一种基于CC-注意力机制的影像组学特征筛选方法技术

本发明专利技术提供了一种基于CC

【技术实现步骤摘要】
一种基于CC
‑
注意力机制的影像组学特征筛选方法


[0001]本专利技术涉及计算机辅助相关性分析
，具体地说是一种基于CC
‑
注意力机制的影像组学特征筛选方法。

技术介绍

[0002]结直肠癌(colorectal carcinoma，CRC)是第三大最常见的恶性肿瘤，也是死亡率第二高的癌症。20％的结直肠癌患者在诊断时已经有肝转移，高达50％的患者将在头三年内发生肝转移，转移的发生率因年龄、性别和不同的原发性结直肠癌部位而异。分化程度差、淋巴节转移、转移器官不同、癌胚抗原较高与这四种远处转移呈正相关。根据微卫星不稳定性的频率，可分为三种类型：微卫星高度不稳定性(microsatellite instability
‑
high，MSI
‑
H)、微卫星低度不稳定性(microsatellite instability
‑
low，MSI
‑
L)和微卫星稳定性(microsatellite stability，MSS)。在结直肠癌中，约15％至20％的结直肠癌病例被发现与MSI
‑
H相关。事实上，早期结直肠癌和MSI
‑
H患者的总体生存率更高，复发机会更低。
[0003]影像组学这一新兴方向在肿瘤领域的研究发展迅速，强调的深层次含义是指从影像中高通量地提取大量影像信息，实现肿瘤分割、特征提取与模型建立，凭借对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断。
[0004]结直肠癌患者中，基于CT的放射组学特征与MSI状态之间存在显著相关性。通过术前CT的放射分析对MSS和MSI的术前预测可以增加临床评估的特异性，并有助于个性化治疗选择。关于原发性肿瘤(结肠和/或直肠)的基于CT放射组学的分析，可以预测同步肝转移。
[0005]影像组学中传统的特征筛选方法比如LASSO能够挑出一些优质特征帮助分类。需要减少特征数的时候它很有用，但是对于数据理解来说不是很友好，使用传统的特征筛选方法，由于并没有很好的与临床特征进行结合，可能导致筛选出的特征尽管对于分类有一定的效果，但是对于临床应用的意义不大，而一些未被LASSO筛选出的特征可能临床意义更大，对于疾病的术前诊断及治疗更有意义。

