一种基于影像组学的生存期预测方法及装置制造方法及图纸

本申请提供了一种基于影像组学的生存期预测方法及装置，其中，方法包括获取多个患者的影像数据及各患者的生存期；从各患者的影像数据中分别分割出各患者的肿瘤区域及肿瘤区域的子区域；对各患者的肿瘤区域及肿瘤区域的子区域进行影像特征提取；将各患者影像特征中的冗余特征去除以得到各患者筛选后的影像特征；根据各患者的生存期及各患者筛选后的影像特征得到影像特征与生存期之间的关联关系。本申请通过划分出肿瘤区域及肿瘤区域的子区域，对肿瘤区域及肿瘤区域的子区域进行特征提取，从而获得大量的影像特征，为寻求影像特征和患者生存期的关系提供更多有力支持。

【技术实现步骤摘要】
一种基于影像组学的生存期预测方法及装置
本申请属于生物医学工程领域，特别涉及一种基于影像组学的生存期预测方法及装置。
技术介绍
近年来，随着模式识别工具的增加和肿瘤个体化治疗的发展，影像组学应运而生。影像组学从影像、病理、基因等海量数据中利用自动化高通量的数据特征提取算法将影像数据转化为具有高分辨率的可挖掘的影像特征数据。通过这些数据挖掘描述组织特性。有研究报道，影像组学数据可以判断组织特性对治疗的反应，并预测患者的预后。应用影像组学数据对患者或肿瘤表型进行精确区分，可以成为对临床参数的一种有效补充。影像组学是一种可以根据患者医学影像中的肿瘤表型对患者进行分类的方法。它通过对肿瘤图像提取大量先进的影像特征来评估肿瘤表型，然后使用可靠，重现性好的方法论，将这些特征与临床结果进行综合分析作为潜在的预后指标，从而提供一种非侵入性的精准诊疗方法。影像组学生成一个独特的肿瘤数据集，它是一个肿瘤表型的量化，可以提供比目前临床应用的成像指标更高的预测能力。现有技术采用影像组学方法预测患者生存期的方法中分割出了完整的肿瘤区域，根据该完整的肿瘤区域提取了影像特征，建立了完整肿瘤区域影像特征和生存期之间的关联性。
技术实现思路
现有技术中，基于影像组学的分析只分割出了完整的肿瘤区域，没有考虑肿瘤区域的子区域具有不同的病理特征，另只提取了肿瘤区域的影像特征，忽略了肿瘤区域的子区域具有不同的病理的影像特征，从而导致所提取的影像特征不能全面的代表感兴趣区域的特点，极大的限制了基于感兴趣区域所提取的影像特征的数量与质量的问题。为了解决上述技术问题，本申请的一技术方案为提供一种基于影像组学的生存期预测方法，包括：获取多个患者的影像数据及各患者的生存期；从各患者的影像数据中分别分割出各患者的肿瘤区域及肿瘤区域的子区域；对各患者的肿瘤区域及肿瘤区域的子区域进行影像特征提取；将各患者影像特征中的冗余特征去除以得到各患者筛选后的影像特征；根据各患者的生存期及各患者筛选后的影像特征得到影像特征与生存期之间的关联关系。本申请另一技术方案为提供一种基于影像组学的生存期预测装置，包括：获取模块，用于获取多个患者的影像数据及各患者的生存期；分割模块，用于从各患者的影像数据中分别分割出各患者的肿瘤区域及肿瘤区域的子区域；特征提取模块，用于对各患者的肿瘤区域及肿瘤区域的子区域进行影像特征提取；筛选模块，用于将各患者影像特征中的冗余特征去除以得到各患者筛选后的影像特征；关联模块，用于根据各患者的生存期及各患者筛选后的影像特征得到影像特征与生存期之间的关联关系。本申请提供的基于影像组学的生存期预测方法及装置能够细化肿瘤区域得到肿瘤区域的子区域，对肿瘤区域及肿瘤区域的子区域进行特征提取，从而获得大量的影像特征，为寻求影像特征和(患者)生存期的关系提供更多有力支持。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例的基于影像组学的患者生存期预测方法的流程图；图2为本申请实施例的基于影像组学的患者生存期预测装置的结构图；图3为本申请实施例的基于影像组学的患者生存期预测装置的结构图；图4为本申请实施例的脑瘤区域的子区域划分的示意图。具体实施方式为了使本申请的技术特点及效果更加明显，下面结合附图对本申请的技术方案做进一步说明，本申请也可有其他不同的具体实例来加以说明或实施，任何本领域技术人员在权利要求范围内做的等同变换均属于本申请的保护范畴。在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。如图1所示，图1为本申请实施例的基于影像组学的患者生存期预测方法的流程图。本实施例中，考虑了肿瘤组织空间-时间异质性，提取出的感兴趣区域不局限于肿瘤区域，还提取出了肿瘤区域的子区域，并对肿瘤区域的子区域进行了影像特征提取，使得获得的影像特征更全面，建立的影像特征与生存期之间的关联关系精度更高，能够提高患者生存期预测的准确度。具体的，包括：步骤101：获取多个患者的影像数据及各患者的生存期。多个患者的影像数据为患者的影像集合，例如表示为V＝{vi,i＝1,…,N}，N为患者的个数，每个体数据vi表示一个影像样本。本步骤中所述的多个患者患有同一种肿瘤疾病，如脑瘤。影像数据为患者进行治疗前的影像图像，包括但不限于包括PET，CT及MRI等影像。生存期为影像数据产生至患者死亡之间的时间段。实施时，可从医院获取多个患者的影像数据及各患者的生存期。本步骤中获得的患者的影像数据例如来源于TCIA(TheCancerImagingArchive，癌症影像存档)中的57例患者影像数据集。本申请对患者的影像数据个数不做限定，一般情况下，个数越多，关联关系确定越准确。步骤102：从各患者的影像数据中分别分割出各患者的肿瘤区域及肿瘤区域的子区域，肿瘤区域为整个肿瘤区域，肿瘤区域的子区域为整个肿瘤区域内部划分的子区域。以脑瘤为例，脑瘤区域的子区域包括但不限于坏死区、增强区及水肿区，划分结果如图4所示。肿瘤区域及肿瘤区域的子区域构成感兴趣区域，肿瘤区域除了包括真实肿瘤区域外，还包括疑似肿瘤区域。病理学已证实：肿瘤水肿区内有异常形态的毛细血管，间质水肿和散在的肿瘤细胞在新生血管或扩张血管的浸润生长；坏死区则是因肿瘤生长过快，养料供应不够，导致肿瘤内部坏死，它可以间接的反应肿瘤的增长速度。将肿瘤区域的子区域作为感兴趣区域可以详细的具有代表性的反应肿瘤所具有的性质特征，为下一步的高通量特征提取提供了更大的提取区域。步骤103：对各患者的肿瘤区域及肿瘤区域的子区域进行影像特征提取。肿瘤区域的子区域有其独特的病理特征，提取这些区域的特征可更全面的反应出肿瘤的性质，同时，进一步获得大量的影像学特征数据以极大的提高后期预测患者生存期的准确性。肿瘤区域、肿瘤区域的子区域提取的影像特征可以相同，也可以不同，本申请对此不作具体限定。步骤104：将各患者影像特征中的冗余特征去除以得到各患者筛选后的影像特征。冗余特征包括可以通过其他特征推演出来的特征及与预测无关的特征。步骤105：根据各患者的生存期及各患者筛选后的影像特征得到影像特征与生存期之间的关联关系。本实施例能够细化肿瘤区域得到肿瘤区域的子区域，对肿瘤区域及肿瘤区域的子区域进行影像特征提取，从而获得大量的影像特征，为寻求影像特征和(患者)生存期的关系提供更多有力支持。一些实施方式中，上述步骤102之前还包括：对各患者的影像数据进行预处理。因患者的影像数据获取参数不同，通过本步骤的处理能够标准化患者的影像数据本文档来自技高网...

