一种基于体素内不相干运动图像的特征分析方法及系统技术方案

本申请公开了一种基于体素内不相干运动图像的特征分析方法及系统，本方法首先获取PCa患者的IVIM图像序列，勾画各个IVIM图像的感兴趣区域得到感兴趣区域集；通过pyradiomics工具包对感兴趣区域集进行特征提取，得到感兴趣区域所对应的若干类影像组学特征集合；对于每一类影像组学特征集合，通过L1正则化Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征；将获得的若干类代表性特征进行集成，通过L2正则化Logistic回归模型，得到每一类代表性特征的权重，根据各个代表性特征的权重得到PCa患者的IVIM图像分析结果。可以看出，本发明专利技术为前列腺癌的准确诊断提供一种基于影像组学特征的非侵袭性的、精准定量的可视化方法。准定量的可视化方法。准定量的可视化方法。

【技术实现步骤摘要】
一种基于体素内不相干运动图像的特征分析方法及系统


[0001]本专利技术涉及医学图像处理领域，特别涉及一种基于体素内不相干运 动图像的特征分析方法及系统。

技术介绍

[0002]前列腺癌(prostatic carcinoma,PCa)是男性第二常见的肿瘤，也是男性 癌症死亡的主要原因。临床显著性PCa(clinically significant PCa,CsPCa) 是指Gleason评分≥7分、伴或不伴体积≥0.5cm3、伴或不伴前列腺包膜 外侵犯的PCa，此类肿瘤恶性程度高，侵袭性强，需要积极治疗。临床 非显著PCa(clinically insignificant PCa，CiPCa)是指Gleason评分<7分 的肿瘤，侵袭性较低，进展缓慢，可采取随访观察和主动监测的治疗方 式，对其过度诊断和治疗会增加病人负担、降低生存质量。因此，术前 准确鉴别CsPCa和CiPCa对于病人选择合适的治疗方案和评估预后具有 十分重要的价值。MR因其具有较高的软组织分辨率、多参数及多平面成 像、无创等优点，已成为前列腺检查的首选方法。
[0003]传统MRI影像学评估是由放射科医师对病变进行人工评估，其依赖 于语义特征，所提供的度量指标较少，并且丢弃了大量关于肿瘤异质性 的信息。即使放射科医生尝试将前列腺成像的解释标准化，使用定性影 像特征对治疗反应进行评估仍然具有主观性和可变性。

