构建肾透明细胞癌多模态影像特征与制造技术

本发明专利技术的构建肾透明细胞癌多模态影像特征与

【技术实现步骤摘要】
构建肾透明细胞癌多模态影像特征与Ki67分级关联性的方法


[0001]本专利技术属于放射组学及机器学习领域，具体涉及一种关联免疫组化指标
Ki67
与多模态特征的肾癌风险等级智能预测模型
。

技术介绍

[0002]肾透明细胞癌
(Clear Cell Renal Cell Carcinoma
，
CCRCC)
占成人恶性肿瘤的2％～3％，是泌尿系统最常见的原发恶性肿瘤
。
临床上不同病理级别的
CCRCC
需采用不同的手术方案，如低级别
CCRCC
通常行肾脏局部切除术或腹腔镜等创伤小的手术，可以最大限度地保留肾单位，高级别
CCRCC
则需行根治性肾切除术
。
因此，术前明确
CCRCC
的病理分级对选择手术方案及预后判断至关重要
。
目前，各种影像检查方法
(
超声
、CT、MRI、PET
‑
CT)
为
CCRCC
的早期诊断
、
治疗及预后判断提供了有效手段，但上述常规影像检查对术前
CCRCC
的病理分级缺乏特异性
。
免疫组化指标
Ki67
分级是目前较为准确可靠的病理判定标准，但进行
Ki67
检测需要对病灶进行切片取样，属于有创检测，常用于术后的病理分析
。
[0003]近年来，信号处理和机器学习的最新进展，加上医院的电子病历保存以及通过内部
/
外部通信系统提供的大量医学图像，引起了大家对放射组学
(Radiomics)
的兴趣
。
放射组学是一个相对较新的研究领域，是指从医学图像中提取半定量或定量特征，以开发预测或预后模型
。
基于放射组学整合图像的衍生特征，成为将来个性化治疗的重要一环
。
[0004]放射组学
(
又称影像组学
)
采用自动化算法从放射学影像
(CT、MRI、PET
等
)
的感兴趣区
(Region of Interest,ROI)
，提取出大量的特征信息作为研究对象，并进一步采用多样化的统计分析和数据挖掘方法从大批量特征中提取和筛选出真正起作用的关键信息，构建图像特征与疾病相关性的预测模型
。
[0005]本专利技术基于放射组学与机器学习，以经过确诊的多模态影像特征与标准
Ki67
分级的相关性构建预测模型，通过随机森林计算标准
Ki67
分级中的弱阳性
、
阳性及强阳性与多模态影像特征之间的关联性，为进一步临床上进行预测肾透明细胞癌风险等级打下重要基础
。

