基于双能CT预测卵巢癌Ki-67表达的图像处理方法技术

一种基于双能CT预测卵巢癌Ki

【技术实现步骤摘要】
基于双能CT预测卵巢癌Ki
‑
67表达的图像处理方法


[0001]本专利技术涉及
，尤其涉及一种基于双能CT预测卵巢癌Ki
‑
67表达的图像处理方法。

技术介绍

[0002]卵巢癌是女性生殖系统恶性程度最高的肿瘤，由于早期常无临床症状，因此常常诊断时患者已处于晚期。2015年中国估计有52,100例新诊断病例和22,500例死亡，并且死亡率在过去十年中仍在增加。Ki
‑
67蛋白(抗原)的表达和细胞的密切增殖有关，只有在细胞周期的活跃期可以被检测到，通过Ki
‑
67阳性肿瘤细胞比例(标记指数)能够精确获得肿瘤的生长特征、对药物的敏感性及患者的疾病进程，因此临床常常对肿瘤细胞的Ki
‑
67进行检测。
[0003]能谱CT的碘基物质值(IC)可以更准确的反映肿瘤内血管化以及与血供相关的信息。双能量CT能够提供101个单能量图像，并具备强大的能谱后处理功能，其中基物质成像是将高低两组电压扫描的X线衰减图像表达为两种物质(物质对)的密度图，对应的每一个体素反映了相应的物质密度信息，可进行物质分离并精准定量。目前已有MR的多种功能序列(如常规弥散加权成像(DWI)、体素内不相干运动成像(IVIM)、扩散峰度成像(DKI)等)应用于评估卵巢癌的Ki
‑
67评估，但是在CT方面的研究相对较少。
[0004]鉴于Ki
‑
67在卵巢癌中高Ki
‑
67指数与组织分化程度、临床分期及不良预后相关，因此亟需一种能够有效的处理基于双能CT碘基物质分解的术前卵巢癌Ki
‑
67表达的影像组学特征的方法，对后续决定治疗手段提供支撑。

