一种基于制造技术

本发明专利技术提供一种基于

【技术实现步骤摘要】
一种基于MRI定量灌注成像和MCCA的肺癌乏氧生境成像方法


[0001]本专利技术涉及智能医学影像
，具体涉及一种基于
MRI
定量灌注成像和
MCCA
的肺癌乏氧生境成像方法
。

技术介绍

[0002]肺癌是全球发病率和死亡率最高的癌症之一
。
根据统计，数百万人每年被诊断出患有肺癌，且大多数为恶性肺癌
。
乏氧是肺癌的一种基本特征，主要由两方面因素导致：一是新生血管数量不足和血管结构不完整，导致供氧不足；二是恶性肺癌细胞增殖过快，导致耗氧过多
。
因此，针对乏氧区域的准确检测和评估对于临床治疗和预后评估至关重要
。
[0003]磁共振成像
(MRI)
灌注扫描中的
Ktrans
和
Ve
参数分别可以反映肺癌组织的供氧和耗氧程度
。
然而，这两个参数通常单独使用，缺乏一个综合的视角来全面了解肺癌的乏氧状态
。
为解决这一问题，新兴的生境成像技术和多典型相关分析
(MCCA)
为合并这两种数据提供了新的路径
。
[0004]本申请的专利技术人经过研究发现，目前的研究主要集中在单一视角的医学图像分析，如使用
MRI
或
CT
图像进行肿瘤定位和评估，但这些方法往往不能全面反映肿瘤内部的异质性和复杂性，尤其是乏氧和常氧区域的精准划分；此外，传统的图像处理方法常常依赖于经验阈值或专家标注，这不仅耗时耗力，还可能受到主观因素的影响
。

技术实现思路

[0005]针对现有对于肿瘤定位和评估主要集中在单一视角的医学图像如使用
MRI
或
CT
图像进行分析，这些方法往往不能全面反映肿瘤内部的异质性和复杂性，尤其是乏氧和常氧区域的精准划分；此外，传统的图像处理方法常常依赖于经验阈值或专家标注，这不仅耗时耗力，还可能受到主观因素影响的技术问题，本专利技术提供一种基于
MRI
定量灌注成像和
MCCA
的肺癌乏氧生境成像方法
。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]一种基于
MRI
定量灌注成像和
MCCA
的肺癌乏氧生境成像方法，包括以下步骤：
[0008]S1、
对肺癌患者进行
MRI
灌注扫描，获取肺癌患者的
MRI
图像；
[0009]S2、
对从
MRI
灌注扫描获取的
MRI
图像进行感兴趣区域即
ROI
的勾画，并提取对比剂从血浆到组织间隙的转移速率
Ktrans
和血管外细胞外间隙的体积
Ve
两种参数；
[0010]S3、
对勾画完成的
ROI
图像进行去噪和标准化的预处理，以便准确进行后续的多视图子空间聚类；
[0011]S4、
采用基于多典型相关分析即
MCCA
的方法，将对比剂从血浆到组织间隙的转移速率
Ktrans
和血管外细胞外间隙的体积
Ve
的数据集融合到一个公共子空间中；
[0012]S5、
在
MCCA
生成的子空间内，运用聚类算法对组织进行分割，以识别具有相似
Ktrans
和
Ve
特征的乏氧和常氧区域，并生成相应的生境地图；
[0013]S6、
运用逻辑回归模型计算并确定一个可以区分乏氧和常氧区域的阈值；
[0014]S7、
通过所述生境地图和阈值进行肺癌的分类和评估，评估指标包括
ROC
曲线下面积
、
敏感度
、
特异度以及马修斯相关系数
。
[0015]进一步，所述步骤
S2
具体包括：将
MRI
图像调入后处理工作站，由专业的放射科医师使用双盲法进行勾画，勾画过程中避开肿块的边缘
、
坏死
、
伪影
、
大血管，于肿块最大层面，获取病灶区域对比剂从血浆到组织间隙的转移速率
Ktrans
和血管外细胞外间隙的体积
Ve
，分析病变三次，取
Ktrans
和
Ve
各自的平均值作为最终的测量结果
。
[0016]进一步，所述步骤
S4
具体包括：通过计算
Ktrans
和
Ve
两个数据集的协方差矩阵和设置
MCCA
的优化目标函数来进行融合，融合过程采用数值优化算法解决优化问题，从而找到一个能最大化
Ktrans
和
Ve
之间相关性的公共子空间，最后将
Ktrans
和
Ve
两个数据集映射到该公共子空间
。
[0017]进一步，所述步骤
S5
具体包括：使用
K
‑
means
聚类算法，预先设定分别对应乏氧和常氧区域的两个簇，然后将
MCCA
生成的子空间中的数据点即像素分割成不同的簇，并基于
Ktrans
和
Ve
为每个簇分配乏氧或常氧的标签，最终生成一个生境地图，其中每个像素或体素的颜色或标签代表该位置是乏氧还是常氧区域
。
[0018]进一步，所述步骤
S6
具体包括：将经过步骤
S1
～
S5
后，每个体素数据用
Ktrans
和
Ve
表示且标签为乏氧或常氧的所有体素数据划分为训练集和测试集，使用训练集数据拟合和训练逻辑回归模型，针对该模型的输出概率得分，通过计算约登指数来确定一个可以区分乏氧和常氧区域的最佳阈值
。
[0019]进一步，所述步骤
S7
中敏感度
、
特异度以及马修斯相关系数的计算公式如下：
[0020][0021][0022][0023]其中，
Sen
代表敏感度，
Spe
代表特异度，
MCC
代表马修斯相关系数，
TP
为真正例，
FP
为假正例，
TN
为真负例，
FN
为假负例
。
[0024]与现有技术相比，本专利技术提供的基于
MRI
定量灌注成像和
MCCA
的肺癌乏氧生境成像方法具有以下有益效果：
[0025]1)
通过结合
MRI...

