【技术实现步骤摘要】
本申请涉及图像处理，为一种生境成像分析方法，具体为一种瘤内及瘤周生境分析方法、装置、设备及存储介质。
技术介绍
1、生境成像分析技术源于景观生态学。在一个共有的庞大的生态系统中，存活着多种多样的物种。每个物种生活于不同的栖息地，即不同的子生境。基于达尔文进化动力学，每个子生境均在时间与空间维度不停地发生演变。而景观生态学家可以通过观察和量化多维度生境地图（如雷达、红外线成像），反映某些物理特征的异质性对生物种群与其环境之间存在的相互影响。每个肿瘤同样不只由一个单一系统构成，而是多个栖息地的拼凑，每个栖息地都有一套独特的环境选择力和细胞进化策略。这样的分析模型可以很容易地应用于肿瘤的放射学研究。生境分析方法可以在放射学观察到的宏观肿瘤特征与微观癌细胞群的分子、细胞及微环境之间建立明确且可预测的联系。
2、肿瘤亚克隆之间的相互竞争，使其表现为一种类似于生态系统中不同物种占据特定栖息地的形式。肿瘤内部时间和空间上的异质性可以通过反复多次穿刺活检得以证实，但依赖于小样本组织的病理活检并不能够全面地揭示肿瘤内部异质性，并且受限于病人的依从性，甚至可能由于取样时的操作不当导致大脑部分精细功能的丧失，刺激肿瘤动力学发生改变。因此，过去有学者们将应用于景观生态学中可量化、可重复显示的“生境”概念应用于肿瘤相关领域，以此定义具有相似的基因型和表型、并具有类似病理生理特征的肿瘤细胞群体。肿瘤间及肿瘤内的时空异质性可以通过反复多次的穿刺活检得以证实，但依赖于小样本组织的病理活检无法全面地揭示肿瘤异质性及其发展演进的全过程。近年来，多区域测
3、在过去的一段时间内，由于功能成像应用较少以及临床医师对计算机深度学习编程的生疏，导致了生境构建的方法通常比较简单且片面，一般是根据肿瘤的空间位置及影像学差异，将肿瘤简单地分为肿瘤增强生境、瘤周水肿生境和坏死生境，也可以根据经验设定阈值，直接界定生境范围。目前，随着数据驱动医学发展，基于计算机视觉以及人工智能的算法可以辅助影像科医师高效、精准地挖掘影像潜在信息。现阶段生境成像多以核磁共振成像中常规t2wi序列及常规增强t1wi为基础，与功能成像在同一空间层面上整合，首先将肿瘤分割至像素水平，而后聚集同类像素产生多个生境，但是关于超声生境分析甚少，实际临床应用可行性不佳。
技术实现思路
1、为了解决现有技术中存在的，本申请实施例提供基于深度学习影像组学实现瘤内及瘤周生境分析的方法，实现对肿瘤内部不同亚区域进行分割。
2、为了达到上述目的，本申请实施例采用的技术方案如下：
3、第一方面，提供一种瘤内及瘤周生境分析方法，所述方法包括：采集肿瘤超声图像，并对每个所述肿瘤超声图像进行肿瘤病灶标注，构建肿瘤超声图像数据集；对标注后的所述肿瘤超声图像进行前景掩模处理得到第一掩模图，所述第一掩模图为表征瘤内图像信息的瘤内掩模图；并根据所述肿瘤病灶标注信息确定掩模外扩距离对所述超声图像中的前景进行外扩，并根据外扩结果进行前景掩模处理得到第二掩模图，所述第二掩模图为表征瘤周图像信息的瘤周掩模图；将所述超声图像、所述瘤内掩模图和所述瘤周掩模图组成分析组，并对所述分析组进行生境分析得到生境分析结果，所述生境分析结果包括瘤内亚区域掩模图和瘤周亚区域掩模图；提取所述瘤内亚区域掩模图和所述瘤周亚区域掩模图的初始特征；将所述肿瘤超声图像数据集中每一个所述肿瘤超声图像所对应的初始特征进行集合，得到特征集，对所述特征集中多个初始特征进行特征筛选，筛选出相关性最大的初始特征为目标特征；基于所述目标特征进行分类器构建。
4、进一步的，所述对所述分析组进行生境分析得到生境分析结果，包括：计算所述瘤内掩模图和所述瘤周掩模图中不同模态下对应的体素值，计算所述体素值对应的局部熵特征；运用聚类算法对所述瘤内掩模图和所述瘤周掩模图进行分割，以识别具有相似体素值和所述局部熵特征的区域，并生成相应的瘤内亚区域掩模图和瘤周亚区域掩模图。
5、进一步的，所述提取所述瘤内亚区域掩模图和所述瘤周亚区域掩模图的初始特征，包括：基于深度学习模型对所述瘤内亚区域掩模图和所述瘤周亚区域掩模图进行特征提取，得到对应的所述初始特征；所述深度学习模型包括resnet、vgg、densenet、alexnet中任意一个模型。
6、进一步的，所述对所述特征集中多个初始特征进行特征筛选，包括：对多个所述初始特征依次进行类合并、数据过采样处理、组内相关性分析、方差选择过滤、皮尔逊相关过滤、特征归一化处理，并基于最小绝对收缩和选择算子回归法进行筛选。
7、进一步的，所述基于所述目标特征进行分类器构建，包括：将所述目标特征输入至多个初始分类器中，并基于多个超参数更新法对多个所述初始分类器进行训练得到多个目标分类器，并基于所述肿瘤超声图像对多个所述目标分类器进行验证得到最优分类器。
8、进一步的，多个所述初始分类器包括决策树模型、随机森林模型、极其随机森林模型、支持向量机、逻辑回归模型、随机梯度下降模型、最近邻模型、分布式梯度增强库、直方图决策树模型、gradient boosting、梯度提升模型、贝叶斯模型、bp神经网络模型中的任意一种或多种。
9、进一步的，多个所述超参数更新法包括网格搜索法、随机搜索法、贝叶斯优化法。
10、第二方面，提供一种瘤内及瘤周生境分析装置，所述装置包括：数据集构建模块，用于将采集到的每个肿瘤超声图像进行肿瘤病灶标注，构建肿瘤超声图像数据集；图像处理模块，用于对所述肿瘤超声图像进行前景掩模处理得到第一掩模图和第二掩模图；生境分析模块，用于对所述超声图像、所述瘤内掩模图和所述瘤周掩模图进行生境分析，得到瘤内亚区域掩模图和瘤周亚区域掩模图；特征提取模块，用于提取所述瘤内亚区域掩模图和所述瘤周亚区域掩模图的初始特征；特征筛选模块，用于对多个初始特征进行特征筛选，筛选出相关性最大的初始特征为目标特征；分类器构建模块，用于基于所述目标特征进行分类器构建。
11、第三方面，提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的瘤内及瘤周生境分析方法。
12、第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的瘤内及瘤周生境分析方法。
13、本申请实施例提供的技术方案中，基于深度学习影像组学实现瘤内及瘤周生境分析的方法，实现对肿瘤内部不同亚区域本文档来自技高网...