技术实现思路

[0005]本专利技术提供一种基于双能CT预测卵巢癌Ki
‑
67表达的特征图像方法，以克服上述技术问题。
[0006]为了实现上述目的，本专利技术的技术方案是：
[0007]一种基于双能CT预测卵巢癌Ki
‑
67表达的图像处理方法，包括如下步骤：
[0008]S1：对基于双能CT的Ki
‑
67表达的碘基物质分解图中的卵巢癌病变区域进行勾画，获得卵巢癌病灶的三维图像；
[0009]S2：根据所述卵巢癌病灶的三维图像，获取卵巢癌病灶的三维图像的影像组学特征，所述卵巢癌病灶的三维图像的影像组学特征包括：一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域灰度差矩阵特征和灰度相关矩阵特征；
[0010]S3：根据所述卵巢癌病灶的三维图像的影像组学特征，获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征；
[0011]所述卵巢癌病灶的三维图像的影像组学特征的代表性特征包括：一阶统计特征代表特征FOS、形状特征代表特征SP、灰度共生矩阵特征代表特征GLCM、灰度游程长度矩阵特
征代表特征GLRLM、灰度尺寸区域矩阵特征代表特征GLSZM、领域灰度差矩阵特征代表特征NGTDM和灰度相关矩阵特征代表特征GLDM；
[0012]S4：对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行评分，获取卵巢癌的Ki
‑
67的量化分值；以获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的贡献度值。
[0013]进一步的，所述双能CT碘基物质分解图为碘水密度图。
[0014]进一步的，所述S3中获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的步骤如下：
[0015]S31：根据所述卵巢癌病灶的三维图像的影像组学特征，获取筛选后的的代表性特征：
[0016][0017]式中：n为卵巢癌病灶的三维图像样本图像的个数；β为卵巢癌病灶的三维图像样的具有统计学意义的组学特征的权重；||β||1为其L1(w)范数，即‖β‖1＝|β1|+|β2|+
…
+|β
p
|；lnl为对数似然函数；x
(i)
为第i个样本图像即双能CT碘基物质分解图的特征组；y
(i)
为第i个样本图像即双能CT碘基物质分解图的类别；i为样本图像的编号；λ为联系惩罚项与损失数的权重参数；p代表具有统计学意义的组学特征的数量；β
p
代表第p个具有统计学意义的组学特征的权重；
[0018]S32：将所述筛选后的代表性特征进行整合，获得卵巢癌病灶的三维图像的影像组学特征的代表性特征；
[0019][0020]式中，β
10
代表FOS的常数项，即FOS的偏置；β
1m
代表FOS的第m个具有统计学意义的组学特征的权重；x
1m
代表FOS的第m个具有统计学意义的影像组学特征；m为卵巢癌病灶的三维图像样本图像中具有统计学意义的组学特征的权重的数量，也是卵巢癌病灶的三维图像样本图像中具有统计学意义的组学特征的数量；β
20
代表SP的常数项，即SP的偏置；β
2m
代表SP的第m个具有统计学意义的组学特征的权重；x
2m
代表SP的第m个具有统计学意义的影像组学特征；β
30
代表GLCM的常数项，即GLCM的偏置；β
3m
代表GLCM的第m个具有统计学意义的组学特征的权重；x
3m
代表GLCM的第m个具有统计学意义的影像组学特征；β
40
代表GLRLM的常数项，即GLRLM的偏置；β
4m
代表GLRLM的第m个具有统计学意义的组学特征的权重；x
4m
代表GLRLM的第m个具有统计学意义的影像组学特征；β
50
代表GLSZM的常数项，即GLSZM的偏置；
β
5m
代表GLSZM的第m个具有统计学意义的组学特征的权重；x
5m
代表GLSZM的第m个具有统计学意义的影像组学特征；β
60
代表NGTDM的常数项，即NGTDM的偏置；β
6m
代表NGTDM的第m个具有统计学意义的组学特征的权重；x
6m
代表NGTDM的第m个具有统计学意义的影像组学特征；β
70
代表GLDM的常数项，即GLDM的偏置；β
7m
代表GLDM的第m个具有统计学意义的组学特征的权重；x
7m
代表GLDM的第m个具有统计学意义的影像组学特征；
[0021]S33：对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行建模，获取模型的损失函数：
[0022][0023]其中，n为卵巢癌病灶的三维图像样本图像的个数；β为具有统计学意义的组学特征的权重；为其L2(w)范数，即(w)范数，即lnl为对数似然函数，x
(i)
为第i个样本图像即双能CT碘基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双能CT预测卵巢癌Ki
‑
67表达的图像处理方法，其特征在于，包括如下步骤：S1：对基于双能CT的Ki
‑
67表达的碘基物质分解图中的卵巢癌病变区域进行勾画，获得卵巢癌病灶的三维图像；S2：根据所述卵巢癌病灶的三维图像，获取卵巢癌病灶的三维图像的影像组学特征，所述卵巢癌病灶的三维图像的影像组学特征包括：一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域灰度差矩阵特征和灰度相关矩阵特征；S3：根据所述卵巢癌病灶的三维图像的影像组学特征，获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征；所述卵巢癌病灶的三维图像的影像组学特征的代表性特征包括：一阶统计特征代表特征FOS、形状特征代表特征SP、灰度共生矩阵特征代表特征GLCM、灰度游程长度矩阵特征代表特征GLRLM、灰度尺寸区域矩阵特征代表特征GLSZM、领域灰度差矩阵特征代表特征NGTDM和灰度相关矩阵特征代表特征GLDM；S4：对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行评分，获取卵巢癌的Ki
‑
67的量化分值；以获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的贡献度值。2.根据权利要求1所述的一种基于双能CT预测卵巢癌Ki
‑
67表达的图像处理方法，其特征在于，所述双能CT碘基物质分解图为碘水密度图。3.根据权利要求1所述的一种基于双能CT预测卵巢癌Ki
‑
67表达的图像处理方法，其特征在于，所述S3中获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的步骤如下：S31：根据所述卵巢癌病灶的三维图像的影像组学特征，获取筛选后的的代表性特征：式中：n为卵巢癌病灶的三维图像样本图像的个数；β为卵巢癌病灶的三维图像样的具有统计学意义的组学特征的权重；||β||1为其L1(w)范数，即‖β‖1＝|β1|+|β2|+
…
+|β
p
|；ln l为对数似然函数；x
(i)
为第i个样本图像即双能CT碘基物质分解图的特征组；y
(i)
为第i个样本图像即双能CT碘基物质分解图的类别；i为样本图像的编号；λ为联系惩罚项与损失数的权重参数；p代表具有统计学意义的组学特征的数量；β
p
代表第p个具有统计学意义的组学特征的权重；S32：将所述筛选后的代表性特征进行整合，获得卵巢癌病灶的三维图像的影像组学特征的代表性特征；
式中，β
10
代表FOS的常数项，即FOS的偏置；β
1m
代表FOS的第m个具有统计学意义的组学特征的权重；x
1m
代表FOS的第m个具有统计学意义的影像组学特征；m为卵巢癌病灶的三维图像样本图像中具有统计学意义的组学特征的权重的数量，也是卵巢癌病灶的三维图像样本图像中具有统计学意义的组学特征的数量；β
20
代表SP的常数项，即SP的偏置；β
2m
代表SP的第m个具有统计学意义的组学特征的权重；x
2m
代表SP的第m个具有统计学意义的影像组学特征；β
30
代表GLCM的常数项，即GLCM的偏置；β
3m
代表GLCM的第m个具有统计学意义的组学特征的权重；x
3m
代表GLCM的第m个具有统计学意义的影像组学特征；β
40
代表GLRLM的常数项，即GLRLM的偏置；β
4m
代表GLRLM的第m个具有统计学意义的组学特征的权重；x
4m
代表GLRLM的第m个具有统计学意义的影像组学特征；β
50
代表GLSZM的常数项，即GLSZM的偏置；β
5m
代表GLSZM的第m个具有统计学意义的组学特征的权重；x
5m
代表GLSZM的第m个具有统计学意义的影像组学特征；β
60
代表NGTDM的常数项，即NGTDM的偏置；β
6m
代表NGTDM的第m个具有统计学意义的组学特征的权重；x
6m
代表NGTDM的第m个具有统计学意义的影像组学特征；β
70
代表GLDM的常数项，即GLDM的偏置；β
7m
代表GLDM的第m个具...

【专利技术属性】
技术研发人员：刘爱连，李烨，张钦和，卢绪论，王楠，赵莹，陈丽华，刘义军，吴艇帆，郭妍，李昕，
申请(专利权)人：大连医科大学附属第一医院，
类型：发明
国别省市：