局部晚期直肠癌疗效预测方法、系统、介质、设备及终端技术方案

本发明专利技术属于数据处理技术领域，公开了一种局部晚期直肠癌疗效预测方法、系统、介质、设备及终端，在T2加权MRI上获取ROI区域，采用图像配准算法将DWI

【技术实现步骤摘要】
局部晚期直肠癌疗效预测方法、系统、介质、设备及终端


[0001]本专利技术属于数据处理
，尤其涉及一种局部晚期直肠癌疗效预测方法、系统、介质、设备及终端。

技术介绍

[0002]目前，新辅助放化疗(Neoadjuvant chemoradiotherapy，NCRT)已被证明可有效降低局部晚期直肠癌(Locally advanced rectal cancer，LARC)的分期。然而NCRT治疗后患者的治疗疗效差异很大，从病理完全缓解到疾病进展都可能出现，病理完全缓解(pathologic complete response，pCR)患者的生存率和肿瘤控制率最高，但只有约20％的患者出现病理完全缓解。因此，患者对NCRT的反应对于预后和管理决策尤其重要。此外，越来越多的证据表明，在达到pCR的患者中，可以省略根治性手术而不会影响肿瘤控制。
[0003]目前，治疗反应主要通过手术后的组织病理学评估来确定，包括治疗后病理T和N分期的确定；环切缘状态；和肿瘤消退分级(tumorregression grading，TRG)。然而，如果在切除之前可以获得这些信息，那么这些信息可能有助于指导手术方法。因此，开发无创反应评估模型用于术前预测患者对于NCRT治疗的反应，有助于制定更加精准的治疗方案。针对完全反应者，可以进行直肠保留术，提升患者治疗后的生活质量；无反应者可以直接进行手术，从而避免无效治疗的毒性。
[0004]影像组学方法作为一种非侵入性的图像分析方法，大量研究证实了其在肿瘤诊断、分期、治疗反应预测和预后中的研究价值。该方法可以从图像中提取高通量的特征，其关键步骤包括影像数据采集和预处理、图像分割、特征提取和建模，然后再进行临床应用、辅助决策。通过影像组学结合机器学习进行建模成为主流的研究方法，已有大量的研究发表。
[0005]目前，相关研究已经使用不同的成像方式进行直肠癌的疗效预测，例如T2加权(T2w
‑
MRI)，动态对比增强(DCE
‑
MRI)以及扩散加权成像(DWI
‑
MRI)。其中，功能性磁共振成像(MRI)生物标志物在预测局部晚期直肠癌的治疗反应方面具有具大的潜力。研究表明，扩散加权成像(DWI)的表观扩散系数(ADC)可用于预测CRT反应。ADC区分存活肿瘤(低ADC)和坏死(高ADC)的能力使其成为监测放射治疗早期效果的有用生物标志物。然而，目前绝大部分工作都集中于单一的成像模式及单一的ROI区域，这可能在疗效预测方面存在局限性。
[0006]如图4所示，现有技术一的技术方案如下：
[0007](1)患者数据采集(MRI数据及临床数据)
[0008](2)医生手动勾画患者的肿瘤区域(ROI)
[0009](3)对勾画好的ROI区域提取影像组学特征：使用Pyradiomics提取的。分别为直肠系膜和肿瘤提取放射组学特征。提取Pyradiomics中实现的所有放射组学特征，包括一阶统计(19个特征)、基于3D形状的(16个特征)、灰度共现矩阵(24个特征)、灰度运行长度矩阵(16个特征)、灰度大小区域矩阵(16个特征)、相邻灰度差矩阵(5个特征)和灰度依赖矩阵(14个特征)。除了原始图像外，还从滤波后的图像中提取放射组学特征。包括小波、平方、平
方根、对数和指数，以及在3D中应用的局部二进制模式。最终分别为直肠系膜和肿瘤提取到1595个特征。
[0010](4)对影像组学特征进行筛选：为了评估放射科医生分割的特征稳健性和偏差，使用皮尔逊相关系数衡量特征之间的相关性，当某一个特征与其他特征之间的相关性大于0.8时，从特征集中剔除该特征。同时通过Lasso算子筛选系数大于0的特征。
[0011](5)模型建模：将85％病人作为训练集，其余作为测试集。训练后的逻辑回归(Logistic regression)分类器在保持测试集上进行评估。
[0012]但是，现有技术一只采用了T2加权MRI图像进行影像组学特征的提取，未加入ADC、DWI加权下的MRI图像，而部分研究表明这部分图像对于疗效预测是有意义的；将直肠系膜部分作为单独的ROI区域进行特征提取，忽略了直肠系膜内部肿瘤及阳性淋巴结的区别。
[0013]通过上述分析，现有技术存在的问题及缺陷为：
[0014](1)目前使用不同的成像方式进行直肠癌的疗效预测方法都集中于单一的成像模式及单一的ROI区域，这可能在疗效预测方面存在局限性。
[0015](2)现有技术只采用了T2加权MRI图像进行影像组学特征提取，未加入ADC、DWI加权下的MRI图像，而这部分图像对于疗效预测是有意义的。
[0016](3)现有技术将直肠系膜部分作为单独的ROI区域进行特征提取，忽略了直肠系膜内部肿瘤及阳性淋巴结的区别。

