基于单分类放射组学的危及器官自动勾画质量评判方法技术

本发明专利技术公开了一种基于单分类放射组学的危及器官自动勾画质量评判方法，属于自动勾画质量评判的技术领域。本发明专利技术的质量评判方法，具体包括以下步骤：(1)采集图像；(2)自动勾画危及器官轮廓；(3)提取单层轮廓：提取危及器官的单层轮廓；(4)提取特征，包括一阶特征及纹理特征；(5)归一化特征及特征缺失值处理；(6)筛选特征；(7)建立孤立森林模型；(8)运用建立的孤立森林模型对自动勾画出的危及器官进行质量评判。本发明专利技术使用方差检验筛选特征，基于放射组学进行建模，方法能有效鉴评判别危及器官自动勾画的准确性。自动勾画的准确性。自动勾画的准确性。

【技术实现步骤摘要】
基于单分类放射组学的危及器官自动勾画质量评判方法


[0001]本专利技术涉及自动勾画质量评判的
，特别是涉及一种基于单分类放射组学的危及器官自动勾画质量评判方法。

技术介绍

[0002]近年来，放射组学在肿瘤诊断、治疗和疗效评估等方面应用广泛。放射组学是指在计算机断层扫描(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Image,MRI)和正电子发射断层扫描(Positron Emission Tomography,PET)等医学图像中提取和分析大量具有高通量的图像特征。
[0003]在放射治疗过程中，治疗要求精确地投照剂量，同时保护周边危及器官(organ at risk，OAR)。因此，临床放疗医生需要严格定义及勾画临床靶区和OAR。然而，这项工作十分耗时并且勾画质量易受临床医生的经验及业务水平影响。为此，目前已有众多学者研究靶区及危及器官的自动勾画，已有很多商用的自动勾画软件应用于临床中，这大大提高了临床治疗的效率。然而，即使是临床中广泛使用的自动勾画算法，医学图像相当大的可变性将会导致不可预测的错误。临床医生必须花费相当多的时间逐层检查和修改轮廓，这大大降低了临床工作的效率。虽然目前自动勾画算法能很大程度上节省时间，但是其勾画的准确性还需要进行验证，目前仅有少许学者研究评估自动勾画危及器官的质量。
[0004]因此，针对自动勾画准确性的验证问题，提供一种基于单分类放射组学的危及器官自动勾画质量评判方法。

