一种结合滤波算法深度挖掘海马硬化放射组学特征的方法技术

本发明专利技术公开了一种结合滤波算法深度挖掘海马硬化放射组学特征的方法，引入小波变换和高斯拉普拉斯算子滤波算法得到滤波衍生图像，再基于这些滤波衍生图像提取海马和皮质区域的放射组学特征，尝试挖掘滤波下更深层的放射组学特征与海马硬化病变之间的关系，一方面可实现对所有检测图像的客观处理，另一方面在提取海马体积和信号特征的同时还能挖掘感兴趣区域中的诸多高阶纹理特征，并在真实患者数据中取得了较好的检测结果，提升马硬化的检测精度，其中基于小波变换的放射组学特征能够为海马硬化检测带来较大提升。马硬化检测带来较大提升。马硬化检测带来较大提升。

【技术实现步骤摘要】
一种结合滤波算法深度挖掘海马硬化放射组学特征的方法


[0001]本专利技术涉及图像处理
，尤其涉及一种结合滤波算法深度挖掘海马硬化放射组学特征的方法。

技术介绍

[0002]海马硬化(HS,Hippocampal Sclerosis)是难治性颞叶癫痫的常见病理，多数患者可通过手术治疗，因此实现术前HS精确诊断，对制定手术方案而言至关重要。目前术前诊断HS的手段主要基于核磁共振成像(MRI,Magnetic Resonance Imaging)对海马萎缩与海马体信号增高等病变特征进行视觉检查或定量测量，其中来自人工的视觉检查具有一定的主观性，不同医生根据其诊断经验对相同患者可能存在不同诊断结果，难以对患者给予客观评估；而对于海马体积和海马信号的定量测量还是基于视觉先验知识，为辅助区分海马体积和海马信号在健康和病变组织上的微小差异提供帮助。但这种影像学特征在一些患者的临床MRI影像中难以被发现，特别是对于一些早期海马硬化患者而言，这种基于形态学的病变异常特征是微小的，容易造成漏检，导致手术延误错过最佳治疗时间。
[0003]针对上述问题，多数研究尝试围绕患者海马体积和海马信号进行指标量化和综合评估。例如2019年Vos等人基于HS的海马体积减少和T2信号增加特点，提出通过计算沿海马长轴生成的横截面积和T2模态图像剖面信号能量，分析了病变组织与健康组织间的指标差异，提高了对细微局灶性海马硬化病变的敏感性。2020年Dou等人曾提出了一种基于MRI的HS定量综合指数(HSI,HS Index)，这种指数结合了海马体积和海马FLAIR模态信号的信息，对HS严重程度进行评级。然而，在经病理证实的HS患者中，这类综合指数仍然难以实现对海马硬化的精准检测，部分病变依然出现漏检或误检。因此，用于表征海马硬化异常的MRI深层特征有待被挖掘，并作为辅助检测海马硬化的影像学依据提升检测精度。
[0004]放射组学(Radiomics)是一种提取医学影像上的半定量或定量特征的方法，可以量化影像上一些视觉不可见的细节，其能够量化大量影像上的能量分布、形态、纹理等特征，表征病变异常，可实现对所有检测图像的客观处理。基于这些特征，可以建立不同病种的诊断预测模型、疗效评估模型等一系列临床应用模型，辅助医生制定诊疗方案。多种研究表明，放射组学特征可作为肿瘤分类任务中的MRI成像生物标志物，应用于脑胶质瘤检测、肺癌检测等任务中。然而，目前有关海马硬化的放射组学研究主要基于原始图像提取一阶统计量特征、形状特征和纹理等特征，海马硬化病变的放射组学高阶特征尚未得到充分挖掘，故围绕放射组学分析还有待提出一个更完善和优化的解决方案应用于海马硬化检测任务。

