肝硬化结节的良恶性质预测装置、方法、设备及介质制造方法及图纸

本发明专利技术涉及生物信息学技术领域，公开了肝硬化结节的良恶性质预测装置、方法、设备及介质，装置包括：数据获取模块用于获取第一图像和临床信息；图像勾画模块用于对第一图像进行感兴趣区域勾画得到第二图像；特征提取模块用于从第二图像中提取第一手工特征和第一学习特征；特征筛选模块用于从第一手工特征中筛选出第二手工特征，从第一学习特征中筛选出第二学习特征；评分输出模块用于将第二手工特征输入至第一回归模型中输出影像组学评分，将第二学习特征输入至第一回归模型中输出深度学习评分；预测模块用于将影像组学评分、深度学习评分以及临床评分输入至第二回归模型中输出预测结果。本发明专利技术能够有效提高肝硬化结节良恶性质预测的准确率。性质预测的准确率。性质预测的准确率。

【技术实现步骤摘要】
肝硬化结节的良恶性质预测装置、方法、设备及介质


[0001]本专利技术涉及生物信息学
，具体涉及肝硬化结节的良恶性质预测装置、方法、设备及介质。

技术介绍

[0002]肝细胞癌（HCC）是一种严重威胁人类生命安全的恶性疾病，肝硬化患者常伴有肝硬化结节，该类患者后期进展为肝细胞癌的风险明显增加，因此及时发现和准确鉴别肝硬化结节至关重要。
[0003]当前针对肝硬化结节的早期检查，主要是通过增强计算机断层扫描（CECT）来鉴别肝硬化结节的良恶性质。在利用CECT诊断HCC时，很大程度上依赖于检查医生的经验水平，仅凭视觉评估不足以捕捉到异常的形态学、组织密度、血流、纹理和组织/器官功能等基本细节，并且临床上对肝硬化结节的良恶性质的鉴别有赖于HCC相关的经典影像特征。
[0004]近年来，影像组学在医疗领域的应用频率和研究深度增长迅速，已实现对相关疾病患病率的预测，例如肿瘤诊断；但在利用影像组学技术对肝硬化结节进行检测时，由于其技术限制无法对CECT中的细微图像特征进行识别，造成肝硬化结节的良恶性质预测准确率低的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种肝硬化结节的良恶性质预测装置、方法、计算机设备及存储介质，以解决当前肝硬化结节的良恶性质预测准确性差的问题。
[0006]第一方面，本专利技术提供了一种肝硬化结节的良恶性质预测装置，包括：数据获取模块，用于获取待预测对象的第一图像和临床信息，所述第一图像为包含第一感兴趣区域和非感兴趣区域的断层扫描图像；图像勾画模块，用于对所述第一图像进行感兴趣区域勾画，得到第二图像；所述第二图像表示包含第一感兴趣区域的断层扫描图像；特征提取模块，用于从所述第二图像中提取出多个第一手工特征和多个第一学习特征；所述第一手工特征能够反映具体物理含义，所述第一学习特征无法反映具体物理含义；特征筛选模块，用于从所述多个第一手工特征中筛选出第二手工特征，以及从所述多个第一学习特征中筛选出第二学习特征；所述第二手工特征为与第二感兴趣区域相关的第一手工特征，所述第二学习特征为与第二感兴趣区域相关的第一学习特征；所述第一感兴趣区域中包含第二感兴趣区域；评分输出模块，用于将所述第二手工特征输入至第一回归模型中输出影像组学评分，以及将所述第二学习特征输入至第一回归模型中输出深度学习评分；预测模块，用于将所述影像组学评分、所述深度学习评分，以及与所述临床信息对应的临床评分输入至第二回归模型中，所述第二回归模型用于根据所述影像组学评分、所
述深度学习评分和所述临床评分输出预测结果；所述预测结果表示所述待预测对象的肝硬化结节的良恶性质。
