基于多视图结节联合纵隔脂肪特征方法进行肺结节良恶性预测技术

本发明专利技术涉及一种基于多视图结节联合纵隔脂肪特征方法

【技术实现步骤摘要】
基于多视图结节联合纵隔脂肪特征方法进行肺结节良恶性预测


：
[0001]本专利技术涉及一种多视图结节联合纵隔脂肪特征方法，该方法在进行肺结节良恶性预测方面有着很好的预测效果
。

技术介绍

：
[0002]对于高危患者，通常需要有创的诊断方法来进一步证实肺癌的存在，但这些方法可能会增加一系列的风险
。
因此，开展准确的非侵入性风险评估，以防止过度治疗，降低死亡率，显得至关重要
。
因此，本专利技术旨在使用一种多视图结节联合纵隔脂肪特征方法去提高肺结节良恶性的诊断精度
。
[0003]深度学习在
CT
图像中识别恶性肺结节方面显示出了巨大的潜力，并在不同的数据集上显示出了类似的性能
。
深度学习在图像分类领域取得了重大进展
。
它利用卷积神经网络
(CNNs)
从样本图像中自动学习特征表示，这可以在特定的任务应用程序中匹配甚至超过人类的性能
。
近年来，大量的专利技术表明，不同的深度学习方法在预测肺结节的良恶性性质方面具有良好的前景
。
多视角学习在医学图像分析领域有着广泛的应用
。
因此，本专利技术采用多视角深度学习的方法来预测肺结节的良恶性性质
。
有专利技术表明，与正常体重的相比，过度脂肪超重会增加患肺癌的风险
。
脂肪组织炎症与癌症的发展和进展密切相关
。
为此，寻找一种非侵入性的生物标志物来确定肺结节的良性或恶性性质是至关重要的
。
为此，我们分析主动脉弓向上第一层纵隔上脂肪与肺结节的良恶性性质的相关性
。
目的是加入纵膈脂肪后能够进一步提高模型预测肺结节良恶性的能力
。