【技术保护点】

【技术特征摘要】
1.
一种基于
MRI
定量灌注成像和
MCCA
的肺癌乏氧生境成像方法，其特征在于，包括以下步骤：
S1、
对肺癌患者进行
MRI
灌注扫描，获取肺癌患者的
MRI
图像；
S2、
对从
MRI
灌注扫描获取的
MRI
图像进行感兴趣区域即
ROI
的勾画，并提取对比剂从血浆到组织间隙的转移速率
Ktrans
和血管外细胞外间隙的体积
Ve
两种参数；
S3、
对勾画完成的
ROI
图像进行去噪和标准化的预处理，以便准确进行后续的多视图子空间聚类；
S4、
采用基于多典型相关分析即
MCCA
的方法，将对比剂从血浆到组织间隙的转移速率
Ktrans
和血管外细胞外间隙的体积
Ve
的数据集融合到一个公共子空间中；
S5、
在
MCCA
生成的子空间内，运用聚类算法对组织进行分割，以识别具有相似
Ktrans
和
Ve
特征的乏氧和常氧区域，并生成相应的生境地图；
S6、
运用逻辑回归模型计算并确定一个可以区分乏氧和常氧区域的阈值；
S7、
通过所述生境地图和阈值进行肺癌的分类和评估，评估指标包括
ROC
曲线下面积
、
敏感度
、
特异度以及马修斯相关系数
。2.
根据权利要求1所述的基于
MRI
定量灌注成像和
MCCA
的肺癌乏氧生境成像方法，其特征在于，所述步骤
S2
具体包括：将
MRI
图像调入后处理工作站，由专业的放射科医师使用双盲法进行勾画，勾画过程中避开肿块的边缘
、
坏死
、
伪影
、
大血管，于肿块最大层面，获取病灶区域对比剂从血浆到组织间隙的转移速率
Ktrans
和血管外细胞外间隙的体积
Ve
，分析病变三次，取
Ktrans
和
Ve
各自的平均值作为最终的测量结果
。3.
根据权利要求1所述的基于
MRI
...

【专利技术属性】
技术研发人员：陈利华，张久权，黄瑶，刘代洪，陶俊利，黄雪梅，苏扬帆，
申请(专利权)人：重庆大学附属肿瘤医院，
类型：发明
国别省市：