一种肝癌微血管侵犯预测方法技术

本申请提供了一种肝癌微血管侵犯预测方法

【技术实现步骤摘要】
一种肝癌微血管侵犯预测方法、设备及存储设备


[0001]本申请涉及临床医学图像分析领域，尤其涉及一种肝癌微血管侵犯预测方法
、
设备及存储设备
。

技术介绍

[0002]肝细胞性肝癌
(HCC)
是当今世界上医学领域的最难根本性治疗的疾病之一，近几年
HCC
的发生率逐年升高
。
因此，
HCC
患者的治疗和术后预防问题是非常值得关注的
。
相关研究表明手术患者肝癌复发最重要的预测因素是微血管侵犯现象
(MVI)
，其主要表现为肝癌细胞转移侵犯肝脏周围微血管，而且这种侵犯现象肉眼难以观测，只能在显微镜下观测判断
。
因此，有效地预测
MVI
对于
HCC
的治疗和术后预防具有重要意义
。
[0003]目前已知的肝癌微血管侵犯现象的观察方法是对患者肝部病变部位进行穿刺活检，但是，该方法存在以下缺点：
(1)
穿刺活检是通过穿刺来获取肝癌患者肝部的组织细胞样本，以供医生在显微镜下检验判断是否存在
MVI
，步骤繁琐，需要损耗大量的时间，易导致患者错过最佳治疗阶段；
(2)
穿刺活检是有创检查，进行穿刺活检时，患者已经发生了
MVI
，组织创伤极有可能会导致肝癌细胞通过肝部周围的微血管入侵到血液里，而后随血液循环到达身体其他部位，也就是肝癌细胞发生了扩散，极大缩短了患者原本的生存时间，而且会给下一步治疗的计划和实施带来很严峻的挑战
。
[0004]对于上述问题，亟需一种时间短
、
无创伤且能准确识别肝癌微血管侵犯现象的方法
。