技术实现思路

[0017]针对现有技术存在的问题，本专利技术提供了一种局部晚期直肠癌疗效预测方法、系统、介质、设备及终端，尤其涉及一种基于多参MRI图像及多目标ROI的局部晚期直肠癌疗效预测方法、系统、介质、设备及终端。
[0018]本专利技术是这样实现的，一种局部晚期直肠癌疗效预测方法，所述局部晚期直肠癌疗效预测方法包括：
[0019]在T2加权MRI上获取ROI区域，采用图像配准算法将DWI
‑
MRI、ADC
‑
MRI分别配准到T2w
‑
MRI；利用pyradiomics工具包进行影像组学特征的提取，分别使用统计学方法和Lasso算子进行特征筛选；使用基于stacking集成学习的方法进行病理反应预测模型的建模，实现局部晚期直肠癌疗效的预测。
[0020]进一步，所述局部晚期直肠癌疗效预测方法包括以下步骤：
[0021]步骤一，进行MRI图像及ROIs获取；
[0022]步骤二，进行影像组学特征提取及筛选。
[0023]进一步，所述步骤一中的MRI图像及ROIs获取包括：
[0024](1)在T2加权MRI上获取病人的三种ROI区域；
[0025](2)采用图像配准算法将DWI
‑
MRI、ADC
‑
MRI分别配准到T2w
‑
MRI。
[0026]进一步，所述步骤一(1)中的ROI区域包括直肠肿瘤ROI、系膜内阳性淋巴结ROI以及系膜外淋巴结区ROI。
[0027]所述在T2加权MRI上获取病人的ROI区域包括：
[0028]1)直肠肿瘤ROI：整个肿瘤排除肠腔，粘液腺癌包括粘液部分；
[0029]2)系膜内阳性淋巴结ROI：位于直肠系膜内且直径≥5mm，信号异常的淋巴结；
[0030]3)系膜外淋巴结区ROI：包括髂内淋巴结区、闭孔淋巴结区。
[0031]进一步，所述步骤一(2)中的图像配准算法：使用python ants配准库实现两种图像之间的配准。
[0032]进一步，所述步骤二中的影像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种局部晚期直肠癌疗效预测方法，其特征在于，所述局部晚期直肠癌疗效预测方法包括：在T2加权MRI上获取ROI区域，采用图像配准算法将DWI
‑
MRI、ADC
‑
MRI分别配准到T2w
‑
MRI；利用pyradiomics工具包进行影像组学特征的提取，分别使用统计学方法和Lasso算子进行特征筛选；使用基于stacking集成学习的方法进行病理反应预测模型的建模，实现局部晚期直肠癌疗效的预测。2.如权利要求1所述的局部晚期直肠癌疗效预测方法，其特征在于，所述局部晚期直肠癌疗效预测方法包括以下步骤：步骤一，进行MRI图像及ROIs获取；步骤二，进行影像组学特征提取及筛选。3.如权利要求2所述的局部晚期直肠癌疗效预测方法，其特征在于，所述步骤一中的MRI图像及ROIs获取包括：(1)在T2加权MRI上获取病人的三种ROI区域；(2)采用图像配准算法将DWI
‑
MRI、ADC
‑
MRI分别配准到T2w
‑
MRI。4.如权利要求3所述的局部晚期直肠癌疗效预测方法，其特征在于，所述步骤(1)中的ROI区域包括直肠肿瘤ROI、系膜内阳性淋巴结ROI以及系膜外淋巴结区ROI；所述在T2加权MRI上获取病人的ROI区域包括：1)直肠肿瘤ROI：整个肿瘤排除肠腔，粘液腺癌包括粘液部分；2)系膜内阳性淋巴结ROI：位于直肠系膜内且直径≥5mm，信号异常的淋巴结；3)系膜外淋巴结区ROI：包括髂内淋巴结区、闭孔淋巴结区。5.如权利要求2所述的局部晚期直肠癌疗效预测方法，其特征在于，所述步骤二中的影像组学特征提取及筛选包括：(1)影像组学特征提取：基于分割的ROI区域使用pyradiomics工具包进行影像组学特征的提取，提取全面描述肿瘤空间异质性的特征；(2)影像组学特征筛选：分别使用统计学方法和Lasso算子进行特征筛选；(3)机器学习建模：使用基于stacking集成学习的方法进行病理反应预测模型的建模，结合不同参数MRI及不同ROI区域的特征；所述步骤(1)中的ROI区域包括三种MRI图像和三种ROI；所述特征包括一阶统计学特征、形状特征、二阶纹理特征、高阶纹理特征以及衍生图像特征，最终每种图像每种ROI提取到800多个影像组学特征；所述步骤(2)中的影像组学...

【专利技术属性】
技术研发人员：王辛，姚宇，陈晓清，王森，窦猛，唐媛琳，盛雷鸣，陈哲彬，罗旭，朱遥遥，付麟杰，苗栋，
申请(专利权)人：中科院成都信息技术股份有限公司，
类型：发明
国别省市：