用于淋巴结转移风险预测的超声影像组学模型的构建方法技术

本发明专利技术公开了一种用于淋巴结转移风险预测的超声影像组学模型的构建方法，包括：1)数据集构建：获取PTC患者超声检查的原始超声医学影像和临床信息，对原始超声医学影像和临床信息进行标准化和脱敏处理，并将处理后的数据随机划分为训练集和验证集；2)勾画感兴趣区域：勾画每个超声医学影像中的感兴趣区域；3)影像组学特征提取：对每个感兴趣区域进行高维影像组学特征提取；4)影像组学分析：对训练集分别构建两个影像组学标签，然后将影像组学标签与临床信息相结合，构建淋巴结转移风险预测模型；5)预测模型验证。本发明专利技术用于淋巴结转移风险预测的超声影像组学模型的构建方法可精确量化、无创和非侵入，且不会增加患者的诊疗程序。程序。程序。

【技术实现步骤摘要】
用于淋巴结转移风险预测的超声影像组学模型的构建方法


[0001]本专利技术涉及医学图像处理的
，具体涉及一种用于淋巴结转移风险预测的超声影像组学模型的构建方法。

技术介绍

[0002]甲状腺乳头状癌(PTC)是最常见的原发性甲状腺恶性肿瘤，近年在全球范围内发病率迅速增加。尽管PTC具有缓慢的临床过程，但其侵犯淋巴特性导致的颈部淋巴结(LN)转移仍然是一个值得重视的问题，据报道在诊断中有20
‑
90％的患者存在颈部淋巴结转移。甲状腺乳头状癌外科治疗的最新趋势已经转变为更加个体化、创伤更小的治疗，特别是对于没有甲状腺包膜外侵犯和淋巴结转移的单灶性小(<1cm)肿瘤。最新修订的美国甲状腺协会指南建议，对于无颈部淋巴结转移的患者，甲状腺单叶切除是安全有效的。然而在临床实践中，临床医生难以明确患者是否存在淋巴结转移。由于颈部淋巴结转移是PTC患者复发和死亡的重要危险因素，术前准确预测甲状腺乳头状癌患者颈部淋巴结转移，能够为手术方式的选择和肿瘤切除范围提供依据。
[0003]B超是一种用于PTC术前评估颈部LN状态，具有高特异性(85.0％
‑
97.4％)但敏感性相对较低(36.7％
‑
61.0％)。随着超声剪切波弹性成像(SWE)得发展，有研究表明术前SWE的定量弹性指数可以有助于预测淋巴结转移(Jung,WS.,et al.,Shear wave elastography in evaluation of cervical lymph node metastasis of papillary thyroid carcinoma:elasticity index as a prognostic implication.Annals of Surgical Oncology,2015.22(1):111
‑
6，Park,AY.,et al.,Shear
‑
Wave Elastography for Papillary Thyroid Carcinoma can Improve Prediction of Cervical Lymph Node Metastasis.Annals of Surgical Oncology,2016.23(5):722
‑
729，Cosgrove,D.,et al.,WFUMB Guidelines and Recommendations on the Clinical Use of Ultrasound Elastography:Part 4.Thyroid.Ultrasound in Medicine And Biology,2017.43(1):4
‑
26)，但未形成量化的诊断方法或模型用于指导该疾病的诊断。
[0004]影像组学是从医学影像中大规模提取定量图像信息的过程，可直观地理解为将视觉影像信息转化为深层次的特征来进行量化研究，通过肿瘤分割、特征提取与模型建立，凭借对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断。因此，提出一种用于甲状腺乳头状癌患者颈部淋巴结转移风险预测的超声影像组学模型的构建方法，以解决上述问题很有必要。