技术实现思路

[0006]本专利技术的目的就是提供一种基于CC
‑
注意力机制的影像组学特征筛选方法，该方法利用临床特征与影像特征之间的相关性进行特征筛选，能够提高结直肠癌肝转移微卫星状态的预测率，更好的辅助肿瘤的治疗。
[0007]本专利技术是这样实现的：
[0008]一种基于CC(Correlation with Clinical)
‑
注意力机制的影像组学特征筛选方法，包括CT影像的处理、影像特征与临床特征的相关性分析，根据影像特征与临床特征的相关性进行特征筛选，影像特征与结直肠癌肝转移微卫星不稳定性状态(包括微卫星高度不稳定性和微卫星低度不稳定性)的分析，分类模型及预测效果分析，具体步骤如下：
[0009]CT影像的处理：首先，通过医学图像处理软件Simple ITK，从CT图像中找到肿瘤部
位，先使用自动勾画选项对肿瘤部位进行勾画，再按照勾画部位进行细节填充与删除。然后将提取出的肿瘤部位与原始图像通过Python的PyRadiomics包来进行特征提取，将提取出的特征进行保存。
[0010]影像特征与临床特征的相关性分析：首先将提取出的临床特征与影像特征一一对应，将影像特征矩阵记作矩阵A，利用斯皮尔曼秩相关法求出两个矩阵之间的相关系数，记作矩阵B，然后通过注意力机制的方法将与每一个临床特征相关性最强的三个影像特征的系数置为1，其它影像特征系数置为0，得到系数矩阵C；求出此时系数矩阵C中的非零列的序号数，根据这个序号数求出矩阵A中的对应的非零列，这些非零列组成的矩阵就是我们筛选出的特征矩阵。利用这种方法分别求得微卫星高度不稳定性和微卫星低度不稳定性的影像特征与相应的临床特征之间的相关性，一共得到29个CT影像特征(去除重复组)。
[0011]影像特征与结直肠癌肝转移微卫星不稳定性状态的分析：将筛选出的29个影像特征分别进行微卫星不稳定性状态不同时的箱线图，分析微卫星不稳定性状态不同时，所选择影像特征的整体分布有无差异。
[0012]分类模型及预测效果分析：将使用传统特征筛选方法LASSO进行特征筛选与本专利技术所提出的特征筛选方法所筛选的特征分别输入七种分类器的分类模型中，比较两种特征筛选方法的分类效果。
[0013]本次经过特征筛选后所得到的与临床特征相关性较强的影像特征有29个，分别是形状特征中：最小轴长。一阶特征中：能量、峰度、平均值、中值、幅度、均方根、偏度、总能量。纹理特征分四个子类别，分别如下：
①
灰度共生矩阵中：对比度、集群阴暗度、相关性、差异平均、联合能量、最大概率、归一化逆差；
②
灰度游程矩阵中：游程熵、短游程高灰度级增强、游程长度非均匀归一化、灰度不均匀性、灰度非均匀性归一化、长游程高灰度级增强；
③
灰度依赖矩阵中：小依赖性高灰度级增强、高灰度级增强、依赖非均匀性归一化、依赖方差、强依赖性低灰度级增强；
④
灰度大小区域矩阵中：大区域高灰度级增强、区域方差。
[0014]本专利技术的有益效果是：
[0015]本专利技术为探寻影像组学中的特征筛选提出了一种新的方案，即根据影像特征和临床特征之间的相关性进行特征筛选，改变了传统影像组学特征筛选方法只筛选有助于分类的特征，而不考虑特征与临床的关系以及所选特征的实际意义的情况，通过分析临床特征与影像特征之间的相关性，试寻找影像特征来判断结直肠癌肝转移微卫星不稳定性状态，为术前判断肿瘤状态提供可能，能更好辅助肿瘤的个性化治疗。
附图说明
[0016]图1是基于CC
‑
注意力机制的影像组学特征筛选方法的流程图。
[0017]图2是图1中特征筛选的放大框图。
[0018]图3是筛选出的影像特征在微卫星高度不稳定性和微卫星低度不稳定性时的箱线图。
具体实施方式
[0019]为了改善目前影像组学的方法中，特征筛选出的特征目的仅为分类，而不是数据分析，术前诊断，没有将影像学特征与临床特征相结合，从而导致对临床分析有意义的特征
没有被筛选出来的情况，所以本专利技术提出一种基于CC
‑
注意力机制的影像组学特征筛选方法，利用临床特征来进行特征筛选，选出的特征不止具有分类意义，还与临床特征相关。
[0020]本专利技术采用注意力机制方法，提出了利用临床特征与影像特征相结合的方法，将注意力集中到与临床特征的相关性更强的影像特征当中，使得与临床特征相关性更强的影像特征在特征筛选过程中占据更大的比重，获得更多的计算资源，改善传统影像组学特征筛选时，只考虑特征之间的关系，而不考虑影像特征与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CC
‑
注意力机制的影像组学特征筛选方法，其特征是，包括如下步骤：a、选取若干CT影像并进行处理，得到可以进行计算的影像特征；各CT影像中的肿瘤对应微卫星高度不稳定性或微卫星低度不稳定性；b、将若干CT影像分为两组，其中一组对应微卫星高度不稳定性，另一组对应微卫星低度不稳定性；对每一组CT影像，分别执行如下步骤c；c、将影像特征记作矩阵A，利用斯皮尔曼秩相关法求出影像特征和临床特征之间的相关系数，记作矩阵B；然后通过注意力机制的方法将与每一个临床特征相关性最强的三个影像特征的系数置为1，其他影像特征系数置为0，得到系数矩阵C；根据系数矩阵C中的非零元素从矩阵A中找到对应的影像特征；d、将从两组CT影像中所找到的影像特征合并并去重，最终筛选出29个影像特征。2.根据权利要求1所述的基于CC
‑
注意力机制的影像组学特征筛选方法，其特征是，步骤a中可以进行计算的影像特征有如下100个：(1)形状特征：延伸率、平坦度、半轴长度、主轴长度、最大2D直径列、最大2D直径行、最大2D直径切片、最大3D直径柱、网格体积、最小轴长、球形度、表面积、表面体积比、体素体积；(2)一阶特征：第10％位数、第90％位数、能量、熵、四分位数、峰度、最大值、平均绝对偏差、平均值、中值、最小值、幅度、极差、均方根、偏度、总能量、均匀性、方差；(3)纹理特征：1)灰度共生矩阵：自相关、联合平均数、集群突出度、集群阴暗度、集群趋势、对比度、相关性、差异平均、差分熵、差异方差、联合能量、联合熵、相关信息度1、相关信息度2、逆差分矩归一化、反差距、逆差、归一化逆差、逆方差、最大概率、总和熵、平方和；2)灰度游程矩阵：灰度不均匀性、灰度非均匀性归一化、灰度级方差、高灰度级增强、长游程增强、长游程高灰度级增强、长游程低灰度级增强、低灰度级游程增强、游程熵、游程长度非均匀性、游程长度非均匀归一化、游程百分比、游程方差、短游程增强、短游程高灰度级增强、短游程低灰度级增强；3)灰度大小区域矩阵：灰度级不均匀性、灰度级非均匀性归一化、灰度级方差、高灰度级区域增强、大区域增强、大区域低灰度级增强、大区域高灰度级增强、低灰度级增强...

【专利技术属性】
技术研发人员：王雪虎，王天琪，
申请(专利权)人：河北大学，
类型：发明
国别省市：