技术实现思路

[0004]基于此，本申请实施例提供了一种基于体素内不相干运动图像的特 征分析方法及系统，能够基于IVIM序列的f值鉴别CsPCa和CiPCa的 影像组学特征处理方法，有望为前列腺癌的准确诊断提供一种基于影像 组学特征的非侵袭性的、精准定量的可视化方法。
[0005]第一方面，提供了一种基于体素内不相干运动图像的特征分析方法， 该方法包括：
[0006]获取PCa患者的IVIM图像序列，勾画各个IVIM图像的感兴趣区域 得到感兴趣区域集；
[0007]通过pyradiomics工具包对所述感兴趣区域集进行特征提取，得到感 兴趣区域所对应的若干类影像组学特征集合；
[0008]对于每一类影像组学特征集合，通过L1正则化Logistic回归算法进 行整合得到该类影像组学特征集合的代表性特征；
[0009]将获得的若干类代表性特征进行集成，通过L2正则化Logistic回归 模型，得到每一类代表性特征的权重，根据各个代表性特征的权重得到 PCa患者的IVIM图像分析结果。
[0010]可选地，影像组学特征至少包括：一阶统计特征、形状特征、灰度 共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域 灰度差矩阵特征和灰度相关矩阵特征。
[0011]可选地，通过L1正则化Logistic回归算法进行整合得到该类影像组 学特征集合
的代表性特征，其中，L1正则化Logistic回归算法的公式具 体包括：
[0012][0013]其中，n为样本图像的个数，β为组学特征的权重，||β||1为其L1范数， 即||β||1＝|β1|+|β2|+...+|β
n
|,ln l为对数似然函数，x
(i)
为第i个病例的特征组， y
(i)
为第i个病例的类别，λ为联系惩罚项与损失数的权重参数。
[0014]可选地，所述通过L2正则化Logistic回归模型，得到每一类代表性 特征的权重，包括：
[0015]将临床PCa恶性概率公式做对数变换得到影像组学评分；
[0016]根据所述影像组学评分得到每一类代表性特征的权重。
[0017]可选地，所述根据所述影像组学评分得到每一类代表性特征的权重， 包括：
[0018]根据公式：
[0019][0020]确定影像组学评分与每一类代表性特征的权重的对应关系，其中， Radiomicsscore表示影像组学评分，表示临床PCa恶性概率公式，β
·
x 表示代表性特征的权重β和特征组x内积。
[0021]可选地，所述根据各个代表性特征的权重得到PCa患者的IVIM图 像分析结果，包括：
[0022]通过公式
[0023][0024]得到PCa患者的IVIM图像分析结果，其中，C
t
表示IVIM图像分析 结果，β
t
表示第t个代表性特征的权重。
[0025]第二方面，提供了一种基于体素内不相干运动图像的特征分析系统， 该系统包括：
[0026]勾画模块，用于获取PCa患者的IVIM图像序列，勾画各个IVIM图 像的感兴趣区域得到感兴趣区域集；
[0027]特征提取模块，用于通过pyradiomics工具包对所述感兴趣区域集进 行特征提取，得到感兴趣区域所对应的若干类影像组学特征集合；
[0028]整合模块，用于对于每一类影像组学特征集合，通过L1正则化 Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征；
[0029]分析模块，用于将获得的若干类代表性特征进行集成，通过L2正则 化Logistic回归模型，得到每一类代表性特征的权重，根据各个代表性特 征的权重得到PCa患者的IVIM图像分析结果。
imaging, DWI)相比，IVIM(intravoxel incoherent motion,IVIM)能更准确反映组 织内水分子扩散及毛细血管的灌注情况，提供更多定量参数，其中f (perfusion fraction)值，即灌注分数，表示毛细血管网的微循环所致灌 注效应占总体扩散效应的容积比率，大小介于0～1之间。但是，不同b 值的选择可能对结果造成一定影响。另外，传统测量方法无论是单层勾 画还是多层勾画ROI，得到的定量参数值只反映了ROI区域内的部分信 息。
[0040]影像组学是一种新兴的量化肿瘤异质性的方法，通过将图像转换成 高维的、可挖掘的数据，为肿瘤良恶性鉴别、病理分级评估、治疗反应 和预后的预测提供生物标志物。本申请探讨了一种基于IVIM序列的f值 鉴别CsPCa和CiPCa的影像组学特征处理方法，有望为前列腺癌的准确 诊断提供一种基于影像组学特征的非侵袭性的、精准定量的可视化方法。
[0041]具体地，请参考图1，其示出了本申请实施例提供的一种基于体素内 不相干运动图像的特征分析方法的流程图，该方法可以包括以下步骤：
[0042]步骤101，获取PCa患者的IVIM图像序列，勾画各个IVIM图像的 感兴趣区域得到感兴趣区域集。
[0043]在本申请实施例中，对经病理证实的PCa患者的IVIM序列的f功能 图像上进行感兴趣区域勾画，用于之后提取区域内的图像特征。
[0044]步骤102，通过pyradiomics工具包对感兴趣区域集进行特征提取， 得到感兴趣区域所对应的若干类影像组学特征集合。
[0045]在本申请实施例中，影像组学特征包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于体素内不相干运动图像的特征分析方法，其特征在于，所述方法包括：获取PCa患者的IVIM图像序列，勾画各个IVIM图像的感兴趣区域得到感兴趣区域集；通过pyradiomics工具包对所述感兴趣区域集进行特征提取，得到感兴趣区域所对应的若干类影像组学特征集合；对于每一类影像组学特征集合，通过L1正则化Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征；将获得的若干类代表性特征进行集成，通过L2正则化Logistic回归模型，得到每一类代表性特征的权重，根据各个代表性特征的权重得到PCa患者的IVIM图像分析结果。2.根据权利要求1所述的方法，其特征在于，影像组学特征至少包括：一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域灰度差矩阵特征和灰度相关矩阵特征。3.根据权利要求1所述的方法，其特征在于，通过L1正则化Logistic回归算法进行整合得到该类影像组学特征集合的代表性特征，其中，L1正则化Logistic回归算法的公式具体包括：其中，n为样本图像的个数，β为组学特征的权重，||β||1为其L1范数，即||β||1＝|β1|+|β2|+...+|β
n
|,lnl为对数似然函数，x
(i)
为第i个病例的特征组，y
(i)
为第i个病例的类别，λ为联系惩罚项与损失数的权重参数。4.根据权利要求1所述的方法，其特征在于，所述通过L2正则化Logistic回归模型，得到每一类代表性特征的权重，包括：将临床PCa恶性概率公式做对数变换得到影像组学评分；根据所述影像组学评分得到每一类代表性特征的权重。5.根据权利要求4所述的方法，其特征在于，所述根据所述影像组学评分得到每一类代表性特征的权重，包括：根据公式：确定影像组学评分与每一类代表...

【专利技术属性】
技术研发人员：刘爱连，陈丽华，张钦和，赵莹，王楠，刘昀松，宋清伟，吴艇帆，李昕，郭妍，
申请(专利权)人：大连医科大学附属第一医院，
类型：发明
国别省市：