于该阈值，则保留该特征；若该特征的方差小于该阈值，则删除该特征。
[0013]作为优选，T
‑
SNE降维算法是将高维空间的点对映射到低维空间的同时，保持相互
之间分布概率不变，在高维空间使用高斯分布将距离转化为概率分布，在低维空间下使用T分布将距离转化为概率分布，采用联合概率表示点对应的相似度，通过优化两个分布之间的距离KL散度，得到低维空间的样本分布。
[0014]作为优选，T
‑
SNE降维算法的具体流程为：
[0015]1)、设高维数据点为X＝(x1,x2,...,x
n
)，低维映射点Y＝(y1,y2,...,y
n
)；
[0016]2)、KL散度为：式中p
ij
为高维空间样本分布的联合概率函数，q
ij
为低维空间中样本分布的联合概率；
[0017]3)、高斯数据点x
i
，x
j
的联合概率函数如下：式中的σ是中心在x
i
的高斯方差，通过预先设置的复杂度因子对执行二分搜索获得最佳的σ；
[0018]4)、在低维空间中，数据点y
i
，y
j
的联合概率函数为：
[0019]5)、最后通过梯度下降法不断更新迭代，得到低维映射样本。
[0020]作为优选，QN
‑
S3VM半监督分类算法的流程为：
[0021]a、将所有有标签的数据，发生肝衰的样本标记为1，未发生肝衰的样本标记为
‑
1，以2：1的比例随机分配训练集，测试集；
[0022]b、设定训练的标记样本为S
l
＝{(x1,y1′
),...,(x
m
,y
m
′
)}，未标记样本为S
u
＝{(x
m+1
,y
m+1
′
),...,(x
n
,y
n
′
)}，标记样本数量为m，未标记样本数量为n
‑
m，训练集总样本数为n；
[0023]c、设置初始化参数λ为最小迭代误差，S为最大迭代次数；
[0024]d、记迭代次数为s，迭代步骤1中的训练集样本，并在每次迭代后计算误差λ
′
，每次迭代结束后s的值加1；
[0025]e、直到λ＞＝λ
′
或者s＝S,此时模型训练结束；
[0026]f、将测试集放入模型中进行测试，得到预测结果。
[0027]本专利技术提出基于T
‑
SNE特征降维和QN
‑
S3VM的半监督分类算法的肝脏图像处理方法，首先利用A.K.软件提取肝脏部位CECT图像纹理特征，再加入临床生理指标，通过阈值筛选将方差小的特征筛选掉，再利用降维算法T
‑
SNE将高维特征映射到低维空间，降低特征维度，滤去多余的特征的信息，最后通过半监督学习的思想，随机将进行过手术的样本分为训练集、测试集，将这部分训练集样本与大量只进行过术前检查的患者一起训练，得到的最终模型，预测测试集样本得到准确率。
[0028]影像组学是以定量成像为基础的新兴学科方向，通过对量化特征的高通量提取，将医学影像数据转换为定量化、高维化的数据特征。将它与临床生理指标组合用于肝储备功能评估，可以实现多模态信息互补，挖掘更深层次的语义信息，达到更准确判断受测者情况的目的。
[0029]另外，传统的有监督算法通常需要大量样本用于训练，由于医学数据珍贵，获得大量样本数据是不现实，本专利技术采用半监督的方式，能在一定程度上利用只进行过术前检查(未进行手术)的样本参与模型的训练，弥补了数据不足的问题。
附图说明
[0030]图1为实施例1中一种肝脏图像处理方法的流程图；
[0031]图2为实施例1中特征选择的流程图；
[0032]图3为实施例1中QN
‑
S3VM半监督分类算法的流程图。
具体实施方式
[0033]为进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肝脏图像处理方法，其特征在于：包括以下步骤：一、将肝脏部位CECT图像通过A.K.软件提取影像组学特征；二、设定阈值，使用VarianceThreshold方法，将低于阈值的特征剔除；三、使用T
‑
SNE降维算法进行特征降维；四、利用QN
‑
S3VM半监督分类算法对训练集样本进行训练和测试；五、多次随机分配测试集、训练集，取其分类准确率的平均值。2.根据权利要求1所述的一种肝脏图像处理方法，其特征在于：步骤二中，首先设定阈值，然后计算样本特征的方差，若该特征的方差大于该阈值，则保留该特征；若该特征的方差小于该阈值，则删除该特征。3.根据权利要求1所述的一种肝脏图像处理方法，其特征在于：T
‑
SNE降维算法是将高维空间的点对映射到低维空间的同时，保持相互之间分布概率不变，在高维空间使用高斯分布将距离转化为概率分布，在低维空间下使用T分布将距离转化为概率分布，采用联合概率表示点对应的相似度，通过优化两个分布之间的距离KL散度，得到低维空间的样本分布。4.根据权利要求3所述的一种肝脏图像处理方法，其特征在于：T
‑
SNE降维算法的具体流程为：1)、设高维数据点为X＝(x1,x2,...,x
n
)，低维映射点Y＝(y1,y2,...,y
n
)；2)、KL散度为：式中p
ij
为高维空间样本分布的联合概率函数，q
ij
为低维空间中样本分布的联合概率；3)、高斯数据点x
i
，x

【专利技术属性】
技术研发人员：秦娜，孙伟浩，佘兴彬，黄德青，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：