技术实现思路

：
[0004]步骤1：使用三线性插值方法填充
CT
图片的感兴趣区域
(ROI)
，得到一个包含结节的
50x50x50
立方区域
。
从横截面
、
矢状面
、
冠状面和6个对角线视角中提取了9种类型的二维切片结节的多角度二维切片
。
[0005]步骤2：使用
ImageJ
软件第
1.53a
版来分析
CT
横断面图像
。
该软件能够基于
CT
扫描的
Hounsfield
单位
(HU)
进行组织边界分割，从而确定纵膈脂肪区域，并将其从
CT
图片中分割出来
。
[0006]步骤3：从二维结节切片的每个角度提取
16
个深度学习特征，从纵隔脂肪区提取
768
个深度学习特征
。
采用
Vision Transformer
模型从9种二维结节切片中提取特征
。
以
Swin Transformer
模型作为提取纵隔脂肪图像的主干网络
。
将特征提取纳入随机森林
、
自适应增强
、
决策树
、
梯度增强和支持向量机
(SVM)
中，从而选择预测肺结节良恶性的最佳方法
。
[0007]步骤4：采用灵敏度
、
特异性
、
准确性
、
受试者工作特征
(ROC)
曲线
、
精度查全率
(PR)
曲线和
ROC
曲线下面积
(AUC)
等指标评估模型性能
。
绘制校准曲线，以评估风险估计的准确性
。
我们还计算了测量概率域差异的
Brier
得分，得分越低表明预测能力越好
。
此外，采用
Delong
检验评估
AUC
值的差异
。
计算净重分类指数
(NRI)
，以比较添加纵隔脂肪模型和结节模型与仅使用结节模型之间的性能
。
此外，对所有患者的临床病理特征和
CT
方案进行分层分析
。
通过测量不同阈值概率下的总体效益，采用决策曲线分析
(DCA)
来评估模型的临床有效性
。
[0008]有益效果：
[0009]1.
本专利技术是种多视图结节联合纵隔脂肪特征方法，是对肺结节良恶性预测的一种新方法
。
[0010]2.
本专利技术进一步证实了主动脉弓上方第一层纵隔脂肪的存在是预测肺结节性质的一个重要生物标志物，它对肺结节良恶性的预测起到了重要的增量价值
。
[0011]3.
该多模态模型整合了来自均匀图像的不同特征，即多个角度结节特征和纵隔脂肪特征，并利用决策曲线分析
(DCA)
曲线和网络重分类改进
(NRI)
技术进行分析和评估
。
这增强了该模型区分良恶性结节的能力
。
这对于临床应用具有重要的研究意义
。
附图说明
：
[0012]图1为本专利技术的工作示意图
。
[0013]图2为本专利技术实施方式中的从横截面
、
矢状面
、
冠状面和6个对角线视角中提取了9种类型的二维切片结节的多角度二维切片
。
[0014]图3为本专利技术实施方式中的受试者工作特征
(ROC)
曲线
、
精度查全率
(PR)、
校准曲线以及决策曲线分析
(DCA)。
从模型的校准
、
鉴别和临床效用等方面进行了评价
。
具体实施方式
：
[0015]为了使本专利技术的实施例中的技术方案能够清楚和完整地描述，以下结合实施例中的附图，对本专利技术进行进一步的详细说明
。
应当理解，此处所描述的具体实施样例仅仅用以解释本专利技术，并不限定本专利技术
。
[0016]本实施例采用的数据集来源于三家医院医院5年来提供的肺结节数据实例，建立一种基于多视图结节联合纵隔脂肪特征方法进行肺结节良恶性预测
。
[0017]如图1所示，本专利技术实施例提供了一种基于多视图结节联合纵隔脂肪特征方法进行肺结节良恶性预测，包括以下步骤：
[0018]步骤1：使用三线性插值方法填充
CT
图片的感兴趣区域
(ROI)
，得到一个包含结节的
50x50x50
立方区域
。
从横截面
、
矢状面
、
冠状面和6个对角视角中提取了9种类型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于多视图结节联合纵隔脂肪特征方法进行肺结节良恶性预测，其特征在于，该方法包括以下步骤：步骤1：使用三线性插值方法填充
CT
图片的感兴趣区域
(ROI)
，得到一个包含结节的
50x50x50
立方区域
。
从横截面
、
矢状面
、
冠状面和6个对角线视角中提取了9种类型的二维切片结节的多角度二维切片
。
步骤2：使用
ImageJ
软件第
1.53a
版来分析
CT
横断面图像
。
该软件能够基于
CT
扫描的
Hounsfield
单位
(HU)
进行组织边界分割，从而确定纵膈脂肪区域，并将其从
CT
图片中分割出来
。
步骤3：从二维结节切片的每个角度提取
16
个深度学习特征，从纵隔脂肪区提取
768
个深度学习特征
。
采用
Vision Transformer
模型从9种二维结节切片中提取特征
。
以
Swin Transformer
模型作为提取纵隔脂肪图像的主干网络
。
将特征提取纳入随机森林
、
自适应增强
、
决策树
、
梯度增强和支持向量机
(SVM)
中，从而选择预测肺结节良恶性的最佳方法
。
步骤4：采用灵敏度
、
特异性
、
准确性
、
受试者工作特征
(ROC)
曲线
、
精度查全率
(PR)
曲线和
ROC
曲线下面积
(AUC)
等指标评估模型性能
。
绘制校准曲线，以评估风险估计的准确性
。
我们还计算了测量概率域差异的
Brier
得分，得分越低表明预测能力越好
。
此外，采用
Delong
检验评估
AUC
值的差异
。
计算净重分类指数
(NRI)
，以比较添加纵隔脂肪模型和结节模型与仅使用结节模型之间的性能
。
此外，对所有患者的临床病理特征和
CT
方案进行分层分析
。
通过测量不同阈值概率下的总体效益，采用决策曲线分析
(DCA)
来评估模型的临床有效性
。2.
根据权利要求1所述的基于多视图结节联合纵隔脂肪特征方法进行肺结节良恶性预测，其特征在于，所述步骤1中，我们需要制作一个包含结节的立方体区域，从而基于这个立方体结节区域的9个不同角度分割出不同的二维切片，具体步骤为：步骤1‑1处理
DICOM
文件以提取相关信息，放射科医生确定结节的上层和下层，以确定结节出现的水平层面范围
。
然后，包含该结节的切片被分割成一个包含该结节的
50x50
像素的感兴趣区域
(ROI)。
步骤1‑2然后对这些区域进行三线性插值，从而产生一个
50x50x50
立方的区域
。
步骤1‑3这个插值区域随后被存储为一个名为“arr”的3维
numpy
数组，第一维表示高度，第二个维度表示长度，第三个维度表示宽度
。
步骤1‑4基于这个3维
numpy
数组，从横截面
、
矢状面
、
冠状面和6个对角线视角中提取了9种类型的二维切片
。3.
根据权利要求1所述的基于多视图结节联合纵隔脂肪特征方法进行肺结节良恶性预测，其特征在于，所述步骤2中，使用
ImageJ
软件能够进行组织边界分割的特性，将
CT
图像中的纵膈脂肪分割出来，具体步骤为：步骤2‑1为了确定纵隔脂肪组织区域，将放入
ImageJ
软件中
CT
图像使用了
‑
200
到
‑
40
的
HU
阈值
。
步骤2‑2这个阈值会让
CT
图像中的纵膈脂肪区域呈现出红色区域，随后，根据此图像中的红色标记，由放射科医生手动标记纵隔脂肪感兴趣的区域
。
步骤2‑3将标记后的纵膈脂肪图像另存为
PNG
格式的图片，以方便后续输入深度学习网络模型中
。4.
根据权利要求1所述的基于多视图结节联合纵隔脂肪特征方法进行肺结节良恶性预
测，其特征在于，所述步骤3中，将预处理后的结节图片于纵膈脂肪图片输入进深度学习网络中进行特征提取，并进行肺结节的良恶性预测，具体步骤为：步骤3‑1使用
Vision Transformer
模型从9种二维结节切片中提取特征
。Vision Transformer
是一种利用自注意机制和变压器架构的图像处理模型
。
首先，将输入的肺结节图像分成小块，创建独立的小图像
。
然后，这些块被进一步划分为固定大小的正方形块
。
这些块中的每一个都通过一个完全连接的层被转换为一个低维的向量表示，并将它们嵌入到一个特征空间中
。
然后，将这些低维向量连接起来，形成一个序列，作为
Transformer
的输入
。
每个向量捕获一个特定的图像块的特征
。
为了处理二维的图像，需要把图像分为几个区块
(patch)。
给定一个
H
×
W
×
C
的图像以及区块大小
P
，可以把图像划分为
...

【专利技术属性】
技术研发人员：穆世凯，董祺，苗世迪，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：