技术实现思路

[0005]本申请的目的在于解决常规的肝癌微血管预测技术存在步骤繁琐
、
风险性大且不能精准的识别肝癌微血管侵犯现象的技术问题，提供一种肝癌微血管侵犯预测方法
、
设备及存储设备
。
[0006]本申请的上述目的是通过以下技术方案得以实现的：
[0007]一种肝癌微血管侵犯预测方法，该方法包括：
[0008]S1
：提取各个模态
MRI
图像数据的影像组学特征数据；
[0009]S2
：对各个所述模态
MRI
图像数据的影像组学特征数据进行
T
检验；
[0010]S3
：对
T
检验后的各个所述影像组学特征数据进行数据融合，生成影像组学特征数据集；
[0011]S4
：通过
Lasso
回归对所述影像组学特征数据集进行数据降维，确定有效特征数据；
[0012]S5
：将所述影像组学特征数据集按照预设比例划分为测试集以及训练集；
[0013]S6
：构建高斯过程回归模型，根据影像组学特征数据集以及高斯过程回归方法训练所述高斯过程回归模型；
[0014]S7
：将所述测试集的数据输入到所述高斯过程回归模型中，输出识别预测结果
。
[0015]可选的，步骤
S2
包括：
[0016]S21
：计算各个所述影像组学特征数据的检验统计量；
[0017]S22
：根据各个所述检验统计量的值，选取检验统计量的值大于预设阈值的对应的所述影像组学特征数据
。
[0018]可选的，步骤
S3
包括：
[0019]S31
：判断各个所述影像组学特征数据是否存在重复特征；
[0020]S32
：若各个所述影像组学特征数据不存在重复特征，则将各个所述影像组学特征数据进行所述数据融合，生成所述影像组学特征数据集；
[0021]S33
：若所述影像组学特征数据存在重复特征，则计算所述影像组学特征数据的重复特征与所述影像组学特征数据的其他特征的关联程度系数，并确定所述关联程度系数的平均值；
[0022]S34
：将所述关联程度系数的平均值大于预设阈值的对应的所述重复特征删除，再将各个所述影像组学特征数据进行所述数据融合，生成所述影像组学特征数据集
。
[0023]可选的，步骤
S4
包括：
[0024]S41
：所述
Lasso
回归的公式如下：
[0025][0026]其中，
h
θ
(x
(i)
)
＝
θ0x0+
θ1x1+
θ2x2+
…
+
θ
i
x
i
，可通过多元线性回归梯度下降算法求解合适的
θ
值，使得
J(
θ
)
最小，
m
为样本个数，
k
为参数个数，为
L1
正则化，即罚函数，
L1
为
L1
范数，与之相应的是
L2
范数，在这里作为惩罚项，
L1
是各参数绝对值之和，
λ
参数通过交叉验证法确定，而
L2
是参数的平方和后开方；
[0027]S42
：通过
k
折交叉检验以及所述影像组学特征数据集，确定所述
λ
参数
。
[0028]可选的，步骤
S6
包括：
[0029]S61
：所述高斯过程回归模型的表达式为：
[0030][0031]其中，
x
(i)
为第
i
个数据的坐标，
y
(i)
第
i
个数据的输出，
ε
(i)
表示噪声变量，服从正态分布；
[0032]S62
：假设
F(x
(i)
)
服从高斯过程；
[0033]f(x)
～
GP(m(x),K(x,x
′
))
[0034][0035]其中，
m(x)
为均值函数；
K(x,x
′
)
为核函数，即协方差函数；将所述均值函数
m(x)
设为0，即可确定所述核函数；
[0036]S63
：采用所述核函数中的高斯核函数，即径向基函数
RBF
，基本形式如下：
[0037][0038]其中，
σ
f
以及
l
均为超参数；
[0039]S64
：根据影像组学特征数据集对所述超参数进行计算，确定所述高斯核函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种肝癌微血管侵犯预测方法，其特征在于方法包括以下步骤：
S1
：提取各个模态
MRI
图像数据的影像组学特征数据；
S2
：对各个所述模态
MRI
图像数据的影像组学特征数据进行
T
检验；
S3
：对
T
检验后的各个所述影像组学特征数据进行数据融合，生成影像组学特征数据集；
S4
：通过
Lasso
回归对所述影像组学特征数据集进行数据降维，确定有效特征数据；
S5
：将所述影像组学特征数据集按照预设比例划分为测试集以及训练集；
S6
：构建高斯过程回归模型，根据影像组学特征数据集以及高斯过程回归方法训练所述高斯过程回归模型；
S7
：将所述测试集的数据输入到所述高斯过程回归模型中，输出识别预测结果
。2.
如权利要求1的一种肝癌微血管侵犯预测方法，其特征在于，步骤
S2
包括：
S21
：计算各个所述影像组学特征数据的检验统计量；
S22
：根据各个所述检验统计量的值，选取检验统计量的值大于预设阈值的对应的所述影像组学特征数据
。3.
如权利要求1的一种肝癌微血管侵犯预测方法，其特征在于，步骤
S3
包括：
S31
：判断各个所述影像组学特征数据是否存在重复特征；
S32
：若各个所述影像组学特征数据不存在重复特征，则将各个所述影像组学特征数据进行所述数据融合，生成所述影像组学特征数据集；
S33
：若所述影像组学特征数据存在重复特征，则计算所述影像组学特征数据的重复特征与所述影像组学特征数据的其他特征的关联程度系数，并确定所述关联程度系数的平均值；
S34
：将所述关联程度系数的平均值大于预设阈值的对应的所述重复特征删除，再将各个所述影像组学特征数据进行所述数据融合，生成所述影像组学特征数据集
。4.
如权利要求1的一种肝癌微血管侵犯预测方法，其特征在于，步骤
S4
包括：
S41
：所述
Lasso
回归的公式如下：其中，
h
θ
(
()
)
＝0x0+1x1+2x2+
…
+
i
x
i
，可通过多元线性回归梯度下降算法求解合适的
θ
值，使得
J(
θ
)
最小，
m
为样本个数，
k
为参数个数，为
L1
正则化，即罚函数，
L1
为
L1
范数，与之相应的是
L2
范数，在这里作为惩罚项，
L1
是各参数绝对值之和，
λ
参数通过交叉验证法确定，而
L2
是参数的平方和后开方；
S42
：通过
k
折交叉检验以及所述影像组学特征数据集，确定所述
λ

【专利技术属性】
技术研发人员：卢名广，朱媛，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：