技术实现思路

[0005]本专利技术的目的在于提供一种基于单分类放射组学的危及器官自动勾画质量评判方法，旨在解决自动勾画准确性的评判问题，本专利技术的评判方法基于孤立森林模型，对自动勾画质量评判准确度高。
[0006]本专利技术的目的通过如下技术方案实现：
[0007]一种基于单分类放射组学的危及器官自动勾画质量评判方法，具体包括以下步骤：
[0008](1)采集图像：采集多位肿瘤患者的医学图像；
[0009](2)自动勾画危及器官轮廓：通过自动勾画软件对危及器官进行勾画；
[0010](3)提取单层轮廓：提取危及器官的单层轮廓；
[0011](4)提取特征：对原始医学图像进行转换域处理获得转换域图像，分别对原始医学图像及转换域图像提取目标区域轮廓的一阶特征及纹理特征；
[0012](5)归一化特征及特征缺失值处理：对步骤(4)中提取出的一阶特征及纹理特征进行归一化处理，使特征值均在[0
‑
1]之间；对特征的缺失值进行补0处理；
[0013](6)筛选特征：运用方差检验筛选，剔除冗余的特征，获得方差检验筛选特征；
[0014](7)建立孤立森林(Isolation Forest)模型；
[0015](8)运用步骤(7)建立的孤立森林模型对自动勾画出的危及器官进行质量评判。
[0016]作为优选的实施方式，步骤(3)中所述提取危及器官单层轮廓，包括金标准勾画的危及器官区域的单层轮廓；提取自动勾画软件勾画的危及器官区域的单层轮廓；所述金标准勾画采用多家医疗中心医生手动勾画；所述自动勾画软件采用现有商用自动勾画软件。
[0017]作为优选的实施方式，步骤(4)中所述转换域处理为影像组学中的七种转换域处理，所述七种转换域处理具体为小波转换、平方转换、平方根转换、对数转换、梯度转换、指数转换、Log转换处理，七种转换域处理后得到的特征强调不一样的图像纹理特征。
[0018]所述Log转换为sigma＝1的Log转换。
[0019]作为优选的实施方式，步骤(1)中所述多位优选为大于等于60位。
[0020]作为优选的实施方式，步骤(1)中所述医学图像为计算机断层扫描(CT)图像、磁共振成像(MRI)图像或正电子发射断层扫描(PET)图像中的一种；进一步优选的，所述医学图像为放射治疗定位的胸部平扫CT图像。
[0021]作为优选的实施方式，步骤(4)中所述原始医学图像，为步骤(1)中采集的医学图像。
[0022]作为优选的实施方式，步骤(4)中所述一阶特征为一阶直方图特征。
[0023]作为优选的实施方式，步骤(4)中所述纹理特征包括灰度共生矩阵(GLCM)、灰度行程矩阵(GLRLM)、灰度区域大小矩阵(GLSZM)、邻域灰度差矩阵(NGTDM)。
[0024]作为优选的实施方式，步骤(4)中所述一阶特征及纹理特征共1409个。
[0025]作为优选的实施方式，步骤(5)中所述归一化处理，具体采用的min
‑
max归一化处理，归一化处理公式如式I所示：
[0026][0027]式I；
[0028]其中，x
norm
为归一化后的特征值，x为特征值，x
min
为特征中的最小值，x
max
为特征中的最大值。
[0029]作为优选的实施方式，步骤(6)中所述运用方差检验筛选，剔除冗余的特征，具体为：通过计算每个特征的方差，选取阈值，比较方差与阈值来确定是否有显著性差异，剔除掉方差小于阈值的特征；方差检验公式如式II：
[0030][0031]其中，X
i
为特征数据值,X
i
为特征数据的平均值,n为数据的数量，σ2为单组特征数据的方差；本专利技术中优选的阈值为0.5，共筛选出14个有显著差异的特征用于建模；本专利技术中通过不断调整阈值大小来验证效果，最终确认阈值为0.5时结果最好。
[0032]作为优选的实施方式，步骤(7)中所述的建立孤立森林模型，选取金标准勾画的单层轮廓，经过提取、归一化和筛选后的特征数据作为训练集，使用孤立森林模型对训练集数据进行建模，选取自动勾画软件勾画不正确的轮廓特征数据作为测试集进行测试。
[0033]作为优选的实施方式，步骤(7)中的孤立森林模型，通过步骤(6)中的方差检验筛
选特征，将33.3％数据作为训练集，16.7％数据作为测试集，50％数据作为验证集，对训练的孤立森林模型进行验证。
[0034]本专利技术的技术方案与现有技术相比具有以下有益效果：
[0035]1.本专利技术的评判方法，根据自动勾画软件勾画出的危及器官轮廓，提取单层轮廓，通过机器学习的方法提取特征参数；对特征进行归一化，运用方差检验计算任意两个特征值的差异性，剔除无关特征和冗余特征，筛选出相关特征；最后将数据分为训练集、测试集和验证集，建立孤立森林模型对自动勾危及器官的准确性进行鉴定。
[0036]2.本专利技术基于放疗定位CT医学图像的危及器官轮廓的放射组学特征考虑了单层轮廓的信息，利用方差检验方法筛选有用的特征，建立的孤立森林模型能够很好鉴别评判危及器官自动勾画的准确性。
附图说明
[0037]图1为本专利技术实施例中的方法流程示意图。
[0038]图2为本专利技术实施例中提取出的一阶特征及纹理特征的示意图。
[0039]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于单分类放射组学的危及器官自动勾画质量评判方法，其特征在于：具体包括以下步骤：(1)采集图像：采集多位肿瘤患者的医学图像；(2)自动勾画危及器官轮廓：通过自动勾画软件对危及器官进行勾画；(3)提取单层轮廓：提取危及器官的单层轮廓；(4)提取特征：对原始医学图像进行转换域处理获得转换域图像，分别对原始医学图像及转换域图像提取目标区域轮廓的一阶特征及纹理特征；(5)归一化特征及特征缺失值处理：对步骤(4)中提取出的一阶特征及纹理特征进行归一化处理，使特征值均在[0
‑
1]之间；对特征的缺失值进行补0处理；(6)筛选特征：运用方差检验筛选，剔除冗余的特征，获得方差检验筛选特征；(7)建立孤立森林模型；(8)运用步骤(7)建立的孤立森林模型对自动勾画出的危及器官进行质量评判。2.根据权利要求1所述的基于单分类放射组学的危及器官自动勾画质量评判方法，其特征在于：步骤(3)中所述提取危及器官单层轮廓，包括金标准勾画的危及器官区域的单层轮廓，提取自动勾画软件勾画的危及器官区域的单层轮廓；所述金标准勾画采用多家医疗中心医生手动勾画；所述自动勾画软件采用现有商用自动勾画软件。3.根据权利要求1所述的基于单分类放射组学的危及器官自动勾画质量评判方法，其特征在于：步骤(4)中所述转换域处理为影像组学中的七种转换域处理，所述七种转换域处理具体为小波转换、平方转换、平方根转换、对数转换、梯度转换、指数转换、Log转换处理，七种转换域处理后得到的特征强调不一样的图像纹理特征。4.根据权利要求1所述的基于单分类放射组学的危及器官自动勾画质量评判方法，其特征在于：步骤(1)中所述多位为大于等于60位。5.根据权利要求1所述的基于单分类放射组学的危及器官自动勾画质量评判方法，其特征在于：步骤(1)中所述医学图像为计算机断层扫描图像、磁共振成像图像或正电子发射断层扫描图像中...

【专利技术属性】
技术研发人员：袁翠云，刘晨彬，雷通达，赵漫，张寅，权恩卓，金晶，
申请(专利权)人：中国医学科学院肿瘤医院深圳医院，
类型：发明
国别省市：