技术实现思路

[0005]本专利技术的目的是提出一种结合滤波算法深度挖掘海马硬化放射组学特征的方法。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种结合滤波算法深度挖掘海马硬化放射组学特征的方法，包括以下步骤：
[0008]S1、图像预处理：
[0009]S11、所有T1图像进行重采样；
[0010]S12、每个受试样本进行强度归一化操作；
[0011]S13、对所有影像中的颅骨结构进行去除，生成预处理后的T1图像用于步骤S2放射组学特征提取；
[0012]S14、对该生成的图像进行皮质重建和皮下组织分割，保留分割结果中对应左侧海马和右侧海马的区域作为步骤S2放射组学特征提取阶段的ROI；
[0013]S2、放射组学特征提取：
[0014]S21、对S13预处理后的T1图像分别进行小波滤波和LoG滤波，得到小波滤波衍生图像和LoG滤波衍生图像；
[0015]S22、在步骤S14的海马ROI上共提取72种放射组学特征，其中从灰度直方图中提取12种一阶统计量特征，从ROI结构中提取了8种形状特征，从灰度共生矩阵提取21种高阶纹理特征，从灰度游程矩阵提取13种高阶纹理特征，从灰度区域大小矩阵提取13种高阶纹理特征，从邻域灰度差矩阵提取5种纹理特征；
[0016]S23、基于T1图像、小波滤波衍生图像和LoG滤波衍生图像上的海马ROI区域分别进行以上72种放射组学特征提取，得到一阶统计量特征、形状特征和纹理特征；
[0017]S3、特征筛选：
[0018]S31、首先采用Z
‑
Score归一化算法对每类特征进行归一化处理；
[0019]S32、采用双样本T检验计算每种放射组学特征在健康海马与患病海马间的差异；
[0020]S33、对每组放射组学特征分别进行特征间相关性分析，计算两两特征的皮尔逊相关系数，保留与其余特征相关性之和更低的特征。
[0021]进一步地，步骤S11每个体素被重采样为1mm
×
1mm
×
1mm大小。
[0022]进一步地，步骤S12中强度归一化操作具体为：先采用White Strip归一化算法进行归一化处理，然后采用Z
‑
Score算法将图像灰度分布缩放在均值为0、方差为1的范围内。
[0023]进一步地，步骤S14采用Freesurfer工具的recon
‑
all指令进行皮质重建和皮下组织分割。
[0024]进一步地，步骤S21小波滤波衍生图像的生成方法为：
[0025]对T1图像进行离散小波变换，使用小波核对目标函数进行卷积运算，获得小波在不同尺度和方向上的小波系数，一维离散小波变换公式表示为：
[0026][0027][0028]其中，系数x_l
i
(n)和x_h
i
(n)分别表示离散信号x(n)在分解级别i处的低通和高通分量，l
p
(m)和h
p
(m)分别表示低通和高通滤波器系数，N
i
表示分解级别i处的分量信号长度；
[0029]对于T1图像执行单级三维离散小波变换：假设T1图像表示为X(x，y，z)，首先沿图像x轴方向进行逐行小波分解，得到x轴上的低通衍生图像和高通衍生图像，然后基于低通衍生图像和高通衍生图像继续沿y轴方向进行分解，分别得到y轴上的低通衍生图像和高通
衍生图像，最后再沿z轴方向进行分解，最后共得到8个分解的小波滤波衍生图像。
[0030]进一步地，步骤S21中LoG滤波衍生图像的生成方法为：
[0031]先将高斯平滑滤波器与拉普拉斯滤波器进行卷积，得到混合滤波器，然后再将混合滤波器与图像进行卷积，使用逼近二阶导数的离散卷积内核通过卷积方式计算拉普拉斯算子，拉普拉斯算子公式表示为：
[0032][0033]其中，I表示输入T1图像I(x，y，z)，x，y，z表示图像中的坐标；
[0034]对三维图像进行LoG滤波，其中高斯核定义为：
[0035][0036]其中，x、y、z分别为图片像素在三维T1图像中的位置，σ为高斯标准差。
[0037]进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，包括以下步骤：S1、图像预处理：S11、所有T1图像进行重采样；S12、每个受试样本进行强度归一化操作；S13、对所有影像中的颅骨结构进行去除，生成预处理后的T1图像用于步骤S2放射组学特征提取；S14、对该生成的图像进行皮质重建和皮下组织分割，保留分割结果中对应左侧海马和右侧海马的区域作为步骤S2放射组学特征提取阶段的ROI；S2、放射组学特征提取：S21、对S13预处理后的T1图像分别进行小波滤波和LoG滤波，得到小波滤波衍生图像和LoG滤波衍生图像；S22、在步骤S14的海马ROI上共提取72种放射组学特征，其中从灰度直方图中提取12种一阶统计量特征，从ROI结构中提取了8种形状特征，从灰度共生矩阵提取21种高阶纹理特征，从灰度游程矩阵提取13种高阶纹理特征，从灰度区域大小矩阵提取13种高阶纹理特征，从邻域灰度差矩阵提取5种纹理特征；S23、基于T1图像、小波滤波衍生图像和LoG滤波衍生图像上的海马ROI区域分别进行以上72种放射组学特征提取，得到一阶统计量特征、形状特征和纹理特征；S3、特征筛选：S31、首先采用Z
‑
Score归一化算法对每类特征进行归一化处理；S32、采用双样本T检验计算每种放射组学特征在健康海马与患病海马间的差异；S33、对每组放射组学特征分别进行特征间相关性分析，计算两两特征的皮尔逊相关系数，保留与其余特征相关性之和更低的特征。2.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S11每个体素被重采样为1mm
×
1mm
×
1mm大小。3.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S12中强度归一化操作具体为：先采用White Strip归一化算法进行归一化处理，然后采用Z
‑
Score算法将图像灰度分布缩放在均值为0、方差为1的范围内。4.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S14采用Freesurfer工具的recon
‑
all指令进行皮质重建和皮下组织分割。5.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S21小波滤波衍生图像的生成方法为：对T1图像进行离散小波变换，使用小波核对目标函数进行卷积运算，获得小波在不同尺度和方向上的小波系数，一维离散小波变换公式表示为：
其中，系数x_l
i
(n)和x_h
i
(n)分别表示离散信号x(n)在分解级别i处的低通和高通分量，l
p
(m)和h
p
(m)分别表示低通和高通滤波器系数，N
i
表示分解级别i处的分量信号长度；对于T1图像执行单级三维离散小波变换：假设T1图像表示为X(x，y，z)，首先沿图像x轴方向进行逐行小波分解，得到x轴上的低通衍生图像和高通衍生图像，然后基于低通衍生图像和高通衍生图像继续沿y轴方向进行分解，分别得到y轴上的低通衍生图像和高通衍生图像，最后再沿z...

【专利技术属性】
技术研发人员：康桂霞，欧阳莫微，赵国光，魏鹏虎，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：