技术实现思路

[0005]本专利技术的目的在于克服上述
技术介绍
的不足，提供一种用于淋巴结转移风险预测的超声影像组学模型的构建方法，该用于淋巴结转移风险预测的超声影像组学模型的构建方法可精确量化、无创和非侵入，且不会增加患者更多的诊疗程序。
[0006]为实现上述目的，本专利技术提供一种用于淋巴结转移风险预测的超声影像组学模型
的构建方法，包括如下步骤：
[0007]1)数据集构建：获取PTC患者超声检查的原始超声医学影像和临床信息，对原始超声医学影像和临床信息进行标准化和脱敏处理，并将处理后的数据随机划分为训练集和验证集；
[0008]2)勾画感兴趣区域：勾画每个超声医学影像中的感兴趣区域；
[0009]3)影像组学特征提取：对超声医学影像中的每个感兴趣区域进行高维影像组学特征提取；
[0010]4)影像组学分析：对训练集分别构建两个影像组学标签，然后将影像组学标签与临床信息相结合，构建淋巴结转移风险预测模型；
[0011]5)预测模型验证：将验证集应用于淋巴结转移风险预测模型，验证淋巴结转移风险预测模型的诊断效能。
[0012]进一步地，所述步骤1)中，原始超声医学影像包括B超图像和SWE图像，并存储为原始DICOM医学影像格式；临床信息包括患者的年龄、性别、病理结果、肿瘤原发性位置、肿瘤位置、肿瘤多灶性、超声诊断报告中淋巴结转移结论、肿瘤标准分级、肿瘤影像报告构成和桥本甲状腺炎结论。
[0013]进一步地，所述步骤2)中，采用ITK
‑
SNAPE软件对B超图像中的甲状腺结节进行勾画，然后通过配准的方式将感兴趣区域映射到对应的SWE影像中，映射公式为：
[0014]ROI
SWE
(x,y)＝ROI
BMUS
(x+w,y+h)
[0015]式中，ROI
BMUS
(x,y)表示B超中的感兴趣区域，ROI
SWE
(x,y)表示SWE中的感兴趣区域，w和h分别表示SWE图像与B超图像之间的偏移量，w为图像的宽度的一半，h为0。
[0016]进一步地，所述步骤3)中，采用python软件的PyRadiomics包提取每个感兴趣区域的一阶直方图特征、形状特征、纹理特征和小波特征。
[0017]进一步地，所述步骤4)中，影像组学分析具体包括如下步骤：
[0018]4.1)特征筛选：用显著性分析、相关性分析和Lasso回归分析方法分别对训练集的B超影像特征和SWE影像特征进行分析，剔除与LN状态无关的特征；
[0019]4.2)构建B超影像组学标签：以B超影像特征进行Lasso分析结果的系数，通过线性加权的方式构成B超影像组学标签；
[0020]4.3)构建SWE影像组学标签：以SWE影像特征进行Lasso分析结果的系数，通过线性加权的方式构成SWE影像组学标签；
[0021]4.4)构建风险预测模型：通过对临床信息与B超影像组学标签和SWE影像组学标签进行二元多因素Logistic回归分析，构建LN转移风险的预测模型。
[0022]进一步地，所述步骤4.1)中，显著性分析为对影像特征进行T检验或Mann
‑
Whitney U检验，对于符合正态分布的特征进行T检验，对于不符合正态分布的特征进行Mann
‑
Whitney U检验，剔除P值大于0.05的特征；相关性分析为对上一步分析未剔除的特征进行Spearman相关性分析，剔除相关系数小于0.8的特征；Lasso回归分析为对上一步分析未剔除的特征进行Lasso回归分析，剔除系数为0的特征。
[0023本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于淋巴结转移风险预测的超声影像组学模型的构建方法，其特征在于：包括如下步骤：1)数据集构建：获取PTC患者超声检查的原始超声医学影像和临床信息，对原始超声医学影像和临床信息进行标准化和脱敏处理，并将处理后的数据随机划分为训练集和验证集；2)勾画感兴趣区域：勾画每个超声医学影像中的感兴趣区域；3)影像组学特征提取：对超声医学影像中的每个感兴趣区域进行高维影像组学特征提取；4)影像组学分析：对训练集分别构建两个影像组学标签，然后将影像组学标签与临床信息相结合，构建淋巴结转移风险预测模型；5)预测模型验证：将验证集应用于淋巴结转移风险预测模型，验证淋巴结转移风险预测模型的诊断效能。2.根据权利要求1所述的用于淋巴结转移风险预测的超声影像组学模型的构建方法，其特征在于：所述步骤1)中，原始超声医学影像包括B超图像和SWE图像，并存储为原始DICOM医学影像格式；临床信息包括患者的年龄、性别、病理结果、肿瘤原发性位置、肿瘤位置、肿瘤多灶性、超声诊断报告中淋巴结转移结论、肿瘤标准分级、肿瘤影像报告构成和桥本甲状腺炎结论。3.根据权利要求2所述的用于淋巴结转移风险预测的超声影像组学模型的构建方法，其特征在于：所述步骤2)中，采用ITK
‑
SNAPE软件对B超图像中的甲状腺结节进行勾画，然后通过配准的方式将感兴趣区域映射到对应的SWE影像中，映射公式为：ROI
SWE
(x,y)＝ROI
BMUS
(x+w,y+h)式中，ROI
BMUS
(x,y)表示B超中的感兴趣区域，ROI
SWE
(x,y)表示SWE中的感兴趣区域，w和h分别表示SWE图像与B超图像之间的偏移量，w为图像的宽度的一半，h为0。4.根据权利要求3所述的用于淋巴结转移风险预测的超声影像组学模型的构建方法，其特征在于：所述步骤3)中，采用python软件的PyRadiomics包提取每个感兴趣区域的一阶直方图特征、形状特征、纹理特征和小波特征。5.根据权利要求4所述的用于淋巴结转移风险预测的超声影像组学模型的构建方法，其特征在于：所述步骤4)中，影像组学分析具体包括如下步骤：4.1)特征筛选：用显著性分析、相关性分析和Lasso回归分析方法分别对训练集的B超影像特征和SWE影像特征进行分析，剔除与LN状态无关的特征；4.2)构建B超影像组学标签：以B超影像特征进行Lasso分析结果的系数，通过线性加权的方式构成B超影像组学标签；4.3)构建SWE影像组学标签：以SWE影像特征进行Lasso分析结果的系数，通过线性加权的方式构成SWE影像组学标签；4.4)构建风险预测模型：通过对临床信息与B超影像组学标签和SWE影像组学标签进行二元多因素Logistic回归分析，构建LN转移风险的预测模型。6.根据权利要求5所述的用于淋巴结转移风险预测的超声影像组学模型的构建方法，其特征在于：所述步骤4.1)中，显著性分析为对影像特征进行T检验或Mann
‑
Whitney U检验，对于符合正态分布的特征进行T检验，对于不符合正态分布的特征进行Mann
‑<...

【专利技术属性】
技术研发人员：崔新伍，蒋猛，吕文志，
申请(专利权)人：华中科技大学同济医学院附属同济医院，
类型：发明
国别省市：