【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, ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。