技术实现思路

[0006]本专利技术所要解决的技术问题在于提供一种基于放射组学与机器学习的以肾癌病灶区域的多模态影像特征与肾透明细胞癌的术前
Ki67
分级的相关性构建预测模型
。
[0007]本专利技术的技术方案如下：
[0008]一种构建肾透明细胞癌多模态影像特征与
Ki67
分级关联性的方法，该方法包括以下步骤：
[0009]S1
：选取确诊的肾癌病例的动脉期
、
静脉期和平衡期核磁共振影像，并勾画出肿瘤区域图像的掩膜
(mask)
；
[0010]S2
：对
S1
中的放射影像原图和肿瘤区域的掩膜图像进行图像的“与”操作，即将所述的放射影像的原图像像素与
S1
的肿瘤区域掩膜图像的对应像素做乘法，得到肿瘤区域图
像，即感兴趣区域图像，记为
RoI(Region of Interest,RoI)
；
[0011]S3
：对
S2
得到的
RoI
进行数据扩增，所述的数据增广包括小波变换
、
高斯拉普拉斯算子特征变换处理方法；
[0012]S4
：对
S3
中增广后的图像数据进行多模态特征提取，得到肾脏肿瘤的多模态特征值，所述多模态特征包括一阶特征
、
形态学特征和灰度共生矩阵
。
[0013]S5
：以每个病例的
Ki67
指标与其对应的
S4
中所述的特征值构建数据集：以每个病例的肾癌肿瘤
RoI
图像的多模态特征值作为样本，以该病例的关联免疫组化指标
Ki67
的划分等级作为标签；
Ki
‑
67
表达呈现弱阳性
、
阳性和强阳性三种状态，其中
Ki
‑
67
阳性率＜
10
％为弱阳性，阳性率
≥10
且＜
20
％为阳性，阳性率
≥20
％为强阳性；对
S4
中所述的特征值进行3次特征筛选，最终剩余的图像特征按照
9:1
分为训练集与测试集；所述的3次特征筛选分别为：
T
检验特征筛选，均匀分布特征筛选，
Lasso
特征筛选；
[0014]S6
：用
S5
所述训练集送入随机森林分类模型进行训练，然后将
S5
所述验证集输入至已训练模型中进行优化，最后用
S5
所述测试集对分类结果进行测试；
[0015]S7
：从
S6
的分类结果反推出各个多模态特征值在分类预测过程中对应的特征权重，选取特征权重值最大的前三个特征，作为关联免疫组化指标
Ki67
与医学影像特征的关键性特征标记物
(Marker)。
[0016]进一步，在步骤
S3
中，所述的小波变换具体是构建3维的小波变换模型，高维度中的每一维度都有高频与低频两种小波分解相互组合，其中3维特征共有8种小波变换；所述的高斯拉普拉斯算子特征变换具体是将高斯拉普拉斯滤波器应用于输入图像，并为每个指定的
σ
值生成派生图像，高斯图像的拉普拉斯算子是通过将图像与高斯核的二阶导数拉普拉斯算子进行卷积而获得的，高斯核用于平滑图像，其公式定义为：
[0017][0018]高斯核由拉普拉斯核卷积得来，它对强度快速变化的区域敏感，且能增强边缘，高斯核中滤波器的宽度由上式
σ
确定，其中
σ
值设置为
3。
[0019]进一步，在步骤
S5
中，
T
检验特征筛选，均匀分布特征筛选，
Lasso
特征筛选；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种构建肾透明细胞癌多模态影像特征与
Ki67
分级关联性的方法，该方法包括以下步骤：
S1
：选取确诊的肾癌病例的动脉期
、
静脉期和平衡期核磁共振影像，并勾画出肿瘤区域图像的掩膜；
S2
：对
S1
中的放射影像原图和肿瘤区域的掩膜图像进行图像的“与”操作，即将所述的放射影像的原图像像素与
S1
的肿瘤区域掩膜图像的对应像素做乘法，得到肿瘤区域图像，即感兴趣区域图像，记为
RoI
；
S3
：对
S2
得到的
RoI
进行数据扩增，所述的数据增广包括小波变换
、
高斯拉普拉斯算子特征变换处理方法；
S4
：对
S3
中增广后的图像数据进行多模态特征提取，得到肾脏肿瘤的多模态特征值，所述多模态特征包括一阶特征
、
形态学特征和灰度共生矩阵；
S5
：以每个病例的
Ki67
指标与其对应的
S4
中所述的特征值构建数据集：以每个病例的肾癌肿瘤
RoI
图像的多模态特征值作为样本，以该病例的关联免疫组化指标
Ki67
的划分等级作为标签；
Ki
‑
67
表达呈现弱阳性
、
阳性和强阳性三种状态，其中
Ki
‑
67
阳性率＜
10
％为弱阳性，阳性率
≥10
且＜
20
％为阳性，阳性率
≥20
％为强阳性；对
S4
中所述的特征值进行3次特征筛选，最终剩余的图像特征按照
9:1
分为训练集与测试集；所述的3次特征筛选分别为：
T
检验特征筛选，均匀分布特征筛选，
Lasso
特征筛选；
S6
：用
S5
所述训练集送入随机森林分类模型进行训练，然后将
S5
所述验证集输入至已训练模型中进行优化，最后用

【专利技术属性】
技术研发人员：吴金洋，陈玫玫，黄萨，黄倩，王世刚，
申请(专利权)人：吉林大学，
类型：发明
国别省市：