【技术保护点】
一种基于影像组学的患者生存期预测方法，其特征在于，包括：获取多个患者的影像数据及各患者的生存期；从各患者的影像数据中分别分割出各患者的肿瘤区域及肿瘤区域的子区域；对各患者的肿瘤区域及肿瘤区域的子区域进行影像特征提取；将各患者影像特征中的冗余特征去除以得到各患者筛选后的影像特征；根据各患者的生存期及各患者筛选后的影像特征得到影像特征与生存期之间的关联关系。

【技术特征摘要】
1.一种基于影像组学的患者生存期预测方法，其特征在于，包括：获取多个患者的影像数据及各患者的生存期；从各患者的影像数据中分别分割出各患者的肿瘤区域及肿瘤区域的子区域；对各患者的肿瘤区域及肿瘤区域的子区域进行影像特征提取；将各患者影像特征中的冗余特征去除以得到各患者筛选后的影像特征；根据各患者的生存期及各患者筛选后的影像特征得到影像特征与生存期之间的关联关系。2.如权利要求1所述的基于影像组学的患者生存期预测方法，其特征在于，从各患者的影像数据中分别分割出各患者的肿瘤区域及肿瘤区域的子区域之前还包括：对各患者的影像数据进行预处理，其中，预处理包括图像配准、图像平滑及数据标准化处理。3.如权利要求1所述的基于影像组学的患者生存期预测方法，其特征在于，所述影像特征包括直方图特征数据，形状特征数据及纹理特征数据。4.如权利要求1所述的基于影像组学的患者生存期预测方法，其特征在于，从各患者的影像数据中分别分割出各患者的肿瘤区域及肿瘤区域的子区域之后还包括：针对每一患者，对该患者的部分肿瘤区域的子区域进行合并处理以得到该患者的肿瘤区域的合并子区域；对各患者的肿瘤区域及肿瘤区域的子区域进行影像特征提取进一步为对各患者的肿瘤区域、肿瘤区域的子区域及肿瘤区域的合并子区域进行影像特征提取。5.如权利要求1所述的基于影像组学的患者生存期预测方法，其特征在于，影像特征与生存期之间的关联关系的表达公式为：Y＝W*X+W1*X1+...+Wi+Xi+...+Wn*Xn+z，其中，Y表示生存期，X表示肿瘤区域筛选出的影像特征，m0表示肿瘤区域筛选出的影像特征个数，W表示X的系数，X1、Xi及Xn表示肿瘤区域的子区域筛选出的影像特征，m1、mi及mn表示肿瘤区域的子区域筛选出的影像特征个数，W1、Wi及Wn分别表示X1、Xi...

【专利技术属性】
技术研发人员：李其花，孙秋畅，李志成，宋柏霖，王梦巧，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东,44