[0007]本专利技术提供的肝硬化结节的良恶性质预测装置，通过分别生成影像组学评分、深度学习评分以及临床评分，以及通过第二回归模型根据影像组学评分、深度学习评分和临床评分输出预测结果，能够有效提高对于肝硬化结节的良恶性质预测的准确率，从而实现在极早期采取必要的治疗和干预措施，提高治疗效果和患者的生存率的目的。
[0008]在一种可选的实施方式中，所述特征提取模块，包括：手工特征提取单元，用于利用影像组学的特征提取工具，从所述第二图像中提取出第一手工特征；所述第一手工特征包括灰度共生矩阵特征和灰度运行长度矩阵特征；学习特征提取单元，用于将所述第二图像输入至预设卷积神经网络中，输出第一学习特征。
[0009]本专利技术提供的肝硬化结节的良恶性质预测装置，通过影像组学的特征提取工具从所述第二图像中提取出第一手工特征，以及将所述第二图像输入至预设卷积神经网络中输出第一学习特征，能够提取出与肝硬化结节相关的特征，从而有助于提高肝硬化结节的良恶性质预测准确率。
[0010]在一种可选的实施方式中，所述预设卷积神经网络中包含多个残差块和一个池化层；其中，每个残差块由多个卷积层和一个归一化层组成，所述残差块用于对信息传递以及特征提取；所述池化层用于输出学习特征。
[0011]在一种可选的实施方式中，特征筛选模块，包括：第一筛选单元，用于对每个第一手工特征进行非参数假设检验处理得到显著值，并选择所述显著值小于显著性阈值的第一手工特征作为筛选特征；第二筛选单元，用于将多个筛选特征作为特征集合，确定所述特征集合中每两个筛选特征之间的等级相关系数，如果所述等级相关系数大于或者等于相关性阈值，则将所述每两个筛选特征中的任意一个筛选特征进行删除，直至剩余的筛选特征之间的等级相关系数小于所述相关性阈值，将剩余的筛选特征作为第二手工特征。
[0012]本专利技术提供的肝硬化结节的良恶性质预测装置，通过对每个第一手工特征进行非参数假设检验处理得到显著值，并选择所述显著值小于显著性阈值的第一手工特征作为筛选特征，能够提取出具有辨别能力的特征；以及通过确定所述特征集合中每两个筛选特征之间的等级相关系数，如果所述等级相关系数大于或者等于相关性阈值，则将所述每两个筛选特征中的任意一个筛选特征进行删除，能够将其中高度相关的两个特征保留一个，从而达到减少冗余信息并提高模型的解释性和泛化能力的技术效果。
[0013]在一种可选的实施方式中，评分输出模块，包括：影像组学评分输出单元，用于对所述多个第二手工特征进行正则化处理，以及将正则化处理后的多个第二特征拟合至第一回归模型中；所述第一回归模型用于将权重系数为预设阈值的第二手工特征进行删除，并根据剩余的第二手工特征以及所述剩余的第二手工特征的权重系数，确定所述影像组学评分。
[0014]本专利技术提供的肝硬化结节的良恶性质预测装置，通过第一回归模型将权重系数为预设阈值的第二手工特征进行删除，能够确保特征选择过程稳健，并降低过拟合的风险，以提高了模型的泛化性能，使其不易受到数据的特定子集的影响。
[0015]在一种可选的实施方式中，预测模块，包括：评分整合单元，用于将所述影像组学评分、所述深度学习评分，以及临床评分作为自变量，整合至特征矩阵中；概率预测单元，用于将整合后的特征矩阵输入至第二回归模型中，输出预测概率。
[0016]本专利技术提供的肝硬化结节的良恶性质预测装置，通过将所述影像组学评分、所述深度学习评分，以及临床评分作为自变量整合至特征矩阵中；以及将整合后的特征矩阵输入至第二回归模型中，输出预测概率，能够将三种评分作为特征值，来判断肝硬化结节的良恶性质，从而在很大程度上提高了肝硬化结节良恶预测准确率。