【技术保护点】
1.一种瘤内及瘤周生境分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的瘤内及瘤周生境分析方法，其特征在于，所述对所述分析组进行生境分析得到生境分析结果，包括：计算所述瘤内掩模图和所述瘤周掩模图中不同模态下对应的体素值，计算所述体素值对应的局部熵特征；基于聚类算法对所述瘤内掩模图和所述瘤周掩模图进行分割，以识别具有相似体素值和所述局部熵特征的区域，并生成相应的瘤内亚区域掩模图和瘤周亚区域掩模图。
3.根据权利要求2所述瘤内及瘤周生境分析方法，其特征在于，所述提取所述瘤内亚区域掩模图和所述瘤周亚区域掩模图的初始特征，包括：基于深度学习模型对所述瘤内亚区域掩模图和所述瘤周亚区域掩模图进行特征提取，得到对应的所述初始特征；所述深度学习模型包括Resnet模型、VGG模型、Densenet模型、Alexnet模型中任意一个模型。
4.根据权利要求3所述的瘤内及瘤周生境分析方法，其特征在于，所述对所述特征集中多个初始特征进行特征筛选，包括：对多个所述初始特征依次进行类合并、数据过采样处理、组内相关性分析、方差选择过滤、皮尔逊相关过滤、特征归一
5.根据权利要求4所述的瘤内及瘤周生境分析方法，其特征在于，所述基于所述目标特征进行分类器构建，包括：将所述目标特征输入至多个初始分类器中，并基于多个超参数更新法对多个所述初始分类器进行训练得到多个目标分类器，并基于所述肿瘤超声图像对多个所述目标分类器进行验证得到最优分类器。
6.根据权利要求5所述的瘤内及瘤周生境分析方法，其特征在于，多个所述初始分类器包括决策树模型、随机森林模型、极其随机森林模型、支持向量机、逻辑回归模型、随机梯度下降模型、最近邻模型、分布式梯度增强库、直方图决策树模型、Gradient Boosting、梯度提升模型、贝叶斯模型、BP神经网络模型中的任意一种或多种。
7.根据权利要求5所述的瘤内及瘤周生境分析方法，其特征在于，多个所述超参数更新法包括网格搜索法、随机搜索法、贝叶斯优化法。
8.一种瘤内及瘤周生境分析装置，其特征在于，所述装置包括：
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的瘤内及瘤周生境分析方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的瘤内及瘤周生境分析方法。
...【技术特征摘要】
1.一种瘤内及瘤周生境分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的瘤内及瘤周生境分析方法，其特征在于，所述对所述分析组进行生境分析得到生境分析结果，包括：计算所述瘤内掩模图和所述瘤周掩模图中不同模态下对应的体素值，计算所述体素值对应的局部熵特征；基于聚类算法对所述瘤内掩模图和所述瘤周掩模图进行分割，以识别具有相似体素值和所述局部熵特征的区域，并生成相应的瘤内亚区域掩模图和瘤周亚区域掩模图。
3.根据权利要求2所述瘤内及瘤周生境分析方法，其特征在于，所述提取所述瘤内亚区域掩模图和所述瘤周亚区域掩模图的初始特征，包括：基于深度学习模型对所述瘤内亚区域掩模图和所述瘤周亚区域掩模图进行特征提取，得到对应的所述初始特征；所述深度学习模型包括resnet模型、vgg模型、densenet模型、alexnet模型中任意一个模型。
4.根据权利要求3所述的瘤内及瘤周生境分析方法，其特征在于，所述对所述特征集中多个初始特征进行特征筛选，包括：对多个所述初始特征依次进行类合并、数据过采样处理、组内相关性分析、方差选择过滤、皮尔逊相关过滤、特征归一化处理，并基于最小绝对收缩和选择算子回归法进行筛选。
5.根据权利要求4所述的瘤内及瘤周生境分析方法，其特征在于...
【专利技术属性】
技术研发人员：冷晓玲，刘锦辉，袁智帆，李霞，陈沛芬，陈巧琼，
申请(专利权)人：东莞市人民医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。