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】
本专利技术涉及医学图像处理,具体涉及了一种基于图像联合机器学习方法的腹主动脉钙化分类方法。
技术介绍
1、血管钙化的评估方法主要包括颈部血管彩超评估颈动脉钙化斑块、心脏彩超评估心脏瓣膜钙化、ct评估冠状动脉钙化和腹部侧位x线片评估腹主动脉钙化。腹部侧位x线片可以较完整地显示腹主动脉钙化的位置和严重程度。目前,基于腹部侧位x线平片的腹主动脉钙化评分法已经广泛应用于中晚期ckd患者的aac检测、危险因素分析、预后评估及治疗决策制定中。
2、但是,由于腹部侧位x线片受到不同摄片条件、组织影像重叠及患者个体特征(年龄、性别、体重)等客观因素的影响,而这些因素可能导致阅片人对图像识别及评分产生主观差异,所以使腹主动脉钙化评分法的临床应用受到一定限制。
技术实现思路
1、本专利技术的目的在于提供一种基于图像联合机器学习方法的腹主动脉钙化分类方法,解决以下技术问题:
2、如何降低阅片人对图像识别及评分产生主观差异;达到客观、经济、无创地诊断和识别中晚期慢性肾脏病患者的腹主动脉钙化人群亚组。
3、本专利技术的目的可以通过以下技术方案实现:
4、一种基于图像联合机器学习方法的腹主动脉钙化分类方法,所述方法为:
5、步骤一、获取各慢性肾脏病患者的影像数据及临床数据,建立数据集合;
6、所述影像数据包括腹部侧位x线平片;
7、所述临床数据包括患者基本信息、既往病史和实验室检查;
8、步骤二、对数据集合中的影像
9、步骤三、将预处理后的图像进行分割处理,识别分割出各慢性肾脏病患者的腹主动脉区域,并进行感兴趣区域勾画;
10、步骤四、通过机器学习和监督最小绝对收缩和选择算子(lasso)回归法对感兴趣区域勾画后的图像进行图像特征提取;
11、步骤五、根据数据集合中的临床数据获取临床特征;
12、步骤六、计算临床特征与影像特征之间的特征相关性,筛选强相关的影像特征和临床特征;
13、步骤七、使用python的随机森林模型对临床特征和影像特征进行联合分析,获取联合特征标签;
14、步骤八、根据选定的影像组学特征、临床特征及联合特征标签分别构建基于逻辑回归的机器学习模型。
15、优选地,所述步骤四中图像特征提取的过程为:
16、s1、进行机器学习任务准备;
17、s2、导入感兴趣区域勾画后的图像信息并进行图像特征提取;
18、s3、进行建模特征方差过滤,设置阈值并剔除统计学上与建模无关的图像特征,计算并输出图像结果信息;
19、s4、采用监督最小绝对收缩和选择算子(lasso)回归法来对图像结果信息进行回归计算提取建模特征。
20、优选地,所述图像预处理内容包括:根据患者病情确定扫描图像区域,对图像大小不一致的图像进行裁切、重新缩放与窗口化处理,设置窗宽窗位保证图像对比度一致。
21、优选地,所述步骤三中的分割处理方法包括:
22、将图像三维重建后进行勾画,根据灰度值与设定阈值范围进行比对,确定图像采用的分割方法;
23、当灰度值不属于阈值范围时,采用手动分割方式,即人工勾画方法对过高或过低的灰度值进行屏蔽;
24、当灰度值属于阈值范围时,采用半自动分割方式,并在阈值灰度范围内添加参考点,由计算机自动选择与参考点相连且选择与灰度值相近的组织,由人工对腹主动脉钙化区域边界及遗漏区域进行补充。
25、优选地,所述步骤七中联合分析的方法为:
26、将筛选后的临床特征和图像特征按7:3随机分为训练集和测试集;
27、对训练集数据遍历超参数组合,并输出在训练集中效果最优的组合,以此生成机器学习模型;
28、将测试集代入机器学习模型以验证模型效果,使用受试者操作特征曲线和决策曲线分析评估各个模型的分类性能,形成最终的分类预测模型。
29、优选地,根据腹部血管钙化的参考标准aacs将数据集合分为三类:无钙化:aacs=0、轻至中度:1≤aacs<5和重度钙化:aacs≥5;并且将aacs值作为机器学习特征提取中的分组变量。
30、优选地,所述步骤六的特征相关性分析方法为:
31、获取两个特征之间的线性相关系数并与预设阈值进行比对大小,当大于预设阈值时,移除其中对机器学习模型影响较小的一个特征,选择剩余的建模特征。
32、优选地,还包括:
33、将保留的图像特征和临床特征输入分类预测模型进行分类预测,输出统计结果。
34、本专利技术的有益效果:
35、(1)本专利技术通过获取临床数据和对图像数据经过感兴趣区的勾画后分别进行临床特征提取并筛选特征进行联合分析,筛选获得强相关的临床特征和图像特征;具体获取训练集和测试集,训练集通过对逻辑回归模型进行更新形成机器学习模型,测试集输入进行机器学习模型验证诊断获得分类预测模型,实现对中晚期慢性肾脏病患者的腹主动脉钙化人群亚组识别及评分。
36、(2)本专利技术通过采用监督最小绝对收缩和选择算子(lasso)回归法来对图像信息进行回归计算提取建模特征,并通过建模特征方差过滤,对获取特征信息进行降维处理,保证实现对图像数据的精确筛选。
37、当然,实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
本文档来自技高网...【技术保护点】
1.一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,所述方法为:
2.根据权利要求1所述的一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,所述步骤四中图像特征提取的过程为:
3.根据权利要求1所述的一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,所述图像预处理内容包括:根据患者病情确定扫描图像区域,对图像大小不一致的图像进行裁切、重新缩放与窗口化处理,设置窗宽窗位保证图像对比度一致。
4.根据权利要求1所述的一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,所述步骤三中的分割处理方法包括:
5.根据权利要求1所述的一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,所述步骤七中联合分析的方法为:
6.根据权利要求1所述的一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,根据腹部血管钙化的参考标准AACS将数据集合分为三类:无钙化:AACS=0、轻至中度:1≤AACS<5和重度钙化:AACS≥5;并且将AACS值作为机器学习特征提取中的
7.根据权利要求1所述的一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,所述步骤六的特征相关性分析方法为:
8.根据权利要求5所述的一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,还包括:
...【技术特征摘要】
1.一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,所述方法为:
2.根据权利要求1所述的一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,所述步骤四中图像特征提取的过程为:
3.根据权利要求1所述的一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,所述图像预处理内容包括:根据患者病情确定扫描图像区域,对图像大小不一致的图像进行裁切、重新缩放与窗口化处理,设置窗宽窗位保证图像对比度一致。
4.根据权利要求1所述的一种基于图像联合机器学习方法的腹主动脉钙化分类方法,其特征在于,所述步骤三中的分割处理方法包括:
5.根据权利要求1所...
【专利技术属性】
技术研发人员:刘静,吴明杰,李新春,
申请(专利权)人:广州医科大学附属第一医院广州呼吸中心,
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。