[0017]在一种可选的实施方式中，所述临床信息包括性别信息、年龄信息、白蛋白信息、总胆红素信息以及血小板计数信息，所述装置还包括：临床评分确定模块，用于根据性别信息、年龄信息、白蛋白信息、总胆红素信息以及血小板计数信息，确定临床评分。
[0018]第二方面，本专利技术提供了一种肝硬化结节的良恶性质预测方法，包括：获取待预测对象的第一图像和临床信息，所述第一图像为包含第一感兴趣区域和非感兴趣区域的断层扫描图像；对所述第一图像进行感兴趣区域勾画，得到第二图像；所述第二图像表示包含第一感兴趣区域的断层扫描图像；从所述第二图像中提取出多个第一手工特征和多个第一学习特征；所述第一手工特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肝硬化结节的良恶性质预测装置，其特征在于，包括：数据获取模块，用于获取待预测对象的第一图像和临床信息，所述第一图像为包含第一感兴趣区域和非感兴趣区域的断层扫描图像；图像勾画模块，用于对所述第一图像进行感兴趣区域勾画，得到第二图像；所述第二图像表示包含第一感兴趣区域的断层扫描图像；特征提取模块，用于从所述第二图像中提取出多个第一手工特征和多个第一学习特征；所述第一手工特征能够反映具体物理含义，所述第一学习特征无法反映具体物理含义；特征筛选模块，用于从所述多个第一手工特征中筛选出第二手工特征，以及从所述多个第一学习特征中筛选出第二学习特征；所述第二手工特征为与第二感兴趣区域相关的第一手工特征，所述第二学习特征为与第二感兴趣区域相关的第一学习特征；所述第一感兴趣区域中包含第二感兴趣区域；评分输出模块，用于将所述第二手工特征输入至第一回归模型中输出影像组学评分，以及将所述第二学习特征输入至第一回归模型中输出深度学习评分；预测模块，用于将所述影像组学评分、所述深度学习评分，以及与所述临床信息对应的临床评分输入至第二回归模型中，所述第二回归模型用于根据所述影像组学评分、所述深度学习评分和所述临床评分输出预测结果；所述预测结果表示所述待预测对象的肝硬化结节的良恶性质。2.根据权利要求1所述的装置，其特征在于，所述特征提取模块，包括：手工特征提取单元，用于利用影像组学的特征提取工具，从所述第二图像中提取出第一手工特征；所述第一手工特征包括灰度共生矩阵特征和灰度运行长度矩阵特征；学习特征提取单元，用于将所述第二图像输入至预设卷积神经网络中，输出第一学习特征。3.根据权利要求2所述的装置，其特征在于，所述预设卷积神经网络中包含多个残差块和一个池化层；其中，每个残差块由多个卷积层和一个归一化层组成，所述残差块用于对信息传递以及特征提取；所述池化层用于输出学习特征。4.根据权利要求1或2所述的装置，其特征在于，特征筛选模块，包括：第一筛选单元，用于对每个第一手工特征进行非参数假设检验处理得到显著值，并选择所述显著值小于显著性阈值的第一手工特征作为筛选特征；第二筛选单元，用于将多个筛选特征作为特征集合，确定所述特征集合中每两个筛选特征之间的等级相关系数，如果所述等级相关系数大于或者等于相关性阈值，则将所述每两个筛选特征中的任意一个筛选特征进行删除，直至剩余的筛选特征之间的等级相关系数小于所述相关性阈值，将剩余的筛选特征作为第二手工特征。5.根据权利要求1或2所述的装置，其特征在于，评分输出模块，包括...

【专利技术属性】
技术研发人员：侯金林，樊蓉，郭良旭，戴文聪，
申请(专利权)人：南方医科大学南方医院，
类型：发明
国别省市：