System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机辅助医学领域,尤其是涉及一种基于影像组学的淋巴结转移状态分类预测方法及设备。
技术介绍
1、肺癌是全球最常见的癌症之一,也是导致人类相关死亡的原因之一。近年来,全球各地肺癌的发病率和死亡率还是居高不下,而且都有明显升高的趋势。肺癌的发病率和死亡率都很高,而且肺癌的预后比较差,其五年的生存率低于15%。肺癌分为非小细胞肺癌(non-small cell lung cancer,nsclc)和小细胞肺癌(small cell lung cancer,sclc)两种类型,其中nsclc在肺癌中约占85%左右,而且其发病率在全球范围内不断上升。随着医疗水平的逐步提高,在nsclc治疗方面有了明显的进步。然而,nsclc的生存率并未得到明显的提高。临床上i期nsclc治疗预后的5年生存率可达60%~80%,但对于完全切除治疗的复发率仍然达25%~50%。而且早期nsclc的临床症状不会明显地体现出来,所以会导致其早期诊断困难。
2、非小细胞肺癌具有易复发、易转移的特点,其治疗方式主要由tnm(tumor,lymphnode,metastasis)分期系统确定。淋巴结转移是肺癌tnm分期的关键指标,术前对nsclc患者淋巴结转移的诊断鉴别为患者治疗方案的确定提供非常有价值的信息,从而帮助临床医生做出更优的决策,对患者疾病的预后也起到重要的影响。以前评估非小细胞肺癌淋巴结转移的方法都是基于ct和pet扫描的诊断成像以及活检等,但ct和pet扫描的诊断成像方法的预测分类能力相关较低,特异度和敏感度较差,活检方法会
3、当前,传统的医学影像分析只能定性分析非小细胞肺癌的淋巴结转移状况,而无法突破实体肿瘤的空间和时间异质性而所带来的难以探测的限制,并且无法挖掘到图像中更多的可预测病变状态的信息。因此,需要研究一种新的医学影像分析方法。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于影像组学的淋巴结转移状态分类预测方法及设备。
2、本专利技术的目的可以通过以下技术方案来实现:
3、一种基于影像组学的淋巴结转移状态分类预测方法,包括由计算机执行的以下步骤:
4、获取非小细胞肺癌病例的pet和ct病灶区域分割图像,所述病灶区域分割图像从非小细胞肺癌病例的pet和ct影像数据中分割获得;
5、提取所述pet和ct病灶区域分割图像中的影像组学特征,该影像组学特征为经第一特征优化处理确定的与非小细胞肺癌淋巴结转移状态关联度最高的特征;
6、获取非小细胞肺癌病例的临床数据,从所述临床数据提取临床特征,该临床特征为经第二特征优化处理确定的与非小细胞肺癌淋巴结转移状态关联度最高的特征;
7、融合所述影像组学特征和临床特征构建预测特征,以所述预测特征作为经训练的复合预测模型的输入,获得淋巴结转移状态分类的预测结果。
8、进一步地,所述pet和ct病灶区域分割图像基于itk-snap获取。
9、进一步地,所述影像组学特征基于python软件和pyradiomics开源软件包提取。
10、进一步地,所述影像组学特征包括形态学特征、强度特征、纹理特征和高阶特征。
11、进一步地,所述第一特征优化处理包括数据平衡化处理、标准化处理和特征筛选处理。
12、进一步地,所述特征筛选处理具体包括:
13、使用最大相关最小冗余分析方法进行初步筛选,获得初始显著相关特征;
14、采用套索正则化回归算法对所述初始显著相关特征进行特征降维,获得最终的影像组学特征。
15、进一步地,所述第二特征优化处理包括逻辑回归分析处理。
16、进一步地,所述复合预测模型经逻辑回归分类器训练获得。
17、进一步地,所述临床数据包括性别、年龄、吸烟史、肿瘤位置、组织学、组织病理分级和发生胸膜侵犯状态。
18、本专利技术还提供一种电子设备,包括:
19、一个或多个处理器;
20、存储器;和
21、被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如上所述基于影像组学的淋巴结转移状态分类预测方法的指令。
22、与现有技术相比,本专利技术具有以下有益效果:
23、1、本专利技术提出了一个新的基于影像组学特征的风险评分预测标志,通过结合临床特征来全面地考虑对非小细胞肺癌淋巴结转移具有显著影响的多种因素,不仅有利于寻找有效的预测生物标志物,也有利于提高预测标签在预测淋巴结转移状态的准确度。本专利技术构建了一个结合了影像组学特征和临床因素特征的预测模型,能够进一步提高对非小细胞肺癌患者淋巴结转移状况的预测准确率。
24、2、本专利技术采用最大相关最小冗余和套索正则化回归算法相结合的特征筛选方法,对于影像组学特征的大量数据,先通过最大相关最小冗余分析筛选出与预测淋巴结转移状态显著相关的特征;然后使用套索正则化回归方法进一步筛选出对预测模型贡献较大的特征,这样的筛选方法过滤了大量的冗余变量,去除无关噪声和冗余信息对预测模型的干扰,有效避免模型的过拟合,能够有效提取出具有重要价值的预测特征,也能够提高基于影像组学特征的预测模型在预测淋巴结转移状态的准确度。同时,本专利技术在结合临床特征时,也对特征进行优化处理,进一步提升了预测的准确度。
本文档来自技高网...【技术保护点】
1.一种基于影像组学的淋巴结转移状态分类预测方法,其特征在于,包括由计算机执行的以下步骤:
2.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述PET和CT病灶区域分割图像基于ITK-Snap获取。
3.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述影像组学特征基于python软件和Pyradiomics开源软件包提取。
4.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述影像组学特征包括形态学特征、强度特征、纹理特征和高阶特征。
5.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述第一特征优化处理包括数据平衡化处理、标准化处理和特征筛选处理。
6.根据权利要求5所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述特征筛选处理具体包括:
7.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述第二特征优化处理包括逻辑回归分析处理。
8.根据
9.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述临床数据包括性别、年龄、吸烟史、肿瘤位置、组织学、组织病理分级和发生胸膜侵犯状态。
10.一种电子设备,其特征在于,包括:
...【技术特征摘要】
1.一种基于影像组学的淋巴结转移状态分类预测方法,其特征在于,包括由计算机执行的以下步骤:
2.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述pet和ct病灶区域分割图像基于itk-snap获取。
3.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述影像组学特征基于python软件和pyradiomics开源软件包提取。
4.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述影像组学特征包括形态学特征、强度特征、纹理特征和高阶特征。
5.根据权利要求1所述的基于影像组学的淋巴结转移状态分类预测方法,其特征在于,所述第一特征优...
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。